Isi kandungan:
- Rata-rata bergerak bersepadu autoregressive (ARIMA)
- Baseline
- Koefisien korelasi
- Kitaran
- Faktor redaman
- Melonggarkan eksponen
- Tempoh ramalan
- Pergerakan rata-rata
- Pemboleh ubah ramalan
- Regresi
- Musim Musim Panas
- Trend
Video: Now Go Build with Werner Vogels EP2 - Singapore 2024
Anda perlu mendapatkan pegangan pada istilah khusus yang digunakan dalam ramalan jualan untuk beberapa sebab yang sangat praktikal. Satu ialah anda mungkin diminta menjelaskan ramalan anda kepada bos anda atau dalam mesyuarat, sebagai contoh, pengurus jualan.
Alasan lain yang baik adalah bahawa Excel menggunakan banyak istilah ini, seperti program lain, dan mencari tahu apa yang sedang berlaku adalah lebih mudah jika anda tahu apa arti istilah itu.
Rata-rata bergerak bersepadu autoregressive (ARIMA)
Jika anda akan membuat peramalan, sesetengah orang bodoh pintar akhirnya akan bertanya kepada anda jika anda menggunakan purata bergerak bersepadu autoregressive (ARIMA), dan anda sepatutnya tahu cara membalasnya. ARIMA adalah sebahagian daripada kaedah peramalan, dan juga cara menilai garis dasar anda supaya anda dapat memperoleh bukti kuantitatif yang menyokong menggunakan pendekatan regresi, pendekatan purata bergerak, atau gabungan kedua-duanya. Kecuali anda benar-benar mengambil barang-barang peramalan ini, anda biasanya akan berbuat baik tanpa ia, walaupun ia adalah alat diagnostik yang sangat baik, jika kompleks.
Dengan cara ini, jawapan anda kepada orang pintar pintar mestilah, "Tidak. Saya telah bekerja dengan asas ini sejak sekian lama sehingga saya tahu saya mendapat hasil terbaik dengan melicinkan eksponen. Yang, seperti yang anda ketahui, adalah salah satu bentuk yang boleh diambil oleh ARIMA. "
Baseline
A baseline adalah urutan data yang diatur dalam susunan kronologi. Beberapa contoh baseline termasuk jumlah pendapatan bulanan dari Januari 2010 hingga Disember 2015, bilangan unit yang dijual setiap minggu dari 1 Januari 2015, hingga 31 Disember 2016, dan jumlah pendapatan suku tahunan dari Q1 2007 hingga Q4 2016. Data yang diatur seperti ini kadang-kadang dipanggil siri masa.
Koefisien korelasi
A korelasi menyatakan betapa kuatnya dua pemboleh ubah berkaitan. Nilai kemungkinannya berkisar dari -1. 0 hingga +1. 0, tetapi dalam praktiknya anda tidak pernah menemui korelasi yang begitu melampau. Lebih dekat pekali korelasi ialah +/- 1. 0, semakin kuat hubungan antara kedua pembolehubah tersebut. Hubungan dengan 0. 0 tidak bermakna hubungan. Jadi, anda mungkin mencari hubungan dengan +0. 7 (cukup kuat) antara bilangan wakil jualan yang anda miliki dan jumlah hasil yang mereka bawa: Semakin banyak bilangan wakil, semakin banyak yang terjual. Dan anda mungkin mencari hubungan dengan -0. 1 (agak lemah) antara berapa banyak rep yang menjual dan nombor telefonnya.
Jenis korelasi khas ialah autokorelasi, yang mengira kekuatan hubungan antara satu pemerhatian dalam garis dasar dan pemerhatian yang lebih awal (sering, tetapi tidak selalu, hubungan antara dua pemerhatian yang berturut-turut).Autokorelasi memberitahu anda kekuatan hubungan antara apa yang berlaku sebelum dan apa yang berlaku selepas itu. Ini seterusnya membantu anda menentukan jenis teknik ramalan untuk digunakan. Berikut adalah contoh cara mengira autokorelasi yang mungkin membuat konsep lebih jelas:
= CORREL (A2: A50, A1: A49)
Rumus Excel ini menggunakan fungsi CORREL untuk menunjukkan betapa kuatnya (atau lemahnya) hubungan yang ada antara apa sahaja nilai dalam A2: A50 dan yang dalam A1: A49. Autokorelasi yang paling berguna melibatkan garis dasar yang disusun mengikut susunan kronologi. (Autokorelasi semacam ini tidak sama seperti autokorelasi yang dikira dalam model ARIMA.)
Kitaran
A kitaran adalah sama dengan corak bermusim, tetapi anda tidak menganggapnya dalam sama seperti yang anda lakukan bermusim. Peningkatan mungkin berkisar beberapa tahun, dan downswing mungkin melakukan perkara yang sama. Tambahan pula, satu kitaran penuh mungkin mengambil masa empat tahun untuk diselesaikan, dan yang seterusnya hanya dua tahun. Satu contoh yang baik ialah kitaran perniagaan: Kejatuhan mengejar booms, dan anda tidak pernah tahu berapa lama setiap akan berlangsung. Sebaliknya, musim tahunan mempunyai panjang yang sama atau hampir sama.
Faktor redaman
Faktor redaman adalah pecahan diantara 0. 0 dan 1. 0 yang anda gunakan dalam pelebaran eksponen untuk menentukan berapa banyak ralat dalam ramalan sebelumnya yang akan digunakan dalam pengiraan ramalan seterusnya.
Sebenarnya, penggunaan istilah redaman istilah adalah sedikit luar biasa. Kebanyakan teks mengenai melicinkan eksponen merujuk kepada pemalar melicinkan. Faktor redaman adalah 1. 0 minus pemalar melicinkan. Ia benar-benar tidak kira istilah yang anda gunakan; anda hanya menyesuaikan formula dengan sewajarnya.
Melonggarkan eksponen
Istilah bodoh, walaupun secara teknikalnya tepat. Dengan menggunakan pelonggaran eksponen, Anda membandingkan ramalan sebelumnya sebelum sebenarnya (dalam konteks ini, sebenarnya adalah hasil jualan yang Perakaunan memberitahu anda - setelah fakta - yang anda hasilkan). Kemudian anda menggunakan ralat - iaitu perbezaan antara ramalan sebelumnya dan yang sebenarnya - untuk menyesuaikan ramalan yang akan datang dan, anda berharap, menjadikannya lebih tepat daripada jika anda tidak mengambil kesilapan sebelum ini.
Tempoh ramalan
Tempoh ramalan adalah tempoh masa yang diwakili oleh setiap pemerhatian dalam garis dasar anda. Istilah ini digunakan kerana ramalan anda biasanya mewakili panjang masa yang sama seperti setiap pemerhatian baseline. Jika garis dasar anda terdiri daripada pendapatan jualan bulanan, ramalan anda biasanya untuk bulan yang akan datang. Jika garis dasar terdiri daripada jualan suku tahunan, ramalan anda biasanya untuk suku seterusnya. Dengan menggunakan pendekatan regresi, anda boleh membuat ramalan lebih jauh ke masa hadapan daripada hanya satu tempoh ramalan, tetapi lebih jauh ramalan anda mendapat dari pemerhatian sebenar yang terkini, yang lebih tipis ais.
Pergerakan rata-rata
Anda mungkin menghadapi konsep pergerakan purata di suatu tempat di sepanjang garis. Idea ini ialah purata membuat bunyi dalam baseline untuk membatalkan, meninggalkan anda dengan idea yang lebih baik mengenai isyarat (apa yang sebenarnya berlaku dari masa ke masa, tidak jelas dengan ralat rawak yang tidak dapat dielakkan).Ini adalah purata kerana ia adalah purata beberapa bilangan pemerhatian berturut-turut, seperti purata jualan pada bulan Januari, Februari, dan Mac. Ini bergerak kerana tempoh masa rata-rata bergerak ke depan dalam masa - jadi, purata bergerak pertama boleh termasuk Januari, Februari, dan Mac; purata bergerak kedua boleh termasuk Februari, Mac, dan April; dan sebagainya.
Tidak ada syarat bahawa setiap purata bergerak termasuk tiga nilai - ia boleh menjadi dua, atau empat, atau lima, atau bahkan lebih.
Pemboleh ubah ramalan
Anda biasanya mencari istilah ini yang digunakan apabila anda meramalkan dengan regresi. Pembolehubah prediktor adalah pemboleh ubah yang anda gunakan untuk menganggarkan nilai masa depan pemboleh ubah yang anda ingin ramalkan. Sebagai contoh, anda boleh mencari hubungan yang boleh dipercayai antara harga jualan unit dan jumlah jualan. Jika anda tahu berapa banyak syarikat anda bercadang untuk mengenakan seunit pada suku seterusnya, anda boleh menggunakan hubungan itu untuk meramalkan jumlah jualan untuk suku tahun depan. Dalam contoh ini, harga jualan unit adalah pemboleh ubah ramalan.
Regresi
Jika anda menggunakan pendekatan regresi terhadap ramalan jualan, itu kerana anda telah menemukan hubungan yang boleh dipercayai antara pendapatan jualan dan satu atau lebih pemboleh ubah ramalan. Anda menggunakan hubungan itu, ditambah pengetahuan anda mengenai nilai masa depan pemboleh ubah ramalan, untuk membuat ramalan anda.
Bagaimana anda akan mengetahui nilai masa depan pemboleh ubah ramalan ini? Sekiranya anda akan menggunakan harga unit sebagai peramal, satu cara yang baik adalah untuk mengetahui dari Pengurusan Produk berapa banyak yang berharga untuk mengenakan seunit pada setiap seterusnya, katakan, empat suku. Cara lain melibatkan tarikh: Ia mungkin sepenuhnya, dan juga biasa, untuk menggunakan tarikh (seperti bulan dalam beberapa tahun) sebagai pemboleh ubah ramalan.
Musim Musim Panas
Sepanjang tempoh setahun, baseline anda mungkin naik dan turun secara bermusim. Mungkin anda menjual produk yang jualannya meningkat semasa cuaca panas dan jatuh semasa sejuk. Jika anda dapat melihat kira-kira corak yang sama berlaku dalam tempoh setahun dalam tempoh beberapa tahun, anda tahu anda melihat musim. Anda boleh memanfaatkan pengetahuan itu untuk meningkatkan ramalan anda. Ia berguna untuk membezakan musim dari kitaran. Anda tidak pernah tahu berapa lama kitaran yang diberikan akan berlangsung. Tetapi setiap empat musim dalam setahun adalah tiga bulan.
Trend
A trend adalah kecenderungan tahap asas untuk naik atau turun dari masa ke masa. Trend pendapatan yang meningkat adalah, tentu saja, berita baik untuk wakil jualan dan pengurusan jualan, untuk mengatakan apa-apa daripada syarikat lain. Penurunan harga jualan, walaupun jarang berita baik, dapat memaklumkan Pemasaran dan Pengurusan Produk yang mereka perlukan untuk membuat dan bertindak pada beberapa keputusan, yang mungkin menyakitkan. Terlepas dari arah trend, hakikat bahawa trend yang ada boleh menyebabkan masalah ramalan anda dalam beberapa konteks - tetapi ada cara untuk menangani masalah tersebut.