차례:
- 자동 회귀 통합 이동 평균 (ARIMA)
- 기준선
- 계수는 두 변수가 얼마나 강하게 관련되어 있는지를 나타낸다. 가능한 값의 범위는 -1입니다. 0 ~ +1. 0이지만 실제로는 상관 관계가 너무 심하지 않습니다. 상관 계수가 +/- 1에 가까울수록. 0이면 두 변수 간의 관계가 강합니다. 상관 관계 0은 관계가 없음을 의미합니다. 따라서 +0의 상관 관계를 찾을 수 있습니다. 영업 담당자 수와 총 수익 간에는 7 점 (상당히 강하게 나타남) : 영업 담당자 수가 많을수록 판매가 증가합니다. 그리고 -0의 상관 관계를 찾을 수도 있습니다. 한 담당자가 얼마나 많은 돈을 팔고 있는지와 전화 번호 사이에 1 (상당히 약함).
- 감쇠 계수
- 사실, 댐핑 팩터라는 용어의 사용은 약간 특이합니다. 지수 평활화에 대한 대부분의 텍스트는 평활화 상수를 참조합니다. 감쇠 계수는 1.0에서 평활 상수를 뺀 값입니다. 어떤 용어를 쓰든 상관 없습니다. 그에 따라 수식을 조정하기 만하면됩니다.
- 실제
- 이동 평균
- 평균
- 을 판매 예측에 사용하는 경우 판매 수익과 하나 이상의 예측 변수 간의 신뢰할 수있는 관계를 발견했기 때문입니다. 그 관계와 예측 변수의 미래 값에 대한 지식을 사용하여 예측을 만듭니다.
- 계절을 볼 수 있습니다.
- 은 기준선 수준이 시간이 지남에 따라 증가하거나 감소하는 경향입니다. 물론 매출 증가 경향은 영업 담당자와 판매 관리에게 좋은 소식이며 나머지 회사는 말할 것도 없습니다. 드문 좋은 소식은 아니지만 매출의 하락 추세는 마케팅 및 제품 관리 부서에 몇 가지 결정 (아마도 고통스러운 결정)을 내리고 행동해야한다고 알릴 수 있습니다. 추세의 방향에 관계없이 추세가 존재한다는 사실은 일부 상황에서 예측에 문제를 일으킬 수 있지만 이러한 문제를 처리 할 수있는 방법이 있습니다.
비디오: Calling All Cars: Crime v. Time / One Good Turn Deserves Another / Hang Me Please 2024
몇 가지 실용적인 이유로 판매 예측에 사용되는 특수 용어를 처리해야합니다. 하나는 예측을 상사에게 또는 영업 관리자와 같은 회의에서 설명하도록 요청받을 수 있다는 것입니다.
또 다른 좋은 이유는 다른 프로그램과 마찬가지로 Excel에서 이러한 용어를 많이 사용한다는 것이고 용어의 의미를 알면 어떤 일이 일어나는지 파악하는 것이 훨씬 쉽습니다.
자동 회귀 통합 이동 평균 (ARIMA)
예측을 수행하려는 경우 자동 회귀 통합 이동 평균 (ARIMA)을 사용하면 스마트 알렉이 결국 묻습니다. 답장하는 방법. ARIMA는 부분적으로 예측 방법이며 또한 기준선을 평가하여 회귀 접근법, 이동 평균 접근법 또는이 둘의 조합을 사용하여 양적 증거를 얻을 수 있습니다. 이 예측 자료를 실제로 사용하지 않는 한 복잡한 진단 도구 인 경우에도 훌륭한 도구 일지라도 일반적으로 문제없이 정상적으로 수행됩니다.
그건 그렇고, 스마트 알렉 스에 대한 당신의 대답은 "아니오. 저는이 기준선을 가지고 오랫동안 작업 해 왔는데, 지수 스무딩으로 최상의 결과를 얻었습니다. 아시는 바와 같이 ARIMA가 취할 수있는 형태 중 하나입니다. "
기준선
기준선 는 시간순으로 배열 된 데이터의 순서입니다. 기준선의 몇 가지 예는 2010 년 1 월부터 2015 년 12 월까지의 월간 총 수익, 2015 년 1 월 1 일부터 2016 년 12 월 31 일까지 매주 판매되는 단위 수 및 2007 년 1 분기에서 2016 년 4 분기 총 수익을 포함합니다. 시계열. 상관 계수
계수는 두 변수가 얼마나 강하게 관련되어 있는지를 나타낸다. 가능한 값의 범위는 -1입니다. 0 ~ +1. 0이지만 실제로는 상관 관계가 너무 심하지 않습니다. 상관 계수가 +/- 1에 가까울수록. 0이면 두 변수 간의 관계가 강합니다. 상관 관계 0은 관계가 없음을 의미합니다. 따라서 +0의 상관 관계를 찾을 수 있습니다. 영업 담당자 수와 총 수익 간에는 7 점 (상당히 강하게 나타남): 영업 담당자 수가 많을수록 판매가 증가합니다. 그리고 -0의 상관 관계를 찾을 수도 있습니다. 한 담당자가 얼마나 많은 돈을 팔고 있는지와 전화 번호 사이에 1 (상당히 약함).
상관 관계의 특수한 유형은 기준선에서의 한 관찰과 이전 관찰 사이의 관계의 강도를 계산하는 자기 상관 (autocorrelation,)입니다.자기 상관 관계는 이전과 이전 사이의 관계 강도를 알려줍니다. 이것은 차례로 어떤 종류의 예측 기법을 사용할 지 결정하는 데 도움이됩니다.
= CORREL (A2: A50, A1: A49) 이 Excel 수식은 CORREL 함수를 사용하여 얼마나 강한 (또는 얼마나 약한)지를 보여줍니다) A2: A50에있는 값과 A1: A49에있는 값 사이의 관계가 있습니다. 가장 유용한 자기 상관은 시간 순서대로 정렬되는 기준선을 포함합니다. (이 종류의 자기 상관은 ARIMA 모델에서 계산 된 자기 상관과 거의 동일하지 않습니다.) 주기
A 999주기
는 계절 패턴과 유사하지만 당신이 계절성을하는 것과 같은 방법. 상향 회선은 수 년에 걸칠 수 있으며, 하향 회선도 마찬가지입니다. 또한 한 번의 전체주기를 완료하는 데 4 년이 소요될 수 있으며 다음 2 년이 소요될 수 있습니다. 좋은 사례는 경기 순환입니다. 경기가 호황을 쫓아오고, 각 기간이 얼마나 오래 지속될 지 결코 알 수 없습니다. 대조적으로, 매년 계절은 거의 같은 길이입니다.
감쇠 계수
감쇠 계수 는 이전 예측에서 계산 된 오류의 정도를 계산하기 위해 지수 평활화에 사용하는 0과 1.0 사이의 분수입니다 다음 예측.
사실, 댐핑 팩터라는 용어의 사용은 약간 특이합니다. 지수 평활화에 대한 대부분의 텍스트는 평활화 상수를 참조합니다. 감쇠 계수는 1.0에서 평활 상수를 뺀 값입니다. 어떤 용어를 쓰든 상관 없습니다. 그에 따라 수식을 조정하기 만하면됩니다.
지수 평활화 기술적으로 정확한 경우에도 어리석은 용어입니다. 지수 평활화를 사용하여
이전 예측을 이전
실제
와 비교합니다 (이 경우 실제 는 회계가 알려주는 판매 결과입니다. - 당신이 생성 한). 그런 다음 이전 예측과 이전 실제의 차이 인 오류를 사용하여 다음 예측을 조정하고 이전 오류를 고려하지 않은 경우보다 더 정확하게 작성하십시오. 예측 기간 예측 기간 은 기준에서 각 관찰에 의해 표시되는 시간의 길이입니다. 예측은 대개 각 기준 관찰과 동일한 시간 길이를 나타 내기 때문에이 용어가 사용됩니다. 기준선이 매월 판매 수익으로 구성된 경우 예측은 대개 다음 달입니다. 기준선이 분기 별 판매로 구성된 경우 예측은 대개 다음 분기에 대한 것입니다. 회귀 접근법을 사용하면 예측 기간을 예측 기간보다 더 먼 미래로 만들 수 있지만 예측이 가장 최근의 실제 관측치에서 멀어 질수록 얼음이 더 얇아집니다.
이동 평균
아마 어딘가에 선을 따라 움직이는 평균을 구상했을 것입니다. 평균을 내면베이스 라인의 노이즈가 상쇄되어 신호 (시간이 지남에 따라 실제로 진행되는 현상, 피할 수없는 임의의 오류에 의한 무디움)에 대해 더 잘 이해하게됩니다.1 월, 2 월 및 3 월의 판매 평균과 같은 연속적인 관측치의 평균이기 때문에
평균
입니다. 평균화 된 기간이 시간상으로 이동하므로 이동합니다. 따라서 첫 번째 이동 평균에 1 월, 2 월 및 3 월이 포함될 수 있습니다. 두 번째 이동 평균에는 2 월, 3 월 및 4 월이 포함될 수 있습니다. 등등. 각 이동 평균에는 세 개 값이 포함될 필요는 없습니다. 두 개 또는 네 개, 다섯 개, 또는 더 많을 수 있습니다. 예측 변수 일반적으로 회귀 예측을 할 때이 용어를 사용합니다. 예측 변수 는 예측하려는 변수의 미래 가치를 추정하는 데 사용하는 변수입니다. 예를 들어, 단위 판매 가격과 판매량간에 신뢰할 수있는 관계를 찾을 수 있습니다. 다음 분기에 귀하의 회사가 얼마나 많은 비용을 청구 할 것인지를 안다면, 그 관계를 사용하여 다음 분기의 판매량을 예측할 수 있습니다. 이 예에서 단위 판매 가격은 예측 변수입니다. 회귀 분석
회귀 분석법
을 판매 예측에 사용하는 경우 판매 수익과 하나 이상의 예측 변수 간의 신뢰할 수있는 관계를 발견했기 때문입니다. 그 관계와 예측 변수의 미래 값에 대한 지식을 사용하여 예측을 만듭니다.
예측 변수의 향후 가치를 어떻게 알 수 있습니까? 단가를 예측 변수로 사용하려는 경우, 좋은 방법 중 하나는 제품 관리부에서 다음 4 분의 1의 기간 동안 얼마나 많은 비용을 지불 할 것인지를 파악하는 것입니다. 또 다른 방법은 날짜를 사용하는 것입니다. 예측 변수로 날짜 (예: 몇 년 내에서의 날짜)를 사용하는 것은 전적으로 가능하고 심지어 일반적입니다. 계절성 1 년 동안의 기준은 계절적 기준에 따라 상승 및 하강 할 수 있습니다. 아마도 추운 날씨에 더운 날씨와 가을에 판매량이 증가한 제품을 판매했을 것입니다. 몇 년 동안 매년 거의 같은 패턴이 나타남을 알면
계절을 볼 수 있습니다.
지식을 활용하여 예측을 향상시킬 수 있습니다. 계절과 순환을 구별하는 것이 유용합니다. 주어진주기가 얼마나 지속될 지 결코 알 수 없습니다. 그러나 1 년에 4 계절은 각각 3 개월입니다. 경향 A
경향