Mục lục:
- Nếu bạn định làm dự báo, một số aldes thông minh cuối cùng sẽ hỏi bạn nếu bạn đã sử dụng trung bình di chuyển tích hợp tự động (ARIMA) và bạn nên biết làm thế nào để trả lời. ARIMA là một phần của phương pháp dự báo và cũng là cách để đánh giá cơ sở của bạn để bạn có thể nhận được các bằng chứng định lượng hỗ trợ sử dụng phương pháp hồi quy, phương pháp chuyển động trung bình hoặc kết hợp cả hai. Trừ khi bạn thực sự quan tâm đến công cụ dự báo này, bạn thường sẽ không bị phạt nếu không có nó, mặc dù đó là một công cụ chẩn đoán xuất sắc, nếu phức tạp.
- A
- thể hiện mức độ liên quan của hai biến số. Giá trị có thể của nó khoảng từ -1. 0 đến +1. 0, nhưng trong thực tế bạn không bao giờ tìm thấy tương quan như vậy cực đoan. Hệ số tương quan gần hơn là +/- 1. 0, mối quan hệ giữa hai biến càng mạnh. Tương quan của 0. 0 có nghĩa là không có mối quan hệ. Vì vậy, bạn có thể tìm thấy một sự tương quan của +0. 7 (khá mạnh) giữa số nhân viên bán hàng mà bạn có và tổng doanh thu mà họ mang lại: Số đại lý càng lớn, thì số lượng bán càng nhiều. Và bạn có thể tìm thấy một mối tương quan -0. 1 (khá yếu) giữa mức độ bán đại lý và số điện thoại của anh ta.
- Hệ số giảm xóc
- Mịn mượt
- (trong bối cảnh này
- tín hiệu
- di chuyển
- hồi quy
- Trong khoảng thời gian một năm, cơ sở của bạn có thể tăng và giảm theo mùa vụ. Có lẽ bạn bán một sản phẩm có doanh số bán hàng tăng trong thời tiết ấm áp và mùa thu trong thời gian lạnh. Nếu bạn có thể nhìn thấy cùng một mô hình xảy ra trong mỗi năm trong một khoảng thời gian vài năm, bạn biết bạn đang tìm kiếm ở mùa vụ
- là khuynh hướng của đường cơ sở tăng hoặc giảm theo thời gian. Xu hướng tăng doanh thu là tất nhiên là tin tốt lành cho các đại diện bán hàng và quản lý bán hàng, không nói gì về phần còn lại của công ty. Một cơ sở bán hàng mặc dù ít tin tốt có thể thông báo cho Marketing và Quản lý Sản phẩm mà họ cần phải thực hiện và hành động dựa trên một số quyết định, có thể là những điều gây đau đớn. Bất kể hướng của xu hướng, thực tế là một xu hướng tồn tại có thể gây ra các vấn đề cho dự báo của bạn trong một số ngữ cảnh - nhưng có nhiều cách giải quyết những vấn đề đó.
Video: Học Tiếng Tây Ban Nha (Spanish) Theo Chủ Đề - Thời Tiết - GS Trần Chấn Trí 2025
Bạn cần phải nắm bắt được thuật ngữ chuyên ngành được sử dụng trong dự báo bán hàng cho một vài lý do rất thiết thực. Một là bạn có thể được yêu cầu giải thích dự báo của bạn với ông chủ của bạn hoặc trong một cuộc họp, ví dụ như các nhà quản lý bán hàng.
Một lý do chính đáng khác là Excel sử dụng nhiều thuật ngữ này, cũng như các chương trình khác, và tìm ra những gì đang diễn ra sẽ dễ dàng hơn nhiều nếu bạn biết thuật ngữ này có ý nghĩa gì.
Nếu bạn định làm dự báo, một số aldes thông minh cuối cùng sẽ hỏi bạn nếu bạn đã sử dụng trung bình di chuyển tích hợp tự động (ARIMA) và bạn nên biết làm thế nào để trả lời. ARIMA là một phần của phương pháp dự báo và cũng là cách để đánh giá cơ sở của bạn để bạn có thể nhận được các bằng chứng định lượng hỗ trợ sử dụng phương pháp hồi quy, phương pháp chuyển động trung bình hoặc kết hợp cả hai. Trừ khi bạn thực sự quan tâm đến công cụ dự báo này, bạn thường sẽ không bị phạt nếu không có nó, mặc dù đó là một công cụ chẩn đoán xuất sắc, nếu phức tạp.
Đường cơ sở
A
đường cơ sở là một dãy dữ liệu sắp xếp theo trình tự thời gian. Một số ví dụ về các đường cơ sở bao gồm tổng doanh thu hàng tháng từ tháng 1 năm 2010 đến tháng 12 năm 2015, số đơn vị được bán mỗi tuần từ ngày 1 tháng 1 năm 2015 đến ngày 31 tháng 12 năm 2016 và tổng doanh thu hàng quý từ quý 1 năm 2007 đến quý 4 năm 2016. Dữ liệu sắp xếp như thế này đôi khi được gọi là một loạt thời gian. tương quan
thể hiện mức độ liên quan của hai biến số. Giá trị có thể của nó khoảng từ -1. 0 đến +1. 0, nhưng trong thực tế bạn không bao giờ tìm thấy tương quan như vậy cực đoan. Hệ số tương quan gần hơn là +/- 1. 0, mối quan hệ giữa hai biến càng mạnh. Tương quan của 0. 0 có nghĩa là không có mối quan hệ. Vì vậy, bạn có thể tìm thấy một sự tương quan của +0. 7 (khá mạnh) giữa số nhân viên bán hàng mà bạn có và tổng doanh thu mà họ mang lại: Số đại lý càng lớn, thì số lượng bán càng nhiều. Và bạn có thể tìm thấy một mối tương quan -0. 1 (khá yếu) giữa mức độ bán đại lý và số điện thoại của anh ta.
Một loại tương quan đặc biệt là độ tương quan, tính sức mạnh của mối quan hệ giữa một quan sát trong đường cơ sở và quan sát trước đó (thường, nhưng không phải luôn luôn là quan hệ giữa hai quan sát liên tiếp).Sự tự tương quan cho bạn thấy sức mạnh của mối quan hệ giữa những gì đã đến trước và những gì xảy ra sau đó. Điều này lần lượt giúp bạn quyết định loại kỹ thuật dự báo nào để sử dụng. Dưới đây là một ví dụ về cách tính toán sự tương quan tự động có thể làm cho khái niệm trở nên rõ ràng hơn một chút:
= CORREL (A2: A50, A1: A49) Công thức Excel này sử dụng hàm CORREL để chỉ ra mức độ mạnh) một mối quan hệ giữa bất kỳ giá trị nào trong A2: A50 và A1: A49. Các tương quan hữu ích nhất liên quan đến các đường cơ sở được sắp xếp theo thứ tự thời gian. (Sự tương quan tự tương tự này không giống như các tương quan tự tương tự được tính bằng các mô hình ARIMA) Chu kỳ Chu kỳ
chu kỳ
tương tự như mô hình theo mùa nhưng bạn không xem xét nó trong giống như cách bạn làm theo mùa vụ. Việc tăng giá có thể kéo dài trong vài năm, và downswing có thể làm như vậy. Hơn nữa, một chu kỳ đầy đủ có thể mất bốn năm để hoàn thành, và một chu kỳ tiếp theo chỉ hai năm. Một ví dụ điển hình là chu kỳ kinh doanh: Suy thoái đuổi theo sự bùng nổ, và bạn không bao giờ biết chỉ bao lâu mỗi một sẽ kéo dài. Ngược lại, các mùa hàng năm có cùng thời lượng, hoặc gần như vậy.
Hệ số giảm xóc
Hệ số giảm là một phần nhỏ trong khoảng từ 0, 0 đến 1 0 mà bạn sử dụng để làm mịn mũ để xác định mức độ sai số của dự báo trước sẽ được sử dụng để tính toán dự báo tiếp theo. Trên thực tế, việc sử dụng thuật ngữ giảm chênh lệch là một chút không bình thường. Hầu hết các văn bản về làm mũ mũ đều đề cập đến việc làm phẳng mịn. Hệ số giảm xóc là 1. 0 trừ đi các hằng số làm mịn. Nó thực sự không quan trọng mà thuật ngữ bạn sử dụng; bạn chỉ đơn thuần điều chỉnh công thức cho phù hợp.
Mịn mượt
Thuật ngữ ngu ngốc, ngay cả khi chính xác về mặt kỹ thuật. Sử dụng làm mịn mũ, bạn so sánh dự báo trước của bạn với
thực tế
(trong bối cảnh này
thực tế là kết quả bán hàng mà Kế toán cho bạn biết - - mà bạn đã tạo ra). Sau đó, bạn sử dụng lỗi - nghĩa là sự khác biệt giữa dự báo trước và thực tế trước đó - để điều chỉnh dự báo tiếp theo và, bạn hy vọng, làm cho nó chính xác hơn nếu bạn không tính đến lỗi trước đó. Thời kỳ dự báo Khoảng thời gian dự báo là khoảng thời gian được đại diện bởi mỗi quan sát trong đường cơ sở của bạn. Thuật ngữ được sử dụng vì dự báo của bạn thường đại diện cho cùng một khoảng thời gian với từng quan sát cơ bản. Nếu cơ sở của bạn bao gồm doanh thu bán hàng hàng tháng, dự báo của bạn thường là cho tháng tới. Nếu cơ sở bao gồm doanh thu hàng quý, dự báo của bạn thường là cho quý tiếp theo. Sử dụng phương pháp hồi quy, bạn có thể đưa ra những dự đoán xa hơn trong tương lai chỉ trong một khoảng thời gian dự báo, tuy nhiên dự đoán của bạn càng xa các quan sát thực tế gần đây nhất, thì băng sẽ càng mỏng đi. Đường trung bình di chuyển Bạn đã có thể chạy theo khái niệm di chuyển trung bình ở đâu đó dọc theo đường dây. Ý tưởng là trung bình gây ra tiếng ồn trong đường cơ sở để hủy bỏ, để lại cho bạn một ý tưởng tốt hơn của
tín hiệu
(những gì thực sự xảy ra theo thời gian, unsullied bởi các lỗi ngẫu nhiên không thể tránh khỏi).Đây là trung bình vì đây là mức trung bình của một số quan sát liên tiếp, chẳng hạn như mức trung bình của doanh số bán hàng vào tháng 1, tháng 2 và tháng 3. Đó là
di chuyển
vì các khoảng thời gian được tính trung bình di chuyển về phía trước trong thời gian - do đó, mức trung bình di chuyển đầu tiên có thể bao gồm tháng 1, tháng 2 và tháng 3; mức trung bình động thứ hai có thể bao gồm tháng hai, tháng ba và tháng tư; và như vậy. Không có yêu cầu mỗi trung bình di chuyển bao gồm ba giá trị - có thể là hai, bốn, hoặc năm, hoặc thậm chí nhiều hơn. Biến dự báo Bạn thường thấy thuật ngữ này đang được sử dụng khi bạn dự báo bằng hồi quy. Biến dự báo là biến bạn sử dụng để ước lượng giá trị tương lai của biến bạn muốn dự báo. Ví dụ, bạn có thể tìm thấy một mối quan hệ đáng tin cậy giữa giá bán đơn vị và khối lượng bán hàng. Nếu bạn biết công ty của bạn dự định tính phí cho mỗi đơn vị trong quý tiếp theo, bạn có thể sử dụng mối quan hệ đó để dự báo doanh số bán hàng trong quý tiếp theo. Trong ví dụ này, đơn giá bán hàng là biến dự đoán. Hồi quy
Nếu bạn sử dụng phương pháp
hồi quy
để dự báo doanh thu, đó là bởi vì bạn đã tìm thấy mối quan hệ đáng tin cậy giữa doanh thu bán hàng và một hoặc nhiều biến dự báo. Bạn sử dụng mối quan hệ đó, cộng với kiến thức của bạn về các giá trị tương lai của các biến dự đoán, để tạo dự báo của bạn. Làm thế nào bạn sẽ biết những giá trị tương lai của các biến dự đoán? Nếu bạn định sử dụng đơn giá làm dự báo, một cách hay là tìm hiểu từ Quản lý sản phẩm về mức độ tính phí mỗi đơn vị trong mỗi phần tiếp theo, ví dụ: 4 quý. Một cách khác liên quan đến ngày tháng: Nó hoàn toàn có thể và thậm chí phổ biến để sử dụng ngày tháng (như tháng trong năm) làm biến dự đoán. Tính thời vụ
Trong khoảng thời gian một năm, cơ sở của bạn có thể tăng và giảm theo mùa vụ. Có lẽ bạn bán một sản phẩm có doanh số bán hàng tăng trong thời tiết ấm áp và mùa thu trong thời gian lạnh. Nếu bạn có thể nhìn thấy cùng một mô hình xảy ra trong mỗi năm trong một khoảng thời gian vài năm, bạn biết bạn đang tìm kiếm ở mùa vụ
. Bạn có thể tận dụng kiến thức đó để cải thiện dự báo của bạn. Sẽ rất hữu ích để phân biệt các mùa từ các chu kỳ. Bạn không bao giờ biết bao lâu một chu kỳ nhất định sẽ kéo dài. Nhưng mỗi bốn mùa trong một năm là ba tháng dài. Xu hướng Xu hướng
Xu hướng
là khuynh hướng của đường cơ sở tăng hoặc giảm theo thời gian. Xu hướng tăng doanh thu là tất nhiên là tin tốt lành cho các đại diện bán hàng và quản lý bán hàng, không nói gì về phần còn lại của công ty. Một cơ sở bán hàng mặc dù ít tin tốt có thể thông báo cho Marketing và Quản lý Sản phẩm mà họ cần phải thực hiện và hành động dựa trên một số quyết định, có thể là những điều gây đau đớn. Bất kể hướng của xu hướng, thực tế là một xu hướng tồn tại có thể gây ra các vấn đề cho dự báo của bạn trong một số ngữ cảnh - nhưng có nhiều cách giải quyết những vấn đề đó.
