Làm thế nào để kiểm tra xu hướng bán hàng dự báo - những con cần có

Làm thế nào để bạn biết liệu một xu hướng dự báo là có thật? Nếu bạn thấy một đường cơ sở giống như nó đang trôi dạt lên hoặc xuống, điều đó đại diện cho một xu hướng thực sự hay chỉ là biến thể ngẫu nhiên? Để trả lời những câu hỏi này, bạn phải tham gia vào xác suất và số liệu thống kê. May mắn thay, bạn không cần phải đi vào chúng quá xa - có thể là cổ tay.

Các bài học cơ bản của suy nghĩ đi như sau:

1. Sử dụng Excel để cho bạn biết sự tương quan giữa doanh thu bán hàng và thời gian của họ liên quan.

   Không có vấn đề gì nếu tôi đại diện cho khoảng thời gian đó là tháng 1 năm 2011, tháng 2 năm 2011, tháng 3 năm 2011 … Tháng 12 năm 2016 hoặc là 1, 2, 3 … 72.

2. Nếu không có mối quan hệ, được đo bằng mối tương quan, giữa thu nhập và thời gian, không có xu hướng, và bạn không cần phải lo lắng về nó.
3. Nếu có mối quan hệ giữa doanh thu và khoảng thời gian, bạn phải chọn cách tốt nhất để xử lý xu hướng này.
4. Sau khi Excel tính tương quan, bạn phải quyết định xem nó có phải là mối quan hệ thực giữa khoảng thời gian và doanh thu hay không, hoặc đó chỉ là một cú sút may mắn.

   Nếu xác suất đó chỉ là may mắn là dưới 5 phần trăm, đó là một xu hướng thực sự. Một số người thích dùng 1 phần trăm làm tiêu chuẩn của họ - nó bảo thủ hơn 5 phần trăm, và họ cảm thấy an toàn hơn một chút). Điều này đặt ra vấn đề ý nghĩa thống kê: xác suất xác suất bạn có yêu cầu trước khi bạn quyết định rằng cái gì (ở đây, một mối tương quan) là McCoy thực?

Có nhiều phương pháp để kiểm tra ý nghĩa thống kê của hệ số tương quan. Dưới đây là ba phương pháp phổ biến:

• Kiểm tra tương quan trực tiếp và so sánh kết quả với phân bố bình thường.
• Kiểm tra sự tương quan trực tiếp và so sánh kết quả với t-distribution (sự phân bố t, mặc dù tương tự như đường cong thông thường, giả sử rằng bạn đang sử dụng một mẫu nhỏ hơn là một số lượng lớn vô hạn).
• Chuyển đổi tương quan với Sự chuyển đổi Fisher (chuyển đổi hệ số tương quan sang một giá trị phù hợp với đường cong thông thường) và so sánh kết quả với sự phân bố bình thường.

Các phương pháp phổ biến khác để kiểm tra ý nghĩa thống kê của hệ số tương quan tồn tại. Mỗi kết quả trả về một kết quả hơi khác nhau. Trong thực tế, bạn hầu như sẽ luôn đưa ra quyết định giống nhau (sự tương quan giữa hoặc khác với số không), bất kể phương pháp bạn chọn.

Nếu bạn kết luận rằng xu hướng các biện pháp tương quan là có thật (và khi xác suất có ít hơn 1 phần trăm tương quan là một con ma, có lẽ bạn nên chấp nhận kết luận đó), bạn có thêm hai câu để tự hỏi mình: >

Bạn có nên sử dụng phương pháp dự báo để xử lý các xu hướng tốt không?

• Bạn sẽ nghĩ rằng nếu bạn phát hiện ra một xu hướng, bạn nên sử dụng phương pháp dự báo có thể xử lý các xu hướng tốt. Điều đó thường đúng, nhưng không nhất thiết. Giả sử thay vì sử dụng khoảng thời gian làm một trong các biến trong phân tích tương quan, bạn đã sử dụng một số thứ như doanh số bán hàng do cuộc cạnh tranh . Nếu doanh thu của đối thủ cạnh tranh đang trượt như của bạn (hoặc nếu cả hai bộ doanh thu đang phát triển), bạn sẽ thấy có sự tương quan đáng kể giữa doanh thu của bạn và đối thủ cạnh tranh. Nhưng khá có thể - thậm chí có thể - rằng không có mối quan hệ nhân quả thực sự giữa doanh thu của họ và của bạn. Có thể cả bạn và họ đều có mối tương quan với nhân tố nhân quả thực sự: Quy mô của thị trường tổng thể đang thay đổi. Trong trường hợp đó, có lẽ bạn sẽ được tốt hơn bằng cách sử dụng một thước đo của kích thước thị trường tổng thể như là biến dự đoán của bạn. Trong trường hợp này, quy mô thị trường có mối quan hệ nhân quả trực tiếp với doanh thu của bạn, trong khi doanh thu của đối thủ cạnh tranh của bạn chỉ có mối quan hệ gián tiếp với doanh thu của bạn.

Nếu bạn làm hỏng dữ liệu?

• Một biến ẩn, chẳng hạn như sự thay đổi phù hợp về kích thước tổng thể của một thị trường, có thể dẫn bạn tin rằng biến dự đoán và biến bạn muốn dự báo có mối quan hệ trực tiếp, trong thực tế chúng không phải là. Hoặc dự đoán và dự báo có thể thay đổi theo những cách tương tự bởi vì chúng có liên quan đến thời gian. Cách xử lý tình huống này là để phá vỡ cả hai biến bằng cách chuyển đổi.

Hoặc bạn có thể thích dự báo của mình bằng một cách tiếp cận không nhất thiết xử lý các xu hướng tốt, chẳng hạn như di chuyển trung bình hoặc làm mờ mũ đơn giản. Một lý do để làm việc này là bạn có thể tìm thấy cách tiếp cận hồi quy với bộ dữ liệu của bạn không chính xác như là một phép đo dự báo khi di chuyển trung bình hoặc làm mịn. Một lần nữa, xem bạn có thể chuyển đổi dữ liệu để loại bỏ xu hướng.