Компании, которые могут точно прогнозировать продажи, могут успешно корректировать будущие уровни производства, распределение ресурсов и маркетинговые стратегии, чтобы соответствовать уровню ожидаемых продаж. Эти действия помогают оптимизировать операции и максимизировать прибыль. Модель регрессии прогнозирует значение зависимой переменной - в данном случае продаж - на основе независимой переменной. Электронная таблица Excel может легко обработать этот тип уравнения.
Сбор данных
Определите независимую переменную. Например, предположим, что ваша компания производит продукт, продажи которого тесно связаны с изменениями цен на нефть. Ваш опыт показывает, что продажи растут, когда цена на нефть растет. Чтобы настроить регрессию, создайте столбец электронной таблицы для ваших годовых продаж за некоторое количество предыдущих лет. Создайте второй столбец, показывающий процентное изменение среднегодовой цены на нефть в каждый год продаж. Для продолжения вам понадобится пакет инструментов анализа Excel, который можно бесплатно загрузить, выбрав «Надстройки» в меню «Параметры».
Запуск регрессии
Выберите «Регрессия» в пункте «Анализ данных» в меню «Данные». Отметьте диапазон независимой переменной как ось X и диапазон зависимой переменной как ось Y. Укажите диапазон ячеек для выходных данных и отметьте поля для остатков. Когда вы нажмете «ОК», Excel вычислит линейную регрессию и отобразит результаты в вашем выходном диапазоне. Регрессия представляет собой прямую линию с наклоном, который наилучшим образом соответствует данным. Excel отображает несколько статистических данных, чтобы помочь вам понять силу корреляции между двумя переменными.
Интерпретация результатов
R-квадрат статистика показывает, насколько хорошо независимая переменная прогнозирует продажи. В этом примере R-квадрат нефти против продаж составляет 89,9, что является процентом продаж продукта, объясняемым процентным изменением цены нефти. Любое число выше 85 указывает на прочные отношения. Пересечение Y, в этом примере 380 000, показывает количество продукта, которое вы продали бы, если бы цена на нефть оставалась неизменной. Коэффициент корреляции, в данном случае 15 000, указывает на то, что повышение цены на нефть на 1% приведет к увеличению продаж на 15 000 единиц.
Использование результатов
Значение линейной регрессии зависит от того, насколько хорошо вы можете прогнозировать независимую переменную. Например, вы можете заплатить аналитикам нефтяной промышленности за частный прогноз, который прогнозирует 6-процентное увеличение цены на нефть в течение следующего года. Умножьте коэффициент корреляции на 6, и прибавьте результат - 90 000 - к вашей сумме пересечения Y в 380 000. Ответ 470 000 - это количество единиц, которые вы, вероятно, продали бы, если бы цена на нефть выросла на 6 процентов. Вы можете использовать этот прогноз, чтобы подготовить свой график производства на предстоящий год. Вы также можете запустить регрессию, используя различные движения цен на нефть, чтобы предсказать наилучшие и худшие результаты. Конечно, это всего лишь прогнозы, и сюрпризы всегда возможны. Вы также можете запускать регрессии с несколькими независимыми переменными, если это необходимо.
