Video: functie en relatie 2024
Na verloop van tijd heeft een baseline de neiging om consistent gedrag weer te geven: het niveau wordt hoger, lager of stationair (of het kan seizoensgebonden of cyclisch zijn). De relaties tussen tijdsperioden helpen om dit gedrag te meten: de relatie tussen de ene maand en de volgende, of tussen een kwartaal en de volgende, of tussen een kwartaal en hetzelfde kwartaal in het voorgaande jaar.
Uw baseline kan de relaties tussen de perioden om verschillende redenen vermengen, sommige goed en slecht. Een paar voorbeelden:
- Degene die de basisgegevens heeft verzameld (niet jij, zeker) heeft de omzet van 15 juni tot en met 30 juni over het hoofd gezien. Dit is een echt probleem en het is echt onverdedigbaar. "De hond at mijn huiswerk" snijdt het hier niet.
- Het warenhuis brandde plat en niemand kon iets verkopen totdat de fabriek het voorraadverlies kon inhalen. Nogmaals, een echt probleem, maar het helpt je voorspelling niet, zelfs als de politie de brandstichter wel krijgt.
De reden is dit: als bijna al uw basislijn uit maandelijkse inkomsten bestaat en één tijdsperiode slechts een halve maand vertegenwoordigt, wordt elke prognose die afhankelijk is van de volledige basislijn verwijderd. De figuur toont een voorbeeld van wat er kan gebeuren.
Cellen A1: B27 bevatten een baseline met accurate inkomsten overal. Exponentiële afvlakking geeft de voorspelling voor augustus 2016 in cel C28.
Cellen H1: I27 hebben dezelfde basislijn, behalve voor cel I25. Om de een of andere reden (onvoorzichtige boekhouding, opslag van het magazijn of iets anders) zijn de inkomsten voor mei 2016 niet gerapporteerd. Het resultaat is dat de prognose voor augustus 2016 meer dan $ 6, 000 minder is dan wanneer de inkomsten van mei 2016 het resultaat zijn van noch een fout noch een eenmalig incident. Zesduizend dollar klinkt misschien niet als veel, maar in deze context is het een verschil van 8 procent. En het is nog erger direct nadat het probleem zich voordoet: het verschil in de twee voorspellingen is 17 procent in juni 2016.
Als de ontbrekende gegevens niet kunnen worden gevonden, misschien vanwege een boekhoudkundige fout, of als er geen fout is gemaakt, maar sommige echt ongewone incidenten onderbraken het verkoopproces in mei 2016, je zou waarschijnlijk de werkelijke waarde voor mei inschatten. Een paar redelijke manieren om dat te doen:
- Neem het gemiddelde van april en juni en wijs dat gemiddelde toe aan mei.
- Gebruik juni 2014 tot en met april 2016 als een basislijn en voorspel mei 2016. Gebruik die prognose van mei 2016 in uw volledige basislijn, januari 2014 tot en met juli 2016.
Deze situatie is een goede reden om uw baseline in kaart te brengen. Alleen al kijkend naar de basislijn merk je misschien niet dat mei 2016 een vreemde eend in de bijt is. Maar het springt recht naar je uit als je de basislijn in kaart brengt - zie de volgende figuur, met name van juni tot augustus 2016 in elke grafiek.
Maak je geen zorgen over kleine verschillen in de lengte van de perioden van de basislijn. Maart heeft er nog een dag bij dan april, maar het is het niet waard om je zorgen over te maken. Twee ontbrekende weken is een andere kwestie.
