Virksomheder, der præcist kan forudsige salg, kan med held tilpasse fremtidige produktionsniveauer, ressourceallokering og markedsføringsstrategier for at matche niveauet af forventet salg. Disse tiltag hjælper med at optimere driften og maksimere overskuddet. En regressionsmodel prognostiserer værdien af en afhængig variabel - i dette tilfælde salg - baseret på en uafhængig variabel. Et Excel-regneark kan nemt håndtere denne type ligning.
Data indsamling
Bestem en uafhængig variabel. Antag for eksempel, at din virksomhed producerer et produkt med salg, der binder tæt til ændringer i prisen på olie. Din erfaring er, at salget stiger, når prisen på olie stiger. For at oprette regressionen skal du oprette en regnearksøjle for dit årlige salg i løbet af et antal tidligere år. Opret en anden kolonne, der viser den procentvise ændring i årets gennemsnitspris på olie i hvert af salgsårene. For at fortsætte skal du bruge Excel Analysis ToolPak, som du kan indlæse gratis ved at vælge "Tilføjelser" på menuen "Indstillinger".
Kører regressionen
Vælg "Regression" fra "Data Analysis" på menuen "Data". Marker rækkevidden af den uafhængige variabel som X-aksen og den for den afhængige variabel som Y-aksen. Giv et celleområde for output og markér boksene for rester. Når du trykker på "OK", beregner Excel den lineære regression og viser resultaterne i dit outputområde. Regressionen repræsenterer en lige linje med en hældning, som bedst passer til dataene. Excel viser flere statistikker for at hjælpe dig med at fortolke styrken af sammenhængen mellem de to variabler.
Fortolkning af resultaterne
R-kvadreret statistik angiver, hvor godt den uafhængige variabel prognose salg. I dette eksempel er R-kvadratet af olie versus salg 89,9, hvilket er procentdelen af produktsalget forklaret af den procentvise ændring i prisen på olie. Ethvert tal over 85 angiver et stærkt forhold. Y-interceptet, i dette eksempel 380.000, viser mængden af produkt, du ville sælge, hvis prisen på olie forblev uændret. Korrelationskoefficienten, i dette tilfælde 15.000, tyder på, at en stigning på 1 procent i olieprisen vil øge salget med 15.000 enheder.
Brug af resultaterne
Værdien af den lineære regression afhænger af, hvor godt du kan prognose den uafhængige variabel. For eksempel kan du betale olieindustrien analytikere for en privat prognose, der forudsiger en 6 procent stigning i prisen på olie i løbet af det næste år. Multiplicér korrelationskoefficienten med 6, og tilføj resultatet - 90.000 - til din Y-intercept-mængde på 380.000. Svaret 470.000 er antallet af enheder, du sandsynligvis vil sælge, hvis prisen på olie steg 6 procent. Du kan bruge denne forudsigelse til at forberede din produktionsplan for det kommende år. Du kan også køre regressionen ved hjælp af forskellige olieprisbevægelser for at forudsige et bedst og worst case-resultat. Selvfølgelig er det bare forudsigelser, og overraskelser er altid mulige. Du kan også køre regressioner med flere uafhængige variabler, hvis det er relevant.
