Hvilken metode til prognoser bruger et årsag og effektforhold til at forudsige?

Når du forudsiger en kritisk variabel, som f.eks. Den mængde produkt, der vil blive solgt over et bestemt tidsrum, kan forretningsadministratoren anvende forskellige tilgange. Metoder, der bruger årsag og virkning forhold, er især nyttige, da de hjælper med at forudsige fremtidige tendenser og forstå den underliggende forretningsdynamik. Takket være overkommelige computere og softwareprogrammer er sådan analyse tilgængelig for selv den mindste forretning.

Regressions analyse

Når de agter at afdække årsag og virkning, baserer statistikere på regressionsanalyse. Denne matematiske model bruger tidligere data til at kvantificere relationerne mellem variabler. Ved at forstå, hvordan en eller flere variabler påvirker en anden variabel, er det muligt at forstå de vigtigste drivkræfter i en virksomhed, såsom de faktorer, der påvirker antallet af walk-ins til et supermarked. Regressionsanalyse giver også statistikeren mulighed for at køre scenarieanalyse og producere "bedste", "værste" og "sandsynlige tilfælde" forudsigelser. Især for småbedriftsejeren, der skal konstant afbalancere pengestrømmen, hjælper sådanne scenarier hende med at forberede sig på potentielle problemer i forvejen.

Afhængige og uafhængige variabler

For at udføre en regressionsanalyse identificerer virksomhedsejer eller administrator først de afhængige og uafhængige variabler. Den afhængige variabel repræsenterer den figur, modellen vil forudsige. De uafhængige variabler er dem, der påvirker den afhængige variabel. Derfor er den afhængige variabel effekten eller resultatet, mens de uafhængige variabler er årsagerne. En simpel regression bruger en afhængig og en uafhængig variabel. En multipelregressionsmodel bruger en afhængig og flere uafhængige variabler. En ejere af små virksomheder vil ikke have adgang til de samme detaljerede datasæt til rådighed for en statistiker i et multinationalt selskab. Derfor har småfirmaer tendens til at bruge enkle regressionsmodeller - som de typer, der relaterer priser til salgsniveauer.

Forudsigelseseksempel

Ejeren af ​​en isbarre, der har til hensigt at forudsige salg, kan starte med at opbygge en regressionsmodel, hvor salgsniveauet er den afhængige variabel, og pris- og vejrtemperaturen er de uafhængige variabler. Den resulterende ligning kan se sådan ud: Ice Cream Sales (i pund) = 2, 5 (100 / Pris) + 0, 7 (Vejretemperatur). Denne ligning indebærer, at jo højere prisen, jo lavere salg, som højre side af ligningen bruger 100 divideret med prisen. Så jo højere pris, jo lavere er resultatet af forholdet udtrykt af denne ligning. På den anden side har vejretemperaturen en positiv indflydelse på is salg; højere temperaturer hæver salget.

Uforudsigelige uafhængige variabler

En regressionsmodel er relativt ubrugelig for forudsigelser, hvis de uafhængige variabler er umulige at forudsige. Hvis salget afhænger af gennemsnitsprisen på konkurrerende produkter, f.eks. Som det er umuligt at forudsige med nøjagtighed, vil regressionsmodellen ikke være nyttig som et prædiktivt værktøj. Dette er især vigtigt for den lille virksomhedsejer, der sjældent har adgang til eksperter, der forsøger at prognose hver eneste detalje for den kommende budgetsæson. Derfor skal småbedriftsejeren modstå fristelsen til at anvende uforudsigelige uafhængige variabler. Det er mere nyttigt at holde ligningen enkel og centreret på offentligt tilgængelige data, såsom økonomisk vækst og befolkningsprognoser.

Anbefalet

Lytningsteknikker på arbejdspladsen
2019
Sammenlægning af EPS-filer
2019
Sådan indsættes en liste i en database ved hjælp af ColdFusion
2019