Zerlegungsansatz für Prognosen

Die Zerlegung ist eine Prognosetechnik, die historische Daten in verschiedene Komponenten trennt oder zerlegt und diese verwendet, um eine Vorhersage zu erstellen, die genauer ist als eine einfache Trendlinie. Indem Sie jede Komponente separat prognostizieren, bevor Sie sie kombinieren, können Sie die Bedeutung der einzelnen Komponenten bewerten und sie entsprechend den sich ändernden Markt- oder Wirtschaftsbedingungen hervorheben oder diskontieren.

Prognose mit Trendlinie

Der einfachste Weg, eine Variable vorherzusagen, besteht darin, einfach eine Trendlinie basierend auf historischen Daten zu erweitern. Unabhängig davon, ob Sie dies manuell mit einer Regressionsanalyse oder mithilfe einer Tabelle wie Excel durchführen, können Sie einen Trend festlegen und in die Zukunft erweitern. Der Nachteil dieser Methode besteht darin, dass vorhersehbare Schwankungen um den Trend herum nicht berücksichtigt werden. Sie könnten beispielsweise basierend auf historischen Informationen eine Einzelhandelsumsatzprognose von 8 Prozent für das nächste Jahr prognostizieren, aber wenn Sie sich den Umsatz im vierten Quartal ansehen, in dem der größte Teil Ihres Geschäfts stattfindet, würden Sie das Ziel verfehlen, wenn Sie es nicht berücksichtigen für die saisonale Variation.

Zerlegungsansatz

Der Zerlegungsansatz für Prognosen erkennt, dass eine Prognose nur abgeschlossen werden kann, wenn Sie alle Komponenten historischer Daten einbeziehen. Obwohl die Komponenten je nach prognostizierter Variable variieren können, können Sie eine langfristige zugrunde liegende Trendlinie, eine zyklische Variation wie einen Konjunkturzyklus, die um den Trend herum schwanken würde, und eine saisonale Variable einschließen, die basierend sein könnte auf Wetter- oder Urlaubskonsumaktivitäten. Abhängig von der Variablen, die Sie prognostizieren möchten, können Sie sogar eine wöchentliche Variable hinzufügen.

Zerlegen historischer Daten

Um zu veranschaulichen, wie die Dekompositionsprognose funktioniert, betrachten Sie die Prognose von Einzelhandelsverkäufen als Beispiel. Zur Vereinfachung sei angenommen, dass die einzige Variable, die auf den langfristigen Trend angewendet wird, eine saisonale Komponente ist. Sie können die Trendlinie mithilfe der Regressionsanalyse erstellen. Um die saisonale Komponente anhand Ihrer historischen Daten zu bestimmen, teilen Sie den tatsächlichen Verkaufswert durch den aktuellen Trendwert. Nachdem Sie dies für alle Ihre historischen Datensätze abgeschlossen haben, können Sie einen Durchschnitt für jede der vier Jahreszeiten berechnen, um saisonale Faktoren abzuleiten. Um den Umsatz für das vierte Quartal zu prognostizieren, multiplizieren Sie den prognostizierten Trendwert für das zukünftige Quartal mit dem saisonalen Faktor. Die Projektion, die Sie mit dieser Methode berechnen, ist genauer als die alleinige Verwendung der Trendlinie.

Erweitern des Modells

Die Formel für die Umsatzprognose lautet R = ST, wobei "R" dem Umsatz entspricht, "S" der saisonalen Komponente entspricht und "T" die zugrunde liegende Trendlinie ist. Das Modell kann um andere Komponenten erweitert werden, z. B. eine zyklische Komponente. Je mehr Komponenten vorhanden sind, desto schwieriger sind natürlich die Berechnungen, und dann ist ein Programm wie Excel nützlich. Wie bei allen Prognosemodellen liegt es an Ihnen, die Bedeutung der von Ihnen verwendeten Daten zu interpretieren und zu erläutern.

kürzliche Posts

$config[zx-auto] not found$config[zx-overlay] not found