基本的な販売予測Lingo - ダミー - ソーシャルメディア 2025

販売予測で使用される専門用語を扱う必要があります。 1つは、上司や営業マネージャーなどの会議で予測を説明するように求められる場合があるということです。

もう1つの理由は、Excelが他のプログラムと同様にこれらの用語の多くを使用し、何が起こっているのかを理解することが、用語の意味を理解すればもっと簡単になることです。

<！（ARIMA）自己回帰統合移動平均（ARIMA）を使用しているかどうかを知るために、あるスマートアレックが最終的にあなたに質問します。返信する方法。 ARIMAは一部の予測方法でもあり、ベースラインを評価する方法でもあり、回帰アプローチ、移動平均アプローチ、またはその両方の組み合わせをサポートする量的証拠を得ることができます。あなたが本当にこの予測に取り組まない限り、それは優れた、複雑な診断ツールであるにもかかわらず、通常はそれなしでうまくいくでしょう。

<！ - 2 - >

ところで、スマートなアレックへのあなたの答えは、 "いいえ。私は指数関数的な平滑化を使って最良の結果を得ていることを今、長い間、このベースラインで作業してきました。あなたが知っている通り、ARIMAが取ることができる形式の一つです。 "

ベースライン

は、時系列的に配列されたデータのシーケンスである。ベースラインのいくつかの例としては、2010年1月から2015年12月までの月間総収入、2015年1月1日から2016年12月31日まで毎週販売される台数、2007年第1四半期から20年第4四半期の合計四半期収入があります。 a

時系列。 <！相関係数は、2つの変数がどの程度強く関連しているかを表す。可能な値の範囲は-1です。 0〜+1。 0ですが、実際には相関が極端にわかりません。相関係数が+/- 1に近づく。 0の場合、2つの変数間の関係が強くなります。 0の相関は無関係を意味する。だから、あなたは+0の相関関係を見つけるかもしれない。あなたが持っている営業担当者の数と彼らが持っている総収入の間に7（非常に強い）：担当者の数が多いほど、それはより多く売られます。そして、あなたは-0の相関を見つけるかもしれません。 1つの担当者がどれくらい販売しているかと電話番号との間に（かなり弱い）。特別なタイプの相関は、ベースラインにおける1つの観察と以前の観察との間の関係の強さを計算する自己相関（ autocorrelation）である（必ずしもではないがしばしば2つの連続する観察間の関係）。自己相関は、前に来たものと後に来たものとの間の関係の強さを示します。これにより、使用する予測手法の種類を決定するのに役立ちます。 = CORREL（A2：A50、A1：A49）

このExcelの公式では、CORREL関数を使用して、）A2：A50にある値とA1：A49にある値の間には関係がある。最も有用な自己相関は、時間順にソートされたベースラインを含む。（この種の自己相関はARIMAモデルで計算された自己相関とまったく同じではありません）。

サイクル

A サイクルは季節パターンに似ていますが、あなたが季節性をするのと同じように。アップスイングは数年に及ぶことがあり、ダウンスイングは同じことをする可能性があります。さらに、完全な1サイクルは完了するのに4年、次のサイクルは2年しかかからないことがあります。良い例は、ビジネスサイクルです：後退はブームを追いかけます。そして、どれくらいの期間続くのか分かりません。対照的に、毎年の季節は同じ長さ、またはほぼ同じです。

ダンピングファクタダンピングファクタは、指数平滑化で使用する0と1.0の間の分数で、前の予測の誤差のどれが計算に使用されるかを決定します次の予測。

実際、減衰係数という用語の使用は少し珍しいことです。指数平滑化に関するほとんどのテキストは、平滑化定数を参照しています。減衰係数は、1.0から平滑化定数を差し引いたものである。実際にどの用語を使用するかは重要ではありません。それに応じて式を調整するだけです。

指数平滑化

厳密な言葉であっても、技術的に正確です。

指数平滑化を使用して、以前の予測と以前の実際の

を比較します（この場合、

実際のは会計があなたに伝える販売結果です） - あなたが作成したもの）。次に、前回の予測と前回の実績との差異である誤差を使用して、次の予測を調整し、前のエラーを考慮しなかった場合よりも正確にします。予測期間

予測期間

は、ベースラインの各観測値によって表される時間の長さです。あなたの予測は、通常、それぞれのベースライン観察と同じ長さの時間を表すので、この用語が使用されます。ベースラインが毎月の売上収入で構成されている場合、予測は通常、今月の予定です。ベースラインが四半期売上で構成されている場合、予測は通常次の四半期です。回帰アプローチを使用すると、1つの予測期間だけでなく将来の予測を行うことができますが、予測が最新の実際の観測から遠くなるほど、氷が薄くなります。移動平均おそらく、線のどこかに移動平均という概念があります。考え方は、平均化するとベースラインのノイズが相殺され、信号（実際に何が起こっているのか、必然的に起こるランダムなエラーで無意味なもの）がわかります。1月、2月、3月の売上の平均など、連続した観測数の平均値なので、平均値です。平均化された期間が時間的に前進するので、

移動します。そのため、最初の移動平均には1月、2月、3月が含まれます。 2番目の移動平均には2月、3月、4月が含まれます。等々。

各移動平均には3つの値が含まれている必要はありません.2つ、4つ、または5つ、またはそれ以上になる可能性があります。予測変数一般に、この項は回帰を使用して予測するときに使用されます。

予測変数

は、予測したい変数の将来価値を予測するために使用する変数です。たとえば、単体販売価格と販売数量との間に信頼できる関係がある場合があります。次の四半期にどのくらいの単価を課す予定であるか分かっているなら、その関係を使って次の四半期の販売数量を予測することができます。この例では、単価が予測変数です。回帰売上予測に対する回帰アプローチを使用すると、売上収益と1つ以上の予測変数との間に信頼できる関係があるためです。予測を作成するには、その関係と予測変数の将来の値に関する知識を使用します。予測変数の将来価値をどのように知っていますか？単価を予測変数として使用する場合、1つの良い方法は、次の四半期ごとに単位あたりの課金の予定を製品管理から調べることです。もう1つの方法は日付です。予測変数として日付（年月など）を使用することは完全に可能であり、一般的でもあります。季節性

年間のベースラインは季節的に上昇したり下降したりする可能性があります。おそらく、暖かい天候の間に販売が上昇し、寒い間に落ちる製品を販売するでしょう。数年のうちにほぼ同じパターンが各年に発生することがわかると、あなたは

季節性を見ていることがわかります。

その知識を活用して予測を改善することができます。季節とサイクルを区別すると便利です。一定のサイクルがどれくらい持続するかは決してわかりません。しかし、1年で4つの季節はそれぞれ3ヶ月です。傾向 A

傾向

は、ベースラインのレベルが時間の経過とともに上昇または低下する傾向である。もちろん、売上高の増加傾向は、営業担当者や営業管理者にとっては残念なことです。あまり良い知らせはしませんが、販売の落ち込みのベースラインは、マーケティングと商品管理にいくつかの決定（おそらく苦しいもの）を作って行動する必要があることを知らせることができます。トレンドの方向性にかかわらず、トレンドが存在するという事実は、状況によっては予測に問題を引き起こす可能性がありますが、そのような問題に対処する方法はあります。