Företag som kan exakt prognostisera försäljningen kan framgångsrikt anpassa framtida produktionsnivåer, resursfördelning och marknadsföringsstrategier för att matcha nivån på förväntad försäljning. Dessa åtgärder hjälper till att optimera verksamheten och maximera vinsten. En regressionsmodell prognoser värdet av en beroende variabel - i detta fall försäljningen - baserat på en oberoende variabel. Ett Excel-kalkylblad kan enkelt hantera denna typ av ekvation.
Datainsamling
Bestäm en oberoende variabel. Antag exempelvis att ditt företag producerar en produkt med försäljning som binder nära till förändringar i priset på olja. Din erfarenhet är att försäljningen stiger när oljepriset stiger. För att ställa in regressionen, skapa en kalkylarkskala för din årliga försäljning under ett antal tidigare år. Skapa en andra kolumn som visar den procentuella förändringen av genomsnittliga oljepriset för olja under året under året. För att fortsätta behöver du Excel Analysis ToolPak, som du kan ladda gratis genom att välja "Tillägg" på menyn "Alternativ".
Köra regressionen
Välj "Regression" från "Data Analysis" -alternativet på "Data" -menyn. Markera intervallet för den oberoende variabeln som X-axeln och den för den beroende variabeln som Y-axeln. Ge ett cellområde för utgången och markera rutorna för rester. När du trycker på "OK" kommer Excel att beräkna linjär regression och visa resultaten i ditt utmatningsområde. Regressionen representerar en rak linje med en sluttning som bäst passar data. Excel visar flera statistik som hjälper dig att tolka styrkan i korrelationen mellan de två variablerna.
Tolkning av resultaten
R-kvadrerad statistik indikerar hur bra den oberoende variabelprognosen försäljningen. I detta exempel är R-kvoten av olja mot försäljningen 89,9, vilket är procenten av produktförsäljningen förklarad av procentuell förändring av oljepriset. Något tal över 85 indikerar ett starkt förhållande. Y-avlyssningen, i detta exempel 380 000, visar mängden produkt du skulle sälja om oljepriset var oförändrat. Korrelationskoefficienten, i det här fallet 15 000, indikerar att en ökning med 1 procent av oljepriset skulle öka försäljningen med 15 000 enheter.
Använda resultaten
Värdet av den linjära regressionen beror på hur bra du kan förutse den oberoende variabeln. Till exempel kan du betala oljeindustrin analytiker för en privat prognos som förutspår en 6 procent ökning av priset på olja under nästa år. Multiplicera korrelationskoefficienten med 6 och lägg till resultatet - 90 000 - till din Y-intercept mängd på 380 000. Svaret, 470 000, är antalet enheter som du sannolikt skulle sälja om oljepriset ökade med 6 procent. Du kan använda denna förutsägelse för att förbereda ditt produktionsschema för det kommande året. Du kan också köra regressionen med olika oljeprisrörelser för att förutsäga ett bästa och sämsta fall. Naturligtvis är det bara förutsägelser, och överraskningar är alltid möjliga. Du kan även köra regressioner med flera oberoende variabler, om det är lämpligt.
