Basic Sales Forecasting Lingo - des nuls

Vous devez vous familiariser avec la terminologie spécialisée utilisée dans la prévision des ventes pour deux raisons très pratiques. Premièrement, il se peut qu'on vous demande d'expliquer vos prévisions à votre patron ou à une réunion, par exemple, de directeurs des ventes.

Une autre bonne raison est qu'Excel utilise beaucoup de ces termes, comme d'autres programmes, et il est beaucoup plus facile de comprendre ce qui se passe si vous savez ce que ces termes signifient.

Moyennes mobiles intégrées autorégressives (ARIMA)

Si vous faites des prévisions, certaines personnes vous demanderont éventuellement si vous avez utilisé des moyennes mobiles intégrées autorégressives (ARIMA), et vous devriez savoir comment répondre. ARIMA est en partie une méthode de prévision, et aussi une façon d'évaluer votre base de référence afin que vous puissiez obtenir des preuves quantitatives qui soutiennent l'utilisation d'une approche de régression, une approche de moyenne mobile, ou une combinaison des deux. Si vous ne vous en tenez pas vraiment à ces prévisions, vous vous en passerez généralement bien, même si c'est un outil de diagnostic excellent, mais complexe.

Au fait, votre réponse à la question devrait être: "Non. Je travaille depuis si longtemps sur cette base de référence maintenant que je sais que mes meilleurs résultats sont obtenus avec un lissage exponentiel. Ce qui, comme vous le savez, est l'une des formes que peut prendre ARIMA. "

Ligne de base

Une ligne de base est une séquence de données organisée par ordre chronologique. Voici quelques exemples de données de base: les revenus mensuels totaux de janvier 2010 à décembre 2015, le nombre d'unités vendues chaque semaine du 1er janvier 2015 au 31 décembre 2016 et les revenus trimestriels totaux du premier trimestre de 2007 au quatrième trimestre de 2016. Les données sont parfois appelées une série temporelle.

Corrélation

Un coefficient

de corrélation exprime la relation entre deux variables. Ses valeurs possibles vont de -1. 0 à +1. 0, mais en pratique vous ne trouverez jamais de corrélations si extrêmes. Plus le coefficient de corrélation est proche de +/- 1. 0, plus la relation entre les deux variables est forte. Une corrélation de 0. 0 signifie pas de relation. Donc, vous pourriez trouver une corrélation de +0. 7 (assez fort) entre le nombre de représentants que vous avez et le revenu total qu'ils amènent: Plus le nombre de représentants est élevé, plus ils sont vendus. Et vous pourriez trouver une corrélation de -0. 1 (assez faible) entre combien vend un représentant et son numéro de téléphone. Un type spécial de corrélation est l'autocorrélation, qui calcule la force de la relation entre une observation dans une base et une observation antérieure (souvent, mais pas toujours, la relation entre deux observations consécutives).L'autocorrélation vous indique la force de la relation entre ce qui est arrivé avant et ce qui est arrivé après. Cela vous aide à décider quel type de technique de prévision utiliser. Voici un exemple de calcul d'une autocorrélation qui pourrait rendre le concept un peu plus clair: = CORREL (A2: A50, A1: A49)

Cette formule Excel utilise la fonction CORREL pour montrer la force (ou la faiblesse) une relation existe entre toutes les valeurs de A2: A50 et celles de A1: A49. Les autocorrélations les plus utiles impliquent des lignes de base triées par ordre chronologique. (Ce type d'autocorrélation n'est pas tout à fait le même que les autocorrélations calculées dans les modèles ARIMA.)

Cycle

Un cycle

est semblable à un modèle saisonnier, mais vous ne le considérez pas dans le de la même manière que vous faites de la saisonnalité. La reprise pourrait s'étendre sur plusieurs années, et le downswing pourrait faire la même chose. En outre, un cycle complet peut prendre quatre ans et le suivant deux ans seulement. Un bon exemple est le cycle économique: les récessions chassent les booms, et on ne sait jamais combien de temps chacun va durer. En revanche, les saisons annuelles ont la même longueur, ou presque. Facteur d'amortissement Le facteur d'amortissement

est une fraction comprise entre 0. 0 et 1. 0 que vous utilisez dans le lissage exponentiel pour déterminer la part de l'erreur dans la prévision précédente qui sera utilisée pour calculer la prochaine prévision. En fait, l'utilisation du terme facteur d'amortissement est un peu inhabituel. La plupart des textes sur le lissage exponentiel se réfèrent à la constante de lissage. Le facteur d'amortissement est de 1. 0 moins la constante de lissage. Peu importe le terme que vous utilisez; vous ajustez simplement la formule en conséquence. Lissage exponentiel

Terme stupide, même si techniquement précis. En utilisant le

lissage exponentiel,

vous comparez votre prévision antérieure à la précédente réelle (dans ce contexte, un réel est le résultat des ventes que la comptabilité vous indique - après le fait - que vous avez généré). Ensuite, vous utilisez l'erreur - c'est-à-dire la différence entre la prévision précédente et la précédente - pour ajuster la prévision suivante et, vous l'espérez, la rendre plus précise que si vous n'aviez pas pris en compte l'erreur précédente. Période de prévision La période de prévision

est la durée représentée par chaque observation dans votre ligne de base. Le terme est utilisé parce que votre prévision représente généralement la même durée que chaque observation de base. Si votre niveau de référence est constitué de revenus de vente mensuels, vos prévisions concernent généralement le mois à venir. Si la base de référence est constituée de ventes trimestrielles, vos prévisions sont généralement pour le trimestre suivant. En utilisant l'approche de régression, vous pouvez faire des prévisions plus loin dans le futur qu'une seule période de prévision, mais plus votre prévision est éloignée de l'observation réelle la plus récente, plus la glace est mince.

Moyenne mobile Vous avez probablement déjà rencontré le concept des moyennes mobiles quelque part le long de la ligne. L'idée est que le moyennage provoque l'annulation du bruit dans la ligne de base, ce qui vous donne une meilleure idée du signal

(ce qui se passe réellement dans le temps, sans être altéré par les inévitables erreurs aléatoires).C'est une

moyenne parce que c'est la moyenne d'un certain nombre d'observations consécutives, comme la moyenne des ventes de janvier, février et mars. C'est en déplacement parce que les périodes moyennées avancent dans le temps - ainsi, la première moyenne mobile pourrait inclure janvier, février et mars; la deuxième moyenne mobile pourrait inclure février, mars et avril; etc. Il n'est pas obligatoire que chaque moyenne mobile comprenne trois valeurs: elle peut être deux, ou quatre, ou cinq, ou même davantage. Variable de prédiction Vous trouvez généralement ce terme lorsque vous utilisez la régression. La variable prédictive

est la variable que vous utilisez pour estimer une valeur future de la variable que vous voulez prévoir. Par exemple, vous pouvez trouver une relation fiable entre le prix de vente unitaire et le volume des ventes. Si vous savez combien votre société a l'intention de facturer par unité au cours du prochain trimestre, vous pouvez utiliser cette relation pour prévoir le volume des ventes pour le prochain trimestre. Dans cet exemple, le prix de vente unitaire est la variable prédictive.

Régression Si vous utilisez l'approche de régression

pour la prévision des ventes, c'est parce que vous avez trouvé une relation fiable entre les revenus des ventes et une ou plusieurs variables prédictives. Vous utilisez cette relation, plus votre connaissance des valeurs futures des variables prédictives, pour créer votre prévision.

Comment sauriez-vous ces valeurs futures des variables prédictives? Si vous voulez utiliser le prix unitaire comme prédicteur, un bon moyen est de savoir de la gestion de produit combien il compte charger par unité au cours de chacun des quatre prochains trimestres. Une autre façon implique des dates: Il est tout à fait possible, et même commun, d'utiliser des dates (comme des mois dans les années) comme variable prédictive. Saisonnalité Au cours d'une année, votre niveau de référence pourrait augmenter et diminuer de façon saisonnière. Peut-être que vous vendez un produit dont les ventes augmentent par temps chaud et tombent pendant le froid. Si vous pouvez voir à peu près le même modèle se produire chaque année au cours d'une période de plusieurs années, vous savez que vous regardez la saisonnalité

Vous pouvez profiter de ces connaissances pour améliorer vos prévisions. Il est utile de distinguer les saisons des cycles. Vous ne savez jamais combien de temps durera un cycle donné. Mais chacune des quatre saisons de l'année dure trois mois.

Tendance Une tendance est la tendance du niveau d'une ligne de base à augmenter ou à diminuer avec le temps. Une tendance à la hausse des revenus est, bien sûr, une bonne nouvelle pour les commerciaux et la direction des ventes, sans parler du reste de l'entreprise. Une base de ventes en baisse, bien que rarement de bonnes nouvelles, peut informer Marketing et la gestion des produits qu'ils doivent prendre et agir sur certaines décisions, peut-être douloureuses. Indépendamment de la direction de la tendance, le fait qu'une tendance existe peut causer des problèmes pour vos prévisions dans certains contextes - mais il existe des façons de traiter ces problèmes.