Ang mga kumpanya na maaaring tumpak na forecast benta ay maaaring matagumpay na ayusin ang mga hinaharap na mga antas ng produksyon, mapagkukunan laang-gugulin at mga estratehiya sa marketing upang tumugma sa antas ng anticipated benta. Tumutulong ang mga pagkilos na ito upang i-optimize ang mga pagpapatakbo at i-maximize ang kita. Inihula ng isang modelo ng pagbabalik ang halaga ng variable na umaasa - sa kasong ito, ang mga benta - batay sa isang malayang variable. Ang spreadsheet ng Excel ay madaling makontrol ang ganitong uri ng equation.
Data Gathering
Magpasya sa isang malayang variable. Halimbawa, ipagpalagay na ang iyong kumpanya ay gumagawa ng isang produkto na may mga benta na malapit sa mga pagbabago sa presyo ng langis. Ang iyong karanasan ay ang pagtaas ng benta kapag ang presyo ng langis ay tumataas. Upang i-set up ang pagbabalik, lumikha ng haligi ng spreadsheet para sa iyong taunang benta sa ilang bilang ng mga naunang taon. Gumawa ng pangalawang haligi na nagpapakita ng pagbabago sa porsyento sa average na presyo ng langis ng taon-sa-taon sa bawat taon ng pagbebenta. Upang magpatuloy, kakailanganin mo ang Excel Analysis ToolPak, na maaari mong i-load nang libre sa pamamagitan ng pagpili ng "Mga Add-in" sa menu na "Mga Pagpipilian".
Pagpapatakbo ng Pagbabalik
Piliin ang "Regression" mula sa item na "Pagsusuri ng Data" sa menu na "Data". Markahan ang hanay ng malayang variable bilang X-axis at ng variable na umaasa bilang Y-axis. Magbigay ng hanay ng cell para sa output at markahan ang mga kahon para sa mga residual. Kapag pinindot mo ang "OK," kakalkulahin ng Excel ang linear na pagbabalik at ipakita ang mga resulta sa iyong hanay ng output. Ang regresment ay kumakatawan sa isang tuwid na linya na may slope na pinakamahusay na naaangkop sa data. Nagpapakita ang Excel ng ilang istatistika upang matulungan kang mabibigyang kahulugan ang lakas ng ugnayan sa pagitan ng dalawang mga variable.
Pagsasalin sa Mga Resulta
Ang R-squared na istatistika ay nagpapahiwatig kung gaano kahusay ang mga pagtataya sa malayang pagtataya ng mga benta. Sa halimbawang ito, ang R-kuwadrado ng langis kumpara sa mga benta ay 89.9, na kung saan ay ang porsiyento ng mga benta ng produkto na ipinaliwanag ng porsyento ng pagbabago sa presyo ng langis. Anumang numero sa itaas 85 ay nagpapahiwatig ng isang malakas na relasyon. Ang Y-intercept, sa halimbawang ito 380,000, ay nagpapakita ng halaga ng produkto na iyong ibebenta kung ang presyo ng langis ay hindi nabago. Ang koepisyent ng ugnayan, sa kaso na ito ay 15,000, ay nagpapahiwatig na ang isang 1 porsiyento na pagtaas sa presyo ng langis ay makapagpapalakas ng mga benta sa pamamagitan ng 15,000 na mga yunit.
Paggamit ng Mga Resulta
Ang halaga ng linear regression ay depende sa kung gaano kahusay ang maaari mong forecast ang malayang variable. Halimbawa, maaari kang magbayad ng analyst ng industriya ng langis para sa isang pribadong forecast na hinuhulaan ang 6 na porsiyento na pagtaas sa presyo ng langis sa susunod na taon. Multiply ang coefficient correlation sa pamamagitan ng 6, at idagdag ang resulta - 90,000 - sa iyong Y-intercept halaga ng 380,000. Ang sagot, 470,000, ay ang bilang ng mga yunit na malamang na ibenta mo kung ang presyo ng langis ay tumaas ng 6 na porsiyento. Maaari mong gamitin ang hula na ito upang ihanda ang iyong iskedyul ng produksyon para sa darating na taon. Maaari mo ring patakbuhin ang pagbabalik gamit ang iba't ibang mga paggalaw ng presyo ng langis upang mahulaan ang kinalabasan ng pinakamahusay at pinakamasama. Siyempre, ang mga ito ay mga hula lamang, at ang mga sorpresa ay laging posible. Maaari ka ring magpatakbo ng mga regressions na may maramihang mga malayang variable, kung naaangkop.
