Společnosti, které mohou přesně odhadovat tržby, mohou úspěšně upravit budoucí úrovně výroby, přidělování zdrojů a marketingové strategie tak, aby odpovídaly úrovni předpokládaných prodejů. Tato opatření pomáhají optimalizovat operace a maximalizovat zisky. Regresní model předpovídá hodnotu závislé proměnné - v tomto případě prodeje - na základě nezávislé proměnné. Tabulka aplikace Excel může snadno zpracovat tento typ rovnice.
Sběr dat
Rozhodněte o nezávislé proměnné. Předpokládejme například, že vaše firma vyrábí produkt s tržbami, které úzce souvisejí se změnami ceny ropy. Vaše zkušenost spočívá v tom, že prodej vzrůstá, když se cena ropy zvýší. Chcete-li nastavit regresi, vytvořte sloupec tabulky pro svůj roční prodej za několik předchozích let. Vytvořte druhý sloupec ukazující procentní změnu meziroční průměrné ceny ropy v každém z prodejních let. Chcete-li pokračovat, budete potřebovat nástroj Excel Analysis ToolPak, který můžete zdarma načíst výběrem položky "Doplňky" v nabídce "Možnosti".
Spuštění regrese
V položce "Data Analysis" v nabídce "Data" zvolte "Regrese". Označte rozsah nezávislé proměnné jako os X a závislou proměnnou jako os Y. Zadejte rozsah buněk pro výstup a označte pole pro zbytky. Když stisknete tlačítko "OK", aplikace Excel vypočítá lineární regresi a zobrazí výsledky ve vašem výstupním rozsahu. Regrese představuje přímku se sklonem, který nejlépe odpovídá datům. Excel zobrazuje několik statistik, které vám pomohou interpretovat sílu korelace mezi oběma proměnnými.
Interpretace výsledků
R-čtvercová statistika ukazuje, jak dobře nezávislá proměnná předpovídá prodej. V tomto příkladu je R-čtverec ropy versus tržby 89,9, což je procento prodeje produktu vysvětleno procentní změnou ceny ropy. Každé číslo nad 85 znamená silný vztah. Zachycování Y, v tomto příkladu 380 000, udává množství produktu, který byste prodali, kdyby cena ropy zůstala nezměněna. Korelační koeficient, v tomto případě 15 000, naznačuje, že 1 procentní nárůst ceny ropy zvýší tržby o 15 000 kusů.
Použití výsledků
Hodnota lineární regrese závisí na tom, jak dobře můžete předpovědět nezávislou proměnnou. Můžete například zaplatit analytikům ropného průmyslu za soukromou prognózu, která předpovídá o 6% nárůst ceny ropy v příštím roce. Vynásobte korelační koeficient 6 a přidejte výsledek - 90 000 - k hodnotě zachycení Y 380 000. Odpověď, 470 000, je počet jednotek, které byste pravděpodobně prodávali, kdyby cena ropy vzrostla o 6 procent. Tuto predikci můžete použít k přípravě plánu výroby pro nadcházející rok. Můžete také spustit regresi za použití různých cen ropy, aby bylo možné předpovědět nejlepší a nejhorší výsledek. Samozřejmě, to jsou jen předpovědi a překvapení jsou vždy možné. V případě potřeby můžete také spustit regrese s více nezávislými proměnnými.
