Dekomposition: Nej, det handler hverken om “reverse engineering” eller gør-det-selv jordforbedring.
Når du har tidsrelaterede data og gerne vil se, om der er en trend, kan det være svært, hvis der er sæsonvariationer i dataene.
Det kan være, at du undersøger, om salget af dit produkt rent faktisk stiger, eller om marketing overdriver deres succes i den seneste rapport.
En anden situation, hvor sæsonvariation er vigtig, er, når du prøver at forudsige indkøbsbehov, men du skal tage højsæson og lavsæson i betragtning for at optimere lagerkapaciteten.
Et nyttigt værktøj, uanset om du er supply chain manager, CFO eller bestyrelsesformand, der skal guide ledelsen i den rigtige retning.
Et meget praktisk eksempel, hvor prognosen drejer sig om periodiske omkostninger, er elregningen, jeg får hver kvartal.
Vinter er naturligvis dyrere end sommer, men hvor meget?
Har jeg sparet penge siden sidste kvartal eller sidste år ved at anskaffe energibesparende apparater, og hvor meget kan jeg forvente at betale næste kvartal og næste år?
Det her er 10 betalinger. Hver af dem repræsenterer et kvartal af året.
Kan du se en klar trend i dette? Sandsynligvis ikke, bortset fra at den første betaling virker en smule høj.
Det er her dekomposition kan hjælpe dig.
Uden for mange tekniske detaljer ser du her i anlaysen en klar tendens til lavere omkostning hvert kvartal, når du tager i betragtning at nogle kvartaler simpelthen er dyrere end andre — faktisk fra 2.300 over til 2.700 under gennemsnit.
Ved at benytte denne model til at forudsige næste regning forventede jeg en pris på kr. 2.643,37 og til min store glæde var dette næste rigtigt, da den lød på 2.660,93.
I mange situationer hvor data er lidt uklare på grund af sæsonudsving kan dekompositioon tegne et langt tydeligere billede for dig og forbedre dine prognoser markant.
For yderligere information kontakt EpsilonPlus her.
For at læse flere interessante posts se denne side.