Video: Global Warming or a New Ice Age: Documentary Film 2024
Over tid har en grunnlinje en tendens å vise konsekvent oppførsel: Nivået øker, avtar eller gjenstår stasjonært (eller det kan være sesongmessig eller syklisk). Forholdet mellom tidsperioder hjelper til med å måle denne oppførselen: forholdet mellom en måned og det neste, eller mellom ett kvartal og det neste, eller mellom et fjerdedel og samme kvartal i året før.
Baseline kan blande sammen forholdene mellom tidsperioder av ulike grunner, noen gode og noen dårlige. Et par eksempler:
- Den som samlet grunnverdataene (ikke sikkert du) oversett salgsinntektene for 15. juni til 30. juni. Dette er et reelt problem, og det er egentlig uforsvarlig. "Hunden spiste leksene mine", kutter det ikke her.
- Lageret brant til bakken og ingen kunne selge noe før fabrikken kunne hente opp tapet av lager. Igjen, et reelt problem, men det hjelper ikke din prognose, selv om politiet tar fange av arsonisten.
Årsaken er dette: Hvis nesten hele grunnlinjen din består av månedlige inntekter, og en tidsperiode representerer bare en halv måned, vil enhver prognose som avhenger av hele grunnlinjen bli kastet av. Figuren viser et eksempel på hva som kan skje.
Dårlig data fra en nylig tidsperiode kan føre til en dårlig prognose.Celler A1: B27 inneholder en basislinje med nøyaktige inntekter i hele. Eksponensiell utjevning gir prognosen for august 2016 i celle C28.
Celler H1: I27 har samme basislinje, bortsett fra celle I25. Av en eller annen grunn (uforsiktig regnskap, det lagerbrann eller noe annet) har inntektene for mai 2016 blitt underrapportert. Resultatet er at prognosen for august 2016 er mer enn $ 6 000 mindre enn det er når inntektene i mai 2016 er resultatet av verken en feil eller en engangsulykke. Seks tusen dollar kan ikke høres ut som mye, men i denne sammenheng er det en 8 prosent forskjell. Og det er enda verre rett etter at problemet oppstår: Forskjellen i de to prognosene er 17 prosent i juni 2016.
Hvis de manglende dataene ikke kan plasseres, skyldes kanskje en regnskapsmessig feil, eller hvis det ikke ble gjort feil noen virkelig uvanlige hendelser avbrutt salgsprosessen i løpet av mai 2016, du vil nok estimere aktuellene for mai. Et par rimelige måter å gjøre det på:
- Ta gjennomsnittet i april og juni og tildel det gjennomsnittet til mai.
- Bruk juni 2014 til april 2016 som en baseline, og prognose mai 2016. Bruk deretter det mai 2016-prognosen i fullstendig basis, januar 2014 til juli 2016.
Denne situasjonen er en god grunn til å kartlegge baseline. Bare se på grunnlinjen, du merker kanskje ikke at mai 2016 er en oddball. Men det hopper rett ut på deg hvis du kartlegger basislinjen - se følgende figur, spesielt juni til august 2016 i hvert diagram.
Oddball data hopper ut på deg når du kartlegger grunnlinjen.Ikke bekymre deg om små forskjeller i lengden av basislinjens tidsperioder. Mars har en dag til det enn april, men det er ikke verdt å bekymre seg for. To manglende uker er en annen sak.