Lightspeed webhotell
    Denne artikkelen er del 9 av 10 artikler om Analyseteknikker for eksterne arbeidsbetingelser

    Denne artikkelen er del 5 av 14 artikler om Bivariat analyse

    Denne artikkelen er del 6 av 10 artikler om Prognosering

    Denne artikkelen er del 15 av 19 artikler om Research fasen

“Idag er resultatet av igår, og imorgen vil bli et resultat av idag” er tankegangen bak en rekke tradisjonelle prognosemetoder. Trendforlengelse er en kvantitativ prognosemetode som prøver å fremskrive trender for å spå om fremtiden.

Med trender mener vi_

utviklingslinjer i et statistisk materiale og kan som metode omfatte alt fra å trekke opp kurver på frihånd i et diagram, til mer kompliserte matematiske beregninger. 

Kurvefremskrivning vil si:

kurven/trenden vi fremstiller grafisk eller matematisk og forlenger – ekstrapoleres – inn i fremtiden.

trendDen vanligste trendmetoden er tidsrekkeanalyser. En kvantitativ metode hvor vi studerer den historiske utviklingen de siste årene for å finne underliggende mønstre som gjør at vi kan forlenge trende inn i fremtiden. Ved bruk av ulike statistiske metoder prøver man å skille vekk tilfeldige variasjoner, for å komme frem til en signifikant trend.

Mønstret man studerer ved i tidsrekkeanalysene er linære og eksponensielle trender, sesongvariasjoner, konjunkurvariasjoner og korrelasjon mellom naboverdi, sett i forhold til det generelle nivået.

Metode for trendforlengelse og kurvefremskrivning

Selv om det finnes mange ulike metoder for trendforlengelser og kurvefremskrivninger, kjennetegnes de alle av at arbeidet foregår i følgende trinn:

  • innsamling av data
  • analyse av data
  • bestemmelse av trend
  • trendforlengelse

Innsamling av data

Resultatene vi kommer frem til er avhengig av hvor langt tilbake i tiden vi går. Spesielle “begivenheter” i prognoseobjektets “livshistorie” som f.eks. ekstremt “gode” år, eller ekstremt “dårlige” år, kan også forårsake at “trenden” ikke avspeiler det virkelige forløpet godt nok. Jo lengre tilbake i tid vi går, jo større gyldighet og pålitelig har som regel prognosen.

Analyse av data

er tankegangen bak en rekke tradisjonelle prognosemetoder. Med trender mener vi utviklingslinjer i et statistisk materiale og kan som metode omfatte alt fra å trekke opp kurver på frihånd i et diagram, til mer kompliserte matematiske beregninger. Kurvefremskrivning vil si at vi kurven/trenden vi fremstiller grafisk eller matematisk forlenges – ekstrapoleres – inn i fremtiden. Den vanligste trendmetoden er tidsrekkeanalyser. En kvantitativ metode hvor vi studerer den historiske utviklingen de siste årene for å finne underliggende mønstre som gjør at vi kan forlenge trende inn i fremtiden. Ved bruk av ulike statistiske metoder prøver man å skille vekk tilfeldige variasjoner, for å komme frem til en signifikant trend. Mønstret man studerer ved i tidsrekkeanalysene er linære og eksponensielle trender, sesongvariasjoner, konjunkurvariasjoner og korrelasjon mellom naboverdi, sett i forhold til det generelle nivået.

Bestemmelse av trend

Dette er kanskje den viktigste delen av prognosearbeidet, og her har vi også de største valgmuligheten. Det enkleste og minst arbeidskrevende er å plotte de historiske data inn i et diagram og tegne opp en kurve. Ved å legge en rett linje på kurven slik at arealet mellom den rette linjen og kurven blir tilnærmet likt på over- og undersiden av den rette linjen, bestemmes så trenden.

Årsaken til at vi gjerne velger å lager et visuelt bilde av utviklingen, skyldes at det er lettere å studere verdiene og trendene når vi har et grafisk bilde av utviklingen. Når vi skal trekke de “store linjer” er tall ofte mer forvirrende, enn oppklarende.

Gjennom å studere kurvenes utvikling i et grafisk diagram prøver vi vanligvis å avdekke følge mønstre i datamaterialet:

TREND

– Hvordan har den langsiktige tendensen vært ? Har det vært en jevn stigning eller nedgang ? Som Vi tidligere har vært inne på finnes de mange forskjellige trender. Hvordan trend har vi med å gjøre ? Trenden tegnes gjerne opp som en rett eller krummet linje avhengig av hvordan stigningskoeffisientene har utviklet seg. Trenden kan beregnes gjennom en regresjonanalyse.

KONJUNKTURER

– Hvilke konjunkturer har påvirket utviklingen ? Med konjunkturer mener vi svingninger og avvik i en mer langsiktig trendbevegelse. Svingninger som f.eks. dukker opp med noen års mellomrom. Studerer vi salgsutviklingen for en ski-produsent, er det ikke usannsynlig at vi enkelte år finner eksepsjonelt lave salgstall. Salgsnedgang som f.eks. kan skyldes at det ikke kom noe snø det året i viktige segmenter. Alle bedrifter vil ha enkelte år som er spesielt “gode” og “dårlige”. Slike svingninger kaller vi konjunkturer, og er i prognose sammenheng “forstyrrelsesledd”. Selv om gunstige konjunktursvingninger er positivt for bedriften, er de i prognosesammenheng kun egnet til å komplisere prognose- arbeidet. Dette fordi vi kan risikere å bygge prognosene våre på “topp” eller “bunn” år, istedenfor et “normalår”, slik pålitelig prognosering krever. For å unngå slike feil, er det påkrevd at vi går langt nok tilbake i tid, slik at vi ikke får korrigert prognosen for konjunktur- og sesongsvingninger ved å trekke en langsiktig trend. Konjunkturer kalles også sykliske svingninger.

Sesongsvingninger

– Sesongsvingninger er regelmessige svingninger som gjentar seg periodisk, f.eks. hvert døgn, uke, måned eller år, og som ikke skyldes tilfeldigheter. Salget at ski og badetøy er skjer f.eks. ikke tilfeldig. De har høysesong, henholdsvis om vinteren og sommeren.

Korrelasjon mellom naboverdier

– Hvor stor er variasjonene mellom hver enkelt verdi ? Er de generelt liten avstand i datamaterialet eller er variasjonsbredden stor ?

Random walk

– Hvilke variasjoner skyldes tilfeldigheter og hvilke er signifikante ?

Etter at vi har funnet ut hvilke mønster-typer som gjør seg gjeldende i data-materialet, er neste skritt å velge en tidsrekkemodell som passer til dette mønsteret. En tidsrekkemodell er en arbeidshypotese om en matematisk prosess som skal frembringer tidsrekke-verdier vi kan forlenge inn i fremtiden. Det finnes mange tidsrekkemodeller, men det mest kjente er antageligvis:

  • Lineær regresjonsmodell
  • Eksponensiell regresjonsmodell
  • Den klassiske, multiplikative modell
  • Den klassiske, additive modell
  • Browns eksponensial glattingsmodell
  • ARIMA – modellen

Alle tidsrekkemodellene karakteriseres ved at modellen må tilpasses til de oberverte verdiene ved å estimere parametrene i trenden som skal beregnes. Ofte kjer dette ved minste kvadraters metode. En relativt enkel metode, hvor prinsippet er å prøve å finne den “beste” historiske kurven på matematisk grunnlag.

Den mest brukte tidsrekkemodeller er utvilsomt den klassiske, multiplikative modell. Her fremkommer tidsrekkeverdiene (y) som et produkt av fire faktorer (TSCI). Modellen er: y = TSCI

T er en trendkomponent som følger en rettlinjet bevegelse, S er en sesongindeksC er konjunkurindeksen og I et tilfeldig feilledd med gjennomsnittverdi lik 1.

Siden slike beregningene i dag hovedsakelig foretas ved hjelp av et ferdig PC – programm, går vi ikke inn på de relativt innviklede matematiske prinsipper som gjelder i forbindelse med disse trendberegninene.

Beregninger og trendforlengelse

Den siste fasen i enhver trendmetode er å bestemme forlengelsen – trenden – inn i fremtiden. dette gjøres i sin enkleste form ved hjelp av linjalen. Er trenden bestemt matematisk, kan verdiene for de årene en prognoserer beregnes matematisk. Hvis vi har rendyrket trenden ved trendbestemmelse, må vi være oppmerksom på at prognosen også er en rendyrket trend, og eventuelle sesong – eller sykliske svingninger må legges på igjen hvis en vil ha en prognose for salgskurven. Trendmetoden er enkel og oversiktlig i bruk, men prinsippet er basert på at utviklingen i prognoseperioden fortsetter som den har vært i fortiden. Dvs. at de faktorene som påvirket de historiske tallene forutsettes å virke på samme måte og i samme omfang også i fremtiden. Metoden fanger altså ikke opp endringer i markedssituasjonen som skyldes nye faktorer som ikke i samme grad påvirket de historiske data. Dette er en vesentlig svakhet ved prognosemetoden som det er helt avgjørende å være klar over.

En meget anvendelig teknikk i forbindelse med trendberegninger er å benytte seg av rullerende årsstatestikk. På den måten oppnår en å eliminere problemet med sesongvirkninger, som i mange tilfeller virker som et forstyrrende element. Med rullerende statistikk menes statestikk hvor man kontinuerlig summerer et bestemt antall månder, perioder eller år. Slik statestikk kan vi kalle “årsstatistikk” eller “rullerende årstotaler”.

På engelsk gjerne “Moving Annual Totals”. Et annet vanlig uttrykk er “glidende gjennomsnitt”, der det vi kaller “årstotaler” deles med antall månder eller år det finnes tall for.

Årstotaler kan i beregnes på tre måter:

  • Tall for de siste 12 månder summeres. Ved neste beregning summeres nye 12 tall.
  • Tall for en 12 – månders periode summeres. For hver måned man “glir fremover” legges ett tall til foran, og tallet for den siste månden trekkes fra. Vanlig for manuelle beregninger, når man har tall for de enkelte månder.
  • Som nr. 2, men hele tiden basert på tall for “hittil-i-år” og “hittil-i-fjor”. Man må da hele tiden gå tilbake til kalenderåret, før nye årstotaler beregnes.

Årstotaler kan brukes både for fortid og fremtid, og for salg, kostnader, resultater og annet. Da brukes gjerne begrepene “årssalg”, “års-kostnader”, “års-resultater” osv. Bak disse begreper settes “pr.” og måndens navn. Med “års-salg pr.februar 1994” menes da summen av salget fra og med mars 1993 til og med februar 1994.

Hvis kurvene som fremkommer ved beregninger av årrstatistikk er svært ujevne, kan man istedet for 12 velge de siste 24 eller 36 måneder. Årsstatistikk fremkommer da ved å dele det fremkommen tallet med 2 eller 3.

Fant du ikke svaret? Spør redaksjonen!

Fant du ikke svaret?

Fyll ut skjemaet under hvis du har et spørsmål knyttet til denne artikkelen.

Ditt spørsmål:

Ditt navn:

E-post:

Rapporter en feil, mangel eller savn

Rapporter en feil, mangel eller et savn

Benytt skjemaet under hvis du finner en feil eller mangel i en av våre artikler. Uten tilbakemeldinger fra våre lesere er det umulig for oss å forbedre våre artikler.

Jeg ønsker å rapportere inn en:

En feilEn mangelEt savn

Angi en feil, mangel eller savn:

Ditt navn:

E-post:

Du kan også laste ned denne artikkelen og resten av artikkelserien som en e-bok Artikkelserien fortsetter under.

Topp20 artikler
Siste 20 artikler
Nye artikkelserier
Du leser nå artikkelserien: Analyseteknikker for eksterne arbeidsbetingelser

  Gå til neste / forrige artikkel i artikkelserien: << MerkepyramidenTeknisk analyse >>
    Andre artikler i serien er: 
  • Interessentkart
  • PESTEL – analyse (analyse av makroomgivelsene)
  • Markedskart (målgruppekart)
  • Segmentanalyse
  • Cluster-analyse
  • END -USE analyse (kvantitative prognosemetode)
  • Merkekjennskap og kjennskappyramiden
  • Merkepyramiden
  • Trender og trendforlengelse (kurvefremskrivning)
  • Teknisk analyse
  • Du leser nå artikkelserien: Bivariat analyse

      Gå til neste / forrige artikkel i artikkelserien: << Parallell plott og trendGruppegjennomsnitt og mediandifferanse >>
        Andre artikler i serien er: 
  • Bivariat analyse – analyse av to variabler
  • Krysstabulering og marginalfordeling
  • Epsilon – et mål for samvariasjonens styrke og retning
  • Parallell plott og trend
  • Trender og trendforlengelse (kurvefremskrivning)
  • Gruppegjennomsnitt og mediandifferanse
  • Mann – Whitney observator
  • Sammenligning av to medianer (Mann-Whitney-metoden)
  • Parvise sammenligninger
  • Kovarians
  • Korrelasjon
  • Priselastisitet
  • Krysspriselastisitet
  • Inntektselasitisitet
  • Du leser nå artikkelserien: Prognosering

      Gå til neste / forrige artikkel i artikkelserien: << Kvantitative prognosemetoderEND -USE analyse (kvantitative prognosemetode) >>
        Andre artikler i serien er: 
  • Prognosering
  • Hvordan estimere etterspørselen?
  • Hvordan beregne potensialet og motivasjonen?
  • Prognose metoder for beregning av potensiale
  • Kvantitative prognosemetoder
  • Trender og trendforlengelse (kurvefremskrivning)
  • END -USE analyse (kvantitative prognosemetode)
  • Kvalitative prognosemetoder
  • DELPHI – metoden
  • Scenario
  • Du leser nå artikkelserien: Research fasen

      Gå til neste / forrige artikkel i artikkelserien: << PESTEL – analyse (analyse av makroomgivelsene)SOFT-analyse (også kalt SWOP- og SWOT-analyse) >>
        Andre artikler i serien er: 
  • Research fasen til entreprenøren
  • Risiko ved innovasjon
  • Pilotundersøkelse
  • Skrivebordundersøkelse og sekundærdata
  • Interessentkart
  • Markedssystem
  • Situasjonsanalyse (analyse av markedssystemet)
  • Markedskartlegging
  • Konkurrenter
  • Konkurrentanalyse («5 forces»)
  • Konkurransefortrinn
  • Kundeanalyse
  • Kundeverdianalyse
  • PESTEL – analyse (analyse av makroomgivelsene)
  • Trender og trendforlengelse (kurvefremskrivning)
  • SOFT-analyse (også kalt SWOP- og SWOT-analyse)
  • Idevurdering og økonomisk analyse av potensialet
  • Produktutvikling og teknisk utvikling
  • Prototype