Die Verwendung von gleitenden Durchschnitten - bei tutor2u HQ Ive versucht, meinen Kopf runden, wo unsere Website wird in 1-2 Jahren Zeit - eine Art von Umsatzprognose, aber mit Volumen nicht Wertdaten. So dachte ich, dass Id versuchen einige gleitende Durchschnitte (BUSS3 - Verkaufsprognose). Was mich dazu veranlasste, die Übung auszuprobieren, war eine gute Nachricht von unserem Google Analytics-Service (ein kleines Stück Code auf jeder Webseite von T2U erfasst alle erdenklichen Aktivitäten auf der Website.) Wir haben letzte Woche einen wichtigen Meilenstein für uns gemacht - 1 Million monatlich einzigartig Benutzer auf der tutor2u. net Seite für den ersten Monat, seit wir mit Google Analytics begonnen haben (zurück im August 2006).Ich war bewusst, dass die tägliche Website Traffic (Nachfrage) geht auf und ab in einem ähnlichen Muster jede Woche (besetzt von Montag bis Donnerstag Sehr viel ruhiger am Freitag, Samstag und Sonntag), und es gibt auch gut etablierte saisonale Gipfel und Täler in unserem Website Traffic. Seine sehr beschäftigt im Vorfeld der Prüfungen und während der Semesterferien geht es viel ruhiger während der Schulferien (obwohl Nicht so viel während der entscheidenden Osterrevision Zeitraum) Aber was ist mit dem Trend Was können die Daten zeigen, und können wir extrapolieren einen ähnlichen Trend in den nächsten zwei Jahren begann ich mit Blick auf ein Maß für die Website-Aktivität - die Zahl der Menschen Die den täglichen Google Feedburner-RSS-Feed von unserem Economics Blog erhalten, der an ihren Posteingang geliefert wird. Economics war unser erstes Thema, und weve angeboten RSS-Feed für knapp über drei Jahren (Feeds für andere Themen wurden später hinzugefügt). Die Daten von Google Feedburner zeigten eine große Variation in der Anzahl der Personen, die jeden Tag auf einen Content-Link klicken. Diese Schwankungen, verursacht durch die zeitlichen und saisonalen Probleme oben, sondern auch durch das Volumen und die Art der neuen Inhalte in der täglichen Futtermittel enthalten. Allerdings zeigt der 30-tägige Moving Average von Personen, die den Economics Blog via Feedburner besuchen, eine deutlich klarere Trendlinie: Kann ich das weitere Wachstum in diesen Daten für 2010 und 2011 sinnvoll extrapolieren? Theres nichts in den historischen Daten, um eine wahrscheinlich Abstrich in RSS Abonnements vorzuschlagen. Und Im im Vertrauen, daß wir fortfahren können, Lose nützliche Inhalte dem Wirtschaft Blog hinzuzufügen, der Abonnenten ermutigt, auf ihre RSS Zufuhren oder tägliche eMail zu klicken. Aber da die Zahl der Konkurrenten wächst (zB hat die EBEA einen Wirtschafts-Blog gestartet, wie Philip Allan Updates), dann müssen wir härter für unsere Nutzer Aufmerksamkeit konkurrieren. Auf der anderen Seite nutzen immer mehr Lehrer RSS-Feeds, um ihnen zu helfen, die verfügbaren Informationen im Web zu filtern. Vielleicht können wir diesen Trend auch weiterhin nutzen. Wenn ich den Datensatz der täglichen Website-Besucher betrachte, ist ein anderer gleitender Durchschnitt erforderlich. Ich brauche etwas, das die wöchentlichen und saisonalen Schwankungen ideal glättet. Also dieses Mal entschied ich mich für einen 365-Tage gleitenden Durchschnitt. D. h. Die durchschnittliche Anzahl der täglich einzigen Website-Nutzer, sondern berechnet in den letzten 365 Tage. Die folgende Grafik zeigt die jeweilige Trendlinie: Die Trendlinie zeigt einen weniger überzeugenden Fall für die Extrapolation. Es sieht so aus, als hätten wir Mitte und Ende 2007 und Anfang 2008 ein Jahr zurückgelegt. Erst seit der Einführung unserer neuen Blog-Blogs haben wir ein rasantes Wachstum der täglichen Website-Nutzer gesehen. Es scheint, dass wir eine neue Tageshöhe fast jede Woche vor kurzem getroffen haben. Aber jemand, der an der Investition in die Web site schaut, möchte eine schärfere Steigung zu diesem 365-tägigen gleitenden Durchschnitt sehen Ich vermute, dass Mittelwerte und Extrapolation Diese zwei Methoden umfassende Nutzung von Verkäufen und anderen Daten, um Vorhersagen über die Zukunft zu machen. Ein gleitender Durchschnitt nimmt eine Datenreihe und glättet die Schwankungen in den Daten, um einen Durchschnitt zu zeigen. Das Ziel ist es, die Extreme der Daten von Zeitraum zu Zeit. Gleitende Durchschnitte werden häufig auf vierteljährlicher oder wöchentlicher Basis berechnet. Die Extrapolation beinhaltet die Verwendung von Trends, die durch historische Daten erstellt wurden, um Vorhersagen über zukünftige Werte zu treffen. Die Grundannahme der Extrapolation besteht darin, dass das Muster in die Zukunft fortschreitet, es sei denn, es spricht etwas anderes dafür. Um diese Techniken weiter zu verstehen, schauen Sie sich das folgende Diagramm an, das den Quartalsabschluss (m) für ein großes Geschäft von Q1 Year06 bis Q4 (Year10) zeigt: Die blaue Linie zeigt den tatsächlichen Umsatz im Quartal an. Wie Sie sehen können, variiert der Umsatz von Quartal zu Quartal, obwohl Sie vielleicht aus der Betrachtung der Daten, dass der allgemeine Trend ist für eine Steigerung Anstieg der Umsatz zu erraten. Die rote Linie zeigt den vierteljährlichen gleitenden Durchschnitt. Dies wird berechnet, indem die letzten vier Quartale der Verkäufe (z. B. Q1 Q2 Q3 Q4) addiert werden und dann durch vier dividiert wird. Diese Technik glättet die vierteljährlichen Schwankungen und gibt einen guten Hinweis auf die Gesamtentwicklung des Quartalsumsatzes. Wenn man sich das Diagramm ansieht, wie können sich die gleitenden Mittelwerte und die Extrapolation helfen, den Umsatz ab dem Jahr 11 zu prognostizieren, zeigt der gleitende Durchschnitt den Wachstumstrend an (ausgedrückt als prozentuale Wachstumsrate), und diese Extrapolation würde zuerst den Weg vorhersagen Künftige Verkäufe. Dies könnte mathematisch mit einer Kalkulationstabelle durchgeführt werden. Alternativ kann ein extrapolierter Trend einfach als grobe Schätzung gezeichnet werden, wie unten gezeigt: Wie nützlich ist die Extrapolation Die wichtigsten Vorteile und Nachteile sind unten zusammengefasst: Vorteile der Extrapolation Eine einfache Methode der Prognose Nicht viel Daten erforderlich Schnell und billig Nachteile der Verwendung der Extrapolation Unzuverlässig, wenn es bedeutende Schwankungen in den historischen Daten gibt Angenommen, der vergangene Trend wird in der Zukunft in vielen Wettbewerbsumgebungen unwahrscheinlich bleiben Ignoriert qualitative Faktoren (zB Veränderungen im Geschmack amp Moden)
No comments:
Post a Comment