Unternehmen, die den Umsatz genau vorhersagen können, können zukünftige Produktionsniveaus, Ressourcenzuteilung und Marketingstrategien erfolgreich an das erwartete Umsatzniveau anpassen. Diese Maßnahmen helfen dabei, den Betrieb zu optimieren und den Gewinn zu maximieren. Ein Regressionsmodell prognostiziert den Wert einer abhängigen Variablen - in diesem Fall des Umsatzes - basierend auf einer unabhängigen Variablen. Eine Excel-Tabelle kann diese Art von Gleichung problemlos verarbeiten.
Datenerfassung
Entscheiden Sie sich für eine unabhängige Variable. Angenommen, Ihr Unternehmen produziert ein Produkt, dessen Umsatz eng mit den Ölpreisänderungen zusammenhängt. Ihre Erfahrung ist, dass der Umsatz steigt, wenn der Ölpreis steigt. Erstellen Sie zum Einrichten der Regression eine Tabellenspalte für Ihren Jahresumsatz über eine bestimmte Anzahl von Vorjahren. Erstellen Sie eine zweite Spalte, in der die prozentuale Veränderung des durchschnittlichen Ölpreises im Jahresvergleich für jedes Verkaufsjahr angegeben ist. Um fortzufahren, benötigen Sie das Excel Analysis ToolPak, das Sie kostenlos laden können, indem Sie "Add-Ins" im Menü "Optionen" auswählen.
Ausführen der Regression
Wählen Sie "Regression" unter "Data Analysis" im Menü "Data". Markieren Sie den Bereich der unabhängigen Variablen als X-Achse und den der abhängigen Variablen als Y-Achse. Geben Sie einen Zellenbereich für die Ausgabe an und markieren Sie die Kästchen für Residuen. Wenn Sie auf "OK" klicken, berechnet Excel die lineare Regression und zeigt die Ergebnisse in Ihrem Ausgabebereich an. Die Regression repräsentiert eine gerade Linie mit einer Steigung, die am besten zu den Daten passt. In Excel werden verschiedene Statistiken angezeigt, anhand derer Sie die Stärke der Korrelation zwischen den beiden Variablen erkennen können.
Interpretation der Ergebnisse
Die R-Quadrat-Statistik gibt an, wie gut die unabhängige Variable den Umsatz prognostiziert. In diesem Beispiel beträgt das R-Quadrat des Öls gegenüber den Verkäufen 89,9, was den Prozentsatz der Produktverkäufe darstellt, der durch die prozentuale Änderung des Ölpreises erklärt wird. Jede Zahl über 85 zeigt eine starke Beziehung an. Der Y-Achsenabschnitt, in diesem Beispiel 380.000, zeigt die Produktmenge, die Sie verkaufen würden, wenn der Ölpreis unverändert blieb. Der Korrelationskoeffizient, in diesem Fall 15.000, deutet darauf hin, dass ein Anstieg des Ölpreises um 1 Prozent den Umsatz um 15.000 Einheiten steigern würde.
Verwendung der Ergebnisse
Der Wert der linearen Regression hängt davon ab, wie gut Sie die unabhängige Variable prognostizieren können. Sie könnten beispielsweise Analysten der Erdölindustrie für eine private Prognose zahlen, die für das kommende Jahr einen Anstieg des Ölpreises um 6 Prozent prognostiziert. Multiplizieren Sie den Korrelationskoeffizienten mit 6 und addieren Sie das Ergebnis - 90.000 - zu Ihrem Y-Achsenabschnitt von 380.000. Die Antwort (470.000) ist die Anzahl der Einheiten, die Sie wahrscheinlich verkaufen würden, wenn der Ölpreis um 6 Prozent stieg. Mit dieser Vorhersage können Sie Ihren Produktionszeitplan für das kommende Jahr vorbereiten. Sie können die Regression auch mit verschiedenen Ölpreisbewegungen durchführen, um die besten und schlechtesten Ergebnisse vorherzusagen. Natürlich sind dies nur Vorhersagen und Überraschungen sind immer möglich. Bei Bedarf können Sie auch Regressionen mit mehreren unabhängigen Variablen ausführen.
