Prognozy i ekstrapolacja danych bez wróżenia z fusów

05.05.25r.

W przypadkach nowoczesnej analizy danych może być przydatne prognozowanie i ekstrapolacja danych. Jeśli posiadamy odpowiednią liczbę danych archiwalnych, które możemy wykorzystać do ekstrapolacji wartości to możemy przewidzieć zachowanie się wyników w przyszłości. Oczywiście możemy takie prognozy wykonać, jeśli dane podlegają jakimś ustalonym trendom. Trendy te mogą byś opisywane funkcjami matematycznymi lub ustalane w oparciu o heurystyczne modelowanie zmian danych zagadnienia.

Wyobraźmy sobie przedsiębiorstwo, którego obroty, koszty i zyski w jakimś przedziale czasu wykazują wzrost liniowy. Oczywiście trafność naszej hipotezy możemy potwierdzić współczynnikami zgodności założonej tendencji takimi jak „R-kwadrat”. Aby sprawdzić czy nasze dane podlegają w przybliżeniu zmianom liniowym posłużymy się wykresami oraz dodawanym liniom trendu oraz odpowiednim funkcjom arkusza kalkulacyjnego z zakresu regresji liniowej.
Tworzymy wykres kolumnowy grupowany oraz dodajemy linię trendu (typ liniowy). Pokazane na wykresie funkcje możemy wykorzystać do obliczenia prognozowanych wartości w kolejnych okresach.

Widać, że wyświetlony przy równaniu obrotów współczynnik R² jest bliski jedności co wskazuje na bardzo dobre dopasowanie danych do trendu liniowego. Oczywiście przy zmieniających się danych wejściowych nie będziemy odczytywać współczynników równań z wykresów, dlatego posłużymy się funkcjami arkusza NACHYLENIE i ODCIETA wyliczając współczynnik A i B równania linii prostej y=Ax+B lub funkcjami regresji liniowej REGLINP (Uwaga – jako zmienne X stosujemy kolejne numery danych). Za pomocą wyliczonych współczynników – podstawiając je do równania obliczmy prognozowane wartości na kolejne okresy.
W przypadku gdy dane zmieniają się nieliniowo, możemy dopasować inny typ trendu. W tym wypadku, jeśli wiemy, że jakaś zmienna zagadnienia może pojawić się podniesiona do drugiej potęgi możemy przypuszczać, że zagadnienie ma charakter równania kwadratowego y=Ax²_Bx+C a wykresem może być parabola. Jeśli dane wejściowe nie są równoodległe to posłużymy się wykresem punkowym na który nałożymy trend wielomianowy.
Jeśli zrobimy symulację przypadku ekonomicznego, gdzie podwyższając cenę produktu o 1 zł tracimy 5 klientów to mamy właśnie sytuację trendu nieliniowego opisywanego równaniem kwadratowym. Ponieważ współczynnik A jest ujemny to mamy odwrócona parabolę.

Prognozując na określoną liczbę zmian zobaczymy zależność obrotów. Możemy też wyliczyć pierwiastki równania kwadratowego, z których jeden wskaże przy jakiej podwyżce obrót wyniesie zero.
Jeśli dane nie zmieniają się zgodnie z jakąś matematyczną formułą co bardzo często zdarza się w realiach biznesowych, ale wykazują jakieś cykliczne zmiany to możemy posłużyć się opcją MS Excel, która nazywa się Arkusz prognozy.
Mamy na przykład zmieniająca się liczbę pasażerów linii lotniczych zarejestrowaną z zakresie dat i chcemy z określonym prawdopodobieństwem przewidzieć liczbę pasażerów w przyszłych okresach czasu. To wskazujemy archiwalne dane wyjściowe i generujemy raport Arkusza prognozy.

Po utworzeniu arkusza prognozy otrzymujemy wykres odwzorowujący wykryte zmienności oraz tabele prognozowanych danych do założonej daty końcowej z odpowiednimi granicami ufności.

Pamiętajmy, że prognozowanie i ekstrapolacja daję nam przewidywane wartości za pomocą metod analitycznych i nie uwzględnia nagłych zdarzeń gospodarczych spowodowanych choćby warunkami pogodowymi lub nagłymi decyzjami osób mających wpływ na światowa politykę lub gospodarkę.
Po więcej informacji zapraszamy na Webinar – „Prognozowanie i ekstrapolacja danych za pomocą analizy trendu i regresji”, który niebawem się odbędzie i ukaże się na stronie SOFTRONIC oraz na szkolenia oferowane z tej tematyki analiz za pomocą arkuszy kalkulacyjnych i innych narządzi Power BI, które można znaleźć przez naszą wyszukiwarkę na stronie.