Las empresas que pueden pronosticar con precisión las ventas pueden ajustar con éxito los niveles de producción futuros, la asignación de recursos y las estrategias de marketing para que coincidan con el nivel de ventas anticipadas. Estas acciones ayudan a optimizar las operaciones y maximizar las ganancias. Un modelo de regresión pronostica el valor de una variable dependiente, en este caso, las ventas, basadas en una variable independiente. Una hoja de cálculo de Excel puede manejar fácilmente este tipo de ecuación.
Recopilación de datos
Decidir sobre una variable independiente. Por ejemplo, suponga que su compañía produce un producto con ventas que se relacionan estrechamente con los cambios en el precio del petróleo. Su experiencia es que las ventas aumentan cuando el precio del petróleo sube. Para configurar la regresión, cree una columna de hoja de cálculo para sus ventas anuales sobre una cantidad de años anteriores. Cree una segunda columna que muestre el cambio porcentual en el precio promedio del petróleo año tras año en cada uno de los años de ventas. Para continuar, necesitará el Excel Analysis ToolPak, que puede cargar de forma gratuita seleccionando "Complementos" en el menú "Opciones".
Corriendo la regresión
Elija "Regresión" en el elemento "Análisis de datos" en el menú "Datos". Marque el rango de la variable independiente como el eje X y el de la variable dependiente como el eje Y. Dé un rango de celdas para la salida y marque las casillas para los residuos. Cuando presione "Aceptar", Excel calculará la regresión lineal y mostrará los resultados en su rango de salida. La regresión representa una línea recta con una pendiente que mejor se ajusta a los datos. Excel muestra varias estadísticas para ayudarlo a interpretar la fuerza de la correlación entre las dos variables.
Interpretando los resultados
La estadística de R cuadrado indica qué tan bien la variable independiente pronostica ventas. En este ejemplo, el R cuadrado de petróleo versus ventas es 89.9, que es el porcentaje de ventas de productos explicado por el cambio porcentual en el precio del petróleo. Cualquier número por encima de 85 indica una relación fuerte. La intersección con Y, en este ejemplo 380,000, muestra la cantidad de producto que vendería si el precio del petróleo se mantuviera sin cambios. El coeficiente de correlación, en este caso 15,000, indica que un aumento del 1% en el precio del petróleo elevaría las ventas en 15,000 unidades.
Usando los resultados
El valor de la regresión lineal depende de qué tan bien puede pronosticar la variable independiente. Por ejemplo, podría pagar a los analistas de la industria petrolera por un pronóstico privado que predice un aumento del 6 por ciento en el precio del petróleo durante el próximo año. Multiplique el coeficiente de correlación por 6 y agregue el resultado - 90,000 - a su cantidad de intersección en Y de 380,000. La respuesta, 470,000, es la cantidad de unidades que probablemente vendería si el precio del petróleo subiera un 6 por ciento. Puede usar esta predicción para preparar su programa de producción para el próximo año. También puede ejecutar la regresión utilizando diferentes movimientos del precio del petróleo para predecir el mejor y el peor de los casos. Por supuesto, estas son solo predicciones, y las sorpresas siempre son posibles. También puede ejecutar regresiones con múltiples variables independientes, si corresponde.
