Peg modellen mod din historik, og sæt horisonten.
Vælg kilden, en månedlig granularitet og den dato, prognosen starter. Enheder, omsætning og omkostning summeres fra dine egne salgsdata, så planen starter fra det forretningen faktisk gjorde.
Byg omsætnings- og marginplanen på dine egne faktiske tal, lav prognoser for efterspørgslen, sammenlign prisscenarier med et udgangspunkt, og følg derefter planen mod de faktiske tal, hver gang dine data opdateres.
Modellen læser seks måneders salg af fittings, beholder dem som faktiske perioder og planlægger de næste seks. Udgangspunktet er dagens pris og omkostning, uden ændringer.
Vælg kilden, en månedlig granularitet og den dato, prognosen starter. Enheder, omsætning og omkostning summeres fra dine egne salgsdata, så planen starter fra det forretningen faktisk gjorde.
Prisændring, enhedsomkostning og priselasticitet er input med en standardværdi. Udgangspunktet bruger standardværdierne, så hvert andet tilfælde er en ændring i forhold til det.
En efterspørgselsprognose for hvert fittingsprodukt giver de enheder planen bygger på, med et sandsynligt interval og et spor af hvordan hver kørsel scorede.
Historikrækker viser den faktiske efterspørgsel. Prognoserækker viser den forventede værdi og den nedre og øvre grænse for det interval som 8 ud af 10 udfald bør falde inden for.
Hver kørsel scorer flere metoder på tidligere perioder og beholder den bedste. Version 4 beholdt gradient boosting med en vægtet fejl på 7,9 %.
Version v4: hvad kørslen brugte
| Metode | WAPE | Brugt | Vægt / note |
|---|---|---|---|
| Sæsonudjævning | 10,8 % | Nej | |
| Sæson-ARIMA | 9,1 % | Nej | |
| Prophet | 11,6 % | Nej | |
| Gradient boosting, pr. serie | 7,9 % | Ja | |
| Samlet gradient boosting (alle serier) | 8,6 % | Nej |
Beslutningsmodellen øverst på siden viser tre tilfælde i ét diagram: udgangspunktet, en stigning på 12 % i prisen på plastråvare og den samme stigning med en prisstigning på 4 %. Her er hvordan hvert tilfælde er defineret, og hvor bredt udfaldet kan blive.
Et scenarie starter fra udgangspunktets input. Det ene hæver enhedsomkostningen via en formel; det andet hæver den og sætter en prisændring på 4 %.
Scenarier er navngivne hvad-hvis-tilfælde der tilsidesætter inputtenes standardværdier.
| Scenarie | Tildelinger | Forsøg |
|---|---|---|
| Basis Baseline | Bruger inputtenes standardværdier | 100 |
| Harpiksomkostning +12 % Scenarie | Enhedsomkostning: formel | 100 |
| Harpiks +12 %, pris +4 % Scenarie | Prisændring: 0,04, Enhedsomkostning: formel | 100 |
Giv et usikkert input et interval, så kører hvert scenarie mange forsøg. Med stigningen lander marginen i marts mellem omkring 285.000 € og 349.000 € i 90 % af dem.
Harpiks +12 %, pris +4 % · 100 forsøg. Det skraverede bånd dækker 5. til 95. percentil; linjen viser medianen.
Publicer det valgte scenarie, behold den prognoseversion det bygger på, og sammenlign hver måneds faktiske tal med planen i et view. Efter tre måneder ligger marginen på fittings 14.170 € under den kumulerede plan på 937.510 € (1,5 %), og december er måneden der skal undersøges.
Planen kommer fra det valgte scenarie, de faktiske tal fra salgshistorikken og afvigelsen fra formelkolonner. December ligger 3,5 % under planen, stadig inden for det interval forsøgene viste. Illustrative data.
Publicering giver modellens resultater en skrivebeskyttet side med det valgte scenarie mod udgangspunktet, klar til udskrift.
En opdatering i januar gav en version 5 der scorede dårligere, så version 4 forbliver i brug. Du skifter kun version hvis du beslutter det.
Funktionerne der gør arbejdet, hvad hvert abonnement tilføjer, og hvor du starter.
Relaterede løsninger: Styring af prisstigninger, Genindvinding af omkostninger, told og fragt, Kunde- og produktrentabilitet.
Nej. Revomo rummer den kommercielle plan: omsætning, pris og margin bygget på dine egne salgsdata, med scenarier. Konsolidering, valutaomregning og koncernbudgettering bliver i dit FP&A-værktøj eller ERP-system. Revomo læser fra og publicerer tilbage til de systemer der driver forretningen; det erstatter dem ikke.
Nej. En efterspørgselsprognose prøver flere metoder på hver serie, scorer hver af dem på tidligere perioder og beholder den bedste, og hver version viser hvad den prøvede, og dens fejl. I selve planen er hver løftestang et navngivet input, og hvert scenarie viser hvilke input det ændrer i forhold til udgangspunktet.
Udgangspunktet, prognosen og de faktiske tal læser de samme data ét sted. Et scenarie ændrer kun de input der afviger fra udgangspunktet, prognoserne beholder deres versioner, og plan mod faktisk er et view der opdateres når dataene opdateres, i stedet for en fil der bygges om hver måned.
Ikke med en separat lås. En beslutningsmodels resultater forbliver som beregnet indtil nogen beregner den igen, og rollerettigheder afgør, hvem der kan. Publicering giver alle en skrivebeskyttet side med resultaterne. Vil du have en fast kopi, så download planens view, og gem den som et datasæt.
Ikke af sig selv. Viewet med plan mod faktisk opdateres når dens data opdateres, og en formateringsregel kan markere enhver måned under din grænse. Rapporter og dashboards i Analytics & Insights kan vise det samme view til de personer der har brug for den.
Salgshistorik pr. måned med produkt, kunde og mængde, plus pris og omkostning til omsætning og margin. Indlæs den som filer, eller tilslut en understøttet kilde i Data & Context Studio. Hvilken plan, hvilke prognoser og hvilke scenarier der bygges først, aftales i Activation and Success Plan.
Tag årets plan og sidste kvartals afvigelse med. Vi gennemgår et udgangspunkt, scenarier og planen mod de faktiske tal på eksempeldata.