Puede realizar predicciones sobre el futuro rendimiento de su negocio basándose en datos anteriores y mediante uno de estos métodos de previsión de serie temporal: Tendencia, Crecimiento o Autorregresión.
Los métodos de previsión utilizados en la función Previsión se basan en el análisis estadístico de la información histórica obtenida de fuentes de datos subyacentes. La precisión de los valores previstos depende de muchas variables, entre ellas, la precisión de los datos históricos subyacentes y acontecimientos externos que podrían afectar a la validez de los datos históricos subyacentes para fines de previsión. La función Previsión sólo debe utilizarse como referencia de los futuros valores para las medidas previstas y no debe utilizarse como base para tomar decisiones empresariales o financieras complicadas.
Cognos declina cualquier responsabilidad respecto a la precisión de los valores futuros reales y no garantiza ningún resultado concreto. Usted utiliza la función Previsión y los datos generados con ella bajo su propio riesgo. La función Previsión podría tener errores o producir cálculos imprecisos. Usted acepta la función Previsión y la documentación "TAL CUAL". COGNOS NO SERÁ RESPONSABLE EN CASO ALGUNO DE LOS POSIBLES DAÑOS DE CUALQUIER TIPO, INCLUIDOS LOS ILIMITADOS, DIRECTOS, INDIRECTOS, FORTUITOS, PUNITORIOS O RESULTANTES, DERIVADOS DEL USO DE LA FUNCIÓN PREVISIÓN O DE LA INTERPRETACIÓN DE LOS DATOS OBTENIDOS CON ELLA.
Si desea obtener más información acerca de la fórmula para cada método de previsión, consulte Fórmulas de previsión.
El método de previsión de tendencia se basa en la técnica de regresión lineal de la previsión de series temporales. La previsión de tendencia le ofrece la mejor fiabilidad cuando los factores de control del negocio afectan a las medidas de forma lineal. Por ejemplo, cuando los ingresos históricos aumentan o disminuyen a una velocidad constante, se encuentra ante un efecto lineal.
Si se traza una multilínea de los datos históricos, debería ser lineal o prácticamente lineal para ser considerada fiable. Por ejemplo, si prevé los ingresos durante los dos próximos trimestres basándose en los ingresos de los cuatro últimos trimestres y si el trazado de multilínea de los ingresos trimestrales anteriores es lineal o casi lineal, el método de tendencia le ofrecerá la previsión más fiable.
Utilice el método de previsión de tendencia, por ejemplo, si sólo tiene dos valores de datos que representan dos periodos de tiempo en sus datos históricos.
Supongamos que es usted el jefe de ventas de su empresa. Desea ver la tendencia global de los ingresos de Equipo de acampada para los próximos dos años.
Este informe le muestra que, en la línea Equipo de acampada, la tendencia para los dos próximos años es un aumento de los ingresos.
El método de previsión de crecimiento se basa en la técnica de regresión exponencial de la previsión de series temporales. La previsión de crecimiento le ofrece la mejor fiabilidad cuando los factores de control del negocio afectan a las medidas de forma exponencial. Por ejemplo, cuando los ingresos históricos aumentan o disminuyen a una velocidad cada vez mayor, se encuentra ante un efecto exponencial.
Si se traza una multilínea de los datos históricos, mientras más exponencial sea, mayor será la precisión. Por ejemplo, si los ingresos aumentan exponencialmente debido a la introducción de un producto estrella, la previsión de crecimiento será más fiable que el método de tendencia.
Supongamos que ha contratado usted a dos representantes de ventas nuevos para su empresa. Para asignar los nuevos recursos eficazmente, quiere saber qué línea de productos tiene más potencial de crecimiento.
Este informe le muestra que los nuevos recursos deberían asignarse a la línea Accesorios personales, que es la que tiene mayor potencial de crecimiento de los ingresos.
El método de previsión de autorregresión se basa en el enfoque de autocorrelación respecto a la previsión de series temporales. La previsión de autorregresión detecta las fluctuaciones lineales, no lineales y estacionales en los datos históricos y proyecta estas tendencias al futuro. La autorregresión le ofrece la mejor fiabilidad cuando los factores de control en que se basa su negocio se ven afectados por las fluctuaciones estacionales.
Si se traza una multilínea de tiempo e ingresos, se verán fluctuaciones al alza y a la baja que podrían reflejar las variaciones estacionales. Por ejemplo, si los ingresos aumentan exponencialmente debido a la introducción de un producto estrella, pero las ventas de ese producto también son estacionales, la previsión de autorregresión será más fiable que el método de crecimiento.
Utilice el método de autorregresión si tiene datos históricos que representen muchos periodos de tiempo (por ejemplo, más de 24 periodos de un mes) y cuando puedan darse variaciones estacionales.
Le preocupan las previsiones de Equipo de acampada y Equipo de golf para los próximos dos años. Desea tener una previsión de los ingresos, teniendo en cuenta la fluctuación estacional, para cada uno de los cuatro trimestres siguientes.
Este informe muestra que la previsión de ambas líneas, teniendo en cuenta la fluctuación estacional, sigue el mismo patrón y que los ingresos totales se mantienen.
El periodo de tiempo debe poder mostrarse como filas o columnas en la tabla cruzada para poder crear una previsión.
Si anida múltiples niveles de tiempo en su tabla cruzada, PowerPlay Web calculará la previsión sólo en el nivel superior de tiempo. Por ejemplo, si anida los trimestres en años para los ingresos y luego inserta un cálculo de previsión, PowerPlay Web generará sólo la previsión en el nivel de años.
Para generar la previsión en el nivel de trimestres, suprima el nivel de años antes de generar la previsión.
Si ha clasificado la tabla cruzada, PowerPlay creará la previsión solicitada, pero las previsiones no se incluyen en la clasificación.
Si convierte la moneda en su tabla cruzada, PowerPlay creará la previsión en los valores convertidos a la moneda.