Tidsräkneanalys i Excel för kvalitetsbedömning och felanalys

Tidsanalys är en central del av statistiken, särskilt inom ekonomiska sammanhang. För att utveckla en gedigen förståelse för felfrånvaroanalys och kvalitetsbedömningar i Excel, kommer du i denna handledning att ledas genom ett praktiskt tillämpningsfall. Detta görs med hjälp av en fallstudie av en fordonsleverantör. Du kommer att lära dig hur du kan jämföra prognoser med faktiska värden och kvantifiera kvaliteten på dina prognoser genom felfrånvaroanalys.

Viktigaste insikter

• Du lär dig hur du kan jämföra prognoser och faktiska värden i Excel.
• Du får reda på vilka felindikatorer som används för att utvärdera prognosens kvalitet.
• I slutändan kan du beräkna varianskoefficienten och root mean square error (RMSE).

Steg-för-steg-guide

Börja med att ange 2019 års värden som prognoser och 2020 års värden som faktiska värden i Excel. Se till att överföra siffrorna korrekt för att skapa en solid grund för dina beräkningar.

För att kunna genomföra analysen behöver du rådata från båda åren. Du bör säkerställa siffrorna för 2020 och sedan integrera prognoserna för 2019. Dessa värden utgör grunden för dina beräkningar.

Kopiera nu rådatan för 2020 års siffror till en arbetsyta och klistra in den helt. För att hålla beräkningarna tydligt strukturerade är det klokt att skapa separata kolumner för prognoser och faktiska värden.

I nästa steg måste du subtrahera prognoserna från de faktiska värdena för att beräkna felen. Använd formeln "Fel = Faktiskt värde - Prognos" för att göra detta. Applicera denna beräkning på alla dina datapunkter för att kvantifiera alla fel.

Efter att du har beräknat felen är nästa steg att kvadrera dessa fel. Det innebär att du multiplicerar varje fel med sig själv för att få de kvadrerade felen.

Beräkna sedan medelvärdet av de kvadrerade felen. Använd Excel-funktionen "Medelvärde" och dividera summan av de kvadrerade felen med antalet observationer. Detta ger dig det genomsnittliga kvadratiska felet.

Efter att medelvärdet av de kvadrerade felen har beräknats, dra roten ur detta medelvärde. Detta leder till root mean square error (RMSE). Detta värde är avgörande för att bedöma kvaliteten på dina prognoser.

Nu vill du också beräkna medelvärdet av de faktiska värdena. Använd återigen funktionen "Medelvärde" och välj de relevanta faktiska värdena. Detta genomsnitt är viktigt för den senare tolkningen av varianskoefficienten.

I nästa steg beräknar du varianskoefficienten (VK). VK beräknas genom att dividera RMSE med medelvärdet av de faktiska värdena. Detta ger dig en procentuell representation av felen jämfört med de faktiska värdena och bedömer kvaliteten på dina prognoser.

Tolkningen av varianskoefficienten är avgörande. En VK på 0,08 indikerar en låg relativ svängning och därmed en hög prognoskvalitet. Du kan ange detta nummer samt dina insikter i en referenstabell för att göra resultaten mer begripliga.

Sammanfattningsvis har du analyserat prognoser och faktiska värden i Excel genom flera steg. Beräkningen av fel, kvadrering, beräkning av medelvärden och slutligen bestämning av varianskoefficienten är grundläggande metoder för att bedöma kvaliteten på tidsanalyser.

Sammanfattning

I denna handledning har du utforskat hur du analyserar tidsanalyser i Excel genom att jämföra prognoser med faktiska värden. Du har lärt dig att beräkna fel, kvadrera dem och kunna kvantifiera kvaliteten på dina prognoser. Genom att fastställa varianskoefficienten har du nu förmågan att bättre kunna bedöma framtida prognoser.