Kausal-Modelle
Einfach ausgedrückt, dient die Regressionsanalyse dazu, zu verstehen, wie sich bestimmte Faktoren in Ihrem Verkaufsprozess auf die Verkaufsleistung auswirken, und vorherzusagen, wie sich die Verkaufszahlen im Laufe der Zeit verändern würden, wenn Sie dieselbe Strategie beibehalten oder zu anderen Methoden übergehen würden.
Einfache Regressionsanalyse
Das Modell, das der (einfachen) Regressionsanalyse zugrunde liegt, besteht Grundsätzlich aus drei Komponenten:
- Einem Merkmal X, das auch als „die unabhängige Variable“ bezeichnet wird.
- Einem Merkmal Y, das auch als „die abhängige Variable“ bezeichnet wird.
- Der Annahme, dass zwischen diesen beiden Merkmalen ein funktionaler Zusammenhang der Form
y = f(x)
besteht.
Nehmen wir an, Sie möchten eine Umsatzprognose erstellen, um herauszufinden, ob Ihre Vertriebsmitarbeiter durch mehr Anrufe mehr Geschäfte abschließen können. Für diese Prognose benötigen Sie historische Daten, die die Anzahl der Verkaufsanrufe in einem bestimmten Zeitraum abbilden. Mathematisch gesehen ist die Anzahl der Verkaufsanrufe die unabhängige Variable oder der Wert X und die abhängige Variable ist die Anzahl der abgeschlossenen Geschäfte pro Monat oder der Wert Y.
Aus diesen Daten erzeugen wir mit Excel ein Scatter-Plot und fügen eine lineare Trendlinie hinzu. Die im Diagramm angegebene Gleichung beschreibt den Wirkzusammenhang zwischen Sales Calls und Deals Closed.
Das Streudiagramm beantwortet also unsere Frage, ob mehr Verkaufsanrufe durch Vertriebsmitarbeiter zu mehr Geschäfts-abschlüssen führen. Die Antwort lautet ja, und das weiß man, weil sich die Trendlinie der besten Anpassung nach oben bewegt, was auf eine positive Beziehung hinweist. Auch wenn es in einem Monat 20 Anrufe und 10 Abschlüsse und im nächsten Monat 10 Anrufe und 40 Abschlüsse gibt, geht die statistische Analyse der historischen Daten in der Tabelle davon aus, dass mehr Anrufe im Durchschnitt zu mehr Abschlüssen führen.
Des Weiteren können wir mit der oben ermittelten Formel - bei Kenntnis der unabhängigen Variablen (X) für die nächsten Perioden - einen Forecast berechnen. Die Formel lautet:
Forecast (Yt) = 1,2015 Xt + 20,316
Sales Period Sales Calls Deals Closed
April 2020 40 68
May 2020 50 80
June 2020 65 98
Multiple Regression
Hier besteht der Unterschied zur einfachen Regression darin, dass mehrere unabhängige Variablen (X) in die Betrachtung einfließen. Damit ergibt sich ein funktionaler Zusammenhang der Form:
Y = a + b1*X1 + b2*X2 + b3*X3 ...
Wir wollen nun das obige Beispiel um eine weitere unabhängige Variable "Price discount [%]" ergänzen und dann eine multiple Regression durchführen.
Mit Hilfe der multiplen Regression können wir nun mehrere wichtige Informationen ableiten:
- Wie groß ist der Einfluss jeder einzelnen unabhängigen Variablen
- Die Formel zur Berechnung der Forecast's
Die Formel lautet:
Forecast Y(t) = 24,1994302 + 0,666434526 * X1(t)+ 1,91178643 * X2(t)
Damit lassen sich auch hier wieder die Forecast-Werte für die nächsten Perioden berechnen.
Sales Period Sales Calls Price discount Deals Closed
December 2020 40 5 60
January 2021 50 8 73
February 2021 65 3 73
© Urheberrecht. Alle Rechte vorbehalten.
Wir benötigen Ihre Zustimmung zum Laden der Übersetzungen
Wir nutzen einen Drittanbieter-Service, um den Inhalt der Website zu übersetzen, der möglicherweise Daten über Ihre Aktivitäten sammelt. Bitte überprüfen Sie die Details in der Datenschutzerklärung und akzeptieren Sie den Dienst, um die Übersetzungen zu sehen.