Probabilmente ormai sapete che, quando possibile, dovreste prendere decisioni basate sui dati sul lavoro, ma vi rendete conto di come analizzare la maggior parte delle informazioni a voi accessibili? Fortunatamente probabilmente non avete bisogno di fare i calcoli da soli (grazie al cielo!) eppure avete bisogno di comprendere e tradurre efficacemente l’esame fatto dai vostri partner.

Per comprendere meglio questa strategia e il modo in cui le organizzazioni la utilizzano, ho parlato con Tom Redman, autore di Data Driven: Profittando della vostra risorsa aziendale più importante. Inoltre, egli stimola le associazioni a sviluppare i loro progetti di informazione e di qualità dell’informazione.

Cos’è l’analisi della regressione?

Redman offre questa situazione modello: Supponiamo che tu sia un supervisore di progetto che cerca di prevedere i numeri di un mese da adesso. Ti rendi conto che manciate, forse anche molti componenti, dal clima all’avanzamento di un contendente al gossip di un modello buono come sempre, possono influenzare il numero. Forse i singoli individui della vostra associazione hanno persino un’ipotesi su cosa avrà il maggiore impatto sugli affari. “Fidatevi di me. Più pioggia abbiamo, più vendiamo”. “Sei settimane dopo la promozione del concorrente, le vendite salgono”.

L’analisi della regressione è un modo per determinare matematicamente quale di queste variabili ha effettivamente un impatto. Essa risponde alle domande: Quali sono i fattori più importanti? Quali possiamo ignorare? Come interagiscono tra loro questi fattori? E, forse la cosa più importante, quanto siamo certi di tutti questi fattori?

Nell’analisi di regressione, questi fattori sono chiamati variabili.

Nell’esame delle ricadute, questi elementi sono chiamati fattori. Avete la vostra variabile dipendente – il fattore principale che state cercando di capire o prevedere. Nel modello di Redman, la variabile dipendente è una variabile di mese in mese. E dopo di che avete i vostri fattori autonomi – gli elementi che pensate influenzino la vostra variabile dipendente.

Come funziona?

Per dirigere un’indagine sulle ricadute, si assemblano i dati sulle variabili in questione. (Aggiornamento: probabilmente non è necessario farlo senza l’aiuto di nessuno, ma è utile per comprendere la procedura utilizzata dal vostro associato esaminatore di informazioni). Prendete la maggior parte delle vostre offerte mensili per i numeri, lo stato, i tre anni precedenti e tutte le informazioni sui fattori gratuiti che vi interessano. Quindi, per questa situazione, supponiamo che scopriate le normali precipitazioni mensili anche per i tre anni precedenti. A quel punto tracciate la maggior parte di questi dati su un grafico che assomiglia a questo:

Il perno y è la misura delle offerte (la variabile dipendente, la cosa che ti piace di più, è costantemente sul y-hub) e l’x-hub è la precipitazione all out. Ogni punto blu parla con le informazioni di un mese – l’importo che ha versato quel mese e il numero di offerte che avete fatto in quel mese equivalente.

Guardando queste informazioni, molto probabilmente noterete che le offerte sono più alte nei giorni in cui piove una tonnellata. Questo è affascinante da sapere, ma di quale quantità? Se piove 3 pollici, sapete quanto vendereste? E se piove di 5 centimetri?

Attualmente immaginare di disegnare una linea attraverso il grafico sopra, uno che corre generalmente attraverso il centro del considerevole numero di informazioni si concentra. Questa linea vi permetterà di rispondere, con un certo grado di convinzione, all’importo che normalmente vendete quando piove una somma specifica.

Questa viene chiamata linea di regressione e viene disegnata (utilizzando un programma di statistica come SPSS o STATA o anche Excel) per mostrare la linea che meglio si adatta ai dati. Per così dire, chiarisce Redman: “La linea rossa è il miglior chiarimento della connessione tra la variabile autonoma e la variabile di reparto”.

Oltre a disegnare la linea, il vostro programma di statistica produce anche una formula che spiega la pendenza della linea e si presenta in modo simile:

Ignorate per ora il termine di errore. Si riferisce al fatto che la regressione non è perfettamente precisa. Concentratevi solo sul modello:

Ignorate per ora il termine di errore. Si riferisce al fatto che la regressione non è perfettamente precisa. Concentratevi solo sul modello:

Ciò che questa formula vi dice è che se non c’è una “x”, allora Y = 200. In questo modo, è certo, quando non ha piovuto per un qualsiasi sforzo di immaginazione, si è fatta una media di 200 vendite e si può sperare di fare l’equivalente andando avanti aspettandosi che i diversi fattori rimangano l’equivalente. Inoltre, prima, per ogni centimetro in più di acquazzone in più, avete fatto una normale di cinque offerte aggiuntive. “Per ogni aggiunta che x sale di uno, y sale di cinque”, dice Redman.

Al momento dovremmo tornare al termine dell’errore. Potreste essere tentati di affermare che l’acquazzone influisce notevolmente sulle offerte se per ogni pollice otterrete cinque offerte aggiuntive, ma se questa variabile merita la vostra considerazione si baserà sul termine di errore. Una linea di regressione ha sempre un termine di errore perché, nella vita reale, le variabili indipendenti non sono mai dei perfetti predittori delle variabili dipendenti. O forse la linea è un indicatore dipendente dalle informazioni accessibili. Quindi il termine di errore vi rivela quanto potete essere certi della ricetta. Più grande è, meno certa è la linea di ricaduta.

Il modello di cui sopra utilizza solo una singola variabile per prevedere il fattore di intrigo – per questa situazione diluvia per anticipare gli affari. Normalmente si inizia un’analisi dell’aregressione che richiede di comprendere l’effetto di alcune variabili indipendenti. In questo modo si possono incorporare sia l’acquazzone che le informazioni sull’avanzamento di un concorrente. “Continuate a fare questo fino a quando il termine errore è poco”, dice Redman. “Stai cercando di ottenere la linea che si adatta meglio alle tue informazioni”. Mentre ci possono essere dei pericoli nel cercare di incorporare un numero eccessivo di fattori in un’indagine sulle ricadute, gli investigatori di talento possono limitare questi pericoli. Inoltre, pensare all’effetto di vari fattori senza un attimo di ritardo è forse la più grande possibilità di ricaduta.