Analiza trendów i prognozowanie
Na tej stronie
Spójrz dalej niż na bieżące liczby
Statystyki opisowe mówią Ci, co się stało. Analiza trendów pokazuje, co dzieje się teraz. Prognozowanie wskazuje, co może się wydarzyć. Te trzy poziomy analizy odpowiadają na trzy różne pytania podczas spotkania, a ich mylenie jest kosztowne: nikt nie podejmuje takich samych decyzji w oparciu o historyczny fakt, jak w oparciu o projekcję. Dzięki ChatGPT możesz wykonać wszystkie trzy czynności bez pisania ani jednej linii kodu.
Identyfikowanie trendu
Najprostszą formą trendu jest trend liniowy: czy Twoje dane rosną, czy spadają i z jaką prędkością? Przydatnym odruchem jest poproszenie o linię trendu i wskaźnik jej wiarygodności jednym tchem; w przeciwnym razie będziesz komentować nachylenie, którego solidności nie możesz zweryfikować.
Plot monthly revenue for the last 12 months with a trend line.
Indicate the average monthly growth rate and whether the trend
is statistically significant.
ChatGPT oblicza regresję liniową, rysuje linię i podaje współczynnik determinacji (R²), który mierzy wiarygodność trendu. R² bliskie 1 oznacza, że linia dobrze podsumowuje Twoje dwanaście punktów; niskie R² ostrzega, że „trend“, który zamierzałeś ogłosić, to w większości szum, a trzynasty miesiąc może go odwrócić.
Co więcej, wiele zbiorów danych biznesowych podlega cyklom, a wzrost w grudniu niekoniecznie jest dobrą wiadomością: może to być po prostu zwykły grudzień. Aby podjąć decyzję, poproś o dekompozycję.
Decompose monthly sales into 3 components:
underlying trend, seasonality, and residuals.
Display the 3 curves separately.
ChatGPT stosuje metodę dekompozycji sezonowej, którą może dla Ciebie określić, aby wyizolować każdą składową. Potrzebuje co najmniej dwóch pełnych cykli – dwóch lat danych miesięcznych w przypadku sezonowości rocznej – aby dekompozycja miała sens. Wtedy wyraźnie widzisz, czy wzrost w grudniu wynika z efektu sezonowego, czy z realnego wzrostu – a krzywa resztowa sygnalizuje miesiące, których żadne z tych wyjaśnień nie obejmuje.
Średnie kroczące
Średnie kroczące wygładzają wahania i uwypuklają trend bazowy. W przypadku dziennych przychodów spadki weekendowe prawie zawsze maskują rzeczywisty ruch; nałożenie dwóch różnych okien pozwala odczytać zarówno krótki, jak i średni termin na tym samym wykresie.
Plot raw daily revenue and overlay a 7-day moving average
and a 30-day moving average.
Wybierasz okno w oparciu o ziarnistość swoich danych i cykl, który chcesz wyeliminować.
| Okno | Zastosowanie | Co ujawnia |
|---|---|---|
| 7 dni | Dane dzienne | Trend tygodniowy, eliminuje szum dzień po dniu |
| 30 dni | Dane dzienne/tygodniowe | Trend miesięczny, eliminuje wahania tygodniowe |
| 3 miesiące | Dane miesięczne | Trend kwartalny, wygładza sezonowość |
| 12 miesięcy | Dane miesięczne | Trend roczny, eliminuje całą sezonowość |
Proste prognozy
Do szybkiego oszacowania często wystarczy przedłużenie zaobserwowanego trendu – pod warunkiem, że uznasz niepewność, zamiast ją ukrywać.
Project revenue for the next 3 months by extending
the linear trend of the last 12 months.
Display the 95% confidence interval.
Przedział ufności jest decydującą częścią wyniku: pokazuje margines niepewności, a im bardziej się rozszerza w miarę przesuwania się w przyszłość, tym mniej wiarygodna jest prognoza. Jest to również Twoja najlepsza ochrona podczas spotkania komitetu. Ogłoszenie „między 480 tys. € a 620 tys. €“ zobowiązuje Cię mniej niż pojedyncza liczba, której nikt nie może zagwarantować, i wywołuje właściwą rozmowę: taką o tym, co mogłoby przesunąć wyniki z jednego końca zakresu na drugi.
Gdy tylko Twoje dane wykazują powtarzające się wzorce, projekcja liniowa staje się myląca i potrzebujesz modelu, który integruje cykl.
Use a forecasting model that accounts for seasonality
to estimate sales for the next 6 months.
Compare the result with a simple linear projection.
ChatGPT może używać modeli integrujących sezonowość, takich jak wygładzanie wykładnicze Holta-Wintersa lub sezonowy model ARIMA, które chwytają zarówno trend, jak i cykl. Porównanie poproszone na końcu monitu jest samo w sobie pouczające: luka między dwiema krzywymi mierzy dokładnie wagę sezonowości w Twoim biznesie.
Analiza punktów załamania
Czasami trend nie deformuje się stopniowo: on się łamie. Start produktu, zmiana ceny lub zdarzenie zewnętrzne przesuwają trajektorię z miesiąca na miesiąc, a linia trendu obliczona dla całego okresu nie opisuje wtedy niczego rzeczywistego.
Identify breakpoints in the evolution of monthly revenue.
Are there months where the trend changes direction significantly?
For each breakpoint, indicate the date and the magnitude of the change.
Ta analiza jest cenna dla zrozumienia wpływu konkretnych wydarzeń: startów produktów, zmian cen, zdarzeń zewnętrznych. Następnie dopasuj uzyskane daty do swojego wewnętrznego kalendarza – overhaul cenowy, kampania, odejście handlowca. To dopasowanie i tylko ono zamienia krzywą w wyjaśnienie.
Porównanie okres do okresu
Dwa odczyty uzupełniają się nawzajem, a niezgoda często wynika z faktu, że dwie strony nie używają tego samego. Porównanie rok do roku neutralizuje sezonowość, ponieważ każdy miesiąc jest konfrontowany z odpowiednikiem z poprzedniego roku obrotowego.
Compare sales month by month between 2025 and 2026.
Calculate the percentage variation for each month
and flag the months with a decline.
Wzrost sekwencyjny z kolei mierzy natychmiastowy ruch z miesiąca na miesiąc. Reaguje znacznie szybciej na niedawne zmiany kierunku, kosztem wysokiej wrażliwości na sezonowość.
Calculate sequential growth (month vs. previous month)
and display a bar chart with growth months in green
and decline months in red.
Więcej rozumowania dla prognoz
Niektórych prognoz nie można sprowadzić do obliczeń: wymagają one uwzględnienia czynników, których Twoje dane historyczne jeszcze nie zawierają, takich jak produkt, który nie istniał w poprzednim kwartale.
Taking into account seasonality, the underlying trend,
and the fact that we are launching a new product in April,
estimate sales for the next quarter.
Explain your reasoning step by step.
Wyższy poziom rozumowania – Wysoki lub Bardzo Wysoki w selektorze ChatGPT, w zależności od Twojego planu – pomaga w tego typu rozumowaniu wieloczynnikowym, gdzie musisz połączyć analizę ilościową z osądem kontekstowym. Wynik pozostaje szacunkiem opartym na Twoich założeniach, a nie faktem. Żądanie wyjaśnienia krok po kroku nie jest kaprysem: pozwala zakwestionować konkretne założenie – np. tempo ramp-upu nowego produktu – zamiast odrzucać całą liczbę, ponieważ nie wiesz, skąd się wzięła.
Twoja kolej
Twoja pierwsza prognoza.
- Wykreśl miesięczne przychody z linią trendu i jej R²
- Jeśli masz co najmniej dwa lata historii, dokonaj dekompozycji trendu, sezonowości i reszt
- Zaprojektuj kolejne trzy miesiące z 95% przedziałem ufności
- Porównaj z modelem integrującym sezonowość
- Przedstaw zakres, a nie pojedynczą liczbę, wraz z jego założeniami
Źródła oficjalne: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (Centrum Pomocy OpenAI)
Kluczowe wnioski
- Linia trendu i R² mierzą kierunek i wiarygodność trendu
- Dekompozycja sezonowa oddziela trend, sezonowość i szum
- Średnie kroczące wygładzają wahania – dobierz okno do swojej ziarnistości
- Każda prognoza musi zawierać przedział ufności – żadnych pojedynczych liczb
- Punkty załamania identyfikują momenty, w których wszystko się zmieniło