39
trifft dies allerdings nur auf die Anzahl der Be-
suche bei den Bestandskunden zu (p-value
0,05). Aus diesem Grund werden mittels einer
Rückwärtsselektion schrittweise die Einfluss-
größen exkludiert, die keine statistische Signifi-
kanz besitzen.
Ergebnis dieser Rückwärtsselektion ist ein Mo-
dell mit lediglich den Variablen ‚Anzahl Besuche
Interessenten’ und ‚Anzahl Besuche Bestands-
kunden’ (vgl. Abbildung 6). Beide Einflussfakto-
ren besitzen nun statistische Signifikanz. Das
Bestimmtheitsmaß R Square ist mit 0,80 auf
vergleichbarem Niveau wie zuvor und der Wert
der F-Statistik ist noch höher.
gnostizieren.
Hierzu wird in Excel das Add-In
Datenanalyse benötigt, welches gegebe-
nenfalls installiert werden muss.
Unter dem
Reiter Daten kann anschließend die Funktion
Datenanalyse ausgewählt werden, worauf sich
ein Pop-Up-Fenster öffnet. Dort wiederum wird
die Regression als statistische Methode ausge-
wählt (vgl. Abbildung 4).
11
Als Y-Range und damit als abhängige Variable,
die es zu prognostizieren gilt, werden die Um-
satzzahlen der letzten 13 Monate ausgewählt
(C1:C14 in Abbildung 4). Als X-Range und da-
mit als Einflussgrößen auf den Umsatz werden
die 4 beschriebenen Werttreiber markiert
(D1:G14 in Abbildung 4). Die grau-farbigen,
kursiven Werte der Werttreiber-Größen zeigen
Schätzwerte, welche das Controlling von den
Verantwortlichen aus den entsprechenden
Fachabteilungen (z. B. Vertrieb, Call-Center-
Management) erhalten hat.
12
Durch Drücken des Buttons OK wird die Eingabe
bestätigt und ein neuer Ergebnis-Reiter in Excel
erstellt (vgl. Abbildung 5). Zur besseren Lesbar-
keit und Diskussion der wichtigsten Punkte wur-
den einige Ergebniszahlen ausgegraut. Die Pro-
gnosegüte der berechneten Regressionsanalyse
zeigt sich unter anderem anhand des Bestimmt-
heitsmaßes R
Square (B5) bzw. Adjusted R
Square (B6) und der F-Statistik (E12, F12). Das
Bestimmtheitsmaß zeigt, wie gut die Einflussfak-
toren dazu geeignet sind, die Schwankungen
des Umsatzes zu erklären. Da in unserem Bei-
spiel das R Square mit 0,81 nahe dem Wert 1
(Werte gehen nur von 0 bis 1) und der Wert der
F-Statistik mit 8,31 entsprechend hoch und sig-
nifikant (siehe Significance F) ist, kann die Güte
der Regressionsanalyse als gut bezeichnet wer-
den. Die Werttreiber sind somit in der Lage, den
Umsatz ausreichend gut zu erklären.
Welche Stärke einzelne Einflussfaktoren
(B18:B21 in Abbildung 5) haben und ob diese
statistisch signifikant sind, lässt sich anhand
der t-Statistik (D18:E21 in Abbildung 5) erken-
nen. Die Statistik zeigt, ob zwischen der Ein-
flussgröße und dem Umsatz ein statistisch sig-
nifikanter Zusammenhang besteht. Die Ein-
flussgrößen in Abbildung 5, die einen geringen
p-value (i. d. R. unter 0,1 oder besser unter
0,05) haben, können als statistisch signifikant
angesehen werden. Im vorgestellten Beispiel
Zur Prognose des Umsatzes und damit zur Auf-
stellung des Umsatz-Forecasts muss nun ledig-
lich die ermittelte Regressionsfunktion erstellt
werden. Hierzu werden die Werte der Einfluss-
faktoren (B18:B19 in Abbildung 6) zusammen
mit dem konstanten Wert (B17 in Abbildung 6)
in folgende Funktion gebracht:
Umsatz = 1382,72 + 3,12 * Anzahl Besuche
Interessenten + 11,71 * Anzahl Besuche
Bestandskunden
Durch Einsetzen der Schätzwerte für die Wert-
treiber aus den Fachbereichen lassen sich die
Umsatzwerte je Monat entsprechend gut prog-
Abb. 4: Auswahl der Variablen für die Regressionsanalyse
Abb. 5: Ergebnis der Regressionsanalyse in Excel vor Rückwärtsselektion
Abb. 6: Ergebnis der Regressionsanalyse in Excel nach Rückwärtsselektion
CM Juli / August 2018
