欢迎来到预算编制的分析技术！

你好！编制预算可不是随便写几个数字那么简单。在绩效管理 (Performance Management, PM) 考试中，你需要懂得如何利用历史数据来预测未来。就把这一章想像成你的“水晶球”工具包吧。我们会探讨如何运用数学和数据，让你的预算变得更准确、更可靠。别担心，即使你不是数学天才也没关系——我们会把每个步骤拆解得清清楚楚！

1. 大数据与数据分析

在现代商业世界中，我们拥有的资讯量比以往任何时候都要多。这就是所谓的大数据 (Big Data)。在预算编制方面，我们运用数据分析 (Data Analytics) 来从中找出规律，从而更准确地预测销量或成本。

大数据的 4 个“V”

要记住大数据的特征，只需记住这 4 个 V：

  • Volume (数据量)： 指数据的规模极大（以 TB 或 PB 计算！）。
  • Velocity (速度)： 新数据生成的速率（想想社交媒体贴文或信用卡交易记录）。
  • Variety (多样性)： 数据种类繁多（影片、文字、数字、GPS 定位等）。
  • Veracity (真实性)： 数据的“真确度”或可靠程度。

这对预算编制有何帮助？

企业不再只是死板地看去年的销量，而是可以利用大数据来分析天气模式、社交媒体趋势及竞争对手的价格，从而预测下个月的销量。这让预算编制变得更具前瞻性 (Proactive)，而非仅仅是反应式 (Reactive) 的处理。

温馨提示： 大数据有助于降低不确定性，但储存和分析的成本可能相当高昂。

2. 时间序列分析

时间序列 (Time Series) 其实就是指一段时间内记录的一组数字（例如过去三年的每月销量）。我们透过分析这些数据来找出规律。

四个组成部分

  1. 趋势 (Trend, T)： 长期的总体走向（是大致向上、向下，还是保持平稳？）。
  2. 季节性变动 (Seasonal Variations, S)： 一年内规律出现的波动（例如夏天防晒乳液销量会增加）。
  3. 循环变动 (Cyclical Variations, C)： 长期的经济周期波动（例如每 10 年出现一次经济衰退）。注意：这在 PM 考试中很少考到。
  4. 随机变动 (Random Variations, R)： 不可预测的“一次性”事件（例如突然发生的暴风雪导致商店关门一天）。

移动平均法 (Moving Averages)

为了找出趋势 (Trend)，我们需要“平滑”掉季节性的高低起伏，这时就要用到移动平均法。

例子： 如果你手上有季度数据，你可以计算 4 个季度的平均值，然后向下一行移动再计算接下来的 4 个季度，如此类推。这样就能“抵销”季节性的高峰和低谷。

找出季节性变动

一旦你有了趋势 (T)，就可以将其与实际数据 (A) 进行比较：

  • 加法模型 (Additive Model)： \( Actual = T + S + R \)。所以，\( S = Actual - T \)。
  • 乘法模型 (Multiplicative Model)： \( Actual = T \times S \times R \)。所以，\( S = Actual / T \)。

常见错误： 同学们常会忘记，在加法模型中，一个完整周期的季节性变动总和必须为 0；而在乘法模型中，其平均值必须为 1.0 (或 100%)。如果算出来不符合，你必须进行调整！

3. 线性回归 (Linear Regression)

线性回归是一种以数学方式找出两个变量（通常是产量和成本）之间“最佳拟合线”的方法。它使用直线公式：

\( y = a + bx \)

字母代表什么？

  • \( y \)： 总成本（应变量，即随之改变的变量）。
  • \( a \)： 固定成本（“截距”，即直线与纵轴相交的地方）。
  • \( b \)： 单位变动成本（“斜率”，即斜度）。
  • \( x \)： 活动水平（产品数量）。

考试步骤建议：
1. 使用试卷提供的 \( a \) 和 \( b \) 计算公式（通常会在考卷的公式表内）。
2. 先计算 \( b \)。
3. 利用 \( b \) 的值来计算 \( a \)。
4. 将未来的 \( x \)（活动水平）代入公式，即可预测总成本 \( y \)。

相关系数 (r)

这告诉我们 \( x \) 和 \( y \) 之间的关系有多“强”。

  • +1： 完全正相关（两者同步变动）。
  • -1： 完全负相关（一个上升，另一个则下降）。
  • 0： 完全无相关。

判定系数 (\( r^2 \))

这只是 \( r \) 的平方。它告诉我们 \( y \) 的变动中有百分之多少是由 \( x \) 的变动所解释的。
例子： 如果 \( r^2 = 0.80 \)，即代表 80% 的总成本受产量驱动。其余 20% 则是由其他因素（如通胀或运气）引起。

4. 学习曲线 (Learning Curves)

你知道吗？ 你第一次做某件事时会花很长时间，第二次做时就会快一点。这就是学习曲线效应。在商业中，当累计产量加倍时，单位累计平均时间会按固定比例下降。

公式

\( Y = ax^b \)

  • \( Y \)： 单位累计平均时间（或平均成本）。
  • \( a \)： 生产第 1 个单位所需的时间（或成本）。
  • \( x \)： 累计产量。
  • \( b \)： 学习指数（计算公式为 \( \frac{\log(\text{learning rate})}{\log(2)} \)）。

学习效应何时停止？

学习不会永远持续！当出现以下情况时，学习效应就会停止：
1. 生产过程变为机器主导 (machine-paced)。
2. 劳动力达到稳定状态 (steady state)（速度无法再提升）。
3. 员工流失率过高（新员工必须从头开始学习过程）。

重点总结： 学习曲线适用于劳力密集、复杂且新的工作，并不适用于简单或自动化的任务。

5. 预期值 (Expected Values, EV)

当未来充满不确定性时，我们可以使用预期值 (EV) 来找出所有可能结果的加权平均数。

公式： \( EV = \sum px \)
（意思是：将每个可能的结果与其发生的概率相乘，然后将它们全部加起来。）

例子：

如果有 60% 的概率赚取 $10,000，有 40% 的概率赚取 $5,000：
\( EV = (0.60 \times 10,000) + (0.40 \times 5,000) = 6,000 + 2,000 = \$8,000 \)

\n\n

重要限制：

\n
    \n
  • 预期值是一个长期平均数。它可能是一个实际上从未出现过的数值（在上述例子中，你永远不可能刚好赚到 $8,000）。
  • 它忽略了风险。它没有告诉你结果有多“分散”。
  • 它只对重复性的决策有用。

温馨提示： 预期值适用于“风险中性”的决策者。如果是“风险偏好者”或“风险规避者”，你可能需要采用其他方法（如 Maximin 或 Maximax）。

总结：宏观视野

要在 ACCA PM 考试中驾驭这一章：

  • 利用大数据来理解现代预测的背景。
  • 利用时间序列来处理季节性变动。
  • 利用线性回归来拆解固定和变动成本。
  • 利用学习曲线来计算新的、劳力密集的任务成本。
  • 利用预期值来应对不确定性。

别被那些公式吓倒！只要从练习册里做 2 到 3 道题目，你就会发现它们每次都遵循相同的规律。你一定可以做到的！