歡迎來到預算編製的分析技術！

你好！編製預算可不是隨便寫幾個數字那麼簡單。在績效管理 (Performance Management, PM) 考試中，你需要懂得如何利用歷史數據來預測未來。就把這一章想像成你的「水晶球」工具包吧。我們會探討如何運用數學和數據，讓你的預算變得更準確、更可靠。別擔心，即使你不是數學天才也沒關係——我們會把每個步驟拆解得清清楚楚！

1. 大數據與數據分析

在現代商業世界中，我們擁有的資訊量比以往任何時候都要多。這就是所謂的大數據 (Big Data)。在預算編製方面，我們運用數據分析 (Data Analytics) 來從中找出規律，從而更準確地預測銷量或成本。

大數據的 4 個「V」

要記住大數據的特徵，只需記住這 4 個 V：

  • Volume (數據量)： 指數據的規模極大（以 TB 或 PB 計算！）。
  • Velocity (速度)： 新數據生成的速率（想想社交媒體貼文或信用卡交易紀錄）。
  • Variety (多樣性)： 數據種類繁多（影片、文字、數字、GPS 定位等）。
  • Veracity (真實性)： 數據的「真確度」或可靠程度。

這對預算編製有何幫助？

企業不再只是死板地看去年的銷量，而是可以利用大數據來分析天氣模式、社交媒體趨勢及競爭對手的價格，從而預測下個月的銷量。這讓預算編製變得更具前瞻性 (Proactive)，而非僅僅是反應式 (Reactive) 的處理。

溫馨提示： 大數據有助於降低不確定性，但儲存和分析的成本可能相當高昂。

2. 時間序列分析

時間序列 (Time Series) 其實就是指一段時間內紀錄的一組數字（例如過去三年的每月銷量）。我們透過分析這些數據來找出規律。

四個組成部分

  1. 趨勢 (Trend, T)： 長期的總體走向（是大致向上、向下，還是保持平穩？）。
  2. 季節性變動 (Seasonal Variations, S)： 一年內規律出現的波動（例如夏天防曬乳液銷量會增加）。
  3. 循環變動 (Cyclical Variations, C)： 長期的經濟週期波動（例如每 10 年出現一次經濟衰退）。注意：這在 PM 考試中很少考到。
  4. 隨機變動 (Random Variations, R)： 不可預測的「一次性」事件（例如突然發生的暴風雪導致商店關門一天）。

移動平均法 (Moving Averages)

為了找出趨勢 (Trend)，我們需要「平滑」掉季節性的高低起伏，這時就要用到移動平均法。

例子： 如果你手上有季度數據，你可以計算 4 個季度的平均值，然後向下一行移動再計算接下來的 4 個季度，如此類推。這樣就能「抵銷」季節性的高峰和低谷。

找出季節性變動

一旦你有了趨勢 (T)，就可以將其與實際數據 (A) 進行比較：

  • 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，\( S = Actual / T \)。

常見錯誤： 同學們常會忘記，在加法模型中，一個完整週期的季節性變動總和必須為 0；而在乘法模型中，其平均值必須為 1.0 (或 100%)。如果算出來不符合，你必須進行調整！

3. 線性回歸 (Linear Regression)

線性回歸是一種以數學方式找出兩個變量（通常是產量和成本）之間「最佳擬合線」的方法。它使用直線公式：

\( y = a + bx \)

字母代表什麼？

  • \( y \)： 總成本（應變量，即隨之改變的變量）。
  • \( a \)： 固定成本（「截距」，即直線與縱軸相交的地方）。
  • \( b \)： 單位變動成本（「斜率」，即斜度）。
  • \( x \)： 活動水準（產品數量）。

考試步驟建議：
1. 使用試卷提供的 \( a \) 和 \( b \) 計算公式（通常會在考卷的公式表內）。
2. 先計算 \( b \)。
3. 利用 \( b \) 的值來計算 \( a \)。
4. 將未來的 \( x \)（活動水準）代入公式，即可預測總成本 \( y \)。

相關係數 (r)

這告訴我們 \( x \) 和 \( y \) 之間的關係有多「強」。

  • +1： 完全正相關（兩者同步變動）。
  • -1： 完全負相關（一個上升，另一個則下降）。
  • 0： 完全無相關。

判定係數 (\( r^2 \))

這只是 \( r \) 的平方。它告訴我們 \( y \) 的變動中有百分之多少是由 \( x \) 的變動所解釋的。
例子： 如果 \( r^2 = 0.80 \)，即代表 80% 的總成本受產量驅動。其餘 20% 則是由其他因素（如通脹或運氣）引起。

4. 學習曲線 (Learning Curves)

你知道嗎？ 你第一次做某件事時會花很長時間，第二次做時就會快一點。這就是學習曲線效應。在商業中，當累計產量加倍時，單位累計平均時間會按固定比例下降。

公式

\( Y = ax^b \)

  • \( Y \)： 單位累計平均時間（或平均成本）。
  • \( a \)： 生產第 1 個單位所需的時間（或成本）。
  • \( x \)： 累計產量。
  • \( b \)： 學習指數（計算公式為 \( \frac{\log(\text{learning rate})}{\log(2)} \)）。

學習效應何時停止？

學習不會永遠持續！當出現以下情況時，學習效應就會停止：
1. 生產過程變為機器主導 (machine-paced)。
2. 勞動力達到穩定狀態 (steady state)（速度無法再提升）。
3. 員工流失率過高（新員工必須從頭開始學習過程）。

重點總結： 學習曲線適用於勞力密集、複雜且新的工作，並不適用於簡單或自動化的任務。

5. 預期值 (Expected Values, EV)

當未來充滿不確定性時，我們可以使用預期值 (EV) 來找出所有可能結果的加權平均數。

公式： \( EV = \sum px \)
（意思是：將每個可能的結果與其發生的機率相乘，然後將它們全部加起來。）

例子：

如果有 60% 的機率賺取 $10,000，有 40% 的機率賺取 $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
  • 預期值是一個長期平均數。它可能是一個實際上從未出現過的數值（在上述例子中，你永遠不可能剛好賺到 $8,000）。
  • 它忽略了風險。它沒有告訴你結果有多「分散」。
  • 它只對重複性的決策有用。

溫馨提示： 預期值適用於「風險中性」的決策者。如果是「風險偏好者」或「風險規避者」，你可能需要採用其他方法（如 Maximin 或 Maximax）。

總結：宏觀視野

要在 ACCA PM 考試中駕馭這一章：

  • 利用大數據來理解現代預測的背景。
  • 利用時間序列來處理季節性變動。
  • 利用線性回歸來拆解固定和變動成本。
  • 利用學習曲線來計算新的、勞力密集的任務成本。
  • 利用預期值來應對不確定性。

別被那些公式嚇倒！只要從練習冊裡做 2 到 3 道題目，你就會發現它們每次都遵循相同的規律。你一定可以做到的！