歡迎來到預測的世界！

你好！歡迎來到你 P1 學習旅程中最實用的章節之一。你是否曾經好奇，企業是如何決定聖誕節該採購多少庫存，或是夏季大減價期間需要聘請多少員工的嗎？他們並非靠猜測，而是利用預測 (Forecasting)。

在本章中，我們將進入 CIMA 課程中「預算與預算控制 (Budgeting and Budgetary Control)」的部分。在我們制定預算（計劃）之前，必須先進行預測（預測未來）。試著這樣想：預測就像是一份氣象報告，告訴你可能會下雨；而預算則是你決定攜帶雨傘並穿上外套的行動。讓我們開始吧！

1. 到底什麼是預測？

預測是根據過去和現在的數據來推測未來事件的過程。在管理會計中，我們通常會預測銷售量、材料價格或人工時數等項目。

如果剛開始覺得有點複雜，不用擔心！大多數的預測其實只是在尋找規律。如果你知道自己在一月賣出的咖啡總是比七月多，其實你已經開始在進行預測了。

2. 時間序列分析 (Time Series Analysis)

時間序列只是一組在特定時間間隔內收集的數據點（例如，過去三年的每月銷售額）。當我們觀察時間序列時，我們是在尋找構成數據的四個主要「成分」：

A. 趨勢 (Trend)

趨勢是數據的長期走勢。它整體上是上升、下降還是保持平穩？例如：一家科技公司的智能手機銷售額在五年內可能呈現穩定的上升趨勢。

B. 季節性變動 (Seasonal Variations, SV)

這些是定期重複發生的短期波動。儘管有整體趨勢，但在一年內仍會出現高峰和低谷。
例如：一家玩具店在每年十二月（聖誕節）都有巨大的高峰，而在二月則會出現下滑。

C. 循環變動 (Cyclical Variations)

這是由經濟環境（如經濟衰退或繁榮）引起的長期「波浪」。與一年內發生的季節性變動不同，這些變動通常持續數年。

D. 隨機變動 (Random/Residual Variations)

這些是無法預測的「一次性」事件。
例如：突然的暴風雪導致你所有的門市被迫關閉兩天。

快速回顧：
• 趨勢：長期的發展方向。
• 季節性：規律的短期模式（每日、每週或每月）。
• 隨機：不可預測的「雜訊」。

3. 找出趨勢：移動平均法 (Moving Averages)

有時原始數據在圖表上看起來非常「跳躍」。為了觀察潛在的趨勢，我們使用移動平均法來「平滑化」季節性的跳動。

運作流程：
1. 選定一組期間（例如 4 個季度）。
2. 計算其平均值。
3. 向後移動一個期間，並計算下一組的平均值。
4. 如果期間的數量為偶數（例如 4 個季度），你需要進行「二次中心化 (second centering)」，以確保平均值能精確地對應到特定的時間點。

重點提示：移動平均法能幫助我們剔除季節性起伏的「雜訊」，讓我們看清企業從長遠來看是真的在成長還是萎縮。

4. 處理季節性變動

一旦我們掌握了趨勢，我們就會想知道「季節」對數值具體影響了多少。你需要掌握兩種模型：

加法模型 (Additive Model)

我們假設季節性變動是一個固定的數值。
公式：\(Actual = Trend + Seasonal Variation\)
如果十二月的趨勢是 1,000 個單位，而季節性變動是 +200，則預測值為 1,200。如果一月的變動是 -100，則預測值為 900。

乘法模型 (Multiplicative Model)

我們假設季節性變動是趨勢的一個百分比。這通常更符合現實，因為隨著企業成長，其季節性高峰通常也會隨之變大。
公式：\(Actual = Trend \times Seasonal Variation Factor\)
如果趨勢是 1,000，且係數是 1.2（即 120%），預測值為 1,200。如果稍後趨勢成長到 2,000，使用相同的係數，預測值將為 2,400。

重要提示：在考試中，如果季節性變動隨著趨勢增加而變得越來越大，這很可能是乘法模型。

5. 線性迴歸 (Linear Regression / Least Squares Method)

迴歸分析是一種找出「最佳擬合線 (Line of Best Fit)」的數學方法。我們使用直線方程：

\(y = a + bx\)

其中：
• \(y\) = 我們試圖預測的總數值（例如：總成本）。
• \(a\) = 直線與 y 軸的截距（固定成本）。
• \(b\) = 直線的斜率（單位變動成本）。
• \(x\) = 自變數（例如：生產的單位數量）。

你知道嗎？在 P1 考試中，你通常不需要從零開始利用長公式計算 \(a\) 和 \(b\)（儘管公式表中會提供）。你更有可能被要求解釋結果，或是利用已知的 \(a\) 和 \(b\) 數值來預測未來的 \(y\)。

常見誤區：

千萬不要過度外推 (Extrapolate)！外推是指預測範圍遠遠超出你數據的界限。如果你現有的數據範圍是 10 到 100 個單位，用迴歸模型去預測 1,000,000 個單位的成本是非常危險的，因為企業的「規則」可能會在該規模下發生改變！

6. 相關性 (Correlation)：你的預測有多可靠？

畫出一條線並不代表它是一條好的擬合線。我們使用兩個指標來評估 \(x\) 與 \(y\) 之間的關係強度：

相關係數 (Correlation Coefficient, \(r\))

這衡量了關係的強度與方向。
• \(r = +1\)：完全正相關（兩者完全同步變動）。
• \(r = -1\)：完全負相關（一個上升，另一個下降）。
• \(r = 0\)：完全沒有相關性（數據只是隨機散點）。

判定係數 (Coefficient of Determination, \(r^2\))

這是我最喜歡的指標，因為它非常容易解釋。將 \(r\) 平方後得到 \(r^2\)，它告訴我們 \(y\) 的變動中有多少百分比是由 \(x\) 的變動所引起的。

例如：如果 \(r = 0.9\)，則 \(r^2 = 0.81\)（即 81%）。這意味著 81% 的成本變動可以用生產的單位數量來解釋，其餘的 19% 則是由其他因素引起的。

快速回顧：
• 高 \(r^2\) = 預測非常可靠。
• 低 \(r^2\) = 不太可靠；對預測結果需持保留態度！

7. 關鍵術語總結

預測 (Forecasting)：利用歷史數據推測未來。
趨勢 (Trend)：潛在的長期發展路徑。
季節性變動 (Seasonal Variation)：短期的、規律重複的模式。
迴歸 (Regression)：找出 \(y = a + bx\) 關係的數學工具。
相關性 (Correlation, \(r\))：兩者之間關係的「緊密」程度。
\(r^2\)：模型對變動的解釋力有多大。

最後的鼓勵

預測聽起來可能充滿數學計算，但在 P1 考試中，核心往往在於理解概念。記住：趨勢是大局，季節性變動是圍繞趨勢的「擺動」，而迴歸只是一種能畫出一條穿過所有點的直線的華麗工具。你一定做得到的！