बिक्री पूर्वानुमान की तकनीक | उत्पादन योजना

बिक्री पूर्वानुमान तकनीक को निम्नानुसार वर्गीकृत किया जा सकता है: - 1. ऐतिहासिक अनुमान 2. बिक्री बल का अनुमान 3. प्रवृत्ति रेखा (या समय श्रृंखला विश्लेषण) तकनीक 4. बाजार सर्वेक्षण 5. डेल्फी विधि 6. निर्णय तकनीक 7. पूर्व ज्ञान 8. पूर्वानुमान द्वारा विगत औसत 9. पिछली अवधि की बिक्री से पूर्वानुमान 10. चलती औसत और कुछ अन्य लोगों द्वारा पूर्वानुमान।

तकनीक # 1. ऐतिहासिक अनुमान:

बिक्री पूर्वानुमान की यह तकनीक इस धारणा का उपयोग करती है कि अतीत में जो हुआ वह भविष्य में होगा। उदाहरण के लिए यदि पिछले वर्ष सर्दियों में 5000 कंबल बेचे गए हैं, तो इस वर्ष भी सर्दियों में उतनी ही मात्रा में बिक्री हो सकेगी। ऐतिहासिक अनुमान उपयोगी है अगर गतिविधि मौसमी के पैटर्न से प्रभावित होती है।

यह मॉडल, आकार और रंग वितरण के निर्धारण के लिए उपयोगी है। यह तभी सफल होता है जब घटनाओं का पैटर्न अपरिवर्तित रहता है, अर्थात, यदि अर्थव्यवस्था स्थिर है। यह कम समय के लिए शायद ही कभी सच है। ऐतिहासिक अनुमान वैज्ञानिक रूप से मान्य नहीं है और इस प्रकार यह एक सटीक तरीका नहीं है; इस पद्धति द्वारा प्रदान किए गए कुल बिक्री पूर्वानुमान को अन्य तकनीकों द्वारा संशोधित किया जाना चाहिए।

तकनीक # 2. बिक्री बल का अनुमान:

यह तकनीक सिद्धांत पर आधारित है कि बाजार के संपर्क में रहने वाले व्यक्ति भविष्य के बाजार के रुझान के बारे में सबसे अच्छी तरह जानते हैं। अलग-अलग सेल्समैन अपने प्रदेशों का बिक्री अनुमान लगाते हैं और इसे जिला बिक्री प्रबंधक के साथ जमा करते हैं जो इसका विश्लेषण करता है, इसे संशोधित करता है और कारखाने से संबंधित अन्य कार्यकारी अधिकारियों के परामर्श से कारखाना बिक्री प्रबंधक को भेजता है जो बिक्री का अंतिम अनुमान तैयार करता है। यह तकनीक तब उपयोगी होती है जब कोई उद्योग सीमित संख्या में उत्पाद बना रहा हो (जैसे, वाणिज्यिक बिजली पैदा करने वाले उपकरण) और कुछ बड़े ग्राहक होते हैं।

तकनीक # 3. ट्रेंड लाइन तकनीक:

बिक्री पूर्वानुमान की ट्रेंड लाइन तकनीक तब नियोजित होती है जब ऐतिहासिक डेटा की सराहनीय मात्रा होती है। यह तकनीक उपरोक्त ऐतिहासिक अनुमान (ए) से अधिक विश्वसनीय है। इस तकनीक में एक्टिविटी इंडिकेटर, उदाहरण के लिए, डायग्राम (चित्र। 7.3) को एक्टिविटी इंडिकेटर, उदाहरण के लिए, एक्स-एक्सिस पर y- अक्ष और टाइम पर सामग्री के टन (पिछली बिक्री कहें) के बीच प्लॉटिंग शामिल है।

भविष्य के लिए बिक्री का अनुमान दिखाने के लिए एकल सर्वश्रेष्ठ फिटिंग लाइन (सांख्यिकीय तकनीक का उपयोग करके) तैयार की जाती है। यह तकनीक अधिक सटीक है क्योंकि यह बड़े डेटा का उपयोग करती है और वैज्ञानिक वैधता रखती है। हालांकि, यह समय लेने वाली है, इसमें लंबी गणितीय गणना शामिल है और अपेक्षाकृत छोटे ग्राहकों की एक अनंत आबादी को मानती है ताकि व्यक्तिगत ग्राहक के निर्णय का कुल उत्पाद मांग पर सराहनीय प्रभाव न हो।

तकनीक # 4। मार्केट सर्वे, यानी मार्केट रिसर्च टेक्नीक:

बिक्री पूर्वानुमान की यह तकनीक तब आवेदन पाती है जब कोई चिंता बाजार में एक नए उत्पाद को पेश करती है और इसकी बिक्री के पूर्वानुमान का अनुमान लगाने में रुचि रखती है। एक नए उत्पाद के लिए, स्वाभाविक रूप से, बिक्री के संबंध में कोई ऐतिहासिक या पिछला डेटा उपलब्ध नहीं होगा। यह तकनीक बहुत अनौपचारिक हो सकती है, बाजार की सीमा को स्थापित करने के लिए संभावित ग्राहकों को महसूस करने के लिए बिक्री बल का उपयोग कर सकती है या विशेष गणितीय साधनों का उपयोग करके व्यवस्थित रूप से आयोजित सर्वेक्षण हो सकता है। आम तौर पर, नए उत्पाद को अपेक्षाकृत छोटे महत्वपूर्ण परीक्षण क्षेत्र में पेश किया जाता है, बाजार की प्रतिक्रिया नोट की जाती है और कुल बिक्री (देश-व्यापी) इन परिणामों से अनुमानित होती है।

तकनीक # 5. डेल्फी विधि:

विशेषज्ञों का एक पैनल प्रश्नावली के एक क्रम से पूछताछ करता है जिसमें एक प्रश्नावली की प्रतिक्रिया का उपयोग अगले प्रश्नावली का उत्पादन करने के लिए किया जाता है। कुछ विशेषज्ञों के पास उपलब्ध जानकारी का कोई सेट और अन्य नहीं, इस प्रकार दूसरों को दिया जाता है, जिससे सभी विशेषज्ञों को पूर्वानुमान लगाने के लिए सभी जानकारी तक पहुंच प्राप्त करने में सक्षम बनाता है।

विधि एक विश्वसनीय सर्वसम्मति पर पहुंचने के लिए विशेषज्ञों से राय मांगती है और उनसे टकराती है। यह तकनीक बहुसंख्यक राय के बैंडवागन प्रभाव को समाप्त करती है। डेल्फी विधि में छोटे और दीर्घकालिक पूर्वानुमान के लिए बहुत अच्छी सटीकता है। यह विधि लंबी दूरी और नए उत्पाद की बिक्री के पूर्वानुमान के लिए लागू है।

तकनीक # 6। निर्णय तकनीक:

वे शामिल हैं:

1. उपभोक्ताओं और ग्राहकों की राय:

उत्पाद खरीदने से संबंधित प्रश्नावली उपभोक्ताओं के एक चयनित समूह और उन ग्राहकों को भेजी जा सकती है जिन्होंने पहले ही उत्पाद खरीदा है। इस प्रकार प्राप्त जानकारी भविष्य में उत्पाद प्रदर्शन और इसकी संभावित मांग का अनुमान लगाने में बहुत उपयोगी हो सकती है।

2. खुदरा और थोक व्यापारी वर्तमान और भविष्य की बिक्री की गति में कुछ अंतर्दृष्टि प्रदान कर सकते हैं।

3. क्षेत्र के बिक्री प्रबंधकों की राय भी काफी उपयोगी हो सकती है।

तकनीक # 7. पूर्व ज्ञान:

इसका उपयोग सहायक इकाइयों द्वारा किया जाता है जो कमोबेश बड़े संगठन का हिस्सा हैं। बड़े संगठन प्रत्येक सहायक इकाई को सूचित करते हैं कि कितने घटक भागों को बनाना है। केवल सामग्री और उपकरण की आवश्यकताओं, आदि को स्थापित करने के लिए पूर्वानुमान अनुमान की आवश्यकता होती है।

तकनीक # 8. पिछले औसत से पूर्वानुमान:

यदि हमारा उद्देश्य अगले बिक्री अवधि के लिए किसी वस्तु की बिक्री का पूर्वानुमान या पूर्वानुमान है, तो इस पद्धति का उपयोग करते हुए,

अगली अवधि के लिए पूर्वानुमानित बिक्री = पिछली अवधि के लिए औसत बिक्री।

उदाहरण:

तकनीक # 9. पिछली अवधि की बिक्री से पूर्वानुमान:

विधि पिछले (पुराने) डेटा के प्रभाव को समाप्त करती है और केवल पिछली अवधि की बिक्री पर पूर्वानुमान को आधार बनाती है।

इस तकनीक का उपयोग करते हुए, पूर्वानुमान नीचे दी गई तालिका की तरह दिखाई देंगे:

तकनीक # 10. चलती औसत से पूर्वानुमान:

यह विधि ऊपर बताए गए दोनों तरीकों के बीच एक समझौते का प्रतिनिधित्व करती है, जिसमें पूर्वानुमान न तो बहुत पुराने डेटा से प्रभावित होता है और न ही यह केवल पिछली अवधि के आंकड़े को दर्शाता है। नीचे दी गई तालिका में दिखाए गए ऐतिहासिक बिक्री आंकड़ों पर विचार करें, जिनका उपयोग अगले वर्ष के लिए बिक्री पूर्वानुमान का निर्माण करने के लिए किया जाना है। हमें इस मामले में चार-अवधि की चलती औसत का उपयोग करना चाहिए।

अंजीर। 7.4 से पता चलता है कि चलती औसत का प्रभाव बिक्री पैटर्न को सुचारू करना है और इसलिए यह रुझान स्थापित करने में अधिक मूल्य है। सरल मूविंग एवरेज का उपयोग पूर्वानुमान लगाने का पर्याप्त तरीका है, बशर्ते बिक्री न तो मौसमी भिन्नता और न ही चिह्नित धर्मनिरपेक्ष रुझानों के अधीन हो। एक धर्मनिरपेक्ष प्रवृत्ति वह है जो बिक्री में लगातार वृद्धि या कमी का कारण बनती है।

तकनीक # 11. पूर्वानुमान के लिए भारित चलती औसत विधि:

जबकि साधारण मूविंग एवरेज ने मूविंग एवरेज डेटा बेस के प्रत्येक कंपोनेंट पर समान प्रभाव दिया, एक वेटेड मूविंग एवरेज किसी भी वेट को प्रत्येक एलिमेंट पर रखने की अनुमति देता है, बशर्ते कि सभी वेट का योग एक बराबर हो। एक उदाहरण के रूप में, मान लीजिए कि चार महीने की अवधि में सबसे अच्छा पूर्वानुमान 401GB1T की वास्तविक बिक्री का उपयोग करके प्राप्त किया गया है, जो कि हाल के महीने की 40%, दो महीने पहले की 30%, तीन महीने पहले की 20% और चार महीने पहले की 10% है।

यदि वास्तविक बिक्री अनुभव निम्नानुसार था:

5 महीने का पूर्वानुमान होगा

एफ₅ = 0.40 (95) + 0.30 (105) + 0.20 (90) + 0.10 (100) = 97.5

मान लीजिए कि महीने 5 के लिए बिक्री वास्तव में 110 हो गई, तो महीने -6 के लिए पूर्वानुमान होगा:

एफ₆ = 0.40 (110) + 0.30 (95) + 0.20 (105) + 0.10 (90) = 102.5

भारित चलती औसत विधि में पिछले डेटा के प्रभावों को अलग करने में सक्षम होने में एक निश्चित लाभ है, लेकिन इसमें समय अवधि के लिए कुल इतिहास को याद रखने का नुकसान भी है।

तकनीक # 12। घातीय चौरसाई द्वारा पूर्वानुमान:

चलती औसत विधि के मुख्य नुकसान हैं:

1. लंबी गणना शामिल।

2. ऐतिहासिक डेटा की मात्रा रखने की आवश्यकता।

3. यह तथ्य कि सामान्य (या सरल) चलती औसत विधि प्रत्येक ऐतिहासिक आंकड़ों का उपयोग किए जाने वाले प्रत्येक वजन पर समान भार रखती है।

4. डेटा की आयु, जो उपयोग की गई अवधि की संख्या के साथ बढ़ती है।

इन सभी नुकसानों को घातीय चौरसाई तकनीक द्वारा दूर किया जाता है।

इस तकनीक का उपयोग करना केवल पिछले पूर्वानुमान के आंकड़े को बनाए रखने और नवीनतम वास्तविक बिक्री आंकड़े जानने के लिए आवश्यक है। यह तकनीक पुराने पूर्वानुमान को नई बिक्री के आंकड़े के प्रकाश में संशोधित करके काम करती है, अर्थात

नया पूर्वानुमान = α (नवीनतम बिक्री का आंकड़ा) + (1 -α) (पुराना पूर्वानुमान)

जहां α को चौरसाई स्थिरांक के रूप में जाना जाता है।

उदाहरण के लिए, चलो

पिछली अवधि के लिए पूर्वानुमान बिक्री = 24

अंतिम अवधि = 22 के लिए वास्तविक बिक्री

अगली अवधि के लिए पूर्वानुमान की बिक्री = α (22) + (1-α) 24

Α = 0.1 मान लेना

.^.। अगली अवधि के लिए पूर्वानुमान की बिक्री = 0.1 (22) + (0.9) 24 = 23.8

इस तकनीक का उपयोग हाल ही की वास्तविक घटनाओं का जवाब देने के लिए पूर्वानुमान की अनुमति देता है, लेकिन साथ ही साथ एक निश्चित मात्रा में स्थिरता बनाए रखता है। वह राशि जिसके द्वारा नया पूर्वानुमान नवीनतम बिक्री के आंकड़े पर प्रतिक्रिया करता है, या जिस हद तक वह पिछले पूर्वानुमान से भीग जाता है, वह निश्चित रूप से, चौरसाई स्थिर α के आकार द्वारा निर्धारित होता है। वास्तविक बिक्री की स्थिरता या परिवर्तनशीलता के मद्देनजर, का आकार सावधानी से चुना जाना चाहिए, और सामान्य रूप से 0.1 से 0.3 तक होता है।

चौरसाई स्थिर, एक, जो एक एन-अवधि के बराबर चलती औसत देता है की गणना निम्नानुसार की जा सकती है:

उदाहरण के लिए, यदि हम नौ-अवधि की चलती औसत के बराबर एक घातीय चौरसाई तकनीक को अपनाना चाहते हैं, तो निम्न प्रकार से पाया जा सकता है:

जब एक धर्मनिरपेक्ष प्रवृत्ति मौजूद होती है, तो सामान्य घातीय चौरसाई विधि द्वारा प्राप्त पूर्वानुमान बिक्री वास्तविक बिक्री से पीछे रह जाएगी, ठीक उसी तरह जैसे कि चलती औसत पूर्वानुमान।

आर्थिक पूर्वानुमान:

अर्थमितीय पूर्वानुमान में विश्लेषक बिक्री और कुछ अन्य घटनाओं के बीच कारण और प्रभाव के संबंध को उजागर करने की कोशिश करता है जो बिक्री से संबंधित हैं। उदाहरण के लिए, एक उपकरण निर्माता को पता चल सकता है कि टेलीविज़न सेट की बिक्री 1 महीने के अंतराल के साथ ग्राहकों की डिस्पोजेबल आय का जवाब देती है। अर्थात्, डिस्पोजेबल आय में बदलाव के 1 महीने बाद, टीवी सेट की बिक्री में आनुपातिक परिवर्तन होता है।

इस प्रक्रिया को अर्थमितीय पूर्वानुमान कहा जाता है। यहां, विश्लेषक उन कारकों की पहचान करने की कोशिश करता है जो किसी उत्पाद के लिए बिक्री के स्तर की सबसे अच्छी व्याख्या करते हैं। अर्थमितीय पूर्वानुमान सहसंबंध और प्रतिगमन तकनीकों का उपयोग करता है। उद्देश्य उत्पाद की बिक्री स्तर में परिवर्तन और प्रासंगिक व्याख्यात्मक चर का एक सेट के बीच एक कारण-और-प्रभाव संबंध स्थापित करना है।

तकनीक # 13. सहसंबंध विश्लेषण:

सहसंबंध विश्लेषण का उपयोग अक्सर किया जाता है यदि कोई रिश्ता बिक्री और अन्य आर्थिक और गैर-आर्थिक घटनाओं के बीच पाया जा सकता है, जैसे कि राष्ट्रीय आय, रक्षा व्यय, जनसंख्या वृद्धि और मौसम। ऐसे पूर्वानुमान आम तौर पर पूरे उद्योग के लिए बिक्री की मात्रा से संबंधित होते हैं। कंपनी की कुल मांग में कंपनी की हिस्सेदारी का अनुमान लगाकर कंपनी के पूर्वानुमान पर फोरकास्टर आता है।

सहसंबंध विश्लेषण के साथ एक कठिनाई यह है कि एक अतीत का रिश्ता भविष्य में जारी नहीं रह सकता है। सहसंबंध तकनीक सबसे विश्वसनीय होती हैं जब चर और बिक्री के बीच एक आकस्मिक संबंध स्थापित किया जा सकता है। सह-संबंध तकनीक का उपयोग कई उत्पादों, जैसे फर्नीचर, रेफ्रिजरेटर और ऑटोमोबाइल के लिए मांग कार्यों को विकसित करने के लिए किया गया है।

यह बिक्री और कुछ अन्य घटनाओं के बीच कारण और प्रभाव संबंध का उपयोग करता है जो बिक्री से संबंधित हैं। यह तकनीक तब नियोजित होती है जब कोई संगठन यह पाता है कि उसके उत्पाद की बिक्री का किसी अन्य संगठन के प्रमुख उत्पाद की बिक्री के साथ एक उल्लेखनीय संबंध है, उदाहरण के लिए, क्लच प्लेटों की बिक्री उत्पादित ट्रकों की बिक्री के साथ सहसंबद्ध है, (चित्र 7.5)।

सहसंबंध तकनीक में, एक उद्योग के लिए कुल बिक्री (जैसे, ट्रक निर्माण चिंता) पाई जाती है और फिर बाजार की स्थितियों के आधार पर, अपने स्वयं के उत्पाद (जैसे, क्लच प्लेट) के लिए बिक्री की मात्रा का अनुमान लगाया जाता है। इस तरह के पिछले डेटा, जब ग्राफ पेपर (चित्र। 7.5) को सबसे अच्छी तरह से तैयार की गई रेखा के साथ प्लॉट किया जाता है, भविष्य के लिए बिक्री के अनुमान का अनुमान लगा सकता है।

सहसंबंध डेटा के स्रोत:

(मैं) आर्थिक डेटा:

1. वर्तमान व्यवसाय का सर्वेक्षण।

2. मासिक श्रम समीक्षा।

3. व्यावसायिक पत्रिकाएँ।

(Ii) उद्योग डेटा:

1. व्यापार पत्रिकाओं।

2. निर्माताओं का वार्षिक सर्वेक्षण।

3. औद्योगिक व्यापार संघ।

एक सहसंबंध गुणांक उस सीमा तक का एक उपाय है जिसमें दो चर (जैसे बेचे गए ट्रकों की संख्या और बेचे गए क्लच प्लेट) जुड़े होते हैं। दूसरे शब्दों में, एक सहसंबंध गुणांक इस बात का संकेत है कि एक चर के मूल्य का ज्ञान दूसरे के मूल्य की भविष्यवाणी के लिए उपयोगी है। यह विभिन्न प्रकार के पूर्वानुमानों या आर्थिक संकेतकों के रूप में ज्ञात पूर्वानुमान की एक विधि का आधार है।

शायद सबसे उपयोगी गुणांक पियर्सन उत्पाद पल सहसंबंध गुणांक है, जिसकी गणना निम्नानुसार की जाती है:

गुणांक, आर, दो चर x और y के लिए

जहाँ x सभी व्यक्तिगत x मानों का माध्य मान है, और

y सभी व्यक्तिगत y मानों का औसत मूल्य है।

सूत्र रैखिक सहसंबंध को मापता है, अर्थात

उदाहरण 1:

एक महंगी वस्तु की मासिक बिक्री की तुलना, पिछले महीने के दौरान सेल्समैन द्वारा की गई कुल यात्राओं के मुकाबले, निम्नलिखित डेटा प्राप्त करता है। क्या बिक्री के दौरों की संख्या को सक्षम करने के लिए दो चर का सहसंबंध अच्छा है, भविष्य की बिक्री के कुशल संकेतक के रूप में अपनाया जा सकता है?

सेल्समैन की यात्राओं की संख्या और बिक्री की संख्या के बीच सहसंबंध 0.96 है, जो अल्पकालिक बिक्री पूर्वानुमान की एक विधि के रूप में इसके संभावित उपयोग को उचित ठहराने के लिए पर्याप्त है,

तकनीक # 14. रैखिक प्रतिगमन विश्लेषण:

हालांकि कम्प्यूटेशनल रूप से अधिक कठिन है, यह विधि एक बहुत ही उपयोगी पूर्वानुमान तकनीक है यदि पिछले डेटा एक सीधी रेखा के बारे में आते हैं। हालांकि, इस बात का एक अनुमान है कि डेटा कितना अच्छा बैठता है, प्रक्रिया के भाग के रूप में गणना की जाती है। मांग का पूर्वानुमान आर्थिक और प्रतिस्पर्धी कारकों से संबंधित है जो कम से कम वर्गों के प्रतिगमन समीकरण के माध्यम से मांग को नियंत्रित या उत्पन्न करते हैं।

मौजूदा उत्पादों और सेवाओं की लघु और मध्यम श्रेणी के पूर्वानुमान के लिए यह विधि उपयोगी है। प्रतिगमन विधियों के आधार पर पूर्वानुमान एक पूर्वानुमान फ़ंक्शन स्थापित करता है जिसे प्रतिगमन समीकरण कहा जाता है। प्रतिगमन समीकरण श्रृंखला को पूर्वानुमान के रूप में व्यक्त करता है, जैसे रुपये की बिक्री या बेची गई अन्य श्रृंखला के संदर्भ में, जो संभवतः बिक्री को नियंत्रित करते हैं या उनके बढ़ने या घटने का कारण बनते हैं।

अन्य श्रृंखला का एक उदाहरण व्यक्तिगत आय का उपयोग हो सकता है। यदि डिस्पोजेबल आय ऊपर है, तो बिक्री बढ़ेगी, और यदि आम तौर पर लोगों के पास खर्च करने के लिए कम पैसा है, तो बिक्री कम हो जाएगी। अनुभवजन्य संबंध प्रतिगमन समीकरण के माध्यम से स्थापित किया जाता है। यह पहले देखा गया है कि दो चर x और y के बीच एक रैखिक संबंध सहसंबंध गुणांक के उच्च मूल्य द्वारा इंगित किया गया है।

हालांकि, यह गुणांक सच्चे संबंध को इंगित नहीं करता है, इसलिए हम y या इसके विपरीत दिए गए मान के लिए x के मान का अनुमान लगाने में असमर्थ हैं। ऐसा करने के लिए, एक प्रतिगमन समीकरण की गणना की जानी चाहिए (छवि 7.7)।

X पर Y के लिए प्रतिगमन रेखा Y के मूल्यों की गणना के लिए सबसे अच्छी रेखा है, और अनुमान की त्रुटियों के वर्गों के योग को न्यूनतम करके प्राप्त किया जाता है, अर्थात वे अंजीर में मान। 7.7 (Y) X पर Y के लिए प्रतिगमन रेखा है। एक्स के मूल्यों की गणना के लिए सबसे अच्छी लाइन है, और अनुमान की त्रुटियों के वर्गों के योग को न्यूनतम करके प्राप्त किया जाता है, अर्थात् अंजीर में एक्स मान। 7.7 (बी)

Y और X के प्रतिगमन लाइन के लिए सामान्य समीकरण निम्न द्वारा दिया गया है:

जहां ए और बी दो स्थिर हैं।

इन दोनों स्थिरांक के मान निम्न सूत्र द्वारा प्राप्त किए जाते हैं:

इसी तरह Y पर X के रैखिक प्रतिगमन के लिए सामान्य समीकरण है:

उदाहरण 2:

नीचे दी गई तालिका में डेटा को देखते हुए, विकास की भविष्यवाणी करने के लिए प्रतिगमन लाइन ढूंढें और 50 के वजन मूल्य के लिए वृद्धि की गणना करें।

विकास को परिवर्तनशील होने दें

वजन को चर X होने दें

.^.। वाई = ए + बीएक्स

प्रतिगमन रेखा X पर Y के मूल्य का केवल एक अनुमान प्रदान करती है। अनुमान की अनिश्चितता या सटीकता का मूल्यांकन X, Y पर Y के अनुमान की मानक त्रुटि की गणना करके किया जा सकता है।_YX)

जहां y = वास्तविक मूल्य

y₁ = प्रतिगमन समीकरण से गणना मूल्य।

Y पर X के अनुमान की मानक त्रुटि इसी तरह दी गई है:

एस_YX या एस_YX दो चर के बीच संबंध की निकटता का एक माप प्रदान करता है। छोटा आंकड़ा, करीब प्रतिगमन लाइन के लिए मान हैं और इसलिए अधिक सटीक पूर्वानुमान उद्देश्यों के लिए प्रतिगमन समीकरण है।