Методи прогнозу збуту

Найпростішим способом прогнозування ринкової ситуації є екстраполяція, тобто поширення тенденцій, що склалися в минулому, на майбутнє. Сформовані об'єктивні тенденції зміни економічних показників певною мірою визначають їхню величину в майбутньому. До того ж багато ринкових процесів володіють деякої інерційністю. Особливо це проявляється в короткостроковому прогнозуванні. У той же час прогноз на віддалений період повинен максимально брати до уваги ймовірність зміни умов, у яких буде функціонувати ринок.

Методи прогнозування обсягу продажів можна розділити на три основні групи:

- методи експертних оцінок;

- методи аналізу й прогнозування тимчасових рядів;

- казуальні (причинно-наслідкові) методи.

Методи експертних оцінок ґрунтуються на суб'єктивній оцінці поточного моменту і перспектив розвитку. Ці методи доцільно використовувати для кон'юнктурних оцінок, особливо у випадках, коли неможливо одержати безпосередню інформацію про яке-небудь явище або процес.

Методи аналізу й прогнозування динамічних рядів пов'язані з дослідженням ізольованих один від одного показників, кожний з яких складається із двох елементів: із прогнозу детермінованого компонента й прогнозу випадкового компонента. Розробка першого прогнозу не представляє більших труднощів, якщо визначено основну тенденцію розвитку й можлива її подальша екстраполяція. Прогноз випадкового компонента складніше, тому що його появу можна оцінити лише з деякою ймовірністю.

В основі казуальних методів лежить спроба знайти фактори, що визначають поводження прогнозованого показника. Пошук цих факторів приводить власне до економіко-математичного моделювання - побудові моделі поводження економічного об'єкта, що враховує розвиток взаємозалежних явищ і процесів. Слід зазначити, що застосування багатофакторного прогнозування вимагає вирішення складної проблеми вибору факторів, яка не може бути вирішена чисто статистичним шляхом, а пов'язана з необхідністю глибокого вивчення економічного змісту розглянутого явища або процесу.

Кожна з розглянутих груп методів має певні переваги та недоліки. Їхнє застосування більш ефективно в короткостроковому прогнозуванні, тому що вони в певній мері спрощують реальність і не виходять за рамки подань сьогоднішнього дня. Варто забезпечувати одночасне використання кількісних і якісних методів прогнозування.

Прогнози обсягу продажів за допомогою експертів можуть бути отримані в одній із трьох форм:

1) крапкового прогнозу;

2) інтервального прогнозу;

3) прогнозу розподілу ймовірностей.

Крапковий прогноз обсягу - це прогноз конкретної цифри. Він є найбільш простим із всіх прогнозів, оскільки містить найменший обсяг інформації. Як правило, заздалегідь передбачається, що крапковий прогноз може бути помилковим, але методикою не передбачений розрахунок помилки прогнозу або ймовірності точного прогнозу. Тому на практиці частіше застосовуються два інших методи прогнозування: інтервальний та ймовірнісний.

Інтервальний прогноз обсягу продажів передбачає встановлення границь, усередині яких буде перебувати прогнозоване значення показника із заданим рівнем значимості.

Прогноз розподілу ймовірностей пов'язаний з визначенням імовірності влучення фактичного значення показника в одну з декількох груп із встановленими інтервалами.

Хоча при складанні прогнозу існує певна імовірність, що фактичний обсяг продажів не потрапить у зазначений інтервал, але прогнозисти вірять, що вона настільки мала, що може ігноруватися при плануванні.

Друга група методів прогнозування заснована на аналізі тимчасових рядів.

Аналіз тимчасових рядів може проводитися не тільки по річним або місячним даним, але також можуть використовуватися щоквартальні, тижневі або щоденні дані про обсяги продажів.

Прогнозування на основі аналізу тимчасових рядів припускає, що зміни, які відбувалися, в обсягах продажів можуть бути використані для визначення цього показника в наступні періоди часу. Тимчасові ряди звичайно служать для розрахунку чотирьох різних типів змін у показниках: трендових, сезонних, циклічних і випадкових.

Один з найбільш простих прийомів виявлення загальної тенденції розвитку явища - укрупнення інтервалу динамічного ряду. Зміст цього прийому полягає в тім, що первісний ряд динаміки перетворюється і заміняється іншим, рівні якого ставляться до більшого по тривалості періодів часу.

Виявлення основної тенденції може бути здійснене також методом ковзної середньої. Для визначення ковзної середньої формуються укрупнені інтервали, що складаються з однакового числа рівнів. Кожний наступний інтервал одержуємо, поступово пересуваючись від початкового рівня динамічного ряду на одне значення. По сформованим укрупненим даним розраховуємо ковзні середні, які ставляться до середини укрупненого інтервалу.

Вивчення основної тенденції розвитку методом ковзної середньої є емпіричним прийомом попереднього аналізу. Для того щоб дати кількісну модель змін динамічного ряду, використовується метод аналітичного вирівнювання. У цьому випадку фактичні рівні ряду заміняються теоретичними, розрахованими по певній кривій, що відбиває загальну тенденцію зміни показників у часі. Таким чином, рівні динамічного ряду розглядаються як функція часу:

(1.1)

Найчастіше використовуються наступні функції:

1) при рівномірному розвитку - лінійна функція:

(1.2)

2) при росту із прискоренням:

а) парабола другого порядку:

(1.3)

б) кубічна парабола:

(1.4)

3) при постійних темпах росту - показова функція:

(1.5)

4) при зниженні з уповільненням - гіперболічна функція:

(1.6)

Однак аналітичне вирівнювання містить у собі ряд умовностей: розвиток явищ обумовлений не тільки тим, скільки часу пройшло з відправного моменту, а й тим, які сили впливали на розвиток, у якому напрямку й з якою інтенсивністю. Розвиток явищ у часі виступає як зовнішнє вираження цих сил.

Оцінки параметрів b0, b1,..., bn обчислюються методом найменших квадратів, сутність якого складається у відшуканні таких параметрів, при яких сума квадратів відхилень розрахункових значень рівнів, обчислених по шуканій формулі, від їхніх фактичних значень була б мінімальною.

Для згладжування економічних тимчасових рядів недоцільно використати функції, що містять велику кількість параметрів, тому що отримані в такий спосіб рівняння тренда (особливо при малому числі спостережень) будуть відбивати випадкові коливання, а не основну тенденцію розвитку явища.

Сезонні коливання - повторювані рік у рік зміни показника в певні проміжки часу. Спостерігаючи їх протягом декількох років для кожного місяця (або кварталу), можна обчислити відповідні середні, або медіани, які приймаються за характеристики сезонних коливань. При аналізі сезонних коливань звичайно розраховується індекс сезонності, що використається для прогнозування досліджуваного показника.

У найпростішій формі індекс сезонності розраховується як відношення середнього рівня за відповідний місяць до загального середнього значення показника за рік (у відсотках). Всі інші відомі методи розрахунку сезонності розрізняються по способу розрахунків зваженої середньої. Найчастіше використаються або ковзна середня, або аналітична модель прояву сезонних коливань.

Іншим методом розрахунку індексів сезонності, часто використовуваним у різного роду економічних дослідженнях, є метод сезонного коректування, відомий у комп'ютерних програмах як метод перепису (Census Method ІІ). Він є свого роду модифікацією методу ковзних середніх. Спеціальна комп'ютерна програма елімінує трендову й циклічну компоненти, використовуючи цілий комплекс ковзних середніх. Крім того, із середніх сезонних індексів вилучені й випадкові коливання, оскільки під контролем перебувають крайні значення ознак.

Розрахунок індексів сезонності є першим етапом у складанні прогнозу. Звичайно цей розрахунок проводиться разом з оцінкою тренда й випадкових коливань і дозволяє коректувати прогнозні значення показників, отриманих по тренду. При цьому необхідно враховувати, що сезонні компоненти можуть бути аддітивними й мультиплікативними.

Якби на досліджуваному інтервалі часу коефіцієнти рівняння регресії, що описує тренд, залишалися б незмінними, то для побудови прогнозу досить було б використати метод найменших квадратів. Однак протягом досліджуваного періоду коефіцієнти можуть мінятися. Природно, що в таких випадках пізніші спостереження несуть більшу інформаційну цінність у порівнянні з більш ранніми спостереженнями, а отже, їм потрібно привласнити найбільшу вагу. Саме таким принципам і відповідає метод експонентного згладжування, що може бути використаний для короткострокового прогнозування обсягу продажів. Розрахунок здійснюється за допомогою экспонентно-зваженних ковзних середніх:

, (1.7)

де Z - згладжений (експонентний) обсяг продажів;

t - період часу;

a - константа згладжування;

Y - фактичний обсяг продажів.

При побудові прогнозів за допомогою методу експонентного згладжування однією з основних проблем є вибір оптимального значення параметра згладжування a. Зрозуміло, що при різних значеннях a результати прогнозу будуть різними. Якщо a близька до одиниці, то це приводить до обліку в прогнозі в основному впливів лише останніх спостережень; якщо a близька до нуля, то ваги, по яких зважуються обсяги продажів у тимчасовому ряді, убувають повільно, тобто при прогнозі враховуються всі (або майже всі) спостереження. Якщо немає достатньої впевненості у виборі початкових умов прогнозування, то можна використати ітеративний спосіб обчислення a в інтервалі від 0 до 1. Існують спеціальні комп'ютерні програми для визначення цієї константи.

Казуальні методи прогнозування обсягу продажів включають розробку й використання прогнозних моделей, у яких зміни в рівні продажів є результатом зміни однієї і більше змінних.

Казуальні методи прогнозування вимагають визначення факторних ознак, оцінки їхніх змін і встановлення залежності між ними й обсягом продажів. Із всіх казуальних методів прогнозування розглянемо тільки ті, які з найбільшим ефектом можуть бути використані для прогнозування обсягу продажів. До таких методів ставляться:

- кореляційно-регресійний аналіз;

- метод провідних індикаторів;

- метод обстеження намірів споживачів і ін.

До числа найбільш широко використовуваних казуальних методів ставиться кореляційно-регресійний аналіз.

При цьому будується регресійна модель, у якій як факторні ознаки можуть бути обрані такі змінні, як рівень доходів споживачів, ціни на продукти конкурентів, витрати на рекламу й ін. Рівняння множинної регресії має вигляд:

, (1.8)

де Y - прогнозований (результативний) показник; у даному випадку - обсяг продажів;

X1; X2;...; Xn - фактори (незалежні змінні); у даному випадку - рівень доходів споживачів, ціни на продукти конкурентів і т.д.;

n - кількість незалежних змінних;

b0 - вільний член рівняння регресії;

b1; b2;...; bn - коефіцієнти регресії, що вимірюють відхилення результативної ознаки від його середньої величини при відхиленні факторної ознаки на одиницю її виміру.

Провідні індикатори - це показники, що змінюються в тім же напрямку, що й досліджуваний показник, але випереджаючі його в часі. Наприклад, зміна рівня життя населення спричиняє зміну попиту на окремі товари, а отже, вивчаючи динаміку показників рівня життя, можна зробити висновки про можливу зміну попиту на ці товари. Відомо, що в розвинених країнах у міру збільшення доходів зростають потреби в послугах, а в країнах, що розвиваються, - у товарах тривалого користування.

Метод провідних індикаторів частіше використається для прогнозування змін у бізнесі в цілому, чим для прогнозування обсягу продажів окремих компаній. Хоча не можна заперечувати, що рівень обсягу продажів більшості компаній залежить від загальної ринкової ситуації, що склалася в регіонах і країні в цілому. Тому перед прогнозуванням власного обсягу продажів фірмам часто буває необхідно оцінити загальний рівень економічної активності в регіоні.

Отже, при прогнозуванні обсягу продажів можуть бути використані всі розглянуті вище методи. Природно, виникає питання про оптимальний метод прогнозування в конкретній ситуації. Вибір методу зв'язаний, принаймні, із трьома обмежуючими умовами:

1) точність прогнозу;

2) наявність необхідних вихідних даних;

3) наявність часу для здійснення прогнозування.

Якщо потрібен прогноз із точністю 5%, то всі методи прогнозування, що забезпечують точність 10%, можуть не розглядатися. Якщо немає необхідних для прогнозу даних (наприклад, дані тимчасових рядів при прогнозуванні обсягу продажів нового продукту), то дослідник змушений удатися до казуальних методів або експертних оцінок. Подібна ситуація може виникнути у зв'язку з терміновою потребою в прогнозних даних. У цьому випадку дослідник повинен керуватися часом, наявним у його розпорядженні, усвідомлюючи, що терміновість розрахунків може позначитися на їхній точності.