Прогнозирование продаж и спроса с использованием информационных технологий уже не является чем-то необычным. Современные ИТ-решения позволяют без труда обрабатывать большие массивы данных, высчитывать всевозможные статистические показатели продаж - простые и экспоненциальные - на основе которых и формируются прогнозы большинства компаний.

Методы прогнозирования продаж

Методы средних позволяют достаточно точноспрогнозировать продажи товаров с регулярным спросом, дают возможность учета выбросов, сезонных факторов. Однако в случае, когда речь идет о товарах с нерегулярным спросом, данные методы не обеспечивают должного уровня точности прогнозов.

Спрогнозировать спрос на товары с нерегулярным спросом на больших промежутках времени (квартал, полугодие, год) не составит особого труда, но прогноз теряет свою точность в случае горизонта планирования «неделя-месяц».

Как правило, учитывая высокую стоимостьтоваров с нерегулярным спросом, достаточно сложно определить оптимальный уровень обеспеченности складских запасов по данным позициям и принять решение о закупке с избытком. ABC и XYZ-анализ этих товаров также не дает ответа на ключевой вопрос.

• Сколько товара с нерегулярным спросом надо приобрести для поддержания разумного уровня сервиса?

Чрезмерные запасы дорогостоящих товаров с нерегулярным спросом приведут, в лучшем случае, к «закапыванию» в склад большого объема оборотных средств, которые могли быть использованы для других целей. Или к образованию «мёртвых остатков» или неликвидов - в случае, когда речь идет о товарных позициях, коллекции которых обновляются ежегодно: дорогой электроинструмент, крупная бытовая техника премиум-класса, предметы люксовой категории, продаваемые наряду с обычными позициями.

В то же время, недостаток таких товаров на складе существенно сокращает возможную прибыль от продаж, так как прибыль от продажи одной единицы дорогостоящего товара порой может превышать прибыль от продажи типового товара в десятки раз.

Пример прогнозирования продаж по методу BRT

Предположим, что данные о продажах такого товара можно представить в следующей таблице:

Допустим, время поставки товара с момента его заказа у поставщика до прихода на склад составляет четыре дня, а текущий остаток на складе - 1 штука. Количество проданных наименований в заданный период - 30 штук.

• В каком количестве необходимо произвести закупку товара сейчас с учетом срока поставки товара?

При расчете на основе средних продаж мы бы получили значение средней реализации товара в размере: 30 штук/31 дней = 0,97 штуки в день, а объем продаж за время поставки составил бы около 4 единиц, точнее 0,97 штуки*4 дня = 3,9 штуки.

Имея в наличии одну единицу товара, мы можем предположить, что нам нужно заказывать еще три штуки для пополнения запасов. Однако анализ продаж показывает, что реализация пяти штук товара и более не является такой уж необычной ситуацией. И при закупке всего трех штук товара мы не сможем удовлетворить спрос и лишим себя продажи.

• Сколько же товара надо держать на складе и какой уровень сервиса можно гарантировать клиентам в этой ситуации, чтобы обеспечить удовлетворение максимального спроса, не потратив излишних денег на большие закупки?

Проведенный выше анализ на основе расчета средних продаж не отвечает на эти вопросы.

Поэтому для прогнозирования нерегулярных продаж крайне важно использовать специальные методы, позволяющие производить анализ нерегулярных событий. Сравнительно недавно стали разрабатываться методы на основе так называемой Bootstrapping-статистики. Одним из таких методов, используемых при анализе нерегулярных и разреженных рядов, является метод под названием Bootstrapping Reaction Time (BRT)*.

Отличие BRT-метода от расчета средних состоит в определении наиболее вероятного объема продаж за период поставки заказа, а не расчета среднего дневного объема продаж. В нашем случае этот период поставки составляет четыре дня.

• Какой вариант прогноза продаж наиболее приемлем, исходя из имеющихся данных?

Для поиска ответа составим таблицу всех возможных вариантов на основании имеющихся данных. Для этого разбиваем наш ряд по порядку на периоды реакции (сроки поставки заказа): сначала с 1 по 4 день, потом с2 по 5, потом с 3 по 6 и т.д. - всего 28 возможных вариантов.

В крайней правой колонке мы получили множество вариантов того, какой объем товара может быть продан за выбранный промежуток времени (четыре дня) - получили разброс от 0 до 11 штук. Как понять, какое из этих значений наиболее отвечает нашим требованиям? Для этого составим частотную гистограмму - она покажет, как часто одно или другое значение встречается в выборке:

• Скольким клиентам наша компания готова обеспечить безусловную доступность товара?

Под «безусловной доступностью» будем понимать следующую ситуацию: если у нас в среднем покупают по 10 штук ежедневно, но был случай, что кто-то купил 100 штук, то «безусловная доступность» означает, что у нас на складе должно быть в наличие 100 штук товара.

Высокий уровень доступности товара означает, что вы можете предоставить клиентам более высокий уровень обслуживания, но при этом на вашем складе хранится большое количество товара.

Отсутствие товара на складе - низкий уровень доступности - означает, что мы закупаем меньше товаров впрок, но снижаем и качество сервиса, не имея возможности отгрузить товар клиенту вовремя.

• Какой процент клиентов мы можем обслужить - продать товар, отбросив фактор наличия на складе?

Как правило, это значение колеблется в районе 80-91%. Для нашего примера остановимся на уровне доступности - 80%. Оставшихся клиентов - 20% - мы «отбрасываем», считая, что для них мы не готовы хранить большие запасы товара на складе и не будем учитывать в плане закупок.

Что эти цифры означают для нашего анализа? Это означает, что на основании нашей гистограммы требуется определить максимальное значение объема продаж таким образом, чтобы суммарная частота спроса на меньшие объемы продаж была максимально приближена к выбранному нами уровню доступности.

В управленческой логике это можно интерпретировать следующим образом: мы должны выбрать возможный максимум спроса, который возникнет у 80 из 100 наших клиентов за выбранное время реакции (срока поставки заказа).

Для нашей выборки это значение равняется 8 штукам, что покроет требование 21 из 28 возможных исходов (если бы мы выбрали уровень доступности 70/10, то это было бы значение 5 штук, что покрывало бы 20 возможных исходов из 28 возможных).

В управленческой логике, найденное нами значение в 8 штук можно интерпретировать следующим образом: при обслуживании 8 из 10 клиентов, в течение 4 дней они купят суммарно меньше 8 штук товара, а закупка будет равняться 8 - 1 = 7 штук. Этот результат существенно отличается от значения, полученного при расчете «простой средней».

Таким образом, метод BRT дает более точную и обоснованную аналитику для товаров, которые должны находиться в доступности для клиентов, даже в том случае, если их покупают достаточно редко, но с некоторым постоянством.

Прогноз продаж в Excel

Скачать файл, используемый в видеоуроке:

{"Bottom bar":{"textstyle":"static","textpositionstatic":"bottom","textautohide":true,"textpositionmarginstatic":0,"textpositiondynamic":"bottomleft","textpositionmarginleft":24,"textpositionmarginright":24,"textpositionmargintop":24,"textpositionmarginbottom":24,"texteffect":"slide","texteffecteasing":"easeOutCubic","texteffectduration":600,"texteffectslidedirection":"left","texteffectslidedistance":30,"texteffectdelay":500,"texteffectseparate":false,"texteffect1":"slide","texteffectslidedirection1":"right","texteffectslidedistance1":120,"texteffecteasing1":"easeOutCubic","texteffectduration1":600,"texteffectdelay1":1000,"texteffect2":"slide","texteffectslidedirection2":"right","texteffectslidedistance2":120,"texteffecteasing2":"easeOutCubic","texteffectduration2":600,"texteffectdelay2":1500,"textcss":"display:block; padding:12px; text-align:left;","textbgcss":"display:block; position:absolute; top:0px; left:0px; width:100%; height:100%; background-color:#333333; opacity:0.6; filter:alpha(opacity=60);","titlecss":"display:block; position:relative; font:bold 14px \"Lucida Sans Unicode\",\"Lucida Grande\",sans-serif,Arial; color:#fff;","descriptioncss":"display:block; position:relative; font:12px \"Lucida Sans Unicode\",\"Lucida Grande\",sans-serif,Arial; color:#fff; margin-top:8px;","buttoncss":"display:block; position:relative; margin-top:8px;","texteffectresponsive":true,"texteffectresponsivesize":640,"titlecssresponsive":"font-size:12px;","descriptioncssresponsive":"display:none !important;","buttoncssresponsive":"","addgooglefonts":false,"googlefonts":"","textleftrightpercentforstatic":40}}

Прогнозирование – это очень важный элемент практически любой сферы деятельности, начиная от экономики и заканчивая инженерией. Существует большое количество программного обеспечения, специализирующегося именно на этом направлении. К сожалению, далеко не все пользователи знают, что обычный табличный процессор Excel имеет в своем арсенале инструменты для выполнения прогнозирования, которые по своей эффективности мало чем уступают профессиональным программам. Давайте выясним, что это за инструменты, и как сделать прогноз на практике.

Целью любого прогнозирования является выявление текущей тенденции, и определение предполагаемого результата в отношении изучаемого объекта на определенный момент времени в будущем.

Способ 1: линия тренда

Одним из самых популярных видов графического прогнозирования в Экселе является экстраполяция выполненная построением линии тренда.

Попробуем предсказать сумму прибыли предприятия через 3 года на основе данных по этому показателю за предыдущие 12 лет.

Способ 2: оператор ПРЕДСКАЗ

Экстраполяцию для табличных данных можно произвести через стандартную функцию Эксель ПРЕДСКАЗ . Этот аргумент относится к категории статистических инструментов и имеет следующий синтаксис:

ПРЕДСКАЗ(X;известные_значения_y;известные значения_x)

«X» – это аргумент, значение функции для которого нужно определить. В нашем случае в качестве аргумента будет выступать год, на который следует произвести прогнозирование.

«Известные значения y» — база известных значений функции. В нашем случае в её роли выступает величина прибыли за предыдущие периоды.

«Известные значения x» — это аргументы, которым соответствуют известные значения функции. В их роли у нас выступает нумерация годов, за которые была собрана информация о прибыли предыдущих лет.

Естественно, что в качестве аргумента не обязательно должен выступать временной отрезок. Например, им может являться температура, а значением функции может выступать уровень расширения воды при нагревании.

При вычислении данным способом используется метод линейной регрессии.

Давайте разберем нюансы применения оператора ПРЕДСКАЗ на конкретном примере. Возьмем всю ту же таблицу. Нам нужно будет узнать прогноз прибыли на 2018 год.

Но не стоит забывать, что, как и при построении линии тренда, отрезок времени до прогнозируемого периода не должен превышать 30% от всего срока, за который накапливалась база данных.

Способ 3: оператор ТЕНДЕНЦИЯ

Для прогнозирования можно использовать ещё одну функцию – ТЕНДЕНЦИЯ . Она также относится к категории статистических операторов. Её синтаксис во многом напоминает синтаксис инструмента ПРЕДСКАЗ и выглядит следующим образом:

ТЕНДЕНЦИЯ(Известные значения_y;известные значения_x; новые_значения_x;[конст])

Как видим, аргументы «Известные значения y» и «Известные значения x» полностью соответствуют аналогичным элементам оператора ПРЕДСКАЗ , а аргумент «Новые значения x» соответствует аргументу «X» предыдущего инструмента. Кроме того, у ТЕНДЕНЦИЯ имеется дополнительный аргумент «Константа» , но он не является обязательным и используется только при наличии постоянных факторов.

Данный оператор наиболее эффективно используется при наличии линейной зависимости функции.

Посмотрим, как этот инструмент будет работать все с тем же массивом данных. Чтобы сравнить полученные результаты, точкой прогнозирования определим 2019 год.

Способ 4: оператор РОСТ

Ещё одной функцией, с помощью которой можно производить прогнозирование в Экселе, является оператор РОСТ. Он тоже относится к статистической группе инструментов, но, в отличие от предыдущих, при расчете применяет не метод линейной зависимости, а экспоненциальной. Синтаксис этого инструмента выглядит таким образом:

РОСТ(Известные значения_y;известные значения_x; новые_значения_x;[конст])

Как видим, аргументы у данной функции в точности повторяют аргументы оператора ТЕНДЕНЦИЯ , так что второй раз на их описании останавливаться не будем, а сразу перейдем к применению этого инструмента на практике.

Способ 5: оператор ЛИНЕЙН

Оператор ЛИНЕЙН при вычислении использует метод линейного приближения. Его не стоит путать с методом линейной зависимости, используемым инструментом ТЕНДЕНЦИЯ . Его синтаксис имеет такой вид:

ЛИНЕЙН(Известные значения_y;известные значения_x; новые_значения_x;[конст];[статистика])

Последние два аргумента являются необязательными. С первыми же двумя мы знакомы по предыдущим способам. Но вы, наверное, заметили, что в этой функции отсутствует аргумент, указывающий на новые значения. Дело в том, что данный инструмент определяет только изменение величины выручки за единицу периода, который в нашем случае равен одному году, а вот общий итог нам предстоит подсчитать отдельно, прибавив к последнему фактическому значению прибыли результат вычисления оператора ЛИНЕЙН , умноженный на количество лет.

Как видим, прогнозируемая величина прибыли, рассчитанная методом линейного приближения, в 2019 году составит 4614,9 тыс. рублей.

Способ 6: оператор ЛГРФПРИБЛ

Последний инструмент, который мы рассмотрим, будет ЛГРФПРИБЛ . Этот оператор производит расчеты на основе метода экспоненциального приближения. Его синтаксис имеет следующую структуру:

ЛГРФПРИБЛ (Известные значения_y;известные значения_x; новые_значения_x;[конст];[статистика])

Как видим, все аргументы полностью повторяют соответствующие элементы предыдущей функции. Алгоритм расчета прогноза немного изменится. Функция рассчитает экспоненциальный тренд, который покажет, во сколько раз поменяется сумма выручки за один период, то есть, за год. Нам нужно будет найти разницу в прибыли между последним фактическим периодом и первым плановым, умножить её на число плановых периодов (3) и прибавить к результату сумму последнего фактического периода.

Прогнозируемая сумма прибыли в 2019 году, которая была рассчитана методом экспоненциального приближения, составит 4639,2 тыс. рублей, что опять не сильно отличается от результатов, полученных при вычислении предыдущими способами.

Мы выяснили, какими способами можно произвести прогнозирование в программе Эксель. Графическим путем это можно сделать через применение линии тренда, а аналитическим – используя целый ряд встроенных статистических функций. В результате обработки идентичных данных этими операторами может получиться разный итог. Но это не удивительно, так как все они используют разные методы расчета. Если колебание небольшое, то все эти варианты, применимые к конкретному случаю, можно считать относительно достоверными.

На сегодняшний день наука достаточно далеко продвинулась в разработке технологий прогнозирования. Специалистам хорошо известны методы нейросетевого прогнозирования, нечёткой логики и т.п. Разработаны соответствующие программные пакеты, но на практике они, к сожалению, не всегда доступны рядовому пользователю, а в то же время многие из этих проблем можно достаточно успешно решать, используя методы исследования операций, в частности имитационное моделирование, теорию игр, регрессионный и трендовый анализ, реализуя эти алгоритмы в широко известном и распространённом пакете прикладных программ MS Excel.

В данной статье представлен один из возможных алгоритмов построения прогноза объёма реализации для продуктов с сезонным характером продаж. Сразу следует отметить, что перечень таких товаров гораздо шире, чем это кажется. Дело в том, что понятие “сезон” в прогнозировании применим к любым систематическим колебаниям, например, если речь идёт об изучении товарооборота в течение недели под термином “сезон” понимается один день. Кроме того, цикл колебаний может существенно отличаться (как в большую, так и в меньшую сторону) от величины один год. И если удаётся выявить величину цикла этих колебаний, то такой временной ряд можно использовать для прогнозирования с использованием аддитивных и мультипликативных моделей.

Аддитивную модель прогнозирования можно представить в виде формулы:

где: F – прогнозируемое значение; Т – тренд; S – сезонная компонента; Е – ошибка прогноза.

Применение мультипликативныхмоделей обусловлено тем, что в некоторых временных рядах значение сезонной компоненты представляет собой определенную долю трендового значения. Эти модели можно представить формулой:

На практике отличить аддитивную модель от мультипликативной можно по величине сезонной вариации. Аддитивной модели присуща практически постоянная сезонная вариация, тогда как у мультипликативной она возрастает или убывает, графически это выражается в изменении амплитуды колебания сезонного фактора, как это показано на рисунке 1.

Рис. 1. Аддитивная и мультипликативные модели прогнозирования.

Алгоритм построения прогнозной модели

Для прогнозирования объема продаж, имеющего сезонный характер, предлагается следующий алгоритм построения прогнозной модели:

1.Определяется тренд, наилучшим образом аппроксимирующий фактические данные. Существенным моментом при этом является предложение использовать полиномиальный тренд, что позволяет сократить ошибку прогнозной модели.

2.Вычитая из фактических значений объёмов продаж значения тренда, определяют величины сезонной компоненты и корректируют таким образом, чтобы их сумма была равна нулю.

3.Рассчитываются ошибки модели как разности между фактическими значениями и значениями модели.

4.Строится модель прогнозирования:

где:
F– прогнозируемое значение;
Т – тренд;
S – сезонная компонента;
Е - ошибка модели.

5.На основе модели строится окончательный прогноз объёма продаж. Для этого предлагается использовать методы экспоненциального сглаживания, что позволяет учесть возможное будущее изменение экономических тенденций, на основе которых построена трендовая модель. Сущность данной поправки заключается в том, что она нивелирует недостаток адаптивных моделей, а именно, позволяет быстро учесть наметившиеся новые экономические тенденции.

F пр t = a F ф t-1 + (1-а) F м t

где:

F ф t- 1 – фактическое значение объёма продаж в предыдущем году;
F м t - значение модели;
а – константа сглаживания

Практическая реализация данного метода выявила следующие его особенности:

• для составления прогноза необходимо точно знать величину сезона. Исследования показывают, что множество продуктов имеют сезонный характер, величина сезона при этом может быть различной и колебаться от одной недели до десяти лет и более;
• применение полиномиального тренда вместо линейного позволяет значительно сократить ошибку модели;
• при наличии достаточного количества данных метод даёт хорошую аппроксимацию и может быть эффективно использован при прогнозировании объема продаж в инвестиционном проектировании.

Применение алгоритма рассмотрим на следующем примере.

Исходные данные: объёмы реализации продукции за два сезона. В качестве исходной информации для прогнозирования была использована информация об объёмах сбыта мороженого “Пломбир” одной из фирм в Нижнем Новгороде. Данная статистика характеризуется тем, что значения объёма продаж имеют выраженный сезонный характер с возрастающим трендом. Исходная информация представлена в табл. 1.

Таблица 1.
Фактические объёмы реализации продукции

Задача: составить прогноз продаж продукции на следующий год по месяцам.

Реализуем алгоритм построения прогнозной модели, описанный выше. Решение данной задачи рекомендуется осуществлять в среде MS Excel, что позволит существенно сократить количество расчётов и время построения модели.

1. Определяем тренд , наилучшим образом аппроксимирующий фактические данные. Для этого рекомендуется использовать полиномиальный тренд, что позволяет сократить ошибку прогнозной модели).

Рис. 2. Сравнительный анализ полиномиального и линейного тренда

На рисунке показано, что полиномиальный тренд аппроксимирует фактические данные гораздо лучше, чем предлагаемый обычно в литературе линейный. Коэффициент детерминации полиномиального тренда (0,7435) гораздо выше, чем линейного (4E-05). Для расчёта тренда рекомендуется использовать опцию “Линия тренда” ППП Excel.

Рис. 3. Опция “Линии тренда”

Применение других типов тренда (логарифмический, степенной, экспоненциальный, скользящее среднее) также не даёт такого эффективного результата. Они неудовлетворительно аппроксимируют фактические значения, коэффициенты их детерминации ничтожно малы:

• логарифмический R 2 = 0,0166;
• степенной R 2 =0,0197;
• экспоненциальный R 2 =8Е-05.

2. Вычитая из фактических значений объёмов продаж значения тренда, определим величины сезонной компоненты , используя при этом пакет прикладных программ MS Excel (рис. 4).

Рис. 4. Расчёт значений сезонной компоненты в ППП MS Excel.

Таблица 2.
Расчёт значений сезонной компоненты

Скорректируем значения сезонной компоненты таким образом, чтобы их сумма была равна нулю.

Таблица 3.
Расчёт средних значений сезонной компоненты

3. Рассчитываем ошибки модели как разности между фактическими значениями и значениями модели.

Таблица 4.
Расчёт ошибок

Находим среднеквадратическую ошибку модели (Е) по формуле:

Е= Σ О 2: Σ (T+S) 2

где:
Т- трендовое значение объёма продаж;
S – сезонная компонента;
О - отклонения модели от фактических значений

Е= 0,003739 или 0.37 %

Величина полученной ошибки позволяет говорить, что построенная модель хорошо аппроксимирует фактические данные, т.е. она вполне отражает экономические тенденции, определяющие объём продаж, и является предпосылкой для построения прогнозов высокого качества.

Построим модель прогнозирования:

Построенная модель представлена графически на рис. 5.

5. На основе модели строим окончательный прогноз объёма продаж. Для смягчения влияния прошлых тенденций на достоверность прогнозной модели, предлагается сочетать трендовый анализ с экспоненциальным сглаживанием. Это позволит нивелировать недостаток адаптивных моделей, т.е. учесть наметившиеся новые экономические тенденции:

F пр t = a F ф t-1 + (1-а) F м t

где:
F пр t - прогнозное значение объёма продаж;
F ф t-1 – фактическое значение объёма продаж в предыдущем году;
F м t - значение модели;
а – константа сглаживания.

Константу сглаживания рекомендуется определять методом экспертных оценок, как вероятность сохранения существующей рыночной конъюнктуры, т.е. если основные характеристики изменяются / колеблются с той же скоростью / амплитудой что и прежде, значит предпосылок к изменению рыночной конъюнктуры нет, и следовательно а ® 1, если наоборот, то а ® 0.

Рис. 5. Модель прогноза объёма продаж

Таким образом, прогноз на январь третьего сезона определяется следующим образом.

Определяем прогнозное значение модели:

F м t = 1 924,92 + 162,44 =2087 ± 7,8 (руб.)

Фактическое значение объёма продаж в предыдущем году (F ф t-1) составило 2 361руб. Принимаем коэффициент сглаживания 0.8. Получим прогнозное значение объёма продаж:

F пр t = 0,8*2 361 + (1-0.8) *2087 = 2306,2 (руб.)

Кроме того, для повышения надёжности прогноза рекомендуется строить все возможные сценарии прогноза и рассчитывать доверительный интервал прогноза.

Дмитриев Михаил Николаевич, заведующий кафедрой экономики и предпринимательства Нижегородского архитектурно-строительного университета (ННГАСУ), доктор экономических наук, профессор.
Адрес: 603000, Н. Новгород, ул. Горького, д. 142а, кв. 25.
Тел. 37-92-19 (дом) 30-54-37 (раб.)

Кошечкин Сергей Александрович, кандидат экономических наук, ст. преподаватель кафедры экономики и предпринимательства Нижегородского архитектурно-строительного университета (ННГАСУ).
Адрес: 603148, Н. Новгород, ул. Чаадаева, д. 48, кв. 39.
Тел. 46-79-20 (дом) 30-53-49 (раб.)

Процесс прогнозирования продаж является одним из важных информационных инструментов планирования хозяйственной деятельности компании-производителя. Разработаны и уже используются менеджерами по продукту разнообразные модели прогнозирования, основанные на статистических данных за предыдущие периоды и анализе существующей среды. Однако для эффективного применения существующих моделей в компании необходимо организовать автоматизированный сбор информации и установить критерии оценки точности прогноза. Кроме того, при составлении прогноза объема продаж продукта менеджерам обязательно следует учитывать следующие факторы:

• поведение потребителей;
• предыдущие и планируемые стратегии продвижения продукта;
• действия конкурентов-производителей;
• внешняя среда предприятия, ее изменения.

Все существующие методы прогнозирования продаж условно можно разделить на четыре основные группы: основанные на суждении; ориентированные на потребителя; экстраполяции продаж; моделирование.

1. Методы, основанные на суждении. Эта группа включает в себя такие методы, как изучение намерений контрагентов, ролевые игры, экспертные оценки, метод Дельфи, мозговой атаки, сводный прогноз службы продаж.

Изучение намерений контрагентов. Сущность данного метода заключается в том, что потребителей просят описать свое поведение в различных ситуациях. Подобные опросы с целью изучения намерений и поведения потребителей эффективны, если отсутствуют данные об объемах предыдущих продаж. Этот метод можно порекомендовать менеджерам при составлении прогноза при выводе нового продукта на рынок.

Ролевые игры. Метод используется для того, чтобы учесть так называемый человеческий фактор. Он чрезвычайно эффективен при анализе возможных реакций контрагента на конкретный вариант выбранной политики. Однако здесь необходимо максимально реалистично воспроизвести ситуацию, в которой происходит взаимодействие. 11а практике метод используется редко.

Экспертные оценки. Сущность данного метода заключается в выработке коллективного мнения группы специалистов по определенному продукту. На практике выделяется несколько методов экспертной оценки. Рассмотрим один из них - метод баллов, в ходе которого на первом этапе формируется экспертная группа из специалистов в данной области, численность которой должна быть равна или больше 9 человек, состав группы должен быть однородным. На следующем этапе всеми членами экспертной группы коллективно определяются важнейшие параметры (3-5) объекта, способные повлиять на объем продаж. Затем экспертным путем устанавливается степень важности, или ранг, каждого выделенного параметра. Для прогнозирования или расчета полезного эффекта и каждого элемента затрат но каждому классу объектов одного назначения строится своя система баллов, так как на полезный эффект и элементы затрат влияют свои факторы или параметры .

Важно запомнить!

Метод экспертных оценок существенно отличается от изучения намерений контрагентов, так как если эксперту предлагают дать оценку динамики рынка, от него не требуется репрезентативность, как раз наоборот - каждый эксперт уникален. Как правило, привлекается от 5 до 20 экспертов, причем наиболее эффективный способ получения единой оценки - взвешивание отдельных результатов с равными весами. Точность прогнозов, полученных с использованием данного метода, можно поднять путем применения процедур типа Дельфи.

Метод Дельфи. Является одной из разновидностей метода экспертных оценок. Его суть заключается в итеративной процедуре получения интегрального показателя с последовательным снижением дисперсии расхождений экспертных оценок. Специфика этого метода в том, что обобщение результатов исследования осуществляется путем индивидуального письменного опроса экспертов в несколько туров по специально разработанной процедуре. Надежность метода считается высокой при прогнозировании па период как от одного до трех лет, так и на более отдаленное время. В зависимости от цели прогноза для получения экспертных оценок может привлекаться от 10 до 150 экспертов.

Метод мозговой атаки (или мозговой штурм). Как и метод Дельфи, он является разновидностью метода экспертных оценок. Его основа - выработка решения после совместного обсуждения проблемы экспертами. В качестве экспертов, как правило, выступают специалисты не только по данной проблеме, но и в других областях знания. Дискуссия ведется по заранее разработанному сценарию.

Достоинством экспертных методов является их относительная простота и применяемость для прогнозирования практически любых ситуаций, в том числе в условиях неполной информации. Особенностью этих методов является возможность прогнозировать качественные характеристики рынка (например, изменение социально- политического положения, влияние экологии на производство и потребление тех или иных товаров).

К недостаткам экспертных методов относятся субъективизм мнений экспертов и ограниченность их суждений.

дыдущие периоды времени и включают в себя метод скользящих средних, экспоненциальное сглаживание и регрессионный анализ.

Метод скользящих средних. Один из широко известных методов сглаживания временных рядов, основанных на том, что в средних величинах взаимно погашаются случайные отклонения благодаря замене первоначальных уровней временного ряда средней арифметической величиной внутри выбранного периода времени. Полученное значение относится к середине выбранного интервала времени (периода).

Затем период сдвигается на одно наблюдение, и расчет средней повторяется. При этом периоды определения средней берутся все время одинаковыми. Таким образом, в каждом рассматриваемом случае средняя центрирована, т.е. отнесена к серединной точке интервала сглаживания и представляет собой уровень для этой точки.

При сглаживании временного ряда скользящими средними в расчетах участвуют все уровни ряда. Чем шире интервал сглаживания, тем более плавным получается тренд. Сглаженный ряд короче первоначального на (п - 1) наблюдений, где п - величина интервала сглаживания. Выбор интервала сглаживания зависит от целей прогнозирования.

где t + 1 - прогнозный период; t - период, предшествующий прогнозному периоду (год, месяц и т.д.);;/, + , - прогнозируемый показатель; т,_ i - скользящая средняя за два периода до прогнозного; п - число уровней, входящих в интервал сглаживания; y t - фактическое значение исследуемого явления за предшествующий период; у,_ { - фактическое значение исследуемого явления за два периода, предшествующих прогнозному.

При использовании данного метода необходимо принимать во внимание, что данные за предыдущие периоды характеризуются базовым значением, трендом, цикличностью (сезонностью), случайностью.

Применение метода скользящих средних позволяет менеджерам в значительной степени сгладить случайные отклонения и сделать тренды (циклы) более очевидными.

Экспоненциальное сглаживание. Прогнозирование методом экспоненциального сглаживания является одним из самых простых способов прогнозирования, однако это приемлемо только при прогнозировании на один период вперед. Рабочая формула метода экспоненциального сглаживания представлена ниже .

где t - период, предшествующий прогнозному; t + 1 - прогнозный период; U [+ i - прогнозируемый показатель; а - параметр сглаживания; y t - факти-

ческое значение исследуемого показателя за период, предшествующий прогнозному; U t - экспоненциально взвешенная средняя для периода, предшествующего прогнозному.

При прогнозировании данным методом возникают затруднения, связанные с выбором значения параметра сглаживания а и определения начального значения t/ 0 .

Метод экспоненциального сглаживания наиболее эффективен при разработке среднесрочных прогнозов.

Регрессионный анализ. Данный метод является обобщением модели временного ряда. Широко применяется на практике специалистами-управ- ленцами и легко рассчитывается при помощи Excel. Эта форма экстраполяции основана на регрессионном анализе, при котором временной период считается независимой переменной.

4. Методы на основе моделирования (ассоциативная категория методов прогнозирования). Они включают в себя метод опережающих индикаторов и эконометрические модели.

Опережающие индикаторы. При построении прогнозов в экономике используют определенные макроэкономические показатели. В случае если значения этих показателей меняются до изменений в экономике, то данные показатели называют опережающими индикаторами. Опережающие индикаторы имеются в любой отрасли экономики, и все они вынуждены ориентироваться на них. Так, например, в качестве опережающих индикаторов для автомобильной отрасли выступают показатели запасов автомобилей в местах их продаж. Очень часто переменами в экономике считают изменения уровня занятости населения.

Эконометрические модели представляют собой крупномасштабные регрессионные модели на основе нескольких уравнений. В настоящее время не особенно популярны у менеджеров из-за своей дороговизны и стремления компаний снизить все свои издержки. Однако с их помощью можно анализировать последствия реализации различных стратегий, планировать динамику рынка и бизнес-среды, тем самым генерируя различные сценарии развития. При выборе данного метода следует принимать во внимание, что необходимо будет прогнозировать значения объясняющих факторов. С некоторыми из них (например, мода) могут возникнуть большие проблемы .

В целом применение эконометрических моделей будет эффективно, если существует сильная причинно-следственная зависимость между изучаемой величиной (например, продажи) и набором факторов, а также в том случае, когда форма зависимости известна и ее можно оценить.

Выбор метода для построения прогноза в каждой конкретной ситуации - это сложный процесс. Как правило, у менеджера всегда есть возможность выбора из нескольких альтернатив. Обычно на практике специалисты используют для подготовки кратко- и среднесрочных прогнозов методы, основанные на суждениях, а из количественных методов наиболее востребованным является метод скользящей средней.

• Фатхутдинов Р. Л. Стратегический маркетинг: учебник. М. : ЗАО «Бизнес-школа“Интел-Синтез”», 2000. С. 198-200.
• Сводный прогноз службы продаж. Прогноз объема продаж составляютспециалисты отдела службы продаж. Достоинство данного метода заключается в том, что специалисты отдела продаж находятся в тесном контактес продавцами, которые отлично знают своих потребителей, спецификуих поведения, объемы закупок продукта. На основе данных оценок частоустанавливаются квоты продаж товара. Однако, как показывает практика,иногда их размер бывает несколько занижен продавцами.
• Методы, ориентированные на потребителя. Среди них выделяютдва основных - тестирование рынка и обзоры состояния рынка. Тестирование рынка. Сущность данного подхода заключается в проведении первичных маркетинговых исследований рынка. Для сбора информации но исследуемому рынку продукта специалисты часто прибегаютк проведению фокус-групп и опросам потребителей в местах продажипродукта. Напомним, что обычно под фокус-группой понимается группареспондентов, включающая от восьми до десяти потенциальных потребителей, собранных вместе для обсуждения темы, в которой каждый из нихв той или иной степени заинтересован. Процесс обсуждения идет по заранее разработанному сценарию под руководством ведущего - модератора.Обсуждение может длиться до двух часов, хотя иногда возникает необходимость работать и дольше. Дискуссии в фокус-группах относятся к методам качественного анализа, так как полученные данные нельзя (в статистическом смысле) назвать репрезентативными для этой конкретной группынаселения. Обзоры состояния рынка. Сущность данного метода заключаетсяв исследовании рынка и опросе потенциальных потребителей продуктаотносительно степени их готовности приобрести анализируемый товар.Обычно потенциального потребителя просят оценить степень готовностикупить определенный товар по 10-балльной шкале, где 10 баллов соответствует твердому намерению респондента купить данный товар. Затем полученные результаты относительно намерения совершить покупку переносятна общую численность населения в стране. Учитывая склонность потребителей в реальной жизни переоценивать вероятность покупки продукта,менеджеры при составлении прогноза объема продаж часто используютподход «но максимуму», т.е. подсчитывают только количество максимальных оценок (10 баллов).
• Методы экстраполяции продаж (методы временного ряда). Они основываются на имеющихся данных относительно объемов продаж за пре-
• 2 URL: http://www.ekonomika-st.ru
• Там же.
• URL: http://www.ekonomika-st.ru