Прогнозирование объемов продаж на примере компании ООО «Benetton»

Компания ООО «Benetton» была создана в 2003 году как фирма-франчайзиг итальянской компании Benetton Group. ООО «Benetton» входит в состав фирмы ООО «Шейла-Холдинг», которая занимается различными видам деятельности (торговля обувью, одеждой, автозапчастями, сдача в аренду торговых площадей, строительство спортивных сооружений, в частности ледового дворца и фитнес-центра и т.д.).

ООО «Benetton» находится в городе Краснодаре и представляет собой магазин модной одежды марки United Colors of Benetton, итальянской компании Benetton Group.

Benetton Group -- один из крупнейших европейских производителей одежды, обуви и аксессуаров под брэндами United Colours of Benetton (повседневная одежда/ casual), Undercolors (белье и купальники), 012 (детская одежда), Sisley (фэшн), Killer Loop («одежда для улицы»/ streetwear) и Playlife (одежда для молодежи). Также компания занимается оптовой продажей текстиля, рекламой и недвижимостью. Розничная сеть магазинов Benetton Group широко известна во всем мире, она насчитывает более 5000 магазинов в 120 странах. Штаб- квартира Benetton Group находится на Вилле Минелли в Понцано, в 30 км от Венеции. В России компания работает с 1992 года и сейчас открыто уже более 150 магазинов. В связи с ростом числа российских клиентов, в 1997 году компания открыла свой российский сервис-офис в Москве, который стал заниматься открытием новых магазинов и курированием уже существующих. Для осуществления контроля к каждому магазину был приставлен менеджер, который должен обеспечивать магазин необходимой информацией и отслеживать его деятельность.

С увеличением объемов продаж компании ООО «Benetton», возникла необходимость в более глубоком и грамотном прогнозировании будущих продаж с целью определения оптимального объема закупок и эффективного размещения товара в торговом зале.

Ранее, процесс прогнозирования на предприятии не осуществлялся, а процент роста объема закупок принимался волевым решением руководителя, опираясь на субъективные представления о развитии рынка, и составлял 10%. Но данный подход не учитывает реального роста объема продаж по каждой торговой марке. Так, на Осенне-Зимний 11-12 составленный с 10%-ым увеличением бюджет, был в последствии увеличен еще на 12%, увеличение произошло за счет дополнительных заказов в течение сезона, вызванных повышенным спросом потребителя. Но даже такие меры, удовлетворив спрос по основным направлениям (Benetton, Sisley), не смогли своевременно и полностью удовлетворить рост спроса на детские товары. Такая ситуация сложилась из-за того, что базовые заказы (около 80% от всех заказов на сезон) совершаются почти за год до начала сезона, т.е. фактически за год необходимо знать какой будет спрос на продукцию и планировать на основании этого объем заказа. Поэтому важно заранее составлять прогнозы на будущие периоды и на основании полученных данных планировать деятельность компании. прогнозирование продажа экспертный динамический

В связи с тем, что в ходе выполнения работы были выявлены проблемы в области управления продажами и закупками, руководству магазина было предложено провести прогнозирование объемов продаж на Осенне-Зимний сезон 2012-2013 и составить план закупок, исходя из получившегося прогноза. А потом сопоставить плановые данные с фактически заказанным количеством, выявить расхождения и разработать план деятельности.

Для выявления общей тенденции развития объема продаж за определенный период и составления прогноза на будущий сезон, сначала используем метод скользящей средней, а потом применим метод аналитического выравнивания.

Метод скользящей средней позволяет сгладить периодические и случайные колебания и тем самым выявить имеющуюся тенденцию в развитии. Такой эффект достигается путем осреднения эмпирических (исходных) данных и определения расчетных (теоретических) уровней. В данном случае использовалась трехчленная скользящая средняя, т.е. при расчетах учитывается три уровня в ряду динамики.

Метод аналитического выравнивания заключается в замене фактических уровней ряда теоретическими, рассчитанными по определенной кривой, отражающей общую тенденцию изменения показателей во времени. Таким образом, уровни динамического ряда рассматриваются как функция времени. Глядя на рис. 4 и рис. 5, можно предположить, что поведение объема продаж в денежном и количественном выражении описывается моделью линейного тренда, который имеет вид, где - теоретический уровень ряда (прогнозируемый объем продаж), t-фактор времени, - начальный уровень тренда, - параметр, отвечающий за регрессию.

В ходе расчетов, было получено следующее уравнение линейного тренда:

Y= 6655 + 240*t,

Где Y- значение объема продаж в ед.

t- показатель времени,

Из уравнения видно, что в среднем с каждым месяцем объем продаж увеличивается на 240 ед.

Подставляя вместо t соответствующий период времени можно получить соответствующее данному месяцу или сезону значение объема продаж - подставляя t начиная с 13 (количество известных наблюдений 12- количество кварталов в исследуемом периоде за три года), получаем прогноз на сезон Весна-Лето 2012 и необходимый нам прогноз на Осенне-Зимний сезон 2012-2013.

Так как полученное уравнение относится к уравнению регрессии, рассчитаем среднюю ошибку прогноза и коэффициент детерминации.

Расчет произведен с помощью пакета анализа Microsoft Excel. Результаты представлены в таблице 13.

Таблица 13

Регрессионный анализ

Ошибка при использовании модели линейного тренда составляет 1157 ед. Уравнение регрессии объясняет 71% изучаемого показателя.

Так как поведение объема продаж носит сезонный характер - в I и II квартале характерны спады, а в III и IV- происходит увеличение объема продаж, то необходимо скорректировать полученные значения прогноза на средние индексы сезонности. Индекс сезонности для каждого квартала рассчитаем путем соотнесения фактического значения ряда - yi с теоретическим -. Данные расчетов индексов сезонности в количественном выражении представлены в Приложении 4, в денежном - Приложении 7.

Расчет средних значений индекса сезонности рассчитаем путем суммирования индексов за аналогичные периоды и делением на количество изучаемых явлений.

Представим результаты прогноза объема продаж с корректировкой на средние индексы сезонности в следующей табл. 14:

Таблица 14

Прогноз продаж в единицах с учетом индексов сезонности

Корректировка полученных прогнозных значений на индекс сезонности позволяет получить наиболее точный результат, соответствующий определенному сезонному периоду. Именно эти значения будут использоваться в дальнейшем при прогнозировании объема закупок на следующий Осенне-Зимний сезон.

Полученные прогнозные данные нанесем на график объема продаж - рис. 14. На данном рисунке красной линией обозначены полученные прогнозные значения на Весну-Лето 2012 и Осень-Зиму 2012-2013.

Рис. 14.

Аналогичные действия проведем для расчета объема продаж в денежном выражении. Уравнение линейного тренда выглядит следующим образом:

Y= 3 975 037 + 133488*t,

Где Y- значение объема продаж, руб.

t- показатель времени,

Из уравнения видно, что выручка в среднем увеличивается на 133 488 руб. ежемесячно.

Показатели регрессии рассчитанные с помощью пакета анализа Microsoft Excel представлены в табл. 15.

Регрессионный анализ

Ошибка в данном случае составила 732797 руб. Уравнение регрессии объясняет 65% исследуемого показателя.

Прогнозные значения объема продаж с корректировкой на индексы сезонности представлены в табл.16:

Таблица 16

Прогноз продаж в рублях с учетом индексов сезонности

Рис. 15.

Полученные прогнозные данные нанесем на график объема продаж - рис. 15. На данном рисунке красной линией обозначены полученные прогнозные значения на Весну-Лето 2012 и Осень-Зиму 2012-2013.

На рис. 15. видно, что наряду с общей тенденцией увеличения объема продаж, сохраняется также сезонный характер явлений.

Введение

На сегодняшний день наука достаточно далеко продвинулась в разработке технологий прогнозирования. Специалистам хорошо известны методы нейросетевого прогнозирования, нечеткой 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 распространенном пакете прикладных программ MS Excel.

В связи с этим актуальность изучения методов алгоритма прогнозирования, исследованных в данной работе не вызывает сомнения.

В работе представлен один из возможных алгоритмов построения прогноза объема реализации для продуктов с сезонным характером продаж. Сразу следует отметить, что перечень таких товаров значительно шире, чем это кажется. Дело в том, что понятие «сезон» в прогнозировании применим к любым систематическим колебаниям. Например, если речь идет 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 удается выявить величину цикла этих колебаний, то такой временной ряд можно использовать для прогнозирования с использованием аддитивных и мультипликативных моделей.

Целью работы стали систематизация теоретических данных по выбранной теме и их применение на конкретном предприятии. Для достижения этой цели были поставлены следующие задачи:

1.определить значение прогнозирования на современном этапе;

2.рассмотреть сущность трендовых моделей;

.выявить методы использования трендовых моделей в прогнозировании объемов продаж;

.применить теоретические положения об использовании трендовых моделей для прогнозов к статистическим данным компании «КЛАД», на основании чего построить прогноз объемов продаж на следующий сезон.

Информационной базой для написания работы стали учебно-методические пособия и периодическая литература по данному вопросу отечественных авторов. Использование литературы именно периодического характера представляется наиболее важным при написании данной работы. Это суждение основано на том, что наряду со знанием теоретических основ изучаемого вопроса, необходимо учесть его динамический характер и рассмотреть самый новый взгляд на методологию составления прогнозов с использованием трендовых моделей, разработанную в самое последнее время.

Работа имеет не только теоретическое, но и высокое практическое значение. По сути, она является методическим пособием по применению алгоритма прогнозирования объема продаж с использованием MS Excel, который может быть по аналогии использован не только на упомянутом предприятии, но и в других отраслях народного хозяйства.

1. Использование трендовых моделей в прогнозировании объемов продаж

1.1 Сущность трендовых моделей и их использование для прогнозов

Одна из важнейших групп методов прогнозирования основана на анализе временных рядов.

Прогнозирование на основе анализа временных рядов предполагает, что происходившие изменения в объемах продаж могут быть использованы для определения этого показателя в последующие периоды времени. Временные ряды, обычно служат для расчета четырех различных типов изменений в показателях: трендовых, сезонных, циклических и случайных.

Тренд - это изменение, определяющее общее направление развития, основную тенденцию временных рядов. Выявление основной тенденции развития (тренда) называется выравниванием временного ряда, а методы выявления основной тенденции - методами выравнивания.

Один из наиболее простых приемов обнаружения общей тенденции развития явления - укрупнение интервала динамического ряда. Смысл этого приема заключается в том, что первоначальный ряд динамики преобразуется и заменяется другим, уровни которого относятся к большим по продолжительности периодам времени.

Выявление основной тенденции может быть осуществлено также методом скользящей средней. Для определения скользящей средней формируются укрупненные интервалы, состоящие из одинакового числа уровней. Каждый последующий интервал получаем, постепенно передвигаясь от начального уровня динамического ряда на одно значение. По сформированным укрупненным данным рассчитываем скользящие средние, которые относятся к середине укрупненного интервала.

Изучение основной тенденции развития методом скользящей средней является эмпирическим приемом предварительного анализа. Для того чтобы дать количественную модель изменений динамического ряда, используется метод аналитического выравнивания. В этом случае фактические уровни ряда заменяются теоретическими, рассчитанными по определенной кривой, отражающей общую тенденцию изменения показателей во времени. Таким образом, уровни динамического ряда рассматриваются как функция времени:

t = f(t)

Наиболее часто могут использоваться следующие функции:

При равномерном развитии - линейная функция:

t = b0 + b1t

При росте с ускорением:

парабола второго порядка: Y t = b 0 + b 1 t + b 2 t 2

кубическая парабола: Y t = b 0 + b 1 t + b 2 t 2 + b 3 t 3

3. при постоянных темпах роста - показательная функция:

t = b0b1t

5.при снижении с замедлением - гиперболическая функция:

t = b0 + b1x1/t

Однако аналитическое выравнивание содержит в себе ряд условностей: развитие явлений обусловлено не только тем, сколько времени прошло с отправного момента, а и тем, какие силы влияли на развитие, в каком направлении и, с какой интенсивностью. Развитие явлений во времени выступает как внешнее выражение этих сил.

Оценки параметров b 0 , b 1 ,… b n находятся методом наименьших квадратов, сущность которого состоит в отыскании таких параметров, при которых сумма квадратов отклонений расчетных значений уровней, вычисленных по искомой формуле, от их фактических значений была бы минимальной.

Для сглаживания экономических временных рядов нецелесообразно использовать функции, содержащие большое количество параметров, так как полученные таким образом уравнения тренда (особенно при малом числе наблюдений) будут отражать случайные колебания, а не основную тенденцию развития явления.

Подбор вида функции, описывающей тренд, параметры которой определяются методом наименьших квадратов, производится в большинстве случаев эмпирически, путем построения ряда функций и сравнения их между собой по величине среднеквадратической ошибки.

Разность между фактическими значениями ряда динамики и его выровненными значениями характеризует случайные колебания (иногда их называют остаточные колебания или статистические помехи). В некоторых случаях последние сочетают тренд, циклические колебания и сезонные колебания.

Сезонные колебания - повторяющиеся из года в год изменения показателя в определенные промежутки времени. Наблюдая их в течение нескольких лет для каждого месяца (или квартала), можно вычислить соответствующие средние, или медианы, которые принимаются за характеристики сезонных колебаний.

Периодические колебания в розничной торговле можно обнаружить и в течение недели (например, перед выходными днями увеличивается продажа отдельных продуктов питания), и в течение какой-либо недели месяца. Однако самые значительные сезонные колебания наблюдаются в определенные месяцы года. При анализе сезонных колебаний обычно рассчитывается индекс сезонности, который используется для прогнозирования исследуемого показателя.

В самой простой форме индекс сезонности рассчитывается как отношение среднего уровня за соответствующий месяц к общему среднему значению показателя за год (в процентах). Все другие известные методы расчета сезонности различаются по способу расчета выровненной средней. Чаще всего используются либо скользящая средняя, либо аналитическая модель проявления сезонных колебаний.

Большинство методов предполагает использование компьютера.

Относительно простым методом расчета индекса сезонности является метод центрированной скользящей средней.

Используя метод скользящей средней, необходимо последовательно осуществить следующие этапы:

Решить, данные, за сколько лет должны быть включены в расчет. Можно использовать данные за один год, но для большей достоверности расчетов лучше использовать данные, по крайней мере, за два года, а если сезонные колебания значительны, - то и более.

Повторить этапы 2 и 3 для этого же месяца следующего года;

Определить средний индекс в этом месяце по данным за два года;

Обобщить данные о силе колеблемости показателей динамического ряда из-за их сезонного характера. При этом используется среднее квадратическое отклонение индексов сезонности (в процентах) от 100%.

Сравнение средних квадратических отклонений, вычисленных за разные периоды времени, показывает сдвиги в сезонности.

Другим методом расчета индексов сезонности, часто используемым в различного рода экономических исследованиях, является метод сезонной корректировки, известный в компьютерных программах как метод переписи (Census Method II). Он является своего рода модификацией метода скользящих средних. Специальная компьютерная программа элиминирует трендовую и циклическую компоненты, используя целый комплекс скользящих средних. Кроме того, из средних сезонных индексов удалены и случайные колебания, поскольку под контролем находятся крайние значения признаков.

Расчет индексов сезонности является первым этапом в составлении прогноза. Обычно этот расчет проводится вместе с оценкой тренда и случайных колебаний и позволяет корректировать прогнозные значения показателей, полученных по тренду. При этом необходимо учитывать, что сезонные компоненты могут быть аддитивными и мультипликативными.

Таким образом, временной ряд, характеризующий величину цикла систематических колебаний, можно использовать для прогнозирования с использованием аддитивных и мультипликативных моделей.

Итак, временной ряд - это последовательность наблюдений некоторой величины в последовательные моменты времени.

Аддитивная модель представляет собой обобщение множественной регрессии, которая является частным случаем общей линейной модели.

Аддитивную модель можно представить в виде формулы:

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

Применение мультипликативных моделей 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 модели она возрастает, или убывает. Графически это выражается в изменении амплитуды колебания сезонного фактора. Это показано на рис. 1.

Рисунок 1.Аддитивная и мультипликативная модели прогнозирования

Если бы на изучаемом интервале времени коэффициенты уравнения регрессии, которое описывает тренд, оставались бы неизменными, то для построения прогноза достаточно было бы использовать метод наименьших квадратов. Однако в течение исследуемого периода коэффициенты могут меняться. Естественно, что в таких случаях более поздние наблюдения несут большую информационную ценность по сравнению с более ранними наблюдениями, а, следовательно, им нужно присвоить наибольший вес. Именно таким принципам и отвечает метод экспоненциального сглаживания, который может быть использован для краткосрочного прогнозирования объема продаж. Расчет осуществляется с помощью экспоненциально-взвешенных скользящих средних:

Zt = a x Yt + (1 - a) x Zt -1

Z - сглаженный (экспоненциальный) объем продаж;

t - период времени;

a - константа сглаживания;

Y - фактический объем продаж.

Последовательно используя эту формулу, экспоненциальный объем продаж Z t можно выразить через фактические значения объема продаж Y :

SO - начальное значение экспоненциальной средней.

При построении прогнозов с помощью метода экспоненциального сглаживания одной из основных проблем является выбор оптимального значения параметра сглаживания a . Ясно, что при разных значениях a результаты прогноза будут различными. Если a близка к единице, то это приводит к учету в прогнозе в основном влияния лишь последних наблюдений; если a близка к нулю, то веса, по которым взвешиваются объемы продаж во временном ряду, убывают медленно, т.е. при прогнозе учитываются все (или почти все) наблюдения. Если нет достаточной уверенности в выборе начальных условий прогнозирования, то можно использовать итеративный способ вычисления a в интервале от 0 до 1. Существуют специальные компьютерные программы для определения этой константы.

Обобщая результаты прогнозирования с помощью методов временных рядов, необходимо оценить точность расчетов, на основании которой можно сделать вывод об аппроксимирующей способности моделей.

Объемы продаж большинства компаний показывают значительные колебания. Они растут и падают в зависимости от общей ситуации в бизнесе, уровня спроса на продукты, производимые компаниями, деятельности конкурентов и других факторов. Колебания, отражающие конъюнктурные циклы перехода от более или менее благоприятной рыночной ситуации к кризису, депрессии, оживлению и снова к благоприятной ситуации, называются циклическими колебаниями. Существуют различные классификации циклов, их последовательности и продолжительности. Например, выделяются двадцатилетние циклы, обусловленные сдвигами в воспроизводственной структуре сферы производства; циклы Джанглера (7-10 лет), проявляющиеся как итог взаимодействия денежно-кредитных факторов; циклы Катчина (3-5 лет), обусловленные динамикой оборачиваемости запасов; частные хозяйственные циклы (от 1 до 12 лет), обусловленные колебаниями инвестиционной активности.

Методика выявления цикличности заключается в следующем. Отбираются рыночные показатели, проявляющие наибольшие колебания, и строятся их динамические ряды за возможно более продолжительный срок. В каждом из них исключается тренд, а также сезонные колебания. Остаточные ряды, отражающие только конъюнктурные или чисто случайные колебания, стандартизируются, т.е. приводятся к одному знаменателю. Затем рассчитываются коэффициенты корреляции, характеризующие взаимосвязь показателей. Многомерные связи разбиваются на однородные кластерные группы. Нанесенные на график кластерные оценки должны показать последовательность изменения основных рыночных процессов и их движение по фазам конъюнктурных циклов.

1.2 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 объемов продаж значения тренда, определяют величины сезонной компоненты и корректируют таким образом, чтобы их сумма была равна нулю.

3. Рассчитываются ошибки модели

4. Строится модель прогнозирования:

F - прогнозируемое значение;

Т - тренд;

S - сезонная компонента;

Е - ошибка модели.

5. На основе модели строится окончательный прогноз объема 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.

где:пр t - прогнозное значение объема продаж;

Fм t - значение модели;

а - константа сглаживания.

Практическая реализация данного метода выявила его следующие особенности:

2. Применение алгоритма на примере исследования информации об объемах сбыта мороженого «Пломбир» фирмы «КЛАД», г. Кунгур Пермский край

Исходные данные: объемы реализации продукции за два сезона.

В качестве исходной информации для прогнозирования была использована информация об объемах сбыта мороженного «Пломбир» фирмы «КЛАД» г. Кунгура Пермского края. Данная статистика характеризуется тем, что значения объема продаж имеют выраженный сезонный характер с возрастающим трендом.

Исходная информация представлена в таблице 1.

Таблица 1.Фактические объемы реализации продукции

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

Реализуем алгоритм построения прогнозной модели, описанной выше. Решение данной задачи осуществим в среде MS Excel, что позволит существенно сократить количество расчетов и время построения модели.

2.1 Определение тренда

Определяем тренд, наилучшим образом аппроксимирующий фактические данные. Для этого используем полиномиальный тренд, что позволяет сократить ошибку прогнозной модели.

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 (4Е - 05). Для расчета тренда рекомендуется использовать опцию «Линия тренда» MS Excel.

Опция «Линия тренда»

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

·логарифмический R2 = 0,0166;

·степенной R2 = 0,0197;

·экспоненциальный R2 = 8Е - 05.

2.2 Определение величины сезонной компоненты

Вычитая из фактических объемов продаж значения тренда, определяем величины сезонной компоненты, используя при этом пакет программных данных MS Excel.

Расчет значений сезонной компоненты в MS Excel

Итоги расчета значений сезонной компоненты приведем в таблице:

Таблица 2.Расчет значений сезонной компоненты

Таблица 3.Расчет средних значений сезонной компоненты

2.3 Расчет ошибок модели

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

Таблица 4. Расчет ошибок

Находим среднеквадратическую ошибку модели (Е) по формуле:

Е = ? О2: ? (Т + S)2

Т - трендовое значение объема 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, то есть она вполне отражает тенденции, определяющие объем продаж, и является предпосылкой для построения прогнозов высокого качества.

Построим модель прогнозирования:

2.4 Построение прогноза объемов продаж

На основе модели строим окончательный прогноз объема продаж.Для смягчения влияния прошлых тенденций на достоверность прогнозной модели, сочетаем трендовый анализ с экспоненциальным сглаживанием. Это позволит нивелировать недостаток адаптивных моделей, то есть учесть наметившиеся новые экономические тенденции.

Fпр t = a Fф t-1 + (1 - a) Fм t

Fпр t - прогнозное значение объема продаж;

Fф t-1 - фактическое значение объема продаж в предыдущем году;

Fм t - значение модели;

а - константа сглаживания.

Константу сглаживания рекомендуется определять методом экспертных оценок, как вероятность сохранения существующей рыночной конъюнктуры, то есть, 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.

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

Определяем прогнозное значение модели:

Fм t = 1924,92 + 162,44 = 2087 ± 7,8 (тыс. руб.)

Фактическое значение объема продаж в предыдущем году (Fф t-1) составило 2361 тыс. руб. Принимаем коэффициент сглаживания 0,8. Получим прогнозное значение объема продаж:

Fпр t = 0,8 х 2361 + (1 - 0,8) х 2087 = 2306 (тыс. руб.)

Заключение

прогноз тренд сезонный модель

Проанализировав теоретические аспекты рассматриваемого вопроса и проделав работу по построению прогноза объема продаж конкретного предприятия с помощью определения тренда, возможно сделать следующие выводы:

Прогнозирование объема продаж - неотъемлемая часть процесса принятия решения; это систематическая проверка ресурсов компании, позволяющая более полно использовать ее преимущества и своевременно выявлять потенциальные угрозы. Компания должна постоянно следить за динамикой объема продаж и альтернативными возможностями развития рыночной ситуации с тем, чтобы наилучшим образом распределять имеющиеся ресурсы и выбирать наиболее целесообразные направления своей деятельности.

Кроме того, для повышения надежности прогноза рекомендуется строить все возможные сценарии прогноза и рассчитывать длительный интервал прогноза.

Практическая реализация рассмотренного метода выявила его следующие 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 полиноминального тренда вместо линейного позволяет значительно сократить ошибку модели;

·при наличии достаточного количества данных метод дает хорошую аппроксимацию и может быть эффективно использован при прогнозировании объема продаж в инвестиционном проектировании.

Список литературы

1.Алисинская Т.В., Сербин В.Д., Катаев А.В. Учебно-методическое пособие по курсу «Экономико-математические методы и модели. Линейное программирование». Таганрог. 2001.

2.Бушуева Л.И. Метод прогнозирования объема продаж // Маркетинг в России и за рубежом. 2004. №2.

.Кошечкин С.А. Алгоритм прогнозирования объема продаж в MS Excel // #"justify">.Кулакова О. Методы прогнозирования. Анализ аддитивной модели // Бюджетирование и финансовый менеджмент. 2000. №2.

.Лобанова Е. Прогнозирование с учетом экономического роста // Экономические науки. 2002. №1.

.Орлова И.В. Экономико-математические методы и модели. Выполнение расчетов в среде Excel: Практикум. М. 2000.

.Статистический словарь / Под ред. М.А. Королева. М. 1989.

Репетиторство

Нужна помощь по изучению какой-либы темы?

Наши специалисты проконсультируют или окажут репетиторские услуги по интересующей вас тематике.
Отправь заявку с указанием темы прямо сейчас, чтобы узнать о возможности получения консультации.

Заключительным этапом разработки плана маркетинга является определение объёма продаж. Планированию объёма продаж, как правило, предшествует прогноз сбыта. Прогноз сбыта продукции включает определение основных объемных показателей деятельности предприятия и осуществляется на основе прогноза спроса, определенного для масштабов предприятия. Прогноз сбыта – это тот центр, вокруг которого концентрируется все планирование бизнеса. Прогноз сбыта разрабатывается для любого периода упреждения. Долгосрочный прогноз сбыта позволяет заложить фундамент для производства новых видов продукции и технологических процессов. Среднесрочный – это обычно проекция существующих тенденций в будущее с учётом возможного воздействия предполагаемых изменений в численности покупателей, конъюнктуры рынка и изменений других факторов.

Краткосрочный прогноз сбыта может быть сроком до одного года, используется в качестве основы для планирования маркетинга, обоснования планов сбыта.

Прогноз сбыта содержит разные измерители, но среди них обязательно должны быть количество единиц продукции и цена. При разработке прогноза сбыта пользуются той же информацией, что и при прогнозе . Это сведения о конъюнктуре рынка, состоянии экономики в целом, перспективы товарного предложения, условиях деятельности предприятия и т.д.

Прогноз сбыта и план сбыта строятся примерно по одной схеме, но план сбыта должен быть более детализированным, конкретным и увязан с финансово-организационными аспектами осуществления. Некоторые предприятия предпочитают не составлять план сбыта, ограничиваясь разработкой его прогноза и составлением политики сбыта.

Сегодня прогнозирование объёма продаж осуществляется двумя методами:

• методы экспертных оценок
• экономико-статистические методы

Метод экспертных оценок

В основе этого метода лежит изучение мнений специалистов предприятий-изготовителей, потребителей продукции о возможных объемах продукции предприятия в планируемом периоде. На их основе экспертным путем определяются три вида прогноза объема продаж: оптимистический, пессимистический и вероятностный. Ожидаемый объем продаж (ОП) в плановом периоде может быть определен по формуле:

ОП = (О + 4В+ П)/6
где О, В, П – объемы продаж – соответственно оптимистический, вероятностный, пессимистический.

Так как любой прогноз носит вероятностный характер, то рассчитывается доверительный интервал возможного объема продаж:

Д = ОП± 2(О-П)/6
где О-П/6 – стандартное отклонение оценок продаж.

При расчете объема продаж методом экспертных оценок большое значение имеет квалификация экспертов. Знание особенностей продукции, рынка, конкурентов, тенденции их развития способствуют повышению достоверности получения данных.

Экономико-статистические методы

Экономико-статистические методы включают широкий спектр различных методов. Не все они получили широкое распространение в практике . Наиболее популярными являются:

• Метод экстраполяции – определяет объем продаж как функцию времени (или иного фактора). Как обычно в таких случаях необходим учет динамического (временного) ряда показателя

• Метод скользящей средней величины продаж. Планируемый объем продаж определяется делением фактического объема продаж на продолжительность анализируемого периода. Скользящая средняя величина пересчитывается по мере получения новых значений;
• Метод доли рынка предприятия – в основе данные о среднегодовых темпах роста емкости целевого рынка в прошедшем периоде и планируемой доли предприятия в общем объеме продаж

ОП = Ер× Иср Д/100
где Ер – емкость целевого рынка в отчетном году, ед.
Иср – среднегодовой индекс роста емкости целевого рынка
Д – планируемая доля предприятия на целевом рынке в прогнозируемый период, %.

Планирование сбыта может происходить на основе показателей прибыли и рентабельности, необходимых фирме. Такой расчёт использует понятие «точка безубыточности» , которая характеризует пограничный, т.е. нулевой по прибыльности объём работы.

ОП = ПОИ/ 1-ПИ´ (руб.)
где ПОИ – постоянные издержки
ПИ´ – уровень переменных издержек в единице товара.

Знание пограничного объема, за которым для фирмы наступает сфера прибыльности, позволяет ей произвести выбор конкретной величины сбыта.

Использование точки безубыточности может способствовать обоснованию конкретного объёма продаж с учетом исходных данных по прибыли и рентабельности, а также складывающихся издержек, позволяет обосновать тот объем, который обеспечит получение предусматривающихся конечных результатов деятельности.

Метод прямого счёта

Метод прямого счёта – планирование осуществляется на основе рациональных норм расхода, потребления.

Эффективность применения того или иного метода прогноза продаж зависит от конкретных условий и специфики хозяйственной деятельности предприятия.

Работа по планированию объема продаж заканчивается формированием портфеля заказов. Портфель заказов состоит из трёх разделов:

• текущих заказов, обеспечивающих ритмичную работу предприятия
• среднесрочных
• перспективных заказов

На все заказы, в первую очередь, текущие, должны быть заключены договора.

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.)

Прогнозирование продаж -- один из самых важных информационных инструментов планирования деятельности как компании в целом, так и каждого ее подразделения. Например, финансовый отдел использует прогноз продаж для планирования денежных потоков, принятия инвестиционных решений и составления операционных бюджетов; производственный отдел -- для определения объемов, составления графиков производства и управления товарно-материальными запасами; отдел кадров -- для планирования потребности в работниках и в качестве исходной информации при заключении коллективных договоров; отдел закупок -- для планирования совокупной потребности компании в материалах и составления графиков их поставок; отдел маркетинга -- для планирования программ маркетинга и сбыта и распределения ресурсов между различными видами маркетинговой деятельности. На первый взгляд может показаться, что, чем крупнее компания, тем важнее точность прогноза; на самом же деле нет принципиальной разницы между ошибкой, сделанной при прогнозировании продаж киоска, и ошибкой, допущенной при прогнозировании сбыта крупного завода. Особенно опасны ошибки в прогнозировании продаж начинающих фирм -- ведь у них, в отличие от более опытных компаний, как правило, нет дополнительных ресурсов для покрытия дефицита, который может возникнуть в результате неправильного планирования.

Прогноз продаж применяется также для планирования и оценки работы каждого продавца. Он используется для установления квот продажи, формирования схемы оплаты труда и оценки деятельности торгового персонала, поэтому очень важно, чтобы менеджеры по продажам были хорошо знакомы с основными методами прогнозирования продаж. Для прогнозирования продаж используются субъективные и объективные методы.

Рисунок - Классификация методов прогнозирования продаж

I. Субъективные методы прогнозирования продаж при составлении прогноза не используют количественные (эмпирические) и аналитические данные продаж, а основываются на субъективных мнениях разных специалистов.

1) Ожидания пользователей.

Метод ожиданий пользователей в прогнозировании продаж известен также как метод намерений покупателей, поскольку основывается на высказываниях потребителей об их готовности приобрести тот или иной товар.

Метод ожиданий пользователей в прогнозировании продаж обычно дает оценки, более близкие к потенциалу рынка или потенциалу продаж, чем к прогнозам продаж. Этот метод можно использовать скорее в качестве индикатора привлекательности для компании определенного рынка либо его сегментов, чем как инструмент прогнозирования продаж. В большинстве случаев намерения покупателей отделены от реальной покупки огромной пропастью, преодолеть которую должен маркетинговый план компании. Особенно важно помнить об этой пропасти при разработке и выводе на рынок новых товаров или услуг.

Недостатки этого метода очевидны. Зачастую компания тратит большие средства на маркетинговые исследования, а потом не может продать новый товар, необходимость которого в материалах исследований казалась очевидной. Это говорит о том, что прогноз продаж на основе метода ожиданий пользователей может давать неверные результаты. Для планирования своей деятельности компании нужно знать, что именно потребитель хочет получить от товара или услуги. Предположим, покупатель хочет меньше тратить времени на покупку продуктов. Только фирма (но не потребитель), обладая всей информацией о рынке и спросе, может поставить задачу: построить магазин в новом густонаселенном районе или организовать продажу продуктов через Интернет с доставкой на дом.

2) Мнение продавцов.

Метод прогнозирования продаж на основе мнения продавцов или торгового персонала -- это выявление данных о том, какой объем продукции каждый сотрудник сбыта рассчитывает продать в течение определенного периода.

Полученные оценки проверяются, обсуждаются и корректируются на разных уровнях управления с учетом точности предыдущих прогнозов каждого представителя сбыта. По разным причинам сотрудники могут либо недооценивать, либо переоценивать свои возможности. Например, если какие-то товары компании оказываются в дефиците (например, из-за нехватки исходных материалов или быстрого роста рынка) или доступны лишь ограниченному кругу потребителей (например, в случае проведения краткосрочной кампании по стимулированию сбыта), сотрудники сбыта завышают свои возможности в ожидании, что им выделят больше “дефицитных” товаров. Если же квоты продажи являются производными от прогнозов, то торговый персонал склонен недооценивать возможные объемы продаж, чтобы получить квоту поменьше и выполнить ее без излишних усилий. Превысив прогнозируемые показатели, такой работник зарекомендует себя как эффективный продавец и может даже получить материальное вознаграждение.

3) Мнение менеджеров компании.

Метод прогнозирования продаж, базирующийся на выявлении оценок или коллективного мнения менеджеров/руководителей компании, -- это проводимый внутри фирмы-продавца формальный или неформальный опрос ключевых руководителей для получения их оценки будущих продаж. Все оценки экспертов объединяются в прогноз продаж компании -- иногда путем простого усреднения индивидуальных оценок. В других случаях явно расходящиеся между собой точки зрения опрашиваемых обсуждаются в группе, где и достигается консенсус. Первоначальные позиции экспертов могут означать не более чем интуитивную догадку того или иного руководителя о будущем развитии событий. Бывает, что мнение руководителя базируется на богатом фактическом материале, а иногда даже на первоначальном прогнозе, выполненном какими-нибудь иными способами.

4) Метод Дельфи

Метод Дельфи позволяет получить более точный прогноз. Он базируется на интерактивном подходе с повторными измерениями и контролируемой анонимной обратной связью (вместо непосредственного общения экспертов и обсуждения ими своих оценок будущего сбыта). При этом каждый эксперт готовит собственный прогноз на основе имеющихся у него фактов, данных и общего знания среды, в которой работает компания. Затем координатор на основе полученных прогнозов составляет обобщающий отчет и вручает его каждому из участников. Как правило, этот отчет содержит индивидуальные прогнозы каждого эксперта, рассчитанный средний показатель и разбросы оценок. Обычно экспертов, чьи первоначальные оценки резко расходятся с усредненным показателем, просят аргументировать свою точку зрения, и эти мнения также включаются в итоговый документ. Участники “опроса” изучают его и предлагают новый вариант прогноза. Обычно эксперты приходят к единому мнению в результате нескольких итераций. Опыт показывает, что разброс данных постепенно уменьшается, поскольку оценки экспертов сближаются, а совокупное мнение группы дает результат, близкий к объективным показателям.

II) Объективные методы прогнозирования продаж.

Объективные методы прогнозирования продаж базируются в основном на количественных (эмпирических) и аналитических данных.

1) Рыночное тестирование

Метод рыночного тестирования предполагает продажу товара в нескольких считающихся репрезентативными географических регионах для выяснения реакции потребителей, с последующим проецированием полученных данных на весь рынок в целом. Нередко такой метод используется для разработки нового товара или усовершенствования старого.

Многие фирмы рассматривают результаты рыночного тестирования как важнейшее свидетельство отношения потребителей к новому товару и конечный показатель потенциала рынка. Исследования показывают, что примерно три из четырех товаров, получивших одобрение потребителей в ходе рыночного тестирования, добиваются успеха на рынке, а четыре из пяти товаров, не выдержавших тестирование, терпят неудачу. И все же рыночное тестирование имеет ряд недостатков.

2) Анализ временных рядов

Прогнозирование продаж с использованием анализа временных рядов базируется на анализе данных за прошедшие периоды. В простейшем случае прогноз предполагает, что объем сбыта в следующем году будет равен объему сбыта в текущем году. Такой прогноз может оказаться достаточно точным для зрелой отрасли, характеризующейся незначительными темпами роста рынка. В других обстоятельствах необходимо использовать более сложные методы анализа временных рядов. Здесь мы рассмотрим следующие методы :

• - скользящего среднего;
• - экспоненциального сглаживания;
• - декомпозиции.

Метод скользящего среднего

Метод скользящего среднего достаточно прост. Рассмотрим прогноз, который сводится к тому, что объем сбыта в следующем году будет равен объему продаж в году текущем. При значительных колебаниях объемах продаж из года в год такой прогноз чреват серьезными последствиями. Чтобы учесть все нюансы, можно рассчитать среднее значение нескольких показателей объемов продаж за определенные периоды времени, например произвести усреднение объемов продаж за два, три, пять последних лет или за другое количество удобных для расчетов периодов. При таком подходе прогноз продаж оказывается обычным средним значением объемов сбыта. Количество показателей, используемых в вычислении, определяется экспериментальным путем. В конечном итоге число периодов, которое обеспечит наиболее точные прогнозы подающихся проверке данных, будет использоваться для разработки модели прогноза. Термин “скользящее среднее” используется потому, что вычисленное новое среднее значение служит прогнозом на каждом этапе наблюдения при появлении новых данных.

Метод экспоненциального сглаживания

При прогнозировании следующего значения метод скользящего среднего придает равный вес каждому из последних значений n, где n -- количество используемых лет. Таким образом, когда n = 4 (т.е. используется четырехгодичное скользящее среднее), при прогнозировании объема сбыта на следующий год одинаковый вес назначается объемам сбыта за каждый год из последних четырех лет.

Метод экспоненциального сглаживания -- это разновидность метода скользящего среднего. Его отличие в том, что наибольшие весовые коэффициенты назначаются не всем наблюдениям, а самым последним, поскольку они несут в себе больше информации о вероятном развитии событий в ближайшем будущем.

Эффективность метода экспоненциального сглаживания во многом зависит от выбора так называемой константы сглаживания, которая в алгоритме вычисления обозначается как б и находится в диапазоне от 0 до 1. Высокие значения б придают больше веса последним наблюдениям и меньше -- более ранним. Если объемы продаж с течением времени изменяются незначительно, то целесообразно использовать низкие значения б. Однако, когда объемы сбыта колеблются в широком диапазоне, следует использовать высокие значения б, в результате чего прогнозируемый ряд будет отражать эти изменения. Обычно значение б определяется эмпирическим путем, т.е. проверяются разные значения б и в итоге принимается то, которое обеспечивает наименьшую погрешность прогноза для определенного количества наблюдений за предыдущие периоды времени.

Метод декомпозиции

В случае необходимости анализа данных за более короткие периоды времени, например месяц или квартал, при наличии сезонных колебаний продаж, когда руководство хочет получить прогнозы продаж не только на год, но и на отдельные его периоды, используется метод прогнозирования продаж, называемый декомпозицией. Здесь важно определить, какая доля изменения объемов продаж обусловлена тенденциями на рынке, а какая объясняется сезонностью спроса. Суть метода декомпозиции заключается в выявлении четырех составляющих временного ряда:

• - тренд;
• - циклический фактор;
• - сезонный фактор;
• - случайный фактор.

Тренд отражает долгосрочные изменения, которые наблюдаются во временном ряде, когда циклический, сезонный и нерегулярные компоненты исключены. Обычно предполагается, что тренд можно представить в виде прямой линии.

Циклический фактор присутствует не всегда, поскольку отражает подъемы и спады (“волны”) во временном ряде, когда сезонный и случайный компоненты исключены. Циклические подъемы и спады, как правило, проявляются на протяжении достаточно длительного периода времени -- примерно от двух до пяти лет. Для некоторых товаров (например, для консервированной кукурузы) отмечаются незначительные циклические колебания, в то время как продажи других (например, строительство жилья) претерпевают весьма существенные изменения.

Сезонность отражает ежегодные колебания во временном ряде, вызванные естественной сменой сезонов. Сезонный фактор, как правило, проявляется ежегодно, хотя точная картина продаж с каждым годом может меняться.

Случайный фактор отражает воздействие, которое может наблюдаться после исключения влияния тренда, циклического и сезонного факторов.

3) Статистический анализ спроса

Взаимосвязь объемов продаж и определенных периодов времени, которая используется в методе временных рядов, формирует основу для составления прогноза на будущее. Статистический анализ спроса -- это попытка определить взаимосвязь объемов продаж и основных факторов влияния и составить на этой основе прогноз на будущее. Как правило, для оценки такой взаимосвязи используется регрессионный анализ. При этом акцент делается на выделении не всех факторов, влияющих на объемы сбыта, а лишь на самых значимых, оказывающих наибольшее влияние на объемы сбыта. Например, компания по производству пластиковых окон при прогнозировании сбыта может учитывать такие факторы, как цикличность строительства жилья, колебания процентных ставок и сезонное повышение спроса в весенне-летний период.

Все методы прогнозирования продаж имеют свои преимущества и недостатки, поэтому решение об использовании того или иного метода далеко не очевидно. В первую очередь, решение об использовании метода прогнозирования зависит от самого товара или услуги. Например, для прогнозирования продаж абсолютно нового и ни на что не похожего товара (например, игрушки тамагочи) не может быть использован ни один из методов, так как возможные продажи могут колебаться от нуля до миллиардов рублей.