Методы прогнозирования объёмов продаж (стр. 4 из 5)
На графике видно, что выровненный ряд достаточно точно воспроизводит фактические данные объема продаж. При этом при прогнозе учитываются данные всех прошлых наблюдений, веса, по которым взвешиваются уровни временного ряда, убывают медленно, a=0,032.
Количественные значения прогнозных показателей объема продаж напитка “Тархун” в 2000 г., полученные с помощью метода экспоненциального сглаживания, приведены в таб. 4.
 |
(фактический ряд) (выравненный ряд) (остаточный ряд)
Рис. 3. График результатов экспоненциального сглаживания
Таблица 4
Прогнозируемый объем продаж напитка “Тархун” в 2000 г.
| Месяц | Прогноз, тыс. дал | Месяц | Прогноз, тыс.дал | Месяц | Прогноз, тыс. дал |
| Январь | 9,380 | Апрель | 11,369 | Июль | 12,898 |
| Февраль | 9,046 | Май | 12,030 | Август | 12,799 |
| Март | 11,080 | Июнь | 12,617 | Сентябрь | 11,537 |
В таб. 4 приведены не все прогнозные данные за 2000 г., что обусловлено зависимостью между количеством исходных данных и возможным количеством прогнозируемых данных.
Обобщая результаты прогнозирования с помощью методов временных рядов, необходимо оценить точность расчетов, на основании которой можно сделать вывод об аппроксимирующей способности моделей. Для того чтобы продемонстрировать возможности всех методов прогнозирования временных рядов рассмотрим, насколько точно были предсказаны объемы продаж в 1999 г., и сравним расчетные данные с фактически полученными. Соответствующие расчеты приведены в таб. 5.
Данные таб. 5 показывают, что все методы прогнозирования дают примерно одинаковые результаты с ошибкой, не превышающей 5%. Следовательно, любой из этих методов может быть использован для прогнозирования объема продаж фирмы в будущем.
Таблица 5
Результаты прогнозирования объема продаж напитка “Тархун” в 2000 г.
| Месяц | Факти-ческие данные | Центрированная скользящая средняя | Метод переписи (Мультипликативная модель) | Экспоненциальное сглаживание | |||||
| Мультипликативная модель | Аддитивная модель | ||||||||
| прогноз | % ошибок | прогноз | % ошибок | прогноз | % ошибок | прогноз (аддитивная модель) | % ошибки | ||
| Январь | 8,848 | 8,962 | 1,29 | 9,016 | 1,90 | 8,80 | 0,36 | 9,018 | 1,92 |
| Февраль | 8,753 | 8,646 | –1,22 | 8,743 | –0,11 | 8,567 | –2,12 | 8,678 | –0,85 |
| Март | 11,155 | 10,934 | –1,98 | 10,864 | –2,61 | 10,818 | –3,02 | 10,714 | 3,95 |
| Апрель | 10,898 | 11,179 | 2,57 | 11,205 | 2,82 | 11,119 | 2,03 | 11,017 | 1,09 |
| Май | 11,917 | 11,834 | –0,7 | 11,878 | –0,33 | 11,766 | –1,27 | 11,674 | –2,04 |
| Июнь | 12,955 | 12,562 | –3,03 | 12,466 | –3,77 | 12,509 | –3,44 | 12,270 | –5,29 |
| Июль | 12,131 | 12,750 | 5,10 | 12,682 | –2,11 | 12,633 | 4,14 | 12,572 | –2,96 |
| Август | 12,752 | 12,589 | –1,28 | 12,488 | –2,07 | 12,597 | –1,22 | 12,459 | 2,70 |
| Сентябрь | 11,016 | 11,090 | 0,67 | 11,152 | 1,23 | 11,091 | 0,68 | 11,207 | 1,73 |
| Октябрь | 10,493 | 10,283 | –2,00 | 10,340 | –1,46 | 10,131 | –3,45 | 10,439 | –0,51 |
| Ноябрь | 9,832 | 9,594 | –2,42 | 9,599 | –2,37 | 9,869 | 3,76 | 9,894 | 0,63 |
| Декабрь | 9,354 | 9,855 | 5,36 | 9,822 | 5,00 | 9,238 | –1,24 | 10,222 | 9,28 |
| Итого | 130,10 | 130,29 | +2,73 | 130,25 | +2,51 | 129,21 | +2,6 | 130,16 | 3,64 |
Статистические таблицы, характеризующие сезонность потребления напитка “Тархун”, могут дополниться графиками, позволяющими подчеркнуть сезонный характер исходных данных и провести сравнение.
Объемы продаж большинства компаний показывают более значительные колебания, чем те, что представлены в таб. 1. 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 хозяйственныециклы (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.
6 КАЗУАЛЬНЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ
Казуальные методы прогнозирования объема продаж включают разработку и использование прогнозных моделей, в которых изменения в уровне продаж являются результатом изменения одной и более переменных.
Казуальные методы прогнозирования требуют определения факторных признаков, оценки их изменений и установления зависимости между ними и объемом продаж. Из всех казуальных методов прогнозирования рассмотрим только те, которые с наибольшим эффектом могут быть использованы для прогнозирования объема продаж. К таким методам относятся:
1) корреляционно-регрессионный анализ;
2) метод ведущих индикаторов;
3) метод обследования намерений потребителей и др.
К числу наиболее широко используемых казуальных методов относится корреляционно-регрессионный анализ. Техника этого анализа достаточно подробно рассмотрена во всех статистических справочниках и учебниках. Рассмотрим лишь возможности этого метода применительно к прогнозированию объема продаж.
Может быть построена регрессионная модель, в которой в качестве факторных признаков могут быть выбраны такие переменные, как уровень доходов потребителей, цены на продукты конкурентов, расходы на рекламу и др. Уравнение множественной регрессии имеет вид:
где Y – прогнозируемый (результативный) показатель; в данном случае – объем продаж;
– факторы (независимые переменные); в данном случае – уровень доходов потребителей, цены на продукты конкурентов и т.д.;n – количество независимых переменных;
– свободный член уравнения регрессии; 
– коэффициенты регрессии, измеряющие отклонение результативного признака от его средней величины при отклонении факторного признака на единицу его измерения.Последовательность разработки регрессионной модели для прогнозирования объема продаж включает следующие этапы:
1) предварительный отбор независимых факторов, которые по убеждению исследователя определяют объем продаж. Эти факторы должны быть либо известны (например, при прогнозировании объема продаж цветных телевизоров (результативный показатель) в качестве факторного признака может выступать число цветных телевизоров, находящихся в эксплуатации в настоящее время); либо легко определяемы (например, соотношение цены на исследуемый продукт фирмы с ценами конкурентов);
2) сбор данных по независимым переменным. При этом строится временной ряд по каждому фактору либо собираются данные по некоторой совокупности (например, совокупности предприятий). Другими словами, необходимо, чтобы каждая независимая переменная была представлена 20 и более наблюдениями;
3) определение связи между каждой независимой переменной и результативным признаком. В принципе, связь между признаками должна быть линейной, в противном случае производят линеаризацию уравнения путем замены или преобразования величины факторного признака;
4) проведение регрессионного анализа, т.е. расчет уравнения и коэффициентов регрессии, и проверка их значимости;