Аппроксимация функции нескольких независимых переменных (множественная регрессия) – очень интересная, имеющая огромное практическое значение задача! Если научиться ее решать, то можно стать почти волшебником, умеющим делать очень достоверные прогнозы...

Результатов различных процессов на основе данных предыдущих периодов времени. В этой статье мы рассмотрим прогнозирование в Excel при помощи очень мощного и удобного инструмента — встроенных статистических функций ЛИНЕЙН и ЛГРФПРИБЛ.

Не пугайтесь «умных» терминов! Все, на самом деле, не так страшно, как кажется вначале! Не пожалейте время и прочтите эту статью внимательно до конца. Умение применять на практике эти функции существенно увеличит ваш «вес» как специалиста в глазах коллег, руководителей и в своих собственных глазах!

В одной из самых популярных статей этого блога подробно рассказано об (рекомендую прочесть). Но в реальных жизненных процессах результат, как правило, зависит от многих независимых друг от друга факторов (переменных). Как выявить и учесть все эти факторы, связать их воедино и на основании накопленных статистических данных спрогнозировать расчетный конечный результат для некоего нового набора исходных параметров? Как оценить достоверность прогноза и степень влияния на результат каждой из переменных? Ответы на эти и другие вопросы – далее в тексте статьи.

Что можно научиться прогнозировать? Очень многое! В принципе, можно научиться прогнозировать любые самые разнообразные результаты процессов в повседневной жизни и работе. Всегда, когда возникает вопрос: «А что будет, если…?» зовите на помощь Excel, рассчитывайте прогноз и проверяйте его достоверность!

Можно научиться прогнозировать зависимость прибыли от цены и объемов продаж любого товара.

Можно научиться прогнозировать зависимость цены автомобилей на вторичном рынке от марки, мощности, комплектации, года выпуска, количества предыдущих владельцев, пробега.

Можно научиться устанавливать зависимость объемов продаж товаров от затрат на различные виды рекламы.

Можно научиться выполнять прогнозирование в Excel стоимости наборов любых услуг в зависимости от их состава и качества.

В производстве, используя косвенные простые параметры, можно научиться прогнозировать трудоемкость и объем выпускаемой продукции, потребление материалов и энергоресурсов, и т.д.

Прежде чем начать решать практическую задачу, хочу обратить внимание на один весьма важный момент. Научиться выполнять прогнозирование в Excel с использованием вышеназванных функций ЛИНЕЙН и ЛГРФПРИБЛ технически не очень сложно. Гораздо сложнее научиться анализировать процесс, приводящий к результату и находить простые факторы, влияющие на него. При этом желательно (но не обязательно) понимать — КАК зависит результат (функция) от каждого из факторов (переменных). Линейная это зависимость или может быть степенная или какая-нибудь другая? Понимание физического смысла процесса поможет вам правильно выбрать переменные. Подбор аппроксимирующей функции следует производить при полном понимании логики и смысла процесса, приводящего к результату.

Подготовка к прогнозированию в Excel.

1. Четко формулируем название и единицу измерения интересующего нас результата процесса. Это и есть искомая функция — y , аналитическое выражение которой мы будем определять с помощью MS Excel.

В примере, представленном чуть ниже, y — это срок изготовления заказа в рабочих днях.

2. Производим анализ процесса и выявляем факторы — аргументы функции — x 1 , x 2 , ... x n — наиболее сильно на наш взгляд влияющие на результат – значения функции y . Внимательно назначаем единицы измерений для переменных.

В примере это:

x 1 — суммарная длина всех прокатных профилей в метрах, из которых изготавливается заказ

x 2 — общая масса всех прокатных профилей в килограммах

x 3 — суммарная площадь всех листов в метрах квадратных

x 4 — общая масса всех листов в килограммах

3. Собираем статистику – фактические данные – в виде таблицы.

В примере – это фактические данные о металлопрокате и фактических сроках выполненных ранее заказов.

Очень важно при выборе переменных x 1 , x 2 , ... x n учесть их доступность. То есть, значения этих факторов должны быть у вас в виде достоверных статистических данных. Очень желательно, чтобы получение значений статистических данных было простым, понятным и нетрудоемким процессом.

Переходим непосредственно к рассмотрению примера.

Небольшой участок завода производит строительные металлоконструкции. Входным сырьем является листовой и профильный металлопрокат. Мощность участка в рассматриваемом периоде времени неизменна. В наличии есть статистические данные о сроках изготовления 13-и заказов (k =13) и количестве использованного металлопроката. Попробуем найти зависимость срока изготовления заказа от суммарной длины и массы профильного проката и суммарной площади и массы листового проката.

В рассмотренном примере срок изготовления заказа напрямую зависит от мощности производства (люди, оборудование) и трудоемкости выполнения технологических операций. Но детальные технологические расчеты очень трудоемки и, соответственно, длительны и дороги. Поэтому в качестве аргументов функции выбраны четыре параметра, которые легко и быстро можно посчитать при наличии спецификации металлопроката, и которые косвенно влияют на результат – срок изготовления. В результате анализа была установлена сильнейшая связь между изменениями исходных данных и результатами процесса изготовления металлоконструкций.

Примечательно, что найденная зависимость связывает в одной формуле параметры с различными единицами измерения. Это нормально. Найденные коэффициенты не являются безразмерными. Например, размерность коэффициента b – рабочие дни, а коэффициента m 1 – рабочие дни/м.

1. Запускаем MS Excel и заполняем ячейки B4...F16 таблицы Excel исходными статистическими данными. В столбцы пишем значения переменных x i и фактические значения функции y , располагая данные, относящиеся к одному заказу в одной строке.

2. Так как функции ЛИНЕЙН и ЛГРФПРИБЛ — функции выводящие результаты в виде массива , то их ввод имеет некоторые особенности. Выделяем область размером 5×5 ячеек — ячейки I9...M13. Количество выделенных строк всегда — 5, а количество столбцов должно быть равно количеству переменных x i плюс 1. В нашем случае это: 4+1=5.

3. Нажимаем на клавиатуре клавишу F2 и набираем формулу

в ячейках I9...M13: =ЛИНЕЙН(F4:F16;B4:E16;ИСТИНА;ИСТИНА)

4. После набора формулы необходимо для ее ввода нажать сочетание клавиш Ctrl+Shift+Enter. (Знак «+» нажимать не нужно, в записи он означает, что клавиши нажимаются последовательно при удержании нажатыми всех предыдущих.)

5. Считываем результаты работы функции ЛИНЕЙН в ячейках I9...M13.

Карту, поясняющую значения каких параметров в каких ячейках выводятся, я расположил в ячейках I4...M8 для удобства чтения сверху над массивом значений.

Общий вид уравнения аппроксимирующей функции y , представлен в объединенных ячейках I2...M2.

Значения коэффициентов b , m 1 , m 2 , m 3 , m 4 считываем соответственно

в ячейке M9: b =4,38464164

в ячейке L9: m 1 =0,002493053

в ячейке K9: m 2 =0,000101103

в ячейке J9: m 3 =-0,084844006

в ячейке I9: m 4 =0,002428953

6. Для определения расчетных значений функции y — срока изготовления заказа — вводим формулу

в ячейку G4: =$L$9*B4+$K$9*C4+$J$9*D4+$I$9*E4+$M$9 =5,0

y =b +m 1 *x 1 +m 2 *x 2 +m 3 *x 3 +m 4 *x 4

7. Копируем эту формулу во все ячейки столбца от G5 до G17 «протягиванием» и сверяем расчетные значения с фактическими. Совпадение очень хорошее!

8. Предварительные действия все выполнены. Уравнение аппроксимирующей функции y найдено. Пробуем выполнить прогнозирование в Excel срока изготовления нового заказа. Вписываем исходные данные.

8.1. Длину прокатных профилей по проекту x 1 в метрах пишем

в ячейку B17: 2820

8.2. Массу прокатных профилей x 2 в килограммах пишем

в ячейку C17: 62000

8.3. Площадь листового проката, используемого в новом заказе по проекту, x 3 в метрах квадратных заносим

в ячейку D17: 110,0

8.4. Общую массу листового проката x 4 в килограммах вписываем

в ячейку E17: 7000

9. Расчетный срок изготовления заказа y в рабочих днях считываем

в ячейке G17: =$L$9*B17+$K$9*C17+$J$9*D17+$I$9*E17+$M$9 =25,4

Прогнозирование в Excel выполнено. На основе статистических данных мы рассчитали предположительный срок выполнения нового заказа — 25,4 рабочих дней. Остается выполнить заказ и сверить фактическое время с прогнозным.

Анализ результатов.

Мы не будем погружаться глубоко в дебри статистических терминов и расчетов, но некоторых практических аспектов все же придется коснуться.

Обратимся к другим данным в массиве, которые вывела функция ЛИНЕЙН.

Во второй строке массива в ячейках I10…M10 выведены стандартные ошибки se 4 , se 3 , se 2 , se 1 , se b для расположенных выше в первой строке массива соответствующих коэффициентов уравнения аппроксимирующей функции m 4 , m 3 , m 2 , m 1 , b .

В третьей строке в ячейке I11 выведено значение коэффициента множественной детерминации r 2 , а в ячейке J11 — стандартная ошибка для функции — se y .

В четвертой строке в ячейке I12 находится, так называемое F -наблюдаемое значение, а в ячейке J12 — df – количество степеней свободы.

Наконец, в пятой строке в ячейках I13 и J13 соответственно размещены ss reg — регрессионная сумма квадратов и ss resid — остаточная сумма квадратов.

На что следует в регрессионной статистике обратить особое внимание? Что для нас наиболее важно?

1. На сколько достоверно прогнозирует срок изготовления полученное уравнение функции y ? При высокой достоверности аппроксимации значение коэффициента детерминации r 2 близко к максимуму — к 1! Если r 2 <0,7…0,8, то различия между фактическими и расчетными значениями функции будут значительными, и применять полученную формулу для прогнозирования, скорее всего, нельзя.

В нашем примере r 2 =0,999388788. Это означает, что найденное уравнение функции y чрезвычайно точно определяет срок изготовления заказа по четырем входным данным. Вышесказанное подтверждается сравнительным анализом значений в ячейках F4…F16 и G4…G16 и указывает на существенную зависимость между сроком изготовления и данными о входящем в заказ металлопрокате.

2. Определим важность и полезность каждой из четырех переменных x 1 , x 2 , x 3 , x 4 в полученной формуле с помощью, так называемой, t -статистики.

2.1. Рассчитываем t 4 , t 3 , t 2 , t 1 , соответственно

в ячейке I16: t 4 = I9/I10 =26,44474886

в ячейке J16: t 3 = J9/J10 =-11,79198416

в ячейке K16: t 2 = K9/K10 =3,76748771

в ячейке L16: t 1 = L9/L10 =3,949105515

t i = m i / se i

2.2. Вычисляем двустороннее критическое значение t крит с уровнем достоверности α =0,05 (предполагается 5% ошибок) и количеством степеней свободы df =8

в ячейке M16: t крит =СТЬЮДРАСПОБР(0,05; J12) =2,306004133

Так как для всех t i справедливо неравенство | t i |> t крит , то это означает, что все выбранные переменные x i полезны при расчете сроков изготовления заказов – y .

Наиболее значимой переменной при прогнозировании в Excel сроков изготовления заказов y является x 4 , так как | t 4 |>| t 3 |>| t 1 |>| t 2 | .

3. Не является ли случайным полученное значение коэффициента детерминации r 2 ? Проверим это, используя F -статистику (распределение Фишера), которая характеризует «неслучайность» высокого значения коэффициента r 2 .

3.1. F -наблюдаемое значение считываем

в ячейке I12: 3270,188104

3.2. F -распределение имеет степени свободы v 1 и v 2 .

v 1 = k — df -1 =13-8-1=4

v 2 = df =8

Рассчитаем вероятность получения значения F -распределения большего, чем F -наблюдаемое

в ячейке I12: =FРАСП(I12;4;J12) =6,97468*10 -13

Так как вероятность получения большего значения F -распределения, чем наблюдаемое чрезвычайно мала, то из этого следует вывод — найденное уравнение функции y можно применять для прогнозирования сроков изготовления заказов. Полученное значение коэффициента детерминации r 2 не является случайным!

Заключение.

Применение функции MS Excel ЛГРФПРИБЛ почти не отличается от работы с функцией ЛИНЕЙН кроме вида уравнения искомой функции, которое принимает для рассмотренного примера следующий вид:

y =b *(m 1 x1 ) *(m 2 x2 )*(m 3 x3 )*(m 4 x4 )

Статистика множественной регрессии, которую рассчитывает функция ЛГРФПРИБЛ, базируется на линейной модели:

ln (y )=x 1 *ln (m 1 )+x 2 *ln (m 1 )...+x n *ln (m n )+ln (b )

Это означает, что значения, например, se i нужно сравнивать не с m i , а с ln (m i ) . (Подробнее об этом почитайте в справке MS Excel.)

Если в результате использования функции ЛГРФПРИБЛ коэффициент детерминации r 2 окажется ближе к 1, чем при использовании функции ЛИНЕЙН, то применение аппроксимирующей функции вида

y =b *(m 1 x 1 )*(m 2 x 2 )…*(m n x n ),

несомненно, является более целесообразным.

Если прогнозное значение функции y находится вне интервала фактических статистических значений y , то вероятность ошибки прогноза резко возрастает!

Для обеспечения высокой точности прогнозирования в Excel необходима точная и обширная статистическая база данных – информация об известных из практики результатах процессов. Но, даже имея в наличии такую базу, вы не будете застрахованы от ложных предположений и выводов. Процесс прогнозирования коварен и полон неожиданностей! Помните об этом всегда! Глубже вникайте в суть прогнозируемого процесса. Тщательней относитесь к выбору и назначению переменных. На полученные результаты всегда смотрите через «очки скептика». Такой подход поможет избежать серьезных ошибок в важных вопросах.

Для получения информации о выходе новых статей и для скачивания рабочих файлов программ прошу вас подписаться на анонсы в окне, расположенном в конце статьи или в окне вверху страницы.

Отзывы, вопросы и замечания, уважаемые читатели, пишите в комментариях внизу страницы.

ПРОШУ уважающих труд автора СКАЧАТЬ файл ПОСЛЕ ПОДПИСКИ на анонсы статей!

Условное форматирование (5)
Списки и диапазоны (5)
Макросы(VBA процедуры) (63)
Разное (39)
Баги и глюки Excel (3)

Прогноз продаж в Excel

Скачать файл, используемый в видеоуроке:

Статья помогла? Поделись ссылкой с друзьями! Видеоуроки

{"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}}

В данной статье рассмотрен один из основных методов прогнозирования - анализ временных рядов. На примере розничного магазина с помощью данного метода определены объемы продаж на прогнозный период.

Одна из главных обязанностей любого руководителя - грамотно планировать работу своей компании. Мир и бизнес сейчас меняются очень стремительно, и успеть за всеми изменениями непросто. Многие события, которые невозможно предусмотреть заранее, меняют планы фирмы (например, выпуск нового продукта или группы товаров, появление на рынке сильной компании, объединение конкурентов). Но надо понимать, что зачастую планы нужны лишь для того, чтобы вносить в них коррективы, и в этом нет ничего страшного.

Любой процесс прогнозирования, как правило, строится в следующей последовательности:

1. Формулировка проблемы.

2. Сбор информации и выбор метода прогнозирования.

3. Применение метода и оценка полученного прогноза.

4. Использование прогноза для принятия решения.

5. Анализ «прогноз-факт».

Все начинается с корректной формулировки проблемы. В зависимости от нее задача прогнозирования может быть сведена, например, к задаче оптимизации. Для краткосрочного планирования производства не так важно, каким будет объем продаж в ближайшие дни. Важнее максимально эффективно распределить объемы производства продукции по имеющимся мощностям.

Краеугольным ограничением при выборе метода прогнозирования будет исходная информация: ее тип, доступность, возможность обработки, однородность, объем.

Выбор конкретного метода прогнозирования зависит от многих моментов. Достаточно ли объективной информации о прогнозируемом явлении (существует ли данный товар или аналоги достаточно долго)? Ожидаются ли качественные изменения изучаемого явления? Имеются ли зависимости между изучаемыми явлениями и/или внутри массивов данных (объемы продаж, как правило, зависят от объемов вложений в рекламу)? Являются ли данные временным рядом (информация о наличии собственности у заемщиков не является временным рядом)? Имеются ли повторяющиеся события (сезонные колебания)?

Независимо от того, в какой отрасли и сфере хозяйственной деятельности работает фирма, ее руководству постоянно приходится принимать решения, последствия которых проявятся в будущем. Любое решение основывается на том или ином способе проведения. Одним из таких способов является прогнозирование.

Прогнозирование - это научное определение вероятных путей и результатов предстоящего развития экономической системы и оценка показателей, характеризующих это развитие в более или менее отдаленном будущем.

Рассмотрим прогнозирование объема продаж, используя метод анализа 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.

Временной ряд - это ряд наблюдений, проводящихся регулярно через равные промежутки времени: год, неделю, сутки или даже минуты, в зависимости от характера рассматриваемой переменной.

Обычно временной ряд состоит из нескольких компонентов:

1) тренда - общей долгосрочной тенденции изменения временного ряда, лежащей в основе его динамики;

2) сезонной вариации - краткосрочного регулярно повторяющегося колебания значений временного ряда вокруг тренда;

3) циклических колебаний, характеризующих так называемый цикл деловой активности, или экономический цикл, состоящий из экономического подъема, спада, депрессии и оживления. Этот цикл повторяется регулярно.

Для объединения отдельных элементов временного ряда можно воспользоваться мультипликативной моделью:

Объем продаж = Тренд × Сезонная вариация × Остаточная вариация. (1)

В ходе составления прогноза продаж учитывают показатели компании за последние несколько лет, прогноз роста рынка, динамику развития конкурентов. Оптимальное прогнозирование продаж и корректировку прогноза обеспечивает полный отчет о продажах компании.

Применим данный метод для определения объема продаж салона «Часы» на 2009 г. В табл. 1 представлены объемы продаж салона «Часы», специализирующегося на розничной продаже часов.

Таблица 1. Динамика объема продаж салона «Часы», тыс. руб.

Для данных, приведенных в табл. 1, отметим два основных момента:

существующий тренд : объем продаж в соответствующих кварталах каждого года стабильно растет год от года;

• сезонная вариация: в первые три квартала каждого года продажи медленно растут, но остаются на относительно низком уровне; максимальные за год значения объема продаж всегда приходятся на четвертый квартал. Такая динамика повторяется из года в год. Данный тип отклонений всегда носит название сезонных, даже если речь идет, например, о временном ряде еженедельных объемов продаж. Этот термин просто отражает регулярность и краткосрочность отклонений от тренда по сравнению с продолжительностью временного ряда.

Первый этап анализа временных рядов - построение графика данных.

Для того чтобы составить прогноз, необходимо сначала рассчитать тренд, а затем - сезонные компоненты.

Расчет тренда

Тренд - это общая долгосрочная тенденция изменения временного ряда, лежащего в основе его динамики.

Если посмотреть на рис. 2, то через точки гистограммы можно от руки начертить линию повышательного тренда. Однако для этого есть математические методы, позволяющие оценить тренд более объективно и точно.

Если у временного ряда есть сезонная вариация, обычно применяют метод скользящей средней.Традиционным методом прогнозирования будущего значения показателя является усреднение n его прошлых значений.

Математически скользящие средние (служащие оценкой будущего значения спроса) выражаются так:

Скользящая средняя = Сумма спроса за предыдущие n-периоды / n. (2)

Средний объем продаж за первые четыре квартала = (937,6 + 657,6 + 1001,8 + 1239,2) / 4 = 959,075 тыс. руб.

Когда квартал заканчивается, данные об объеме продаж в течение последнего квартала прибавляются к сумме данных за предыдущие три квартала, а данные за ранний квартал отбрасываются. Это приводит к сглаживанию краткосрочных нарушений в ряде данных.

Средний объем продаж за следующие четыре квартала = (657,6 + 1001,8 + 1239,2 + 1112,5) / 4 = 1002,775 тыс. руб.

Первая рассчитанная средняя показывает средний объем продаж за первый год и находится посередине между данными о продажах за II и III кварталы 2007 г. Средняя за следующие четыре квартала разместится между объемом продаж за III и IV кварталы. Таким образом, данные столбца 3 - это тренд скользящих средних.

Но для продолжения анализа временного ряда и расчета сезонной вариации необходимо знать значение тренда точно на то же время, что и исходные данные, поэтому необходимо центрировать полученные скользящие средние, сложив соседние значения и разделив их пополам. Центрированная средняя и есть значение рассчитанного тренда (расчеты представлены в столбцах 4 и 5 табл. 2).

Таблица 2. Анализ временного ряда

	Объем продаж, тыс. руб.	Четырехквартальная скользящая средняя	Сумма двух соседних значений	Тренд, тыс. руб.	Объем продаж / тренд × 100
I кв. 2007 г.
II кв. 2007 г.
III кв. 2007 г.
IV кв. 2007 г.
I кв. 2008 г.
II кв. 2008 г.
III кв. 2008 г.
IV кв. 2008 г.

Для составления прогноза продаж на каждый квартал 2009 г. надо продолжить на графике тренд скользящих средних. Так как процесс сглаживания устранил все колебания вокруг тренда, то сделать это будет несложно. Распространение тренда показано линией на рис. 4. По графику можно определить прогноз для каждого квартала (табл. 3).

Таблица 3. Прогноз тренда на 2009 г.

2009 г.	Объем продаж, тыс. руб.

Расчет сезонной вариации

Для того чтобы составить реалистичный прогноз продаж на каждый квартал 2009 г., необходимо рассмотреть поквартальную динамику объема продаж и рассчитать сезонную вариацию. Если обратиться к данным о продажах за предыдущий период и пренебречь трендом, можно рассмотреть сезонную вариацию более четко. Так как для анализа временного ряда будет использована мультипликативная модель , необходимо разделить каждый показатель объема продаж на величину тренда, как показано в следующей формуле:

Мультипликативная модель = Тренд × Сезонная вариация × Остаточная вариация × Объем продаж / Тренд = Сезонная вариация × Остаточная вариация. (3)

Результаты расчетов представлены в столбце 6 табл. 2. Для того чтобы выразить значения показателей в процентах и округлить их до первого десятичного знака, умножаем их на 100.

Теперь будем по очереди брать данные за каждый квартал и устанавливать, на сколько в среднем они больше или меньше значений тренда. Расчеты приведены в табл. 4.

Таблица 4. Расчет средней квартальной вариации, тыс. руб.

	I квартал	II квартал	III квартал	IV квартал
Нескорректированная средняя

Нескорректированные данные в табл. 4 содержат как сезонную, так и остаточную вариацию. Для удаления элемента остаточной вариации необходимо скорректировать средние. В долгосрочном плане величина превышения объема продаж над трендом в удачные кварталы должна уравниваться с величиной, на которую объем продаж ниже тренда в неудачные кварталы, чтобы сезонные компоненты в сумме составляли примерно 400 %. В данном случае сумма нескорректированных средних равна 398,6. Таким образом, необходимо умножить каждое среднее значение на корректирующий коэффициент, чтобы сумма средних составила 400.

Корректирующий коэффициент рассчитывается следующим образом: Корректирующий коэффициент = 400 / 398,6 = 1,0036.

Расчет сезонной вариации представлен в табл. 5.

Таблица 5. Расчет сезонной вариации

На основании данных табл. 5 можно спрогнозировать, например, что в I квартале объем продаж в среднем будет составлять 96,3 % значения тренда, в IV - 118,1 % значения тренда.

Прогноз продаж

При составлении прогноза продаж исходим из следующих предположений:

динамика тренда останется неизменной по сравнению с прошлыми периодами;

сезонная вариация сохранит свое поведение.

Естественно, это предположение может оказаться неверным, придется вносить коррективы, учитывая экспертное ожидаемое изменение ситуации. Например, на рынок может выйти другой крупный торговец часами и сбить цены салона «Часы», может измениться экономическая ситуация в стране и т. д.

Тем не менее, основываясь на вышеперечисленных предположениях, можно составить прогноз продаж по кварталам на 2009 г. Для этого полученные значения квартального тренда надо умножить на значение соответствующей сезонной вариации за каждый квартал. Расчет данных приведен в табл. 6.

Таблица 6. Составление прогноза продаж по кварталам салона «Часы» на 2009 г.

Из полученного прогноза видно, что товарооборот салона «Часы» в 2009 г. может составить 5814 тыс. руб., но для этого предприятию необходимо проводить различные мероприятия.

Полный текст статьи читайте в журнале "Справочник экономиста" №11 (2009 г.).

Цель данной статьи — изложить в систематизированном виде методы прогнозирования объема продаж, наиболее часто применяемые в экономической практике. Главное внимание в работе обращено на прикладное значение рассматриваемых методов, на экономическое истолкование и интерпретацию получаемых результатов, а не на объяснение математико-статистического аппарата, который подробно освещается в специальной литературе.

Самым простым способом прогнозирования рыночной ситуации является экстраполяция, т.е. распространение тенденций, сложившихся в прошлом, на будущее. Сложившиеся объективные тенденции изменения экономических показателей в известной степени предопределяют их величину в будущем. К тому же многие рыночные процессы обладают некоторой инерционностью. Особенно это проявляется в краткосрочном прогнозировании. В то же время прогноз на отдаленный период должен максимально принимать во внимание вероятность изменения условий, в которых будет функционировать рынок.

Методы прогнозирования объема продаж можно разделить на три основные группы:

• методы экспертных оценок;
• методы анализа и прогнозирования временных рядов;
• казуальные (причинно-следственные) методы.

Методы экспертных оценок основываются на субъективной оценке текущего момента и перспектив развития. Эти методы целесообразно использовать для конъюнктурных оценок, особенно в случаях, когда невозможно получить непосредственную информацию о каком-либо явлении или процессе.

Вторая и третья группы методов основаны на анализе количественных показателей, но они существенно отличаются друг от друга.

Методы анализа и прогнозирования динамических рядов связаны с исследованием изолированных друг от друга показателей, каждый из которых состоит из двух элементов: из прогноза детерминированной компоненты и прогноза случайной компоненты. Разработка первого прогноза не представляет больших трудностей, если определена основная тенденция развития и возможна ее дальнейшая экстраполяция. Прогноз случайной компоненты сложнее, так как ее появление можно оценить лишь с некоторой вероятностью.

В основе казуальных методов лежит попытка найти факторы, определяющие поведение прогнозируемого показателя. Поиск этих факторов приводит собственно к экономико-математическому моделированию — построению модели поведения экономического объекта, учитывающей развитие взаимосвязанных явлений и процессов. Следует отметить, что применение многофакторного прогнозирования требует решения сложной проблемы выбора факторов, которая не может быть решена чисто статистическим путем, а связана с необходимостью глубокого изучения экономического содержания рассматриваемого явления или процесса. И здесь важно подчеркнуть примат экономического анализа перед чисто статистическими методами изучения процесса.

Каждая из рассмотренных групп методов обладает определенными достоинствами и недостатками. Их применение более эффективно в краткосрочном прогнозировании, так как они в определенной мере упрощают реальные процессы и не выходят за рамки представлений сегодняшнего дня. Следует обеспечивать одновременное использование количественных и качественных методов прогнозирования.

Рассмотрим подробнее сущность некоторых методов прогнозирования объема продаж, возможности их использования в маркетинговом анализе, а также необходимые исходные данные и временны2е ограничения.

Прогнозы объема продаж с помощью экспертов могут быть получены в одной из трех форм:

1. точечного прогноза;
2. интервального прогноза;
3. прогноза распределения вероятностей.

Точечный прогноз объема продаж — это прогноз конкретной цифры. Он является наиболее простым из всех прогнозов, поскольку содержит наименьший объем информации. Как правило, заранее предполагается, что точечный прогноз может быть ошибочным, но методикой не предусмотрен расчет ошибки прогноза или вероятности точного прогноза. Поэтому на практике чаще применяются два других метода прогнозирования: интервальный и вероятностный.

Интервальный прогноз объема продаж предусматривает установление границ, внутри которых будет находиться прогнозируемое значение показателя с заданным уровнем значимости. Примером является утверждение типа: «В предстоящем году объем продаж составит от 11 до 12,4 млн. руб.».

Прогноз распределения вероятностей связан с определением вероятности попадания фактического значения показателя в одну из нескольких групп с установленными интервалами. Примером может служить прогноз типа:

Хотя при составлении прогноза существует определенная вероятность, что фактический объем продаж не попадет в указанный интервал, но прогнозисты верят, что она настолько мала, что может игнорироваться при планировании.

Интервалы, учитывающие низкий, средний и высокий уровень продаж, иногда называют пессимистичными, наиболее вероятными и оптимистическими. Конечно, распределение вероятностей может быть представлено большим количеством групп, но наиболее часто используются три указанных группы интервалов.

Для выявления общего мнения экспертов необходимо получить данные о прогнозных значениях от каждого эксперта, а затем произвести расчеты, используя систему взвешивания индивидуальных значений по какому-либо критерию. Известны четыре метода взвешивания различных мнений:

Выбор метода остается за исследователем и зависит от конкретной ситуации. Ни один из них не может быть рекомендован для использования в любой ситуации.

Избежать проблемы взвешивания индивидуальных прогнозов экспертов и искажающего влияния отмеченных нежелательных факторов позволяет Дельфи-метод (см., например, ). Его основу составляет работа по сближению точек зрения экспертов. Всех экспертов знакомят с оценками и обоснованиями других экспертов и предоставляют возможность изменить свою оценку.

Вторая группа методов прогнозирования основана на анализе временных рядов.

Таблица 1 представляет временной ряд по показателю потребления безалкогольного напитка «Тархун» в декалитрах (дал) в одном из регионов начиная с 1993 г. Анализ временных рядов может проводиться не только по годовым или месячным данным, но также могут использоваться ежеквартальные, недельные или ежедневные данные об объемах продаж. Для расчетов был использован программный продукт Statistica 5.0 for Windows.

Таблица 1
Ежемесячное потребление безалкогольного напитка «Тархун» в 1993—1999 гг. (тыс. дал)

По данным таблицы 1 построим график потребления напитка «Тархун» в 1993—1999 гг. (рис. 1), где на оси абсцисс представлены даты наблюдения, на оси ординат — объемы потребления напитка.

Рис. 1. Ежемесячное потребление напитка «Тархун» в 1993—1999 гг. (тыс. дал)

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, подобные тем, что приведены в таблице 1, 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. Так, например, месячные данные таблицы 1 могут быть преобразованы в ряд годовых данных. График ежегодного потребления напитка «Тархун», приведенный на рисунке 2, показывает, что потребление возрастает из года в год в течение исследуемого периода. Тренд в потреблении является характеристикой относительно стабильного темпа роста показателя за период.

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.

Рис. 2. Ежегодное потребление напитка «Тархун» в 1993—1999 гг. (тыс. дал)

Порядок расчета скользящих средних по потреблению напитка «Тархун» в 1993 г. приведен в таблице 2. Аналогичный расчет может быть проведен на основе всех данных за 1993—1999 гг.

Таблица 2
Расчет скользящих средних по данным за 1993 г.

В данном случае расчет скользящей средней не позволяет сделать вывод об устойчивой тенденции в потреблении напитка «Тархун», поскольку на нее влияет внутригодовое сезонное колебание, которое может быть устранено лишь при расчете скользящих средних за год.

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:

Y t = f(t).

Наиболее часто могут использоваться следующие функции:

1. при равномерном развитии — линейная функция: Y t = b 0 + b 1 t;
2. при росте с ускорением:
   1. парабола второго порядка: Y t = b 0 + b 1 t + b 2 t 2 ;
   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: Y t = b 0 b 1 t;
4. при снижении с замедлением — гиперболическая функция: Y t = b 0 + b 1 x1/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.

Расчетные значения параметров уравнения регрессии и графики теоретических и фактических годовых объемов потребления напитка «Тархун» представлены на рисунке 3.

Рис. 3. Теоретические и фактические значения объемов потребления напитка «Тархун» в 1993—1999 гг. (тыс. дал)

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 выравненными значениями () характеризует случайные колебания (иногда их называют остаточные колебания или статистические помехи). В некоторых случаях последние сочетают тренд, циклические колебания и сезонные колебания.

Среднеквадратическая ошибка, рассчитанная по годовым данным потребления напитка «Тархун» для уравнения прямой (рис. 1), составила 1,028 тыс. дал. На основании среднеквадратической ошибки можно рассчитать предельную ошибку прогноза. Для того чтобы гарантировать результат с вероятностью 95%, используется коэффициент, равный 2; а для вероятности 99% этот коэффициент увеличится до 3. Итак, мы можем гарантировать с вероятностью 95%, что объем потребления в 2000 г. составит 134,882 тыс. дал. плюс (минус) 2,056 тыс. дал.

Расчеты по подбору функций, описывающих объем потребления напитка «Тархун» в отдельные месяцы с 1993 г. по 1999 г., показали, что ни одно из перечисленных уравнений не подходит для прогнозирования этого показателя. Во всех случаях объясненная вариация не превысила 28,8%.

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.

При проверке ежемесячных данных из таблицы 1 можно обнаружить, что пик потребления напитка приходится на летние месяцы. Объем продаж детской обуви приходится на период перед началом учебного года, увеличение потребления свежих овощей и фруктов происходит осенью, повышение объемов строительных работ — летом, увеличение закупочных и розничных цен на сельхозпродукты — в зимний период и т.п. 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 выравненной 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. Для того чтобы его проиллюстрировать, предположим, что в начале 1999 г. мы хотели рассчитать индекс сезонности для потребления напитка «Тархун» в июне 1999 г. Используя метод скользящей средней, мы должны были бы последовательно осуществить следующие этапы:

Сравнение средних квадратических отклонений, вычисленных за разные периоды времени, показывает сдвиги в сезонности (рост свидетельствует об увеличении сезонности потребления напитка «Тархун»).

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. Например, каждый год в летние месяцы продажа безалкогольных напитков увеличивается на 2000 дал, таким образом, в эти месяцы к существующим прогнозам необходимо добавлять 2000 дал, чтобы учесть сезонные колебания. В этом случае сезонность аддитивна. Однако в течение летних месяцев продажа безалкогольных напитков может увеличиваться на 30%, то есть коэффициент равен 1,3. В этом случае сезонность носит мультипликативный характер, или другими словами, мультипликативный сезонный компонент равен 1,3.

В таблице 3 приведены расчеты индексов и факторов сезонности методами переписи и центрированной скользящей средней.

Таблица 3
Индексы сезонности объема продаж напитка «Тархун», рассчитанные по данным за 1993—1999 гг.

Данные таблицы 3 характеризуют природу сезонности потребления напитка «Тархун»: в летние месяцы объем потребления возрастает, а в зимние — падает. Причем данные обоих методов — переписи и центрированной скользящей средней — дают практически одинаковые результаты. Выбор метода определяется в зависимости от ошибки прогноза, о которой упоминалось выше. Итак, индексы, или факторы, сезонности могут быть учтены при прогнозировании объемов продаж через корректировку трендового значения прогнозируемого показателя. Например, предположим, что был сделан прогноз на июнь 1999 г. методом скользящей средней и он составил 10,480 тыс дал. Индекс сезонности в июне (по методу переписи) равен 115,1. Таким образом, окончательный прогноз для июня 1999 г. составит: (10,480 x 115,1)/100 = 12,062 тыс. дал.

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:

где Z — сглаженный (экспоненциальный) объем продаж;
t — период времени;
a — константа сглаживания;
Y — фактический объем продаж.

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

где 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. Результаты расчетов объема продаж напитка «Тархун» методом экспоненциального сглаживания приведены на рисунке 4.

На графике видно, что выравненный 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 таблице 4.

Рис. 4. График результатов экспоненциального сглаживания

Таблица 4
Прогнозируемый объем продаж напитка «Тархун» в 2000 г.

В таблице 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 таблице 5.

Данные таблицы 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.

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 таблице 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 хозяйственные циклы (от 1 до 12 лет), обусловленные колебаниями инвестиционной активности .

Таблица 5
Результаты прогнозирования объема продаж напитка «Тархун» в 1999 г.

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 взхаимосвязь 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.

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:

• корреляционно-регрессионный анализ;
• метод ведущих индикаторов;
• 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

Y (X 1 ; X 2 ; ...; X n) = b 0 + b 1 x X 1 + b 2 x X 2 + ... + b n x X n ,

где Y — прогнозируемый (результативный) показатель; в данном случае — объем продаж;
X 1 ; X 2 ; ...; X n — факторы (независимые переменные); в данном случае — уровень доходов потребителей, цены на продукты конку- рентов и т.д.;
n — количество независимых переменных;
b 0 — свободный член уравнения регрессии;
b 1 ; b 2 ; ...; b n — коэффициенты регрессии, измеряющие отклонение ре- зультативного признака от его средней величины при от- клонении факторного признака на единицу его измере- ния.

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;
5. повтор этапов 1—4 до тех пор, пока не будет получена удовлетворительная модель. В качестве критерия удовлетворительности модели может служить ее способность воспроизводить фактические данные с заданной степенью точности;
6. сравнение роли различных факторов в формировании моделируемого показателя. Для сравнения можно рассчитать частные коэффициенты эластичности, которые показывают, на сколько процентов в среднем изменится объем продаж при изменении фактора X j на один процент при фиксированном положении других факторов. Коэффициент эластичности определяется по формуле

где b j — коэффициент регрессии при j-м факторе.

Регрессионные модели могут использоваться при прогнозировании спроса на потребительские товары и средства производства. В результате проведения корреляционно-регрессионного анализа объема продаж напитка «Тархун» была получена модель

Y t+1 = 2,021 + 0,743A t + 0,856Y t ,

где Y t+1 — прогнозируемый объем продаж в месяце t + 1;
A t — затраты на рекламу в текущем месяце t;
Y t — объем продаж в текущем месяце t.

Возможна следующая интерпретация уравнения многофакторной регрессии: величина объема продаж напитка в среднем увеличивалась на 2,021 тыс. дал, при увеличении затрат на рекламу на 1 руб. объем продаж в среднем увеличивался на 0,743 тыс. дал., при увеличении объема продаж предыдущего месяца на 1 тыс. дал объем продаж в последующем месяце увеличивался на 0,856 тыс. дал.

Ведущие индикаторы — это показатели, изменяющиеся в том же направлении, что и исследуемый показатель, но опережающие его во времени. Например, изменение уровня жизни населения влечет за собой изменение спроса на отдельные товары, а следовательно, изучая динамику показателей уровня жизни, можно сделать выводы о возможном изменении спроса на эти товары. Известно, что в развитых странах по мере увеличения доходов возрастают потребности в услугах, а в развивающихся странах — в товарах длительного пользования.

Метод ведущих индикаторов чаще используется для прогнозирования изменений в бизнесе в целом, чем для прогнозирования объема продаж отдельных компаний. Хотя нельзя отрицать, что уровень объема продаж большинства компаний зависит от общей рыночной ситуации, сложившейся в регионах и стране в целом. Поэтому перед прогнозированием собственного объема продаж фирмам часто бывает необходимо оценить общий уровень экономической активности в регионе.

Существенным обоснованием прогноза объема продаж товаров потребительского назначения могут служить данные обследований намерений потребителей. Они знают о собственных перспективных покупках больше, чем кто-либо, поэтому многие компании проводят периодические обследования мнений потребителей о производимой продукции и вероятности ее покупки в будущем. Чаще всего эти обследования касаются товаров и услуг, приобретение которых планируется потенциальными покупателями заранее (как правило, это дорогие покупки типа автомобиля, квартиры или путешествия).

Конечно, нельзя недооценивать полезность такого рода обследований, но также нельзя не учитывать, что намерения потребителей относительно какого-то товара могут измениться, что скажется на отклонении фактических данных о потреблении от прогнозных.

Итак, при прогнозировании объема продаж могут быть использованы все рассмотренные выше методы. Естественно, возникает вопрос об оптимальном методе прогнозирования в конкретной ситуации. Выбор метода связан, по крайней мере, с тремя ограничивающими условиями:

1. точность прогноза;
2. наличие необходимых исходных данных;
3. наличие времени для осуществления прогнозирования.

Если требуется прогноз с точностью 5%, то все методы прогнозирования, обеспечивающие точность 10%, могут не рассматриваться. Если нет необходимых для прогноза данных (например, данные временных рядов при прогнозировании объема продаж нового продукта), то исследователь вынужден прибегнуть к казуальным методам или экспертным оценкам. Подобная ситуация может возникнуть в связи со срочной потребностью в прогнозных данных. В этом случае исследователь должен руководствоваться временем, имеющимся в его распоряжении, осознавая, что срочность расчетов может сказаться на их точности.

Необходимо отметить, что мерой качества прогноза может служить коэффициент, характеризующий отношение числа подтвердившихся прогнозов к общему числу сделанных прогнозов. Очень важно осуществлять расчет этого коэффициента не по окончании прогнозируемого срока, а при составлении самого прогноза. Для этого можно использовать метод инверсной верификации путем ретроспективного прогнозирования. Это означает, что правильность прогнозной модели проверяется ее способностью воспроизводить фактические данные в прошлом. Других формальных критериев, знание которых позволило бы априорно заявить об аппроксимирующей способности прогнозной модели, не существует .

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.

Литература

1. Баззел Р.Д. и др. Информация и риск в маркетинге. — М.: Финстатинформ, 1993.
2. Беляевский И.К. Маркетинговое исследование: информация, анализ, прогноз. — М.: Финансы и статистика, 2001.
3. Березин И.С. Маркетинг и исследования рынков. — М.: Русская деловая литература, 1999.
4. Голубков Е.П. Маркетинговые исследования: теория, методология и практика. — М.: Издательство «Финпресс», 1998.
5. Елисеева И.И., Юзбашев М.М. Общая теория статистики. — М.: Финансы и статистика, 1996.
6. Ефимова М.Р., Рябцев В.М. Общая теория статистики. — М.: Финансы и статистика, 1991.
7. Литвак Б.Г. Экспертные оценки и принятие решений. — М.: Патент, 1996.
8. Лобанова Е. Прогнозирование с учетом экономического роста // Экономические науки. — 1992. — № 1.
9. Рыночная экономика: Учебник. Т. 1. Теория рыночной экономики. Часть 1. Микроэкономика / Под ред. В.Ф. Максимова — М.: Соминтэк, 1992.
10. Статистика рынка товаров и услуг: Учебник / Под ред. И.К. Беляевского. — М.: Финансы и статистика, 1995.
11. Статистический словарь / Под ред. М.А. Королева — М.: Финансы и статистика, 1989.
12. Статистическое моделирование и прогнозирование: Учебное пособие / Под ред. А.Г. Гранберга. — М.: Финансы и статистика, 1990.
13. Юзбашев М.М., Манелля А.И. Статистический анализ тенденций и колеблемости. — М.: Финансы и статистика, 1983.
14. Aaker, David A. and Day George S. Marketing Research. — 4th ed. — NewYork: John Wiley and Sons, 1990. — Chapter 22 «Forecasting».
15. Dalrymple, D.J. Sales forecasting practices // International Journal of Forecasting. — 1987. — Vol. 3.
16. Kress G.J., Shyder J. Forecasting and Market Analysis Techniques: A Practical Approach. — Hardcover, 1994.
17. Schnaars, S.P. The use of multiple scenarios in sales forecasting // The International Journal of Forecasting. — 1987. — Vol. 3.
18. Waddell D., Sohal A. Forecasting: The Key to Managerial Decision Making // Management Decision. — 1994. — Vol 32, Issue 1.
19. Wheelwright, S. and Makridakis, S. Forecasting Methods for Management. — 4th ed. — John Wiley & Sons, Canada, 1985.

Компании – качественное прогнозирование продаж. Правильно рассчитанный прогноз позволяет более эффективно вести бизнес, прежде всего, контролировать и оптимизировать расходы. Кроме того, если речь идет о продукции, это позволяет сформировать оптимальные (а не завышенные или заниженные) запасы продукции на складе.

Очень важно, чтобы менеджер по продажам имел представление о том, что произойдет в будущем, поскольку это поможет ему планировать свои действия в случае возникновения тех или иных событий. Многие менеджеры по продажам не признают того, что прогнозирование объема продаж является одной из их обязанностей и оставляют это на усмотрение бухгалтеров, которым необходимо заниматься прогнозированием для составления бюджетов.

Возможно, менеджеры по продажам просто не понимают, зачем им необходимо такое прогнозирование, так как полагают, что гораздо более важной их задачей являются сами продажи. И действительно, задача прогнозирования менеджером по продажам формулируется часто нечетко и поэтому выполняется так же: торопливо, без соответствующей научной базы. Результаты подобного прогнозирования нередко ненамного лучше, чем простая догадка.

Цели прогнозирования объема продаж

Цель прогнозирования объема продаж - позволить менеджерам заранее планировать деятельность наиболее эффективным образом. Следует еще раз подчеркнуть, что именно менеджер по продажам является тем человеком, который должен отвечать за эту задачу. У бухгалтера нет возможностей предсказывать, будет ли рынок подниматься или падать; все, что он может сделать в этих условиях, - это экстраполировать результаты на основе предыдущих продаж, оценивать общий тренд и делать прогнозы на основе этого. Именно менеджер по продажам является тем человеком, который должен знать, в каком направлении двигается рынок, и если задача прогнозирования объема продаж оставляется на усмотрение бухгалтера, это означает, что менеджер по продажам игнорирует важнейшую часть своих обязанностей. Кроме того, к процедуре прогнозирования объема продаж следует подходить серьезно, поскольку из нее вытекает планирование всего бизнеса; если прогноз является ошибочным, то и планы будут такими же неточными.

То есть планирование вытекает из прогнозирования объема продаж, и целью планирования является распределение ресурсов компании таким образом, чтобы обеспечить эти ожидаемые продажи. Компания может прогнозировать свой объем продаж либо на основе продаж на рынке в целом (что называется прогнозом рынка), определяя свою долю в этом объеме, либо прогнозировать непосредственно свой объем продаж.

Самым простым способом прогнозирования рыночной ситуации является экстраполяция, т.е. распространение тенденций, сложившихся в прошлом, на будущее. Сложившиеся объективные тенденции изменения экономических показателей в известной степени предопределяют их величину в будущем.

К тому же многие рыночные процессы обладают некоторой инерционностью. Особенно это проявляется в краткосрочном прогнозировании. В то же время прогноз на отдаленный период должен максимально принимать во внимание вероятность изменения условий, в которых будет функционировать рынок.

Методы прогнозирования объема продаж

Объема продаж можно разделить на три основные группы:

Методы экспертных оценок;
и прогнозирования временных рядов;
казуальные (причинно-следственные) методы.

Основываются на субъективной оценке текущего момента и перспектив развития. Эти методы целесообразно использовать для оценок, особенно в случаях, когда невозможно получить непосредственную информацию о каком-либо явлении или процессе.

Вторая и третья группы методов основаны на анализе количественных показателей, но они существенно отличаются друг от друга.

Методы анализа и прогнозирования динамических рядов связаны с исследованием изолированных друг от друга показателей, каждый из которых состоит из двух элементов: из прогноза детерминированной компоненты и прогноза случайной компоненты. Разработка первого прогноза не представляет больших трудностей, если определена основная тенденция развития и возможна ее дальнейшая экстраполяция. Прогноз случайной компоненты сложнее, так как ее появление можно оценить лишь с некоторой вероятностью.

В основе казуальных методов лежит попытка найти факторы, определяющие поведение прогнозируемого показателя. Поиск этих факторов приводит собственно к экономико-математическому моделированию - построению модели поведения экономического объекта, учитывающей развитие взаимосвязанных явлений и процессов. Следует отметить, что применение многофакторного прогнозирования требует решения сложной проблемы выбора факторов, которая не может быть решена чисто статистическим путем, а связана с необходимостью глубокого изучения экономического содержания рассматриваемого явления или процесса.

Каждая из рассмотренных групп методов обладает определенными достоинствами и недостатками. Их применение более эффективно в краткосрочном прогнозировании, так как они в определенной мере упрощают реальные процессы и не выходят за рамки представлений сегодняшнего дня. Следует обеспечивать одновременное использование количественных и качественных методов прогнозирования.

Необходимо разделять прогнозы на долгосрочные (на 1, 3, 5 или больше лет) и кратко- или среднесрочные (неделя, месяц, квартал). Прогнозы на более длинные периоды обычно менее точные (хотя и не всегда). Это понятно, ведь больше факторов могут на протяжении длительного периода времени скорректировать ожидаемые результаты в ту или другую сторону. Однако вполне реально сделать точные прогнозы деятельности вашего предприятия для любого промежутка времени.

Точный прогноз – это прогноз, который имеет отклонение от реальных объемов продаж в пределах 10% в большую или меньшую сторону. Например, вы спрогнозировали, что за период 3 месяцев продадите продукции в размере 1000 шт. В конце периода вы получили результат 900, или же 1100 шт. или любую цифру в этом промежутке. Такой прогноз можно считать точным и качественным. Если отклонения существенны (вместо прогнозируемой цифры 1000 шт. получен результат – 500 шт.) – это свидетельствует о некорректном, слишком завышенном прогнозе, или же о форс-мажорных обстоятельствах, которые повлекли за собой резкое падение объемов продаж.

Как построить точный прогноз

Эта работа состоит из нескольких этапов:

Запишите точные результаты деятельности за предыдущие промежутки времени (например, ежемесячные продажи вашей продукции на протяжении последнего года). Если ваша продукция новая и не имеет истории продаж, вам придется подождать 2-3 месяца, чтобы получить информацию о первых продажах. Без этого попытки построить точный прогноз, основываясь лишь на предположениях, будут напрасны.

Рассчитайте коэффициенты сезонности. Сформируйте график, который показал бы объем продаж на протяжении определенного отрезка времени. Для этого возьмите за основу, например, один из месяцев и сравните с объемами продаж в следующие месяцы. Важно знать, есть товары и услуги, спрос на которые имеет незначительные, иногда малозаметные сезонные колебания. Однако в таких сферах, как туристические услуги или же продажа пищевых продуктов, сезонные колебания очень значительные. Понятно, что если ваша фирма занимается продажами туристических путевок в дома отдыха Крыма, и в марте вы продали, например, 100 путевок, на июнь планируйте продажи в несколько раз выше. А на июль-август прогноз должен быть еще выше. В сфере питания вопрос точного прогнозирования продаж стоит острее, ведь продукция имеет сроки хранения, на протяжении которых ее нужно сбыть. Потому рассчитайте коэффициенты сезонности для каждого планового отрезка и запишите их.

Пример: вы занимаетесь продажами безалкогольных напитков. В начале мая вы должны рассчитать прогноз продаж на июль. У вас есть данные по продажам за каждый месяц предыдущего года, в частности, в апреле (5 000 шт.) и июле (12 000 шт.) прошлого года, а также за апрель этого года (7 000 шт.). Для того, чтобы определить коэффициент сезонности, нужно получить соотношение продаж за июль прошлого года к количеству продаж в апреле того же года. Полученную цифру (коэффициент сезонности) нужно перемножить на данные по количеству продаж за апрель этого года. В результате получим прогноз продаж на июль, взвешенный на коэффициент сезонности: 12 000/5 000 = 2,4. 7 000*2,4 = 16 800 шт. – прогноз на июль. Если другие факторы, которые влияют на объем продаж, остались неизменными, этот прогноз будет очень точным.

Рассчитайте по цене на вашу продукцию. Тут не помешает вспомнить студенческий курс экономики. Определите, как изменялся спрос после изменения цен на вашу продукцию. Если спрос на вашу продукцию имеет высокую (то есть, заметно падал при росте цен), пытайтесь в дальнейшем избегать значительного повышения стоимости продукции для ваших потребителей, и ни в коем случае не поднимайте цены раньше, чем ваши конкуренты.

Пример: данные свидетельствуют: при повышении цены на 1% спрос на вашу продукцию падает на 2,5%. Вы планируете в июне повысить цену на 10%, это повлечет падение спроса на 25%. В прошлом году в этот же период цена оставалась неизменной. Продажи апреля составили 400 шт., коэффициент сезонности – 3,0. Рассчитываем прогноз на июль: 400*3*(100%-25%)=900 шт.

Учтите рост производственных мощностей (или открытие новых магазинов, точек сбыта продукции). Если вы расширяете производство, выходите на новые рынки сбыта, обязательно учтите это в прогнозе.

Пример: раньше вы поставляли продукцию лишь в своем городе. Начиная со следующего месяца, вы начинаете сотрудничество с посредниками из других городов и открываете дополнительно 5 точек продаж. На данный момент 10 точек продаж сбывают 2 000 шт. продукции на месяц. Таким образом, ожидаемые продажи 15 точек дадут результат около 3 000 шт.

Рассчитайте коэффициент влияния внешних факторов (в первую очередь общеэкономической ситуации в государстве и конкурентов). Для расчета этого коэффициента вы должны тщательным образом отслеживать ваш рынок и следить за появлением новых игроков. Очень часто компании не учитывают инновации конкурентов, их деятельность на рынке. И в результате получают более низкие показатели, чем ожидали изначально. Как рассчитать коэффициент внешних факторов? Для этого нужно иметь историю продаж за длительный период (хотя бы 2 года, желательно больше). Рассчитайте прогноз продаж на прошлый год по данным позапрошлого (с учетом коэффициентов сезонности и эластичности). Сравните прогноз с реальными цифрами. Из разницы, которая вышла, высчитайте форс-мажорные обстоятельства. Остальные – это и есть показатель влияния внешних факторов.

Пример: вы имеете коэффициенты сезонности и эластичности спроса на вашу продукцию. Допустимо, суммарные продажи позапрошлого года составили 10 000 шт., суммарные продажи в прошлом году составили 14 000 шт. с учетом коэффициента эластичности прогноз на прошлый год должен был составить 9 000 шт. Однако увеличение объемов сбыта позволило увеличить объемы продаж вдвое (вдвое расширили штат работников отдела продаж и открыли еще 2 точки продаж дополнительно до двух существующих, как и было до этого). Это увеличивает прогноз до 18 000 шт. Следовательно, фактическое отклонение составило 4 000 шт. из них 2 000 шт. не было продано по причине непредвиденные обстоятельств – форс-мажор (проблемы с поставщиками сырья на протяжении двух месяцев). Отклонение, связанное с влиянием внешних факторов, составило 2 000 шт. (18 000 – 14 000 – 2 000). Коэффициент влияния составит таким образом: 1-(2 000 влияние внешних факторов /18 000 прогноз -2 000 форс-мажор)=0,875

Ознакомьте с прогнозом продаж каждого работника из отдела продаж (сбыта). Отметьте, что эти цифры получены на основе точных расчетов с учетом всех факторов. Это еще одна важная деталь, ведь работники будут знать, какие цифры от них ожидаются и что эти цифры не вымышленные, а вполне обоснованы реальными расчетами.

Создание точных прогнозов продаж позволит вам более эффективно использовать имеющиеся ресурсы, сократить расходы, правильно разработать планы работы, оптимизировать деятельность вашей компании, в том числе сектора продаж.

← Вернуться