Прогноз продаж

 

 

 

 

 

 

 

 

 

 

 

2.3.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.

Сезонные  колебания строго цикличны - повторяются  через каждый год, хотя сама длительность времен года имеет колебания. Для изучения сезонных колебаний необходимо иметь уровни за каждый квартал, а лучше за каждый месяц, иногда даже за декады, хотя декадные уровни могут уже сильно исказиться мелкомасштабной случайной колеблемостью.

Например, продавцам  оборудования знаком подъем в конце  года - ноябрь, декабрь, когда многие большие государственные организации  торопятся выбрать свои бюджеты. А летняя пора, которая для многих оборачивается "мертвым сезоном", для туристических и строительных компаний как раз самое горячее  время продаж.

Сама процедура прогноза включает в себя решение следующих задач:

• Анализ статистики предыдущих продаж
• Расчет прогнозной цифры продаж
• Определение плана (объема) продаж на следующий месяц .

 

В этом алгоритме  анализ сезонных колебаний продаж осуществляется, как правило, на первом этапе - в ходе анализа предыдущей статистики.

По сути дела, такой анализ как раз и затевается с целью выявления общей тенденции  в динамике продаж, а также выявления  и оценки возможных колебаний. На следующем этапе они используются для расчета и уточнения прогноза продаж.

В свою очередь, плановый объем продаж, с одной  стороны, чтобы быть обоснованным, должен опираться на прогноз продаж, а  с другой - добавлять к нему некую  дельту, вытекающую из задач предприятия  на соответствующий период.

2.4. Циклические колебания

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.

 

 

 

 

 

 

 

 

2.5. Казуальные методы

   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;
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 Xj 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:

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.

 

 

 

 

3.Основные проблемы использования рассмотренных методов

 

Основные  трудности, можно условно разделить на четыре группы:

1. Исходная  статистическая информация зачастую  бывает недостоверной. Однако  даже при наличии достоверных  данных о прошлом, они не  всегда могут служить надежной  базой для принятия плановых  решений, направленных в будущее;

2. Некоторая  часть информации, необходимой для  выбора наилучшего варианта планового  решения, имеет качественный характер  и не поддается количественным  измерениям (например, невозможно разработать  формулу для прогнозирования  (оценки) поведения людей в той  или иной ситуации, в производственном коллективе);

3. В момент  принятия решения необходимая  статистическая информация отсутствует,  а ее получение требует времени или средств;