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

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.

Ошибка многих бизнесменов — ведение продаж вслепую. Они не делают никаких прогнозов продаж, оценивая лишь итоги отчетного периода. Такая схема напоминает американские горки: то пик, то длительное затишье.

Почему так делать не стоит?

• Если не составлять прогноз продаж, персонала падает. Нет ориентира к чему стремиться.
• Любая цифра оценивается по принципу «хоть что-то».
• Нет духа конкуренции, нет лидеров, на которых необходимо равняться.

Чтобы достигать целей, их, прежде всего, надо ставить. Чтобы увеличить выручку, нужно составить прогноз. Главное, чтобы желаемый рост был реалистичен. Практика показывает, что цифры прогноза достигаются тогда, когда запланированные показатели отличаются от реальных возможностей ваших продавцов не более чем на 30-35%.

Обратите внимание на следующие способы составления прогноза:

1. Плюс 10% от достигнутого

Этот способ знаком тем, кто изучал советскую экономику и ее методику прогнозов. Основной смысл этого метода — в прогнозировании показателей на 10-15% выше, чем было достигнуто за предыдущий отчетный период.

Этот метод хорошо работает, когда в вашей компании уже выстроена система продаж, и у каждого менеджера установлены минимально допустимые показатели эффективности.

Однако при этом методе важно установить реальные возможности ваших продавцов. Чтобы прогноз имел вызов, а не содержал показатели нижней планки допустимого.

2. Равнение на лучших

Это популярный мотиватор достижения поставленных целей. Основная суть метода заключается в том, чтобы показать, что если кто-то смог оправдать ожидания прогноза продаж, то смогут и другие.

Однако в качестве ориентира на цифры в прогнозе этот метод не всегда бывает эффективным. Как минимум, потому что в любом отделе продаж есть «локомотивы» и «кандидаты на увольнение». Поэтому, чтобы прогноз был более реальным и оправданным, нужно ориентироваться на нечто среднее между результатами этих двух категорий.

3. Смотрим на конкурентов

Делать прогноз, исходя из собственных достижений, логично, но периодически необходимо сравнивать себя с конкурентами, чтобы выйти на лидирующие позиции.

Это отличный способ делать прогноз продаж, если у вас есть доступ к информации о конкурентах. К их стратегии, бизнес-процессах, закупочных ценах, скидках, и о многом таком, о чем не пишется в коммерческих предложениях и не рассказывается на сайте.

Достать эту информацию можно разными способами. В том числе, проводя партизанские методы работы. Например, позвонить конкуренту под видом покупателя и посмотреть, как выстроена у него цепочка работы с клиентом.

4. Поощряем свои желания

Один из методов составления прогноза продаж заключается в том, что вы отталкиваетесь от ваших реальных желаний. Пусть даже это не соответствует здравому смыслу. Но вы ставите себе за цель определенные цифры и подбираете методы его реализации.

5. Ориентируемся на свою воронку продаж

Этот метод можно применять при прогнозе, если у вас есть замеры результатов всех этапов продаж. Т.е. вы знаете все цифры, которые влияют на продажи в вашем бизнесе.

Чтобы получить все необходимые показатели — проанализируйте работу своего отдел. Для составления прогноза необходимы цифры за период 2-3 месяца.

Какую информацию вы должны анализировать:

• сколько времени в среднем тратится на один холодный звонок,
• сколько времени в среднем тратится на сбор информации о потенциальном клиенте,
• сколько надо сделать звонков, чтобы по цепочке добраться до лица, решения,
• сколько встреч реально может провести в день один менеджер,
• какой процент встреч заканчивается заказом,
• количество повторных продаж,
• средний чек.

Имея на руках эти цифры, вы можете составить реалистичный прогноз.

Как декомпозировать план

Необходимо определиться с целями, которые вы ставите в прогнозах. Дальше важно декомпозировать их на задачи для каждого сотрудника.

Поэтому, составляя прогноз продаж, разбейте общее видение на конкретные направления, с которыми нужно работать для достижения результата.

Необходимо составить следующие планы:

• По новым клиентам;
• По новым продуктам;
• По увеличению доли в текущих клиентах;
• По из различных каналов;
• По оттоку клиентов;
• По невозврату дебиторской задолженности (если есть такая проблема).

Каждую цифру в плане разбейте еще по следующим направлениям:

• По регионам;
• По отделам;
• По сотрудникам;
• По месяцам/дням;
• По промежуточным показателям эффективности с учетом показателей по в воронке (текущая и новая клиентская база).

Чем точнее и детальней вы раздробите цифры в каждом плане, тем вероятней осуществление прогноза.

Пример декомпозиции

Приведем пример декомпозиции прогноза продаж до уровня ежедневных показателей для каждого сотрудника. Но прежде, чем сделать это, убедитесь, что коммерческая структура работает оптимально. Необходимо провести небольшой аудит по 4 направлениям.

Клиенты. Нужно провести сегментацию текущей базы покупателей, чтобы выявить основные целевые группы и сосредоточиться на работе с наиболее рентабельными.

Каналы. Проанализируйте конверсию каждого из них с учетом средней стоимости лида и прекратите вкладывать в то, что не приносит результата.

Сотрудники. В отделе должны остаться работать только самые лучшие кадры. Отсев произойдет автоматически, если вы внедрите 2 принципа:

• принцип «сложного оклада», в котором бонусная часть за выполнение прогноза продаж составляет не менее 50%;
• принцип «больших порогов», который регулирует выплату бонусов: не выполнил до 80% плана – не получил бонус, 80-100% — плюс 1 оклад, перевыполнил план – плюс 2 оклада.

Продукты. Избавьтесь от неликвидных и низкомаржинальных продуктов. Это предотвратит расход ресурсов.

Опираясь на оптимально настроенную систему приступайте к декомпозиции, следуя плану ниже.

1. Определите прогнозную цифру прибыли. Посмотрите на прибыль предыдущих периодов. Исключите разовые сделки. Учтите влияние маркетинга и сезонность.

2. Зная свою маржинальность, по доле прибыли вычислите выручку.

3. Разделите выручку на средний чек и получите примерное количество сделок, которые нужно заключить, чтобы достичь поставленной прибыли.

4. Используя показатель конверсии из заявки в покупателя, просчитайте количество лидов.

5. По промежуточной конверсии в воронке рассчитайте общее количество действий, которые необходимо совершить в рамках бизнес процесса. Речь идет о звонках, встречах, презентациях, повторных звонках, высланных коммерческих предложениях, выставленных счетах.

6. Как только у вас будут количественные показатели каждого этапа, разделите их на количество рабочих дней прогнозного периода (чаще всего принято говорить о месяце).

Таким образом, вы выясните что и сколько должен делать каждый продавец, чтобы в итоге весь отдел закрыл план к концу месяца. Контролируйте выполнение этих показателей на ежедневной основе.

Прогнозирование продаж: точный расчет или гадание на кофейной гуще? Когда мы строили систему в компании-девелопере Урбан Групп, коммерческий директор, Дмитрий Усманов, задал вопрос, — подпишемся ли мы под конкретной цифрой. Мы назвали цифру, дату и время.

Через три недели в 12.15 мы сидели в кафе и наблюдали за графиком поступлений. В 12.00 разносятся приходы за последний день. Точность прогноза составила 99,7%.

Самый частый вопрос, который задают нам клиенты: «Как вы можете так точно рассчитать будущий объем продаж?».

Все дело в кофе) Нет, не в том, по которому можно узнать судьбу вашего бизнеса, а в том, которое мы выпиваем, пока решаем задачу прогнозирования для каждого конкретного предприятия.

Не стоит путать прогнозы объема продаж, основанные на детальных расчетах, с ненаучной ворожбой. Давайте рассмотрим, как составить максимально точный прогноз продаж и какие задачи он решает.

Для чего нужен прогноз продаж?

1. Постановка целей . Полученная по годовому прогнозу цифра – то, к чему компания должна прийти на следующий год, тот план, который необходимо выполнить. Это часть бизнес-плана для предприятия и реальная, четко просчитанная цель для отдела продаж, от которой можно отталкиваться при начислении премий и бонусов. Очень часто цель ставится из желаний, а не из реальных возможностей.
Поэтому перед тем как поставить цель необходимо сначала сделать прогноз, а потом устанавливать цель. Если цель выше прогноза, то нужно понимать за счет каких изменений цель будет выполнена.

2. Формирование необходимой базы трудовых и производственных ресурсов. Исходя из прогнозного количества клиентов и объема продаж. Задача: запланировать закупки и определить будущие потребности компании в оборудовании и персонале.

3. Управление складскими запасами . В каждый момент времени в распоряжении производства будет находиться складской остаток, достаточный для выполнения задач на определенном этапе. Никакого дефицита или избытка материалов на складе – только рациональное расходование средств!

4. Повышение мобильности бизнеса . На прогнозном графике (или в таблице) можно заблаговременно увидеть моменты возможного проседания объема продаж (например, из-за сезонности продукта) и предпринять меры для корректировки ситуации еще до окончания периода. Кроме того, повышаются шансы мгновенно отследить незапланированный спад продаж, оперативно выявить причины снижения показателей и своевременно исправить ситуацию.

5. Контроль и оптимизация расходов . Прогнозирование покажет, какие затраты в целом понесет компания на производство и реализацию продукции. А значит, можно разработать бюджет и заблаговременно определить, какие издержки подлежат сокращению в случае неисполнения прогноза по увеличению объема продаж.

Просто заполните форму, и наши эксперты ответят на любые ваши вопросы Повышаем продажи c гарантией Вы владелец/собственник бизнеса? да нет

Методы прогнозирования и как они работают

Существует 3 основных группы методов:

1. Метод экспертных оценок . Базой для них является субъективная оценка определенной группы экспертов, которые имеют свое видение текущей ситуации и перспектив развития. В роли внутренних экспертов выступают руководители компаний и топ-менеджеры. Внешними экспертами могут быть привлеченные консультанты и финансовые аналитики.

Эту методику выбирают при отсутствии большого количества статистических данных, например, когда компания выводит на рынок новый товар или услугу. Эксперты оценивают проблему, основываясь на интуиции и логике. Обобщенное мнение специалистов и становится прогнозом. Метод очень сильно зависит от опыта эксперта в отрасли. Иногда это лучший способ прогнозирования. И тут нет ничего общего с гаданием. Интуиция это вычисления нашего мозга, которые человек не может отследить. Главное уметь очистить интуицию от предрассудков.

Пример.

«Мозговой штурм» – коллективный метод экспертной оценки, в котором принимают участие начальники отделов продаж, маркетинга, производства и логистики. Каждый по очереди озвучивает факторы, которые могут положительно или отрицательно повлиять на будущие продажи. Прогноз формируется по сводному перечню выдвинутых идей.

Но нужно учитывать что каждый из участников будет иметь свои интересы. Продажникам нужно занизить план, чтобы потом геройски его выполнить. Маркетологам завысить чтобы показать перспективы рынка. Производству сократить ассортимент до 1 единицы и сформировать ровный график, логистике не нужны пики и спады.

2. Методы анализа и прогнозирования временных рядов . Оптимальный вариант для предприятия, накопившего базу данных по продажам за несколько лет. Для упрощенного прогнозирования можно воспользоваться стандартной программой Excel. В ней составляется таблица с ежемесячным объемом продаж в каждом году, и на основе этой таблицы выстраивается график.

График показывает основной тренд (повышение или снижение объемов продаж), а также сезонные колебания. Остается экстраполировать кривую на месяц, на год или любой другой период времени. Можно расширить этот метод следующим пунктом.

3. Казуальные (причинно-следственные) методы. Они учитывают зависимость уровня продаж от одной или нескольких переменных. Для построения адекватной модели необходимо знать независимые факторы, которые влияют на спрос.
Что это за факторы? Доходы населения, цены конкурентов, эффективность рекламы, объемы производства смежных областей – то есть все, что определяет поведение потребителей.

Пример.

Компания реализует сантехнику. Первый фактор – объемы строительства в регионе. Они в прошлом году снизились на 15%, объемы продаж сантехники упали на 10%. В следующем году кризис в строительной сфере продолжится, значит, упадут и продажи унитазов, раковин и ванн. Второй фактор – реклама. Как показал опыт сантехнической компании в прошлые периоды, увеличение расходов на рекламу на 10% увеличивает продажи на 20%. И так далее по каждому фактору влияния.

Итоговый показатель рассчитывается с помощью многофакторного уравнения, в котором каждая переменная протестирована и выверен ее уровень значимости.

Выбор метода зависит от того, какие исходные данные есть в наличии. Самое эффективное решение – сочетание нескольких методов.

Следует учитывать, что прогнозирование величины продаж лучше работает в краткосрочном периоде, и не из-за каких-то особенностей расчета, а потому что на уровне бизнеса практически невозможно предсказать изменение внешних политических и экономических условий. Вспомните, кто был готов к кризису 2008? А к санкциям из-за ситуации на Украине?

Как рассчитать прогноз продаж – чек-лист для бизнеса

Посмотрите, какой алгоритм прогнозирования используем мы, перед тем как гарантировать своим клиентам увеличение объема продаж на 20-200%:

• Анализируем результаты деятельности предприятия за предыдущий период . Берем ежемесячные или еженедельные данные за три предыдущих года. Для нового товара, у которого отсутствует история продаж, используем методы экспертной оценки – основываемся на опыте наших специалистов, работавших с аналогичным бизнесом, опрашиваем внешних экспертов и изучаем конкурентов.

На этом же этапе исходя из предоставленных сведений мы определяем эластичность спроса, чтобы понять, насколько сильно объем продаж зависит от повышения/понижения цены, если они были за эти периоды Каждый экстремум на графике наход объяснение путем анализа страктуры оборота. Какие клиенты купили больше или меньше, почему, что повлияло. В 99 % случаев ответы находятся без особых усилий.

• Определяем тренд рынка . Прогнозировать увеличение продаж продукции можно только в том случае, если общий тренд рынка является растущим или хотя бы стабильным. Увидеть текущие тенденции можно в ЯндексВордстате – мы набираем запрос, соответствующий продукту клиента, и изучаем график.

Если кривая спроса неуклонно снижается и нет никаких данных о скором окончании кризиса в этой отрасли, на рост продаж рассчитывать не стоит. однако можно попытаться удержаться на текущем уровне., кризис вечным не бывает. И если вы сохраните за собой долю рынка, в момент подъема у вас будет лучший старт, чем у конкурентов.

• Учитываем сезонность предлагаемого товара/услуги . Если есть сведения по прошлым продажам – отлично! Если нет, есть простой способ выяснить наличие или отсутствие сезонных колебаний – воспользоваться все тем же графиком по динамике запросов.

Посмотрите, как четко видны сезонные колебания по запросу «кровельные материалы»: летние пики и зимние провалы. Для товаров и услуг, спрос на которые отличается ярко выраженной сезонностью, нужно рассчитать коэффициент сезонности по каждому плановому периоду.

Пример.

Компания продает мягкую кровлю в рулонах. В апреле прошлого года было реализовано 100 рулонов, а уже в июне – 176 рулонов. В апреле этого года компания реализовала 124 рулона, сколько рулонов будет продано в июне? Простая задачка для начальной школы решается в одно действие: 176/100*124=218 рулонов (где 176/100=1,76 – коэффициент сезонности). Аналогично можно сделать расчет коэффициента в целом по рынку.

• Оцениваем актуальное УТП. Например при продаже квартиры мы оцениваем УТП компании по 32 параметрам, каждой характеристике присваиваем вес и четко понимаем силу нашего предложения. Качество уникального торгового предложения серьезно влияет на конверсию. После конкурентного анализа мы можем сказать, какой будет конверсия на сайте для конкретного бизнеса – 2% или все 10%. Если доработать откровенно слабое УТП и четко прописать его в рекламных объявлениях, можно в разы увеличить количество обращений

• Тестируем эффективность рекламы по каждому каналу продаж . Для офлайн-магазинов можно запустить тестовую рекламную кампанию в газетах, на телевизионных каналах региона. Для интернет-магазинов – размещаем таргетированную рекламу в соцсетях или контекстные объявления в Яндекс.Директ (GoogleAdwords). Каждому рекламному каналу присваиваем свой номер телефона или любой другой маркер, позволяющий определить, что именно сработало.

Пример.

Компания реализует металлические двери в двух магазинах в своем городе и интернет-магазине с доставкой по области. Реклама в газетах представляет собой купон с 5% скидкой, который нужно предъявить при обращении. В контекстной рекламе размещаем телефон и отслеживаем количество поступивших по нему звонков. Одна реклама увеличила количество клиентов на 10%, а вторая не сработала? Используем эту информацию для планирования и прогнозирования.

• Анализируем клиентскую базу по физическим и юридическим лицам, среднему чеку, регулярности закупок. Берем статистику по уже завершенным сделкам, вычисляем средний чек для каждой группы клиентов. Мы уже выяснили, сколько новых покупателей принесет нам реклама. Умножаем их количество на средний чек и получаем прогнозный объем продаж.

В расчете будущих объемов продаж для сегмента B2B есть свои особенности. Как правило, это не разовые клиенты, а постоянные деловые партнеры, которые будут покупать товары в течение всего года. Соответственно, кроме среднего чека нужно определить периодичность поставок. Потенциал можно оценить по базам 2gis.ru.

• Проверяем, как работают менеджеры по продажам . Прослушиваем, как менеджеры работают с обращениями. Если по итогам общения с потенциальным клиентом менеджер не смог довести его до заказа, нужно составить эффективные скрипты телефонных разговоров и провести обучение персонала. В результате, из 10 обращений до покупки дойдетне 1 клиент, а, 3.

Когда мы составляем прогноз роста продаж, мы используем именно этот чек-лист, дополняя или видоизменяя его в зависимости от вида бизнеса. Как видите, в нем встречаются элементы всех трех методик. По каждой гипотезе дается оценка, но их совокупность обеспечивает высокую точность прогноза.

Мы можем гарантировать максимально точное прогнозирование при условии, что клиент сначала предоставляет нам как можно большее количество исходных данных, а потом четко реализуются все внедрения. Мы проведем аудит любого бизнеса и точно определим объем на который способен Ваш бизнес и не обижайтесь если он будет в несколько раз Ваше текущего

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.).

Краеугольный камень в управлении запасами и огромная головная боль управляющего. Как это делать на практике ?

Целью данных записок не является изложение теории прогнозирования - книжек существует множество. Целью является сжато и по возможности без глубокой и строгой математики дать обзор различных методов и практик применения именно в области управления запасами. Я старался не "залезать в дебри", рассматривать лишь наиболее часто встречающиеся ситуации. Заметки написаны практиком и для практиков, поэтому не стоит искать здесь каких-то изощренных методик, описаны только самые общие. Так сказать, mainstream в чистом виде.

Впрочем, как и везде на этом сайте всячески приветствуется участие - добавляйте, исправляйте, критикуйте...

Прогнозирование. Постановка задачи

Любой прогноз всегда ошибочен. Весь вопрос в том, насколько он ошибочен.

Итак, у нас в распоряжении есть данные о продажах. Пусть это выглядит так:

На языке математики это называется временным рядом:

Временной ряд обладает двумя критическими свойствами

значения обязательно упорядочены. Переставьте два любых значения местами, и получите другой ряд

подразумевается, что значения в ряду — это результат измерения через одинаковые фиксированные промежутки времени; прогнозирование поведения ряда означает получение «продолжения» ряда через те же самые промежутки на заданный горизонт прогнозирования

Отсюда следует требование к точности исходных данных — если мы хотим получить понедельный прогноз, исходная точность должна быть не хуже, чем понедельные отгрузки.

Отсюда также следует, что если мы «достаем» из учетной системы данные о продажах помесячно, их нельзя использовать впрямую, поскольку количество времени, в течение которого производились отгрузки, в каждом месяце разное и это вносит дополнительную ошибку, поскольку объем продаж приблизительно пропорционален этому времени.

Впрочем, это не является такой уж сложной проблемой — давайте просто приведем эти данные к среднедневным.

Для того, чтобы сделать какие-то предположения относительно дальнейшего хода процесса, мы должны, как уже говорилось, уменьшить степень нашего незнания. Мы предполагаем, что наш процесс имеет какие-то внутренние закономерности течения, совершенно объективные в текущем окружении. В общих чертах это можно представить как

Y(t) — значение нашего ряда (например, объем продаж) в момент времени t

f(t) — некая функция, описывающая внутреннюю логику процесса. Ее в дальнейшем будем называть прогнозной моделью

e(t) — шум, ошибка, связанная со случайностью процесса. Или, что то же самое, связанная с нашим незнанием, неумением учесть другие факторы в модели f(t) .

Теперь наша задача состоит в том, чтобы отыскать такую модель, чтобы величина ошибки была заметно меньше наблюдаемой величины. Если мы отыщем такую модель, мы можем считать, что процесс в будущем пойдет примерно в соответствии с этой моделью. Более того, чем точнее модель будет описывать процесс в прошлом, тем больше у нас уверенности, что она сработает и в будущем.

Поэтому процесс как правило бывает итеративным. Исходя из простого взгляда на график прогнозист выбирает простую модель и подбирает ее параметры таким образом, чтобы величина

была в каком-то смысле минимально возможной. Эту величину как правило называют «остатками» (residuals), поскольку это то, что осталось после вычитания модели из фактических данных, то, что не удалось описать моделью. Для оценки того, насколько хорошо модель описывает процесс, необходимо посчитать некую интегральную характеристику величины ошибки. Наиболее часто для вычисления этой интегральной величины ошибки используют среднее абсолютное или среднеквадратическое величины остатков по всем t. Если величина ошибки достаточно велика, пытаются «улучшить» модель, т.е. выбрать более сложный вид модели, учесть большее количество факторов. Нам, как практикам, следует в этом процессе строго соблюдать как минимум два правила:

Наивные методы прогнозирования

Наивные методы

Простое среднее

В простом случае, когда измеренные значения колеблются вокруг некоторого уровня, очевидным является оценка среднего значения и предположение о том, что и впредь реальные продажи будут колебаться вокруг этого значения.

Скользящее среднее

В реальности же как правило картинка хоть немного, да «плывет». Компания растет, оборот увеличивается. Одной из модификаций модели среднего, учитывающей это явление, является отбрасывание наиболее старых данных и использование для вычисления среднего лишь нескольких k последних точек. Метод получил название «скользящего среднего».

Взвешенное скользящее среднее

Следующим шагом в модификации модели является предположение о том, что более поздние значения ряда более адекватно отражают ситуацию. Тогда каждому значению присваивается вес, тем больший, чем более свежее значение добавляется.

Для удобства можно сразу выбрать коэффициенты таким образом, чтобы сумма их составляла единицу, тогда не придется делить. Будем говорить, что такие коэффициенты отнормированы на единицу.

Результаты прогнозирования на 5 периодов вперед по этим трем алгоритмам приведены в таблице

Простое экспоненциальное сглаживание

В англоязычной литературе часто встречается аббревиатура SES — Simple Exponential Smoothing

Одной из разновидностей метода усреднения является метод экспоненциального сглаживания . Отличается он тем, что ряд коэффициентов здесь выбирается совершенно определенным образом — их величина падает по экспоненциальному закону. Остановимся здесь немного подробнее, поскольку метод получил повсеместное распространение благодаря простоте и легкости вычислений.

Пусть мы делаем прогноз на момент времени t+1 (на следующий период). Обозначим его как

Здесь мы берем в качестве основы прогноза прогноз последнего периода, и добавляем поправку, связанную с ошибкой этого прогноза. Вес этой поправки будет определять, насколько «резко» наша модель будет реагировать на изменения. Очевидно, что

Считается, что для медленно меняющегося ряда лучше брать значение 0.1, а для быстро меняющегося — подбирать в районе 0.3-0.5.

Если переписать эту формулу в другом виде, получается

Мы получили так называемое рекуррентное соотношение — когда последующий член выражается через предыдущий. Теперь мы прогноз прошлого периода выражаем тем же способом через позапрошлое значение ряда и так далее. В итоге удается получить формулу прогноза

В качестве иллюстрации продемонстрируем сглаживание при разных значениях постоянной сглаживания

Очевидно, что если оборот более-менее монотонно растет, при таком подходе мы будем систематически получать заниженные цифры прогнозов. И наоборот.

Ну и в заключение методика сглаживания с помощью электронных таблиц. Для первого значения прогноза мы возьмем фактическое, а далее по формуле рекурсии:

Составляющие прогнозной модели

Очевидно, что если оборот более-менее монотонно растет, при таком «усредняющем» подходе мы будем систематически получать заниженные цифры прогнозов. И наоборот.

Чтобы более адекватно промоделировать тенденцию, в модель вводится понятие «тренда», т.е. некоторой гладкой кривой, которая более-менее адекватно отражает «систематическое» поведение ряда.

Тренд

На рис. показан тот же ряд в предположении приблизительно линейного роста

Такой тренд называется линейным — по виду кривой. Это наиболее часто применяемый вид, реже встречаются полиномиальные, экспоненциальные, логарифмические тренды. Выбрав вид кривой, конкретные параметры обычно подбирают методом наименьших квадратов.

Строго говоря, эта компонента временного ряда называется тренд-циклической , то есть включает в себя колебания с относительно длинным периодом, для наших задач — порядка десятка лет. Эта циклическая составляющая характерна для мировой экономики или интенсивности солнечной активности. Поскольку мы тут решаем не такие глобальные проблемы, горизонты у нас поменьше, то и циклическую компоненту мы оставим за скобками и далее везде будем говорить о тренде.

Сезонность

Однако на практике нам оказывается недостаточно моделировать поведение таким образом, что мы подразумеваем монотонный характер ряда. Дело в том, что рассмотрение конкретных данных о продажах сплошь и рядом приводит нас к выводу о наличии еще одной закономерности — периодическом повторении поведения, некотором шаблоне. К примеру, рассматривая продажи мороженого, очевидно, что зимой они как правило ниже среднего. Такое поведение совершенно понятно с точки зрения здравого смысла, поэтому возникает вопрос, нельзя ли использовать эту информацию для уменьшения нашего незнания, для уменьшения неопределенности?

Так возникает в прогнозировании понятие «сезонности » - любое повторяющееся через строго определенные промежутки времени изменение величины. Например, всплеск продаж елочных игрушек в последние 2 недели года можно рассматривать как сезонность. Как правило, подъем продаж супермаркета в пятницу и субботу в сравнении с остальными днями можно рассматривать как сезонность с недельной периодичностью. Хоть и называется эта составляющая модели «сезонность», необязательно она связана именно с сезоном в бытовом понимании (весна, лето). Любая периодичность может называться сезонностью. С точки зрения ряда сезонность характеризуется прежде всего периодом или лагом сезонности — числом, через которое происходит повторение. Например, если у нас ряд месячных продаж, мы можем предполагать, что период составляет 12.

Различают модели с аддитивной и мультипликативной сезонностью . В первом случае сезонная поправка добавляется к исходной модели (в феврале продаем на 350 ед. меньше, чем в среднем)

во втором — происходит умножение на коэффициент сезонности (в феврале продаем на 15% меньше, чем в среднем)

Заметим, что, как уже говорилось в начале, само наличие сезонности должно быть объяснимо с точки зрения здравого смысла. Сезонность является следствием и проявлением свойства продукта (особенностей его потребления в данной точке земного шара). Если мы сможем аккуратно идентифицировать и измерить это свойство этого конкретного продукта, мы сможем быть уверены, что такие колебания продолжатся и в будущем. При этом один и тот же продукт вполне может иметь разные характеристики (профили ) сезонности в зависимости от места, где он потребляется. Если же мы не можем объяснить такое поведение с точки зрения здравого смысла, у нас нет оснований для предположительного повторения такого шаблона в будущем. В этом случае мы должны искать другие факторы, внешние по отношению к продукту и рассматривать их наличие в будущем.

Важно то, что при выборе тренда мы должны выбирать простую аналитическую функцию (то есть такую, которую можно выразить простой формулой), тогда как сезонность как правило выражается табличной функцией. Самый распространенный случай — годовая сезонность с 12 периодами по числу месяцев — это таблица из 11 мультипликативных коэффициентов, представляющих поправку относительно одного опорного месяца. Или 12 коэффициентов относительно среднемесячного значения, только очень важно, что при этом независимыми остаются те же 11, поскольку 12й однозначно определяется из требования

Ситуация, когда в модели присутствует M статистически независимых (!) параметров , в прогнозировании называется моделью с M степенями свободы . Так что если вам встретится специальный софт, в котором как правило необходимо в качестве входных параметров задать число степеней свободы, это отсюда. Например, модель с линейным трендом и периодом 12 месяцев, будет иметь 13 степеней свободы — 11 от сезонности и 2 от тренда.

Как жить с этими составляющими ряда, рассмотрим в следующих частях.

Классическая сезонная декомпозиция

Декомпозиция ряда продаж.

Итак, мы весьма часто можем наблюдать поведение ряда продаж, в котором присутствуют компоненты тренда и сезонности . Мы имеем намерение улучшить качество прогноза, учитывая это знание. Но для того, чтобы использовать эту информацию, нам необходимы количественные характеристики. Тогда мы из фактических данных сможем исключить тренд и сезонность и тем самым значительно уменьшить величину шума, а значит и неопределенность будущего.

Процедура выделения неслучайных компонент модели из фактических данных называется декомпозицией .

Первое, чем мы займемся на наших данных — сезонная декомпозиция , т.е. определение числовых значений сезонных коэффициентов. Для определенности возьмем наиболее распространенный случай: данные о продажах сгруппированы помесячно (поскольку требуется прогноз с точностью до месяца), предполагается линейный тренд и мультипликативная сезонность с лагом 12.

Сглаживание ряда

Сглаживанием называется процесс, при котором исходный ряд заменяется другим, более плавным, но основанным на исходном. Целью такого процесса является оценка общих тенденций, тренда в широком смысле. Методов (как и целей) сглаживания существует много, наиболее распространенные

укрупнение временных интервалов . Очевидно, что ряд продаж, агрегированный помесячно, ведет себя более гладко, чем ряд, основанный на дневных продажах

скользящее среднее . Мы уже рассматривали этот метод, когда говорили о наивных методах прогнозирования

аналитическое выравнивание . В этом случае исходный ряд заменяется некоторой гладкой аналитической функцией. Вид и параметры подбираются экспертно по минимуму ошибок. Опять же, мы это уже обсуждали, когда говорили о трендах

Дальше мы будем использовать сглаживание методом скользящего среднего. Идея состоит в том, что набор из нескольких точек мы заменяем одной по принципу «центра масс» - значение равно среднему этих точек, а расположен центр масс, как нетрудно догадаться, в центре отрезка, образованного крайними точками. Так мы устанавливаем некий «средний» уровень для этих точек.

В качестве иллюстрации наш исходный ряд, сглаженный по 5 и 12 точкам:

Как нетрудно догадаться, если происходит усреднение по четному числу точек, центр масс падает в промежуток между точками:

К чему это я все веду?

Для того, чтобы провести сезонную декомпозицию , классический подход предлагает сначала провести сглаживание ряда с окном, в точности совпадающим с лагом сезонности. В нашем случае лаг = 12, так что если мы сгладим по 12 точкам, по всей видимости, возмущения, связанные с сезонностью, нивелируются и мы получим общий средний уровень. Вот тогда уже мы начнем сравнивать фактические продажи с сглаженными значениями — для аддитивной модели будем вычитать из факта сглаженный ряд, а для мультипликативной — делить. В результате получим набор коэффициентов, для каждого месяца по нескольку штук (в зависимости от длины ряда). Если сглаживание прошло успешно, эти коэффициенты будут иметь не слишком большой разброс, так что усреднение для каждого месяца будет не столь уж дурацкой затеей.

Два момента, которые важно отметить.

• Усреднение коэффициентов можно делать как вычислением стандартного среднего, так и медианы. Последний вариант очень рекомендуется многими авторами, поскольку медиана не так сильно реагирует на случайные выбросы. Но мы в нашей учебной задаче будем использовать простое среднее.
• У нас будет лаг сезонности 12, четный. Поэтому нам придется сделать еще одно сглаживание — заменить две соседние точки сглаженного в первый раз ряда на среднее, тогда мы попадем на конкретный месяц

На картинке результат повторного сглаживания:

Теперь делим факт на гладкий ряд:

К сожалению, у меня были данные лишь за 36 месяцев, а при сглаживании по 12 точкам один год, соответственно, теряется. Поэтому на данном этапе я получил коэффициенты сезонности лишь по 2 на каждый месяц. Но делать нечего, это лучше, чем ничего. Будем усреднять эти пары коэффициентов:

Теперь вспоминаем, что сумма мультипликативных коэффициентов сезонности должна быть =12, поскольку смысл коэффициента — отношение продаж месяца к среднемесячному. Именно это делает последняя колонка:

Вот теперь мы выполнили классическую сезонную декомпозицию , то есть получили значения 12-ти мультипликативных коэффициентов. Теперь пришла пора заняться нашим линейным трендом. Для оценки тренда мы устраним из фактических продаж сезонные колебания, разделив факт на полученное для данного месяца значение.

Теперь построим на графике данные с устраненной сезонностью, проведем линейный тренд и составим для интереса прогноз на 12 периодов вперед как произведение значения тренда в точке на соответствующий коэффициент сезонности

Как видно из картинки, очищенные от сезонности данные не очень хорошо укладываются в линейную зависимость — слишком большие отклонения. Возможно, если почисить исходные данные от выбросов, все станет намного лучше.

Для более точного определения сезонности при помощи классической декомпозиции весьма желательно иметь не менее 4-5 полных циклов данных, так как один цикл не участвует в вычислении коэффициентов.

Что делать, если по техническим причинам таких данных нет? Нужно найти метод, который не будет отбрасывать никакую информацию, будет использовать всю имеющуюся для оценки сезонности и тренда. Попробуем такой метод рассмотреть в следующей части

Экспоненциальное сглаживание с учетом тренда и сезонности. Метод Холта-Винтерса

Возвращаясь к экспоненциальному сглаживанию...

В одной из предыдущих частей мы уже рассматривали простое экспоненциальное сглаживание . Напомним в двух словах основную идею. Мы предполагали, что прогноз для точки t определяется некоторым средним уровнем предыдущих значений. Причем способ, которым вычисляется прогнозное значение, определяется рекуррентным соотношением

В таком виде метод дает удобоваримые результаты, если ряд продаж достаточно стационарен — нет выраженного тренда или сезонных колебаний . Но на практике такой случай — счастье. Поэтому мы рассмотрим модификацию данного метода, позволяющую работать с трендовыми и сезонными моделями.

Метод получил название Холта-Винтерса по именам разработчиков: Холт предложил метод учета тренда , Винтерс добавил сезонность .

Для того, чтобы не только разобраться с арифметикой, но и «почувствовать», как это работает, давайте немного повернем нашу голову и подумаем, что меняется, если мы вводим тренд. Если для простого экспоненциального сглаживания оценка прогноза на p-й период делалась как

где Lt — усредненный по известному правилу «общий уровень», то при наличии тренда появляется поправка

,

то есть к общему уровню добавляется оценка тренда. Причем как общий уровень, так и тренд мы будем усреднять независимо по методу экспоненциального сглаживания. Что понимается под усреднением тренда? Мы предполагаем, что в нашем процессе присутствует локальный тренд, определяющий систематическое приращение на одном шаге — между точками t и t-1, например. И если для линейной регрессии линия тренда проводится по всей совокупности точек, мы считаем, что более поздние точки должны вносить больший вклад, поскольку рыночное окружение постоянно меняется и более свежие данные более ценны для прогноза. В итоге Холт предложил использовать уже два рекуррентных соотношения — одно сглаживает общий уровень ряда , другое сглаживает трендовую составляющую .

Методика сглаживания такова, что вначале выбираются начальные значения уровня и тренда, а затем делается проход по всему ряду, на каждом шаге вычисляя новые значения по формулам. Из общих соображений понятно, что начальные значения должны как-то определяться исходя из значений ряда в самом начале, однако четких критериев тут нет, присутствует элемент волюнтаризма. Наиболее часто используются два подхода в выборе «точек отсчета»:

Начальный уровень равен первому значению ряда, начальный тренд равен нулю.

Берем первые несколько точек (штук 5), проводим линию регрессии (ax+b). Начальный уровень задаем как b, начальный тренд как a.

По большому счету этот вопрос не является принципиальным. Как мы помним, вклад ранних точек мизерный, поскольку коэффициенты очень быстро (по экспоненте) убывают, так что при достаточной длине ряда исходных данных мы скорее всего получим практически идентичные прогнозы. Разница, однако, может проявиться при оценке ошибки модели.

На этом рисунке показаны результаты сглаживания при двух выборах начальных значений. Здесь хорошо видно, что большая ошибка второго варианта связана с тем, что начальное значение тренда (взятое по 5 точкам) получилось явно завышенным, поскольку мы не учитывали рост, связанный с сезонностью.

Поэтому (вслед за господином Винтерсом) усложним модель и будем делать прогноз с учетом сезонности :

В данном случае мы, как и раньше, предполагаем мультипликативную сезонность. Тогда наша система уравнений сглаживания получает еще одну составляющую:

где s — лаг сезонности.

И вновь заметим, что выбор начальных значений, как и величин постоянных сглаживания — вопрос воли и мнения эксперта.

Для действительно важных прогнозов, однако, можно предложить составить матрицу всех комбинаций постоянных и перебором выбрать такие, которые дают меньшую ошибку. О методах оценки ошибочности моделей мы поговорим немного позже. А пока займемся сглаживанием нашего ряда по методу Холта-Винтерса . Начальные значения будем в данном случае определять по следующему алгоритму:

Теперь начальные значения определены.

Результаты всего этого безобразия:

Заключение

Удивительно, но такой простой метод дает на практике очень неплохие результаты, вполне сравнимые с гораздо более "математическими" - например, с линейной регрессией. И при этом реализация экспоненциального сглаживания в информационной системе на порядок проще.

Прогнозирование редких продаж. Метод Кростона

Прогнозирование редких продаж.

Суть проблемы.

Вся известная математика прогнозирования, которую с удовольствием описывают авторы учебников, основывается на предположении, что продажи в некотором смысле "ровные". Именно при такой картинке в принципе возникают такие понятия, как тренд или сезонность.

А что делать, если продажи выглядят следующим образом?

Каждый столбик здесь - продажи за период, между ними продаж нет, хотя товар присутствует.
О каких "трендах" здесь можно говорить, когда около половины периодов имеют нулевые продажи? И это еще не самый клинический случай!

Уже из самих графиков видно, что нужно придумывать какие-то другие алгоритмы предсказания. Хочется еще заметить, что эта задача не высосана из пальца и не является какой-то редкой. Практически все aftermarket ниши имеют дело именно с этим случаем - автозапчасти, аптеки, обеспечение сервисных центров,...

Формулировка задачи.

Будем решать чисто прикладную задачу. У меня есть данные о продажах торговой точки с точностью до дней. Срок реакции системы поставок пусть будет ровно одна неделя. Задача-минимум - спрогнозировать скорость продаж. Задача-максимум - определить величину страхового запаса исходя из уровня обслуживания в 95%.

Метод Кростона.

Анализируя физическую природу процесса, Кростон (Croston, J.D.) предположил, что

• все продажи статистически независимы
• случилась продажа или нет, подчиняется распределению Бернулли
  (с вероятностью p событие происходит, с вероятностью 1-p нет)
• в случае, если событие продажи произошло, размер покупки распределен нормально

Это означает, что результирующее распределение имеет такой вид:

Как видим, от "колокола" Гаусса эта картинка сильно отличается. Более того, вершина изображенного холма соответствует покупке 25 единиц, тогда как если мы "в лоб" посчитаем среднее по ряду продаж, получим 18 единиц, а расчет СКО дает 16. Соответствующая "нормальная" кривая нарисована здесь зеленым.

Кростон предложил делать оценку двух независимых величин - периода между покупками и собственно размера покупки. Посмотрим на тестовые данные, у меня как раз случайно под руками данные о реальных продажах:

Теперь поделим исходный ряд на два ряда по следующим принципам.

исходный	период	размер
0
0
0
0
0
0
0
0
0
0
4	11	4
0
0
4	3	4
5	1	5
...	...	...

Теперь к каждому из получившихся рядов применим простое экспоненциальное сглаживание и получим ожидаемые значения интервала между покупками и величины покупки. А разделив второе на первое, получим ожидаемую интенсивность спроса в единицу времени.
Так, у меня есть тестовые данные по дневным продажам. Выделение рядов и сглаживание с малым значением постоянной дало мне

• ожидаемый период между покупками 5.5 дней
• ожидаемый размер покупки 3.7 единиц

следовательно недельный прогноз продаж составит 3.7/5.5*7=4.7 единиц.

Вообще-то это все, что нам дает метод Кростона - точечную оценку прогноза. К сожалению, этого недостаточно для расчета потребного страхового запаса.

Метод Кростона. Уточнение алгоритма.

Недостаток метода Кростона.

Проблема вообще-то всех классических методов состоит в том, что они моделируют поведение с помощью нормального распределения. И здесь сидит систематическая ошибка, поскольку нормальное распределение предполагает, что случайная величина может меняться от минус бесконечности до плюс бесконечности. Но это небольшая беда для достаточно регулярного спроса, когда коэффициент вариации невелик, а значит и вероятность появления отрицательных значений столь незначительна, что мы вполне можем на это закрывать глаза.

Другое дело - прогнозирование редких событий, когда матожидание размера покупки имеет малое значение, а СКО при этом вполне может оказаться как минимум такого же порядка:

Чтобы уйти от такой очевидной погрешности, было предложено пользоваться логнормальным распределением, как более "логично" описывающим картину мира:

Если кого-то смущают всякие страшные слова, не волнуйтесь, принцип очень прост. Берется исходный ряд, от каждого значения берется натуральный логарифм, и предполагается, что получившийся ряд уже ведет себя как нормально распределенный со всей стандартной математикой, описанной выше.

Метод Кростона и страховой запас. Функция распределения спроса.

Сел я тут и задумался... Ну хорошо, получил я характеристики потока спроса:
ожидаемый период между покупками 5.5 дней
ожидаемый размер покупки 3.7 единиц
ожидаемая интенсивность спроса 3.7/5.5 единиц в день...
пусть я даже получил СКО дневного спроса для ненулевых продаж - 2.7. А что там насчет страхового запаса ?

Как известно, страховой запас должен обеспечить наличие товара при отклонении продаж от среднего с определенной вероятностью. Метрики уровня обслуживания мы уже обсуждали, давайте для начала поговорим об уровне первого рода. Строгая формулировка задачи звучит так:

У нашей системы поставок есть время реакции. Суммарный спрос на товар за это время есть величина случайная, имеющая свою функцию распределения. Условие "вероятность необнуления запаса" можно записать как

В случае редких продаж функция распределения может быть записана следующим образом:

q - вероятность нулевого исхода
p=1-q - вероятность ненулевого исхода
f(x) - плотность распределения размера покупки

Заметьте, в своем исследовании в предыдущий раз все эти параметры я измерял для дневного ряда продаж. Поэтому если время реакции у меня тоже равно одному дню, то эту формулу можно успешно применить прямо сразу. Например:

предположим, что f(x) - нормальная.
предположим, что в области x<=0 вероятности, описываемые функцией очень низкие, т.е.

тогда интеграл в нашей формуле ищется по таблице Лапласа.

в нашем примере p = 1/5.5, так что

алгоритм поиска становится очевидным - задав SL, наращиваем k, пока F не превысит заданный уровень.

Кстати, в последней колонке что? Правильно, уровень обслуживания второго рода, соответствующий заданному запасу. И тут, как я уже говорил, сидит некоторый методологический казус. Давайте представим себе, что продажи происходят приблизительно с частотой один раз в... ну пусть будет 50 дней. И еще представим себе, что мы держим нулевой запас. Какой уровень обслуживания будет? Вроде как нулевой - нет запаса, нет и обслуживания. Ту же цифру нам даст и система контроля запаса, поскольку наблюдается постоянный out of stock. Но ведь с точки зрения банальной эрудиции в 49 случаях из 50 продажа точно соответствует спросу. То есть не приводит к потерям прибыли и лояльности клиентов , а ни для чего другого уровень сервиса и не предназначен. Этот несколько вырожденный случай (чую, спор начнется) является просто иллюстрацией того, почему даже очень малый запас при редком спросе дает высокие уровни сервиса.

Но это все цветочки. А что, если у меня изменился поставщик, и теперь время реакции стало равняться неделе, например? Ну, тут все становится совсем веселым, тем, кто не любит "многаформул", рекомендую далее не читать, а ждать статью про метод Виллемейна.

Наша задача состоит теперь в том, чтобы проанализировать сумму продаж за период реакции системы , понять ее распределение, и уже оттуда вытаскивать зависимость уровня сервиса от величины запаса .

Итак, функция распределения спроса за один день и все ее параметры нам известны:

По-прежнему результат одного дня статистически независим от любого другого.
Пусть случайное событие состоит в том, что за n дней случилось ровно m фактов ненулевых продаж. Согласно закону Бернулли (да ладно, я ж сижу и с учебника списываю!) вероятность такого события

где - число сочетаний из n по m, а p и q - опять те же вероятности.
Тогда вероятность того, что сумма проданного за n дней в результате ровно m фактов продаж не превысит величины z, составит

где - распределение суммы проданного, то есть свертка m одинаковых распределений.
Ну и поскольку искомый результат (суммарные продажи не превышают z) может быть получен при любых m, осталось просуммировать соответствующие вероятности:

(первое слагаемое соответствует вероятности нулевого исхода всех n испытаний).

Что-то дальше мне лень со всем этим возиться, желающие могут самостоятельно построить таблицу, аналогичную вышеприведенной в применении к нормальной плотности вероятности. Для этого надо только вспомнить, что свертка m нормальных рапределений с параметрами (a,s 2) дает нормальное же распределение с параметрами (ma,ms 2).

Прогнозирование редких продаж. Метод Виллемейна.

Что плохого в методе Кростона?

Дело в том, что во-первых, он подразумевает нормальность распределения размера покупки. Во-вторых, для адекватных результатов это распределение должно иметь невысокую дисперсию. В-третьих, хоть это и не так смертельно, применение экспоненциального сглаживания для нахождения характеристик распределения неявно подразумевает нестационарность процесса.

Ну да бог с ним. Для нас самое важное - реальные продажи даже близко не выглядят нормальными. Именно эта мысль сподвигла Виллемейна (Thomas R. Willemain) и компанию к созданию более универсального способа. А потребность в таком методе была продиктована чем? Правильно, необходимостью прогнозировать потребность в запасных частях, в особенности в автомобильных запчастях.

Метод Виллемейна.

Суть подхода состоит в применении процедуры бутстраппинга (bootstrapping). Словечко это родилось из старой поговорки "pull oneself over a fence by one"s bootstraps", что почти буквально соответствует нашему "вытащить себя за собственные волосы". Компьютерный термин boot, кстати, тоже отсюда. И смысл этого слова в том, что некая сущность содержит в себе необходимые ресурсы, чтобы саму себя перевести в другое состояние, и при необходимости такую процедуру возможно запустить. Именно такой процесс происходит с компьютером, когда мы нажимаем на определенную кнопку.

В применении же к нашей узкой задаче процедура бутстраппинга означает вычисление внутренних закономерностей, присутствующих в данных, и выполняется следующим образом.

По условиям нашей задачи время реакции системы 7 дней. Мы НЕ знаем и НЕ ПЫТАЕМСЯ предположить вид и параметры кривой распределения.
Вместо этого мы из всего ряда 7 раз случайно "выдергиваем" дни, суммируем продажи этих дней и записываем результат.
Повторяем эти действия, каждый раз записывая сумму продаж за 7 дней.
Желательно произвести опыт достаточно много раз, чтобы получить наиболее адекватную картинку. 10 - 100 тысяч раз будет очень неплохо. Здесь очень важно, чтобы дни выбирались случайно РАВНОМЕРНО во всем анализируемом диапазоне.
В итоге мы должны получить "как бы" все возможные исходы продаж ровно семи дней, причем с учетом частоты появления одинаковых результатов.

Далее разбиваем весь диапазон получившихся значений сумм на отрезки в соответсвии с той точностью, которая нам потребуется для определения запаса. И строим частотную гистограмму, которая как раз и покажет реальное распределение вероятностей покупок. В моем случае я получил следующее:

Поскольку у меня продажи штучного товара, т.е. размер покупки всегда целое число, то я и не разбивал на отрезки, оставил как есть. Высота столбика соответствует доле общих продаж.
Как видим, правая, "ненулевая" часть распределения не напоминает нормальное распределение (сравните с зеленым пунктиром).
Теперь на основании этого распределения несложно рассчитать уровни обслуживания, соответствующие разному размеру запаса (SL1, SL2). Так что, задав целевой уровень сервиса, сразу получаем потребный запас.

Но и это не все. Если ввести в рассмотрение финансовые показатели - себестоимость, прогнозная цена, стоимость содержания запаса, легко считается и доходность, соответствующая каждому размеру запаса и каждому уровню сервиса. Она у меня показана в последней колонке, а соответствующие графики вот:

То есть здесь мы узнаем максимально эффективный запас и уровень обслуживания с точки зрения получения прибыли.

Напоследок (в очередной уже раз) хочется спросить: "а почему мы уровень обслуживания основываем на ABC-анализе ?" Казалось бы, в нашем случае оптимальный уровень сервиса первого рода составляет 91% вне зависимости от того, в какой из групп товар находится. Тайна сия велика есть...

Напомню, что одно из допущений, на которых мы основывались - независимость продаж одного дня от другого. Это очень хорошее допущение для розницы. Например, ожидаемые продажи хлеба сегодня никак не зависят от его вчерашних продаж. Такая картинка вообще характерна там, где есть достаточно большая клиентская база. Поэтому случайно выбранные три дня могут дать такой результат

такой

и даже такой

Совсем другое дело, когда мы имеем относительно немного клиентов, особенно если они покупают нечасто и помногу. в этом случае вероятность события, аналогичного третьему варианту, практически нулевая. Излагая простым языком, если у меня вчера были большие отгрузки, скорее всего сегодня будет затишье. И уж совсем фантастически выглядит вариант, когда спрос будет велик в течение нескольких дней подряд.

Значит, независимость продаж соседних дней в этом случае может оказаться чушью собачьей, и гораздо логичнее предположить обратное - они тесным образом связаны. Что ж, нас этим не испугаешь. Всего-то навсего мы не будем выдергивать дни совершенно случайно , мы будем брать дни, идущие подряд :

Все даже интереснее. Поскольку ряды у нас относительно короткие, нам даже не надо заморачиваться со случайной выборкой - достаточно прогнать по ряду скользящее окно размером в срок реакции, и готовая гистограмма у нас в кармане.

Но тут есть и недостаток. Дело в том, что мы получаем гораздо меньше наблюдений. Для окна в 7 дней за год можно получить 365-7 наблюдений, тогда как при случайной выборке 7 из 365 - это число сочетаний 365! / 7! / (365-7)! Считать лень, но это намного больше.

А малое число наблюдений означает ненадежность оценок, так что копите данные - они лишними не бывают!