Грэг Маршалл - Управление отделом продаж

Таблица 5.4.Пример прогноза по методу скользящей средней

Рисунок 5.5.График фактических и прогнозных продаж с использованием скользящей средней

В таблице 5.4 показан пример прогноза на основе скользящей средней с периодом наблюдений в 16 лет и прогнозные оценки за несколько лет, определенные с помощью двух– и четырехлетней скользящих средних. На таблице 5.5 результаты показаны графически. Значение 4305 для 2000 года, рассчитанное по двухлетней скользящей средней, является средним между продажами 1998 года (4200) и 1999 года (4410). Таким же образом прогноз на 2013 год в размере 5772 единиц по четырехлетней скользящей средней определяется как средняя величин продаж за четыре года – с 2009 по 2012-й. Очевидно, что для применения четырехлетней скользящей средней по сравнению с двухлетней требуется больше данных. Это важно учитывать при прогнозировании объемов продаж для нового продукта.

В методе скользящих средних каждое из последних n значений в прогнозировании следующего имеет равный вес, где n – количество лет в интервале подсчета. Таким образом, когда n = 4 (для четырехлетней скользящей средней), каждому значению за последние четыре года в прогнозировании продаж на следующий придается равный вес. При использовании четырехлетней скользящей средней значения пятилетней давности и более ранние имеют нулевой вес.

Экспоненциальное сглаживание – одна из разновидностей метода скользящей средней. Но вместо равного веса для всех участвующих наблюдений при выведении прогнозного значения в этой модели более поздним наблюдениям придается больший вес. Самые последние наблюдения содержат больше всего информации о том, что может произойти в будущем, и логично, что им должно быть придано большее значение.

Ключевое решение при использовании экспоненциального сглаживания касается выбора коэффициента сглаживания α, который принимает значения от 0 до 1. Высокие величины α придают большой вес последним значениям и меньший – отдаленным; при низком уровне α, напротив, больший вес получают более давние значения. Если продажи меняются медленно, то хороший результат дают невысокие показатели α, высокие стоит использовать, чтобы прогнозные показатели быстрее откликались на изменения. Конкретную величину α обычно определяют эмпирически, пробуя разные значения, и в итоге принимается то из них, при котором на данных за прошлый период ошибка прогноза оказывается минимальной.

Метод декомпозициив прогнозировании сбыта обычно применяется по отношению к месячным или квартальным данным, когда очевиден сезонный характер спроса и когда менеджер хочет прогнозировать продажи не только на год, но и на меньшие периоды. Важно определить, когда изменение объема продаж отражает общие, фундаментальные процессы, а когда оно связано с сезонностью спроса. Например, Hawaiian Tropic хочет выяснить, насколько увеличение продаж защитных средств для загара связано с общей тенденцией к более активному уходу за кожей, а в какой степени его – с пиковым повышением спроса в мае – сентябре. Метод декомпозиции нацелен на то, чтобы отделить друг от друга четыре составляющих временного ряда: тренд, цикличность, сезонность и случайные факторы.

• Тренд отражает долгосрочный характер изменений, наблюдаемых во временном ряду, когда исключены циклические, сезонные и случайные составляющие. Обычно он является линейным.

• Цикличность присутствует не всегда, поскольку данный фактор отражает подъемы и спады при исключении сезонных и беспорядочных колебаний. Эти подъемы и спады обычно происходят на продолжительном отрезке, возможно, от двух до пяти лет. Некоторые продукты слабо подвержены циклическим колебаниям (например, консервированный горошек), тогда как в случае с другими товарами они достаточно сильны (новостройки).

• Сезонность отражает колебания временного ряда, связанные со сменой времен года. Обычно этот фактор проявляется одинаково каждый год, хотя точный характер продаж может различаться от года к году.

• Случайный фактор – составляющая, которая остается после исключения тренда, цикличности и сезонного фактора.

Таблица 5.6.Расчет индекса сезонности

* Индекс сезонности равен квартальной средней, поделенной на общую среднюю за квартал и помноженной на 100. Например, для первого квартала он равен (96,7 / 131,1) × 100 = 73,8.

В таблице 5.6 представлен расчет простого сезонного индекса на материале данных за пять прошедших лет. Данные явно указывают на наличие сезонного фактора и тренда. Четвертый квартал каждый год становится самым успешным, первый – самым неудачным. В то же время продажи в каждом последующем году выше, чем в предыдущем. Можно рассчитать индекс сезонности для каждого года, просто разделив квартальные продажи на среднее значение за квартал. Чаще, однако, расчет индекса сезонности производится на основе данных за несколько лет, чтобы сгладить случайные колебания в разные кварталы.

Применяя метод декомпозиции, аналитик обычно сначала определяет характер сезонности и исключает ее, чтобы выявить тренд. Затем оценивается фактор цикличности. После расчета этих трех параметров по отдельности разрабатывается прогноз путем поочередного применения каждого фактора к историческим данным.

Методы анализа временных рядов позволяют определять зависимость продаж от временных периодов, на чем и основывается прогноз. Статистический анализ спросапри прогнозировании направлен на выявление взаимосвязи между продажами и важными факторами, влияющими на них. Обычно для определения этой взаимосвязи применяется регрессионный анализ. Задача заключается не в том, чтобы рассчитать по отдельности все факторы, а в том, чтобы выявить те из них, которые оказывают самое существенное влияние на сбыт, и затем оценить степень этого влияния. Прогностическими параметрами в статистическом анализе спроса часто являются индексы за прошлые периоды, такие как индекс опережающих экономических индикаторов и др. Например, производитель пиломатериалов для прогнозирования продаж может использовать показатель нового строительства, процентные ставки и сезонное увеличение спроса в летние месяцы.