Прогнозата за продажбите е един от важните етапи на правене на бизнес: предприемачът трябва да има представа колко ще продаде, за каква сума и с каква доходност. Освен това, това не трябва да е просто предположение, че „би било хубаво“: прогнозата за продажбите трябва да бъде подготвена внимателно и да има солидна основа. Методите за прогнозиране на продажбите варират от елементарни до такива, съставени с помощта на сложни математически инструменти.

Изтеглете материали за изчисляване на обемите на продажбите:

Каква е разликата между прогноза за продажби и план?

„План“ и „Прогноза за продажби“ далеч не са едно и също нещо, те са термини, които обозначават различни контролни елементи.

Планът е директивна концепция, това е задача, която се поставя пред мениджъра, задача, която той трябва да изпълни.

Прогнозата е предположение, че в определено бъдеще магазинът ще продаде определено количество стоки. Прогнозата не е задача, която трябва да бъде изпълнена, тя е точно предположение за това как може да се развие бизнесът.

Прогнозата винаги има определена основа, тя никога не се прави от предположения, свързани например с желанието на предприемача да получи тази или онази полза в определен период. Прогнозирането винаги се основава на определена основа.

Обикновено основата за прогнозиране са данни за предишни обеми. Най-основният случай на прогнозиране изглежда така:

Ако предприемач е продал стоки миналия месец за 1,5 милиона рубли, тогава при други постоянни условия (магазинът ще бъде на едно и също място, трафикът ще бъде същият, сериозен конкурент няма да се появи в района, доходите на населението ще да не намалява рязко и т.н. ) следващия месец обемът на продажбите ще бъде най-малко 1,5 милиона рубли.

Това вече е прогноза, която има основания и елементарни изчисления. Въз основа на него предприемачът ще постави задачи на своите мениджъри за планирания месец: да продаде продукти в общ обем от 1,5 милиона рубли.

Това е друга разлика между план и прогноза: планът се изгражда въз основа на прогноза - първо се прогнозират бизнес параметри (обем на продажби, рентабилност) за определен периодвреме (месец, година), след което прогнозните показатели се посочват в планове и се раздават на ръководителите.

По време те се разделят на:

1. Краткосрочни – за периоди от 1 година: за месец, тримесечие, полугодие и година.
2. Средносрочен – това обикновено е за период от 1 до 3 години.
3. Дългосрочни - повече от 3-5 години.

На практика се използват три основни метода:

1. Метод на експертните оценки.
2. Анализ на времеви редове.
3. Случаен метод.

Метод на експертна оценка

Това, което беше обсъдено като пример по-горе, също е елементарен пример за първия метод. Методът на експертните оценки е, че определянето на определени бизнес параметри, включително обемите на продажбите, се основава на мненията на експерти и специалисти в определена област на дейност.

Забележка
Уважаеми читатели! За представители на малкия и среден бизнес в областта на търговията и услугите разработихме специална програма "Business.Ru", която ви позволява да поддържате пълно складово счетоводство, търговско счетоводство, финансово счетоводство, а също така има вградена в CRM система. Има както безплатни, така и платени планове.

Например предприемач, който продава алкохолни напитки, бира може да предвиди колко успешно ще се развие неговият бизнес в близко бъдеще, въз основа на констатациите на експерти в тази област. Ако експертите кажат, че следващата година пазарът ще „провисне“ с 12% (това е пример, разбира се), тогава предприемачът може съвсем разумно да изчисли възможен спад в продажбите си с около 12%.

Обратно, ако експертите кажат, че например през 4-то тримесечие пазарът на месо и колбаси ще нарасне с 16%, тогава собственикът на месарница може да предвиди увеличение на продажбите си с приблизително същата относителна сума. Съответно на мениджърите ще бъдат възложени по-амбициозни задачи с повишени индивидуални цели.

За да приложат метода на експертните оценки, представителите на по-голямата търговия на дребно могат не само да използват мненията на експерти и анализатори, които са открито и свободно достъпни, например в Интернет. По-големите компании могат да поръчат отделно маркетингово проучване: тогава експерти и анализатори ще проведат по-задълбочен анализ и ще създадат по-точна прогноза за продажбите специално за този магазин (мрежа).

Анализ на времеви редове

Това са методи за прогнозиране, при които прогнозата се базира на предишни данни за продажбите. Обикновено за тези цели е по-добре да се вземат обеми за изминалата година по месеци. Ако една компания току-що е започнала своята дейност, например магазин, отворен само преди 1-2 месеца, тогава в този случай прогнозата трябва да се основава на други параметри, например общи тенденции на пазара и т.н. И когато бизнесът е на една година или повече, приложете други методи за изчисление.

За анализ на времеви редове, за да се изчисли прогнозата за продажбите, е необходимо първо да се запишат показателите за продажби в таблица по месеци. За да направите това, по-добре е да използвате добре познатото офис приложение Excel.

2015 г			ПРОГНОЗА 2016
месец	Продажби, търкайте.	Височина
Септември

Времевите редове са данни за продажбите (колона 2) за всеки месец (колона 1) от изминалата година. В нашия пример бяха анализирани обеми през 2015 г., въз основа на които бяха прогнозирани продажбите на продукти за 2016 г.

В таблицата е извършен анализ на времеви редове, за да се идентифицира тенденция. Виждаме, че през януари в магазина са продадени стоки за 150 212 рубли, а през февруари вече за 160 547 рубли. Ръстът е 7%.

Колона 3 изчислява ръста за всеки месец спрямо предходния, например през август спрямо юли ръстът на продажбите е само 1%, а през декември спрямо ноември вече е 6%. В същото време средномесечното увеличение през 2015 г. е 4% (последен ред на колона 3).

Оказва се, че ако през януари 2015 г. сме продали стоки на стойност 150 212 рубли, то през януари следващата година ще продадем в размер на 156 220 рубли, тоест с 4% повече.

Годишният обем на продажбите в магазина също ще се увеличи с 4%: от 2,3 милиона рубли на 2,4 милиона рубли.

В Excel всички тези посочени изчисления се правят просто: формулите се въвеждат ръчно веднъж и се копират в следващите клетки. За това не са необходими специални познания.

Анализ на времеви редове с отчитане на сезонността

Данните за минали продажби също трябва да бъдат анализирани, за да се определи степента, в която търговията е сезонна и техните обеми се различават между периодите. Нека да разгледаме друг пример.

2015 г			ПРОГНОЗА 2016
месец	Продажби, търкайте.	Височина
Септември

Анализирайки данните за изминалата 2015 г., виждаме, че през летния период от април до юли включително се наблюдава сезонност, обемът на продажбите спадна - намаление в колона 3.

Съответно, използвайки сезонно коригирани трендови стойности, ние съставихме правилна прогнозаза продажба следващата година.

Има данни за дейността на предприятието за ретроспективен период (Таблица 2.2).

Задължително:

направи прогноза за следващите три години с помощта на метода CAGR и регресионен анализ;

сравнете резултатите от прогнозите и обосновете избора на стратегия за развитие на предприятието.

Таблица 2.2–Стойност на железопътния товарооборот

Товарооборот	Стойности по години, милиона t-km

Опция 1. Нека определим прогнозните стойности въз основа на средния годишен темп на промяна на показателите, използвайки формула 2.1. За местния товарооборот средният годишен темп на промяна на стойностите ще бъде равен на

Прогнозните стойности на показателите с този подход се определят по формула (2.2). Тогава за местния товарооборот стойността е първа планова годинаще бъде

11312,12 милиона t-km.

Останалите стойности се определят по подобен начин. Резултатите от изчисленията са обобщени в таблица 2.3.

Таблица 2.3–Изчисляване на прогнозните стойности на товарооборота

Товарооборот, млн. t-km	Стойност за 7-ма година		Прогноза за годините

Вариант 2.Нека определим прогнозните стойности за индикатора за местния товарооборот, като използваме регресионен анализ. Анализът на представените статистически данни ви позволява да избирате линеен изгледфункции за описание на модела на промените в целевите индикатори във времето, така че ще използваме формули 2.3 и 2.4.

Ние обобщаваме междинните стойности за изчисляване на коефициентите на регресионното уравнение в таблица 2.4.

Таблица 2.4 – Стойности за изчисляване на регресионния коефициент

Тогава системата от уравнения (2.4) ще приеме формата

След решаването на тази система получаваме стойностите =8243.143 и =410.607; а регресионното уравнение приема формата

V стр = 8243.143+410.607· T

Където T - година, за която се прави прогнозата: T = 8, 9 и 10 години.

Изчисляването на други показатели се извършва по подобен начин.

Таблица 2.5–Прогноза за стойностите на товарооборота

Товарооборот, млн. t-km	Коефициенти		Прогноза за годините

Необходимо е да се има предвид, че общият товарооборот е комплексен показател и се определя като сбор от товарооборота в местния трафик, вноса, износа и транзита. Следователно, когато се прогнозират комплексни показатели, те трябва да бъдат разложени на компоненти (в нашия случай местни, внос, износ и транзит), прогнозираните стойности на компонентите трябва да бъдат оценени и стойността на комплексния показател трябва да се намери с помощта на формулите на съответните зависимости. Нека анализираме прогнозната стойност на общия товарооборот, изчислена по два варианта, и стойностите, получени чрез сумиране на прогнозите на елементите, включени в товарооборота (Таблица 2.6).

Таблица 2.6–Сравнение на резултатите от прогнозата за товарооборота

прогноза		Стойности по години
	стойности

Както се вижда от таблицата, при първия метод на изчисление има значително увеличение на несъответствието в стойността на общия товарооборот с увеличаване на прогнозния период. Когато се изчислява по метода на корелация, стойностите са еднакви.

За да изберете крайните стойности, ще покажем графично стойностите на завършения общ товарооборот и прогнозните стойности, изчислени с помощта на две опции (Фигура 2.1). Вторият вариант (регресионен модел) по-точно отразява по-нататъшния темп на развитие на производствените обеми. Окончателният избор на варианта на прогнозните стойности за развитието на предприятието се извършва, ако има прогнозни стойности за всички целеви показатели, характеризиращи стратегията за развитие на предприятието.

Фигура 2.1 – Сравнение на резултатите от прогнозата за товарооборота

Можете да прогнозирате продажбите, без да прибягвате до сложни формули, изчисляване на коридора на търсенето, определяне на горната и долната граница на бъдещите продажби, използване на универсалния метод за прогнозиране на продажбите за всеки период.

Вместо тромави формули за прогноза за търсенето на продуктиНие използваме една графика в Excel, която изграждаме на база данни за продажбите на фирмата. Алгоритъмът е разработен самостоятелно, разчитайки на съвети на познати бизнесмени и материали от интернет. С помощта на диаграма прогнозираме продажбите за месец, няколко месеца или година. За да повторите опита, ще ви трябва Excel версия 2003–2016. Освен това в края на статията ще намерите алтернативен начин, което ще ви позволи да изградите прогноза за няколко минути. Той обаче е подходящ само за версията на Excel 2016.

Ша d 1. Да се ​​прогнозира търсенето на стоки, от събиране на данни за продажбите на компанията

За да започнете анализа, ще ви трябват данни за продажбите на компанията за целия период на нейното съществуване. Колкото повече информация, толкова по-точна е прогнозата. Например, имаме информация за продажбите от януари 2013 г. до август 2015 г. Поставяме ги в таблицата (Фигура 1).

Най-добрата статия на месеца

Подготвили сме статия, която:

✩ще покаже как програмите за проследяване помагат за защита на компанията от кражба;

✩ще ви разкаже какво всъщност правят мениджърите през работното време;

✩обяснява как да организирате наблюдението на служителите, за да не нарушавате закона.

С помощта на предложените инструменти ще можете да контролирате мениджърите, без да намалявате мотивацията.

Стъпка 2. Правим прогноза за търсенето на продукти за даден период

За да предвидим продажбите, например за месец или за следващата година, използваме функцията „ПРЕДВИД“ в Excel. Функцията е базирана на линейна регресия и е предназначена за прогнозиране на продажби, потребление на продукти и др.

В клетка C34 записваме функцията:

PREDICTION(x; известни_стойности_y; известни_стойности_x),

x е датата, за която трябва да се предвиди стойността (клетка A34);

Стъпка 3. Изчислете коефициента на сезонност, за да прогнозирате търсенето

За да вземем предвид сезонните спадове и ръста на продажбите, ние изчисляваме коефициента на сезонност, използвайки стандартни функции. За да направите това, разделете сумите на продажбите за първата и втората година на общата сума на продажбите за две години и умножете по 12. С помощта на клавиша F4 задаваме абсолютни препратки, така че изчислението да идва изключително от диапазона, от който се нуждаем (Фигура 1 ).

=(($B$2:$B$13+$B$14:$B$25)/SUM($B$2:$B$25))*12

След това копирайте формулата и я поставете в клетки F2:F13 като формула за масив. Завършваме въвеждането с клавишната комбинация: Ctrl+Shift+Enter. Ако това не е направено, функцията ще върне стойността на грешка #VALUE! В резултат на това за януари получаваме коефициент от 0,974834224106574, за февруари - 0,989928632237843 и т.н. За по-голяма яснота можете да зададете процентен формат на клетките. Щракнете с десния бутон и изберете „Форматиране на клетки“, след това раздела „Число“ и след това раздела „Процент, два знака след десетичната запетая“.

• Сезонни спадове в бизнеса: 3 начина да увеличите продажбите

Стъпка 4. Ние коригираме прогнозата за търсенето на продукти, като вземем предвид сезонността

Нека добавим изчислените коефициенти към съществуващата функция „ПРЕДВИЖДАНЕ“ (клетки C34:C45):

За да коригираме продажбите, като вземем предвид коефициента, използваме функцията „ИНДЕКС“ (Фигура 2).

Първият аргумент във функцията е връзка към 12 клетки с коефициенти на сезонност ($F$2:$F$13), вторият е номерът на месеца за връщане на коефициента за желания месец (за това използваме функцията „месец“, който връща само номера на месеца от посочена дата). За септември 2015 г. формулата на индекса изглежда така:

ИНДЕКС($F$3:$F$14;MONTH(A35))

За да коригирате прогнозата, трябва да умножите стойността „INDEX“ по стойността „PREDICTION“, която беше изчислена в стъпка 2. Ето какво получаваме:

ПРОГНОЗА(A34, $B$2:$B$33, $A$2:$A$33)*ИНДЕКС ((97.48%:98.99%:90.38%:94.66%:100.86%:99 .02%:100.66%:110.39%: 100,47%:104,82%:105,13%:97,14%); 9)

Разширяваме функцията за допълнителни периоди и получаваме коригирана прогноза, като вземаме предвид сезонността в клетки C34:C45 (Фигура 1).

Стъпка 5. Изчислете отклонението и изградете два сценария

Действителните продажби рядко съвпадат точно с прогнозите. Поради това компаниите допълнително изграждат приемливи горни и долни граници - прогнози за продажби за оптимистични и песимистични сценарии. Това помага да се проследи тенденцията и да се разбере дали действителните цифри на продажбите надхвърлят прогнозираните стойности. Ако има голямо отклонение, спешно могат да се вземат необходимите мерки.

Конструираме горната и долната граница на коридора на търсенето, като използваме формулата (клетка G2 на фигура 1):

CONFIDENCE(0,05 (ALPHA); STDEV(C34:C45); SCORE(C34:C45)),

„CONFIDENCE“ връща доверителен интервал, като използва нормално разпределение. Функцията отчита колебанията в продажбите на компанията, включително сезонните.

"ALFA" - ниво на значимост за изчисляване на нивото на достоверност. Индикатор 0,05 означава, че ще получим прогноза с 95% точност.

„СТАНДАРТНО ОТКЛОНЕНИЕ“ е стандартното отклонение на съвкупността. Показва доколко прогнозираните продажби се различават от реалните.

“COUNT” отчита броя месеци, за които прогнозираме продажбите.

За да получите оптимистични и песимистични сценарии, напишете формули в клетки D34 и D35 (Фигура 1).

Оптимистично: =$C34+$G$2 (добавете сумата на изчисления доверителен интервал към прогнозната сума)

Песимистичен: =$C34–$G$2 (извадете сумата на доверителния интервал от прогнозната сума)

За да изградите графика въз основа на получените данни, копирайте стойностите от клетка B33 в клетки C33, D33 и E33. След това изберете всички данни (A1:E45), отидете на раздела „Вмъкване“, намерете раздела „Диаграми“ и след това раздела „Графика“. В резултат на това получаваме графика с коридор на търсенето (Фигура 3).

Заключение.След като изградихме коридор на търсенето, ние внимателно следим продажбите през новата година. В 99% от случаите се развиват в рамките на коридора. Ако не, анализираме продажбите отново и изграждаме нова диаграма.

• Как редовното проучване на търсенето увеличава динамиката на продажбите с 648%

Експертно мнение

Методът е ефективен за прогнозиране на продажбите на малък брой SKU

Максим Люлин,

Генерален директор на Aktion-Press

Бих посъветвал да използвате метода за прогнозиране на един артикул - тогава той ще бъде възможно най-точен. Като цяло методът ми хареса поради неговата простота и факта, че ви позволява да избегнете грешки. Може да се използва и за прогнозиране на продажбите на група продукти, които са сходни по характеристики и близки по цена.

Недостатъците на метода включват трудността при отчитане на промените в цените и влиянието на тръжните дейности. Освен това, когато оценявате продажбите в рубли, не можете обективно да оцените дела на продажбите на компанията в индустриална ниша, така че рискувате да загубите пазарен дял. Вашите конкуренти могат да се възползват от това и да предложат продукта на по-ниска цена.

Експертно мнение

Методът е идеален за анализиране на продажби въз основа на записани показатели

Кирил Чихачов,

Генерален директор на "MCFER-press"

Преди да прочета статията, бях запознат с метода на теория. Сега, след като го изпробвах на практика, мога да кажа, че ми хареса. Методът е идеален за анализ на продажбите въз основа на фиксирани показатели: брой продукти, капацитет за продажби и т.н. Трябва да се използва и за малък брой продукти: нарастването и спадът на търсенето за всеки от тях зависи от различни причини. Прогнозата е изключително ясна, логична и точна. Въпреки това, за още по-голяма точност, бих разгледал следните точки.

По-лесно е да се изчислят максималните и минималните стойности на продажбите въз основа на две точки в началото и края на периодите, вместо да се търсят точки, през които трябва да минава правата линия.

При прогнозиране на продажбите за един месец е по-логично разликата между горните и долните стойности за оптимистични и песимистични сценарии да се раздели не на 12, а на броя на месеците в сегмента. По този начин можете по-точно да изчислите месечния ръст на продажбите.

Прогнозирането е много важен елементпочти всяка сфера на дейност, от икономика до инженерство. Съществува голям бройсофтуер, специализиран в тази област. За съжаление, не всички потребители знаят, че обикновеният процесор за електронни таблици на Excel има в своя арсенал инструменти за извършване на прогнози, които не са много по-ниски по своята ефективност от професионалните програми. Нека разберем какви са тези инструменти и как да направим прогноза на практика.

Целта на всяка прогноза е да идентифицира текущата тенденция и да определи очаквания резултат по отношение на обекта, който се изследва в определен момент от времето в бъдещето.

Метод 1: тренд линия

Един от най-популярните типове графично прогнозиране в Excel е екстраполацията, извършена чрез конструиране на тренд линия.

Нека се опитаме да прогнозираме размера на печалбата на предприятието за 3 години въз основа на данни за този показател за предходните 12 години.

Метод 2: Оператор FORECAST

Екстраполацията за таблични данни може да се извърши с помощта на стандартната функция на Excel ПРОГНОЗА. Този аргумент е категоризиран като статистически инструмент и има следния синтаксис:

PREDICTION(X, известни_стойности_y, известни_стойности_x)

"Х"е аргумент, за който трябва да се определи стойността на функцията. В нашия случай аргумент ще бъде годината, за която трябва да се направи прогнозата.

« Известни стойности y"— база от известни функционални стойности. В нашия случай неговата роля се играе от размера на печалбата за минали периоди.

„Известни стойности на x“— това са аргументите, които съответстват на известните стойности на функцията. В тяхна роля използваме номерирането на годините, за които е събрана информация за печалбите от предходни години.

Естествено, аргументът не трябва непременно да бъде период от време. Например, това може да бъде температура, а стойността на функцията може да бъде нивото на разширение на водата при нагряване.

При изчисление по този начин се използва методът на линейната регресия.

Нека да разгледаме нюансите на използването на оператора ПРОГНОЗАНа конкретен пример. Да вземем същата маса. Ще трябва да знаем прогнозата за печалбата за 2018 г.

Но не забравяйте, че както при изграждането на тренд линия, периодът от време преди прогнозния период не трябва да надвишава 30% от целия период, за който е натрупана базата данни.

Метод 3: Оператор TREND

За прогнозиране можете да използвате още една функция - ТЕНДЕНЦИЯ. Той също попада в категорията на статистическите оператори. Синтаксисът му е в много отношения подобен на синтаксиса на инструмента ПРОГНОЗАи изглежда така:

TREND(Известни_стойности_y; известни_стойности_x; нови_стойности_x; [const])

Както виждаме, аргументите „Известни y стойности“И „Известни стойности на x“напълно съответстват на подобни елементи на оператора ПРОГНОЗА, и аргументът „Нови x стойности“съответства на аргумента "Х"предишен инструмент. Освен това при ТЕНДЕНЦИЯима допълнителен аргумент "Константа", но не е задължителен и се използва само при наличие на постоянни фактори.

Този оператор се използва най-ефективно, когато има линейна зависимост на функцията.

Нека да видим как този инструмент ще работи със същия масив от данни. За да сравним получените резултати, ще определим 2019 г. като прогнозна точка.

Метод 4: Оператор GROWTH

Друга функция, която може да се използва за правене на прогнози в Excel, е операторът GROWTH. Той също принадлежи към статистическата група инструменти, но за разлика от предишните, при изчислението не използва метод на линейна зависимост, а експоненциален. Синтаксисът на този инструмент изглежда така:

РАСТЕЖ(Известни стойности_y; известни стойности_x; нови_стойности_x; [const])

Както можете да видите, аргументите на тази функция точно повтарят аргументите на оператора ТЕНДЕНЦИЯ, така че няма да се спираме на тяхното описание втори път, а веднага ще преминем към използването на този инструмент на практика.

Метод 5: Оператор LINEST

Оператор LINESTПри изчисляване използва метода на линейното приближение. Това не трябва да се бърка с метода на линейната връзка, използван от инструмента ТЕНДЕНЦИЯ. Синтаксисът му изглежда така:

LINEST(Известни_стойности_y; известни_стойности_x; нови_стойности_x;[const];[статистика])

Последните два аргумента не са задължителни. Познати сме с първите два от предишните методи. Но може би сте забелязали, че на тази функция липсва аргумент, който сочи към новите стойности. Факт е, че този инструмент определя само промяната в размера на приходите за единица период, който в нашия случай е равен на една година, но трябва да изчислим общия резултат отделно, като добавим резултата от изчислението на оператора към последната действителна стойност на печалбата LINEST, умножено по броя на годините.

Както виждаме, прогнозираната печалба, изчислена по метода на линейното приближение, през 2019 г. ще бъде 4614,9 хиляди рубли.

Метод 6: Оператор LGRFPRIBL

Последният инструмент, който ще разгледаме, ще бъде LGRFPRIBL. Този оператор извършва изчисления въз основа на метода на експоненциалното напасване. Синтаксисът му има следната структура:

LGRFPRIBL (Известни стойности_y; известни стойности_x; нови_стойности_x; [const]; [статистика])

Както можете да видите, всички аргументи напълно повтарят съответните елементи на предишната функция. Алгоритъмът за изчисляване на прогнозата ще се промени леко. Функцията ще изчисли експоненциален тренд, който ще покаже колко пъти ще се промени размерът на приходите за един период, тоест за една година. Ще трябва да намерим разликата в печалбата между последния действителен период и първия планиран период, да я умножим по броя на планираните периоди (3) и добавете сумата от последния действителен период към резултата.

Прогнозираният размер на печалбата през 2019 г., който беше изчислен чрез метода на експоненциалното приближение, ще бъде 4639,2 хиляди рубли, което отново не се различава много от резултатите, получени чрез изчисление с помощта на предишни методи.

Разбрахме как да правим прогнози в Excel. Това може да стане графично чрез използването на линия на тренда, и аналитично - чрез използване на редица вградени статистически функции. Обработката на идентични данни от тези оператори може да доведе до различни резултати. Но това не е изненадващо, тъй като всички те използват различни методи за изчисление. Ако флуктуацията е малка, тогава всички тези опции, приложими за конкретен случай, могат да се считат за относително надеждни.

Целта на настоящата статия е да представи в систематизирана форма методите за прогнозиране на обема на продажбите, които най-често се използват в икономическата практика. Основно внимание в работата е отделено на приложното значение на разглежданите методи, на икономическата интерпретация и интерпретация на получените резултати, а не на обяснението на математико-статистическия апарат, който е подробно разгледан в специализираната литература. .

Повечето по прост начинпрогнозиране пазарна ситуацияе екстраполация, т.е. разширяване на миналите тенденции към бъдещето. Съществуващите обективни тенденции в изменението на икономическите показатели до известна степен предопределят тяхната стойност в бъдеще. Освен това много пазарни процеси имат известна инерция. Това е особено очевидно при краткосрочното прогнозиране. В същото време прогнозата за дългосрочен периодтрябва да вземе предвид, доколкото е възможно, вероятността от промени в условията, в които ще функционира пазарът.

Методите за прогнозиране на обема на продажбите могат да бъдат разделени на три основни групи:

• методи за експертни оценки;
• методи за анализ и прогнозиране на времеви редове;
• случайни (причинно-следствени) методи.

Методите за експертна оценка се основават на субективна оценка текущ моменти перспективи за развитие. Препоръчително е тези методи да се използват за опортюнистични оценки, особено в случаите, когато е невъзможно да се получи пряка информация за някое явление или процес.

Втората и третата група методи се основават на анализ на количествени показатели, но се различават значително помежду си.

Методите за анализ и прогнозиране на времеви редове са свързани с изследването на изолирани един от друг показатели, всеки от които се състои от два елемента: прогноза на детерминистичен компонент и прогноза на случаен компонент. Разработването на първата прогноза не представлява големи затруднения, ако е определена основната тенденция на развитие и е възможно нейното по-нататъшно екстраполиране. Прогнозирането на случаен компонент е по-трудно, тъй като появата му може да бъде оценена само с определена вероятност.

Случайните методи се основават на опит за намиране на факторите, които определят поведението на прогнозирания индикатор. Търсенето на тези фактори всъщност води до икономико-математическо моделиране - изграждане на модел на поведение на икономически обект, който отчита развитието на взаимосвързани явления и процеси. Трябва да се отбележи, че използването на многофакторното прогнозиране изисква решаването на сложния проблем за избор на фактори, който не може да бъде решен чисто статистически, а е свързан с необходимостта от задълбочено изследване на икономическото съдържание на разглежданото явление или процес. И тук е важно да се подчертае първенството на икономическия анализ пред чисто статистическите методи за изследване на процеса.

Всяка от разгледаните групи методи има определени предимства и недостатъци. Използването им е по-ефективно при краткосрочното прогнозиране, тъй като те до известна степен опростяват реалните процеси и не надхвърлят съвременните концепции. Трябва да се осигури едновременното използване на количествени и качествени методи за прогнозиране.

Нека разгледаме по-подробно същността на някои методи за прогнозиране на обема на продажбите, възможностите за тяхното използване в маркетинговия анализ, както и необходимите първоначални данни и времеви ограничения.

Подпомогнати от експерти прогнози за продажбите могат да бъдат получени в една от трите форми:

1. точкова прогноза;
2. интервална прогноза;
3. прогноза за разпределение на вероятностите.

Прогнозата за точкови продажби е прогноза за конкретна цифра. Това е най-простата от всички прогнози, защото съдържа най-малко информация. По правило се приема предварително, че точковата прогноза може да е погрешна, но методологията не предвижда изчисляване на грешката на прогнозата или вероятността за точна прогноза. Ето защо в практиката по-често се използват други два метода за прогнозиране: интервален и вероятностен.

Интервалната прогноза за обема на продажбите включва установяване на граници, в които ще се намира прогнозираната стойност на индикатора с дадено ниво на значимост. Пример за това е изявление като: „През следващата година продажбите ще варират от 11 до 12,4 милиона рубли.“

Прогнозата за разпределение на вероятностите е свързана с определяне на вероятността действителната стойност на даден индикатор да попадне в една от няколко групи на установени интервали. Пример за това е прогноза като:

Въпреки че когато се прави прогноза, има известна вероятност действителните продажби да не попаднат в определения интервал, но прогнозистите смятат, че тя е толкова малка, че може да бъде игнорирана при планиране.

Интервали, които отчитат ниски, средни и високо нивопродажбите понякога се наричат ​​песимистични, най-вероятни и оптимистични. Разбира се, вероятностното разпределение може да бъде представено от голям брой групи, но най-често се използват трите посочени интервални групи.

За да се идентифицира общото мнение на експертите, е необходимо да се получат данни за прогнозираните стойности от всеки експерт и след това да се направят изчисления, като се използва система за претегляне на отделни стойности според някакъв критерий. Има четири известни метода за претегляне на различни мнения:

Изборът на метод остава на изследователя и зависи от конкретната ситуация. Никой от тях не може да се препоръча за употреба във всяка ситуация.

Методът Delphi ви позволява да избегнете проблема с претеглянето на индивидуалните експертни прогнози и изкривяващото влияние на отбелязаните нежелани фактори (вижте например). Основава се на работа за обединяване на експертни гледни точки. Всички експерти се запознават с оценките и обосновките на други експерти и им се дава възможност да променят оценката си.

Втората група методи за прогнозиране се основава на анализ на времеви редове.

Таблица 1 представя времеви редове на потреблението на безалкохолна напитка Tarragon в децилитри (dal) в един регион от 1993 г. насам. Анализът на времевите редове може да се извърши не само на годишни или месечни данни, но могат да се използват и тримесечни, седмични или дневни данни за обеми на продажбите. За изчисленията е използван софтуерният продукт Statistica 5.0 for Windows.

маса 1
Месечна консумация на безалкохолна напитка Естрагон през 1993-1999г. (хиляда дала)

На базата на данните в таблица 1 ще начертаем потреблението на напитката Естрагон през 1993–1999 г. (Фиг. 1), където по абсцисната ос са показани датите на наблюдение, а по ординатната ос - обемите на консумация на напитки.

Ориз. 1. Месечна консумация на напитката Естрагон през 1993-1999г. (хиляда дала)

Прогнозирането, базирано на анализ на времеви редове, предполага, че промените в обема на продажбите, които са настъпили, могат да се използват за определяне на този показател в следващите периоди от време. Времеви редове, подобни теми, които са показани в таблица 1, обикновено служат за изчисляване на четири различни вида промени в индикаторите: трендови, сезонни, циклични и случайни.

Тенденция- това е промяна, която определя общата посока на развитие, основната тенденция на динамичните редове. Идентифицирането на основната тенденция на развитие (тенденция) се нарича изравняване на времеви редове, а методите за идентифициране на основната тенденция се наричат ​​методи на изравняване.

Един от най прости техникиоткриване на общата тенденция в развитието на явлението - уголемяване на интервала на динамичния ред. Смисълът на тази техника е, че първоначалната поредица от динамика се трансформира и заменя с друга, чиито нива се отнасят за по-дълги периоди от време. Така, например, месечните данни в таблица 1 могат да бъдат преобразувани в годишни серии от данни. Графиката на годишната консумация на напитка от естрагон, показана на фигура 2, показва, че консумацията се увеличава от година на година по време на периода на изследването. Трендът на потреблението е характеристика на относително стабилен темп на нарастване на даден показател за определен период.

Основната тенденция може да бъде идентифицирана и с помощта на метода на пълзящата средна. За определяне на подвижната средна се формират разширени интервали, състоящи се от еднакъв брой нива. Получаваме всеки следващ интервал, като постепенно се придвижваме от първоначалното ниво на динамичния ред с една стойност. Въз основа на генерираните увеличени данни ние изчисляваме пълзящи средни, които се отнасят до средата на увеличения интервал.

Ориз. 2. Годишна консумация на напитката Естрагон през 1993-1999г. (хиляда дала)

Процедурата за изчисляване на пълзящи средни за потреблението на напитката Естрагон през 1993 г. е показана в таблица 2. Подобно изчисление може да се извърши на базата на всички данни за 1993-1999 г.

таблица 2
Изчисляване на пълзящи средни въз основа на данни за 1993 г

В този случай изчисляването на пълзящата средна не ни позволява да направим заключение за стабилна тенденция в консумацията на напитката Естрагон, тъй като тя се влияе от вътрегодишни сезонни колебания, които могат да бъдат елиминирани само чрез изчисляване на пълзящи средни за годината.

Изследването на основната тенденция на развитие с помощта на метода на пълзящата средна е емпиричен метод за предварителен анализ. За да се осигури количествен модел на промените във времевите редове, се използва методът на аналитичното изравняване. В този случай действителните нива на серията се заменят с теоретични, изчислени по определена крива, отразяваща общата тенденция на изменение на показателите във времето. По този начин нивата на динамичния ред се разглеждат като функция на времето:

Y t = f(t).

Най-често използваните функции са:

1. с равномерно развитие - линейна функция: Y t = b 0 + b 1 t;
2. с ускорен растеж:
   1. парабола от втори ред: Y t = b 0 + b 1 t + b 2 t 2 ;
   2. кубична парабола: Y t = b 0 + b 1 t + b 2 t 2 + b 3 t 3 ;
3. при постоянни темпове на растеж - експоненциална функция: Y t = b 0 b 1 t;
4. при намаляване със забавяне - хиперболична функция: Y t = b 0 + b 1 x1/t.

Аналитичното подреждане обаче съдържа редица конвенции: развитието на явленията се определя не само от това колко време е изминало от началната точка, но и от това какви сили са повлияли на развитието, в каква посока и с каква интензивност. Развитието на явленията във времето действа като външен израз на тези сили.

Оценките на параметрите b 0 , b 1 , ... b n се намират по метода на най-малките квадрати, чиято същност е да се намерят такива параметри, за които сумата от квадратните отклонения на изчислените стойности на нивата, изчислени с помощта на необходимата формула от действителните им стойности би била минимална.

За изглаждане на икономическите времеви редове е неподходящо да се използват функции, съдържащи голям брой параметри, тъй като уравненията на тренда, получени по този начин (особено при малък брой наблюдения), ще отразяват случайни колебания, а не основната тенденция в развитието на явлението.

Изчислените стойности на параметрите на регресионното уравнение и графиките на теоретичните и действителните годишни обеми на потребление на напитката Tarragon са представени на фигура 3.

Ориз. 3. Теоретични и действителни стойности на потреблението на напитката Tarragon през 1993-1999 г. (хиляда дала)

Изборът на типа функция, която описва тенденцията, чиито параметри се определят по метода на най-малките квадрати, се извършва в повечето случаи емпирично, чрез конструиране на редица функции и тяхното сравняване помежду си въз основа на стойността на средна квадратична грешка.

Разликата между действителните стойности на динамичната серия и нейните изравнени стойности () характеризира случайни флуктуации (понякога те се наричат ​​остатъчни флуктуации или статистически шум). В някои случаи последните комбинират тенденция, циклични колебания и сезонни колебания.

Средната квадратична грешка, изчислена от данните за годишната консумация на напитката Tarragon за уравнението на правата линия (фиг. 1), възлиза на 1,028 хиляди декалитра. Въз основа на средната квадратична грешка може да се изчисли максималната прогнозна грешка. За да се гарантира резултат с вероятност от 95%, се използва коефициент 2; и с 99% вероятност този коефициент ще се увеличи до 3. Така че можем да гарантираме с 95% вероятност, че обемът на потреблението през 2000 г. ще бъде 134,882 хиляди декалитра. плюс (минус) 2,056 хиляди декалитра.

Изчисленията за избор на функции, описващи обема на потреблението на напитката Естрагон през отделните месеци от 1993 до 1999 г., показаха, че нито едно от изброените уравнения не е подходящо за прогнозиране на този показател. Във всички случаи обяснената вариация не надвишава 28,8%.

Сезонни вариации— промени в показателя, които се повтарят от година на година в определени периоди от време. Наблюдавайки ги в продължение на няколко години за всеки месец (или тримесечие), е възможно да се изчислят съответните средни стойности или медиани, които се приемат като характеристики на сезонните колебания.

При проверка на месечните данни от Таблица 1 се установява, че консумацията на напитката е пикова през летните месеци. Обемът на продажбите на детски обувки се наблюдава в периода преди началото на учебната година, увеличение на потреблението на пресни зеленчуци и плодове се наблюдава през есента, увеличаване на обема на строителните работи през лятото, увеличение на покупката и цените на дребно на селскостопанските продукти през зимата и др. Периодични колебания в търговия на дребномогат да бъдат открити както през седмицата (например преди уикенда се увеличават продажбите на определени хранителни продукти), така и през всяка седмица от месеца. Най-значимите сезонни колебания обаче се наблюдават през определени месеци от годината. Когато се анализират сезонните колебания, обикновено се изчислява индекс на сезонност, който се използва за прогнозиране на изследвания показател.

В най-простия си вид индексът на сезонност се изчислява като отношение на средното ниво за съответния месец към общата средна стойност за годината (като процент). Всички други известни методи за изчисляване на сезонността се различават по начина, по който изчисляват коригираната средна стойност. Най-често се използва или подвижна средна, или аналитичен модел за проява на сезонни колебания.

Повечето методи включват използването на компютър. Относително прост методИндексът на сезонността се изчислява с помощта на метода на центрираната пълзяща средна. За да илюстрираме това, да предположим, че в началото на 1999 г. искахме да изчислим индекс на сезонност за консумацията на напитка Естрагон през юни 1999 г. Използвайки метода на плъзгащата се средна, трябва да извършим следните стъпки последователно:

Сравнение на средните стойности квадратни отклонения, изчислено за различни периодивреме, показва промени в сезонността (увеличението показва увеличаване на сезонността на консумацията на напитката Естрагон).

Друг метод за изчисляване на индексите на сезонността, често използван в различни видовеикономическо изследване, е методът на сезонна корекция, известен в компютърните програми като метод на преброяване (Census Method II). Това е един вид модификация на метода на пълзящата средна. Специална компютърна програма елиминира тенденциите и цикличните компоненти, използвайки цял комплекс от подвижни средни. В допълнение, случайните колебания също се премахват от средните сезонни индекси, тъй като екстремните стойности на характеристиките са под контрол.

Изчисляването на индексите на сезонност е първата стъпка при изготвянето на прогноза. Обикновено това изчисление се извършва заедно с оценка на тенденцията и случайните колебания и ви позволява да коригирате прогнозните стойности на индикаторите, получени от тенденцията. Необходимо е да се има предвид, че сезонните компоненти могат да бъдат адитивни и мултипликативни. Например всяка година през летните месеци продажбите на безалкохолни напитки се увеличават с 2000 dal, така че през тези месеци 2000 dal трябва да се добавят към съществуващите прогнози, за да се отчетат сезонните вариации. В този случай сезонността е добавка. През летните месеци обаче продажбите на безалкохолни могат да се увеличат с 30%, което означава коефициент 1,3. В този случай сезонността има мултипликативен характер, или с други думи, мултипликативният сезонен компонент е 1,3.

Таблица 3 показва изчисления на индекси и фактори на сезонност, като се използват методите на преброяването и центрираната пълзяща средна.

Таблица 3
Индекси на сезонност за обема на продажбите на напитката Естрагон, изчислени по данни за 1993-1999 г.

Данните в таблица 3 характеризират характера на сезонността на потреблението на напитката Естрагон: през летните месеци обемът на потребление се увеличава, а през зимата намалява. Освен това данните и от двата метода – преброяването и центрираната пълзяща средна – дават почти идентични резултати. Изборът на метод се определя в зависимост от посочената по-горе грешка в прогнозата. И така, индексите или факторите на сезонността могат да бъдат взети предвид при прогнозиране на обемите на продажбите чрез коригиране на стойността на тенденцията на прогнозирания индикатор. Да предположим например, че е направена прогноза за юни 1999 г. по метода на пълзящата средна и тя възлиза на 10 480 хиляди декалитра. Индексът на сезонност за юни (по метода на преброяването) е 115.1. Така крайната прогноза за юни 1999 г. ще бъде: (10.480 x 115.1)/100 = 12.062 хил. dal.

Ако през изследвания интервал от време коефициентите на регресионното уравнение, което описва тенденцията, останаха непроменени, тогава за изграждане на прогноза би било достатъчно да се използва методът на най-малките квадрати. Коефициентите обаче могат да се променят по време на периода на изследване. Естествено, в такива случаи по-късните наблюдения имат по-голяма информационна стойност в сравнение с по-скорошните наблюдения. ранни наблюдения, и затова на тях трябва да се придаде най-голяма тежест. Методът на експоненциалното изглаждане, който може да се използва за краткосрочно прогнозиране на обема на продажбите, отговаря именно на тези принципи. Изчислението се извършва с помощта на експоненциално претеглени подвижни средни:

Където З— изгладен (експоненциален) обем на продажбите;
T- период от време;
а— изглаждаща константа;
Y— действителен обем на продажбите.

Използвайки последователно тази формула, експоненциалният обем на продажбите Zt може да бъде изразен по отношение на действителния обем на продажбите Y:

където SO е началната стойност на експоненциалната средна стойност.

При правене на прогнози с помощта на метода на експоненциалното изглаждане един от основните проблеми е изборът на оптималната стойност на параметъра на изглаждане a. Ясно е, че когато различни значенияи прогнозните резултати ще варират. Ако a е близо до единица, това води до прогноза, като се отчита главно влиянието само на последните наблюдения; ако a е близо до нула, тогава теглата, с които се претеглят обемите на продажбите във времевия ред, намаляват бавно, т.е. прогнозата взема предвид всички (или почти всички) наблюдения. Ако няма достатъчно увереност в избора на първоначалните прогнозни условия, тогава можете да използвате итеративния метод за изчисляване на a в диапазона от 0 до 1. Има специални компютърни програмиза определяне на тази константа. Резултатите от изчисляването на обема на продажбите на напитката Tarragon с помощта на метода на експоненциално изглаждане са показани на фигура 4.

Графиката показва, че подравнените серии доста точно възпроизвеждат действителните данни за обема на продажбите. В този случай прогнозата взема предвид данните от всички минали наблюдения, теглата, с които се претеглят нивата на динамичните редове, намаляват бавно, a = 0,032.

Количествените стойности на прогнозните показатели за обема на продажбите на напитката Tarragon през 2000 г., получени чрез метода на експоненциално изглаждане, са дадени в таблица 4.

Ориз. 4. Графика на резултатите от експоненциалното изглаждане

Таблица 4
Прогнозираният обем на продажбите на напитката Естрагон през 2000 г

Таблица 4 не показва всички прогнозни данни за 2000 г., което се дължи на зависимостта между количеството изходни данни и възможното количество прогнозни данни.

При обобщаване на резултатите от прогнозирането с помощта на методите на времевите редове е необходимо да се оцени точността на изчисленията, въз основа на които да се направи заключение за апроксимационната способност на моделите. За да демонстрирате възможностите на всички методи за прогнозиране на времеви редове, помислете колко точно са били прогнозирани обемите на продажбите през 1999 г. и сравнете изчислените данни с получените действителни данни. Съответните изчисления са дадени в таблица 5.

Данните в таблица 5 показват, че всички методи за прогнозиране дават приблизително еднакви резултати с грешка не повече от 5%. Следователно всеки от тези методи може да се използва за прогнозиране на бъдещите продажби на фирмата.

Статистическите таблици, характеризиращи сезонността на консумацията на напитката от естрагон, могат да бъдат допълнени с графики, които позволяват да се подчертае сезонният характер на изходните данни и да се направят сравнения.

Обемите на продажбите на повечето компании варират повече от тези, показани в таблица 1. Те ​​нарастват и намаляват в зависимост от обща ситуацияв бизнеса, нивото на търсене на продукти, произведени от компаниите, дейността на конкурентите и други фактори. Колебанията, отразяващи пазарните цикли на преход от повече или по-малко благоприятна пазарна ситуация към криза, депресия, възстановяване и отново към благоприятна ситуация, се наричат ​​циклични колебания. Съществуват различни класификациицикли, тяхната последователност и продължителност. Например идентифицират се двадесетгодишни цикли, причинени от промени във възпроизводствената структура на производствения сектор; Jungler цикли (7-10 години), които се появяват в резултат на взаимодействието на парични фактори; Катчин цикли (3-5 години), обусловени от динамиката на обръщаемостта на материалните запаси; частни бизнес цикли (от 1 до 12 години), причинени от колебания в инвестиционната активност.

Таблица 5
Резултати от прогнозирането на обема на продажбите на напитката Tarragon през 1999 г

Техниката за идентифициране на цикличността е следната. Избират се пазарни индикатори, които проявяват най-големи колебания и техните времеви редове се конструират за възможно най-дълъг период. Във всяка от тях е изключена тенденцията, както и сезонните колебания. Остатъчните серии, отразяващи само пазарни или чисто случайни колебания, са стандартизирани, т.е. се свеждат до един и същи знаменател. След това се изчисляват коефициентите на корелация, характеризиращи връзката между показателите. Многомерните връзки са разделени на хомогенни клъстерни групи. Клъстерните оценки, нанесени на графиката, трябва да показват последователността на промените в основните пазарни процеси и тяхното движение през фазите на пазарните цикли.

Методите за случайно прогнозиране на продажбите включват разработването и използването на прогнозни модели, при които промените в продажбите са резултат от промени в една или повече променливи.

Методите за казуално прогнозиране изискват определяне на факторните характеристики, оценка на техните изменения и установяване на връзка между тях и обема на продажбите. От всички случайни методи за прогнозиране ще разгледаме само тези, които могат да се използват с най-голям ефект за прогнозиране на обема на продажбите. Тези методи включват:

• корелационен и регресионен анализ;
• метод на водещия индикатор;
• метод за проучване на потребителските намерения и др.

Сред най-широко използваните случайни методи е корелационно-регресионният анализ. Техниката на този анализ е разгледана достатъчно подробно във всички статистически справочници и учебници. Нека разгледаме само възможностите на този метод по отношение на прогнозирането на обема на продажбите.

Може да се изгради регресионен модел, при който като факторни характеристики могат да бъдат избрани променливи като нивото на потребителския доход, цените на продуктите на конкурентите, разходите за реклама и др.. Уравнението на множествената регресия има формата

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

където Y е прогнозният (резултатен) показател; в случая - обем на продажбите;
X 1 ; X 2; ...; X n - фактори (независими променливи); в този случай нивото на доходите на потребителите, цените на продуктите на конкурентите и др.;
n е броят на независимите променливи;
b 0 е свободният член на регресионното уравнение;
b 1; b 2; ...; b n са регресионни коефициенти, измерващи отклонението на резултантната характеристика от нейната среден размеркогато факторна характеристика се отклонява с единица от нейното измерване.

Последователността на разработване на регресионен модел за прогнозиране на обема на продажбите включва следните стъпки:

1. предварителен подбор на независими фактори, които според изследователя определят обема на продажбите. Тези фактори трябва или да са известни (например, когато се прогнозира обемът на продажбите на цветни телевизори (резултатен индикатор), броят на цветните телевизори, които се използват в момента, може да се използва като фактор); или лесно определяне (например съотношението на цената на продукта на компанията, който се изследва, към цените на конкурентите);
2. събиране на данни за независими променливи. В този случай се изгражда времеви ред за всеки фактор или се събират данни за определена популация (например съвкупност от предприятия). С други думи, всяка независима променлива трябва да бъде представена от 20 или повече наблюдения;
3. определяне на връзката между всяка независима променлива и получената характеристика. По принцип връзката между характеристиките трябва да бъде линейна, в противен случай уравнението се линеаризира чрез заместване или трансформиране на стойността на факторната характеристика;
4. провеждане на регресионен анализ, т.е. изчисляване на уравнението и коефициентите на регресия и проверка на тяхната значимост;
5. повторете стъпки 1-4, докато се получи задоволителен модел. Критерий за удовлетворителност на даден модел може да бъде неговата способност да възпроизвежда действителни данни с дадена степен на точност;
6. сравнение на ролята на различни фактори при формирането на моделирания показател. За сравнение, можете да изчислите частични коефициенти на еластичност, които показват с какъв процент средно обемът на продажбите ще се промени, когато факторът X j се промени с един процент, като другите фактори са фиксирани. Коефициентът на еластичност се определя по формулата

където b j е регресионният коефициент за j-тия фактор.

Регресионните модели могат да се използват за прогнозиране на търсенето на потребителски стоки и капиталови стоки. В резултат на корелационен и регресионен анализ на обема на продажбите на напитката Естрагон е получен модел

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

където Y t+1 е прогнозният обем на продажбите през месец t + 1;
A t — рекламни разходи през текущия месец t;
Y t е обемът на продажбите през текущия месец t.

Възможна е следната интерпретация на уравнението на многовариантната регресия: обемът на продажбите на напитката се е увеличил средно с 2,021 хиляди декалитра, с увеличение на рекламните разходи с 1 рубла. обемът на продажбите се увеличава средно с 0,743 хил. декалитра; при увеличение на обема на продажбите за предходния месец с 1 хил. декалитра, обемът на продажбите през следващия месец се увеличава с 0,856 хил. декалитра.

Водещи индикатори- това са индикатори, които се променят в същата посока като изследвания индикатор, но го изпреварват във времето. Например, промяната в стандарта на живот на населението води до промяна в търсенето на определени стоки и следователно, като се изследва динамиката на показателите на жизнения стандарт, можете да направите изводи за възможна промяна в търсенето на тези стоки. Известно е, че в развитите страни с нарастване на доходите нараства нуждата от услуги, а в развиващите се страни – от дълготрайни стоки.

Методът на водещия индикатор се използва по-често за прогнозиране на промени в бизнеса като цяло, отколкото за прогнозиране на продажбите на отделни компании. Въпреки че не може да се отрече, че нивото на продажбите на повечето компании зависи от общата пазарна ситуация в регионите и страната като цяло. Следователно, преди да прогнозират собствените си продажби, фирмите често трябва да оценят общото ниво на икономическа активност в региона.

Данните от проучванията на потребителските намерения могат да послужат като важна основа за прогнозиране на обема на продажбите на потребителски стоки. Те знаят повече за собствените си бъдещи покупки от всеки друг, така че много компании провеждат периодични проучвания на мненията на потребителите относно техните продукти и вероятността да ги закупят в бъдеще. Най-често тези проучвания засягат стоки и услуги, чиято покупка е предварително планирана от потенциалните купувачи (като правило това са скъпи покупки като кола, апартамент или пътуване).

Разбира се, полезността на този вид проучване не може да бъде подценена, но също така не може да се пренебрегне, че потребителските намерения по отношение на даден продукт могат да се променят, което ще повлияе на отклонението на действителните данни за потреблението от прогнозите.

Така че, когато се прогнозира обемът на продажбите, могат да се използват всички методи, обсъдени по-горе. Естествено възниква въпросът за оптимален методпрогнозиране в конкретна ситуация. Изборът на метод е свързан с поне, с три ограничителни условия:

1. точност на прогнозата;
2. наличие на необходимите изходни данни;
3. наличие на време за извършване на прогноза.

Ако се изисква прогноза с 5% точност, тогава всички методи за прогнозиране, които осигуряват 10% точност, може да не се вземат предвид. Ако няма данни, необходими за прогнозата (например данни от времеви редове при прогнозиране на обема на продажбите на нов продукт), тогава изследователят е принуден да прибегне до случайни методи или експертни оценки. Подобна ситуация може да възникне поради спешна нужда от прогнозни данни. В този случай изследователят трябва да се ръководи от времето, с което разполага, като отчита, че спешността на изчисленията може да повлияе на тяхната точност.

Трябва да се отбележи, че мярка за качеството на прогнозата може да бъде коефициент, характеризиращ съотношението на броя на потвърдените прогнози към общ бройнаправени прогнози. Много е важно този коефициент да се изчисли не в края на прогнозния период, а при изготвянето на самата прогноза. За да направите това, можете да използвате метода на обратната проверка чрез ретроспективно прогнозиране. Това означава, че валидността на предсказуем модел се тества чрез способността му да възпроизвежда действителни данни в миналото. Няма други формални критерии, познаването на които би ни позволило априори да декларираме приближителната способност на предсказуем модел.

Прогнозирането на продажбите е неразделна част от процеса на вземане на решения; Това е систематична проверка на ресурсите на компанията, която ви позволява да използвате по-пълно нейните предимства и своевременно да идентифицирате потенциалните заплахи. Компанията трябва постоянно да следи динамиката на обема на продажбите и алтернативните възможности за развитие на пазарната ситуация, за да разпредели най-добре наличните ресурси и да избере най-подходящите области на своята дейност.

Литература

1. Бъзел Р.Д. и др.. Информация и риск в маркетинга. - М.: Финстатинформ, 1993.
2. Беляевски И.К. Маркетингови проучвания: информация, анализ, прогноза. - М.: Финанси и статистика, 2001.
3. Березин И.С. Маркетинг и проучване на пазара. - М.: Руска бизнес литература, 1999.
4. Голубков Е.П. Маркетингово проучване: теория, методология и практика. - М.: Издателство "Финпрес", 1998 г.
5. Елисеева I.I., Юзбашев M.M. Обща теория на статистиката. - М.: Финанси и статистика, 1996.
6. Ефимова М.Р., Рябцев В.М. Обща теория на статистиката. - М.: Финанси и статистика, 1991.
7. Литвак Б.Г. Експертни оценкии вземане на решения. - М.: Патент, 1996.
8. Лобанова Е. Прогнозиране с отчитане на икономическия растеж // Икономически науки. - 1992. - № 1.
9. Пазарна икономика: Учебник. Т. 1. Теория пазарна икономика. Част 1. Микроикономика / Изд. V.F. Максимова - М.: Соминтек, 1992.
10. Статистика на пазара на стоки и услуги: Учебник / Изд. И К. Беляевски. - М.: Финанси и статистика, 1995 г.
11. Статистически речник / Изд. М.А. Королева - М.: Финанси и статистика, 1989.
12. Статистическо моделиране и прогнозиране: Учебник / Изд. А.Г. Гранберг. - М.: Финанси и статистика, 1990.
13. Юзбашев М.М., Манела А.И. Статистически анализ на тенденции и колебания. - М.: Финанси и статистика, 1983.
14. Аакър, Дейвид А. и Дей Джордж С. Маркетингови изследвания. — 4-то изд. — NewYork: John Wiley and Sons, 1990. — Глава 22 „Прогнозиране“.
15. Dalrymple, D.J. Практики за прогнозиране на продажбите // International Journal of Forecasting. - 1987. - кн. 3.
16. Kress G.J., Shyder J. Техники за прогнозиране и пазарен анализ: Практически подход. - Твърди корици, 1994г.
17. Schnaars, S.P. Използването на множество сценарии при прогнозиране на продажбите // The International Journal of Forecasting. - 1987. - кн. 3.
18. Waddell D., Sohal A. Прогнозиране: Ключът към вземането на управленски решения // Управленско решение. - 1994. - Том 32, брой 1.
19. Wheelwright, S. и Makridakis, S. Методи за прогнозиране за управление. — 4-то изд. - John Wiley & Sons, Канада, 1985 г.