Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
Подписываем
ПРОГНОЗИРОВАНИЕ В МАРКЕТИНГОВЫХ ИССЛЕДОВАНИЯХ1
В условиях рыночного окружения, когда на предприятие воздействует «турбулентная» внешняя среда, одним из важнейших направлений маркетинговой и управленческой деятельности является прогнозирование. Главная задача прогноза — получение некоторого предвидения будущего, связанного непосредственно с деятельностью предприятия.
В данном разделе мы ограничимся рассмотрением прогнозов, которые явно или косвенно относятся к деятельности отдела маркетинга, а в частности, имеют отношение к исследовательской работе. Необходимо отметить, что многие другие структурные подразделения на предприятии составляют прогнозы. Экономический отдел занимается прогнозированием макроэкономических факторов, финансовый — прогнозированием финансовых рынков, научно-технический и технологический — прогнозированием тенденций в науке и технологиях.
Маркетинговые прогнозы имеют дело с рыночными факторами, оказывающими влияние на результаты деятельности предприятия. Основными составляющими прогнозирования являются:
• прогноз рыночных тенденций;
• прогноз развития отрасли;
• прогноз развития регионов и страны в целом;
• прогноз изменения рыночной конъюнктуры;
• прогноз спроса на товары и услуги, производимые предприятием и конкурентами;
• прогноз изменений у конкурентов;
• прогноз сбыта и др.
Методы прогнозирования можно разделить на две группы:
1) количественные, основанные на количественных расчетах;
2) качественные, в основе которых лежат экспертные оценки.
1. Количественные методы прогнозирования
Количественные методы базируются на анализе и обработке исторических данных, относящихся к исследуемой ситуации, выявлении в них закономерностей, использовании этих закономерностей для предсказания будущего.
Количественные методы могут быть использованы в случае, когда:
• имеются статистические данные, аналогичные тем, которые необходимо спрогнозировать;
• статистические данные прошлых периодов имеют количественный характер, т.е. представлены в виде наборов чисел;
• характер поведения процессов, описываемых представленными количественными данными, сохранится и в будущем.
Задача, которую приходится решать исследователю, использующему методы прогнозирования, — выбор (или разработка) подходящей модели прогнозирования. Качество выбранной или разработанной модели прогнозирования (а, следовательно, и качество получаемых с ее помощью прогнозов) зависит от опыта исследователя, его владения всем спектром имеющихся подходов к прогнозированию.
Процесс построения модели прогнозирования целесообразно представить в виде трех последовательных этапов:
а) выбор технологии прогнозирования, наиболее соответствующей, по мнению исследователя, рассматриваемой ситуации. Возможно, на данном этапе придется рассмотреть несколько технологий;
б) проверка годности модели, ее соответствия историческим данным, настройка параметров модели;
в) заключение о качестве модели — сравнение прогнозов, сделанных с ее помощью, с фактическими данными.
На любом из этих этапов при выявлении несоответствия рассматриваемой технологии прогнозирования решаемым задачам может быть принято решение о возврате к предыдущим этапам.
Прогнозы в зависимости от продолжительности периода времени (Т), на который они делаются, принято подразделять на следующие категории:
• ближайший прогноз (Т< 1 мес.);
• краткосрочный (1 мес. < Т< 3 мес.);
• среднесрочный (3 мес. < Т< 2 лет);
• долгосрочный (Т> 2 лет).
Временные характеристики периода прогнозирования должны соответствовать временным характеристикам имеющихся исторических данных. Например, при необходимости делать еженедельный прогноз исследователь должен располагать еженедельными историческими данными.
Если исторические данные, полученные (измеренные) в различные моменты прошлого, упорядочены во времени, они носят название временного ряда. В этом случае они представляются либо в виде хроно логических таблиц, либо в виде графиков.
Графическое представление данных очень важно для выбора подходящей методики прогнозирования. Визуальный анализ графического представления динамики временного ряда может многое подсказать исследователю.
Выделяют четыре составляющих компонента временных рядов:
• тенденция, тренд (trend);
• сезонность;
• цикличность;
• случайность.
Рассмотрим эти компоненты временных рядов более подробно.
Тренд — это повышение или, наоборот, понижение каких-либо показателей за достаточно большой период времени. Если показатели имеют тенденцию к повышению, то тренд называется восходящим. Если же они имеют тенденцию к понижению, тренд называется нисходящим.
Пусть исторические данные, отражающие месячные объемы продаж торговой компании за трехлетний период, представлены в виде табл. 12.1.
Исторические данные, приведенные в табл. 12.1, можно представить также в графическом виде (рис. 12.1).
Этот график может служить примером восходящего тренда, так как в целом показатели объемов продаж повышаются за трехлетний период.
В рассмотренном случае тренд является линейным, т.е. тенденция к повышению или понижению показателей остается постоянной во времени. Если же эта тенденция с течением времени проявляется все более сильно или все более слабо, то тренд оказывается нелинейным.
На следующих графиках (рис. 12.2) представлены примеры восходящих нелинейных трендов.
В дальнейшем будут рассмотрены только линейные тренды.
Сезонность — это такие изменения в показателях, которые повторяются из года в год, которые оказываются сопоставимыми в одинаковые периоды времени. Например, объемы доходов от туристических услуг всегда возрастают в летние и зимние месяцы и снижаются — в весенние и осенние. Сезонные колебания являются предсказуемыми.
Чтобы выделить сезонный фактор, исторические данные за несколько лет необходимо представить по кварталам или месяцам. Если эти данные будут представлены по годам, сезонность в них не проявится.
К сезонности относят любые регулярные колебания в исторических данных, которые проявляются в более коротких периодах, чем один год. Сезонность может проявляться поквартально, помесячно, понедельно и т.д.
Если, например, представить исторические данные о количестве посетителей ресторана в различные часы дня, то наплыв клиентов в обеденные и вечерние часы также можно назвать «сезонностью» в течение дня.
Цикличность отличается от сезонности следующими особенностями:
• период циклических колебаний составляет более одного года;
• циклические колебания определяются не одним, а несколькими факторами;
• величины максимумов (и минимумов) циклов могут немного отличаться;
• длительность циклов также может быть разной.
Последние две особенности объясняются тем, что отдельные факторы, определяющие цикличность, проявляются с различной интенсивностью.
Циклическим колебаниям подвержены макроэкономические показатели, например колебания объема валового национального продукта (ВНП). В циклах ВНП выделяют четыре основные фазы: депрессию, оживление, подъем и спад.
Случайность — это изменения в показателях, которые невозможно предугадать. Они не подчиняются какой-либо закономерности, подобной тренду, сезонности или цикличности. Поэтому иногда их называют «шумом».
В качестве примера приведем график объемов продаж, в котором сочетаются тренд и случайный компонент (рис. 12.3).
Прогнозирование путем анализа трендов
Технология прогнозирования призвана:
• установить наличие тренда в показателях (исторических данных, представленных в виде временного ряда);
• смоделировать тренд;
• дать прогноз показателей будущего периода. Рассмотрим эту технологию на конкретном примере.
Пример. Предположим, имеются данные о годовых объемах продаж торговой компании за 10 лет, которые представлены в виде хронологической таблицы (табл. 12.2).
Анализ данных показывает, что в целом за десять лет объемы продаж компании росли. То есть исторические данные свидетельствуют о том, что объемы продаж компании обладают устойчивой тенденцией к повышению — восходящим трендом.
Рассмотрим прогнозирование показателей будущего периода, полагая, что тренд является линейным. Это предположение о линейности тренда должно быть в будущем проверено.
Задача заключается в том, чтобы, пользуясь имеющимися историческими данными, смоделировать наилучший тренд.
Моделирование любого тренда производится с помощью регрессионного анализа. Поскольку тренд предполагается линейным, уравнение регрессии, которое его описывает, также является линейным:
где F1 — значение тренда на оси ординат в момент t; В0 — точка, в которой тренд пересекает ось ординат; В1 — коэффициент наклона линии тренда. Принято считать наилучшим такой тренд (т.е. уравнение с такими коэффициентами В0 и В1), при котором сумма квадратов отклонений исторических данных относительно линии тренда оказывается минимальной:
где Yt — фактическое значение показателя в историческом ряду в момент времени (значение из таблицы исторических данных);
Ft — значение тренда в момент времени t;
n — количество компонентов исторического временного ряда.
Отклонения (Yt - Ft) возводятся в квадрат, так как могут быть не только положительными, но и отрицательными (линия тренда в разных точках может проходить как выше, так и ниже графика исторических данных). Возведение отклонений в квадрат обеспечивает, таким образом, «равноправность» отклонений в положительную и отрицательную стороны.
Проведя соответствующие преобразования, получим коэффициенты В1 и В0, которые можно подставить в уравнение регрессии:
Таким образом, получены выражения для коэффициентов В0 и В1, определяемые только исходными данными задачи и позволяющие построить наилучшую линию тренда.
Рассчитаем эти коэффициенты, пользуясь исходными историческими данными об объемах продаж.
Вычислим сначала все суммы, входящие в выражения для В0 и В1 (табл. 12.3).
Пользуясь полученными значениями сумм, приведенными в последней строке таблицы, легко вычислить коэффициенты В0 и В1,. Линейное регрессионное уравнение (модель) тренда будет выглядеть следующим образом:
Пользуясь этим уравнением, проведем линию тренда на том же графике, который иллюстрирует исторические данные о росте объемов продаж (рис. 12.4).
Согласно полученному уравнению объемы продаж возрастают в среднем на 3,006 млн руб. ежегодно.
Проверка модели
Проведем сопоставление линии тренда с реальным разбросом то чек в историческом ряду.
Для этого, пользуясь полученным уравнением тренда, сделаем мо дельный прогноз показателей объемов продаж на 10-летний период, исторические данные по которому имеются.
Подставим t=1,2,..., 10 в уравнение тренда и сравним результаты с исходными историческими данными (табл. 12.4).
Расчет отклонений линии тренда от реальных показателей является частью проверки регрессионного уравнения тренда (модели) на адекватность. Отметим, что для оптимизированного тренда сумма всех отклонений всегда равна 0, как показано в последнем столбце таблицы. Это свойство является результатом использованного способа вычисле ний коэффициентов В0 и B1.
Помимо отклонений рассчитываются также следующие величины:
С помощью сумм, представленных в последней строке, находим:
Таким образом, о составляет приблизительно 2%, а х— приблизительно 1,5% от значений временного ряда Уt что говорит о достаточно высоком качестве прогноза и, следовательно, неплохом качестве построенной модели тренда.
Уравнение тренда позволяет прогнозировать объемы продаж на будущие периоды. Рассчитаем предполагаемый объем продаж 11-го года. Для этого подставим в полученное уравнение тренда величину t = 11:
Проверку качества модели прогнозирования можно осуществить двумя путями:
• сравнить полученные прогнозы с действительными показателями будущих периодов, для чего придется подождать несколько лет;
• воспользоваться методом расщепления данных.
Метод расщепления
Метод расщепления данных в применении к нашему примеру означает следующее. Например, по прошествии 10-летнего периода мы исходим из того, что располагаем историческими данными только по первым семи годам, а данные за последние три года нам неизвестны. Построим уравнение тренда, пользуясь данными семилетнего периода (исторические данные последних трех лет будут использованы для проверки).
Рассчитаем коэффициенты тренда В0 и В1. Для этого построим соответствующую таблицу (табл. 12.6) для расчета сумм, входящих в выражения для В0 и В1 (но только по первым семи годам исторического ряда).
Из данных, приведенных в табл. 12.6, находим коэффициенты:
Таким образом, уравнение тренда, построенное по данным семилетнего периода, будет выглядеть следующим образом:
Для сравнения приведем уравнение, построенное ранее по данным 10-летнего периода:
С помощью полученного уравнения для Ft=7 сделаем прогноз на оставшиеся три года (т.е. подставим в это уравнение последовательно t = 8, 9, 10) и вычислим отклонение от реального объема продаж в эти годы (табл. 12.7).
Для моделей тренда, которые завышают (или занижают) прогнозы будущих периодов, рассчитывается величина уклонения модели. В рассматриваемом примере она вычисляется так:
Все величины (Yt - Ft= 7) являются отрицательными. Это может свидетельствовать либо о недостатках линейной модели тренда, когда она строится по данным семилетнего периода, либо о нелинейности реальной тенденции, т.е. о недостатках линейных моделей для прогнозирования рассматриваемых процессов вообще.
Однако величины прогнозов на 8-й, 9-й и 10-й годы, которые были получены с помощью модели тренда, основанной на данных 10-летнего периода, очень близки к реальным показателям. Можно рассчитывать, что величины, спрогнозированные на 11-й, 12-й, 13-й год, также окажутся близкими к реальным с высокой степенью вероятности. Следовательно, эта модель для данной ситуации является эффективной.
Тренд и сезонность
Как отмечалось выше, сезонность — это такие изменения в показателях, которые повторяются из года в год и которые сопоставимы по величине в одинаковые периоды времени.
Если исследовать, например, исторические данные торговой компании об объемах продаж спортивных товаров (представленные в виде временных рядов), то можно выявить в них сочетание закономерностей:
• тренда, отражающего успешную или, наоборот, неуспешную динамику деятельности компании в этой сфере бизнеса;
• в сезонности, связанной с сезонным интересом потребителей к различным спортивным товарам.
В данном случае также возникает необходимость в прогнозировании показателей будущих периодов с учетом их сезонных изменений.
Для этого нужно создать соответствующую технологию прогнозирования. Технология прогнозирования с использованием модели тренда, уже рассмотренная выше, модифицируется и дополняется специальными коэффициентами, отражающими сезонную активность покупателей, — сезонными индексами. Если данные представлены, например, посезонно (по временам года), потребуется ввести четыре сезонных индекса: зимний, весенний, летний и осенний.
Рассмотрим расчет сезонных индексов и прогнозирование на конкретном примере.
Пример. Предположим, имеются исторические данные об объемах продаж фирмы, предоставляющей широкий выбор спортивных товаров. Данные получены за четыре года и представлены посезонно в виде хронологической таблицы (табл. 12.8).
Если представить этот временной ряд в графическом виде, то он будет выглядеть следующим образом (рис. 12.5).
На этом графике просматривается общая тенденция к росту объемов продаж. Однако становится ясно, что для предсказания объемов
продаж по сезонам необходима специальная технология, отражающая количественное влияние сезонных факторов.
Вычисление сезонных индексов производится методом отношения к движущемуся среднему. Этот процесс состоит из нескольких этапов.
На первом этапе процесса долговременные факторы, отражающие общую тенденцию, отделяются от кратковременных (т.е. проявляющих себя в периоды, меньшие, чем один год). Рассмотрим, какие факторы влияют на значения величин временного ряда.
Обычно предполагается, что любые данные из временного ряда могут быть представлены в виде произведений четырех компонентов:
где Yt — величина во временном ряду, соответствующая моменту времени t;
Ft — значение тренда в момент времени t;
St — значение фактора сезонности в момент времени t;
Сt — значение фактора цикличности в момент времени t;
It — значение фактора случайности в момент времени t.
Тренд и цикличность являются долговременными факторами, а сезонность и случайность — кратковременными (проявляющими себя в периоды, меньшие, чем один год).
Цикличность, как долговременно действующий фактор, в дальнейшем рассматривается совместно с трендом (в виде единой комбинации Ft • Сt).
Чтобы отделить долговременные факторы от кратковременных, вычисляется среднее значение временного ряда за п периодов подряд, равных по суммарной продолжительности одному году. Если данные представлены посезонно, как в рассматриваемом примере, то п = 4.
Пользуясь данными исходной таблицы, вычислим среднее значение, или движущееся среднее (ДС) за период t1 равный по продолжительности одному году и включающий четыре первых сезона подряд:
Введя в табл. 12.8 дополнительную пятую колонку, поместим в нее полученную величину движущегося среднего. Расположим ее так, чтобы эта величина оказалась в середине периода tl.
Затем вычислим движущееся среднее за годичный период t2 = [2—>5], сдвинутый по отношению к периоду г, на один сезон:
Действуя таким образом (т.е. последовательно сдвигая годичный период на один сезон), заполняем пятую колонку таблицы (табл. 12.9).
Отметим, что полученные значения движущегося среднего, в силу способа их вычисления, сдвинуты на полсезона по отношению к историческим данным исходного ряда. Этот сдвиг отражен в колонке таблицы.
На втором этапе вычисляется центрированное движущееся среднее (ДСЦ), которое так же, как и движущееся среднее, отражает влияние долговременных факторов — тренда и цикличности. В отличие от движущегося среднего, оно приведено к тем же моментам времени, что и исторические данные исходного ряда. В дальнейшем это позволит более корректно оценивать влияние факторов сезонности.
Для того чтобы вычислить центрированное движущееся среднее, нужно найти усредненное значение двух соседних величин движущегося среднего, представленных в пятой колонке таблицы. Например:
и т.д.
Полученные таким образом значения заносятся в шестой столбец табл. 12.10 со сдвигом в полсезона по отношению к значениям движущегося среднего (это отражает использованный способ их вычисления).
В результате центрированное движущееся среднее в шестой колонке таблицы расположено в тех же временных позициях, что и данные исходного ряда.
На третьем этапе находится произведение St • 1t которое отражает вклад кратковременных факторов — сезонности и случайности. Это произведение вычисляется путем деления величин исходного ряда на соответствующие величины центрированных движущихся средних:
где Yt — величина в исходном временном ряду, соответствующая мо менту времени t, a (Ft • Сt) — найденное значение центрированного движущегося среднего, соответствующее моменту времени t
Произведение St • It называется отношением к центрированному движущемуся среднему. Найденные значения произведений St • It помещаются в табл. 12.11.
На четвертом этапе вычисляются значения сезонных индексов.
Полученные значения St • It (отношения Yt к центрированному движущемуся среднему) суммируются по одинаковым сезонам. Затем вычисляются их средние значения по сезонам, которые и являются значениями сезонных индексов (табл. 12.12).
Например, зимний сезонный индекс составляет 1,441. Это означает, что объем продаж в зимний сезон превышает среднегодовой уровень на 44,1%.
На пятом этапе устраняется фактор сезонности.
Решение задачи упростится, если удастся устранить фактор сезонности из исходных данных.
Такая процедура обеспечивается делением величин объемов продаж Ft на полученные сезонные коэффициенты.
Например, моменту времени t = 1 соответствуют:
• объем продаж Yt= , = 41,0 тыс. руб.;
• зимний период;
• зимний сезонный индекс, равный 1,441. Следовательно, величина объема продаж в момент времени t = 1
с устраненным фактором сезонности составит:
Действуя таким образом, можно получить временной ряд с устраненным фактором сезонности. Он приведен в пятой колонке табл. 12.13.
Проиллюстрируем графически полученные данные (рис. 12.6).
Шестой этап — построение линейной модели тренда с помощью данных с устраненным фактором сезонности.
Используя методику формулы (12.2) применительно к объемам продаж с устраненным фактором сезонности, вычисляем коэффициенты В0 и В1 и составляем уравнение тренда:
Графически это можно представить следующим образом (рис. 12.7). На седьмом этапе, пользуясь полученным уравнением тренда, составим прогноз объемов продаж будущих периодов.
Поскольку уравнение тренда было получено с использованием исторических данных с устраненным фактором сезонности, то и величины прогнозируемых данных будут также лишены фактора сезонности.
Сделаем прогноз на пятый год, на следующие четыре сезона, которым соответствуют моменты времени t = 17, 18, 19, 20. Результаты занесем в табл. 12.14.
На восьмом этапе прогнозируемые величины корректируются путем учета фактора сезонности. Это обеспечивается умножением объемов продаж, полученных на седьмом этапе, на сезонные индексы, полученные на четвертом этапе.
Например, чтобы получить реальную величину прогноза на зимний период, нужно умножить 44,335 тыс. руб. на зимний сезонный индекс, равный 1,441:
44,335 тыс. руб. х 1,441 = 63,887 тыс. руб.
Добавив в таблицу прогнозов две дополнительные колонки, внесем в нее результаты (табл. 12.15).
Теперь поставленная задача прогнозирования процесса с сезонными составляющими решена полностью. Представленные восемь этапов прогнозирования описывают конкретный вычислительный алгоритм. Он может быть эффективно использован в прогнозных расчетах для компаний, работающих в самых разных областях бизнеса.
Другие методы прогнозирования
На практике можно использовать более сложные методы прогнозирования, которые являются комбинацией простых, приведенных выше. К сложным методам относится ARIMA (auto-regression and integrated moving average — авторегрессия и интегрированное скользящее среднее), который носит имя разработчиков Бокса — Дженкинса. Он реализован во многих статистических пакетах (SPSS, Statistica), а также в специализированных (Forecast Expert). Недостатками этого метода является необходимость использования не менее 50 значений исторических данных.
Другим методом является многоканальная авторефессия с использованием метода главных компонентов. Особенностью этого метода является возможность прогнозирования нескольких рядов (каналов) с учетом их взаимного влияния, что повышает точность прогноза. Метод позволяет автоматически разделить ряд на несколько компонентов, в том числе сезонный, и изучать каждый из них по отдельности. Данный метод реализован в программном продукте Marketing Analytic.
Наиболее доступным пакетом для прогнозирования является MS Excel. В табл. 12.16 показаны функции, которые можно использовать. Недостатком пакета является возможность работы только с небольшими объемами данных.
Всего насчитывается более 200 алгоритмов составления прогнозов. Но все они имеют узкие ограниченные возможности применения. Поэтому необходима очень высокая степень компетентности специалиста, который, зная особенности и ограничения этих методов, может их на практике применять в тех или иных обстоятельствах. В противном случае без понимания специфики применения этих методов прогнозы будут далеки от реальности.
2. Качественные методы прогнозирования
К качественным методам прогнозирования относятся в основном экспертные оценки. Экспертные методы могут быть индивидуальные или коллективные. Индивидуальные методы имеют дело с отдельными экспертами, а коллективные — с группами экспертов. В табл. 12.17 приведена классификация экспертных методов прогнозирования.
Таблица 12.17. Классификация экспертных методов прогнозирования
|
Тип прогноза |
Без обработки результатов |
С обработкой результатов |
|
Индивидуальный Коллективный |
Интервью Генерация идей «Мозговой штурм» |
Построение сценария «Дерево целей» Коллективные экспертные оценки |
Экспертные прогнозы применяются, когда по определенным причинам традиционные методы построения прогнозов являются заведомо далекими от реальности, Такие ситуации встречаются на практике достаточно часто. Например, сложность учета факторов, оказывающих влияние на состояние определенной отрасли, не позволяет рассчитывать математически достоверные оценки будущего состояния. Если к тому же отсутствует или является заведомо недостоверной ста тистическая информация прошлых периодов, то прогноз заведомо бу дет обладать высокой степенью неточности.
Эксперты же являются носителями как явной, так и неявной информации. Их знания и опыт работы в определенных условиях позволяют по косвенным признакам строить вполне достоверные про гнозы.
Существуют компании, которые профессионально занимаются составлением прогнозов по отдельным отраслям и рынкам.
Пример. Рост рынка пива на первое полугодие 2002 г. некоторые компании прогнозировали следующим образом:
• прогноз «Тройки Диалог» — 14%;
• прогноз «Объединенной финансовой группы» — 12%;
• прогноз Союза пивоваров — 10%.
Но по данным исследовательской компании «Бизнес Аналитика», реальный рост рынка составил 23%. Одна из главных причин таких расхождений — отсутствие достоверной статистической базы данных, по которой можно строить прогноз. Пивовары полагают, что с ростом дохо дов потребителей будут расти объемы продаж в отрасли. Но имеются как минимум два неизвестных фактора, которые будут оказывать существен ное влияние на состояние рынка пива. Не определены реальные темпы роста доходов населения и фактическая зависимость роста потребления от роста доходов.
Все разновидности экспертных прогнозов призваны внести определенную ясность в перспективы рынка и предприятия, на нем работающего. Редко когда удается получить точный прогноз в российских условиях. На практике наиболее эффективно использовать компози ции разнообразных методов, как количественных, так и качественных, для повышения точности прогнозов.
1 Глава написана совместно с Ю. В. Шафранским.