Прогноз продаж и его компоненты

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..

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:

1. использование равных весов, если эксперты, как полагают исследователи, имеют одинаковые компетентности;
2. использование весов, пропорциональных степени «важности» экспертов, соответствующей их компетентности, известности в ученом мире, опыту в конкретной области деятельности и т.п.;
3. использование весов, пропорциональных самооценкам экспертов. Имеются свидетельства наличия прямой связи между уровнем самооценки компетентности экспертов и точностью экспертных оценок;
4. использование весов, пропорциональных относительной точности последних прогнозов конкретного эксперта.

2.  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 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.

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.

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:

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.

Обобщая результаты прогнозирования с помощью методов  временных рядов, необходимо оценить  точность расчетов, на основании которой  можно сделать вывод об аппроксимирующей способности моделей. Для того чтобы  продемонстрировать возможности всех методов прогнозирования временных  рядов проанализируем на примере, насколько точно были предсказаны объемы продаж, и сравним расчетные данные с фактически полученными.

Данные показывают, что все методы прогнозирования  дают примерно одинаковые результаты с ошибкой, не превышающей 5%. Следовательно, любой из этих методов может быть использован для прогнозирования  объема продаж фирмы в будущем.

Методика выявления  цикличности заключается в следующем. Отбираются рыночные показатели, проявляющие  наибольшие колебания, и строятся их динамические ряды за возможно более  продолжительный срок. В каждом из них исключается тренд, а также  сезонные колебания. Остаточные ряды, отражающие только конъюнктурные или  чисто случайные колебания, стандартизируются, т.е. приводятся к одному знаменателю. Затем рассчитываются коэффициенты корреляции, характеризующие взаимосвязь показателей. Многомерные связи разбиваются на однородные кластерные группы. Нанесенные на график кластерные оценки должны показать последовательность изменения основных рыночных процессов и их движение по фазам конъюнктурных циклов.

3.  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. 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.

Регрессионные модели могут использоваться при прогнозировании  спроса на потребительские товары и  средства производства.

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.

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.

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.

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.