Прогноз продаж как учесть выходные дни. Методы прогнозирования объемов продаж
Прогнозирование – это очень важный элемент практически любой сферы деятельности, начиная от экономики и заканчивая инженерией. Существует большое количество программного обеспечения, специализирующегося именно на этом направлении. К сожалению, далеко не все пользователи знают, что обычный табличный процессор Excel имеет в своем арсенале инструменты для выполнения прогнозирования, которые по своей эффективности мало чем уступают профессиональным программам. Давайте выясним, что это за инструменты, и как сделать прогноз на практике.
Целью любого прогнозирования является выявление текущей тенденции, и определение предполагаемого результата в отношении изучаемого объекта на определенный момент времени в будущем.
Способ 1: линия тренда
Одним из самых популярных видов графического прогнозирования в Экселе является экстраполяция выполненная построением линии тренда.
Попробуем предсказать сумму прибыли предприятия через 3 года на основе данных по этому показателю за предыдущие 12 лет.
Способ 2: оператор ПРЕДСКАЗ
Экстраполяцию для табличных данных можно произвести через стандартную функцию Эксель ПРЕДСКАЗ . Этот аргумент относится к категории статистических инструментов и имеет следующий синтаксис:
ПРЕДСКАЗ(X;известные_значения_y;известные значения_x)
«X» – это аргумент, значение функции для которого нужно определить. В нашем случае в качестве аргумента будет выступать год, на который следует произвести прогнозирование.
«Известные значения y» — база известных значений функции. В нашем случае в её роли выступает величина прибыли за предыдущие периоды.
«Известные значения x» — это аргументы, которым соответствуют известные значения функции. В их роли у нас выступает нумерация годов, за которые была собрана информация о прибыли предыдущих лет.
Естественно, что в качестве аргумента не обязательно должен выступать временной отрезок. Например, им может являться температура, а значением функции может выступать уровень расширения воды при нагревании.
При вычислении данным способом используется метод линейной регрессии.
Давайте разберем нюансы применения оператора ПРЕДСКАЗ на конкретном примере. Возьмем всю ту же таблицу. Нам нужно будет узнать прогноз прибыли на 2018 год.
Но не стоит забывать, что, как и при построении линии тренда, отрезок времени до прогнозируемого периода не должен превышать 30% от всего срока, за который накапливалась база данных.
Способ 3: оператор ТЕНДЕНЦИЯ
Для прогнозирования можно использовать ещё одну функцию – ТЕНДЕНЦИЯ . Она также относится к категории статистических операторов. Её синтаксис во многом напоминает синтаксис инструмента ПРЕДСКАЗ и выглядит следующим образом:
ТЕНДЕНЦИЯ(Известные значения_y;известные значения_x; новые_значения_x;[конст])
Как видим, аргументы «Известные значения y» и «Известные значения x» полностью соответствуют аналогичным элементам оператора ПРЕДСКАЗ , а аргумент «Новые значения x» соответствует аргументу «X» предыдущего инструмента. Кроме того, у ТЕНДЕНЦИЯ имеется дополнительный аргумент «Константа» , но он не является обязательным и используется только при наличии постоянных факторов.
Данный оператор наиболее эффективно используется при наличии линейной зависимости функции.
Посмотрим, как этот инструмент будет работать все с тем же массивом данных. Чтобы сравнить полученные результаты, точкой прогнозирования определим 2019 год.
Способ 4: оператор РОСТ
Ещё одной функцией, с помощью которой можно производить прогнозирование в Экселе, является оператор РОСТ. Он тоже относится к статистической группе инструментов, но, в отличие от предыдущих, при расчете применяет не метод линейной зависимости, а экспоненциальной. Синтаксис этого инструмента выглядит таким образом:
РОСТ(Известные значения_y;известные значения_x; новые_значения_x;[конст])
Как видим, аргументы у данной функции в точности повторяют аргументы оператора ТЕНДЕНЦИЯ , так что второй раз на их описании останавливаться не будем, а сразу перейдем к применению этого инструмента на практике.
Способ 5: оператор ЛИНЕЙН
Оператор ЛИНЕЙН при вычислении использует метод линейного приближения. Его не стоит путать с методом линейной зависимости, используемым инструментом ТЕНДЕНЦИЯ . Его синтаксис имеет такой вид:
ЛИНЕЙН(Известные значения_y;известные значения_x; новые_значения_x;[конст];[статистика])
Последние два аргумента являются необязательными. С первыми же двумя мы знакомы по предыдущим способам. Но вы, наверное, заметили, что в этой функции отсутствует аргумент, указывающий на новые значения. Дело в том, что данный инструмент определяет только изменение величины выручки за единицу периода, который в нашем случае равен одному году, а вот общий итог нам предстоит подсчитать отдельно, прибавив к последнему фактическому значению прибыли результат вычисления оператора ЛИНЕЙН , умноженный на количество лет.
Как видим, прогнозируемая величина прибыли, рассчитанная методом линейного приближения, в 2019 году составит 4614,9 тыс. рублей.
Способ 6: оператор ЛГРФПРИБЛ
Последний инструмент, который мы рассмотрим, будет ЛГРФПРИБЛ . Этот оператор производит расчеты на основе метода экспоненциального приближения. Его синтаксис имеет следующую структуру:
ЛГРФПРИБЛ (Известные значения_y;известные значения_x; новые_значения_x;[конст];[статистика])
Как видим, все аргументы полностью повторяют соответствующие элементы предыдущей функции. Алгоритм расчета прогноза немного изменится. Функция рассчитает экспоненциальный тренд, который покажет, во сколько раз поменяется сумма выручки за один период, то есть, за год. Нам нужно будет найти разницу в прибыли между последним фактическим периодом и первым плановым, умножить её на число плановых периодов (3) и прибавить к результату сумму последнего фактического периода.
Прогнозируемая сумма прибыли в 2019 году, которая была рассчитана методом экспоненциального приближения, составит 4639,2 тыс. рублей, что опять не сильно отличается от результатов, полученных при вычислении предыдущими способами.
Мы выяснили, какими способами можно произвести прогнозирование в программе Эксель. Графическим путем это можно сделать через применение линии тренда, а аналитическим – используя целый ряд встроенных статистических функций. В результате обработки идентичных данных этими операторами может получиться разный итог. Но это не удивительно, так как все они используют разные методы расчета. Если колебание небольшое, то все эти варианты, применимые к конкретному случаю, можно считать относительно достоверными.
Введение
На сегодняшний день наука достаточно далеко продвинулась в разработке технологий прогнозирования. Специалистам хорошо известны методы нейросетевого прогнозирования, нечеткой логики и т.п. Разработаны соответствующие программные пакеты, но на практике они, к сожалению, не всегда доступны рядовому пользователю, а, в то же время, многие из этих проблем можно достаточно успешно решать, используя методы исследования операций, в частности имитационное моделирование, теорию игр, регрессионный и трендовый анализ, реализуя эти алгоритмы в широко известном и распространенном пакете прикладных программ MS Excel.
В связи с этим актуальность изучения методов алгоритма прогнозирования, исследованных в данной работе не вызывает сомнения.
В работе представлен один из возможных алгоритмов построения прогноза объема реализации для продуктов с сезонным характером продаж. Сразу следует отметить, что перечень таких товаров значительно шире, чем это кажется. Дело в том, что понятие «сезон» в прогнозировании применим к любым систематическим колебаниям. Например, если речь идет об изучении товарооборота в течение недели, под термином «сезон» понимается один день. Кроме того, цикл колебаний может существенно отличаться (как в большую, так и в меньшую сторону) от величины «один год». И, если удается выявить величину цикла этих колебаний, то такой временной ряд можно использовать для прогнозирования с использованием аддитивных и мультипликативных моделей.
Целью работы стали систематизация теоретических данных по выбранной теме и их применение на конкретном предприятии. Для достижения этой цели были поставлены следующие задачи:
1.определить значение прогнозирования на современном этапе;
2.рассмотреть сущность трендовых моделей;
.выявить методы использования трендовых моделей в прогнозировании объемов продаж;
.применить теоретические положения об использовании трендовых моделей для прогнозов к статистическим данным компании «КЛАД», на основании чего построить прогноз объемов продаж на следующий сезон.
Информационной базой для написания работы стали учебно-методические пособия и периодическая литература по данному вопросу отечественных авторов. Использование литературы именно периодического характера представляется наиболее важным при написании данной работы. Это суждение основано на том, что наряду со знанием теоретических основ изучаемого вопроса, необходимо учесть его динамический характер и рассмотреть самый новый взгляд на методологию составления прогнозов с использованием трендовых моделей, разработанную в самое последнее время.
Работа имеет не только теоретическое, но и высокое практическое значение. По сути, она является методическим пособием по применению алгоритма прогнозирования объема продаж с использованием MS Excel, который может быть по аналогии использован не только на упомянутом предприятии, но и в других отраслях народного хозяйства.
1. Использование трендовых моделей в прогнозировании объемов продаж
1.1 Сущность трендовых моделей и их использование для прогнозов
Одна из важнейших групп методов прогнозирования основана на анализе временных рядов.
Прогнозирование на основе анализа временных рядов предполагает, что происходившие изменения в объемах продаж могут быть использованы для определения этого показателя в последующие периоды времени. 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:
t = f(t)
Наиболее часто могут использоваться следующие функции:
При равномерном развитии - линейная функция:
t = b0 + b1t
При росте с ускорением:
парабола второго порядка: Y t = b 0 + b 1 t + b 2 t 2
кубическая парабола: Y t = b 0 + b 1 t + b 2 t 2 + b 3 t 3
3. при постоянных темпах роста - показательная функция:
t = b0b1t
5.при снижении с замедлением - гиперболическая функция:
t = b0 + b1x1/t
Однако аналитическое выравнивание содержит в себе ряд условностей: развитие явлений обусловлено не только тем, сколько времени прошло с отправного момента, а и тем, какие силы влияли на развитие, в каком направлении и, с какой интенсивностью. Развитие явлений во времени выступает как внешнее выражение этих сил.
Оценки параметров b 0 , b 1 ,… b n находятся методом наименьших квадратов, сущность которого состоит в отыскании таких параметров, при которых сумма квадратов отклонений расчетных значений уровней, вычисленных по искомой формуле, от их фактических значений была бы минимальной.
Для сглаживания экономических временных рядов нецелесообразно использовать функции, содержащие большое количество параметров, так как полученные таким образом уравнения тренда (особенно при малом числе наблюдений) будут отражать случайные колебания, а не основную тенденцию развития явления.
Подбор вида функции, описывающей тренд, параметры которой определяются методом наименьших квадратов, производится в большинстве случаев эмпирически, путем построения ряда функций и сравнения их между собой по величине среднеквадратической ошибки.
Разность между фактическими значениями ряда динамики и его выровненными значениями характеризует случайные колебания (иногда их называют остаточные колебания или статистические помехи). В некоторых случаях последние сочетают тренд, циклические колебания и сезонные колебания.
Сезонные колебания - повторяющиеся из года в год изменения показателя в определенные промежутки времени. Наблюдая их в течение нескольких лет для каждого месяца (или квартала), можно вычислить соответствующие средние, или медианы, которые принимаются за характеристики сезонных колебаний.
Периодические колебания в розничной торговле можно обнаружить и в течение недели (например, перед выходными днями увеличивается продажа отдельных продуктов питания), и в течение какой-либо недели месяца. Однако самые значительные сезонные колебания наблюдаются в определенные месяцы года. При анализе сезонных колебаний обычно рассчитывается индекс сезонности, который используется для прогнозирования исследуемого показателя.
В самой простой форме индекс сезонности рассчитывается как отношение среднего уровня за соответствующий месяц к общему среднему значению показателя за год (в процентах). Все другие известные методы расчета сезонности различаются по способу расчета выровненной средней. Чаще всего используются либо скользящая средняя, либо аналитическая модель проявления сезонных колебаний.
Большинство методов предполагает использование компьютера.
Относительно простым методом расчета индекса сезонности является метод центрированной скользящей средней.
Используя метод скользящей средней, необходимо последовательно осуществить следующие этапы:
Решить, данные, за сколько лет должны быть включены в расчет. Можно использовать данные за один год, но для большей достоверности расчетов лучше использовать данные, по крайней мере, за два года, а если сезонные колебания значительны, - то и более.
Повторить этапы 2 и 3 для этого же месяца следующего года;
Определить средний индекс в этом месяце по данным за два года;
Обобщить данные о силе колеблемости показателей динамического ряда из-за их сезонного характера. При этом используется среднее квадратическое отклонение индексов сезонности (в процентах) от 100%.
Сравнение средних квадратических отклонений, вычисленных за разные периоды времени, показывает сдвиги в сезонности.
Другим методом расчета индексов сезонности, часто используемым в различного рода экономических исследованиях, является метод сезонной корректировки, известный в компьютерных программах как метод переписи (Census Method II). Он является своего рода модификацией метода скользящих средних. Специальная компьютерная программа элиминирует трендовую и циклическую компоненты, используя целый комплекс скользящих средних. Кроме того, из средних сезонных индексов удалены и случайные колебания, поскольку под контролем находятся крайние значения признаков.
Расчет индексов сезонности является первым этапом в составлении прогноза. Обычно этот расчет проводится вместе с оценкой тренда и случайных колебаний и позволяет корректировать прогнозные значения показателей, полученных по тренду. При этом необходимо учитывать, что сезонные компоненты могут быть аддитивными и мультипликативными.
Таким образом, временной ряд, характеризующий величину цикла систематических колебаний, можно использовать для прогнозирования с использованием аддитивных и мультипликативных моделей.
Итак, временной ряд - это последовательность наблюдений некоторой величины в последовательные моменты времени.
Аддитивная модель представляет собой обобщение множественной регрессии, которая является частным случаем общей линейной модели.
Аддитивную модель можно представить в виде формулы:
где F - прогнозируемое значение; Т - тренд; S - сезонная компонента; Е - ошибка прогноза.
Применение мультипликативных моделей обусловлено тем, что в некоторых временных рядах значение сезонной компоненты представляет собой определенную долю трендового значения. Эти модели можно представить формулой:
На практике отличить аддитивную модель от мультипликативной можно по величине сезонной вариации. Аддитивной модели присуща практически постоянная сезонная вариация, тогда как у мультипликативной модели она возрастает, или убывает. Графически это выражается в изменении амплитуды колебания сезонного фактора. Это показано на рис. 1.
Рисунок 1.Аддитивная и мультипликативная модели прогнозирования
Если бы на изучаемом интервале времени коэффициенты уравнения регрессии, которое описывает тренд, оставались бы неизменными, то для построения прогноза достаточно было бы использовать метод наименьших квадратов. Однако в течение исследуемого периода коэффициенты могут меняться. Естественно, что в таких случаях более поздние наблюдения несут большую информационную ценность по сравнению с более ранними наблюдениями, а, следовательно, им нужно присвоить наибольший вес. Именно таким принципам и отвечает метод экспоненциального сглаживания, который может быть использован для краткосрочного прогнозирования объема продаж. Расчет осуществляется с помощью экспоненциально-взвешенных скользящих средних:
Zt = a x Yt + (1 - a) x Zt -1
Z - сглаженный (экспоненциальный) объем продаж;
t - период времени;
a - константа сглаживания;
Y - фактический объем продаж.
Последовательно используя эту формулу, экспоненциальный объем продаж Z t можно выразить через фактические значения объема продаж Y :
SO - начальное значение экспоненциальной средней.
При построении прогнозов с помощью метода экспоненциального сглаживания одной из основных проблем является выбор оптимального значения параметра сглаживания a . Ясно, что при разных значениях a результаты прогноза будут различными. Если a близка к единице, то это приводит к учету в прогнозе в основном влияния лишь последних наблюдений; если a близка к нулю, то веса, по которым взвешиваются объемы продаж во временном ряду, убывают медленно, т.е. при прогнозе учитываются все (или почти все) наблюдения. Если нет достаточной уверенности в выборе начальных условий прогнозирования, то можно использовать итеративный способ вычисления a в интервале от 0 до 1. Существуют специальные компьютерные программы для определения этой константы.
Обобщая результаты прогнозирования с помощью методов временных рядов, необходимо оценить точность расчетов, на основании которой можно сделать вывод об аппроксимирующей способности моделей.
Объемы продаж большинства компаний показывают значительные колебания. Они растут и падают в зависимости от общей ситуации в бизнесе, уровня спроса на продукты, производимые компаниями, деятельности конкурентов и других факторов. Колебания, отражающие конъюнктурные циклы перехода от более или менее благоприятной рыночной ситуации к кризису, депрессии, оживлению и снова к благоприятной ситуации, называются циклическими колебаниями. Существуют различные классификации циклов, их последовательности и продолжительности. Например, выделяются двадцатилетние циклы, обусловленные сдвигами в воспроизводственной структуре сферы производства; циклы Джанглера (7-10 лет), проявляющиеся как итог взаимодействия денежно-кредитных факторов; циклы Катчина (3-5 лет), обусловленные динамикой оборачиваемости запасов; частные хозяйственные циклы (от 1 до 12 лет), обусловленные колебаниями инвестиционной активности.
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.
1.2 Алгоритм построения прогнозной модели
Для прогнозирования объема продаж, имеющего сезонный характер, предлагается следующий алгоритм построения прогнозной модели:
1. Определяется тренд, наилучшим образом аппроксимирующий фактические данные. Существенным моментом при этом является предложение использовать полиномиальный тренд, что позволяет сократить ошибку прогнозной модели.
2. Вычитая из фактических значений объемов продаж значения тренда, определяют величины сезонной компоненты и корректируют таким образом, чтобы их сумма была равна нулю.
3. Рассчитываются ошибки модели
4. Строится модель прогнозирования:
F - прогнозируемое значение;
Т - тренд;
S - сезонная компонента;
Е - ошибка модели.
5. На основе модели строится окончательный прогноз объема продаж. Для этого предлагается использовать методы экспоненциального сглаживания, что позволяет учесть возможное будущее изменение экономических тенденций, на основе которых построена трендовая модель. Сущность данной поправки заключается в том, что она нивелирует недостаток адаптивных моделей, а именно, позволяет быстро учесть наметившиеся новые экономические тенденции.
где:пр t - прогнозное значение объема продаж;
Fм t - значение модели;
а - константа сглаживания.
Практическая реализация данного метода выявила его следующие особенности:
2. Применение алгоритма на примере исследования информации об объемах сбыта мороженого «Пломбир» фирмы «КЛАД», г. Кунгур Пермский край
Исходные данные: объемы реализации продукции за два сезона.
В качестве исходной информации для прогнозирования была использована информация об объемах сбыта мороженного «Пломбир» фирмы «КЛАД» г. Кунгура Пермского края. Данная статистика характеризуется тем, что значения объема продаж имеют выраженный сезонный характер с возрастающим трендом.
Исходная информация представлена в таблице 1.
Таблица 1.Фактические объемы реализации продукции
Задача: составить прогноз продаж продукции на следующий год по месяцам.
Реализуем алгоритм построения прогнозной модели, описанной выше. Решение данной задачи осуществим в среде MS Excel, что позволит существенно сократить количество расчетов и время построения модели.
2.1 Определение тренда
Определяем тренд, наилучшим образом аппроксимирующий фактические данные. Для этого используем полиномиальный тренд, что позволяет сократить ошибку прогнозной модели.
На рисунке показано, что полиномиальный тренд аппроксимирует фактические данные гораздо лучше, чем предлагаемый обычно в литературе линейный. Коэффициент детерминации полиномиального тренда (0,7435) гораздо выше, чем линейного (4Е - 05). Для расчета тренда рекомендуется использовать опцию «Линия тренда» MS Excel.
Опция «Линия тренда»
Применение других типов тренда (логарифмический, степенной, экспоненциальный, скользящее среднее) также не дает эффективного результата. Они неудовлетворительно аппроксимируют фактические значения, коэффициенты их детерминации ничтожно малы:
·логарифмический R2 = 0,0166;
·степенной R2 = 0,0197;
·экспоненциальный R2 = 8Е - 05.
2.2 Определение величины сезонной компоненты
Вычитая из фактических объемов продаж значения тренда, определяем величины сезонной компоненты, используя при этом пакет программных данных MS Excel.
Расчет значений сезонной компоненты в MS Excel
Итоги расчета значений сезонной компоненты приведем в таблице:
Таблица 2.Расчет значений сезонной компоненты
Таблица 3.Расчет средних значений сезонной компоненты
2.3 Расчет ошибок модели
Рассчитываем ошибки модели как разности между фактическими значениями и значениями модели.
Таблица 4. Расчет ошибок
Находим среднеквадратическую ошибку модели (Е) по формуле:
Е = ? О2: ? (Т + S)2
Т - трендовое значение объема продаж;
S - сезонная компонента;
О - отклонения модели от фактических значений.
Е = 0,003739 или 0,37%.
Величина полученной ошибки позволяет говорить, что построенная модель хорошо аппроксимирует фактические данные, то есть она вполне отражает тенденции, определяющие объем продаж, и является предпосылкой для построения прогнозов высокого качества.
Построим модель прогнозирования:
2.4 Построение прогноза объемов продаж
На основе модели строим окончательный прогноз объема продаж.Для смягчения влияния прошлых тенденций на достоверность прогнозной модели, сочетаем трендовый анализ с экспоненциальным сглаживанием. Это позволит нивелировать недостаток адаптивных моделей, то есть учесть наметившиеся новые экономические тенденции.
Fпр t = a Fф t-1 + (1 - a) Fм t
Fпр t - прогнозное значение объема продаж;
Fф t-1 - фактическое значение объема продаж в предыдущем году;
Fм t - значение модели;
а - константа сглаживания.
Константу сглаживания рекомендуется определять методом экспертных оценок, как вероятность сохранения существующей рыночной конъюнктуры, то есть, если основные характеристики изменяются (колеблются) с той же скоростью (амплитудой), что и прежде, значит, предпосылок к изменению рыночной конъюнктуры нет, и, следовательно, а = 1, если наоборот, то а = 0.
Таким образом, прогноз на январь третьего сезона определяется следующим образом.
Определяем прогнозное значение модели:
Fм t = 1924,92 + 162,44 = 2087 ± 7,8 (тыс. руб.)
Фактическое значение объема продаж в предыдущем году (Fф t-1) составило 2361 тыс. руб. Принимаем коэффициент сглаживания 0,8. Получим прогнозное значение объема продаж:
Fпр t = 0,8 х 2361 + (1 - 0,8) х 2087 = 2306 (тыс. руб.)
Заключение
прогноз тренд сезонный модель
Проанализировав теоретические аспекты рассматриваемого вопроса и проделав работу по построению прогноза объема продаж конкретного предприятия с помощью определения тренда, возможно сделать следующие выводы:
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.
Кроме того, для повышения надежности прогноза рекомендуется строить все возможные сценарии прогноза и рассчитывать длительный интервал прогноза.
Практическая реализация рассмотренного метода выявила его следующие особенности:
·для составления прогноза необходимо точно знать величину сезона. Исследования показывают, что множество продуктов имеют сезонный характер, величина сезона при этом может быть различной и колебаться от одной недели до десяти лет и более;
·применение полиноминального тренда вместо линейного позволяет значительно сократить ошибку модели;
·при наличии достаточного количества данных метод дает хорошую аппроксимацию и может быть эффективно использован при прогнозировании объема продаж в инвестиционном проектировании.
Список литературы
1.Алисинская Т.В., Сербин В.Д., Катаев А.В. Учебно-методическое пособие по курсу «Экономико-математические методы и модели. Линейное программирование». Таганрог. 2001.
2.Бушуева Л.И. Метод прогнозирования объема продаж // Маркетинг в России и за рубежом. 2004. №2.
.Кошечкин С.А. Алгоритм прогнозирования объема продаж в MS Excel // #"justify">.Кулакова О. Методы прогнозирования. Анализ аддитивной модели // Бюджетирование и финансовый менеджмент. 2000. №2.
.Лобанова Е. Прогнозирование с учетом экономического роста // Экономические науки. 2002. №1.
.Орлова И.В. Экономико-математические методы и модели. Выполнение расчетов в среде Excel: Практикум. М. 2000.
.Статистический словарь / Под ред. М.А. Королева. М. 1989.
Репетиторство
Нужна помощь по изучению какой-либы темы?
Наши специалисты проконсультируют или окажут репетиторские услуги по интересующей вас тематике.
Отправь заявку
с указанием темы прямо сейчас, чтобы узнать о возможности получения консультации.
Цели и задачи прогнозирования объемов сбыта
Обладая информацией о продажах, накопленной в информационной системе, мы можем намного точнее подходить к определению стратегических целей и планов продаж, в том числе в разрезе разных групп продуктов, регионов и т. п.
Прогнозирование является «обоюдоострым» процессом. Результаты прогнозирования могут быть использованы как для улучшения качества принимаемых решений, так и для различных «политических игр», присущих, к сожалению, многим компаниям. Поэтому сначала осторожно обсудим основополагающие вопросы.
Для чего прогнозируют продажи.
Понимание целей такого нетривиального процесса, как прогнозирование, позволит значительно упростить этот процесс и повысить его точность. Поэтому давайте отбросим все стереотипы, оставшиеся со времен вуза или последнего общения с консультантами, и попробуем честно ответить на данный вопрос.
Не надо путать прогноз и план. Прогноз продаж - это величина объема продаж, которую возможно достигнуть при выполнении неких условий или при реализации некоторых событий. Данная величина может использоваться для уточнения плана продаж.
План продаж - это величина объема продаж, которую необходимо достигнуть, выполнив некоторые действия. На план продаж «завязано» практически все планирование в компании, он часто используется в расчетах мотивационных схем, нередко на него ориентируются акционеры и инвесторы.
Прогнозов может быть сколь угодно много, и они используются для поддержки принятия управленческих решений. План, как правило, один, и он напрямую или опосредованно определяет многие управленческие решения.
Результаты прогнозирования нужны для решения следующих задач.
1. Составление финансового плана и бюджета компании - в его доходной части. Объективная информация о планируемых доходах позволит более эффективно использовать финансовые ресурсы, которые доступны компании. Не следует думать, что план доходов определяет, когда и на что компания сможет потратить средства. На самом деле план доходов позволит более эффективно спланировать расходы, чтобы привлекать меньше заемного капитала и (или) выгодно реинвестировать свободные финансовые ресурсы. Если две последние мысли не очевидны для вашей компании, то вам стоит обратить внимание на необходимость внедрения технологий финансового менеджмента
Составление плана производства и закупок - данные планы связаны не только с необходимыми расходами, но и с планированием потребности в персонале, оборудовании, оптимизации производственного плана, экономии за счет снижения цен закупок, минимизации складских запасов и т. п.
2. Составление плана и бюджета продвижения - обеспечение необходимого объема продаж требует привлечения определенного количества клиентов, для чего необходимо провести ряд маркетинговых мероприятий, каждое из которых обладает определенным сроком воздействия (в течение которого вы получите основную отдачу) и стоимостью.
4. Мотивация сотрудников - в большинстве компаний мотива ция сотрудников, занимающихся продажами, и высшего руковод ства компании привязана к объему продаж. Соответственно, люди будут планировать свои личные доходы, опираясь на план продаж.
Если ни одна из этих задач не актуальна для вашей компании и вы не можете сформулировать ни одной другой веской причины, по которой вам необходимо прогнозировать продажи, не прогнозируйте их. Вы сэкономите много времени и ничего, очевидно, не потеряете. Ни в коем случае не стоит прогнозировать просто «ради интереса». Прогнозирование всегда строится на предпосылках, которые часто до конца понимает только тот специалист, который считает прогноз, а «пользователи» прогноза редко знакомятся с этими предпосылками, даже если они хорошо описаны. Редкий директор удержится, от вопроса к руководителю отдела сбыта типа: «А вот тут ваш стажер напрогнозировал с помощью какой-то новейшей математической модели, что вы можете продавать в два раза больше. Так, может, стоит поднять план на следующее полугодие?» Последствия такого вопроса очевидны.
Что нужно для прогнозирования продаж. Итак, вы ответили себе на основной вопрос: зачем? - и пришел к выводу, что прогнозирование продаж необходимо вашей компании. Чтобы составление прогнозов не оказалось дорогостоящей? но бесполезной затеей и приносило компании реальную пользу, не обходимо грамотно организовать этот процесс. Кто должен заниматься прогнозированием, и кому это противопоказано.
Заниматься прогнозированием должны те люди, которые:
1) хорошо разбираются в продажах, рыночной ситуации и методах прогнозирования (потому что выполнять данную работу, не понимая сути прогнозируемого процесса и методов обработки данных, практически бессмысленно - это все равно что считать среднюю температуру по больнице);
2) заинтересованы (замотивированы) в том, чтобы результат был предельно объективным.
Для сотрудников каждого уровня существуют свои задачи прогнозирования.
Иными словами, заниматься прогнозированием должны те, кто в дальнейшем будет отвечать за результаты прогноза.
Для решения задач в сфере продаж более логично прогнозировать именно возможности вашей компании по продаже - ваш прогноз будет более точен, так как вы можете основывать его на накопленных реальных данных о результатах и процессах продаж, характеристиках ваших клиентов (средний размер заказа, частота покупок и т. п.).
Прогнозировать потенциальный объем потребления со стороны клиентов - скорее маркетинговая задача. При выполнении такой работы вы определите, что потенциально могли бы продавать в разы больше, и, сравнив свой прогноз с текущей статистикой по сбыту, сможете выделить сегменты клиентов, где уровень потребления вашей продукции сравнительно низок. Прежде чем включать в бюджет маркетинга затраты на продвижение в эти «депрессивные» сегменты, а в план продаж - повышение объема продаж этим клиентам, необходимо выяснить, по каким причинам уровень потребления так низок. Чтобы получить более объективный ответ, можно даже сделать несколько тестовых продаж в данных сегментах. Вполне возможно, что вы никак не сможете переломить существующие причины или для вас это будет чрезвычайно дорого, а значит, об этих сегментах можно забыть.
Как вы видите, в обоих случаях выбор предмета прогнозирования определяется целями:
1)оперативная цель - уточнение плана продаж (прогнозируем объем продаж нашей компании);
2)стратегическая цель - поиск потенциалов продвижения (прогнозируем возможный объем потребления).
А если ваша компания - монополист, что тогда? Значит, вам всего лишь будет проще прогнозировать объем продаж. Но прогнозировать надо все равно, потому что на объем ваших продаж могут повлиять следующие факторы:
1) изменения в законодательстве, действия антимонопольного комитета и другие решения государственных органов;
2) уровень спроса на товары-заменители. Например, если вы монополист в области стеклянной тары для пива, то вполне возможно, что ваш объем продаж снизится из-за широкого использования алюминиевых банок;
3) снижение доходов населения и соответственно изменение той части дохода, которая идет на потребление вашей продукции.
Более того, в случае монополии прогнозирование становится даже более важным, так как позволяет точнее оценить объем спроса и снизить общие затраты компании, необходимые для выполнения соответствующего объема заказов.
В какой момент надо прогнозировать.
С точки зрения устоявшихся правил работы компании ответ на этот вопрос может быть очевиден: результаты прогнозирования должны быть готовы к моменту, когда будет обсуждаться план компании по сбыту, или, например, к собранию совета директоров. Иными словами, к тем датам, когда на основе данной информации будут приниматься управленческие решения.
С другой стороны, понятно, что прогнозировать продажи на следующий год, не имея окончательных данных по текущему, может быть довольно проблематично, но планы по сбыту обычно принимаются еще в текущем году, а значит, и прогнозы нужны тогда же.
Наиболее правильным будет регулярное прогнозирование, по крайней мере, один раз в месяц, если используемое вами программное обеспечение не позволяет делать это автоматически в любой момент. Выполняя такую работу часто, вы в первую очередь сможете изучить особенности тех методов, которые будете использовать. В результате вы либо сможете скорректировать их, либо будете точно понимать, какова ошибка каждого из методов.
Допустимый уровень точности.
В статистике применяются уровни точности 90, 95, 99 %, но это все не для вас. Вы делаете прогноз не ради хорошей отметки, и полученный результат вам никто не даст сравнить с правильным ответом. Так зачем вы это делаете?
Скорее всего, по результатам прогнозирования вы сможете уточнить план продаж и дать свои оценки того, насколько реальная цифра будет отклоняться от плановой. Далее важно определить, как конкретно эта информация будет использоваться в компании. Все понимают, что выполнить планы с точностью до процента практически невозможно, так как реальность все равно преподнесет много незапланированных сюрпризов. В связи с этим очень важно иметь информацию о том, какие требования к точности прогноза предъявляют его потенциальные пользователи - другие подразделения компании.
Вполне вероятно, что по части значений будет требоваться более высокая точность, чем та, которой возможно достичь с помощью прогнозирования. В этом случае необходимо по каждому конкретному вопросу согласовать дату уточнения прогноза на основе более свежей информации, чтобы заказчик прогноза смог скорректировать свои действия.
Есть ли смысл занижать прогнозы
Если все сделки «выстрелят», впереди сделок уже не будет. За пиком продаж неизбежно следует провал. Но прогнозировать подъемы и спуски можно — причем легко и технологично.
Причина провала может быть простой: менеджеры по продажам видят перспективу только в ближайших сделках. Чтобы сбыт был стабильным, необходимо его планировать и прогнозировать. И не до конца текущего месяца, как это обычно делают. Необходим прогноз продаж на несколько месяцев вперед.
Техника и технология
Несколько правил прогнозирования продаж уместятся на двух страницах.
- Все наметки на клиентов, имеющиеся у каждого менеджера по продажам, учитываются в конкретных суммах. Недостаточно сказать: «Мы можем продать сайт клиенту XYZ». Нужно конкретизировать: «Мы планируем продать клиенту XYZ сайт бизнес-класса стоимостью $9500».
- Необходимо запланировать месяц, когда можно ждать продажи. Например: сейчас на дворе май 2007 г. И мы планируем, что сайт удастся продать в течение двух месяцев. Значит, оплаты можно ждать в июле 2007 г.
- Неплохо бы определить (и трезво оценить) вероятность совершения сделки. Каждой вероятности соответствует свой коэффициент, на который множится сумма сделки для учета в прогнозе продаж. Например, делим все ожидаемые платежи на три вида: «гарантированные», «вероятные» и «маловероятные». «Гарантированные» платежи принимаем к прогнозу с коэффициентом 1: они поступят практически наверняка. «Вероятные» платежи принимаем к прогнозу с коэффициентом 0,6: вероятность их поступления больше 50%, но далека от 100%. «Маловероятные» платежи принимаем к прогнозу с коэффициентом 0,1: мы почти не ждем, что эти деньги к нам поступят.
Суммируем обороты по планируемым сделкам, взвешенные с учетом вероятности. Отдельно берем сумму по ожидаемым сделкам за текущий месяц (X), за ближайший будущий месяц (X+1) и за месяц, следующий за ним (X+2).
- Прогноз продаж на текущий месяц, равный сумме оборота, реально поступившего с начала месяца, и прогноза продаж по сделкам, ожидающимся до конца месяца.
- Прогноз продаж на месяц, следующий за текущим — (текущий месяц + 1).
- Прогноз продаж на текущий месяц + 2.
Обычно все эти данные загоняются в знакомый всем формат таблицы MS Exel. В ней делаются отдельные страницы на каждый месяц, блоки на каждого вашего сотрудника. И вставляются формулы, автоматически учитывающие вероятность платежей и выдающие итоговые прогнозы. Общий, и по каждому сотруднику отдельно.
Необходимо сделать две вещи. Во-первых, собрать и загнать в таблицу исходные данные. Во-вторых, выработать у сотрудников безусловный рефлекс: они должны учитывать все промежуточные результаты работы с клиентами в изменениях прогноза. Например, при обсуждении контракта на сайт коммерсант убедил клиента в необходимости продвижения сайта. Для себя он должен сразу оценить, как изменится прогноз продаж. Какую дополнительную сумму должен будет заплатить клиент за продвижение? Например, $5000. Насколько изменится прогноз? Если сделка «вероятная», прогноз увеличится на $5000 × 0,6 = $3000.
Теперь по итоговым данным прогноза продаж можно контролировать ход коммерческой работы. Важны не сами итоговые данные, а их изменения изо дня в день.
Если прогноз продаж не изменился по сравнению со вчерашним днем — значит, коммерческая работа не велась.
Это даже хуже, чем если бы прогноз уменьшился. Уменьшение прогноза означает, что какие-то сделки попытались дожать — и они слетели. Но работа все-таки велась. А неизменный прогноз означает именно то, что никто ничего не делал.
Прогноз — это уже результат
Как определить оптимальный прогноз продаж?
В нашем случае для расчета прогноза продаж используется технологичный подход. А это означает, что прогноз не берется с неба и не высасывается из пальца. Он является объективным отражением текущего положения дел по перспективным контрактам. Поэтому технологичный прогноз не может быть «оптимальным» или «неоптимальным». Он всегда является объективным отражением действительности. Если, конечно, ведется правильно.
Единственное, что можно уточнить по ходу дела (статистически) — это вероятностные коэффициенты. После сопоставления прогнозов и реальных результатов продаж за несколько месяцев может оказаться, что «вероятным» контрактам нужно присвоить коэффициент 0,9. А «маловероятным» — коэффициент 0,15.
Жесткое внедрение
Как заставить сотрудников спрогнозировать и оценить потенциальных клиентов?
Дисциплинарно. Без жесткого регулярного управления на основе технологий и стандартов прогноз продаж жить не будет.
Как выявить сознательные занижения в прогнозе продаж менеджеров?
Во-первых, менеджер может занизить саму сумму ожидаемой сделки. Это — проблема «личного порога». Ее нужно лечить наставничеством. И тренингами продаж хороших практиков.
Во-вторых, менеджер может занизить вероятность успеха сделки. Ну, меньше «маловероятной» он поставить не сможет. Если у большинства менеджеров вероятности сделок разные, а у кого-то все сделки — «маловероятные», это хорошо видно по сводному прогнозу продаж. У таких менеджеров проблемы с уверенностью в себе или товарах/услугах своей компании. Им нужна поддержка опытных товарищей при «дожиме» сделок.
Самое опасное — когда переговоры с клиентами ведутся, а в прогнозе продаж клиенты не появляются. Как минимум, это означает, что менеджер занимается с клиентами тусовкой, а не продажей. Он даже не предполагает, что конкретно будет предлагать данному клиенту. И на какую сумму. Как максимум, сделки уводятся на сторону.
Эта ситуация становится очевидной, когда коммерсант ведет переговоры с клиентами и ездит к ним на встречи. А его личный прогноз продаж не меняется. Эта ситуация требует немедленного вмешательства руководителя продаж. И жестких решительных действий. От совместного проведения переговоров до увольнения сотрудника.
Как добиться максимального выполнения прогноза продаж?
В наибольшей степени это зависит от личных усилий руководителя продаж. Он должен постоянно отслеживать, насколько его сотрудники могут обеспечить выполнение прогноза по их клиентам. Здесь действует правило «не более одной дополнительной попытки». Если в назначенный день клиент оплатил — хорошо. Если нет — разговор об объективных трудностях клиента никого не волнует. Сотрудник сам должен назвать руководителю продаж тот срок (небольшой!), за который он доведет эту сделку до результата. Если срок прошел, а результата нет, руководитель берет «дожим» сделки на себя. За соответствующее вознаграждение.
Отметим напоследок: прогноз продаж позволяет по нескольким итоговым значениям насквозь контролировать работу отдела. Мало того: как греет душу рукводителя сама возможность предсказать будущее!