Еще лучше, опираясь на результаты метаанализа экспериментальных исследований. Если предварительные исследования недоступны, независимые экспертные оценки могут использоваться для выбора переменных и определения направлений их воздействия. Если предварительные знания о влиянии переменной неоднозначны или противоречивы, не включайте ее в модель. В целом с каузальными моделями следует избегать методов, которые не имеют теории или не основываются на предшествующих знаниях. Например, вместо того, чтобы начинать с теории, интеллектуальный анализ данных использует сложные статистические анализы для определения переменных и отношений. Хотя это популярный подход, мы не обнаружили никаких доказательств того, что методы интеллектуального анализа данных обеспечивают преимущества для прогнозирования. В своем обширном обзоре и их повторном анализе 50 наборов данных в реальном мире Ю. Ю. Максимова и А.
Н. Хижняк также обнаружили мало доказательств полезности интеллектуального анализа данных. Они писали, что причина в недостаточности доказательств заключалась в том, что в немногих исследованиях использовался надлежащий дизайн для оценки интеллектуального анализа данных. Этот вывод относится также к пошаговой регрессии и нейронным сетям. Сегментация включает разбиение проблемы на независимые части, использование знаний и данных для составления прогноза по каждой части и объединение прогнозов частей. Например, компания-производитель оборудования может прогнозировать продажи для каждого типа продукта, а затем добавлять прогнозы.
Чтобы прогнозировать использование сегментации, сначала необходимо определить важные причинные переменные, которые могут быть использованы для определения сегментов, и их приоритеты (например, географическое положение может иметь более высокий приоритет, чем доход домашних хозяйств при прогнозировании спроса на химикаты бассейна). Для каждой переменной точки отсечения определяются так, что чем сильнее связь с зависимой переменной, тем больше нелинейность в отношении и чем больше доступных данных, тем больше должно быть использовано количество точек. Используя наилучший метод с учетом имеющейся информации, прогнозируются популяции каждого сегмента и поведение населения в каждом сегменте. Прогнозы населения и поведения объединяются для каждого сегмента, а прогнозы сегмента суммируются.
Таким образом, за последние полвека были достигнуты важные успехи в прогнозировании. Эти достижения могут быть использованы для улучшения многих аспектов прогнозирования спроса. Некоторые достижения связаны с суждением, например, с Delphi, имитируемыми взаимодействиями, исследованиями намерений, обзорами мнений, пробной загрузкой и объединением. Другие относятся к количественным методам, таким как экстраполяция, прогнозирование на основе правил и метод индекса. Совсем недавно выгоды были получены от интеграции статистических и оценочных прогнозов. Наконец, мы много узнали о том, как получить одобрение прогнозов. Большинство фирм игнорируют или не знают о основанных на фактических данных методах и принципах прогнозирования. Следовательно, существует множество возможностей для улучшения практики прогнозирования.
Отчасти это объясняется тем, что доказательства были скрыты в иногда изучаемых академических журнальных статьях. За последние несколько лет были предприняты большие усилия для улучшения ситуации для практиков путем предоставления понятных принципов, которые обобщают эти выводы. Разнообразие количественных методов прогнозирования.
Итак, количественные методы прогнозирования базируются на численных математических процедурах. Результаты прогнозирования на основе количественных методов используются во всех сферах бизнес-планирования, включая общее стратегическое планирование, финансовое планирование, планирование производства и управления запасами, маркетинговое планирование и т. п. При исследовании и анализе рынка количественные методы прогнозирования применяются для решения следующих основных задач:
прогнозирования спроса;
прогнозирования емкости рынка;
прогнозирования объемов продаж фирмы и др. К группе количественных методов относятся:
анализ временных рядов;
экономико-математическое моделирование;
метод аналогий;
нормативный метод;
метод стандартного распределения вероятностей. Анализ временных рядов необходим для учета временных колебаний исследуемых величин. Включает в себя следующие основные методы:
анализ тенденций (экстраполяция и корреляция трендов);анализ цикличности;
анализ сезонности;
регрессионный анализ. Методы экстраполяции трендов основаны на статистическом наблюдении динамики определенного показателя, определении показателя, определении тенденции его развития и продолжении этой тенденции в будущем периоде. Иначе говоря, при помощи методов экстраполяции трендов закономерности прошлого развития объекта переносятся в будущее. Обычно методы экстраполяции трендов применяются в краткосрочном (не более 1 года) прогнозировании, когда число изменений в среде минимально. Прогноз создается для каждого конкретного объекта отдельно и последовательно на каждый следующий момент времени. Наиболее распространенными методами экстраполяции трендов являются метод скользящего среднего и метод экспоненциального сглаживания, прогнозирование на базе прошлого оборота. Метод скользящего среднего исходит из простого предположения, что следующий во времени показатель по своей величине равен средней, рассчитанной за три периода. Метод экспоненциального сглаживания представляет прогноз показателя на будущий период в виде суммы фактического показателя за данный период и прогноза на данный период. Метод прогнозирования на базе прошлого оборота. В этом случае данные о сбыте за прошлый год берутся в качестве основы для предсказания вероятностей сбыта в будущем. Данный метод прогнозирования пригоден для отраслей и рынков со стабильной хозяйственной конъюнктурой, слабо меняющимся ассортиментом товаров и услуг, незначительными колебаниями товарооборота. Приведем пример количественного прогнозирования спроса на определенную компанию. В качестве примера возьмем достаточно известную фирму ООО «Метро» (METRO Cash&Carry). Сделаем выборку объемов продаж за последние 5 лет (таблица ниже). Таблица. Исходные данные для формирования прогноза спроса компании.
ПоказательЗначение2012 г. 2013 г.2014 г. 2015 г.2016 г. 1 234 567.
Выручказначение, тыс. руб.
186 232 666 208 235 250 240 400 336 261 449 987 268 614 939изменение, тыс. руб. x+22 002 584+32 165 086+21 049 651+7 164 952изменение, %x+11,8%+15,4%+8,8%+2,7%1. Чтобы прогнозировать спрос на товары, собираем данные о продажах компании (таблица выше).Шаг 2. Делаем прогноз спроса на продукцию на заданный период Чтобы спрогнозировать продажи, к примеру, на будущий год, используем функцию «ПРЕДСКАЗ» в Excel. Функция основана на линейной регрессии и предназначена для прогнозирования продаж, потребления товара и пр. Далее распространяем функцию на все интересующие нас даты и получаем прогноз на каждый будущий период (таблица далее).Таблица .Прогноз спроса на продукцию ООО «Метро» (METRO Cash&Carry)Условие.
ГодВыручкафакт2 012 186 232 666,00факт2 013 208 235 250,00факт2 014 240 400 336,00факт2 015 261 449 987,00факт2 016 268 614 939,00прогноз2 017 298 380 420,50прогноз2 018 320 178 348,80прогноз2 019 341 976 277,10прогноз2 020 363 774 205,40прогноз2 021 385 572 133,70Далее Шаг 3. Делаем расчет коэффициента сезонности для прогноза спроса. Чтобы учесть сезонные спады и рост продаж, с помощью стандартных функций вычисляем коэффициент сезонности. Шаг 4. Корректируем прогноз спроса на продукцию, учитывая сезонность.
Шаг 5. Рассчитываем отклонение и строим два сценария. Реальные продажи редко в точности соответствуют прогнозам. Поэтому компании дополнительно строят допустимые верхние и нижние границы — прогноз продаж по оптимистичному и пессимистичному сценариям. Это помогает отследить тенденцию и понять, выходят ли реальные показатели продаж за спрогнозированные значения. При большом отклонении можно в срочном порядке принять необходимые меры. Все расчетные данные укажем в таблице далее. Таблица .Расчет оптимистичного и пессимистичного вариантов прогноза спроса на продукцию ООО «Метро» (METRO Cash&Carry)Условие.
ГодВыручка.
Коэффициент сезонности по году.
Коррекция спроса на сезонность.
Оптимистичный прогноз.
Пессимистичный прогнозфакт2 012 186 232 666,00факт2 013 208 235 250,0069,31%факт2 014 240 400 336,0092,56%факт2 015 261 449 987,115,40%факт2 016 268 614 939,127,51%прогноз2 017 298 380 420,50 298 380 420,50 385 351 694,98 211 409 146,02прогноз2 018 320 178 348,80 206 805 219,64 293 776 494,12 119 833 945,16прогноз2 019 341 976 277,10 296 352 297,98 383 323 572,47 209 381 023,50прогноз2 020 363 774 205,40 394 636 381,73 481 607 656,21 307 665 107,25прогноз2 021 385 572 133,70 463 843 854,19 550 815 128,68 376 872 579,71отклонение86 971 274,48Построим графики фактических данных и прогноза на рисунке далее.Рис.. Графическое представление прогноза спроса на продукцию.
Таким образом, построив коридор спроса, фирмам необходимо внимательно следить за продажами в прогнозном периоде. В 99% случаев они развиваются в рамках коридора. Если нет — фирме нужно анализировать продажи еще раз и строить новую модель развития событий и новый график.
Заключение
.
В данной теме курсовой работе рассмотрены вопросы, касающиеся количественных методов прогнозирования спроса в микроэкономической науке. Оценку перспективного спроса делают на основе прогнозирования, которое является сложным направлением в системе маркетинговых исследований. Планирование на уровне фирмы выполняют на основе соответствующих горизонтов прогнозирования: стратегическое планирование — на основе среднеи долгосрочных прогнозов, а тактическое планирование — на основе краткосрочных прогнозов. Спрос на большинство товаров характеризуется неустойчивостью, и прогноз становится одним из главных факторов успешной деятельности предприятия на рынке. Причем, чем больше колеблется спрос, тем важнее точность прогноза и тем сложнее методика прогнозирования. На практике применяют много методов прогнозирования, что связано с огромным разнообразием товаров; различиями в доступности, надежности видов информации; различными задачами прогнозирования. Методы прогнозирования спроса — это совокупность способов, приемов, с помощью которых разрабатывают прогнозы. Различают три группы методов прогнозирования спроса: качественные, количественные, комбинированные. Наибольшее распространение среди качественных методов набрали опросы и экспертные оценки. Количественные методы включают: анализ временных рядов (экстраполяция), эконометрические модели (EMM) и т. д.Комплексные методы ориентированы на использование количественных и качественных методов в комплексе.
Список литературы
Горбунов, В. К. Математическое моделирование рыночного спроса: учебное пособие / В. К. Горбунов; М-во образования и науки РФ, Ульянов. гос. ун-т. — Ульяновск: УлГУ, 2015. ;
219 с. Дудорова, И. К. Нечетко-логические модели прогнозирования спроса на продукцию промышленного предприятия / И. К. Дудорова, В. П. Мешалкин. ;
Смоленск: Смол. ЦНТИ, 2016. — 55 с. Клебанова, Т. В.
Товарные рынки и прогнозирование спроса [Текст] :теорет. курс авториз. излож. / Т. В. Клебанова ;Моск. экстер. гуманитар. ун-т. ;
Москва: [б. и.], 2016. — 170 с. Козлова, О. А. Моделирование поведения потребителей на рынке органических продуктов: теория и методология / О.
А. Козлова ;Федер. агентство по образованию, Омский гос. ун-т им. Ф.
М. Достоевского. — Санкт-Петербург: Инфо-да, 2016. — 147 с. Козловский, В.
А. Диверсификация внутрифирменного планирования производства с ориентацией на спрос: учебник по классическому университетскому образованию / В. А. Козловский, В. М. Макаров; Федер.
агентство по образованию, Юж. федер. ун-т. — Санкт-Петербург: Издательство Политехнического университета, 2015.
— 301 с. Колесникова, А. И. T rend watching. Как вести бизнес в русле новейших трендов / А. Колесникова. ;
Москва: Вершина, 2015. — 151, [1] с. Максимова, Ю. Ю. Прогнозирование спроса в инновационной экономике: метод когнитивного анализа / Ю. Ю. Максимова, А. Н. Хижняк; Рос. акад. естеств. наук,.
М-во образования Моск. обл., Моск. гос. обл. социал.
гуманитар. ин-т. — Коломна: МГОСГИ, 2015. — 262 с. Меркулова, Ю. В. Методические рекомендации по моделированию процессов управления данными в экономической системе / Ю. В. Меркулова.
— Москва: Академия естествознания. Ч. 1: Способ управления множеством переменных данных потребительских показателей продукции для их оптимизации с учетом временных и пространственных параметров. ;
2015. — 114 с. Меркулова, Ю. В. Ситуационно-стратегическое планирование в экономике / Ю. В. Меркулова. ;
Москва: Экономика. Т. 2: Моделирование оптимальных стратегий и программ. — 2013. — 411 с. Нифонтов, В. С.
Потребительское поведение горожан = Consumerbehaviouroftownspeople: модель соц. прогнозирования / В. С. Нифонтов; Урал. акад. гос. службы. — Екатеринбург: УрАГС, 2015. ;
122 с. Основы прогнозирования имиджевых характеристик модного продукта / И. Л. Клочко, Т. В. Метляева, Л. Ю. Фалько, Д.
А. Фадеев; М-во образования и науки Рос. Федерации, Владивосток. гос. ун-т экономики и сервиса. — Владивосток: Издательство ВГУЭС, 2015. — 146, [1] с. Прогнозирование спроса и предложения на региональном рынке труда / М-во образования и науки Рос. Федерации, Дальневост.
федер. ун-т, Шк. экономики и менеджмента; под общ. ред. Ю. Д. Шмидта. — Владивосток: Издательский дом Дальневосточного федерального университета, 2012.
— 319 с. Пятакова, Ф. С. Региональное прогнозирование потребления товаров и услуг: монография / Ф. С. Пятакова. — Киев: Тэхника, 2011. ;
215 с. Сараев, А. Л. Математические методы и модели анализа рыночного спроса: [учеб. пособие для направлений 38.
03.01 и 38.
04.01 «Экономика», 38.
03.05 «Бизнес-информатика» ] / А. Л. Сараев; Самар. нац. исслед. ун-т им. С. П. Королева (Самар.
ун-т). — Самара: Издательство Самарского ун-та, 2016. — 79 с. Симагина, С.
Г. Модели и механизмы управления производством при сезонном характере спроса на продукцию / С. Г. Симагина. — Москва: Закон и право; Самара: Издательство Самар. науч. центра.
РАН, 2016. — 207 с. Смирнова, О. А. Оценка и прогнозирование спроса на товары (услуги) [Текст]: учеб. пособие /.
О.А. Смирнова, В. Н. Юрьев; С.-Петерб. гос. техн. ун-т. — Санкт-Петербург: Нестор, 2011. — 52 с. Станкевич, А. В. Прогнозирование емкости и конъюнктуры рынка: конспект лекций: учебное пособие: [для подготовки бакалавров по направлениям 38.
03.01 (80 100) «Экономика» и 38.
03.02 (80 200) «Менеджмент"] / Станкевич А. В., Плеханов А. Ф., Носкова С. А. ;
Моск. гос. ун-т дизайна и технологии. — Москва: МГУДТ, 2014. — 80 с. Фенева, А. А. Прогнозирование цен и спроса на российский экспорт на мировом рынке / А.
А. Фенева, О. С. Коломеец ;Федер. агентство по образованию, Сев.-Кавк.
гос. техн. ун-т. — Ставрополь: Издательство Сев.
КавГТУ, 2016. — 133, [1] с. Широбоков, А. И.
Использование математико-статистических методов в анализе и прогнозировании спроса населения: [Учеб. пособие для торг., кооператив. и маркетинговых спец. вузов] / А. И. Широбоков, А. А. Широбокова. — Минск: Вышэйшая школа, 2012. ;
142 с. Эконометрические модели эластичности спроса на театральные услуги / Ин-т экономики. — Москва: ИЭ, 2017. — 53 с.
