В статье рассмотрены методы прогнозирования, приведены результаты анализа продаж по методам экспонентного сглаживания и недельной корреляции.
Ключевые слова: методыпрогнозирования, недельная корреляция, экспонентное сглаживание.
ООО «Прима» – молодое предприятие г. Калининграда, занимающееся производством и реализацией оптовым покупателям хлебобулочной продукции. Из-за недолгого существования на рынке продаж организация столкнулась с рядом проблем, связанных с недостаточно надежным прогнозированием рынка спроса и, как следствие, большими возвратами продукции от контрагентов.
В современном мире ни одно предприятие не может обойтись без анализа прогнозирования объема продаж. «Прогнозирование – система научных исследований качественного и количественного характера, направленных на выяснение тенденция развития народного хозяйства или его частей (отраслей, регионов, предприятий и т.п.) и поиск оптимальных путей достижения целей этого развития» [3].
Прогнозирование спроса на продукцию служит источником информации для составления производственных графиков. В большинстве случаев составление подобных прогнозов - сложная задача, требующая учета многих факторов. Из-за их вариации в прогнозы приходится вносить изменения, обусловленные уже поступившими заказами. Кроме того, в ряде случаев прогнозы объемов продаж изделий отдельных типов, составленные в денежном выражении, не могут напрямую использоваться для формирования производственных графиков. Они требуют дополнительного времени для их преобразования в прогнозируемые объемы выпуска в количественном выражении.
Цель проведенного исследования – проанализировать модели прогнозирования и установить наиболее адекватные из них для предприятия ООО «Прима», чтобы сблизить объем производства продукции со спросом на нее, тем самым, минимизируя количество возвратов.
Процесс прогнозирования спроса на продукцию может включать ряд этапов:
Первый этап - логический анализ, заключающийся в выявлении наиболее существенных факторов, влияющих на спрос. Здесь устанавливаются общие тенденции колебаний спроса, а также наличие и направление связи между результативными и факторными показателями. Второй этап -статистический анализ, включающий расчет средних величин и показателей вариации. Третий этап - построение графических зависимостей, позволяющих установить вид регрессионных связей. Четвертый этап - расчёт параметров регрессии, прогнозирование спроса и сравнение с реальными результатами.
Такой анализ даёт возможность из совокупности факторных признаков отобрать наиболее существенные и, опираясь на них, обоснованно строить прогнозные модели и производить по ним необходимые расчёты. Факторные признаки, предопределяющие собой реальный спрос, могут быть как качественными, так и количественными. Известно достаточно много методов прогнозирования и моделей, с ними связанных, объединенных в четыре группы [5]:
качественные методы: «корни травы», исследование рынка, групповое согласие, историческая аналогия, метод Дельфи;
анализ временных рядов: простое и взвешенное скользящее среднее, экспоненциальное сглаживание, регрессионный анализ, метод Бокса Дженкиса, временные ряды Шискина, трендовое проецирование;
причинные (казуальные) методы: регрессионный анализ, эконометрические методы, модели «вход – выход», упреждающие индикаторы;
моделирование.
С помощью приведенной классификации можно выбрать методы прогнозирования для любого предприятия, деятельность которого подвергается прогнозу. Основываясь на этом, ниже проведен анализ реализации продукции и поиск наиболее адекватных моделей прогнозирования спроса на примере предприятия ООО «Прима».
Проведя анализ продаж за месяц, можно увидеть, что продажи не стабильны, и требуется регулярное прогнозирование спроса на продукцию, чтобы минимизировать её возврат (Рис. 1).
Одна из наиболее часто применяющихся моделей - это прогноз по методу экспоненциального сглаживания [1, 2, 5]. Формула расчета прогнозного спроса (Рис.2):
Ŷt+1=k*Yt +(1- k)* Ŷt,
где Ŷt+1 – прогноз на следующий период t+1; Yt – данные для прогноза за текущий период t (например, продажи по месяцам); k - коэффициент сглаживания ряда k задается вручную и находится в диапазоне от 0 до 1; Ŷt – значение прогноза на текущий период t.
Рис. 1.Реализация продукции ООО «Прима»:
1 – реализация, 2 – итог, 3 - возврат
В качестве примера принимались два значения коэффициента k – 0,8 и 0,2.
Рис. 2. Расчеты прогноза
Из рисунка 3 следует, что при k = 0,8 ("Экспоненциальная модель 1" прогноз Y1) прогноз на следующий период недостаточно близок к фактическим продажам, по расчетам точность равна 68%, и только периодически фактические продажи соответствуют прогнозным. При k =0,2 ("Экспоненциальная модель 2" прогноз Y2) точность прогнозирования равна 82%, это значительней выше, чем в предыдущей модели, следовательно, для этого ряда из двух коэффициентов правильней для прогноза будет использовать k=0,2.
Рис. 3. Метод экспоненциального сглаживания:
1 – продажи, 2 – прогноз Y1, 3 - прогноз Y2
В исследованиях рассматривалась также возможность интерпретации прогнозного спроса с помощью недельной корреляции.
Для построения корреляционных зависимостей нужно иметь количественную статистику, характеризующую динамику двух показателей, один из которых является базовым, а другой - зависимым от первого. В нашем случае такими показателями являются порядковый день недели и ежедневный спрос. На основе реализации продукции за 1,5 месяца были рассчитаны средние реализации по дням недели (Рис.4).
На графике видно, что продажи в разные дни недели достаточно значительно отличаются друг от друга. Применив корреляционный анализ, можно получить инструмент для прогнозирования спроса по дням недели, что является эффективным для малых предприятий аналогичного профиля.
Обработка по методу наименьших квадратов [4] позволила определить уравнение регрессии (зависимость спроса от порядкового дня недели):
С = 1940 + 7Д2 – 150Д,
где С – объем реализации, шт.; Д – порядковый день недели.
Рис. 4. График недельной корреляции
Однако более надежное прогнозирование может осуществляться по экспоненциальной зависимости:
С = exp (7,5 – 0,011Д2 – 0,014Д).
В дальнейших исследованиях предполагается осуществить проверку адекватности и других моделей прогнозирования, применение которых повысит эффективность работы предприятия.
Литература:
- Батурин, А.Н. Временные ряды и модели прогнозирования // Сайт «Решения для прогнозирования – Analitics». 2014. URL: http://4analytics.ru/ (дата обращения: 01.10.2015)
- Беляевский, И.К. Маркетинговое исследование: информация, анализ, прогноз. М.: Финансы и статистика, 2001. 320 с.
- Лопатников, Л.И. Экономико-математический словарь: Словарь современной экономической науки. 5-е изд., перераб. и доп. М.: дело, 2003. 520 с.
- Нордин, В.В. Практические методы повышения качества управления в транспортной и сервисной отраслях: учебно-практическое пособие. Калининград: Изд-во БФУ им. И.Канта, 2010. 212 с.
- Чейз, Р.Б., Эквилайн, Н.Д., Якобс, Р.Ф. Производственный и операционный менеджмент, 8-е изд.: Пер. с англ.: М.: Вильямс, 2001. 704 с.
