Понятия прогнозирования спроса. Методы прогнозирования

  1. Содержание……………………………………………………………………2                                              

2. Понятие прогнозирования спроса. Методы прогнозирования……………..3

3.Сущность валового дохода и факторы влияющие на его величину………14

4. Список  используемой литературы…………………………………………31

5.Задачи, 8,18,28,38,48………………………………………………………….. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

1.Понятия прогнозирования спроса. Методы прогнозирования.

Особенности прогнозирования  спроса

  Еще недавно российские предприятия  розничной торговли мало задумывались о важности составления точных прогнозов  спроса. Руководством составлялись планы  продаж, заключались договоры на поставку соответствующих товаров, а затем  склады заваливались продукцией, и  мог пройти не один месяц, прежде чем  ее раскупали. Теперь все иначе.

  Информационное  обеспечение анализа спроса –  это система сбора и обработки  данных, позволяющих изучить состояние  исследуемого предмета или объекта, измерить влияние определяющих его  факторов и выявить возможности  управления им.

  Выборочный  метод применяют также при  проведении устных и письменных опросов  потребителей в розничной торговле для изучения спроса на продукцию, причин его снижения или отсутствия.

  К анализу спроса должен быть применен системный подход – это предполагает рассмотрение его как составного элемента рынка.

  В процессе исследования спроса использование  экономико-математических методов  начинается на этапе определения  необходимой численности выборки  для проведения выборочного обследования.

  Прогнозирование спроса представляет собой определение  возможного будущего спроса на товары и услуги в целях лучшего приспособления субъектов хозяйствования к складывающейся конъюнктуре рынка.

  Прогноз спроса – это теоретически обоснованная система показателей о еще  неизвестном объеме и структуре  спроса. Прогнозирование связывает  накопленный в прошлом опыт об объеме и структуре спроса с предсказанием будущего их состояния.

  Спрос прогнозируется на отдельный товар  или группу товаров. Такой прогноз дает представление о реальном уровне спроса на товар в будущем на конкретный период. При этом чем короче период, тем точнее прогноз. Прогноз спроса представляет собой расчет влияния факторов, определяемых как детерминанты спроса. Однако включение в расчет значительного числа детерминант при построении прогнозной модели считается неоправданным: вместо повышения точности и надежности это приводит к значительному усложнению и без того громоздкой вычислительной работы.

  Прежде  всего, ужесточается конкуренция розничных  сетей, при этом лояльность покупателей  к конкретному магазину снизилась. Кроме того, ассортимент супер и гипер маркетов насчитывает десятки тысяч SKU и продолжает расширяться, что очень осложняет процесс прогнозирования и планирования. Ошибки же в прогнозах ведут к избыточным запасам, ненужным распродажам или дефициту товаров и, как следствие, упущенной выгоде. Многие компании это уже понимают, и вопрос для них состоит не в том, нужно или не нужно заниматься прогнозированием спроса, а в том, как правильно организовать этот процесс и получить на выходе точные прогнозы и планы продаж.

  С одной стороны, все торговые предприятия  сталкиваются с одинаковыми задачами: нужно отследить историю продаж товара, а затем, на ее основе, при  помощи методов статистического  анализа и экспертных корректировок, построить прогноз продаж. Однако, если присмотреться, компании различных секторов розничной торговли сталкиваются со своими, достаточно специфическими проблемами. Ведь при прогнозировании спроса учитываются жизненный цикл продукта, тип оборачиваемости товара, история продаж, стратегия дистрибуции, прогноз отдельного товара или товарной группы. И, соответственно, прогнозирование спроса на различные категории товаров носит достаточно специфичный характер.

  В качестве примера возьмем продовольственные  сети и магазины, торгующие бытовой  техникой и электроникой.

  Продовольственные сети чаще всего опираются на историю  продаж и с учетом вероятных изменений  рыночных условий, сезонных факторов и  т.д. составляют прогнозы.

  Для магазинов, торгующих бытовой техникой и электроникой, прогнозирование  спроса осложняется из-за постоянного  выхода на рынок новых моделей  и отсутствием для них истории  продаж. Для прогнозирования спроса на новинки специалисты используют истории продаж замещающих товаров, и на их основе, с помощью экспертных корректировок, составляют прогноз  продаж. Основной сложностью в прогнозировании  спроса на новые товары является правильный выбор субститута и, соответственно, правильная оценка экспертами потенциала спроса на него. Еще одной особенностью является длительный срок выполнения заказа (в среднем до 3 месяцев), соответственно, прогноз необходимо составлять как  минимум на 4 месяца.

  В целом, неточные прогнозы имеют общие  корни. Это неправильный подход к  организации прогнозирования спроса, отсутствие информационной прозрачности и несогласованность действий различных  отделов.

  Многие  компании прогнозируют возможность  поставки товаров или услуг, а  не реальный спрос. В начале прогнозного  цикла важно создать прогнозы, которые не ограничены возможностью поставок. Прогнозирование, базирующееся на истории поставок, ведет к тому, что компании воспроизводят свои ошибки, и не удовлетворяют покупательский спрос. Прогнозирование реального спроса позволяет найти узкие места и оптимизировать процессы.

  Громоздкие  неавтоматизированные процессы и таблицы  приводят к огромному объему негибких, фрагментарных систем планирования. Несопоставимые системы с несвязанной  информацией, от ориентированных на продажу планов дохода, до прогнозов  отделов, ориентированных на процессы, ведут к расхождениям, из-за чего невозможно создание связанных единых планов. Чтобы решить эту проблему, необходимо создать общее информационное пространство предприятия. Однако применить  этот подход проще на словах, чем  на деле.

  Компании  уже давно отслеживают данные о продажах с POS терминалов. Прогнозы же составляются с помощью специализированных моделирующих решений, либо по старинке, в Excel. До сих пор высока доля экспертной оценки при составлении прогнозов, что не всегда положительно отражается на их точности. Несколько лет назад в России появились системы прогнозирования класса SCM, которые многие сети на Западе уже давно используют.

  Основные  функции SCM решения можно вкратце  обозначить следующим образом: консолидация и обработка данных, анализ, поддержка  процессов и предоставление отчетности.

  Прежде  всего, системы прогнозирования  спроса синтезируют огромные массивы  различной информации. Для обработки  данных система использует многочисленные статистические инструменты, анализ на основе исключений, а также методы сценарного моделирования. Система  поддерживает многомерный анализ и  планирование. Это требуется для  того, чтобы при анализе данных учитывать различные критерии, например, информацию о месте покупки, времени покупки, покупателе. Например, при планировании промо-акций, большое значение может иметь информация о поле, возрасте и других характеристиках покупателя.

  Второй  важной функцией, которую выполняют  подобные системы, является интеграция отделов финансов, маркетинга, продаж, логистики и создание общего информационного  поля между компанией, ее клиентами  и контрагентами. Для этого система  должна легко интегрироваться с  другими информационными приложениями. Таким образом, решение по прогнозированию  спроса охватывает все основные звенья и позволяет формировать согласованные  планы. Если речь идет о компании, имеющей  региональную сеть продаж, то подобная система позволяет руководству  не только отслеживать общие, глобальные тенденции продаж, т.е. осуществлять планирование сверху вниз, но также  иметь возможность отслеживать  продажи на местах, и вносить их в общие планы. Таким образом, система поддерживает не только данные, но и процессы и позволяет проактивно управлять спросом. Это означает, что в систему постоянно поступают данные о продажах, и на их основе автоматически проводится перепланирование, причем, система обладает способностью отслеживать тенденции в продажах и учитывать их в дальнейшем при составлении прогнозов.

  Подобные  системы поддерживают функцию рассылки уведомлений о проблемных ситуациях  и узких местах. Например, коммерческий отдел система предупредит о  росте продаж определенного товара и может подсказать о необходимости  заключения дополнительного соглашения с поставщиком об увеличении объемов, а отдел планирования о допущенных ошибках при прогнозировании  спроса на определенный товар.

  Существуют  условия, при которых прогнозировать спрос вообще не целесообразно:

  · когда приемлемое время на ожидание клиентом, пока выполнится его заказ, превышает время на производство и закупку компонентов; другими  словами, клиент готов ждать свой заказ столько времени, сколько  организации потребуется для  выполнения заказа без предварительного планирования;

  · если мощности и прочие необходимые  ресурсы для выполнения заказов  клиентов этих организаций могут  быть изменены быстро и не требуют  существенных затрат;

  · когда нет необходимости в  финансовом планировании.

  Во  всех остальных случаях без прогнозирования  спроса не обойтись. Однако формировать  прогнозы спроса нужно ровно настолько, насколько этого требуют конкретные цели. Каждый из перечисленных ниже параметров прогнозов спроса должен быть обоснован целью его использования  и определен до начала формирования прогноза.

  Горизонт  планирования. На какой период в  будущем должен быть составлен прогноз? 10 лет? 12 месяцев? Неделя?

  Уровень детализации. Должен ли прогноз спроса отражать конечные продукты по заказчикам? Или достаточно суммарного плана  по категориям?

  Частота пересмотра. Требуется ли прогноз  спроса пересматривать раз в год? Раз в квартал? Раз в месяц? Раз в неделю? Каждый день? Каждый час?

Интервал  прогнозирования. Какие  временные промежутки должен отражать прогноз  спроса? Годы? Месяцы? Недели?

Методы  прогнозирования 

  Существует  много классификаций методов  прогнозирования спроса. Для удобства можно выделить всего две группы: экспертные и статистические.

  Первые  основаны на экспертных оценках и  по своей природе субъективны. Суть их заключается в переведении  различных экспертных мнений в формулы, из которых формируется прогноз. К экспертным методам относятся: метод комиссии, «мозговая атака», анкетный опрос, метод Дельфи.

  Статистические  методы предполагают применение статистических расчетов для построения будущего на основе прошлого. Типичный пример – методы исчисления средних. Один из них – применение скользящей средней величины. Предположим, компания захотела использовать скользящую среднюю величину за 12 недель для прогноза спроса какого-либо товара. Для этого суммируют продажи за последние 12 недель, сумму делят на 12, получая таким образом среднюю величину. Через 7 дней добавляют продажи за последнюю неделю и отбрасывают первую неделю, получая данные опять за 12 недель. В этом случае мы говорим об использовании простой средней. Пример расчета:

  Старый  прогноз (месячные продажи) – 100 ед.

  Фактические продажи (последний месяц) – 80 ед.

  Новый прогноз (простая средняя) – 90 ед.

  Один  из очевидных недостатков этого  метода заключается в том, что  фактическим продажам придается  такой же вес, как и старому  прогнозу. Обычно лучше придать больший  вес старому прогнозу и меньший  – текущим продажам, так как  последние могут представлять собой случайную вариацию, единственную в своем роде.

  Весовые коэффициенты логичнее определить в 0,8 и 0,2 (в сумме они обязательно  должны равняться 1,0). Тогда среднюю  величину исчисляют так:

  Старый  прогноз – 100 x 0,8 = 80 ед.

  Фактические продажи – 80 x 0,2 = 16 ед.

  Новый прогноз (взвешенная средняя) – 80 + 16 = 96 ед.

  Этот  метод называется экспоненциальным сглаживанием. Весовой коэффициент, приданный текущим продажам (в  данном случае 0,2) называют альфа-множителем. Экспоненциальное сглаживание представляет собой исчисление взвешенной скользящей средней. Преимущество этого метода в том, что он упрощает вычисления и часто позволяет хранить меньший объем данных. При экспоненциальном сглаживании требуются данные о «старом прогнозе» и альфа-множителе. Еще более важна гибкость метода. Если прогноз занижает действительный спрос, аналитик способен вручную ввести скорректированный прогноз в систему и приступить к сглаживанию. Это значительно удобнее, чем пытаться скорректировать расчет скользящей средней величины.

  При использовании регрессионного и  корреляционного анализа рассчитывают формулы, которые придают различный  вес «индикаторам», связанным с  прогнозируемыми товарами или группами товаров. Например, закладка жилых домов  оказывает определенное влияние  на продажу металлических изделий  строительным фирмам. Динамика валового национального продукта (ВНП), вероятно, тоже оказывает влияние. Таким образом, учитывая степень важности влияния  того или иного фактора, можно  построить формулу для прогноза суммарных продаж металлоизделий для  строительства. При этом особенное  внимание нужно уделять ведущим  индикаторам, то есть тем, значение которых  увеличивается или уменьшается  до того, как начнут изменяться прогнозируемые продажи. Правда, использование такого рода индикаторов может принести пользу лишь в том случае, если оно  опирается на здравый смысл. Влияние факторов, которые были очень существенны в прошлом, может измениться с течением времени, а потому для них нужно будет применять другой весовой коэффициент. И здесь не обойтись без экспертной оценки.