Методы прогноза продаж экономической организации. Энциклопедия маркетинга

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.

Под определением «прогнозирование объемов продаж» принято понимать возможные пути и результаты дальнейшего развития организации, а также проведение возможной оценки ряда показателей с целью выявления прибыльности или убыточности предприятия.

Облачная CRM система с функцией прогнозирования продаж.
Выработайте оптимальную схему дальнейшего развития на основе анализа!

Как правило, прогнозирование ведется на несколько временных периодов, как ближайшее будущее, так и на последующие этапы существования компании. Далее предлагается рассмотреть все ключевые особенности прогнозирования экономической деятельности организации с указанием последовательности этапов и действий, необходимых для реализации данного процесса.

Как правильно прогнозировать продажи

Можно привести несколько важных советов, от выполнения которых зависит, сможет ли организация вести качественное и практичное прогнозирование продаж:

• Прогнозировать продажи на каждый месяц в отдельности и на год в целом. Прогноз также может быть составлен и на несколько лет вперед для долгосрочного планирования работы предприятия и последующего его развития.
• Использование для определения показателей продаж результатов предыдущих периодов. Это позволяет составить объективный прогноз, основанный на конкретных данных по деятельности организации. При анализе работы компании следует также учитывать возможность сезонных колебаний объемов продаж. Читайте также Формулы расчета объема продаж >>
• Если компания занимается, к примеру, туристическим бизнесом, следовательно, в зависимости от сезона, показатели работы также будут отличаться. В этом случае требуется составлять отдельный прогноз на квартал, в зависимости от предыдущих периодов.
• Обязательная корректировка прогнозирования экономической деятельности в связи с новыми обстоятельствами. В ходе функционирования компании могут возникать различные изменения, как на самом рынке, так и внутри организации. Данные изменения могут быть связаны с развитием и расширением компании, открытием новых филиалов и представительств. Учитывается также и наработка клиентской базы, увеличение которой в значительной степени скажется и на последующей прибыли, что, в частности, обязательно должно быть отражено в прогнозе.
• Проверка соответствия данных ценовой политике рынка. Данное сравнение требуется проводить регулярно, для чего предварительно проводится обязательное исследование рынка на предмет изменений и корректировки цен на товары или оказываемые услуги.
• Использование автоматизированной системы, посредством которой возможно осуществлять прогнозирование, как отдельных направлений деятельности, так и всей компании в целом. При этом использование специализированных программных компонентов позволяет в полной мере реализовать все необходимые мероприятия для получения наиболее точного и реального прогноза.

Методы прогнозирования объемов продаж

В настоящее время при составлении прогноза объемов продаж принято руководствоваться различными методиками, которые так или иначе позволяют получить точный и полный набор данных.

Все методы можно подразделить на три основные группы:

• метод использования полученных экспертных оценок
• метод анализа и последующего прогнозирования временных интервалов
• группа причинно-следственных выводов и решений.

Первая группа методов предусматривает проведение предварительного анализа рынка. В частности проводится анализ текущего состояния рынка, отношений на нем, возможных перспектив развития и многого другого. Использовать данную группу методов актуально в том случае, когда невозможно спрогнозировать последующее развитие организации, основываясь на определенных данных, в частности, на имеющихся числовых показателях. Однако метод является хоть и достаточно актуальным, все же он не позволяет составить точный прогноз и нуждается во внесении соответствующих корректировок.

Вторая группа методов подразумевает создание двух независимых друг от друга моделей, состоящих в свою очередь из таких компонентов, как прогноз случайностей и детерминации. При расчете значения детерминации проблем не возникнет в том случае, если направление деятельности было выбрано и осмыслено. Сложность может возникнуть только лишь в случае определения компонента случайности. Связано это опять же с невозможностью точного определения вероятности воздействия на работу организации случайных факторов. На основании сравнения двух компонентов возможно вывести общие тенденции по дальнейшему развитию организации.

Третья группа методов позволяет получить данные, основываясь на поведении одного из показателей экономической деятельности организации. Посредством использования данного метода можно составить своеобразную модель поведения объекта в будущем. Единственной проблемой, которую предстоит решить при проведении подобного анализа, является поиск и анализ различных групп факторов, так или иначе влияющих на дальнейшую работу компании. В данном случае решение не может быть обнаружено простым статистическим путем и должно быть непременно проработано.

Любой из методов прогнозирования является практичным и актуальным, позволяет получить точный конкретный результат и поэтому станет отличным выбором при составлении плана деятельности любой организации.

Пример прогнозирования экономической деятельности организации

В качестве примера хотелось бы привести последовательность определенных действий, направленных на получение в дальнейшем точного и структурированного прогноза деятельности той или иной организации.

Выглядит процесс следующим образом:

• Формулировка и детализация проблем в работе предприятия.
• Сбор и систематизация необходимой для анализа информации, последующий выбор оптимального метода прогнозирования.
• Применение выбранного метода на практике и получение данных.
• Проведение сравнительного анализа планируемого и реального результатов.

Использование автоматизированной системы Класс365 для прогнозирования продаж

Как правило, с целью обеспечения наиболее реалистичного и точного прогнозирования принято использовать различные автоматизированные программные комплексы, к примеру, CRM-системы.

Работа в онлайн-программе Класс365 не потребует много времени и сил, но при этом непременно позволит получить детальный структурированный прогноз продаж и выработать оптимальную схему дальнейшего развития экономической деятельности организации.

Работая с автоматизированной системой Класс365 вы избавляете себя от рутинной работы сбора данных, создания отчетности. Выберите необходимый период и система автоматически сгенерирует отчет по вашему запросу, не допустив при этом не единой ошибки. Опираясь на такую достоверную информацию, вы без труда сможете составить реальный прогноз продаж на предстоящий период.

Программа позволяет автоматизировать все основные процессы вашего бизнеса: финансовый и торговый учет, работу со складом, интернет-магазином, взаимодействие с клиентами.

Онлайн-программа не потребует длительного периода внедрения и затрат, а доступ к ней возможен из любой точки, где есть выход в Интернет. Вам не нужно будет обучать сотрудников, так как они смогут самостоятельно освоить программу не более чем за 15 минут! Словом, вы не теряете ничего, получая мощный инструмент управления и развития бизнеса!

Начните работу с онлайн-программой прямо сейчас абсолютно бесплатно и оцените все приемущества автоматизированного подхода к прогнозированию продаж!

Прогнозирование - важная часть процесса управления. Без него невозможно разрабатывать ни тактические, ни стратегические планы развития предприятия. Как для торгового, так и для производственного предприятия важно предсказания продаж товаров на следующий период. От этого будет зависеть объем и создаваемых запасов, и аккумулированных для этого денежных средств.

Теме прогнозирования уделяют внимание многие ученых и практиков. Необходимо отметить среди них Ю.И. Рыжикова , который, собственно, создавал в то время еще советскую школу теории запасов. Ученому удалось системно и последовательно изложить базовые теоретические положения теории очередей, дать практические рекомендации по оптимизации сложных систем сбыта, уменьшение времени обслуживания, ликвидации избыточных запасов. Это очень мощное научное исследование. Впрочем для ознакомления с методами прогнозирования на уровне первичного представления целесообразно будет воспользоваться базовыми положениями (методологии прогнозирования) и некоторой литературой по этому вопросу .

Под методологией прогнозирования понимают отрасль знаний о методах, способах и системы прогнозирования, а именно:

Метод прогнозирования - способ исследования объекта, направленный на разработку прогноза;

Методика прогнозирования - совокупность одного или нескольких методов прогнозирования;

Система прогнозирования - упорядоченная совокупность методик прогнозирования и средств их реализации.

Известно, что теория прогнозирования включает: анализ объекта прогнозирования; методы прогнозирования (математические - формализованные, экспертные - интуитивные) системы прогнозирования.

В работе по теории прогнозирования при анализе объектов применяют классификацию прогнозов, при этом в качестве основных признаков выступают: масштабность - количество главных переменных для описания объекта; сложность - характеризует степень взаимосвязи переменных детерминированность или стохастичность переменных информационная обеспеченность периода ретроспекции. Одной из главных классификационных признаков также период прогноза. Исходя из этого, большинство авторов определяет три вида прогнозов: краткосрочные, среднесрочные и долгосрочные. Как отмечалось ранее, временные интервалы прогнозов зависят от природы объекта (мы уже приводили пример выше - по выбору периода для проведения АВС-ХУZ-анализа).

По двум группам методов прогнозирования, то эвристические методы базируются на интуитивных оценках, которые формулируются экспертами (менеджерами соответствующих направлений). Среди эвристических: индивидуальные - метод интервью, генерации идей; коллективные - метод простого ранжирования, метод весовых коэффициентов, метод последовательных сравнений, метод парных сравнений; комбинированные - метод "Дельфи" и его модификации.

Среди математических методов различают три группы: симплексные (простые) методы экстраполяции по временным рядами - метод наименьших квадратов, экспоненциальное сглаживание и тому подобное; статистические методы - корреляционный и регрессионный анализ, факторный анализ и др; комбинированные методы - синтез различных вариантов прогнозов.

Метод " наивного " прогноза основывается на условии, что продажи в следующем периоде будут равны продажам предыдущего периода.

Например, если продажи за январь составили 100 единиц, то, соответственно, прогноз продаж на февраль составит также 100 единиц. Или если продажи сегодня составляли 50 единиц, то прогноз продаж на завтра будет также 50 единиц. Чаще всего такой метод применяют магазины хлебобулочных изделий и работающих с товарами (запасами) устойчивого спроса - то есть X категории.

К достоинствам этого метода можно отнести моментальную реакцию на изменения спроса, но только при условии наличия тренда. К недостаткам - значительное чувствительность к случайным колебаниям. Среди оговорок необходимо назвать чрезвычайную чувствительность этого метода.

* Прогноз на несколько шагов возможен при соблюдении соотношения длины передпрогнозного периода и периода прогнозирования 3: 1.

** Т - периодичность сезонности.

*** Прогноз на один период, вмещающий сезонность (например, на 1 год ежеквартально).

**** "-" - Метод не применим для учета сезонности.

Дело в том, что основывать прогноз на двух точках не всегда правильно. Представим себе ситуацию, когда в определенной точке сбыта товар был распродан лишь благодаря посещению экскурсионной группой определенного памятника архитектуры, расположенного рядом. Прогноз заказ на следующий период - сутки или месяц - с учетом такого разового пикового всплеска неправильно. Поэтому его необходимо применять только при наличии устойчивого тренда при условии исключения разовых пиковых всплесков потребительской активности.

Арифметическое сглаживания (метод долгосрочной средней) предусматривает, что продажи в следующем периоде будут равняться средней арифметической продаж за все предыдущие периоды.

Например, продажи за 2011 г.. Составляли 10000 единиц. Тогда прогнозное значение на январь 2012 составит: 10000: 12 = 834 единицы. Реальные продажи за январь составили 500 единиц. Тогда прогнозное значение на февраль 2012 будет: (10000 + 500) :(12 + 1) = 808 единиц. И так далее, каждый раз добавляя новое значение реальных продаж к прежним значениям и деля полученную сумму на количество всех периодов.

К достоинствам метода можно отнести сглаживания случайных колебаний. Этот метод просто не видит их, поскольку влечет всю статистику предыдущих периодов. Собственно это и недостатком, поскольку метод таким образом не отражает изменения в тенденциях, всегда реагирует с задержанием на существенные колебания спроса. Но, если точка сбыта товара имеет свободные складские площади и договор с поставщиком составлен так, что по завершении периода продажи все расходы по реверсной логистикой (то есть расходы на отзыв непроданных товаров из точек) возложена на поставщика, то точка сбыта таким образом имеет 100- процентную защиту от колебаний спроса и несет умеренные расходы на содержание.

Метод скользящей средней (метод Хольта - Винтерса) является усовершенствованным методом экспоненциального сглаживания временного ряда. Экспоненциальное сглаживание обеспечивает наглядное представление о тренде и позволяет делать краткосрочные прогнозы, а при попытке распространить прогноз на больший период показывает абсолютно бессмысленные значения: создается впечатление, что развитие процесса в сторону увеличения или уменьшения совсем прекратился. Более совершенным является метод Хольта - Винтерса, успешно справляется и со среднесрочными и долгосрочным прогнозам, поскольку он способен проявлять микротренды (тренды, связанные с короткими периодами) в моменты времени, непосредственно предшествующих прогнозным, и экстраполировать эти тренды на будущее. И хотя возможна только линейная экстраполяция в будущее, в большинстве реальных ситуаций ее оказывается достаточно.

Итак, метод основывается на условии, что продажи в следующем периоде будут равняться средней арифметической от объема продаж за предыдущие n-периода. Главное - выбирать оптимальное значение количества предыдущих периодов для получения корректных прогнозов. Вообще в зависимости от объекта исследования - конкретной позиции, товара, запаса, группы - можно выбирать 2, 5, 6, 10, 12 периодов. Пример расчета приведен в табл. 4.10.

Таблица 4.10.

Пример расчета прогнозного значения методом скользящей средней (период - с месяца)

Таблица 4.11.

Прогнозирование продаж товаров сезонного спроса

Источник : Бузукова ЭЛ. Закупки и поставщики. Курс управления ассортиментом в рознице / Е.А. Бузукова; под ред. С. Сысоевой. СПб. : Питер, 2009. - 432 с. : Ил. - (Розничная торговля).

Как видим, этот метод является компромиссным между предыдущими двумя. Он достаточно гибкий и реагирует на резкие изменения в продажах достаточно быстро, однако не мгновенно.

Метод экспоненциальной средней взвешенной схож с предыдущим, но с применением определенных значений коэффициента (ИС), который принимает значения от 0 до 1. В случае, когда речь идет о запасах (товары) с постоянным плавным трендом, то значение этого коэффициента равно 0,1 -0,2. Для запасов, имеющих слишком сильные колебания, и £ = 0,5 и выше. Приведем пример . Пусть спрос на продукцию в точке сбыта на продукцию А является постоянным. Итак, К = 0,2. За январь было реализовано 300 единиц товара, прогноз по ним был на уровне 290 единиц. Таким образом, прогноз заказ товара будет на уровне 0,2 300 + (1 - 0,2) 290 = 292 единицы.

К преимуществам метода относят то, что он базируется на предыдущих, ближайших к отчетного периода данных, гибко реагирует на изменения. К недостаткам относится то, что все данные всех периодов имеют одинаковый вес.

Это облегченные для восприятия основные подходы, на которых базируются определенные методы прогнозирования. Для прогнозирования продаж товаров сезонного спроса на практике используют другой подход, основанный на коэффициенте тенденции. Этот коэффициент показывает, насколько изменились продажи по сравнению с предыдущими годами. Но в целом за год, как было показано в предыдущих примерах, а только по определенному периодом - высоким сезонным всплеском продаж. Итак, для прогнозирования продаж товаров сезонного спроса необходимо сравнивать аналогичные периоды прошлых лет и корректировать полученные данные с учетом экспертных оценок. Сравнение периодов необходимо для учета изменения в тенденциях - фиксации роста или уменьшения спроса по сравнению с аналогичными периодами прошлых лет (табл. 4.11). Сделать это помогает коэффициент тенденции (КД:

где Х1 - данные за отчетный период;

Х2 - данные за предыдущий период.

Для определения прогноза на июнь 2011 необходимо определить изменения по годам. Рост потребления за период март

Июнь 2009 составил: 26 единиц (3 + 5 + 18), за 2010

31 единица, за 2011г. - 41 единица:

Тенденция увеличения продаж в последние годы не изменилась - продажи имеют устойчивый тренд роста. Применив Кт до отчетного периода, получим прогнозное значение продаж на июнь 2011 г.: 60 + 32% = 79 единиц.

Бытует мнение, что такие расчеты всего удовлетворяют разработку прогнозов для групп С Z , BZ . Считается также, что для товаров, имеющих значительные продажи, такой подход - корректировка на аналогичные периоды прошлых лет - достаточно достоверным.

В бизнес-практике иногда применяют подход " коэффициентов ", который, собственно, также основывается на данных о продажах за предыдущий год. Сущность его заключается в том, что среди всех периодов продаж за год находят наименьшее значение, которому задают коэффициент, равный 1,0. Все остальные периоды получают собственные значения коэффициентов, отталкиваясь от 1,0. Например: известно месячные значения продаж товаров за 2012 г.., И установлены соответствующие коэффициенты (для февраля = 300 200 = 1,5 и т. Д.):

Итак, план продаж на следующий год будет корректироваться с учетом коэффициенты и может составлять по месяцам следующие данные (в зависимости от продаж за январь):

август 1000

сентябрь 625

октябрь 812,5

ноябрь 1125

декабрь 1875

Этот подход достаточно легкий для понимания, благодаря чему его

собственно, и используют в основном для формирования планов продаж на следующий год, но несколько несовершенен.

Правило полтора ("Правило 1,5") чаще всего используют в розничной торговле торговые агенты или если предприятие начинает работать с новым товаром, за которым нет никакой статистики продаж. Для того чтобы определить объем заказа на следующий период (день, неделя, месяц), необходимо соблюдать шага 1,5. Например, первая поставка была в количестве 33 единиц. Продажи за неделю составили 25 единиц, соответственно остаток - 8 единиц. За "Правилом 1,5", следующий объем поставок должен быть: 251,5-8 = 29,5 "30 единиц. Это можно записать в виде следующей формулы:

где замнут - новый объем заказа, шт.;

СПП - остатки на начало отчетного периода, шт.;

Постп - поставка в отчетном периоде, шт.;

ЗКП - остатки на конец отчетного периода, шт.

Логика, заложенная в это правило, проста: целью любого коммерческого предприятия является увеличение (!) Дохода, а не его постоянство. Таким образом, предприятие постоянно закладывает рост продаж, увеличивая его наполовину от предыдущего значения, одновременно корректируя на остаток. Такой подход позволяет достаточно динамично отслеживать продажи и корректировать остатки, не приводит ни к накоплению (затоваривание), ни к отсутствию запаса (резерва). Проиллюстрируем это примером (табл. 4.12).

Итак, первый заказ партии товара находилось на уровне 33 единицы, из них 25 было продано и 8 в остатке. Следующий заказ был сделан в объеме ЗО единиц. Представим ситуацию, что продажи составили 28 единиц и в остатке, соответственно, осталось 10 единиц. За "Правилом 1,5", объем заказа на следующий, третий период будет составлять 32 единицы (28 * 1,5 - 10). В третьем периоде с 32 заказанных единиц было продано 22 остаток равен также 20 единиц

Таблица 4.12.

Пример движения запасов при использовании Правила полтора

(10 - с предыдущего периода и еще 10 из этого). Итак, на четвертый период объем заказа должен составлять лишь 13 единиц (22 1,5 - 20) и т. Д. Соответственно, это не приведет к затоваривания, и товары, остались, будут также реализованы. Пока не будет определенной определенной динамики продаж - это довольно интересный способ определения объемов заказа и контроля за остатками. Одно только замечание: при предыдущих заказах 33, 30, 32 шт. может произойти ситуация, когда поставщик не захочет удовлетворять партию в 13 единиц, поскольку у него определен так называемый целевой размер заказа, о чем пойдет речь далее.

Вообще вопросу применения методов прогнозирования запасов в зависимости от уровня стохастичности (меры неопределенности в его поведении) посвящено много научно-практической литературы. В нашем случае можно сказать, что ни один из методов не даст 100 % правильных результатов, то есть не обеспечит прогнозируемость на 100%, что позволит свести к нулю отклонения между прогнозируемыми значениями и реальными продажами. Метод прогнозирования для каждого конкретного запаса должен избираться по критерию минимального отклонения между прогнозом и фактом (в нашем примере - реальными продажами). Соответственно, чтобы остановиться на определенном методе прогнозирования, необходимо провести расчеты по нескольким и выбрать среди них один, содержащий самые погрешности. Но обязательно делать планирования, ведь, как говорил Дуайт Эйзенхауэр, "готовясь к бою, я всегда убеждался, что планы бесполезны, но планировать необходимо!".

Компании – качественное прогнозирование продаж. Правильно рассчитанный прогноз позволяет более эффективно вести бизнес, прежде всего, контролировать и оптимизировать расходы. Кроме того, если речь идет о продукции, это позволяет сформировать оптимальные (а не завышенные или заниженные) запасы продукции на складе.

Очень важно, чтобы менеджер по продажам имел представление о том, что произойдет в будущем, поскольку это поможет ему планировать свои действия в случае возникновения тех или иных событий. Многие менеджеры по продажам не признают того, что прогнозирование объема продаж является одной из их обязанностей и оставляют это на усмотрение бухгалтеров, которым необходимо заниматься прогнозированием для составления бюджетов.

Возможно, менеджеры по продажам просто не понимают, зачем им необходимо такое прогнозирование, так как полагают, что гораздо более важной их задачей являются сами продажи. И действительно, задача прогнозирования менеджером по продажам формулируется часто нечетко и поэтому выполняется так же: торопливо, без соответствующей научной базы. Результаты подобного прогнозирования нередко ненамного лучше, чем простая догадка.

Цели прогнозирования объема продаж

Цель прогнозирования объема продаж - позволить менеджерам заранее планировать деятельность наиболее эффективным образом. Следует еще раз подчеркнуть, что именно менеджер по продажам является тем человеком, который должен отвечать за эту задачу. У бухгалтера нет возможностей предсказывать, будет ли рынок подниматься или падать; все, что он может сделать в этих условиях, - это экстраполировать результаты на основе предыдущих продаж, оценивать общий тренд и делать прогнозы на основе этого. Именно менеджер по продажам является тем человеком, который должен знать, в каком направлении двигается рынок, и если задача прогнозирования объема продаж оставляется на усмотрение бухгалтера, это означает, что менеджер по продажам игнорирует важнейшую часть своих обязанностей. Кроме того, к процедуре прогнозирования объема продаж следует подходить серьезно, поскольку из нее вытекает планирование всего бизнеса; если прогноз является ошибочным, то и планы будут такими же неточными.

То есть планирование вытекает из прогнозирования объема продаж, и целью планирования является распределение ресурсов компании таким образом, чтобы обеспечить эти ожидаемые продажи. Компания может прогнозировать свой объем продаж либо на основе продаж на рынке в целом (что называется прогнозом рынка), определяя свою долю в этом объеме, либо прогнозировать непосредственно свой объем продаж.

Самым простым способом прогнозирования рыночной ситуации является экстраполяция, т.е. распространение тенденций, сложившихся в прошлом, на будущее. Сложившиеся объективные тенденции изменения экономических показателей в известной степени предопределяют их величину в будущем.

К тому же многие рыночные процессы обладают некоторой инерционностью. Особенно это проявляется в краткосрочном прогнозировании. В то же время прогноз на отдаленный период должен максимально принимать во внимание вероятность изменения условий, в которых будет функционировать рынок.

Методы прогнозирования объема продаж

Объема продаж можно разделить на три основные группы:

Методы экспертных оценок;
и прогнозирования временных рядов;
казуальные (причинно-следственные) методы.

Основываются на субъективной оценке текущего момента и перспектив развития. Эти методы целесообразно использовать для оценок, особенно в случаях, когда невозможно получить непосредственную информацию о каком-либо явлении или процессе.

Вторая и третья группы методов основаны на анализе количественных показателей, но они существенно отличаются друг от друга.

Методы анализа и прогнозирования динамических рядов связаны с исследованием изолированных друг от друга показателей, каждый из которых состоит из двух элементов: из прогноза детерминированной компоненты и прогноза случайной компоненты. Разработка первого прогноза не представляет больших трудностей, если определена основная тенденция развития и возможна ее дальнейшая экстраполяция. Прогноз случайной компоненты сложнее, так как ее появление можно оценить лишь с некоторой вероятностью.

В основе казуальных методов лежит попытка найти факторы, определяющие поведение прогнозируемого показателя. Поиск этих факторов приводит собственно к экономико-математическому моделированию - построению модели поведения экономического объекта, учитывающей развитие взаимосвязанных явлений и процессов. Следует отметить, что применение многофакторного прогнозирования требует решения сложной проблемы выбора факторов, которая не может быть решена чисто статистическим путем, а связана с необходимостью глубокого изучения экономического содержания рассматриваемого явления или процесса.

Каждая из рассмотренных групп методов обладает определенными достоинствами и недостатками. Их применение более эффективно в краткосрочном прогнозировании, так как они в определенной мере упрощают реальные процессы и не выходят за рамки представлений сегодняшнего дня. Следует обеспечивать одновременное использование количественных и качественных методов прогнозирования.

Необходимо разделять прогнозы на долгосрочные (на 1, 3, 5 или больше лет) и кратко- или среднесрочные (неделя, месяц, квартал). Прогнозы на более длинные периоды обычно менее точные (хотя и не всегда). Это понятно, ведь больше факторов могут на протяжении длительного периода времени скорректировать ожидаемые результаты в ту или другую сторону. Однако вполне реально сделать точные прогнозы деятельности вашего предприятия для любого промежутка времени.

Точный прогноз – это прогноз, который имеет отклонение от реальных объемов продаж в пределах 10% в большую или меньшую сторону. Например, вы спрогнозировали, что за период 3 месяцев продадите продукции в размере 1000 шт. В конце периода вы получили результат 900, или же 1100 шт. или любую цифру в этом промежутке. Такой прогноз можно считать точным и качественным. Если отклонения существенны (вместо прогнозируемой цифры 1000 шт. получен результат – 500 шт.) – это свидетельствует о некорректном, слишком завышенном прогнозе, или же о форс-мажорных обстоятельствах, которые повлекли за собой резкое падение объемов продаж.

Как построить точный прогноз

Эта работа состоит из нескольких этапов:

Запишите точные результаты деятельности за предыдущие промежутки времени (например, ежемесячные продажи вашей продукции на протяжении последнего года). Если ваша продукция новая и не имеет истории продаж, вам придется подождать 2-3 месяца, чтобы получить информацию о первых продажах. Без этого попытки построить точный прогноз, основываясь лишь на предположениях, будут напрасны.

Рассчитайте коэффициенты сезонности. Сформируйте график, который показал бы объем продаж на протяжении определенного отрезка времени. Для этого возьмите за основу, например, один из месяцев и сравните с объемами продаж в следующие месяцы. Важно знать, есть товары и услуги, спрос на которые имеет незначительные, иногда малозаметные сезонные колебания. Однако в таких сферах, как туристические услуги или же продажа пищевых продуктов, сезонные колебания очень значительные. Понятно, что если ваша фирма занимается продажами туристических путевок в дома отдыха Крыма, и в марте вы продали, например, 100 путевок, на июнь планируйте продажи в несколько раз выше. А на июль-август прогноз должен быть еще выше. В сфере питания вопрос точного прогнозирования продаж стоит острее, ведь продукция имеет сроки хранения, на протяжении которых ее нужно сбыть. Потому рассчитайте коэффициенты сезонности для каждого планового отрезка и запишите их.

Пример: вы занимаетесь продажами безалкогольных напитков. В начале мая вы должны рассчитать прогноз продаж на июль. У вас есть данные по продажам за каждый месяц предыдущего года, в частности, в апреле (5 000 шт.) и июле (12 000 шт.) прошлого года, а также за апрель этого года (7 000 шт.). Для того, чтобы определить коэффициент сезонности, нужно получить соотношение продаж за июль прошлого года к количеству продаж в апреле того же года. Полученную цифру (коэффициент сезонности) нужно перемножить на данные по количеству продаж за апрель этого года. В результате получим прогноз продаж на июль, взвешенный на коэффициент сезонности: 12 000/5 000 = 2,4. 7 000*2,4 = 16 800 шт. – прогноз на июль. Если другие факторы, которые влияют на объем продаж, остались неизменными, этот прогноз будет очень точным.

Рассчитайте по цене на вашу продукцию. Тут не помешает вспомнить студенческий курс экономики. Определите, как изменялся спрос после изменения цен на вашу продукцию. Если спрос на вашу продукцию имеет высокую (то есть, заметно падал при росте цен), пытайтесь в дальнейшем избегать значительного повышения стоимости продукции для ваших потребителей, и ни в коем случае не поднимайте цены раньше, чем ваши конкуренты.

Пример: данные свидетельствуют: при повышении цены на 1% спрос на вашу продукцию падает на 2,5%. Вы планируете в июне повысить цену на 10%, это повлечет падение спроса на 25%. В прошлом году в этот же период цена оставалась неизменной. Продажи апреля составили 400 шт., коэффициент сезонности – 3,0. Рассчитываем прогноз на июль: 400*3*(100%-25%)=900 шт.

Учтите рост производственных мощностей (или открытие новых магазинов, точек сбыта продукции). Если вы расширяете производство, выходите на новые рынки сбыта, обязательно учтите это в прогнозе.

Пример: раньше вы поставляли продукцию лишь в своем городе. Начиная со следующего месяца, вы начинаете сотрудничество с посредниками из других городов и открываете дополнительно 5 точек продаж. На данный момент 10 точек продаж сбывают 2 000 шт. продукции на месяц. Таким образом, ожидаемые продажи 15 точек дадут результат около 3 000 шт.

Рассчитайте коэффициент влияния внешних факторов (в первую очередь общеэкономической ситуации в государстве и конкурентов). Для расчета этого коэффициента вы должны тщательным образом отслеживать ваш рынок и следить за появлением новых игроков. Очень часто компании не учитывают инновации конкурентов, их деятельность на рынке. И в результате получают более низкие показатели, чем ожидали изначально. Как рассчитать коэффициент внешних факторов? Для этого нужно иметь историю продаж за длительный период (хотя бы 2 года, желательно больше). Рассчитайте прогноз продаж на прошлый год по данным позапрошлого (с учетом коэффициентов сезонности и эластичности). Сравните прогноз с реальными цифрами. Из разницы, которая вышла, высчитайте форс-мажорные обстоятельства. Остальные – это и есть показатель влияния внешних факторов.

Пример: вы имеете коэффициенты сезонности и эластичности спроса на вашу продукцию. Допустимо, суммарные продажи позапрошлого года составили 10 000 шт., суммарные продажи в прошлом году составили 14 000 шт. с учетом коэффициента эластичности прогноз на прошлый год должен был составить 9 000 шт. Однако увеличение объемов сбыта позволило увеличить объемы продаж вдвое (вдвое расширили штат работников отдела продаж и открыли еще 2 точки продаж дополнительно до двух существующих, как и было до этого). Это увеличивает прогноз до 18 000 шт. Следовательно, фактическое отклонение составило 4 000 шт. из них 2 000 шт. не было продано по причине непредвиденные обстоятельств – форс-мажор (проблемы с поставщиками сырья на протяжении двух месяцев). Отклонение, связанное с влиянием внешних факторов, составило 2 000 шт. (18 000 – 14 000 – 2 000). Коэффициент влияния составит таким образом: 1-(2 000 влияние внешних факторов /18 000 прогноз -2 000 форс-мажор)=0,875

Ознакомьте с прогнозом продаж каждого работника из отдела продаж (сбыта). Отметьте, что эти цифры получены на основе точных расчетов с учетом всех факторов. Это еще одна важная деталь, ведь работники будут знать, какие цифры от них ожидаются и что эти цифры не вымышленные, а вполне обоснованы реальными расчетами.

Создание точных прогнозов продаж позволит вам более эффективно использовать имеющиеся ресурсы, сократить расходы, правильно разработать планы работы, оптимизировать деятельность вашей компании, в том числе сектора 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.