3. Прогнозирование, его стратегическое значение и методы. Анализ метода экспоненциального сглаживания.
(Презентация проф. Рихтера – тема 4, файл 4-forecast-stud. pdf)
Прогнозирование – это наука и искусство предвидения будущих событий. В бизнесе используется как основа для принятия решений по производству, запасам, персоналу, инфраструктуре.
Горизонт периода прогнозирования – это срок, на который делается прогноз, определяется выдерживанием заданной точности прогноза. Бывает – краткосрочным, среднесрочным и долгосрочным.
Краткосрочный прогноз дается на срок от 1 месяца до 3 месяцев (1 года), характеризуется высокой точностью, используется для календарного планирования операций, объемов производства, оперативного управления.
Среднесрочный прогноз дается на срок от 3 месяцев (1 года) до 3 лет, характеризуется средней точностью, используется для производственного, среднесрочного планирования, бюджетирования.
Долгосрочный прогноз дается на срок от 3 лет и используется для стратегического планирования.
Для каждого срока прогноза используются свои методы его построения.
В зависимости от текущей фазы развития продукта требуются прогнозы с различным сроком. Так фазы для введения и роста требуются более протяженных прогнозов, чем фазы зрелости и спада.
По типам прогнозы могут быть:
- прогнозами экономического планирования;
- прогнозами технического развития;
- прогнозами спроса.
Стратегическое значение прогнозирования – определение данных по следующим направлениям - необходимого количества персонала, уровень запасов и производственных мощностей.
Порядок ведения работы по получению прогноза:
1. Определить сферу использования прогноза
2. Отобрать позиции, по которым должен составляться прогноз
3. Определить временной горизонт
4. Отобрать модель (модели) прогнозирования
5. Собрать необходимые данные
6. Разработать прогноз
7. Проверить достоверность и использовать результаты прогнозирования
Методы прогнозирования делятся на качественные (используются при неопределенности ситуации и малом количестве доступных данных) и количественные, в том числе с использованием математических методов (используются в устойчивых ситуации и при наличии необходимого для прогнозирования объема данных).
Обзор методов прогнозирования.
Мнение жюри высших менеджеров - интеграция мнений топ-менеджеров, иногда поддержка статистическими моделями.
Метод Дельфи (Dellphii method) - панель экспертов, опрашиваемых последовательно.
Агрегация информации о продажах (Salles force composiite) - прогнозы отдельных агентов по продажам оцениваются на предмет реалистичности, а затем агрегируются.
Опрос потребителей рынков (Consumer Market Survey) - опрос потребителей.
Обзор количественных методов прогнозирования:
Модели временных рядов:
1. Наивные методы
2. Скользящее среднее
3. Экспоненциальное сглаживание
4. Проекция тренда
Ассоциативная модель
5. Линейная регрессия
Прогнозы временных рядов (Time Series Forecasting) – анализ множества численных данных, равномерно распределенных (еженедельно, ежемесячно, ежеквартально и т. д.) во времени, получаемых путем наблюдения за зависимыми переменными в определенные временные интервалы. Прогноз базируется только на прошлых данных и предполагается, что факторы, влияющие на прошлое и настоящее состояния, будут оказывать воздействие и в будущем. Различаются – тренды, сезонные составляющие, циклические и случайные компоненты.
Тренд - устойчивая, повсеместно снижающаяся или повышающаяся тенденция.
Сезонная составляющая - регулярные флуктуации вверх и вниз, вызванные, к примеру, сменой времен года.
Циклические составляющие - повторяющиеся движения вверх и вниз.
Случайные компоненты - Неустойчивые, несистематические, второстепенные («остаточные») флуктуации.
Взвешенные скользящие средние - используются, когда наблюдается тренд. При этом:
• Старые данные менее важны!
• «Весы» для переменных определяются на базе опыта и интуиции
ВСС= (Σ (весов n-ого периода)*Х (спрос n-ого периода))/Σ весов
Экспоненциальное сглаживание – это особая форма взвешенного скользящего среднего, со следующими особенностями:
- Величины весов уменьшаются экспоненциально;
- Самые свежие данные имеют наиболее высокие весы.
При применении ЭС требуется определение константа сглаживания (smoothing constant) α:
- Величина 0 < α <1
- Определяется субъективно
При применении ЭС нет необходимости держать много прошлой информации.
Новый прогноз = прогноз последнего периода + α * (настоящий спрос – прогноз последнего периода)
Ft = Ft–1 + α (At–1 – Ft – 1),
где Ft = новый прогноз;
Ft-1 = предыдущий прогноз;
At = настоящий спрос;
α = константа сглаживания (0 < a < 1)
Экспоненциальное сглаживание 2-ого порядка
• Особая форма взвешенного скользящего среднего для данных с трендом:
- Задаются четыре параметра:
- Величины 0 < a, b <1, А и В
- константы сглаживания спроса и прироста спроса, первые прогнозы спроса и прироста спроса.
Выбор α
Цель состоит в получении наилучшего прогноза, независимо от выбранного метода.
Выбирается тот метод, который обеспечит наименьшую погрешность прогноза (lowest forecast error)
Погрешность прогноза = наст. спрос – прогноз = At - Ft
