Вопрос 4 Этапы прогнозирования

Можно выделить следующие основные этапы прогнозирования. 1-й этап (постановочный) включает определение:

• конечных прикладных целей прогнозирования;

• набора факторов и показателей (переменных), описание взаимосвязей между которыми нас интересует;

• роли этих факторов и показателей – какие из них, в рамках поставленной конкретной задачи, можно считать входными (т.е. полностью или частично регулируемыми или хотя бы легко поддающимися регистрации и прогнозу; подобные факторы несут смысловую нагрузку объясняющих в модели), а какие – выходными (эти факторы обычно трудно поддаются непосредственному прогнозу.

Их значения формируются как бы в процессе функционирования моделируемой системы, а сами факторы несут смысловую нагрузку объясняемых). 2-й этап (априорный, предмодельный) состоит в:

• предшествующем построению модели анализе содержательной сущности изучаемого процесса или явления;

• формировании и формализации имеющейся априорной информации об этом явлении в виде ряда гипотез и исходных допущений (последние должны быть подкреплены теоретическими рассуждениями о механизме изучаемого явления или, если возможно, экспериментальной проверкой).

3-й этап (информационно-статистический) заключается в сборе необходимой статистической информации, т.е. регистрации значений участвующих в анализе факторов и показателей на различных временных и (или) пространственных тактах функционирования моделируемой системы. 4-й этап (спецификация модели) включает в себя непосредственный вывод (опирающийся на принятые на 2-м этапе гипотезы и исходные допущения) общего вида модельных соотношений, связывающих между собой интересующие нас входные и выходные переменные. Говоря об общем виде модельных соотношений, мы имеем в виду то обстоятельство, что на данном этапе будет определена лишь структура модели, ее символическая аналитическая запись, в которой наряду с известными числовыми значениями (представленными в основном исходными статистическими данными) будут присутствовать величины, содержательный смысл которых определен, а числовые значения – нет (их обычно называют параметрами модели, неизвестные значения которых подлежат статистическому оцениванию). 5-й этап (исследование идентифицируемости и идентификация модели) состоит в проведении статистического анализа модели с целью «настройки» значений ее неизвестных параметров на те исходные статистические данные, которыми мы располагаем. При реализации этого этапа «прогнозист» должен сначала ответить на вопрос, возможно ли в принципе однозначно восстановить значения неизвестных параметров модели по имеющимся исходным статистическим данным при принятой на 4-м этапе структуре (способе спецификации) модели. Это составляет так называемую проблему идентифицируемости модели. А затем, после положительного ответа на этот вопрос, необходимо решить уже проблему идентификации модели, т.е. предложить и реализовать математически корректную процедуру оценивания неизвестных значений параметров модели по имеющимся исходным статистическим данным. Если проблема идентифицируемости решается отрицательно, то возвращаются к 4-у этапу и вносят необходимые коррективы в решение задачи спецификации модели. 6-й этап (верификация модели) заключается в использовании различных процедур сопоставления модельных заключений, оценок, следствий и выводов с действительностью. Этот этап называют также этапом статистического анализа точности и адекватности модели. При пессимистическом характере результатов этого этапа необходимо возвратиться к этапу 4, а иногда и к этапу 1. Если же этап верификации модели дает положительные результаты, то модель может быть непосредственно использована для построения прогноза в соответствии с описанной выше общей схемой.⁹ Как правило, прогнозирование не требуется компаниям, которые работают на неконкурентных рынках. Но как только компания сталкивается с усилением конкуренции, то практически все методы повышения эффективности деятельности необходимо задействовать, что бы обеспечить устойчивую позицию компании и прибыльность. Прогнозирование в данном ключе является эффективным элементом конкурентной борьбы и позволяет:

• обеспечить доступность для клиента товара и услуг в нужном месте и в нужное время; 

• снизить объем и стоимость складских запасов (снижение стоимости запасов на 1%, иногда приводит к увеличению прибыльности компании на 2%); 

• правильно распределить имеющие ресурсы компании с целью максимизации прибыли; 

• адекватно оценивать достигнутый результат; 

• заранее прогнозировать как позитивные, так и негативные тенденции, учитывать их в своей деятельности; 

• возможность получения более выгодных условий поставки при заявлении гарантированных объемов и графика потребления; 

Даже этот короткий список возможностей, которые предоставляет процедура прогнозирования продаж, впечатляет. Вот еще некоторые выгоды получаемые от прогнозирования продаж:

• Более точное распределение ресурсов, оптимизация деятельности компании;

• Планирование выпуска новых продуктов; 

• Принятие стратегических решений; 

• При неблагоприятных результатах прогнозирования, возможность предпринять действия по корректировке действий предприятия; 

• Лучшее понимание факторов влияющих на успешность компании на рынке; 

• Выстраивать мотивацию сотрудников; планирование человеческих ресурсов.¹⁰

Правда, процесс прогнозирования часто происходит исключительно на интуитивном уровне, без использования различных формализованных подходов, что и приводит к низкой точности подобных прогнозов. Таким образом, возникает вопрос: «Кто должен заниматься прогнозированием продаж?». Заниматься прогнозированием должны сотрудники, которые:

• Хорошо разбираются в продажах, рыночной ситуации и методах прогнозирования;

• Заинтересованы в том, чтобы результат был предельно объективным.

Из вышесказанного вытекает, что для сотрудников каждого уровня существую свои задачи прогнозирования. Например, менеджер по продажам прогнозирует личный объем продаж, чтобы оценить вероятность выполнения плана продаж и, как следствие, размер своей зарплаты. Руководитель отдела продаж прогнозирует объем продаж компании (отдела), чтобы оценить вероятность выполнения плана продаж, потребность в персонале и т.п.. Бренд-менеджер занимается прогнозированием объемов продаж марки, товарной группы, чтобы разработать или скоординировать усилия с отделом продаж. Руководитель отдела маркетинга прогнозирует объем продаж компании в разрезе различных продуктов, чтобы разработать или скорректировать планы продвижения, скоординировать усилия с отделом продаж, сформировать бюджет продвижения и т.п.. Таким образом, заниматься прогнозированием должны те, кто в дальнейшем будет отвечать за результаты прогноза.¹¹ Анализируя существующие системы прогнозирования в компаниях, основным недостатком отмечаем слабый учет внешних факторов, влияющих на объем продаж, что негативно сказывается на точности. Так же ухудшает ситуацию с точностью прогнозирования непрозрачность и сложность хождения информации о рынке. Соответственно, необходимо организовать единое информационное пространство в компании, что упростит принятие решений о будущих состояниях рынка.¹² На точность прогноза также влияют данные для прогнозирования. Все исходные данные можно объединить в четыре группы:

1. Оценки различных показателей экспертами (сотрудниками компании, ее партнерами, клиентами);

2. Результаты процессов продаж за предыдущие периоды;

3. Показатели процессов продаж за предыдущие периоды;

4. Данные внешних источников (аналогичные данные в открытых источниках, макроэкономические данные и показатели).

Первая группа данных – экспертные оценки – формируется на основе опыта и интуиции людей, которые обоснованно могут считать, что хорошо знают рынок, на котором работают. При построении оценок эксперты будут анализировать не только свою текущую деятельность, но и часть находящихся в их распоряжении данных из других групп. Вторая и третья группы данных отражают ситуацию продаж в конкретной компании и должны быть по идее идеальными данными, но нельзя забывать, что:

• Данные могут содержать ошибки, явившиеся следствием неаккуратности сотрудников, которые их собрали или предоставили;

• Данные характеризуют уже свершившиеся факты и на прямую не дают информации о том, что случится в будущем.

Четвертая группа данных заведомо менее объективна, чем две предыдущие, так как, во-первых, ничего нельзя сказать о ее корректности (если это аналогичные данные) или применимости непосредственно для целей нашего прогнозирования (если это макроэкономические показатели). В обоих случаях это данные по продажам другой продукции. У каждой из групп данных есть свои достоинства, но есть и существенные недостатки. Поэтому при процессе прогнозировании имеет смысл ориентироваться на особенности каждой из групп при интерпретации результатов и использовании самих данных. Необходимо также отметить, что при прогнозировании, например, продаж постоянно будут поступать новые данные о результатах и характеристиках процессов продаж. С одной стороны, можно получать обновленный вариант прогноза каждую минуту на основе свежих данных, но есть ли в этом смысл? С другой стороны, чем чаще делается прогноз, тем больше на руках информации о том, насколько точна заложенная в его основу модель, и в случае необходимости можно оперативно ее корректировать. Возникает вопрос выбора интервала данных. При использовании данных групп 2-3 (результаты и показатели процессов продаж за предыдущие периоды) при прочих равных условиях лучше выбирать настолько длинный интервал данных, насколько это возможно. Если спрос на продукции подвержен серьезным колебаниям, то рекомендуется использовать как минимум двухлетний интервал. Данные о продажах за прошлые периоды бессмысленно использовать, если, например:

• Компания резко изменила технологию продаж, отказавшись от работы напрямую с региональными клиентами и передав эту работу партнерам компании;

• Значительно изменилось количество людей, занимающихся продажами продукции;

• У компании появился серьезный конкурент, который отвоевал часть рынка в определенный момент в прошлом.

Во всех этих случаях нельзя говорить, что всегда можно использовать данные только с момента последнего серьезного изменения. Иногда данные можно подкорректировать, чтобы изменения были нивелированы или строить прогноз на основе только части данных, а полученные результаты применять ко всем. В любом случае необходимо точно обосновать, почему именно такой интервал данных используется для прогнозирования, - это поможет намного точнее проинтерпретировать полученные результаты.