3.5.2 Составление нелинейного прогноза с помощью функции рост

Использование функции РОСТ позволяет находить точки, лежащие на экспоненциальной кривой роста. Линейным аналогом данной функции является функция ТЕНДЕНЦИЯ.

Расчёт прогноза прибыли торговой организации, произведённый с использованием функции РОСТ представлен в таблице 3.6.2.

Таблица 3.6.2 – Расчёт прогноза прибыли с помощью функции РОСТ

Порядковый номер месяца	Объем товарооборота, тыс. руб	Рост
1	28415	28470
2	28231	28865
3	29783	29266
4	30969	29671
5	30494	30083
6	29757	30500
7	30850	30923
8	31325	31352
9	31359	31787
10	31610	32228
11	32366	32675
Продолжение таблицы 3.6.2
12	33313	33128
13	33508	33588
14	33374	34053
15	34811	34526
16	36046	35005
17		35490
18		35982
19		36481

Примечание – Источник: Собственная разработка

Использование функции РОСТ не позволяет получить никаких характеристик, позволяющих судить о качестве рассчитанных прогнозов.

3.6 Прогнозирование с применением экспоненциального сглаживания

Сглаживание – это метод, который обеспечивает быструю реакцию значений прогноза на все процессы, происходящие в рамках данных базового ряда. Так как метод наименьших квадратов применяет ко всем точкам прогноза одну и ту же формулу, то затрудняется достижение быстрой реакции прогнозов на сдвиги в уровне базовой линии, а качество построенной модели заметно снижается.

Главная идея использования метода сглаживания состоит в том, что каждый новый прогноз получается посредством перемещения предыдущего прогноза в направлении, обеспечивающем лучший результат по сравнению со старым прогнозом. Этот метод позволяет строить самокорректирующиеся модели, которые, учитывая результат прогноза, сделанного на предыдущем шаге, и различную информационную ценность членов динамического ряда, способны оперативно реагировать на изменяющиеся условия и на этой основе давать на ближайшую перспективу более точные прогнозы

В процедуре выравнивания каждого наблюдения методом экспоненциального сглаживания используются только значения предыдущих уровней ряда динамики, взятые с определённым весом. При этом вес каждого предшествующего уровня снижается по экспоненте по мере его удаления от момента, для которого вычисляется сглаженное значение (отсюда и произошло название данного метода сглаживания).

Результаты расчёта прогнозного значения прибыли методом экспоненциального сглаживания представлены в таблице 3.7 и рис.3.2.

Таблица 3.7 - Прогнозирование прибыли торговой организации с помощью инструмента Экспоненциальное сглаживание

Порядковый номер месяца	Объем товарооборота, тыс. руб	Экспотенциальноное сглаживание
1	28415	#Н/Д
2	28231	28415
3	29783	28360
4	30969	28787
5	30494	29441
6	29757	29757
7	30850	29757
8	31325	30085
9	31359	30457
10	31610	30728
11	32366	30992
12	33313	31404
13	33508	31977
14	33374	32436
15	34811	32718
16	36046	33346
17		34156

Примечание – Источник: Собственная разработка

Прогнозное значение товарооборота магазина, рассчитанное с помощью инструмента Экспоненциальное сглаживание, на 17 месяц составило 34156тыс.р.

Рисунок 3.2 – Экспоненциальное сглаживание

Примечание – Источник: Собственная разработка

Результаты проведённых расчётов показывают, что модели, построенные с помощью метода экспоненциального сглаживания, достаточно гибки и более точно отражают динамику исследуемого показателя, учитывая эффекты выброса функции намного лучше моделей, построенных с применением метода наименьших квадратов.

Инструмент Экспоненциальное сглаживание целесообразно применять для составления прогнозов только на период, непосредственно следующий за интервалом базовых наблюдений. Кроме того, при построении модели, описывающей поведение динамического ряда конкретного показателя, важно правильно оценить наиболее вероятные закономерности его развития в будущем. Закладывать в модель следует те адаптивные свойства, которых достаточно, чтобы с заданной точностью отследить динамику реального процесса.