Ошибка многих бизнесменов — ведение продаж вслепую. Они не делают никаких прогнозов продаж, оценивая лишь итоги отчетного периода. Такая схема напоминает американские горки: то пик, то длительное затишье.

Почему так делать не стоит?

• Если не составлять прогноз продаж, персонала падает. Нет ориентира к чему стремиться.
• Любая цифра оценивается по принципу «хоть что-то».
• Нет духа конкуренции, нет лидеров, на которых необходимо равняться.

Чтобы достигать целей, их, прежде всего, надо ставить. Чтобы увеличить выручку, нужно составить прогноз. Главное, чтобы желаемый рост был реалистичен. Практика показывает, что цифры прогноза достигаются тогда, когда запланированные показатели отличаются от реальных возможностей ваших продавцов не более чем на 30-35%.

Обратите внимание на следующие способы составления прогноза:

1. Плюс 10% от достигнутого

Этот способ знаком тем, кто изучал советскую экономику и ее методику прогнозов. Основной смысл этого метода — в прогнозировании показателей на 10-15% выше, чем было достигнуто за предыдущий отчетный период.

Этот метод хорошо работает, когда в вашей компании уже выстроена система продаж, и у каждого менеджера установлены минимально допустимые показатели эффективности.

Однако при этом методе важно установить реальные возможности ваших продавцов. Чтобы прогноз имел вызов, а не содержал показатели нижней планки допустимого.

2. Равнение на лучших

Это популярный мотиватор достижения поставленных целей. Основная суть метода заключается в том, чтобы показать, что если кто-то смог оправдать ожидания прогноза продаж, то смогут и другие.

Однако в качестве ориентира на цифры в прогнозе этот метод не всегда бывает эффективным. Как минимум, потому что в любом отделе продаж есть «локомотивы» и «кандидаты на увольнение». Поэтому, чтобы прогноз был более реальным и оправданным, нужно ориентироваться на нечто среднее между результатами этих двух категорий.

3. Смотрим на конкурентов

Делать прогноз, исходя из собственных достижений, логично, но периодически необходимо сравнивать себя с конкурентами, чтобы выйти на лидирующие позиции.

Это отличный способ делать прогноз продаж, если у вас есть доступ к информации о конкурентах. К их стратегии, бизнес-процессах, закупочных ценах, скидках, и о многом таком, о чем не пишется в коммерческих предложениях и не рассказывается на сайте.

Достать эту информацию можно разными способами. В том числе, проводя партизанские методы работы. Например, позвонить конкуренту под видом покупателя и посмотреть, как выстроена у него цепочка работы с клиентом.

4. Поощряем свои желания

Один из методов составления прогноза продаж заключается в том, что вы отталкиваетесь от ваших реальных желаний. Пусть даже это не соответствует здравому смыслу. Но вы ставите себе за цель определенные цифры и подбираете методы его реализации.

5. Ориентируемся на свою воронку продаж

Этот метод можно применять при прогнозе, если у вас есть замеры результатов всех этапов продаж. Т.е. вы знаете все цифры, которые влияют на продажи в вашем бизнесе.

Чтобы получить все необходимые показатели — проанализируйте работу своего отдел. Для составления прогноза необходимы цифры за период 2-3 месяца.

Какую информацию вы должны анализировать:

• сколько времени в среднем тратится на один холодный звонок,
• сколько времени в среднем тратится на сбор информации о потенциальном клиенте,
• сколько надо сделать звонков, чтобы по цепочке добраться до лица, решения,
• сколько встреч реально может провести в день один менеджер,
• какой процент встреч заканчивается заказом,
• количество повторных продаж,
• средний чек.

Имея на руках эти цифры, вы можете составить реалистичный прогноз.

Как декомпозировать план

Необходимо определиться с целями, которые вы ставите в прогнозах. Дальше важно декомпозировать их на задачи для каждого сотрудника.

Поэтому, составляя прогноз продаж, разбейте общее видение на конкретные направления, с которыми нужно работать для достижения результата.

Необходимо составить следующие планы:

• По новым клиентам;
• По новым продуктам;
• По увеличению доли в текущих клиентах;
• По из различных каналов;
• По оттоку клиентов;
• По невозврату дебиторской задолженности (если есть такая проблема).

Каждую цифру в плане разбейте еще по следующим направлениям:

• По регионам;
• По отделам;
• По сотрудникам;
• По месяцам/дням;
• По промежуточным показателям эффективности с учетом показателей по в воронке (текущая и новая клиентская база).

Чем точнее и детальней вы раздробите цифры в каждом плане, тем вероятней осуществление прогноза.

Пример декомпозиции

Приведем пример декомпозиции прогноза продаж до уровня ежедневных показателей для каждого сотрудника. Но прежде, чем сделать это, убедитесь, что коммерческая структура работает оптимально. Необходимо провести небольшой аудит по 4 направлениям.

Клиенты. Нужно провести сегментацию текущей базы покупателей, чтобы выявить основные целевые группы и сосредоточиться на работе с наиболее рентабельными.

Каналы. Проанализируйте конверсию каждого из них с учетом средней стоимости лида и прекратите вкладывать в то, что не приносит результата.

Сотрудники. В отделе должны остаться работать только самые лучшие кадры. Отсев произойдет автоматически, если вы внедрите 2 принципа:

• принцип «сложного оклада», в котором бонусная часть за выполнение прогноза продаж составляет не менее 50%;
• принцип «больших порогов», который регулирует выплату бонусов: не выполнил до 80% плана – не получил бонус, 80-100% — плюс 1 оклад, перевыполнил план – плюс 2 оклада.

Продукты. Избавьтесь от неликвидных и низкомаржинальных продуктов. Это предотвратит расход ресурсов.

Опираясь на оптимально настроенную систему приступайте к декомпозиции, следуя плану ниже.

1. Определите прогнозную цифру прибыли. Посмотрите на прибыль предыдущих периодов. Исключите разовые сделки. Учтите влияние маркетинга и сезонность.

2. Зная свою маржинальность, по доле прибыли вычислите выручку.

3. Разделите выручку на средний чек и получите примерное количество сделок, которые нужно заключить, чтобы достичь поставленной прибыли.

4. Используя показатель конверсии из заявки в покупателя, просчитайте количество лидов.

5. По промежуточной конверсии в воронке рассчитайте общее количество действий, которые необходимо совершить в рамках бизнес процесса. Речь идет о звонках, встречах, презентациях, повторных звонках, высланных коммерческих предложениях, выставленных счетах.

6. Как только у вас будут количественные показатели каждого этапа, разделите их на количество рабочих дней прогнозного периода (чаще всего принято говорить о месяце).

Таким образом, вы выясните что и сколько должен делать каждый продавец, чтобы в итоге весь отдел закрыл план к концу месяца. Контролируйте выполнение этих показателей на ежедневной основе.

Гийом Сен-Жак, 18-06-2008 г. (последняя редакция - 22-02-2010 г.)

В этом руководстве рассматриваются элементарные методы прогнозирования , которые можно применить в таблицах Microsoft Excel. Это руководство предназначено для менеджеров и руководителей, которым важно предвидеть спрос потребителей. Теория иллюстрирована на основе Microsoft Excel . Более подробные инструкции доступны для разработчиков, которые хотели бы воспроизвести теорию в адаптированном приложении.

Преимущества прогнозирования

• Выбирайте оптимальный размер товарных запасов

Как? Путем прогнозирования!

Как упростить задачу: обозначения, комментарии, имена файлов

• Всегда давайте обозначение столбцам . В первой строчке каждого столбца всегда давайте описание содержащихся в этом столбце данных.
• Разные данные, разные столбцы . Не помещайте в один столбец разнородные данные (например, издержки и объем продаж. Очень вероятно, что вы запутаетесь, и вычисления и работа с данными будут очень усложнены.
• Давайте каждому файлу понятное имя. Это не требует больших усилий, зато значительно ускоряет работу. Правильные имена позволяют быстро найти нужный файл визуально или через программу поиска файлов в Windows.

• Используйте комментарии.

Их можно использовать:

• для объяснения содержимого ячейки (например, стоимость единицы продукции по оценке Мистера Доу)
• чтобы оставить предупреждения будущим пользователям таблицы (например, у меня есть сомнения по поводу этих вычислений... )

Получайте прогнозы продаж с помощью нашего передового интернет-приложения для прогнозирования товарных запасов . Lokad специализируется на оптимизации товарных запасов путем прогнозирования спроса. Функции, которые описываются в данной статье - и еще многое другое! - присутствуют в нашей системе прогнозирования.

Начало: простой пример прогнозирования с использованием линии тренда

Давайте получим первый прогноз. В этой части мы будем использовать следующий файл: Example1.xls . Данные приведены в качестве примера.

Наши данные: В первом столбце содержатся данные о цене единицы схожих товаров. Цена единицы товара отражает качество продукта. Во втором столбце - данные об объеме продаж.

Что мы хотим узнать: Если мы будем продавать другой продукт, качества соответствующего цене в $150 за единицу, сколько предположительно единиц продукции мы продадим?

Каким образом мы можем это узнать: Все довольно просто. Нам нужно найти простое математическое соотношение между ценой единицы товара и объемом продаж, а затем использовать это соотношение для построения прогноза.

В первую очередь, всегда полезно построить в Excel график, чтобы увидеть графическое представление данных. Ваши глаза являются прекрасным инструментов в определении тренда за несколько секунд.

Для этого, выбираем наши данные, затем используем Вставка > Диаграмма, и выберите Точечную. Мы хотим представить график продаж в виде функции качества, поэтому на горизонтальной оси разместим цену товара, а объем продаж на вертикальной оси.

Теперь остановимся на несколько секунд и хорошо рассмотрим получившуюся диаграмму: соотношение кажется возрастающим и линейным.

Чтобы понять точное отношение между данными, в меню "Диаграмма" выберем опцию "Добавить линию тренда".

Теперь нам нужно выбрать зависимость, которая "подходит" (т.е. наиболее точно описывает) наши данные. Здесь снова используем свои глаза: в нашем примере точки расположены почти по прямой линии, поэтому выбираем "линейную" зависимость. Далее мы будем использовать другие, более сложные, но зачастую более реалистичные модели, например "экспоненциальные".

Теперь наша линия тренда отобразилась на диаграмме. Кликнув на диаграмме правой кнопкой можно получить точное уравнение зависимости: y = 102.4x - 191.64.

Понимаем: Количество проданных товаров = 102.4 умножить на цену товара - 191.64.

Поэтому, если мы решим производить товары по цене $150 за единицу, мы можем предположить, что объем продаж составит: 102.4*150 - 191.64 = 15168 штук.

Тем не менее, будьте осторожны: программное обеспечение всегда может выявить зависимость между двумя столбцами, даже если в реальности эта зависимость очень слабая! Следовательно, нужно протестировать надежность. Вот как это делается:

• В первую очередь, всегда обращайте внимание на диаграмму . Если вы обнаружите, что точки расположены близко к линии тренда, как в нашем примере, то велик шанс того, что зависимость надежна. Если же точки расположены довольно хаотично и далеко от линии тренда, тогда нужно быть внимательными: корреляция слабая, и нельзя слепо доверять установленной зависимости.

• После оценки диаграммы, вы можете использовать функцию КОРРЕЛ . В нашем примере функция будет иметь вид: КОРРЕЛ(A2:A83,B2:B83). Если результат близок к 0, тогда корреляция слабая, и вывод таков: реального тренда просто не существует. Если значение близко к 1, тогда корреляция сильная. Последнее очень помогает, так как это увеличивает силу объяснения выявленной вами закономерности.

Конечно, эти последние шаги можно автоматизировать: вам не нужно записывать зависимость или пользоваться для вычислений карманным калькулятором. Вам нужен Пакет аналитических инструментов!

Прогнозирование с использованием Пакета аналитических инструментов

К сожалению, такие идеальные данные с такой простой и ясной линейной зависимостью довольно редки в реальной жизни. Давайте взглянем, что предлагает Excel для более сложных случаев с более сложными данными.

Идем дальше: пример экспоненциальной зависимости

Ниже изложено, как произвести подгонку под экспоненциальную модель:

1) Посмотрите на свои данные. Нарисуйте простой график и просто посмотрите на него. Если он соответствует экспоненциальному развитию, он должен выглядеть так:

Это идеальный случай. Конечно, данные никогда не будут выглядеть в точности так. Но если точки расположены примерно в такой же форме, это должно навести вас на мысль о рассмотрении экспоненциальной модели.

Как в предыдущем примере, вы всегда можете построить график на основании ваших данных, построить линию тренда и выбрать « экспоненциальную » вместо линейной.

Затем, как обычно, получите уравнение линии.

2) К счастью, все это можно проделать напрямую, используя Пакет аналитических инструментов: введите все свои данные в пустую таблицу Excel и в меню выберите Инструменты => Анализ данных

Установка Пакета аналитических инструментов

1. Убедитесь, что у вас есть установочный диск Office. Excel может запросить вставить диск для установки файлов Пакета.
2. Откройте таблицу Excel и в меню Инструменты выберите Дополнения. Отметьте первый пункт в окне под названием « Analysis ToolPack (Пакет аналитических инструментов) ».
3. Вставьте диск Office CD, если потребуется.
4. Готово! Обратите внимание, что в меню « Инструменты » теперь больше пунктов, в том числе опция « Анализ данных ». Это именно та, которой мы будем пользоваться больше всего.

Использование Пакета аналитических инструментов

... в случае линейной функции

Откройте таблицу с данными, затем откройте меню « инструменты » и выберите « анализ данных ». Выйдет всплывающее окно с вопросом какой вид анализа вы хотите провести. Для линейных функций выберите « регрессия ».

Теперь нужно дать Excel два аргумента: « шкала Y » и « шкала X ». Шкала Y показывает, что вы хотите рассчитать (например, объем продаж), а на шкале X отражаются данные, которые, как вы думаете, объясняют объем продаж (в нашем примере, цена единицы товара). В нашем примере (см. example1.xls), данные об объеме спроса содержатся в столбце B, в строках с 3 по 90, поэтому для шкалы Y вам необходимо указать « $B$3:$B$90 » и «$A$3:$A$90 » для шкалы X. Когда закончите, нажмите « ok ».

Появится новый лист с « результатами регрессии ».
Самый важный результат содержится в столбце « Коэффициенты » в конце таблицы. Пересечение является константой, коэффициент « переменной X (X variable) » - это коэффициент Х (в данном примере цена единицы товара). Таким образом, мы определяем уравнение "тренда". Объем продаж=Пересечение+КоэффициентХ*цена единицы товара=-126+100*цена товара.

В этой таблице также содержится полезное значение, которое даст вам представление о том, насколько точны ваши вычисления: « R Square ». Если это значение близко к 1, тогда ваши приближения достаточно точные, и это означает что полученное уравнение является достаточно точным представлением ваших данных. Если это значение близко к 0, то приближение недостаточно хорошее, и, возможно, вам нужно попробовать другую модель (см. далее экспоненциальная модель).

Этот метод, возможно, быстрее, чем техника « линии тренда ». Тем не менее, это в большей степени технический и менее наглядный процесс. Поэтому если вы не хотите строить графики на основании ваших данных и оценивать их, по крайней мере, проверьте значение « R square ».

... используя экспоненциальную модель

Запустите Пакет инструментов, как обычно: Откройте таблицу, затем откройте меню « Инструменты » и выберите « Анализ данных ». Вы увидите всплывающее окно с вопросом, какой вид анализа вы хотите провести. Для экспоненциальной модели, выбираем « экспоненциальная ».

Обратите внимание, что Excel просит вас указать диапазон входящих данных. Выберите столбец, в котором содержатся данные, в отношении которых вы хотите построить прогноз (например, цена единицы товара) и выберите “смягчающий фактор”.

Вы сможете спрогнозировать продажи, не прибегая к сложным формулам, рассчитать коридор спроса, определив верхнюю и нижнюю границы будущих продаж, использовать универсальный метод прогноза продаж для любого периода.

Вместо громоздких формул для прогноза спроса на продукцию мы используем один график в Excel, который строим исходя из данных о продажах компании. Алгоритм вывели самостоятельно, опираясь на советы знакомых бизнесменов и материалы из интернета. С помощью графика прогнозируем продажи на месяц, несколько месяцев или год. Чтобы повторить опыт, вам потребуется версия Excel 2003–2016 года. Кроме того, в конце статьи вы найдете альтернативный способ, который позволит построить прогноз за несколько минут. Однако он подходит исключительно для версии Excel 2016 года.

Ша г 1. Чтобы прогнозировать спрос на товары, собираем данные о продажах компании

Чтобы приступить к анализу, вам понадобятся данные о продажах компании за весь период ее существования. Чем больше информации, тем точнее прогноз. У нас, к примеру, есть сведения о продажах с января 2013 года по август 2015-го. Заносим их в таблицу (рисунок 1).

Лучшая статья месяца

Мы подготовили статью, которая:

✩покажет, как программы слежения помогают защитить компанию от краж;

✩подскажет, чем на самом деле занимаются менеджеры в рабочее время;

✩объяснит, как организовать слежку за сотрудниками, чтобы не нарушить закон.

С помощью предложенных инструментов, Вы сможете контролировать менеджеров без снижения мотивации.

Шаг 2. Делаем прогноз спроса на продукцию на заданный период

Чтобы спрогнозировать продажи, к примеру, на месяц или на будущий год, используем функцию «ПРЕДСКАЗ» в Excel. Функция основана на линейной регрессии и предназначена для прогнозирования продаж, потребления товара и пр.

В ячейку C34 записываем функцию:

ПРЕДСКАЗ(x; известные_значения_у; известные_значения_х),

х - дата, значение для которой необходимо предсказать (ячейка A34);

Шаг 3. Делаем расчет коэффициента сезонности для прогноза спроса

Чтобы учесть сезонные спады и рост продаж, с помощью стандартных функций вычисляем коэффициент сезонности. Для этого суммы продаж за первый и второй год делим на общую сумму продаж за два года и умножаем на 12. С помощью клавиши F4 устанавливаем абсолютные ссылки, чтобы расчет шел исключительно из нужного нам диапазона (рисунок 1).

=(($B$2:$B$13+$B$14:$B$25)/СУММ($B$2:$B$25))*12

Далее копируем формулу и вставляем в ячейки F2:F13 как формулу массива. Завершаем ввод сочетанием клавиш: Ctrl+Shift+Enter. Если этого не сделать, функция вернет значение ошибки #ЗНАЧ! В результате для января получим коэффициент 0,974834224106574, для февраля - 0,989928632237843 и т. д. Для наглядности можно назначить ячейкам процентный формат. Правой кнопки мыши выбираем «Формат ячеек», затем вкладку «Число» и далее вкладку «Процентный, два знака после запятой».

• Сезонные спады в бизнесе: 3 способа вытянуть продажи

Шаг 4. Корректируем прогноз спроса на продукцию, учитывая сезонность

Добавим рассчитанные коэффициенты в имеющуюся функцию «ПРЕДСКАЗ» (ячейки C34:C45):

Чтобы скорректировать продажи, учитывая коэффициент, используем функцию «ИНДЕКС» (рисунок 2).

Первым аргументом в функции указываем ссылку на 12 ячеек с коэффициентами сезонности ($F$2:$F$13), вторым - номер месяца, чтобы вернуть коэффициент для нужного месяца (для этого используем функцию «месяц», которая возвращает только номер месяца из указанной даты). Для сентября 2015 года формула индекса выглядит так:

ИНДЕКС($F$3:$F$14;МЕСЯЦ(A35))

Чтобы скорректировать прогноз, нужно значение «ИНДЕКС» умножить на значение «ПРЕДСКАЗ», которое рассчитывали в шаге 2. Вот что мы получим:

ПРЕДСКАЗ(A34; $B$2:$B$33; $A$2:$A$33)*ИНДЕКС ({97,48%:98,99%:90,38%:94,66%:100,86%:99,02%:100,66%:110,39%:100,47%:104,82%:105,13%:97,14%}; 9)

Распространяем функцию на дальнейшие периоды и получаем скорректированный прогноз с учетом сезонности в ячейках C34:С45 (рисунок 1).

Шаг 5. Рассчитываем отклонение и строим два сценария

Реальные продажи редко в точности соответствуют прогнозам. Поэтому компании дополнительно строят допустимые верхние и нижние границы - прогноз продаж по оптимистичному и пессимистичному сценариям. Это помогает отследить тенденцию и понять, выходят ли реальные показатели продаж за спрогнозированные значения. При большом отклонении можно в срочном порядке принять необходимые меры.

Верхние и нижние границы коридора спроса строим по формуле (ячейка G2 на рисунке 1):

ДОВЕРИТ(0,05 (АЛФА); СТАНДОТКЛОН(C34:C45); СЧЕТ(C34:C45)),

«ДОВЕРИТ» возвращает доверительный интервал, используя нормальное распределение. Функция учитывает колебания продаж компании, включая сезонные.

«АЛФА» - уровень значимости для вычисления доверительного уровня. Показатель 0,05 означает, что мы получим прогноз с точностью 95%.

«СТАНДОТКЛОН» - стандартное отклонение генеральной совокупности. Показывает, насколько прогнозируемые продажи отличаются от реальных.

«СЧЕТ» подсчитывает количество месяцев, по которым мы прогнозируем продажи.

Чтобы получить оптимистичный и пессимистичный сценарии, в ячейки D34 и D35 записываем формулы (рисунок 1).

Оптимистичный: =$C34+$G$2 (прибавляем к сумме прогноза сумму рассчитанного доверительного интервала)

Пессимистичный: =$C34–$G$2 (вычитаем из суммы прогноза сумму доверительного интервала)

Чтобы по полученным данным построить график, в ячейки C33, D33 и E33 копируем значения из ячейки B33. Далее выделяем все данные (A1:E45), переходим на вкладку «Вставка», находим вкладку «Диаграммы» и затем вкладку «График». В итоге получаем график с коридором спроса (рисунок 3).

Вывод. Построив коридор спроса, внимательно следим за продажами в новом году. В 99 % случаев они развиваются в рамках коридора. Если нет - анализируем продажи еще раз и строим новый график.

• Как регулярное изучение спроса повышает динамику продаж на 648%

Мнение эксперта

Метод эффективен для прогнозирования продаж малого количества SKU

Максим Люлин,

генеральный директор «Актион-пресс»

Я бы советовал использовать метод для прогноза в отношении одного артикула - тогда он будет максимально точным. В целом метод понравился мне своей простотой и тем, что позволяет избежать ошибок. Его также можно применять для прогноза продаж группы товаров, схожих по характеристикам и близких по цене.

К недостаткам метода отнесу сложность учета изменения цен, влияния аукционной деятельности. Кроме того, при оценке продаж в рублях вы не можете объективно оценить долю продаж компании в отраслевой нише, поэтому рискуете потерять долю рынка. Ваши конкуренты могут этим воспользоваться и предложить товар по более низкой цене.

Мнение эксперта

Метод идеален для анализа продаж по зафиксированным показателям

Кирилл Чихачев,

генеральный директор «МЦФЭР-пресс»

До прочтения статьи я был знаком с методом в теории. Теперь, попробовав его на практике, могу сказать, что он мне понравился. Метод идеален для анализа продаж по зафиксированным показателям: количество продуктов, сбытовая мощность и пр. Его также стоит применять для малого числа продуктов: рост и падение спроса на каждый из них зависит от разных причин. Прогноз предельно понятен, логичен и точен. Однако для еще большей точности я бы учел следующие моменты.

Максимальное и минимальное значения продаж проще рассчитывать исходя из двух точек в начале и конце периодов, а не искать точки, через которые должна проходить прямая.

При прогнозировании продаж на месяц разницу верхнего и нижнего значений для оптимистичного и пессимистичного сценариев логичнее делить не на 12, а на количество месяцев внутри отрезка. Так вы более точно рассчитаете ежемесячный прирост продаж.

На сегодняшний день наука достаточно далеко продвинулась в разработке технологий прогнозирования. Специалистам хорошо известны методы нейросетевого прогнозирования, нечёткой 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 распространённом пакете прикладных программ MS Excel.

В данной статье представлен один из возможных алгоритмов построения прогноза объёма реализации для продуктов с сезонным характером продаж. Сразу следует отметить, что перечень таких товаров гораздо шире, чем это кажется. Дело в том, что понятие “сезон” в прогнозировании применим к любым систематическим колебаниям, например, если речь идёт 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 удаётся выявить величину цикла этих колебаний, то такой временной ряд можно использовать для прогнозирования с использованием аддитивных и мультипликативных моделей.

Аддитивную модель прогнозирования можно представить в виде формулы:

где: F – прогнозируемое значение; Т – тренд; S – сезонная компонента; Е – ошибка прогноза.

Применение мультипликативныхмоделей 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 она возрастает или убывает, графически это выражается в изменении амплитуды колебания сезонного фактора, как это показано на рисунке 1.

Рис. 1. Аддитивная и мультипликативные модели прогнозирования.

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 объёмов продаж значения тренда, определяют величины сезонной компоненты и корректируют таким образом, чтобы их сумма была равна нулю.

3.Рассчитываются ошибки модели как разности между фактическими значениями и значениями модели.

4.Строится модель прогнозирования:

где:
F– прогнозируемое значение;
Т – тренд;
S – сезонная компонента;
Е - ошибка модели.

5.На основе модели строится окончательный прогноз объёма 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.

F пр t = a F ф t-1 + (1-а) F м t

где:

F ф t- 1 – фактическое значение объёма продаж в предыдущем году;
F м t - значение модели;
а – константа сглаживания

Практическая реализация данного метода выявила следующие его 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 полиномиального тренда вместо линейного позволяет значительно сократить ошибку модели;
• при наличии достаточного количества данных метод даёт хорошую аппроксимацию и может быть эффективно использован при прогнозировании объема продаж в инвестиционном проектировании.

Применение алгоритма рассмотрим на следующем примере.

Исходные данные: объёмы реализации продукции за два сезона. В качестве исходной информации для прогнозирования была использована информация об объёмах сбыта мороженого “Пломбир” одной из фирм в Нижнем Новгороде. Данная статистика характеризуется тем, что значения объёма продаж имеют выраженный сезонный характер с возрастающим трендом. Исходная информация представлена в табл. 1.

Таблица 1.
Фактические объёмы реализации продукции

Задача: составить прогноз продаж продукции на следующий год по месяцам.

Реализуем алгоритм построения прогнозной модели, описанный выше. Решение данной задачи рекомендуется осуществлять в среде MS Excel, что позволит существенно сократить количество расчётов и время построения модели.

1. Определяем тренд , наилучшим образом аппроксимирующий фактические данные. Для этого рекомендуется использовать полиномиальный тренд, что позволяет сократить ошибку прогнозной модели).

Рис. 2. Сравнительный анализ полиномиального и линейного тренда

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 (4E-05). Для расчёта тренда рекомендуется использовать опцию “Линия тренда” ППП Excel.

Рис. 3. Опция “Линии тренда”

Применение других типов тренда (логарифмический, степенной, экспоненциальный, скользящее среднее) также не даёт такого эффективного результата. Они неудовлетворительно аппроксимируют фактические значения, коэффициенты их детерминации ничтожно малы:

• логарифмический R 2 = 0,0166;
• степенной R 2 =0,0197;
• экспоненциальный R 2 =8Е-05.

2. Вычитая из фактических значений объёмов продаж значения тренда, определим величины сезонной компоненты , используя при этом пакет прикладных программ MS Excel (рис. 4).

Рис. 4. Расчёт значений сезонной компоненты в ППП MS Excel.

Таблица 2.
Расчёт значений сезонной компоненты

Скорректируем значения сезонной компоненты таким образом, чтобы их сумма была равна нулю.

Таблица 3.
Расчёт средних значений сезонной компоненты

3. Рассчитываем ошибки модели как разности между фактическими значениями и значениями модели.

Таблица 4.
Расчёт ошибок

Находим среднеквадратическую ошибку модели (Е) по формуле:

Е= Σ О 2: Σ (T+S) 2

где:
Т- трендовое значение объёма 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, т.е. она вполне отражает экономические тенденции, определяющие объём продаж, и является предпосылкой для построения прогнозов высокого качества.

Построим модель прогнозирования:

Построенная модель представлена графически на рис. 5.

5. На основе модели строим окончательный прогноз объёма продаж. Для смягчения влияния прошлых тенденций на достоверность прогнозной модели, предлагается сочетать трендовый анализ с экспоненциальным сглаживанием. Это позволит нивелировать недостаток адаптивных моделей, т.е. учесть наметившиеся новые экономические тенденции:

F пр t = a F ф t-1 + (1-а) F м t

где:
F пр t - прогнозное значение объёма продаж;
F ф t-1 – фактическое значение объёма продаж в предыдущем году;
F м t - значение модели;
а – константа сглаживания.

Константу сглаживания рекомендуется определять методом экспертных оценок, как вероятность сохранения существующей рыночной конъюнктуры, т.е. 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.

Рис. 5. Модель прогноза объёма продаж

Таким образом, прогноз на январь третьего сезона определяется следующим образом.

Определяем прогнозное значение модели:

F м t = 1 924,92 + 162,44 =2087 ± 7,8 (руб.)

Фактическое значение объёма продаж в предыдущем году (F ф t-1) составило 2 361руб. Принимаем коэффициент сглаживания 0.8. Получим прогнозное значение объёма продаж:

F пр t = 0,8*2 361 + (1-0.8) *2087 = 2306,2 (руб.)

Кроме того, для повышения надёжности прогноза рекомендуется строить все возможные сценарии прогноза и рассчитывать доверительный интервал прогноза.

Дмитриев Михаил Николаевич, заведующий кафедрой экономики и предпринимательства Нижегородского архитектурно-строительного университета (ННГАСУ), доктор экономических наук, профессор.
Адрес: 603000, Н. Новгород, ул. Горького, д. 142а, кв. 25.
Тел. 37-92-19 (дом) 30-54-37 (раб.)

Кошечкин Сергей Александрович, кандидат экономических наук, ст. преподаватель кафедры экономики и предпринимательства Нижегородского архитектурно-строительного университета (ННГАСУ).
Адрес: 603148, Н. Новгород, ул. Чаадаева, д. 48, кв. 39.
Тел. 46-79-20 (дом) 30-53-49 (раб.)

Процесс прогнозирования продаж является одним из важных информационных инструментов планирования хозяйственной деятельности компании-производителя. Разработаны и уже используются менеджерами по продукту разнообразные модели прогнозирования, основанные на статистических данных за предыдущие периоды и анализе существующей среды. Однако для эффективного применения существующих моделей в компании необходимо организовать автоматизированный сбор информации и установить критерии оценки точности прогноза. Кроме того, при составлении прогноза объема продаж продукта менеджерам обязательно следует учитывать следующие факторы:

• поведение потребителей;
• предыдущие и планируемые стратегии продвижения продукта;
• действия конкурентов-производителей;
• внешняя среда предприятия, ее изменения.

Все существующие методы прогнозирования продаж условно можно разделить на четыре основные группы: основанные на суждении; ориентированные на потребителя; экстраполяции продаж; моделирование.

1. Методы, основанные на суждении. Эта группа включает в себя такие методы, как изучение намерений контрагентов, ролевые игры, экспертные оценки, метод Дельфи, мозговой атаки, сводный прогноз службы продаж.

Изучение намерений контрагентов. Сущность данного метода заключается в том, что потребителей просят описать свое поведение в различных ситуациях. Подобные опросы с целью изучения намерений и поведения потребителей эффективны, если отсутствуют данные об объемах предыдущих продаж. Этот метод можно порекомендовать менеджерам при составлении прогноза при выводе нового продукта на рынок.

Ролевые игры. Метод используется для того, чтобы учесть так называемый человеческий фактор. Он чрезвычайно эффективен при анализе возможных реакций контрагента на конкретный вариант выбранной политики. Однако здесь необходимо максимально реалистично воспроизвести ситуацию, в которой происходит взаимодействие. 11а практике метод используется редко.

Экспертные оценки. Сущность данного метода заключается в выработке коллективного мнения группы специалистов по определенному продукту. На практике выделяется несколько методов экспертной оценки. Рассмотрим один из них - метод баллов, в ходе которого на первом этапе формируется экспертная группа из специалистов в данной области, численность которой должна быть равна или больше 9 человек, состав группы должен быть однородным. На следующем этапе всеми членами экспертной группы коллективно определяются важнейшие параметры (3-5) объекта, способные повлиять на объем продаж. Затем экспертным путем устанавливается степень важности, или ранг, каждого выделенного параметра. Для прогнозирования или расчета полезного эффекта и каждого элемента затрат но каждому классу объектов одного назначения строится своя система баллов, так как на полезный эффект и элементы затрат влияют свои факторы или параметры .

Важно запомнить!

Метод экспертных оценок существенно отличается от изучения намерений контрагентов, так как если эксперту предлагают дать оценку динамики рынка, от него не требуется репрезентативность, как раз наоборот - каждый эксперт уникален. Как правило, привлекается от 5 до 20 экспертов, причем наиболее эффективный способ получения единой оценки - взвешивание отдельных результатов с равными весами. Точность прогнозов, полученных с использованием данного метода, можно поднять путем применения процедур типа Дельфи.

Метод Дельфи. Является одной из разновидностей метода экспертных оценок. Его суть заключается в итеративной процедуре получения интегрального показателя с последовательным снижением дисперсии расхождений экспертных оценок. Специфика этого метода в том, что обобщение результатов исследования осуществляется путем индивидуального письменного опроса экспертов в несколько туров по специально разработанной процедуре. Надежность метода считается высокой при прогнозировании па период как от одного до трех лет, так и на более отдаленное время. В зависимости от цели прогноза для получения экспертных оценок может привлекаться от 10 до 150 экспертов.

Метод мозговой атаки (или мозговой штурм). Как и метод Дельфи, он является разновидностью метода экспертных оценок. Его основа - выработка решения после совместного обсуждения проблемы экспертами. В качестве экспертов, как правило, выступают специалисты не только по данной проблеме, но и в других областях знания. Дискуссия ведется по заранее разработанному сценарию.

Достоинством экспертных методов является их относительная простота и применяемость для прогнозирования практически любых ситуаций, в том числе в условиях неполной информации. Особенностью этих методов является возможность прогнозировать качественные характеристики рынка (например, изменение социально- политического положения, влияние экологии на производство и потребление тех или иных товаров).

К недостаткам экспертных методов относятся субъективизм мнений экспертов и ограниченность их суждений.

дыдущие периоды времени и включают в себя метод скользящих средних, экспоненциальное сглаживание и регрессионный анализ.

Метод скользящих средних. Один из широко известных методов сглаживания временных рядов, основанных на том, что в средних величинах взаимно погашаются случайные отклонения благодаря замене первоначальных уровней временного ряда средней арифметической величиной внутри выбранного периода времени. Полученное значение относится к середине выбранного интервала времени (периода).

Затем период сдвигается на одно наблюдение, и расчет средней повторяется. При этом периоды определения средней берутся все время одинаковыми. Таким образом, в каждом рассматриваемом случае средняя центрирована, т.е. отнесена к серединной точке интервала сглаживания и представляет собой уровень для этой точки.

При сглаживании временного ряда скользящими средними в расчетах участвуют все уровни ряда. Чем шире интервал сглаживания, тем более плавным получается тренд. Сглаженный ряд короче первоначального на (п - 1) наблюдений, где п - величина интервала сглаживания. Выбор интервала сглаживания зависит от целей прогнозирования.

где t + 1 - прогнозный период; t - период, предшествующий прогнозному периоду (год, месяц и т.д.);;/, + , - прогнозируемый показатель; т,_ i - скользящая средняя за два периода до прогнозного; п - число уровней, входящих в интервал сглаживания; y t - фактическое значение исследуемого явления за предшествующий период; у,_ { - фактическое значение исследуемого явления за два периода, предшествующих прогнозному.

При использовании данного метода необходимо принимать во внимание, что данные за предыдущие периоды характеризуются базовым значением, трендом, цикличностью (сезонностью), случайностью.

Применение метода скользящих средних позволяет менеджерам в значительной степени сгладить случайные отклонения и сделать тренды (циклы) более очевидными.

Экспоненциальное сглаживание. Прогнозирование методом экспоненциального сглаживания является одним из самых простых способов прогнозирования, однако это приемлемо только при прогнозировании на один период вперед. Рабочая формула метода экспоненциального сглаживания представлена ниже .

где t - период, предшествующий прогнозному; t + 1 - прогнозный период; U [+ i - прогнозируемый показатель; а - параметр сглаживания; y t - факти-

ческое значение исследуемого показателя за период, предшествующий прогнозному; U t - экспоненциально взвешенная средняя для периода, предшествующего прогнозному.

При прогнозировании данным методом возникают затруднения, связанные с выбором значения параметра сглаживания а и определения начального значения t/ 0 .

Метод экспоненциального сглаживания наиболее эффективен при разработке среднесрочных прогнозов.

Регрессионный анализ. Данный метод является обобщением модели временного ряда. Широко применяется на практике специалистами-управ- ленцами и легко рассчитывается при помощи Excel. Эта форма экстраполяции основана на регрессионном анализе, при котором временной период считается независимой переменной.

4. Методы на основе моделирования (ассоциативная категория методов прогнозирования). Они включают в себя метод опережающих индикаторов и эконометрические модели.

Опережающие индикаторы. При построении прогнозов в экономике используют определенные макроэкономические показатели. В случае если значения этих показателей меняются до изменений в экономике, то данные показатели называют опережающими индикаторами. Опережающие индикаторы имеются в любой отрасли экономики, и все они вынуждены ориентироваться на них. Так, например, в качестве опережающих индикаторов для автомобильной отрасли выступают показатели запасов автомобилей в местах их продаж. Очень часто переменами в экономике считают изменения уровня занятости населения.

Эконометрические модели представляют собой крупномасштабные регрессионные модели на основе нескольких уравнений. В настоящее время не особенно популярны у менеджеров из-за своей дороговизны и стремления компаний снизить все свои издержки. Однако с их помощью можно анализировать последствия реализации различных стратегий, планировать динамику рынка и бизнес-среды, тем самым генерируя различные сценарии развития. При выборе данного метода следует принимать во внимание, что необходимо будет прогнозировать значения объясняющих факторов. С некоторыми из них (например, мода) могут возникнуть большие проблемы .

В целом применение эконометрических моделей будет эффективно, если существует сильная причинно-следственная зависимость между изучаемой величиной (например, продажи) и набором факторов, а также в том случае, когда форма зависимости известна и ее можно оценить.

Выбор метода для построения прогноза в каждой конкретной ситуации - это сложный процесс. Как правило, у менеджера всегда есть возможность выбора из нескольких альтернатив. Обычно на практике специалисты используют для подготовки кратко- и среднесрочных прогнозов методы, основанные на суждениях, а из количественных методов наиболее востребованным является метод скользящей средней.

• Фатхутдинов Р. Л. Стратегический маркетинг: учебник. М. : ЗАО «Бизнес-школа“Интел-Синтез”», 2000. С. 198-200.
• Сводный прогноз службы продаж. Прогноз объема продаж составляютспециалисты отдела службы продаж. Достоинство данного метода заключается в том, что специалисты отдела продаж находятся в тесном контактес продавцами, которые отлично знают своих потребителей, спецификуих поведения, объемы закупок продукта. На основе данных оценок частоустанавливаются квоты продаж товара. Однако, как показывает практика,иногда их размер бывает несколько занижен продавцами.
• Методы, ориентированные на потребителя. Среди них выделяютдва основных - тестирование рынка и обзоры состояния рынка. Тестирование рынка. Сущность данного подхода заключается в проведении первичных маркетинговых исследований рынка. Для сбора информации но исследуемому рынку продукта специалисты часто прибегаютк проведению фокус-групп и опросам потребителей в местах продажипродукта. Напомним, что обычно под фокус-группой понимается группареспондентов, включающая от восьми до десяти потенциальных потребителей, собранных вместе для обсуждения темы, в которой каждый из нихв той или иной степени заинтересован. Процесс обсуждения идет по заранее разработанному сценарию под руководством ведущего - модератора.Обсуждение может длиться до двух часов, хотя иногда возникает необходимость работать и дольше. Дискуссии в фокус-группах относятся к методам качественного анализа, так как полученные данные нельзя (в статистическом смысле) назвать репрезентативными для этой конкретной группынаселения. Обзоры состояния рынка. Сущность данного метода заключаетсяв исследовании рынка и опросе потенциальных потребителей продуктаотносительно степени их готовности приобрести анализируемый товар.Обычно потенциального потребителя просят оценить степень готовностикупить определенный товар по 10-балльной шкале, где 10 баллов соответствует твердому намерению респондента купить данный товар. Затем полученные результаты относительно намерения совершить покупку переносятна общую численность населения в стране. Учитывая склонность потребителей в реальной жизни переоценивать вероятность покупки продукта,менеджеры при составлении прогноза объема продаж часто используютподход «но максимуму», т.е. подсчитывают только количество максимальных оценок (10 баллов).
• Методы экстраполяции продаж (методы временного ряда). Они основываются на имеющихся данных относительно объемов продаж за пре-
• 2 URL: http://www.ekonomika-st.ru
• Там же.
• URL: http://www.ekonomika-st.ru