Характеристики основных методов прогноза

Существуют три основные категории методов прогнозирования:

– качественные методы;

– методы динамических рядов;

– причинно–следственные методы.

Качественные методы выводят прогнозы на будущее из экспертных оценок и специальной информации. При этом можно учитывать ре­зультаты прошлых периодов, а можно ими пренебречь.

Методы динамических рядов при построении прогнозов оперируют исключительно данными прошлых периодов и их динамикой.

Причинно – следственные методы, такие как регрессия, нацелены на выявление взаимосвязей между изменением независимых переменных и прогнозируемыми событиями.

Качественные методы прогнозирования. Качественные методы ориентируются на суждения экспертов, требуют довольно много времени и являются относительно дорогостоящими. Они идеальны в ситуациях, где не нужно много статистики, а главное – это опыт и суждения менеджеров. Примером может служить использование мнения продавцов о перспективах сбыта нового продукта или о перспективах торговли в новом районе. Но эти методы отнимают слишком много времени, а потому мало пригодны в логистике. Качественные методы прогнозирования опираются на результаты опросов, анкетирования и конференций.

Методы динамических рядов. Это методы статистического анали­за данных за прошлые периоды, для которых характерны относительно ясные и стабильные тенденции и взаимосвязи. Динамический анализ используют для выявления:

–систематических колебаний под влиянием сезонных факторов;

–циклических колебаний;

–выраженных тенденций;

–темпов роста в рамках этих тенденций.

Методы динамических рядов опираются на предпосылку, что буду­щее похоже на прошлое, а стало быть, существующая структура спроса сохранится и в будущем. В краткосрочной перспективе такое пред­положение часто оказывается верным. Поэтому для краткосрочных прогнозов именно эта техника является наиболее подходящей. Но точность результатов здесь напрямую зависит от стабильности модели спроса.

Когда темпы роста или устойчивая тенденция резко меняются, в мо­дели спроса возникает точка перелома. Поскольку методы динамических рядов оперируют данными за прошлые периоды и средневзвешенными величинами, они обычно непригодны для выявления точек перелома. Поэтому когда есть основания ожидать возникновения точки перелома, нужно применять и другие методы прогнозирования.

Техника динамических рядов включает в себя несколько методов разной степени сложности. Ниже мы рассмотрим четыре из них и по рядке усложнения: метод скользящей средней, метод экспоненцианального сглаживания, метод расширенного сглаживания и метод ад; и адаптивного сглаживания.

Скользящая средняя. В прогнозировании по методу скользящей средней используются средние показатели продаж за последние периоды. Можно рассчитать средние величины за любое число периодов, но обычно берут средние за один, три, четыре или двенадцать периодов. Когда используют среднюю за один период, то именно ее значение и служит прогнозной оценкой объема продаж на будущий период. Если нужна скользящая средняя за двенадцать периодов – скажем, месяцев, – то ее вычисляют на основе средних каждого из двенадцати последних месяцев. Когда оканчивается очередной месяц, мы берем среднюю за этот месяц и отбрасываем среднюю за первый. Так что данные все время обновляются, а количество учитываемых периодов остается постоянным.

Скользящую среднюю легко вычислить, но у этого показателя есть некоторые ограничения. Прежде всего он нечувствителен к изменениям, к тому же для составления прогнозов на его основе нужно хранить ипостоянно обновлять крупные массивы данных. Если в прошлом объем продаж испытывал значительные колебания, средняя величина не может служить надежной основой для прогноза. Скользящая средняя учитывает только базовый элемент прогноза (базовый спрос) и оставляет в стороне остальные элементы.

Для преодоления этих недостатков был разработан модифициро­ванный метод скользящей средневзвешенной, в котором больший вес присваивается данным за более поздние периоды. Одна из разно­видностей метода скользящей средневзвешенной – экспоненциальное сглаживание.

Например, прогноз на апрель по методу скользящей средней при объеме продаж в предыдущие три месяца 120, 150 и 90 единиц вычис­ляют следующим образом:

F = (120 +150+ 90)/3 = 120.

Экспоненциальное сглаживание. При использовании метода экс­поненциального сглаживания оценка будущего объема продаж осно­вывается на средневзвешенной величине продаж за предыдущий период и на прогнозных значениях спроса. Новый прогноз равен старому прогнозу, измененному на некую долю разности между значением старого прогноза и фактическим объемом продаж за последний прошедший период. Величину изменения называют альфа–фактором. Базовая расчетная формула такова:

F, =ах D_ci _,+(1– а)х F_t _, –

где F – прогноз объема продаж на период t; F_t _, – прогноз объема продаж на период (t – 1); D_ci ~ фактический спрос в период (t – 1); а – альфа – фактор, или постоянный коэффициент сглаживания (0 < а < 1,0).

Предположим, что прогноз на последний период равен 100, а фак­тический объем – 110 единицам. Примем значение альфа–фактора за 0,2. Подставив эти значения в формулу, получим:

F, = 0,2х110 + (1–0,2)х100 = 22 + 80 = 102.

Итак, новое прогнозное значение объема продаж равно 102 еди­ницам.

Главное преимущество метода экспоненциального сглаживания в том, что он позволяет быстро рассчитывать новые значения прогнозов, не требуя для этого больших массивов данных за прошлые периоды и обновления информации. Благодаря этому свойству метод экс­поненциального сглаживания очень подходит для программирования с применением компьютерных средств. Изменяя значение коэффициента сглаживания, можно изучать и изменять чувствительность метода к изменениям.

При использовании метода экспоненциального сглаживания самым ответственным решением является выбор значения альфа – фактора. Если он равен 1,0, тогда объем продаж за последний прошедший период и есть прогноз на ближайший будущий период. При очень малом значении альфа – фактора – скажем, 0,01 – метод становится почти идентичным методу скользящей средней. Когда значение альфа – фактора велико, прогноз оказывается очень чувствительным к изменениям. При низком значении альфа – фактора метод слабо реагирует на изменения, а значит, и на случайные колебания спроса. В то же время этот метод не делает различий между сезонными и случайными колебаниями, а в силу этого не устраняет потребности в экспертных оценках. Выбирая значение альфа – фактора, прогнозист вынужден находить компромисс между полным отсечением случайных колебаний и высокой чувствительностью прогноза к изменениям спроса.

Расширенное сглаживание. Базовую модель можно расширить так, чтобы она учитывала долгосрочные тенденции и сезонный фактор. Соответствующие разновидности метода называют экспоненциальным сглаживанием с учетом тенденций и экспоненциальным сглажи­ванием с учетом сезонного фактора.

Расширенное экспоненциальное сглаживание включает в расчет тенденции и сезонный фактор, когда конкретное значение этих элементов поддается четкому определению. Формула расширенного экс­поненциального сглаживания похожа на базовую формулу, только она содержит три элемента и три константы, представляющие базовый спрос, временную тенденцию и сезонный фактор.

Этот метод тоже позволяет быстро рассчитать прогнозные значения при минимальном запасе данных. Чувствительность метода зависит от значения констант. Чем выше значение константы, тем сильнее чувствительность к колебаниям объема продаж, однако порой это ведет к их переоценке. Главная особенность расширенного метода – способность напрямую учитывать тенденции и сезонный фактор – составляет его несомненное преимущество, но одновременно и слабость. Этот метод зачастую оказывается чрезмерно чувствительным, поскольку не располагает инструментами для придания правильных весов разным элементам прогноза. Такая сверхчувствительность чревата снижением точности прогнозов.

Адаптивное сглаживание. Метод адаптивного сглаживания пред­полагает постоянный пересмотр выбранных значений альфа – фактора. Коэффициент пересматривают по завершении каждого прогнозного периода и определяют то его значение, при котором прогноз был бы безошибочным. Таким образом, субъективная оценка менеджеров отчасти заменяется систематической и последовательной корректировкой альфа – фактора.

Более изощренные разновидности адаптивного сглаживания пост­роены на автоматическом отслеживании сигналов, предупреждающих о погрешностях и ошибках. Когда обнаруживается сигнал, вызванный слишком большой ошибкой, значение константы автоматически уве­личивается, что делает прогноз более чувствительным к сглаживанию в предыдущие периоды. Если в последнем периоде объем продаж пре­терпевал значительные изменения, такая повышенная чувствительность уменьшит погрешность прогноза. Когда погрешность прогноза уменьшается, сигнал автоматически возвращает константу к ее перво­начальному значению.

Метод адаптивного сглаживания обладает свойством самокоррек­ции, т. е. подстраивания собственной чувствительности под текущую ситуацию. Хотя этот метод был специально разработан для система­тического преодоления ошибок, его слабость – в склонности к чрез­мерным реакциям, когда случайная погрешность воспринимается как проявление тенденции или сезонного фактора. Такое ошибочное истолкование может стать причиной роста величины погрешностей в будущем.

Причинно–следственные методы прогнозирования. Эти методы прогнозирования основаны на регрессионной оценке объема продаж по каждой единице хранения с учетом влияния независимых факторов. Коэффициент корреляции (г), обычно используемый в регрессионном анализе, определяет пропорциональное соотношение между изменениями (вариациями) зависимой и независимой переменных. Коэффициент корреляции может принимать любые значения от 0 до 1, и значение 1 указывает на наличие абсолютной прямой связи между вариациями независимой и зависимой переменных. Строго говоря, в общей теории статистики коэффициент корреляции (линейный) обозначается г и может принимать любые значения в пределах от –1 до 1. А квадрат линейного коэффициента корреляции (г²), принимаю­щий значения от 0 до 1, называется коэффициентом детерминации.

При выявлении тесной корреляционной связи между двумя пере­менными прогнозировать будущие события нетрудно. Когда удается найти независимую переменную (факторный признак), причинно – следственные, или регрессионные, методы прогнозирования работают очень хорошо. Но в логистике такие ситуации встречаются не особенно часто. Если прогнозирование спроса на какой – либо продукт базируется на единственном независимом факторе, мы говорим о простом регрессионном анализе. Если же факторных признаков два или больше, применяется так называемая множественная регрессия.

Этот метод прогнозирования опирается на корреляционную связь между факторным, или предсказуемым, событием и зависящим от него объемом продаж конкретного продукта (результирующим событием). Если существует тесная и стабильная корреляция между независимым фактором и объемом продаж, нет необходимости в причинно – следственной связи между ними. Наличие корреляции означает, что прогнозируемым продажам предшествует некое предопределяющее их независимое событие, скажем, продажа сопутствующего товара. Но более надежные результаты прогнозирования дает регрессия на основе причинно – следственных связей. Поскольку регрессионный анализ позволяет эффективно учитывать влияние внешних факторов и событий, причинно – следственные методы больше подходят для составления долгосрочных или интегрированных прогнозов. Например, их обычно используют для прогнозирования годового или общенационального объема продаж.