Главная Акты Методы прогнозирования объема продаж

Методы прогнозирования объема продаж

Прогнозирование продаж -- один из самых важных информационных инструментов планирования деятельности как компании в целом, так и каждого ее подразделения. Например, финансовый отдел использует прогноз продаж для планирования денежных потоков, принятия инвестиционных решений и составления операционных бюджетов; производственный отдел -- для определения объемов, составления графиков производства и управления товарно-материальными запасами; отдел кадров -- для планирования потребности в работниках и в качестве исходной информации при заключении коллективных договоров; отдел закупок -- для планирования совокупной потребности компании в материалах и составления графиков их поставок; отдел маркетинга -- для планирования программ маркетинга и сбыта и распределения ресурсов между различными видами маркетинговой деятельности. На первый взгляд может показаться, что, чем крупнее компания, тем важнее точность прогноза; на самом же деле нет принципиальной разницы между ошибкой, сделанной при прогнозировании продаж киоска, и ошибкой, допущенной при прогнозировании сбыта крупного завода. Особенно опасны ошибки в прогнозировании продаж начинающих фирм -- ведь у них, в отличие от более опытных компаний, как правило, нет дополнительных ресурсов для покрытия дефицита, который может возникнуть в результате неправильного планирования.

Прогноз продаж применяется также для планирования и оценки работы каждого продавца. Он используется для установления квот продажи, формирования схемы оплаты труда и оценки деятельности торгового персонала, поэтому очень важно, чтобы менеджеры по продажам были хорошо знакомы с основными методами прогнозирования продаж. Для прогнозирования продаж используются субъективные и объективные методы.

Рисунок - Классификация методов прогнозирования продаж

I. Субъективные методы прогнозирования продаж при составлении прогноза не используют количественные (эмпирические) и аналитические данные продаж, а основываются на субъективных мнениях разных специалистов.

1) Ожидания пользователей.

Метод ожиданий пользователей в прогнозировании продаж известен также как метод намерений покупателей, поскольку основывается на высказываниях потребителей об их готовности приобрести тот или иной товар.

Метод ожиданий пользователей в прогнозировании продаж обычно дает оценки, более близкие к потенциалу рынка или потенциалу продаж, чем к прогнозам продаж. Этот метод можно использовать скорее в качестве индикатора привлекательности для компании определенного рынка либо его сегментов, чем как инструмент прогнозирования продаж. В большинстве случаев намерения покупателей отделены от реальной покупки огромной пропастью, преодолеть которую должен маркетинговый план компании. Особенно важно помнить об этой пропасти при разработке и выводе на рынок новых товаров или услуг.

Недостатки этого метода очевидны. Зачастую компания тратит большие средства на маркетинговые исследования, а потом не может продать новый товар, необходимость которого в материалах исследований казалась очевидной. Это говорит о том, что прогноз продаж на основе метода ожиданий пользователей может давать неверные результаты. Для планирования своей деятельности компании нужно знать, что именно потребитель хочет получить от товара или услуги. Предположим, покупатель хочет меньше тратить времени на покупку продуктов. Только фирма (но не потребитель), обладая всей информацией о рынке и спросе, может поставить задачу: построить магазин в новом густонаселенном районе или организовать продажу продуктов через Интернет с доставкой на дом.

2) Мнение продавцов.

Метод прогнозирования продаж на основе мнения продавцов или торгового персонала -- это выявление данных о том, какой объем продукции каждый сотрудник сбыта рассчитывает продать в течение определенного периода.

Полученные оценки проверяются, обсуждаются и корректируются на разных уровнях управления с учетом точности предыдущих прогнозов каждого представителя сбыта. По разным причинам сотрудники могут либо недооценивать, либо переоценивать свои возможности. Например, если какие-то товары компании оказываются в дефиците (например, из-за нехватки исходных материалов или быстрого роста рынка) или доступны лишь ограниченному кругу потребителей (например, в случае проведения краткосрочной кампании по стимулированию сбыта), сотрудники сбыта завышают свои возможности в ожидании, что им выделят больше “дефицитных” товаров. Если же квоты продажи являются производными от прогнозов, то торговый персонал склонен недооценивать возможные объемы продаж, чтобы получить квоту поменьше и выполнить ее без излишних усилий. Превысив прогнозируемые показатели, такой работник зарекомендует себя как эффективный продавец и может даже получить материальное вознаграждение.

3) Мнение менеджеров компании.

Метод прогнозирования продаж, базирующийся на выявлении оценок или коллективного мнения менеджеров/руководителей компании, -- это проводимый внутри фирмы-продавца формальный или неформальный опрос ключевых руководителей для получения их оценки будущих продаж. Все оценки экспертов объединяются в прогноз продаж компании -- иногда путем простого усреднения индивидуальных оценок. В других случаях явно расходящиеся между собой точки зрения опрашиваемых обсуждаются в группе, где и достигается консенсус. Первоначальные позиции экспертов могут означать не более чем интуитивную догадку того или иного руководителя о будущем развитии событий. Бывает, что мнение руководителя базируется на богатом фактическом материале, а иногда даже на первоначальном прогнозе, выполненном какими-нибудь иными способами.

4) Метод Дельфи

Метод Дельфи позволяет получить более точный прогноз. Он базируется на интерактивном подходе с повторными измерениями и контролируемой анонимной обратной связью (вместо непосредственного общения экспертов и обсуждения ими своих оценок будущего сбыта). При этом каждый эксперт готовит собственный прогноз на основе имеющихся у него фактов, данных и общего знания среды, в которой работает компания. Затем координатор на основе полученных прогнозов составляет обобщающий отчет и вручает его каждому из участников. Как правило, этот отчет содержит индивидуальные прогнозы каждого эксперта, рассчитанный средний показатель и разбросы оценок. Обычно экспертов, чьи первоначальные оценки резко расходятся с усредненным показателем, просят аргументировать свою точку зрения, и эти мнения также включаются в итоговый документ. Участники “опроса” изучают его и предлагают новый вариант прогноза. Обычно эксперты приходят к единому мнению в результате нескольких итераций. Опыт показывает, что разброс данных постепенно уменьшается, поскольку оценки экспертов сближаются, а совокупное мнение группы дает результат, близкий к объективным показателям.

II) Объективные методы прогнозирования продаж.

Объективные методы прогнозирования продаж базируются в основном на количественных (эмпирических) и аналитических данных.

1) Рыночное тестирование

Метод рыночного тестирования предполагает продажу товара в нескольких считающихся репрезентативными географических регионах для выяснения реакции потребителей, с последующим проецированием полученных данных на весь рынок в целом. Нередко такой метод используется для разработки нового товара или усовершенствования старого.

Многие фирмы рассматривают результаты рыночного тестирования как важнейшее свидетельство отношения потребителей к новому товару и конечный показатель потенциала рынка. Исследования показывают, что примерно три из четырех товаров, получивших одобрение потребителей в ходе рыночного тестирования, добиваются успеха на рынке, а четыре из пяти товаров, не выдержавших тестирование, терпят неудачу. И все же рыночное тестирование имеет ряд недостатков.

2) Анализ временных рядов

Прогнозирование продаж с использованием анализа временных рядов базируется на анализе данных за прошедшие периоды. В простейшем случае прогноз предполагает, что объем сбыта в следующем году будет равен объему сбыта в текущем году. Такой прогноз может оказаться достаточно точным для зрелой отрасли, характеризующейся незначительными темпами роста рынка. В других обстоятельствах необходимо использовать более сложные методы анализа временных рядов. Здесь мы рассмотрим следующие методы :

- скользящего среднего;
- экспоненциального сглаживания;
- декомпозиции.

Метод скользящего среднего

Метод скользящего среднего достаточно прост. Рассмотрим прогноз, который сводится к тому, что объем сбыта в следующем году будет равен объему продаж в году текущем. При значительных колебаниях объемах продаж из года в год такой прогноз чреват серьезными последствиями. Чтобы учесть все нюансы, можно рассчитать среднее значение нескольких показателей объемов продаж за определенные периоды времени, например произвести усреднение объемов продаж за два, три, пять последних лет или за другое количество удобных для расчетов периодов. При таком подходе прогноз продаж оказывается обычным средним значением объемов сбыта. Количество показателей, используемых в вычислении, определяется экспериментальным путем. В конечном итоге число периодов, которое обеспечит наиболее точные прогнозы подающихся проверке данных, будет использоваться для разработки модели прогноза. Термин “скользящее среднее” используется потому, что вычисленное новое среднее значение служит прогнозом на каждом этапе наблюдения при появлении новых данных.

Метод экспоненциального сглаживания

При прогнозировании следующего значения метод скользящего среднего придает равный вес каждому из последних значений n, где n -- количество используемых лет. Таким образом, когда n = 4 (т.е. используется четырехгодичное скользящее среднее), при прогнозировании объема сбыта на следующий год одинаковый вес назначается объемам сбыта за каждый год из последних четырех лет.

Метод экспоненциального сглаживания -- это разновидность метода скользящего среднего. Его отличие в том, что наибольшие весовые коэффициенты назначаются не всем наблюдениям, а самым последним, поскольку они несут в себе больше информации о вероятном развитии событий в ближайшем будущем.

Эффективность метода экспоненциального сглаживания во многом зависит от выбора так называемой константы сглаживания, которая в алгоритме вычисления обозначается как б и находится в диапазоне от 0 до 1. Высокие значения б придают больше веса последним наблюдениям и меньше -- более ранним. Если объемы продаж с течением времени изменяются незначительно, то целесообразно использовать низкие значения б. Однако, когда объемы сбыта колеблются в широком диапазоне, следует использовать высокие значения б, в результате чего прогнозируемый ряд будет отражать эти изменения. Обычно значение б определяется эмпирическим путем, т.е. проверяются разные значения б и в итоге принимается то, которое обеспечивает наименьшую погрешность прогноза для определенного количества наблюдений за предыдущие периоды времени.

Метод декомпозиции

В случае необходимости анализа данных за более короткие периоды времени, например месяц или квартал, при наличии сезонных колебаний продаж, когда руководство хочет получить прогнозы продаж не только на год, но и на отдельные его периоды, используется метод прогнозирования продаж, называемый декомпозицией. Здесь важно определить, какая доля изменения объемов продаж обусловлена тенденциями на рынке, а какая объясняется сезонностью спроса. Суть метода декомпозиции заключается в выявлении четырех составляющих временного ряда:

- тренд;
- циклический фактор;
- сезонный фактор;
- случайный фактор.

Тренд отражает долгосрочные изменения, которые наблюдаются во временном ряде, когда циклический, сезонный и нерегулярные компоненты исключены. Обычно предполагается, что тренд можно представить в виде прямой линии.

Циклический фактор присутствует не всегда, поскольку отражает подъемы и спады (“волны”) во временном ряде, когда сезонный и случайный компоненты исключены. Циклические подъемы и спады, как правило, проявляются на протяжении достаточно длительного периода времени -- примерно от двух до пяти лет. Для некоторых товаров (например, для консервированной кукурузы) отмечаются незначительные циклические колебания, в то время как продажи других (например, строительство жилья) претерпевают весьма существенные изменения.

Сезонность отражает ежегодные колебания во временном ряде, вызванные естественной сменой сезонов. Сезонный фактор, как правило, проявляется ежегодно, хотя точная картина продаж с каждым годом может меняться.

Случайный фактор отражает воздействие, которое может наблюдаться после исключения влияния тренда, циклического и сезонного факторов.

3) Статистический анализ спроса

Взаимосвязь объемов продаж и определенных периодов времени, которая используется в методе временных рядов, формирует основу для составления прогноза на будущее. Статистический анализ спроса -- это попытка определить взаимосвязь объемов продаж и основных факторов влияния и составить на этой основе прогноз на будущее. Как правило, для оценки такой взаимосвязи используется регрессионный анализ. При этом акцент делается на выделении не всех факторов, влияющих на объемы сбыта, а лишь на самых значимых, оказывающих наибольшее влияние на объемы сбыта. Например, компания по производству пластиковых окон при прогнозировании сбыта может учитывать такие факторы, как цикличность строительства жилья, колебания процентных ставок и сезонное повышение спроса в весенне-летний период.

Все методы прогнозирования продаж имеют свои преимущества и недостатки, поэтому решение об использовании того или иного метода далеко не очевидно. В первую очередь, решение об использовании метода прогнозирования зависит от самого товара или услуги. Например, для прогнозирования продаж абсолютно нового и ни на что не похожего товара (например, игрушки тамагочи) не может быть использован ни один из методов, так как возможные продажи могут колебаться от нуля до миллиардов рублей.

Цель данной статьи — изложить в систематизированном виде методы прогнозирования объема продаж, наиболее часто применяемые в экономической практике. Главное внимание в работе обращено на прикладное значение рассматриваемых методов, на экономическое истолкование и интерпретацию получаемых результатов, а не на объяснение математико-статистического аппарата, который подробно освещается в специальной литературе.

Самым простым способом прогнозирования рыночной ситуации является экстраполяция, т.е. распространение тенденций, сложившихся в прошлом, на будущее. Сложившиеся объективные тенденции изменения экономических показателей в известной степени предопределяют их величину в будущем. К тому же многие рыночные процессы обладают некоторой инерционностью. Особенно это проявляется в краткосрочном прогнозировании. В то же время прогноз на отдаленный период должен максимально принимать во внимание вероятность изменения условий, в которых будет функционировать рынок.

Методы прогнозирования объема продаж можно разделить на три основные группы:

методы экспертных оценок;
методы анализа и прогнозирования временных рядов;
казуальные (причинно-следственные) методы.

Методы экспертных оценок основываются на субъективной оценке текущего момента и перспектив развития. Эти методы целесообразно использовать для конъюнктурных оценок, особенно в случаях, когда невозможно получить непосредственную информацию о каком-либо явлении или процессе.

Вторая и третья группы методов основаны на анализе количественных показателей, но они существенно отличаются друг от друга.

Методы анализа и прогнозирования динамических рядов связаны с исследованием изолированных друг от друга показателей, каждый из которых состоит из двух элементов: из прогноза детерминированной компоненты и прогноза случайной компоненты. Разработка первого прогноза не представляет больших трудностей, если определена основная тенденция развития и возможна ее дальнейшая экстраполяция. Прогноз случайной компоненты сложнее, так как ее появление можно оценить лишь с некоторой вероятностью.

В основе казуальных методов лежит попытка найти факторы, определяющие поведение прогнозируемого показателя. Поиск этих факторов приводит собственно к экономико-математическому моделированию — построению модели поведения экономического объекта, учитывающей развитие взаимосвязанных явлений и процессов. Следует отметить, что применение многофакторного прогнозирования требует решения сложной проблемы выбора факторов, которая не может быть решена чисто статистическим путем, а связана с необходимостью глубокого изучения экономического содержания рассматриваемого явления или процесса. И здесь важно подчеркнуть примат экономического анализа перед чисто статистическими методами изучения процесса.

Каждая из рассмотренных групп методов обладает определенными достоинствами и недостатками. Их применение более эффективно в краткосрочном прогнозировании, так как они в определенной мере упрощают реальные процессы и не выходят за рамки представлений сегодняшнего дня. Следует обеспечивать одновременное использование количественных и качественных методов прогнозирования.

Рассмотрим подробнее сущность некоторых методов прогнозирования объема продаж, возможности их использования в маркетинговом анализе, а также необходимые исходные данные и временны2е ограничения.

Прогнозы объема продаж с помощью экспертов могут быть получены в одной из трех форм:

точечного прогноза;
интервального прогноза;
прогноза распределения вероятностей.

Точечный прогноз объема продаж — это прогноз конкретной цифры. Он является наиболее простым из всех прогнозов, поскольку содержит наименьший объем информации. Как правило, заранее предполагается, что точечный прогноз может быть ошибочным, но методикой не предусмотрен расчет ошибки прогноза или вероятности точного прогноза. Поэтому на практике чаще применяются два других метода прогнозирования: интервальный и вероятностный.

Интервальный прогноз объема продаж предусматривает установление границ, внутри которых будет находиться прогнозируемое значение показателя с заданным уровнем значимости. Примером является утверждение типа: «В предстоящем году объем продаж составит от 11 до 12,4 млн. руб.».

Прогноз распределения вероятностей связан с определением вероятности попадания фактического значения показателя в одну из нескольких групп с установленными интервалами. Примером может служить прогноз типа:

Хотя при составлении прогноза существует определенная вероятность, что фактический объем продаж не попадет в указанный интервал, но прогнозисты верят, что она настолько мала, что может игнорироваться при планировании.

Интервалы, учитывающие низкий, средний и высокий уровень продаж, иногда называют пессимистичными, наиболее вероятными и оптимистическими. Конечно, распределение вероятностей может быть представлено большим количеством групп, но наиболее часто используются три указанных группы интервалов.

Для выявления общего мнения экспертов необходимо получить данные о прогнозных значениях от каждого эксперта, а затем произвести расчеты, используя систему взвешивания индивидуальных значений по какому-либо критерию. Известны четыре метода взвешивания различных мнений:

Выбор метода остается за исследователем и зависит от конкретной ситуации. Ни один из них не может быть рекомендован для использования в любой ситуации.

Избежать проблемы взвешивания индивидуальных прогнозов экспертов и искажающего влияния отмеченных нежелательных факторов позволяет Дельфи-метод (см., например, ). Его основу составляет работа по сближению точек зрения экспертов. Всех экспертов знакомят с оценками и обоснованиями других экспертов и предоставляют возможность изменить свою оценку.

Вторая группа методов прогнозирования основана на анализе временных рядов.

Таблица 1 представляет временной ряд по показателю потребления безалкогольного напитка «Тархун» в декалитрах (дал) в одном из регионов начиная с 1993 г. Анализ временных рядов может проводиться не только по годовым или месячным данным, но также могут использоваться ежеквартальные, недельные или ежедневные данные об объемах продаж. Для расчетов был использован программный продукт Statistica 5.0 for Windows.

Таблица 1
Ежемесячное потребление безалкогольного напитка «Тархун» в 1993—1999 гг. (тыс. дал)

По данным таблицы 1 построим график потребления напитка «Тархун» в 1993—1999 гг. (рис. 1), где на оси абсцисс представлены даты наблюдения, на оси ординат — объемы потребления напитка.

Рис. 1. Ежемесячное потребление напитка «Тархун» в 1993—1999 гг. (тыс. дал)

Прогнозирование на основе анализа временных рядов предполагает, что происходившие изменения в объемах продаж могут быть использованы для определения этого показателя в последующие периоды времени. Временные ряды, подобные тем, что приведены в таблице 1, обычно служат для расчета четырех различных типов изменений в показателях: трендовых, сезонных, циклических и случайных.

Тренд — это изменение, определяющее общее направление развития, основную тенденцию временных рядов . Выявление основной тенденции развития (тренда) называется выравниванием временного ряда, а методы выявления основной тенденции — методами выравнивания.

Один из наиболее простых приемов обнаружения общей тенденции развития явления — укрупнение интервала динамического ряда. Смысл этого приема заключается в том, что первоначальный ряд динамики преобразуется и заменяется другим, уровни которого относятся к большим по продолжительности периодам времени. Так, например, месячные данные таблицы 1 могут быть преобразованы в ряд годовых данных. График ежегодного потребления напитка «Тархун», приведенный на рисунке 2, показывает, что потребление возрастает из года в год в течение исследуемого периода. Тренд в потреблении является характеристикой относительно стабильного темпа роста показателя за период.

Выявление основной тенденции может быть осуществлено также методом скользящей средней. Для определения скользящей средней формируются укрупненные интервалы, состоящие из одинакового числа уровней. Каждый последующий интервал получаем, постепенно передвигаясь от начального уровня динамического ряда на одно значение. По сформированным укрупненным данным рассчитываем скользящие средние, которые относятся к середине укрупненного интервала.

Рис. 2. Ежегодное потребление напитка «Тархун» в 1993—1999 гг. (тыс. дал)

Порядок расчета скользящих средних по потреблению напитка «Тархун» в 1993 г. приведен в таблице 2. Аналогичный расчет может быть проведен на основе всех данных за 1993—1999 гг.

Таблица 2
Расчет скользящих средних по данным за 1993 г.

В данном случае расчет скользящей средней не позволяет сделать вывод об устойчивой тенденции в потреблении напитка «Тархун», поскольку на нее влияет внутригодовое сезонное колебание, которое может быть устранено лишь при расчете скользящих средних за год.

Изучение основной тенденции развития методом скользящей средней является эмпирическим приемом предварительного анализа. Для того чтобы дать количественную модель изменений динамического ряда, используется метод аналитического выравнивания. В этом случае фактические уровни ряда заменяются теоретическими, рассчитанными по определенной кривой, отражающей общую тенденцию изменения показателей во времени. Таким образом, уровни динамического ряда рассматриваются как функция времени:

Y t = f(t).

Наиболее часто могут использоваться следующие функции:

при равномерном развитии — линейная функция: Y t = b 0 + b 1 t;
при росте с ускорением:
1. парабола второго порядка: Y t = b 0 + b 1 t + b 2 t 2 ;
2. кубическая парабола: Y t = b 0 + b 1 t + b 2 t 2 + b 3 t 3 ;
при постоянных темпах роста — показательная функция: Y t = b 0 b 1 t;
при снижении с замедлением — гиперболическая функция: Y t = b 0 + b 1 x1/t.

Однако аналитическое выравнивание содержит в себе ряд условностей: развитие явлений обусловлено не только тем, сколько времени прошло с отправного момента, а и тем, какие силы влияли на развитие, в каком направлении и с какой интенсивностью. Развитие явлений во времени выступает как внешнее выражение этих сил.

Оценки параметров b 0 , b 1 , ... b n находятся методом наименьших квадратов, сущность которого состоит в отыскании таких параметров, при которых сумма квадратов отклонений расчетных значений уровней, вычисленных по искомой формуле, от их фактических значений была бы минимальной.

Для сглаживания экономических временных рядов нецелесообразно использовать функции, содержащие большое количество параметров, так как полученные таким образом уравнения тренда (особенно при малом числе наблюдений) будут отражать случайные колебания, а не основную тенденцию развития явления.

Расчетные значения параметров уравнения регрессии и графики теоретических и фактических годовых объемов потребления напитка «Тархун» представлены на рисунке 3.

Рис. 3. Теоретические и фактические значения объемов потребления напитка «Тархун» в 1993—1999 гг. (тыс. дал)

Подбор вида функции, описывающей тренд, параметры которой определяются методом наименьших квадратов, производится в большинстве случаев эмпирически, путем построения ряда функций и сравнения их между собой по величине среднеквадратической ошибки.

Разность между фактическими значениями ряда динамики и его выравненными значениями () характеризует случайные колебания (иногда их называют остаточные колебания или статистические помехи). В некоторых случаях последние сочетают тренд, циклические колебания и сезонные колебания.

Среднеквадратическая ошибка, рассчитанная по годовым данным потребления напитка «Тархун» для уравнения прямой (рис. 1), составила 1,028 тыс. дал. На основании среднеквадратической ошибки можно рассчитать предельную ошибку прогноза. Для того чтобы гарантировать результат с вероятностью 95%, используется коэффициент, равный 2; а для вероятности 99% этот коэффициент увеличится до 3. Итак, мы можем гарантировать с вероятностью 95%, что объем потребления в 2000 г. составит 134,882 тыс. дал. плюс (минус) 2,056 тыс. дал.

Расчеты по подбору функций, описывающих объем потребления напитка «Тархун» в отдельные месяцы с 1993 г. по 1999 г., показали, что ни одно из перечисленных уравнений не подходит для прогнозирования этого показателя. Во всех случаях объясненная вариация не превысила 28,8%.

Сезонные колебания — повторяющиеся из года в год изменения показателя в определенные промежутки времени. Наблюдая их в течение нескольких лет для каждого месяца (или квартала), можно вычислить соответствующие средние, или медианы, которые принимаются за характеристики сезонных колебаний.

При проверке ежемесячных данных из таблицы 1 можно обнаружить, что пик потребления напитка приходится на летние месяцы. Объем продаж детской обуви приходится на период перед началом учебного года, увеличение потребления свежих овощей и фруктов происходит осенью, повышение объемов строительных работ — летом, увеличение закупочных и розничных цен на сельхозпродукты — в зимний период и т.п. Периодические колебания в розничной торговле можно обнаружить и в течение недели (например, перед выходными днями увеличивается продажа отдельных продуктов питания), и в течение какой-либо недели месяца. Однако самые значительные сезонные колебания наблюдаются в определенные месяцы года. При анализе сезонных колебаний обычно рассчитывается индекс сезонности, который используется для прогнозирования исследуемого показателя.

В самой простой форме индекс сезонности рассчитывается как отношение среднего уровня за соответствующий месяц к общему среднему значению показателя за год (в процентах). Все другие известные методы расчета сезонности различаются по способу расчета выравненной средней. Чаще всего используются либо скользящая средняя, либо аналитическая модель проявления сезонных колебаний.

Большинство методов предполагает использование компьютера. Относительно простым методом расчета индекса сезонности является метод центрированной скользящей средней. Для того чтобы его проиллюстрировать, предположим, что в начале 1999 г. мы хотели рассчитать индекс сезонности для потребления напитка «Тархун» в июне 1999 г. Используя метод скользящей средней, мы должны были бы последовательно осуществить следующие этапы:

Сравнение средних квадратических отклонений, вычисленных за разные периоды времени, показывает сдвиги в сезонности (рост свидетельствует об увеличении сезонности потребления напитка «Тархун»).

Другим методом расчета индексов сезонности, часто используемым в различного рода экономических исследованиях, является метод сезонной корректировки, известный в компьютерных программах как метод переписи (Census Method II). Он является своего рода модификацией метода скользящих средних. Специальная компьютерная программа элиминирует трендовую и циклическую компоненты, используя целый комплекс скользящих средних. Кроме того, из средних сезонных индексов удалены и случайные колебания, поскольку под контролем находятся крайние значения признаков.

Расчет индексов сезонности является первым этапом в составлении прогноза. Обычно этот расчет проводится вместе с оценкой тренда и случайных колебаний и позволяет корректировать прогнозные значения показателей, полученных по тренду. При этом необходимо учитывать, что сезонные компоненты могут быть аддитивными и мультипликативными. Например, каждый год в летние месяцы продажа безалкогольных напитков увеличивается на 2000 дал, таким образом, в эти месяцы к существующим прогнозам необходимо добавлять 2000 дал, чтобы учесть сезонные колебания. В этом случае сезонность аддитивна. Однако в течение летних месяцев продажа безалкогольных напитков может увеличиваться на 30%, то есть коэффициент равен 1,3. В этом случае сезонность носит мультипликативный характер, или другими словами, мультипликативный сезонный компонент равен 1,3.

В таблице 3 приведены расчеты индексов и факторов сезонности методами переписи и центрированной скользящей средней.

Таблица 3
Индексы сезонности объема продаж напитка «Тархун», рассчитанные по данным за 1993—1999 гг.

Данные таблицы 3 характеризуют природу сезонности потребления напитка «Тархун»: в летние месяцы объем потребления возрастает, а в зимние — падает. Причем данные обоих методов — переписи и центрированной скользящей средней — дают практически одинаковые результаты. Выбор метода определяется в зависимости от ошибки прогноза, о которой упоминалось выше. Итак, индексы, или факторы, сезонности могут быть учтены при прогнозировании объемов продаж через корректировку трендового значения прогнозируемого показателя. Например, предположим, что был сделан прогноз на июнь 1999 г. методом скользящей средней и он составил 10,480 тыс дал. Индекс сезонности в июне (по методу переписи) равен 115,1. Таким образом, окончательный прогноз для июня 1999 г. составит: (10,480 x 115,1)/100 = 12,062 тыс. дал.

Если бы на изучаемом интервале времени коэффициенты уравнения регрессии, которое описывает тренд, оставались бы неизменными, то для построения прогноза достаточно было бы использовать метод наименьших квадратов. Однако в течение исследуемого периода коэффициенты могут меняться. Естественно, что в таких случаях более поздние наблюдения несут большую информационную ценность по сравнению с более ранними наблюдениями, а следовательно, им нужно присвоить наибольший вес. Именно таким принципам и отвечает метод экспоненциального сглаживания, который может быть использован для краткосрочного прогнозирования объема продаж. Расчет осуществляется с помощью экспоненциально-взвешенных скользящих средних:

где Z — сглаженный (экспоненциальный) объем продаж;
t — период времени;
a — константа сглаживания;
Y — фактический объем продаж.

Последовательно используя эту формулу, экспоненциальный объем продаж Zt можно выразить через фактические значения объема продаж Y:

где SO — начальное значение экспоненциальной средней.

При построении прогнозов с помощью метода экспоненциального сглаживания одной из основных проблем является выбор оптимального значения параметра сглаживания a . Ясно, что при разных значениях a результаты прогноза будут различными. Если a близка к единице, то это приводит к учету в прогнозе в основном влияния лишь последних наблюдений; если a близка к нулю, то веса, по которым взвешиваются объемы продаж во временном ряду, убывают медленно, т.е. при прогнозе учитываются все (или почти все) наблюдения. Если нет достаточной уверенности в выборе начальных условий прогнозирования, то можно использовать итеративный способ вычисления a в интервале от 0 до 1. Существуют специальные компьютерные программы для определения этой константы. Результаты расчетов объема продаж напитка «Тархун» методом экспоненциального сглаживания приведены на рисунке 4.

На графике видно, что выравненный ряд достаточно точно воспроизводит фактические данные объема продаж. При этом при прогнозе учитываются данные всех прошлых наблюдений, веса, по которым взвешиваются уровни временного ряда, убывают медленно, a = 0,032.

Количественные значения прогнозных показателей объема продаж напитка «Тархун» в 2000 г., полученные с помощью метода экспоненциального сглаживания, приведены в таблице 4.

Рис. 4. График результатов экспоненциального сглаживания

Таблица 4
Прогнозируемый объем продаж напитка «Тархун» в 2000 г.

В таблице 4 приведены не все прогнозные данные за 2000 г., что обусловлено зависимостью между количеством исходных данных и возможным количеством прогнозируемых данных.

Обобщая результаты прогнозирования с помощью методов временных рядов, необходимо оценить точность расчетов, на основании которой можно сделать вывод об аппроксимирующей способности моделей. Для того чтобы продемонстрировать возможности всех методов прогнозирования временных рядов рассмотрим, насколько точно были предсказаны объемы продаж в 1999 г., и сравним расчетные данные с фактически полученными. Соответствующие расчеты приведены в таблице 5.

Данные таблицы 5 показывают, что все методы прогнозирования дают примерно одинаковые результаты с ошибкой, не превышающей 5%. Следовательно, любой из этих методов может быть использован для прогнозирования объема продаж фирмы в будущем.

Статистические таблицы, характеризующие сезонность потребления напитка «Тархун», могут дополниться графиками, позволяющими подчеркнуть сезонный характер исходных данных и провести сравнение.

Объемы продаж большинства компаний показывают более значительные колебания, чем те, что представлены в таблице 1. Они растут и падают в зависимости от общей ситуации в бизнесе, уровня спроса на продукты, производимые компаниями, деятельности конкурентов и других факторов. Колебания, отражающие конъюнктурные циклы перехода от более или менее благоприятной рыночной ситуации к кризису, депрессии, оживлению и снова к благоприятной ситуации, называются циклическими колебаниями. Существуют различные классификации циклов, их последовательности и продолжительности. Например, выделяются двадцатилетние циклы, обусловленные сдвигами в воспроизводственной структуре сферы производства; циклы Джанглера (7—10 лет), проявляющиеся как итог взаимодействия денежно-кредитных факторов; циклы Катчина (3—5 лет), обусловленные динамикой оборачиваемости запасов; частные хозяйственные циклы (от 1 до 12 лет), обусловленные колебаниями инвестиционной активности .

Таблица 5
Результаты прогнозирования объема продаж напитка «Тархун» в 1999 г.

Методика выявления цикличности заключается в следующем. Отбираются рыночные показатели, проявляющие наибольшие колебания, и строятся их динамические ряды за возможно более продолжительный срок. В каждом из них исключается тренд, а также сезонные колебания. Остаточные ряды, отражающие только конъюнктурные или чисто случайные колебания, стандартизируются, т.е. приводятся к одному знаменателю. Затем рассчитываются коэффициенты корреляции, характеризующие взхаимосвязь показателей. Многомерные связи разбиваются на однородные кластерные группы. Нанесенные на график кластерные оценки должны показать последовательность изменения основных рыночных процессов и их движение по фазам конъюнктурных циклов.

Казуальные методы прогнозирования объема продаж включают разработку и использование прогнозных моделей, в которых изменения в уровне продаж являются результатом изменения одной и более переменных.

Казуальные методы прогнозирования требуют определения факторных признаков, оценки их изменений и установления зависимости между ними и объемом продаж. Из всех казуальных методов прогнозирования рассмотрим только те, которые с наибольшим эффектом могут быть использованы для прогнозирования объема продаж. К таким методам относятся:

корреляционно-регрессионный анализ;
метод ведущих индикаторов;
метод обследования намерений потребителей и др.

К числу наиболее широко используемых казуальных методов относится корреляционно-регрессионный анализ. Техника этого анализа достаточно подробно рассмотрена во всех статистических справочниках и учебниках. Рассмотрим лишь возможности этого метода применительно к прогнозированию объема продаж.

Может быть построена регрессионная модель, в которой в качестве факторных признаков могут быть выбраны такие переменные, как уровень доходов потребителей, цены на продукты конкурентов, расходы на рекламу и др. Уравнение множественной регрессии имеет вид

Y (X 1 ; X 2 ; ...; X n) = b 0 + b 1 x X 1 + b 2 x X 2 + ... + b n x X n ,

где Y — прогнозируемый (результативный) показатель; в данном случае — объем продаж;
X 1 ; X 2 ; ...; X n — факторы (независимые переменные); в данном случае — уровень доходов потребителей, цены на продукты конку- рентов и т.д.;
n — количество независимых переменных;
b 0 — свободный член уравнения регрессии;
b 1 ; b 2 ; ...; b n — коэффициенты регрессии, измеряющие отклонение ре- зультативного признака от его средней величины при от- клонении факторного признака на единицу его измере- ния.

Последовательность разработки регрессионной модели для прогнозирования объема продаж включает следующие этапы:

где b j — коэффициент регрессии при j-м факторе.

Регрессионные модели могут использоваться при прогнозировании спроса на потребительские товары и средства производства. В результате проведения корреляционно-регрессионного анализа объема продаж напитка «Тархун» была получена модель

Y t+1 = 2,021 + 0,743A t + 0,856Y t ,

где Y t+1 — прогнозируемый объем продаж в месяце t + 1;
A t — затраты на рекламу в текущем месяце t;
Y t — объем продаж в текущем месяце t.

Возможна следующая интерпретация уравнения многофакторной регрессии: величина объема продаж напитка в среднем увеличивалась на 2,021 тыс. дал, при увеличении затрат на рекламу на 1 руб. объем продаж в среднем увеличивался на 0,743 тыс. дал., при увеличении объема продаж предыдущего месяца на 1 тыс. дал объем продаж в последующем месяце увеличивался на 0,856 тыс. дал.

Ведущие индикаторы — это показатели, изменяющиеся в том же направлении, что и исследуемый показатель, но опережающие его во времени. Например, изменение уровня жизни населения влечет за собой изменение спроса на отдельные товары, а следовательно, изучая динамику показателей уровня жизни, можно сделать выводы о возможном изменении спроса на эти товары. Известно, что в развитых странах по мере увеличения доходов возрастают потребности в услугах, а в развивающихся странах — в товарах длительного пользования.

Метод ведущих индикаторов чаще используется для прогнозирования изменений в бизнесе в целом, чем для прогнозирования объема продаж отдельных компаний. Хотя нельзя отрицать, что уровень объема продаж большинства компаний зависит от общей рыночной ситуации, сложившейся в регионах и стране в целом. Поэтому перед прогнозированием собственного объема продаж фирмам часто бывает необходимо оценить общий уровень экономической активности в регионе.

Существенным обоснованием прогноза объема продаж товаров потребительского назначения могут служить данные обследований намерений потребителей. Они знают о собственных перспективных покупках больше, чем кто-либо, поэтому многие компании проводят периодические обследования мнений потребителей о производимой продукции и вероятности ее покупки в будущем. Чаще всего эти обследования касаются товаров и услуг, приобретение которых планируется потенциальными покупателями заранее (как правило, это дорогие покупки типа автомобиля, квартиры или путешествия).

Конечно, нельзя недооценивать полезность такого рода обследований, но также нельзя не учитывать, что намерения потребителей относительно какого-то товара могут измениться, что скажется на отклонении фактических данных о потреблении от прогнозных.

Итак, при прогнозировании объема продаж могут быть использованы все рассмотренные выше методы. Естественно, возникает вопрос об оптимальном методе прогнозирования в конкретной ситуации. Выбор метода связан, по крайней мере, с тремя ограничивающими условиями:

точность прогноза;
наличие необходимых исходных данных;
наличие времени для осуществления прогнозирования.

Если требуется прогноз с точностью 5%, то все методы прогнозирования, обеспечивающие точность 10%, могут не рассматриваться. Если нет необходимых для прогноза данных (например, данные временных рядов при прогнозировании объема продаж нового продукта), то исследователь вынужден прибегнуть к казуальным методам или экспертным оценкам. Подобная ситуация может возникнуть в связи со срочной потребностью в прогнозных данных. В этом случае исследователь должен руководствоваться временем, имеющимся в его распоряжении, осознавая, что срочность расчетов может сказаться на их точности.

Необходимо отметить, что мерой качества прогноза может служить коэффициент, характеризующий отношение числа подтвердившихся прогнозов к общему числу сделанных прогнозов. Очень важно осуществлять расчет этого коэффициента не по окончании прогнозируемого срока, а при составлении самого прогноза. Для этого можно использовать метод инверсной верификации путем ретроспективного прогнозирования. Это означает, что правильность прогнозной модели проверяется ее способностью воспроизводить фактические данные в прошлом. Других формальных критериев, знание которых позволило бы априорно заявить об аппроксимирующей способности прогнозной модели, не существует .

Прогнозирование объема продаж — неотъемлемая часть процесса принятия решения; это систематическая проверка ресурсов компании, позволяющая более полно использовать ее преимущества и своевременно выявлять потенциальные угрозы. Компания должна постоянно следить за динамикой объема продаж и альтернативными возможностями развития рыночной ситуации с тем, чтобы наилучшим образом распределять имеющиеся ресурсы и выбирать наиболее целесообразные направления своей деятельности.

Литература

Если все сделки «выстрелят», впереди сделок уже не будет. За пиком продаж неизбежно следует провал. Но прогнозировать подъемы и спуски можно — причем легко и технологично.

Причина провала может быть простой: менеджеры по продажам видят перспективу только в ближайших сделках. Чтобы сбыт был стабильным, необходимо его планировать и прогнозировать. И не до конца текущего месяца, как это обычно делают. Необходим прогноз продаж на несколько месяцев вперед.

Техника и технология

Несколько правил прогнозирования продаж уместятся на двух страницах.

Все наметки на клиентов, имеющиеся у каждого менеджера по продажам, учитываются в конкретных суммах. Недостаточно сказать: «Мы можем продать сайт клиенту XYZ». Нужно конкретизировать: «Мы планируем продать клиенту XYZ сайт бизнес-класса стоимостью $9500».
Необходимо запланировать месяц, когда можно ждать продажи. Например: сейчас на дворе май 2007 г. И мы планируем, что сайт удастся продать в течение двух месяцев. Значит, оплаты можно ждать в июле 2007 г.
Неплохо бы определить (и трезво оценить) вероятность совершения сделки. Каждой вероятности соответствует свой коэффициент, на который множится сумма сделки для учета в прогнозе продаж. Например, делим все ожидаемые платежи на три вида: «гарантированные», «вероятные» и «маловероятные». «Гарантированные» платежи принимаем к прогнозу с коэффициентом 1: они поступят практически наверняка. «Вероятные» платежи принимаем к прогнозу с коэффициентом 0,6: вероятность их поступления больше 50%, но далека от 100%. «Маловероятные» платежи принимаем к прогнозу с коэффициентом 0,1: мы почти не ждем, что эти деньги к нам поступят.

Суммируем обороты по планируемым сделкам, взвешенные с учетом вероятности. Отдельно берем сумму по ожидаемым сделкам за текущий месяц (X), за ближайший будущий месяц (X+1) и за месяц, следующий за ним (X+2).

Прогноз продаж на текущий месяц, равный сумме оборота, реально поступившего с начала месяца, и прогноза продаж по сделкам, ожидающимся до конца месяца.
Прогноз продаж на месяц, следующий за текущим — (текущий месяц + 1).
Прогноз продаж на текущий месяц + 2.

Обычно все эти данные загоняются в знакомый всем формат таблицы MS Exel. В ней делаются отдельные страницы на каждый месяц, блоки на каждого вашего сотрудника. И вставляются формулы, автоматически учитывающие вероятность платежей и выдающие итоговые прогнозы. Общий, и по каждому сотруднику отдельно.

Необходимо сделать две вещи. Во-первых, собрать и загнать в таблицу исходные данные. Во-вторых, выработать у сотрудников безусловный рефлекс: они должны учитывать все промежуточные результаты работы с клиентами в изменениях прогноза. Например, при обсуждении контракта на сайт коммерсант убедил клиента в необходимости продвижения сайта. Для себя он должен сразу оценить, как изменится прогноз продаж. Какую дополнительную сумму должен будет заплатить клиент за продвижение? Например, $5000. Насколько изменится прогноз? Если сделка «вероятная», прогноз увеличится на $5000 × 0,6 = $3000.

Теперь по итоговым данным прогноза продаж можно контролировать ход коммерческой работы. Важны не сами итоговые данные, а их изменения изо дня в день.

Если прогноз продаж не изменился по сравнению со вчерашним днем — значит, коммерческая работа не велась.

Это даже хуже, чем если бы прогноз уменьшился. Уменьшение прогноза означает, что какие-то сделки попытались дожать — и они слетели. Но работа все-таки велась. А неизменный прогноз означает именно то, что никто ничего не делал.

Прогноз — это уже результат

Как определить оптимальный прогноз продаж?

В нашем случае для расчета прогноза продаж используется технологичный подход. А это означает, что прогноз не берется с неба и не высасывается из пальца. Он является объективным отражением текущего положения дел по перспективным контрактам. Поэтому технологичный прогноз не может быть «оптимальным» или «неоптимальным». Он всегда является объективным отражением действительности. Если, конечно, ведется правильно.

Единственное, что можно уточнить по ходу дела (статистически) — это вероятностные коэффициенты. После сопоставления прогнозов и реальных результатов продаж за несколько месяцев может оказаться, что «вероятным» контрактам нужно присвоить коэффициент 0,9. А «маловероятным» — коэффициент 0,15.

Жесткое внедрение

Как заставить сотрудников спрогнозировать и оценить потенциальных клиентов?

Дисциплинарно. Без жесткого регулярного управления на основе технологий и стандартов прогноз продаж жить не будет.

Как выявить сознательные занижения в прогнозе продаж менеджеров?

Во-первых, менеджер может занизить саму сумму ожидаемой сделки. Это — проблема «личного порога». Ее нужно лечить наставничеством. И тренингами продаж хороших практиков.

Во-вторых, менеджер может занизить вероятность успеха сделки. Ну, меньше «маловероятной» он поставить не сможет. Если у большинства менеджеров вероятности сделок разные, а у кого-то все сделки — «маловероятные», это хорошо видно по сводному прогнозу продаж. У таких менеджеров проблемы с уверенностью в себе или товарах/услугах своей компании. Им нужна поддержка опытных товарищей при «дожиме» сделок.

Самое опасное — когда переговоры с клиентами ведутся, а в прогнозе продаж клиенты не появляются. Как минимум, это означает, что менеджер занимается с клиентами тусовкой, а не продажей. Он даже не предполагает, что конкретно будет предлагать данному клиенту. И на какую сумму. Как максимум, сделки уводятся на сторону.

Эта ситуация становится очевидной, когда коммерсант ведет переговоры с клиентами и ездит к ним на встречи. А его личный прогноз продаж не меняется. Эта ситуация требует немедленного вмешательства руководителя продаж. И жестких решительных действий. От совместного проведения переговоров до увольнения сотрудника.

Как добиться максимального выполнения прогноза продаж?

В наибольшей степени это зависит от личных усилий руководителя продаж. Он должен постоянно отслеживать, насколько его сотрудники могут обеспечить выполнение прогноза по их клиентам. Здесь действует правило «не более одной дополнительной попытки». Если в назначенный день клиент оплатил — хорошо. Если нет — разговор об объективных трудностях клиента никого не волнует. Сотрудник сам должен назвать руководителю продаж тот срок (небольшой!), за который он доведет эту сделку до результата. Если срок прошел, а результата нет, руководитель берет «дожим» сделки на себя. За соответствующее вознаграждение.

Отметим напоследок: прогноз продаж позволяет по нескольким итоговым значениям насквозь контролировать работу отдела. Мало того: как греет душу рукводителя сама возможность предсказать будущее!

Прогнозирование – это очень важный элемент практически любой сферы деятельности, начиная от экономики и заканчивая инженерией. Существует большое количество программного обеспечения, специализирующегося именно на этом направлении. К сожалению, далеко не все пользователи знают, что обычный табличный процессор Excel имеет в своем арсенале инструменты для выполнения прогнозирования, которые по своей эффективности мало чем уступают профессиональным программам. Давайте выясним, что это за инструменты, и как сделать прогноз на практике.

Целью любого прогнозирования является выявление текущей тенденции, и определение предполагаемого результата в отношении изучаемого объекта на определенный момент времени в будущем.

Способ 1: линия тренда

Одним из самых популярных видов графического прогнозирования в Экселе является экстраполяция выполненная построением линии тренда.

Попробуем предсказать сумму прибыли предприятия через 3 года на основе данных по этому показателю за предыдущие 12 лет.

Способ 2: оператор ПРЕДСКАЗ

Экстраполяцию для табличных данных можно произвести через стандартную функцию Эксель ПРЕДСКАЗ . Этот аргумент относится к категории статистических инструментов и имеет следующий синтаксис:

ПРЕДСКАЗ(X;известные_значения_y;известные значения_x)

«X» – это аргумент, значение функции для которого нужно определить. В нашем случае в качестве аргумента будет выступать год, на который следует произвести прогнозирование.

«Известные значения y» — база известных значений функции. В нашем случае в её роли выступает величина прибыли за предыдущие периоды.

«Известные значения x» — это аргументы, которым соответствуют известные значения функции. В их роли у нас выступает нумерация годов, за которые была собрана информация о прибыли предыдущих лет.

Естественно, что в качестве аргумента не обязательно должен выступать временной отрезок. Например, им может являться температура, а значением функции может выступать уровень расширения воды при нагревании.

При вычислении данным способом используется метод линейной регрессии.

Давайте разберем нюансы применения оператора ПРЕДСКАЗ на конкретном примере. Возьмем всю ту же таблицу. Нам нужно будет узнать прогноз прибыли на 2018 год.

Но не стоит забывать, что, как и при построении линии тренда, отрезок времени до прогнозируемого периода не должен превышать 30% от всего срока, за который накапливалась база данных.

Способ 3: оператор ТЕНДЕНЦИЯ

Для прогнозирования можно использовать ещё одну функцию – ТЕНДЕНЦИЯ . Она также относится к категории статистических операторов. Её синтаксис во многом напоминает синтаксис инструмента ПРЕДСКАЗ и выглядит следующим образом:

ТЕНДЕНЦИЯ(Известные значения_y;известные значения_x; новые_значения_x;[конст])

Как видим, аргументы «Известные значения y» и «Известные значения x» полностью соответствуют аналогичным элементам оператора ПРЕДСКАЗ , а аргумент «Новые значения x» соответствует аргументу «X» предыдущего инструмента. Кроме того, у ТЕНДЕНЦИЯ имеется дополнительный аргумент «Константа» , но он не является обязательным и используется только при наличии постоянных факторов.

Данный оператор наиболее эффективно используется при наличии линейной зависимости функции.

Посмотрим, как этот инструмент будет работать все с тем же массивом данных. Чтобы сравнить полученные результаты, точкой прогнозирования определим 2019 год.

Способ 4: оператор РОСТ

Ещё одной функцией, с помощью которой можно производить прогнозирование в Экселе, является оператор РОСТ. Он тоже относится к статистической группе инструментов, но, в отличие от предыдущих, при расчете применяет не метод линейной зависимости, а экспоненциальной. Синтаксис этого инструмента выглядит таким образом:

РОСТ(Известные значения_y;известные значения_x; новые_значения_x;[конст])

Как видим, аргументы у данной функции в точности повторяют аргументы оператора ТЕНДЕНЦИЯ , так что второй раз на их описании останавливаться не будем, а сразу перейдем к применению этого инструмента на практике.

Способ 5: оператор ЛИНЕЙН

Оператор ЛИНЕЙН при вычислении использует метод линейного приближения. Его не стоит путать с методом линейной зависимости, используемым инструментом ТЕНДЕНЦИЯ . Его синтаксис имеет такой вид:

ЛИНЕЙН(Известные значения_y;известные значения_x; новые_значения_x;[конст];[статистика])

Последние два аргумента являются необязательными. С первыми же двумя мы знакомы по предыдущим способам. Но вы, наверное, заметили, что в этой функции отсутствует аргумент, указывающий на новые значения. Дело в том, что данный инструмент определяет только изменение величины выручки за единицу периода, который в нашем случае равен одному году, а вот общий итог нам предстоит подсчитать отдельно, прибавив к последнему фактическому значению прибыли результат вычисления оператора ЛИНЕЙН , умноженный на количество лет.

Как видим, прогнозируемая величина прибыли, рассчитанная методом линейного приближения, в 2019 году составит 4614,9 тыс. рублей.

Способ 6: оператор ЛГРФПРИБЛ

Последний инструмент, который мы рассмотрим, будет ЛГРФПРИБЛ . Этот оператор производит расчеты на основе метода экспоненциального приближения. Его синтаксис имеет следующую структуру:

ЛГРФПРИБЛ (Известные значения_y;известные значения_x; новые_значения_x;[конст];[статистика])

Как видим, все аргументы полностью повторяют соответствующие элементы предыдущей функции. Алгоритм расчета прогноза немного изменится. Функция рассчитает экспоненциальный тренд, который покажет, во сколько раз поменяется сумма выручки за один период, то есть, за год. Нам нужно будет найти разницу в прибыли между последним фактическим периодом и первым плановым, умножить её на число плановых периодов (3) и прибавить к результату сумму последнего фактического периода.

Прогнозируемая сумма прибыли в 2019 году, которая была рассчитана методом экспоненциального приближения, составит 4639,2 тыс. рублей, что опять не сильно отличается от результатов, полученных при вычислении предыдущими способами.

Мы выяснили, какими способами можно произвести прогнозирование в программе Эксель. Графическим путем это можно сделать через применение линии тренда, а аналитическим – используя целый ряд встроенных статистических функций. В результате обработки идентичных данных этими операторами может получиться разный итог. Но это не удивительно, так как все они используют разные методы расчета. Если колебание небольшое, то все эти варианты, применимые к конкретному случаю, можно считать относительно достоверными.

Грамотное прогнозирование объема продаж является одной из главных составляющих успеха вашего бизнеса. Если при этом речь идет о продукции, прогнозирование продаж дает возможность оптимизировать запасы на складе.

Необходимо, чтобы менеджеры по продажам понимали, что прогнозирование объема продаж является одной из их профессиональных обязанностей. Зачастую они сконцентрированы на самих продажах.

Целью прогнозирования объема продаж является эффективное планирование деятельности. И задача это должна возлагаться именно на менеджера по продажам. Ведь бухгалтер предприятия не может предсказать рост или падение спроса на продукцию. По итогам прогнозирования осуществляется планирование объемов продаж, а следовательно, и планирование бизнеса. И в случае ошибочных прогнозов показатели будут неточными.

То есть главной целью прогнозирования является распределение ресурсов компании для обеспечения требуемого объема продаж. Компания может прогнозировать продажи путем прогноза рынка в целом с дальнейшим вычислением доли своего продукта, или путем прогнозирования объема продаж компании.

Простейшим способом прогнозирования является экстраполяция - распространение существующих тенденций на будущее. Этот метод прогнозирования подходит для краткосрочного планирования, однако при необходимости отдаленного прогноза следует учитывать вероятность изменения рыночных условий.

Существует три основные группы методов прогнозирования объемов продаж:

Методы экспертных оценок, которые базируются на оценке текущего момента и перспективы развития. Применяются в ситуациях, когда нет возможности получить актуальную информацию о процессе или явлении;
методы анализа и прогнозирования временных рядов - связаны с исследованием независимых друг от друга показателей, состоящим из двух элементов - прогнозов детерминированной и случайной компоненты;
казуальные или причинно-следственные методы прогнозирования - поиск факторов, влияющих на поведение прогнозируемого показателя.

Использование тех или иных методов зависит от целей прогнозирования - краткосрочный (неделя, месяц, квартал) или долгосрочный (1 год и более) прогноз. Планирование объема продаж на длительный период - более сложный процесс, так как существуют факторы, которые могут повлиять на ожидаемые результаты.

Однако сделать точные прогнозы для компании тоже задача вполне по силам.

Точным прогнозом называется такой прогноз, отклонение которого колеблется в пределах 10% от реальных показателей. Для того, чтобы построить точный прогноз, потребуется выполнить следующие действия:

1. Зафиксируйте точные показатели продаж за определенные отрезки времени в прошедшем периоде, к примеру, ежемесячные продажи за год.
2. Рассчитайте коэффициенты сезонности для каждого отрезка времени и постройте соответствующий график.
3. Рассчитайте эластичность спроса по цене. Для этого прежде всего определите, как при изменении цен меняется спрос на вашу продукцию.
4. Учтите рост производства или открытие новых торговых точек.
5. Рассчитайте коэффициент влияния внешних факторов (конкуренция, экономическая ситуация в стране). Для этого необходима история продаж за длительный период (как минимум 2 года). Рассчитывается прогноз продаж на прошлый год с учетом коэффициентов эластичности и сезонности и сравнивается с реальными цифрами. Разница является показателем влияния внешних факторов.
6. Ознакомьте каждого сотрудника отдела продаж с прогнозом.

Точное прогнозирование объемов продаж дает возможность сократить расходы, оптимально запланировать деятельность компании и эффективно распределить имеющиеся ресурсы.