У першому випадку як база прогнозування використовується минулий досвід, що пролонгується на майбутнє. Робиться припущення, що система розвивається еволюціонно в досить стабільних умовах. Ніж крупніше система, тим більше ймовірне збереження її параметрів без зміни, звичайно, на термін не занадто великий. Рекомендується, щоб термін прогнозу не перевищував однієї третини тривалості вихідної тимчасової бази.

В другому випадку будується прогнозна модель, що характеризує залежність досліджуваного параметра від ряду факторів, що на нього впливають. Вона зв'язує умови, що, як очікується, будуть мати місце і характер їхнього впливу на досліджуваний параметр.

Дані моделі не використовують функціональні залежності; вони засновані тільки на статистичних взаємозв'язках.

При побудові прогнозних моделей найчастіше використовується парний і множинний регресійний аналіз; в основі екстраполяційних методів лежить аналіз тимчасових рядів.

Парний регресійний аналіз заснований на використанні рівняння прямої лінії:

y = a + bx,

де,

y - оцінювана чи прогнозована залежна перемінна (результативна ознака);

a - вільний член рівняння;

x - незалежна перемінна (факторна ознака), використовувана для визначення залежної перемінної.

b - коефіцієнт регресії, що вимірює середнє відношення відхилення результативної ознаки від його середньої величини до відхилення факторної ознаки від його середньої величини на одну одиницю його виміру - варіація y, що приходиться на одиницю варіації x.

Коефіцієнти a і b розраховуються на основі спостережень величин y і x за допомогою методу найменших квадратів.

Припустимо, що торговий агент продає дитячі іграшки, відвідуючи квартири випадковим образом. Відсутність відвідування якоїсь квартири означає відсутність продажу a = 0. Якщо в середньому кожен десятий візит супроводжується продажем на 62 долара, то вартість продажу на один візит складе 6,2 долари чи b = 6,2.

Тоді y = 0 + 6,2x.

Таким чином, очікується , що при 100 візитах доход складе 620 доларів. Треба пам'ятати, що ця оцінка не є обов'язкової, а носить ймовірностний характер.

Аналіз на основі множинної регресії заснований на використанні більш, ніж однієї незалежної перемінної у рівнянні регресії. Це ускладнює аналіз, роблячи його багатомірним. Однак регресійна модель більш повно відбиває дійсність, тому що в реальності досліджуваний параметр, як правило, залежить від безлічі факторів.

Так, наприклад, при прогнозуванні попиту ідентифікуються фактори, що визначають попит, визначаються взаємозв'язки існуючі між ними, і прогнозуються їх ймовірні майбутні значення; з них за умови реалізації умов, для яких рівняння множинної регресії залишається справедливим, виводиться прогнозне значення попиту.

Усе, що стосується множинної регресії концептуально є ідентичним парній регресії, за винятком того, що використовується більш, ніж одна перемінна. Під цим кутом зору злегка змінюється термінологія і статистичні розрахунки.

Багатофакторне рівняння множинної регресії має наступний вид:

y = a + b1 x 1 + b2x2 + b3 x3 + .... + bm xm,

де,

y - залежна чи прогнозована перемінна;

xі - незалежна перемінна;

a - вільний член рівняння;

bі - коефіцієнт умовно-чистої регресії;

і = 1, m;

m - число незалежних перемінних (факторних ознак).

Термін "коефіцієнт умовно-чистої регресії" означає, що кожна з величин b вимірює середнє по сукупності відхилення залежної перемінної (результативної ознаки) від її середньої величини при відхиленні залежної перемінної (фактора) x від своєї середньої величини на одиницю її виміру і за умови, що всі інші фактори, що входять у рівняння регресії, закріплені на середніх значеннях, не змінюються, не варіюються.

Обмеженням прогнозування на основі регресійного рівняння, тим більше парного, служить умова стабільності чи принаймні малої мінливості інших факторів і умов досліджуваного процесу, не зв'язаних з ними. Якщо різко зміниться "зовнішнє середовище" процесу, що протікає, колишнє рівняння регресії результативної ознаки на факторний утратить своє значення.

Варто дотримувати ще одне обмеження: не можна підставляти значення факторної ознаки, що значно відрізняються від вхідних у базисну інформацію, по якій обчислене рівняння регресії. При якісно інших рівнях фактора, якщо вони навіть можливі в принципі, були б іншими параметри рівняння. Можна рекомендувати при визначенні значень факторів не виходити за межі третини розмаху варіації як за мінімальне, так і за максимальне значення ознаки-фактора, що є у вихідній інформації.

Прогноз, отриманий підстановкою в рівняння регресії очікуваного значення фактора, називають крапковим прогнозом. Імовірність точної реалізації такого прогнозу вкрай мала. Необхідно супроводити його значення середньою помилкою прогнозу чи довірчим інтервалом прогнозу, у який з досить великою імовірністю попадають прогнозні оцінки. Середня помилка є мірою точності прогнозу на основі рівняння регресії. Існують удосконалені методи парної регресії, у якомусь ступені перемагаючи його недоліки.

Найпростішими методами прогнозування попиту на основі статистичної маркетингової інформації є екстраполяційні методи, засновані на аналізі тимчасових рядів.

Багато даних маркетингових досліджень представляються для різних інтервалів часу, наприклад, на щорічній, щомісячній й ін. основі. Такі дані називаються тимчасовими рядами. Аналіз тимчасових рядів спрямований на виявлення трьох видів закономірностей зміни даних: трендів, циклічності і сезонності, виявлення причин зміни попиту в минулому з наступним переносом отриманих закономірностей на майбутнє.

Тренд характеризує загальну тенденцію в змінах показників ряду. Ті чи інші якісні властивості розвитку виражають різні рівняння трендів: лінійні, параболічні, експонентні, логарифмічні, логістичні й ін. Після теоретичного дослідження особливостей різних форм тренда необхідно звернутися до фактичного тимчасового ряду, тим більше що далеко не завжди можна надійно установити, якою повинна бути форма тренда з чисто теоретичних розумінь. По фактичному динамічному ряді тип тренда встановлюють на основі графічного зображення, шляхом осереднення показників динаміки, на основі статистичної перевірки гіпотези про сталість параметра тренда.

У табл.4 приводяться дані обсягу продажів велосипедів визначеної компанії за 17 років.

Таблиця 4

Обсяг продажу велосипедів

Необхідно визначити прогнозну оцінку обсягу продажів на вісімнадцятий рік.

Представивши в графічному виді дані табл. 4, можна за допомогою методу найменших квадратів підібрати пряму лінію, найбільшою мірою відповідну отриманим даним і визначити прогнозну величину обсягу продажів.

Рис.2 Обсяг продажу велосипедів.

У той же час більш уважний розгляд рис.2 дозволяє зробити висновок про те, що не всі крапки близько розташовані до прямої. Особливо ці розбіжності великі для останніх років, а вірити останнім даним, видимо, можна з великою підставою.

У даному випадку можна застосувати метод експонентного згладжування, призначаючи різні вагові коефіцієнти (великі для останніх років) даним для різних років. В останньому випадку прогнозна оцінка в більшому ступені відповідає тенденціям останніх років.

Циклічний характер коливань статистичних показників характеризується тривалим періодом (сонячна активність, врожайність окремих культур, економічна активність). Такі явища звичайно не є предметом дослідження маркетологів, яких звичайно цікавить динаміка проблеми на відносно короткому інтервалі часу.

Сезонні коливання показників мають регулярний характер і спостерігаються протягом кожного року. Вони є предметом вивчення маркетологів (попит на газонокосарки, на відпочинок у курортних місцях протягом року, на телефонні послуги протягом доби і т.д.). Оскільки виявлені закономірності носять регулярний характер, то їх цілком обґрунтовано можна використовувати в прогнозних цілях.

На відміну від прогнозу на основі регресійного рівняння прогноз по тренду враховує фактори розвитку тільки в неявному виді, і це не дозволяє "програвати" різні варіанти прогнозів при різних можливих значеннях факторів, що впливають на досліджувану ознаку. Зате прогноз по тренду охоплює усі фактори, у той час як у регресійну модель у кращому випадку неможливо включити в явному виді більш 10-20 факторів.

Тимчасові ряди крім простої екстраполяції можуть використовуватися також з метою більш глибокого прогнозного аналізу, наприклад, обсягу продажів. Метою аналізу в даному випадку є розкладання тимчасового ряду продажів на головні компоненти, вимір еволюції кожної складової в минулому і її екстраполяції на майбутнє. В основі методу лежить ідея стабільності причинно-наслідкових зв'язків і регулярність еволюції факторів зовнішнього середовища, що уможливлює використання екстраполяції. Метод складається в розкладанні тимчасового ряду на п'ять компонентів:

Страницы: 1, 2, 3, 4, 5, 6, 7, 8