Прогнозирование спроса

Прогнозирование спроса — это прогноз количества товаров и услуг, которые будут востребованы потребителями в будущем. В частности, методы прогнозирования спроса предполагают использование прогнозной аналитики для оценки потребительского спроса с учетом ключевых экономических условий. Это важный инструмент оптимизации прибыльности бизнеса за счет эффективного управления цепочками поставок. Методы прогнозирования спроса делятся на две основные категории: качественные и количественные методы. Качественные методы основаны на мнении экспертов и информации, собранной на местах. Этот метод чаще всего используется в ситуациях, когда для анализа доступно минимальное количество данных, например, когда бизнес или продукт недавно были представлены на рынке. Однако количественные методы используют доступные данные и аналитические инструменты для составления прогнозов. Прогнозирование спроса может использоваться при распределении ресурсов, управлении запасами, оценке будущих требований к мощности или принятии решений о выходе на новый рынок .

Важность прогнозирования спроса для бизнеса

Прогнозирование спроса играет важную роль для предприятий в различных отраслях, особенно в отношении снижения рисков, связанных с конкретными видами деятельности. Однако прогнозирование спроса, как известно, является сложной задачей для бизнеса из-за сложности анализа, особенно количественного анализа. Тем не менее, понимание потребностей клиентов является неотъемлемой частью любой отрасли, позволяющей эффективно осуществлять бизнес-деятельность и более адекватно реагировать на потребности рынка. Если предприятия смогут эффективно прогнозировать спрос, можно получить несколько преимуществ. К ним относятся, помимо прочего, сокращение отходов, оптимизированное распределение ресурсов и потенциально значительное увеличение продаж и доходов.

Развивая вышеизложенное, можно выделить некоторые из причин, по которым предприятиям требуется прогнозирование спроса, включают:

1. Достижение целей . Большинство успешных организаций имеют заранее определенные траектории роста и долгосрочные планы, позволяющие гарантировать, что бизнес работает с идеальной производительностью. Понимая будущие рынки спроса, предприятия могут активно обеспечивать достижение целей в этой бизнес-среде.
2. Бизнес-решения . Что касается достижения целей, то, имея глубокое понимание будущего спроса отрасли, руководство и ключевые члены совета директоров могут принимать стратегические бизнес-решения, которые способствуют более высокой прибыльности и росту. Эти решения обычно связаны с концепциями мощности, ориентации на рынок, приобретения сырья и понимания направления контракта с поставщиком.
3. Рост . Имея точное представление о будущих прогнозах, компании могут оценить необходимость расширения в течение периода времени, который позволяет им сделать это экономически эффективно.
4. Управление человеческим капиталом . Если в отрасли наблюдается быстрый рост спроса, но у предприятия недостаточно сотрудников для выполнения заказов на продажу, это может отрицательно сказаться на лояльности потребителей, поскольку клиенты вынуждены покупать у конкурентов.
5. Финансовое планирование . Крайне важно понимать прогнозы спроса, чтобы эффективно планировать будущие операции с точки зрения таких факторов, как движение денежных средств, учет запасов и общие эксплуатационные расходы. Использование точной модели прогнозирования спроса может привести к значительному снижению эксплуатационных расходов предприятий, поскольку меньший резервный запас . требуется хранить

Методы прогнозирования спроса

Для прогнозирования спроса используются различные статистические и эконометрические анализы. Прогнозирование спроса можно разбить на семь этапов, семь этапов описываются следующим образом:

Этап 1. Изложение теории или гипотезы.

Первым шагом к прогнозированию спроса является определение набора целей или информации для разработки различных бизнес-стратегий. Эти цели основаны на наборе гипотез, которые обычно возникают на основе экономической теории или предыдущих эмпирических исследований. Например, менеджер может захотеть определить оптимальную цену и объем производства для нового продукта, основываясь на том, как эластичность спроса повлияла на прошлые продажи компании.

Этап 2: Спецификация модели

Существует множество различных эконометрических моделей, которые различаются в зависимости от анализа, который хотят провести менеджеры. Тип модели, выбираемой для прогнозирования спроса, зависит от множества различных аспектов, таких как тип полученных данных или количество наблюдений и т. д. На этом этапе важно определить тип переменных, которые будут использоваться для прогнозирования спроса. Регрессионный анализ является основным статистическим методом прогнозирования. Существует много различных типов регрессионного анализа, но по сути они обеспечивают анализ того, как одна или несколько переменных влияют на измеряемую зависимую переменную. Примером модели прогнозирования спроса является регрессионная модель прогнозирования спроса М. Рудмана (1986), предназначенная для измерения влияния сезонности на измеряемую точку данных. Модель основана на модели линейной регрессии и используется для измерения линейных тенденций, основанных на сезонных циклах и их влиянии на спрос, т. е. сезонный спрос на продукт, основанный на продажах летом и зимой.

Модель линейной регрессии описывается как:

$Y_{i}=\beta _{0}+\beta _{1}X_{i}+e$

Где $Y_{i}$ является зависимой переменной, $\beta _{0}$ это перехват, $\beta _{1}$ коэффициент наклона, $X_{i}$ — независимая переменная, а e — член ошибки.

Модель прогнозирования спроса М.Рудмана основана на линейной регрессии и описывается как:

$\lambda _{q}=\{t\mid t=1,\dots ,n{\text{ and }}t{\bmod {Q}}=q\}\qquad q=1,\dots ,Q$

$\lambda _{q}$ определяется как набор всех t -индексов для квартала q . Процесс, который генерирует данные для всех периодов t , попадающих в квартал q, определяется следующим образом:

$Y_{t}=(\beta +\tau \times t)\times \sigma _{q}+e$

• $Y_{t}$ = данные за период
• β = базовый спрос в начале горизонта временного ряда
• τ = линейный тренд за квартал
• $\sigma _{q}$ = мультипликативный сезонный коэффициент за квартал
• e = член возмущения

Этап 3: Сбор данных

После того как на этапе 2 определен тип модели, необходимо указать данные и метод сбора данных. Сначала необходимо указать модель, чтобы определить переменные, которые необходимо собрать. И наоборот, при выборе желаемой модели прогнозирования необходимо учитывать доступные данные или методы сбора данных, чтобы сформулировать правильную модель. Сбор данных временных рядов и перекрестных данных — это различные методы сбора, которые можно использовать. Данные временных рядов основаны на исторических наблюдениях, сделанных последовательно во времени. Эти наблюдения используются для получения соответствующей статистики, характеристик и понимания данных. Точками данных, которые могут быть собраны с использованием данных временных рядов, могут быть продажи, цены, производственные затраты и соответствующие им временные интервалы, т.е. еженедельные, ежемесячные, ежеквартальные, ежегодные или любые другие регулярные интервалы. К перекрестным данным относятся данные, собранные по одному объекту в разные периоды времени. Перекрестные данные, используемые при прогнозировании спроса, обычно представляют собой данные, полученные от отдельного лица, фирмы, отрасли или области. Например, продажи фирмы А в первом квартале. Этот тип данных инкапсулирует различные точки данных, которые привели к окончательной точке данных. Подмножество точек данных может быть невозможно наблюдать или определить, но оно может служить практическим методом повышения точности модели прогнозирования спроса. Источник данных можно найти в отчетах фирмы, коммерческих или частных агентствах или официальных источниках.

Этап 4: Оценка параметров

После получения модели и данных можно вычислить значения, чтобы определить влияние независимых переменных на рассматриваемую зависимую переменную. Используя модель линейной регрессии в качестве примера оценки параметров, предпринимаются следующие шаги:

Формула линейной регрессии:

$Y_{i}=\beta _{0}+\beta _{1}X_{i}+e$

Первый шаг — найти линию, которая минимизирует сумму квадратов разницы между наблюдаемыми значениями зависимой переменной и подобранными значениями из этой линии. Это выражается как ${\hat {Y}}_{i}=\beta _{0}+\beta _{1}{X_{i}}$ что сводит к минимуму $\Sigma (Y_{i}-{\hat {Y_{i}}})^{2}$ и ${\hat {Y_{i}}}=\beta _{0}$, подобранное значение линии регрессии.

$\beta _{0}$ и $\beta _{1}$ также необходимо представить, чтобы найти точку пересечения и наклон линии. Метод определения $\beta _{0}$ и $\beta _{1}$ заключается в использовании частичного дифференцирования по отношению к обоим $\beta _{0}$ и $\beta _{1}$ установив оба выражения равными нулю и решая их одновременно. Ниже описан метод исключения этих переменных:

${\begin{aligned}\beta _{1}&={\frac {n\Sigma XY-\Sigma X\Sigma y}{n\Sigma X^{2}-(\Sigma X)^{2}}}\\\beta _{0}&={\frac {\Sigma Y}{n}}-{\frac {\beta _{1}\Sigma X}{n}}\end{aligned}}$

Этап 5: Проверка точности модели

Расчет точности прогноза спроса — это процесс определения точности прогнозов, сделанных в отношении потребительского спроса на продукт. Понимание и прогнозирование потребительского спроса жизненно важно для производителей и дистрибьюторов, чтобы избежать дефицита и поддерживать адекватный уровень запасов. Хотя прогнозы никогда не бывают идеальными, они необходимы для подготовки к фактическому спросу. Чтобы поддерживать оптимизированные запасы и эффективную цепочку поставок, необходимы точные прогнозы спроса.

Расчет точности прогнозов цепочки поставок

Точность прогноза в цепочке поставок обычно измеряется с использованием средней абсолютной процентной ошибки или MAPE. Статистически MAPE определяется как среднее процентное значение ошибок.

Однако большинство практиков определяют и используют MAPE как среднее абсолютное отклонение, деленное на средние продажи, что представляет собой просто взвешенное по объему MAPE, также называемое соотношением MAD/Mean. Это то же самое, что разделить сумму абсолютных отклонений на общий объем продаж всей продукции. Этот расчет ${\frac {\sum {|A-F|}}{\sum {A}}}$, где A — фактическое значение, а F — прогноз, также известно как WAPE или взвешенная абсолютная процентная ошибка.

Еще один интересный вариант — взвешенный ${\text{MAPE}}={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}$. Преимущество этой меры в том, что она позволяет взвешивать ошибки. Единственная проблема заключается в том, что для сезонных продуктов вы создадите неопределенный результат, когда продажи = 0, и это не симметрично. Это означает, что вы можете быть гораздо более неточными, если продажи выше, чем если бы они были ниже прогноза. Для исправления этой ситуации sMAPE используется , также известный как симметричная средняя абсолютная процентная ошибка.

Наконец, для непостоянных моделей спроса ни одно из вышеперечисленных не является особенно полезным. В этой ситуации компания может рассматривать MASE (среднюю абсолютную масштабированную ошибку) в качестве ключевого показателя эффективности. Однако использование этого расчета затруднено, поскольку оно не столь интуитивно понятно, как вышеупомянутое. Еще одним показателем, который следует учитывать, особенно при наличии прерывистой или неоднородной структуры спроса, является SPEC (стоимость ошибки прогнозирования, ориентированная на поддержание запасов). Идея этого показателя заключается в сравнении прогнозируемого спроса и фактического спроса путем расчета теоретических понесенных затрат в течение прогнозируемого горизонта. Он предполагает, что прогнозируемый спрос, превышающий фактический спрос, приводит к издержкам на содержание запасов, тогда как прогнозируемый спрос ниже фактического спроса приводит к альтернативным издержкам . SPEC учитывает временные сдвиги (прогноз до или после фактического спроса) или аспекты, связанные с затратами, а также позволяет сравнивать прогнозы спроса на основе бизнес-аспектов.

Вычисление ошибки прогноза

Ошибку прогноза необходимо рассчитывать, используя в качестве основы фактические продажи. Существует несколько форм используемых методов расчета ошибок прогноза, а именно: средняя процентная ошибка , среднеквадратическая ошибка , сигнал отслеживания и смещение прогноза .

Этап 6: Проверка гипотезы

После определения модели она используется для проверки теории или гипотезы, сформулированной на первом этапе. Результаты должны описывать то, чего пытаются достичь, и определять, верна или ложна теория или гипотеза. Что касается примера, представленного на первом этапе, модель должна показывать взаимосвязь между эластичностью спроса на рынке и ее корреляцией с прошлыми продажами компании. Это должно позволить менеджерам принимать обоснованные решения относительно оптимальной цены и уровня производства нового продукта.

Этап 7: Прогнозирование

Последний шаг — спрогнозировать спрос на основе созданного набора данных и модели. Чтобы спрогнозировать спрос, используются оценки выбранной переменной, чтобы определить ее влияние на спрос. Что касается оценки выбранной переменной, можно использовать регрессионную модель или реализовать как качественную, так и количественную оценку. Примерами качественных и количественных оценок являются:

Качественная оценка

• Самостоятельное суждение
• Маркетинговые исследования
• техника Дельфи
• Теория игр
• Осужденная начальная загрузка
• Имитированное взаимодействие
• Опрос намерений и ожиданий
• жюри исполнительного метода

Количественная оценка

• Дискретное моделирование событий
• Экстраполяция
• Групповой метод обработки данных (ГМДХ)
• Прогнозирование эталонного класса
• Количественные аналогии
• Прогнозирование на основе правил
• Распространение инноваций
• Нейронные сети
• Интеллектуальный анализ данных
• Совместный анализ
• Причинные модели
• Сегментация
• Модели экспоненциального сглаживания
• Модели Бокса – Дженкинса
• Гибридные модели

Другие

Другие включают:

1. 

   скользящее среднее
   Методы проецирования временных рядов
   
   • скользящего среднего Метод
   • экспоненциального сглаживания Метод
   • Методы прогнозирования тренда
2. 

   опережающий индикатор
   Причинные методы
   • Метод коэффициента цепочки
   • Метод уровня потребления
   • Метод конечного использования
   • опережающего индикатора Метод

См. также

• Спрос и предложение
• Цепочка спроса
• Моделирование спроса
• Эластичность спроса
• Запасы § Принцип пропорциональности запасов
• Прогнозирование эталонного класса
• Консенсусные прогнозы
• Предвзятость оптимизма
• Производственный бюджет
• Объемный риск

Библиография

• Милгейт, Мюррей (март 2008 г.). «Товары и товары». У Стивена Н. Дюрлауфа и Лоуренса Э. Блюма. Новый экономический словарь Пэлгрейва (2-е изд.). Пэлгрейв Макмиллан. стр. 546–48. дои : 10.1057/9780230226203.0657 . Проверено 24 марта 2010 г.
• Монтани, Гвидо (1987). «Дефицит». В Итуэлле, Дж. Миллгейте, М., Ньюмане, П. Нью-Пэлгрейв. Экономический словарь 4. Пэлгрейв, Хаундсмилл. стр. 253–54.