Kişiler
Ev/ Bakım

Turizm talebini tahmin etmek için basit ve karmaşık yöntemler. Neden hatalı talep tahminleri var? Merkezi hareketli ortalama

İşin büyük kısmı tahminlere bağlı olduğundan, genellikle doğru tahminlerin eksikliğinden şikayetçi olan lojistik departmanıdır. Ancak yöneticiler her zaman hangi düzeyde doğruluktan bahsedebileceğimizi anlamıyorlar. bu durumda ve bu sorunun nasıl çözülebileceği.

Talebi tahmin etmek veya başka türlü tahmin etmek, tanım gereği geleceğe bakmaktır, dolayısıyla hiçbir zaman tamamen doğru olmayacaktır. Yani lojistik sisteminin tamamen talep tahminlerinin doğruluğuna bağlı kalmayacak, esnek ve talepteki belirli değişikliklere yeterince yanıt verebilecek şekilde geliştirilmesi gerekiyor. Talebi telaffuz etmek, lojistik departmanının çalışmalarını etkili bir şekilde organize etmenize olanak tanır, çünkü talep tahminine dayanarak lojistikçi bir arz tahmini yapabilir, yani. Talep tahmini, lojistik departmanının arzı tahmin etmesine yardımcı olur. Talebi tahmin ederken çok dikkatli olmanız gerekir çünkü talep tahminindeki herhangi bir hata, felaket sonuçlara yol açabilir. Talep tahmini bir amaç değil, yalnızca bir araç olmalıdır. Üstelik talep tahmininin alakalı olması için her gün güncellenmesi gerekir çünkü talep tahmini, satışların geleceğine bir bakıştır ve bu çok önemlidir.

Ve aynı zamanda tahminlerin hiçbir şey vermediği varsayılamaz. Elbette lojistik (planlama) departmanının çalışmalarının ayrılmaz bir parçası olmalılar. Ancak bunları doğru kullanmak için temel özelliklerini bilmeniz gerekir. LOGIST web sitesi şunları önerir:

Boşaltma ve yükleme işlemlerini optimize etmek için AUSBAU mobil rampalarını kullanın.

Yüksek verimlilik, maliyet azaltma, kar artışı.

"AV-Exim" şirketi, Ukrayna, Rusya, Belarus, Kazakistan ve diğer BDT ülkelerine özel doğrudan teslimatlar. Temas etmek

1. Ürün grupları için talep tahmin doğruluğu, bireysel ürünlere göre daha yüksektir. Örneğin yoldan geçen ilk kişinin boyunu tahmin etmeye çalışın. Bunu doğru yapmak çok fazla şans gerektirir: Ya bir basketbol oyuncusu ya da bir cüce olabilir. Ancak yoldan geçen yüz kişinin "ortalama" boyunu tahmin etmek oldukça doğru olabilir. Bir grubun tahmini, bireysel temsilcisinin tahmininden daha doğrudur, çünkü bu durumda sapmaların "karşılıklı olarak iptal edilmesi" meydana gelir: bir durumda tahmin fazla tahmin edilir, diğerinde hafife alınır, ancak genel olarak oldukça kabul edilebilir. Bu, Şekil 2'ye yansıtılmıştır. 1.

Şekil 1. Analiz edilen parametreye bağlı olarak tahminlerin doğruluğu

2. Yakın bir perspektif için tahminlerin doğruluğu uzak bir perspektiften daha yüksektir. Dolayısıyla gelecek ay için aile bütçesini tahmin etmek aynı döneme göre çok daha kolaydır, ancak bir yıl içinde. Tahmin yapmak atış yapmaya benzer: Hedeften ne kadar uzaksa onu vurmak o kadar zor olur. Lojistik departmanı başkanından sık sık şunu duyarsınız: "Bize mümkün olduğu kadar uzun süre boyunca sipariş vermeniz yeterli, biz de onları %100 sağlayacağız." Ancak bu nedenle talep tahminine yönelik bu yaklaşım müşterilerin aleyhine çalışır: Bir satın alma ve üretim planı geliştirirken bu durumda hata olasılığı keskin bir şekilde artar.

Üretim planlama yöneticisinin aslında uzak bir zamanda hangi ürünleri üreteceğini bilmesine gerek yoktur. Hangi güce ihtiyaç duyacağını bilmeli. Bu tahmin daha az karmaşıktır ve aynı zamanda ayrıntılı talep tahmininden daha doğrudur.

Tablo 1, ayrıntı düzeyine ve planlama ufkuna bağlı olarak talep tahmin matrisini sunmaktadır.

Tablo 1. Talep tahminleri matrisi

Bu tablo aşağıdaki sonuçları çıkarmamızı sağlar.

Çeyrek I'den kaçınılmalıdır.

II. Kare uzun vadeli tahminler için kullanılabilir.

III. Çeyrek, müşterileri sipariş programlarının oluşturulmasına dahil ederek orta ve kısa vadeli talep tahminleri için kullanılabilir.

Üretim ve stok yönetimi sistemi, talep tahmininin yalnızca IV. çeyrekte yapılmasını sağlayacak şekilde (örneğin teslim sürelerini azaltarak) tasarlanmalıdır.

NEDEN TALEP TAHMİNİ YAPILIR?

Talebi tahmin etmenin hiçbir şekilde tavsiye edilmediği koşullar vardır:

Müşterinin siparişinin karşılanması için beklediği kabul edilebilir sürenin, bileşenlerin üretimi ve tedariki süresini aşması; diğer bir deyişle müşteri, kuruluşun önceden planlama yapmadan siparişi tamamlaması gerektiği sürece siparişini beklemeye isteklidir;

bu kuruluşların müşterilerinden gelen siparişleri yerine getirmek için kapasite ve diğer gerekli kaynaklar hızlı bir şekilde değiştirilebiliyorsa ve önemli maliyetler gerektirmiyorsa;

Finansal planlamaya gerek olmadığında.

Diğer tüm durumlarda talep tahmini vazgeçilmezdir. Ancak talep tahminlerinin tam olarak belirli hedeflerin gerektirdiği kadar oluşturulması gerekiyor. Aşağıda listelenen talep tahmini parametrelerinin her biri, kullanım amacına göre gerekçelendirilmeli ve tahmin oluşturulmadan önce belirlenmelidir.

– Planlama ufku. Gelecekte hangi dönem için tahmin yapılmalı? 10 yıl? 12 ay? Bir hafta?

- Ayrıntı düzeyi. Talep tahmini müşteriye göre nihai ürünleri yansıtmalı mı? Yoksa kategoriye göre özet bir plan yeterli mi?

– Revizyon sıklığı. Talep tahmininin yılda bir kez revize edilmesi gerekiyor mu? Dörtte bir? Ayda bir? Haftada bir? Her gün? Her saat?

– Tahmin aralığı. Talep tahmini hangi zaman dilimlerini yansıtmalıdır? Yıllar mı? Aylar mı? Haftalar? Günler mi?

TALEP TAHMİN YÖNTEMLERİ

Talep tahmini yöntemlerinin birçok sınıflandırması vardır. Kolaylık sağlamak için yalnızca iki grubu ayırt edebiliriz: uzman ve istatistiksel.

Bunlardan ilki uzman değerlendirmelerine dayanır ve doğası gereği özneldir. Bunların özü, çeşitli uzman görüşlerinin bir tahminin oluşturulduğu formüllere dönüştürülmesinde yatmaktadır. Uzman yöntemler şunları içerir: komisyon yöntemi, beyin fırtınası, anket, Delphi yöntemi.

İstatistiksel yöntemler, geçmişe dayalı olarak geleceği inşa etmek için istatistiksel hesaplamaların kullanılmasını içerir. Tipik bir örnek, ortalamaların hesaplanmasına yönelik yöntemlerdir. Bunlardan biri hareketli ortalamanın kullanılmasıdır. Diyelim ki bir şirket, bir ürüne olan talebi tahmin etmek için 12 haftalık hareketli ortalamayı kullanmak istiyor. Bunun için son 12 haftanın satışları toplanıp tutar 12'ye bölünerek ortalama değer elde edilir. 7 gün sonra son haftaya ait satışlar eklenir ve ilk hafta atılır ve 12 haftalık veriler tekrar elde edilir. Bu durumda basit bir ortalama kullanmaktan bahsediyoruz. Hesaplama örneği:

Eski tahmin (aylık satışlar) – 100 adet.

Fiili satışlar (geçen ay) – 80 adet.

Yeni tahmin (basit ortalama) – 90 birim.

Bu yöntemin belirgin bir dezavantajı, fiili satışlara eski tahminle aynı ağırlığın verilmesidir. Eski tahminlere daha fazla ağırlık vermek ve mevcut satışlara daha az ağırlık vermek genellikle daha iyidir, çünkü ikincisi kendi türünde benzersiz olan rastgele bir varyasyonu temsil edebilir.

Ağırlık katsayılarını 0,8 ve 0,2 (toplamda 1,0 olması gerekir) olarak tanımlamak daha mantıklıdır. Daha sonra ortalama değer şu şekilde hesaplanır:

Eski tahmin – 100 x 0,8 = 80 birim.

Gerçek satışlar – 80 x 0,2 = 16 adet.

Yeni tahmin (ağırlıklı ortalama) – 80 + 16 = 96 birim.

Bu yönteme üstel düzeltme denir. Mevcut satışlara verilen ağırlığa (bu durumda 0,2) alfa çarpanı denir. Üstel düzeltme, ağırlıklı hareketli ortalama hesabıdır. Bu yöntemin avantajı hesaplamaları basitleştirmesi ve çoğunlukla daha küçük miktarda verinin saklanmasına izin vermesidir. Üstel düzeltme, "eski tahmin" ve alfa faktörüne ilişkin verileri gerektirir. Daha da önemlisi yöntemin esnekliğidir. Tahminin gerçek talebi olduğundan düşük tahmin etmesi durumunda analist, düzeltilmiş tahmini sisteme manuel olarak girebilir ve düzeltmeye başlayabilir. Bu, hareketli ortalama hesaplamasını ayarlamaya çalışmaktan çok daha uygundur.

Regresyon ve korelasyon analizi kullanıldığında, tahmin edilen mal veya mal gruplarına ilişkin “göstergelere” farklı ağırlıklar veren formüller hesaplanır. Örneğin, konut binalarının döşenmesinin metal ürünlerin inşaat şirketlerine satışı üzerinde belirli bir etkisi vardır. Gayri safi milli hasılanın (GSMH) dinamiklerinin de bir etkisi olması muhtemeldir. Böylece, bir veya daha fazla faktörün etkisinin önem derecesi dikkate alınarak, inşaat için metal ürünlerin toplam satışını tahmin etmek için bir formül oluşturmak mümkündür. Bu durumda öncü göstergelere, yani öngörülen satışlar değişmeye başlamadan önce değeri artan veya azalanlara özellikle dikkat edilmelidir. Doğru, bu tür göstergelerin kullanımı ancak sağduyuya dayalı olması durumunda faydalı olabilir. Geçmişte çok önemli olan faktörlerin etkisi zamanla değişebilir ve bu nedenle farklı şekilde ağırlıklandırılması gerekir. Ve burada uzman değerlendirmesi olmadan yapamayız.

Bu yöntemlerin hiçbirinin diğer faktörlerin talep üzerindeki etkisini telafi edemeyeceği veya dikkate alamayacağı da unutulmamalıdır. Örneğin, metal ürün satıcıları finansal zorluklar nedeniyle stokları azaltmaya karar vermişse, ev ipoteği ile metal ürün satışları arasındaki ilişki doğru bir tahmin sağlamayacaktır. Artan dış rekabet de satış dinamikleri üzerinde belirleyici bir etkiye sahip olabilir.

Gerçek uygulamada, basit istatistiksel yöntemlerin sağlam uzman görüşleri ile birleştirilmesi gerekmektedir. Ek olarak, tahmin yönteminin seçimi, gerekli tahminin parametreleri (planlama ufku, ayrıntı düzeyi vb.) tarafından belirlenebilir ve belirlenmelidir. Örneğin 10 yıllık bir iş planına yönelik talep tahmini hazırlamak için istatistiksel yöntemler yerine uzman değerlendirme yöntemlerinin kullanılması daha uygundur.

ÖNGÖRÜ HATASINI ÖLÇME

Talebi etkili bir şekilde tahmin etmek için fiili satışların tahminlerden sapmasını düzenli olarak ölçmek gerekir.

Tahmin Hatası, gerçek ve tahmini talep arasındaki mutlak farktır. Sapmaları ölçmek için standart sapma (SD, sigma) veya ortalama mutlak sapma (MAD) kullanılabilir.

Standart sapma, istatistikçiler arasındaki dağılım ve değişkenliğin iyi bilinen bir ölçüsüdür. Ancak talep tahmini uygulayıcıları hesaplama kolaylığı nedeniyle ortalama mutlak sapmayı tercih ederler: MAD, mutlak sapmaların toplamının ölçüm sayısına (dönem) bölünmesiyle hesaplanır. Tablo 2'de ortalama mutlak sapmanın dönem içindeki sapmaların değişkenliğini yansıttığı görülebilen bir örnek verilmiştir (toplam sapma miktarının sıfır olmasına rağmen). Örnek rastgele değişimi göstermektedir. Döneme ilişkin tahminlerin toplamının fiili satışların toplamına eşit veya neredeyse eşit olduğu sapmalardır.

Tablo 2. Ortalama mutlak sapmanın hesaplanması Aylık Tahmin Gerçekleşen Sapma MAD

1 500,00 550 50 50

2 500,00 700 200 200

3 500,00 300 –200 200

4 500,00 400 –100 100

5 500,00 600 100 100

6 500 450 –50 50

Toplam 3000 3000 0 117

Rastgele olanlara ek olarak, önyargı (BIAS) adı verilen tek yönde sistematik sapmalar da vardır. Bir örnek Şekil 2'de gösterilmektedir. 2. Önyargının üretim ve envanter yönetimi sistemi üzerinde önemli bir olumsuz etkisi vardır. Başka bir deyişle talebin eksik veya fazla tahmin edilmesi anlamına gelir. Açık belirsizliğe ek olarak, önyargıdan çeşitli faktörler sorumlu olabilir.

Şekil 2. Önyargı (Önyargı)

1. Talep tahmininin eksik tahmin edilmesi şu amaçlarla gerçekleştirilebilir:

satış planının aşılması ve ikramiye alınması;

envanter azaltımı.

2. Talep tahmininin fazla tahmin edilmesi şu amaçlarla yapılabilir:

daha büyük bir harcama bütçesi elde etmek;

tekdüze bir üretim yükünün sürdürülmesi;

rezervlerdeki artış.

Talep tahminlerinin şu ya da bu yönde değişmesinin bir sonucu olarak en trajik sonuçlar ortaya çıkıyor: müşterilere verilen siparişlerin zamanında yerine getirilmemesi, plansız üretim veya işleme kesintileri, artan stok seviyeleri vb. Buna göre, öncelikle analiz etmek gerekir. gelecekte bunlardan kaçınmak için değişikliklerin nedenleri.

NEREDEN BAŞLAMALI?

Etkili talep tahmini, diğer tüm iş süreçleri gibi birbiriyle ilişkili üç unsurdan oluşur: insanlar, süreç, araçlar.

Bir talep tahmin süreci tasarlarken aşağıdaki faktörlerin dikkate alınması gerekir:

pazarlama ve satış fonksiyonlarının nasıl organize edildiği;

şirkette kimlerin talebi etkileme yeteneğine sahip olduğu;

Tahmin yapmak için gereken bilgilerin bulunduğu yer.

Pazarlama ve satışları organize etmek için birkaç temel seçeneği ele alalım.

Örnek 1. Pazarlama ve satış fonksiyonları, başkanı doğrudan organizasyondaki ilk kişiye rapor veren bir departmanda yer almaktadır.

Örnek 2. Pazarlama ve satış bölümleri ayrıdır, yöneticileri doğrudan organizasyonun birinci personeline rapor verir.

Örnek 3. Bir şirketin, her biri doğrudan organizasyondaki ilk kişiye rapor veren birden fazla pazarlama ve satış bölümü vardır (örneğin, bölümler müşteri gruplarına göre bölünmüştür).

İlk durumda her şey basit: talep tahmini süreci, pazarlama ve satış departmanı başkanının sorumluluğundadır. İkinci ve üçüncü örneklerde talep tahmin fonksiyonlarının departmanlardan birine devredilmesi satışlarda dengesizliğe neden olabilir. Bu durumlarda, talebin tahmin edilmesinden üçüncü bir tarafın (lojistik (tedarik zinciri) departmanı) sorumlu tutulması daha uygundur. Hatta ikinci ve üçüncü örneklere uyan birçok kuruluş, özel bir Talep Yöneticisi pozisyonu bile oluşturmaktadır.

Etkili tahmin, gelen bilgilerin kalitesinin iyileştirilmesiyle başlar. Girdi verilerinin toplanması belirli bir düzenlilik ve belirli bir formatta düzenlenmelidir. Özellikle aşağıdaki kurallara uyulmalıdır.

1. Talebi tahmin etmek için ihtiyaç duyulan parametrelerle aynı istatistiksel verileri toplamak gerekir. Bir ürün için talep tahminleri gerekiyorsa, tedarik zincirinin ara kısımlarına yapılan sevkiyatlar yerine talebe dayalı istatistikler kullanılmalıdır. Veri toplama aralığı tahmin aralığıyla aynı olmalıdır (aylık talep tahminleri için aylık istatistikleri kullanın). Ürünlerin istatistiklerdeki gruplaması talep tahminindeki gruplamaya uygun olmalıdır (kategoriye göre talep tahminleri için kategori istatistikleri kullanılmalıdır).

2. Verilere ilişkin tüm olayların kayıt altına alınması gerekmektedir. Talep belirli olaylardan etkilenir ve bu olaylara dayalı bir tahminle birlikte tutulması gerekir. Örneğin talepteki dalgalanmalar promosyonlardan, fiyat değişikliklerinden veya hava koşullarından kaynaklanabilir. Olayların kaydedilmesi gereklidir çünkü bunların analizi yeni talep tahminlerinin tartışılmasının temelini oluşturur.

3. Farklı müşteri grupları için ayrı istatistiksel veriler toplamak gereklidir. Birçok firma ürünlerini dağıtımını farklı kanallar dağıtım, her biri kendine özgü talep özelliklerine sahiptir. Örneğin, bir zincir mağaza haftada iki kez düzenli olarak küçük miktarlarda mal satın alabilir ve büyük bir bölgesel toptancı ayda iki kez büyük alımlar yapabilir. Adım adım şema Talep tahmin süreci Şekil 1'de gösterilmektedir. 3. Tahmin döngüleri en iyi şekilde ayda bir kez organize edilir: talepteki geçici değişiklikler ve bu işi yürütmenin maliyetleri açısından bu en uygunudur.

Şekil 3. Tahmin adımları

Dolayısıyla, istatistiksel ve tarihsel yöntemlere dayalı talep tahmini genel bir resim verir, ancak talep tahmini hiçbir zaman NE KADAR, NE, NE ZAMAN sorularına net bir cevap vermez. Talep tahmininin amacı bu değildir. Tedarik edilecek malların genel tahmin dahilinde olmasını sağlamak için talep tahmini gereklidir. Örneğin, kış için sıcak tutan ayakkabılara olan talebi tahmin edebilirsiniz ancak bu, botların keçe olacağı anlamına gelmez. Talep tahmini astrolojik tahmin gibidir; çok yakındır ancak %100 değildir. Her durumda talep tahmini işletmenin bu alandaki deneyimine dayanmalıdır.

ALETLER

İstatistiksel tahmin yöntemlerini kullanırken ana araçlardan biri uygun yazılımdır. Çok karmaşık olmamalı ve çalışmasının altında yatan algoritmalar açık ve anlaşılır olmalıdır. Araçlar, yazılımın yanı sıra talep tahminleri oluşturmaya yönelik yöntemleri de içerir. Özellikle talebi tahmin etmeye yönelik metodolojiyi belirlerken Pareto ilkesini kullanabilirsiniz (bkz. Tablo 3).

Tablo 3. Tahmin metodolojisini belirlerken Pareto ilkesi Mal grubu Tahminin kalitesini belirleyen faktörler

Bu nedenle tahminin temel ilkeleri aşağıdaki gibi olmalıdır.

1. Talep tahminlerini geliştirmek, koordine etmek ve onaylamak için faaliyetlere süreç yaklaşımının uygulanması.

2. Talep tahmini hatalarının düzenli olarak ölçülmesi; yer değiştirmenin yokluğunun kontrolü.

3. Talebi tahmin etmek için bir metodoloji geliştirirken tahminlerin temel özelliklerini kullanmak

Tüm talep tahmin yöntemleri iki gruba ayrılabilir: niteliksel ve niceliksel.

Niteliksel yöntemler tahminler subjektiftir, uzmanların ve karar vericilerin yargılarına, hatta sezgilere dayanır. Genellikle bu yöntemler aşağıdaki durumlarda kullanılır:

  • uzun ve orta vadeli tahminler için:

Böyle bir perspektifte, talepteki değişikliklerin doğası gereği tamamen ataletsel olmaması muhtemeldir, ancak belirli bir satış pazarındaki koşullardaki önemli bir değişikliği yansıtabilir (makroekonomik değişiklikler, pazar yapısındaki değişiklikler, önemli pazar katılımcılarının önemli ölçüde güçlenmesi veya zayıflaması, vesaire.);

uzun vadeli tahminler yaparken pazarlama araştırmasından elde edilen davranışsal verilere güvenmek gerekir;

  • tarihsel benzetme yönteminin kullanımını erişilemez hale getiren, analogları olmayan yeni ürünlere olan talebi tahmin etmek;
  • talep ve bağlantı profilleri istikrarsız;
  • sübjektif nedenlerle yöneticilerin veya uzmanların görüşlerine güvenme ihtiyacının olması;
  • Kısa vadeli tahminler için bile niceliksel yöntemlerin uygulanması mümkün olmadığında (örneğin, niceliksel yöntemlerin uygulanması için gereken başlangıç ​​verilerinin hacmi bulunmadığında veya tahminin çok hızlı bir şekilde elde edilmesi gerektiği ve gerekli işlemleri gerçekleştirmek için zamanın olmadığı durumlarda) niceliksel analiz).

Niteliksel yöntemlerin, bunları kullanırken dikkate alınması gereken bazı dezavantajları vardır:

  • Tahminin öznelliği nedeniyle, tahminde yüksek bir önyargı olasılığı vardır, yani gerçekte şu veya bu yönde sistematik sapma vardır;
  • Kural olarak, bu şekilde bir tahmin elde ederken, uzmanların neden başka bir tahmini değil de bu özel tahmini seçtiklerine ilişkin ayrıntılı açıklamaları eşlik ettiğinde, eksik dokümantasyon nadirdir.
  • Yüzlerce, hatta binlerce ürün kalemi için bir talep tahmini hazırlamak gerektiğinde pratik değildirler; bir kişi bu kadar hacimli bilgiyi işleyemez;
  • Uzman görüşleri konsolide edilirken (örneğin, fikir birliği paneli yöntemi kullanılırken) bir bakış açısının diğerlerine (örneğin bir yöneticinin veya önde gelen tanınmış bir uzmanın bakış açısı) hakim olması tehlikesi vardır ve bu, Bu hakim bakış açısının gerçeğe daha yakın olacağı bir gerçek.

Nicel yöntemler ekstrapolasyon ve regresyon olmak üzere iki alt gruba ayrılabilir.

Ekstrapolasyon yöntemleri (gözlenen eğilimin geleceğe yayılmasına dayalı olarak) birkaç önemli varsayıma dayanmaktadır:

  • gelecek geçmişe benzer olacak, piyasadaki güç dengelerinde önemli bir değişiklik olmayacak;
  • yeterli uzunlukta, yüksek kaliteli bir dizi başlangıç ​​verisi vardır;
  • Gelecekteki talep profili geçmiştekiyle aynı olacaktır.

Birçok farklı ekstrapolasyon yöntemi vardır: hareketli ortalama yöntemi, üstel düzeltme yöntemi, trend ekstrapolasyonu yöntemi, sinir ağı modelleri vb.

Dinamik seride aşağıdaki ana profiller (bileşenler) ayırt edilebilir:

  • bir dizi dinamiğin ana hareket yönünü gösteren bir trend;
  • mevsimsel dalgalanmaları gösteren mevsimsel bileşen (yaz, kış; son haftalarda aylar, haftanın son günleri vb.);
  • rastgele bileşen - prensipte tahmin edilemeyen bir şey;
  • Döngüsel bileşen - çok uzun zaman serileri için tahsis edilmiştir ve uzun yıllara dayanan istatistiklerin ve nispeten değişmeyen koşulların birikmesini gerektirdiğinden, işletmelerde pratikte nadiren kullanılır.

Ekstrapolasyon yöntemlerinden herhangi biri, talebi tahmin etmek için geçmiş planlama dönemlerindeki talebe ilişkin verilere güvenmenin yeterli olduğu anlamına gelir. Bu veriler genellikle kurumsal veritabanlarında (bir ERP sisteminde veya SKL sisteminde) depolanır, dolayısıyla ekstrapolasyon yöntemlerinin kullanımı nispeten ucuzdur.

Regresyon yöntemleri talep miktarı ile onu etkileyen faktörler arasında neden-sonuç ilişkilerinin kurulmasına dayanmaktadır. Faktörler doğası gereği hem demografik hem de ekonomik olabilir. Regresyon yöntemlerini uygulamak için hem talebe ilişkin veriler hem de talebi etkileyen faktörlere ilişkin veriler olmak üzere yeterli uzunlukta veri serileri gereklidir. Tahmini talep değerlerini hesaplamak için faktörleri ve sonuçta ortaya çıkan özellikleri birbirine bağlayan bir regresyon modeli oluşturulur. İşletme için yalnızca iç değil, aynı zamanda dış bilgilerin de düzenli olarak toplanmasını ve işlenmesini gerektirdiğinden, bu yöntemlerin en karmaşık ve pahalı olduğunu söyleyebiliriz. Bir regresyon modelinin oluşturulması (tek değişkenli veya daha yaygın olarak, zor durum, çok faktörlü) birkaç adım gerektirir:

  • faktörlerin bileşiminin belirlenmesi (genellikle bu adım uzmanlar tarafından gerçekleştirilir);
  • ortaya çıkan karakteristik üzerindeki etkilerinin kapsamını belirlemek için faktörlerin kontrol edilmesi;
  • aynı yönde hareket eden gereksiz faktörleri ortadan kaldırmak için faktörlerin karşılıklı korelasyonu (bağlantısı) açısından kontrol edilmesi;
  • bir regresyon ilişkisinin oluşturulması;
  • gelecekteki planlama dönemi (gelecekteki planlama dönemleri) için regresyon modelinin her faktörünün değerlerinin tahmin edilmesi;
  • Bir regresyon modelinin uygulanmasına dayalı olarak etkili bir özelliğin (yani talebin) tahminini oluşturmak.

Yukarıdaki listeden, regresyon yöntemlerinin büyük miktarda başlangıç ​​bilgisi ve istatistiksel işlemede önemli beceriler gerektirdiği açıktır. Bu nedenle, bu yöntemler iş dünyasında genellikle daha basit ve daha ucuz yöntemlerle elde edilen tahminin işletmeye uygun bir kalite sağlamadığı durumlarda kullanılır.

Talep tahmini, niteliksel ve niceliksel yöntemler (normatif hedef yöntemi dahil) kullanılarak gerçekleştirilir.

Kısa ve orta vadeli tahminler geçerlidir niteliksel yöntemler(uzman değerlendirmesi; önde gelen ticaret şirketleri tarafından ifade edilen satış seviyesi tahminleri; tüketici anketleri) ve niceliksel yöntemler (talep esnekliği katsayısının kullanımı; geometrik ilerleme yöntemi; trend modeli; çoklu doğrusal regresyon dahil olmak üzere çok faktörlü korelasyon ve regresyon modelleri).

Uzun vadeli tahminler için, talebi tahmin etmeye yönelik bir grup niceliksel yöntem olarak da sınıflandırılabilen normatif hedef yöntemi kullanılır.

Bu tipik talep tahmin yöntemlerinden bazılarına bakalım.

Talebi tahmin etmede özellikle önemli olan, bir faktörün diğerinin durumuna bağımlılığını, örneğin bir ürünün miktarının parasal gelire veya bir ürünün fiyatına bağımlılığını ifade eden esnekliğinin göstergesidir. Genel olarak kullanılan talep esnekliği katsayısı, Bir ürünün fiyatı (kişisel gelir) %1 değiştiğinde talepteki değişimin büyüklüğünü (yüzde olarak) ifade eder.

Talep esnekliği katsayısı e formülle hesaplanır:


burada y ürüne olan taleptir;

x - fiyat veya gelir;

D - göstergedeki değişiklik.

Katsayı kullanımının esneklik kavramının bir tür basitleştirilmesi olduğu unutulmamalıdır. Daha kesin bir yorumla esneklik, D ® 0 E sembolüyle gösterildiğinde, y: fonksiyonunun (bağımlı değişken) göreceli artışı ile bağımsız değişken x:'nin göreceli artışı arasındaki ilişkinin sınırı olarak kabul edilir ( y) ve aşağıdaki formülle ifade edilir:

Buna göre esneklik katsayısı, bağımsız değişkendeki %1'lik artışa karşılık gelen bir fonksiyonun (artış veya azalış) yaklaşık yüzdesini karakterize eder.

Pratik kullanımda, gelirden gelen talebin esneklik katsayısı, parasal gelir bir birim değiştiğinde talepteki (sırasıyla tüketim, satış, satış) göreceli değişimi gösterir. Burada belirleyici olan tek bir faktör var. Olayın geri kalan faktörlerinin değişmeden kaldığına ve etkilerinin ihmal edilebileceğine inanılmaktadır. onların etkisi soyutlanmıştır. Ürünün fiyatına bağlı olarak talebin esnekliği de aynı şekilde karakterize edilir. Bu gösterge tahmin hesaplamalarında gelirden gelen talebin esnekliğinden daha da önemlidir. Talebin fiyat esnekliği, bir ürünün fiyatı bir birim değiştiğinde talebin göreceli değişimini gösterir. Bu durumda bu iki bileşen arasındaki ilişkinin ters olacağı açıktır: Fiyat ne kadar yüksek olursa talep de o kadar düşük olur. Ekonomik hesaplamalarda karışıklığı önlemek için katsayının negatif işaretini atmak gelenekseldir, ancak her uzman bunu her zaman hatırlar.

Talebin fiyat esnekliğinin belirlenmesi, talebin maliyet ölçümünden ziyade niceliksel ölçümüyle yapılmalıdır. Malların sabit fiyatları koşullarında bu durumun bir önemi yoktu. Hareketli fiyatlarda bu durumun dikkate alınması gerekir.

Tüm mallar esnekliklerine göre iki gruba ayrılır: esnek talep ve esnek olmayan talep.

Uzmanlar esnekliğin bire eşit olduğu üçüncü bir grup daha tanımlıyor.

Birinci grup, katsayısı 1'in üzerinde olan malları içerir. Böyle bir ürünün fiyatındaki düşüş ve hane halkı gelirindeki artış, satılan mal sayısında artışa ve buna bağlı olarak satışlarından elde edilen karda artışa neden olur. daha düşük bir fiyatla satışlardaki artış, fiyat indiriminden kaynaklanan kayıpları telafi etmek için yeterlidir. Bu tür mallar şunları içerir: yüksek kaliteli giyim ve ayakkabı, şekerleme, dayanıklı tüketim malları ve diğer bazı ürünler. Ayrıca talebin esneklik katsayısı ne kadar yüksek olursa, mal satışının fiyata veya gelire bağımlılığı da o kadar güçlü olur.

İkinci grup (esnek olmayan talep), katsayısı 1'in altında olan malları içerir. Bu tür malların fiyatının düşürülmesi, alıcılar için faydalı olabilir, ancak şirket için kârlı olmayabilir, çünkü genellikle azalan veya sabit bir hacimle kârında bir azalmaya yol açar. mal satışı. Hanehalkı gelirindeki düşüşün de talep miktarı üzerinde neredeyse hiçbir etkisi yok. Bu tür ürünler şunları içerir: ekmek, tuz, kibritler, temel süt ürünleri, sebzeler ve diğerleri; temel mallar.

Talebin gelir esnekliği katsayısı da negatif işarete sahip olabilir. Bu, parasal gelir arttıkça belirli bir ürüne olan talebin azaldığı anlamına gelir. Bu tür ürünler genellikle besin değeri düşük, kalorisi düşük veya tüketime hazır olma düzeyini yansıtmayan ürünleri içerir.

Esneklik ayırt edilir: a) yay, yani. eğrinin bir bölümünün ortalaması ve b) noktası, yani. Belirli bir noktada sunulur. Bu elastiklik ayrımına yakın fakat aynı olmayan başka bir fark daha vardır: esneklik katsayılarının statik ve dinamik olarak bölünmesi. Statik esneklik katsayısı belirli bir süre için, genellikle 1 yıla kadar hesaplanır. Dinamik esneklik katsayısı daha uzun bir süre için hesaplanır. Statik katsayıların tahmin değeri küçüktür çünkü zaman içindeki talep gelişimi sürecini yansıtmazlar. Dinamik esneklik katsayıları, talepteki değişikliklere ve birkaç yıl içindeki belirleyici faktörlerden birine veya diğerine ilişkin verilere dayanarak hesaplanır. Bu tür esneklik katsayıları yıldan yıla hesaplanır. Talebin zaman içindeki eğilimini yansıttıkları için talep tahmini için daha uygundurlar.

Esneklik katsayısının hesaplanması, genellikle ekonomik göstergeleri tahmin eden bilimsel kuruluş ve enstitülerden uzmanların sahip olduğu özel teori ve yöntem bilgisi gerektirir. Bu teknikler özel literatürde ayrıntılı olarak açıklanmaktadır. Ancak, belirli bir ürünün deneyimli satıcısı olabilecek bir uzmanın görüşüne dayanarak talep esnekliği katsayısını hesaplamanın daha basit bir yöntemi vardır. Böyle bir çalışan, mevcut piyasa koşullarında fiyatı değiştiğinde, bir ürünün satışındaki değişiklik miktarını her zaman en azından yaklaşık olarak adlandırabilir.

Örnek 1. 5 ruble fiyatla satılan elektrikli pillerin talebinin esneklik katsayısını belirleyin. bir parça. Mağazada haftada ortalama 15 adet satılıyor. Pillerin fiyatını 4,3 rubleye düşürürseniz satıcıya göre haftada 18 adet satabilirsiniz. Bu bilgiye dayanarak pil talebinin statik fiyat esnekliğini belirlemek mümkündür.

Hesaplama. Bu durumda talebin fiyat esnekliği şu şekilde olacaktır:

Çözüm. Pillerin fiyatının %1 oranında azalması halinde mevcut satış koşullarında talepteki artış %1,43 olabilir.

Ortaya çıkan esneklik katsayısı, gelecek hafta veya ay için ürün satışlarını tahmin etmek için kullanılabilir. Ancak talebin esnekliğinin sürekli verilen bir şey olmadığını unutmamalıyız. Satış şartlarının değişmesi durumunda değişebilir. Daha sonra esneklik katsayısının tekrar belirlenmesi gerekmektedir.

Talep esnekliği katsayısı bilinen bir ürüne yönelik talep tahmini örneğini ele alalım.

Örnek 2. Talep katsayısının fiyat esnekliği 1,21 olan “A” ürünü için tahmin belirleyin. Bölgedeki alıcı sayısı 400 bin kişiye ulaşabilir. Ürün satışlarının mevcut seviyesi dönem başına kişi başı 5 kg'dır. Mal fiyatlarının %4 oranında düşürülmesi planlanıyor.

Hesaplama. 1. “A” ürününe olan talepteki artış, fiyatı %4 azaldığında belirlenir.

4 x 1,21 = %4,84,

100% + 4,84% = 104,84%.

2. “A” ürününün yeni tüketim seviyesi, fiyat düştükten sonra bir alıcı tarafından belirlenir:

5 x 1,0484 = 5,242 (kg).

3. “A” ürününün olası satış hacmi, tüm alıcı grubuna göre belirlenir:

5,242 x 400000 = 2096800 (kg veya 2097 ton).

Çözüm. %4'lük fiyat indirimi sonrasında “A” ürününe yönelik tahmini talep 2097 tondur.

“A” ürününün yeni fiyatını bilerek, talebi parasal biçimde ve buna bağlı olarak bölgedeki perakende ciro hacmini ve ardından bireysel olarak ürünün pazar payını dikkate alarak belirlemek mümkündür. şirketler.

Örnek 3. Talep katsayısının fiyat esnekliği 1,08 olan “B” ürününün satışına ilişkin tahmin yapın. Bölgede malların fiyatı 15 ila 17 ruble arasında artabilir. Geçen yıl bölgedeki fiili mal cirosu 80 bin ruble olarak gerçekleşti.

Hesaplama. 1. “B” ürününün fiyatındaki yüzde artış oranı belirlenir:

17: 15 x %100 = %113,3,

o zaman fiyat artışı %13,3 olacaktır.

2. Artan fiyatların etkisi altında bir ürüne olan talebin azalması belirlenir:

1,08 x 13,3 = %14,364,

onlar. Ürüne olan talep şu şekilde olacaktır: %100 - %14,364 = %85,636.

3. “B” ürününün fiyat artışı sonrası bölgede satışına ilişkin öngörü:

80000 x 0,85636 = 68,509 (bin ruble).

Çözüm. “B” ürününün fiyatını 15'ten 17 rubleye çıkardıktan sonra. satış hacminin 68,5 bin ruble olmasını bekleyebiliriz. mevcut piyasa koşulları göz önüne alındığında.

“B” ürününün bölgedeki pazar kapasitesi ve ürünün (bölgenin lider firmaları) bölgenin her bölgesindeki (pazarın tamamındaki) pazar payı bilinerek olası satış hacmini belirlemek mümkündür. iş ortamının değişmemesi koşuluyla bölgeye ve bölgedeki lider firmalara göre.

Talebin gelişimi, artış veya azalış yönünde istikrarlı bir eğilim gösterdiğinde, bir dizi dinamiğin durumu, ortalama değişim oranıyla tahmin edilebilir. Bu yöntem, zaman içindeki talep gelişimine ilişkin bir dizi göstergenin temsil ettiği varsayımına dayanmaktadır. geometrik ilerleme. Bu, dinamik seri a'nın her bir sonraki üyesinin bir öncekine eşit olduğu ve ortalama değişim oranı oranı k ile çarpıldığı anlamına gelir.

Kısa vadeli talep tahmininin bir diğer yöntemi de zaman (dinamik) serilere dayanan trend modelidir. Zaman serilerinin incelenmesi, zamanın ekonomik dinamikleri açısından önemli bir araştırma alanıdır. Seriler öncelikle anlık ve aralıklı, ikincisi ise evrimsel ve durağan süreçler olabilir.

Moment serisi, olayın belirli bir tarih itibarıyla büyüklüğüyle, aralık serisi ise olayın belirli bir dönemdeki büyüklüğüyle karakterize edilir;

Bir zaman serisinin evrimsel süreci bir trend içerirken, durağan bir süreçte bu durum söz konusu değildir.

Zaman (dinamik) seriler şu şekilde olabilir: trend, gecikme, periyodik dalgalanmalar.

Bu eğilim, daha önce de belirtildiği gibi, uzun vadeli bir "laik" eğilim ile karakterize edilmektedir. Gecikme, bir olgunun kendisiyle ilişkili diğerinden gecikmesine sahiptir. Periyodik dalgalanmalar mevsime, döngülere ve diğer yinelenen değişikliklere bağlıdır. Bu tür zaman serilerindeki eğilimleri belirlemek için ekstrapolasyon, hizalama ve otokorelasyon analizi gibi matematiksel ve istatistiksel işleme yöntemleri kullanılır.

Trend modeli tahminde en popüler olanıdır. Talebin hacminin ve özellikle yapısının belirli bir atalet derecesi ile karakterize edildiği gerçeğine dayanmaktadır; Tüketim değişen koşullara geç uyum sağlıyor. Atalet bu durumda keyfi olarak imkansızlık anlamına gelir Kısa bir zaman Nüfusun sadece yapısını değil, tüketim alışkanlıklarını da önemli ölçüde değiştiriyor. Trend tahmin modeli, baz dönemdeki talep gelişiminin kalıplarını resmileştiren bir denklemdir. Bulunan örüntülerin gelecekte belirli bir dönemde çalışacağının belirlenmesi durumunda model kullanılır.

Bu durumda dinamik seri zamanın bir fonksiyonu olarak kabul edilir ve belirli bir yaklaşımla çeşitli matematiksel denklemlerle tanımlanır.

Talep tahminindeki trend modellerinden en yaygın olarak aşağıdaki türler kullanılır:

a) bir doğrunun denklemi

B) logaritmik fonksiyon

c) üstel fonksiyon

d) parabolik fonksiyon

y = a + bx + cx.

d) lojistik fonksiyon

Trend modellerine dayalı talep tahmini, baz dönemde faaliyet gösteren tüm faktörlerin ve bu faktörler arasındaki ilişkinin tahmin döneminde de değişmeyeceği varsayımına dayanmaktadır. Ancak bu durum hayatta sıklıkla ihlal edilir. Bu nedenle talep tahmininde trend modelleri yöntemi, tüketici talebinin oluşumunu etkileyen tüm faktörlerin ayrıntılı olarak dikkate alınmasıyla dinamik serinin bir, en fazla iki aralığı ile önceden kullanılabilir.

Talep gibi bir olguda birbiriyle yakın etkileşim içinde olan pek çok heterojen faktörün eş zamanlı etkisi olduğunda, iyi yorumlanmış fonksiyonel ilişkilere sahip doğru bir model oluşturmak oldukça zordur.

En basit talep modeli, onu belirleyen bir ana faktörün belirlenmesine dayanır: gelir, fiyat veya satış hacmi. Basitleştirilmesinden dolayı böyle bir modele eskiz modeli denir. Taslak model örnekleri, ana faktörün örneğin talebin esnekliği veya talebin zamanın bir fonksiyonu olarak tahmin edilmesi olduğu modellerdir.

Daha karmaşık bir yaklaşım, nüfusun gelir yapısı, mal fiyatları ve diğer faktörler hakkındaki bilgilere dayanan matematiksel istatistik yöntemleri kullanılarak oluşturulan tüketimdeki analitik talep modeliyle ayırt edilir. Örneğin, dayanıklı mallara (buzdolapları, televizyonlar, çamaşır makineleri vb.) olan talebi tahmin etmek için, halihazırda nüfusun sahip olduğu bu tür öğelerin bulunabilirliği ve yaşı, aile bileşimi vb. hakkında verilere ihtiyaç vardır.

Ünlü Engel modelinin özelliklerini ele alalım. Engel eğrisi adı verilen (adını bu eğri grubunu ilk kez inceleyen Alman bilim insanından alan) tek faktörlü gelir talebi modeli, belirli bir pazar segmentindeki gelir ailelerinin ne kadarının satın alma işlemine ayırdığını belirlemeyi mümkün kılar belirli malların (mal ve hizmetlerin) Bunlara aynı zamanda tüketim fonksiyonları da denir.

Genelleştirilmiş formda bu eğriler aşağıdaki formülle ifade edilir:


burada S – ortalama gelir;

İ'inci malın tüketim hacmi (talep).

Eğrilerin şekilleri değişebilir. Ayrıca ekstrapolasyonda olduğu gibi, talep göstergesinin gelire bağlı dinamik serisini bilerek, ürüne yönelik gelecekteki talep tahminini belirleyebilirsiniz. Orta vadeli talep tahmini uygulamalarında çok faktörlü korelasyon ve regresyon modelleri her zaman popüler olmuştur. Bu modeller, talebin dinamiklerini belirleyen faktörlerin değişken olarak kullanıldığı talep fonksiyonları olarak hareket etmektedir. Böyle bir modeli kaydetmenin matematiksel formunu verelim:

y = f (x, z, d, vb.).

Çok faktörlü modellerde, belirli bir ürüne olan talep, birçok bağımsız değişkenin bir fonksiyonu olarak karakterize edilir. Ekonomik tahminin özü, geçmiş ve şimdiki dönemlere ait mevcut hacimsel ve yapısal tüketim parametrelerine dayanarak, gelecek dönem için talep gelişiminin gidişatını belirlemek ve bunun en önemli parametrelerini hesaplamaktır. Çok faktörlü bir model, talep oluşumu sürecini trend tek faktörlü modellere göre daha doğru bir şekilde yansıtmanıza olanak tanır. Çok değişkenli modeller arasında çoklu doğrusal regresyon özellikle kabul görmüştür. Bu bağlantı biçimi, öyle ya da böyle, doğrusal bir forma getirilmelidir; bunun tek şartı, teorik eğrinin serinin ampirik değerlerine yeterli yakınlığıdır. Yakınlık standart sapma hesaplanarak değerlendirilir. Bir talep modelinin uygunluk kriteri resmi olarak şu şekilde yazılabilir:


Kısa ve orta vadeli tahminler geliştirirken kabul edilebilir olan, talep ile onu oluşturan faktörler arasında doğrusal bir ilişki olduğu varsayımı, 7-8 yılı aşan bir dönemden söz ettiğimizde kabul edilemez hale geliyor. Uzun vadeli tahminler, sıçramaların, sapmaların vb. varlığını öne süren doğrusal olmayan ilişki türlerine geçişi gerektirir; Ekstrapolasyon yöntemlerinden enterpolasyon yöntemlerine geçmeliyiz. Tahmin ufkunun genişlemesiyle gelecekteki gelişimin ulaşılan duruma ve mevcut eğilimlere bağımlılığı azalır. Bu nedenle tahminde genetik yöntemler yavaş yavaş yerini normatif hedef yöntemlere bırakmaktadır. Bu yöntemler aynı zamanda mevcut eğilimlerden arzu edilen eğilimlere geçişin alternatif yollarını haklı çıkarmaya yönelik yöntemler olarak da nitelendirilebilir.

Uzun vadeli talep tahminleri, nüfusa maddi ve manevi malların sağlanmasına yönelik standartları kullanır. Şu anda talep tahmini uygulamasında, en önemli gıda ürünleri ve ürünleri için çeşitli tüketim standartları yaygın olarak kullanılmaktadır. hafif sanayi, kültürel ve ev eşyaları. Bu standartlar özel kuruluşlar tarafından geliştirilir; toplumun belirli bir ürünün ideal tüketimine ilişkin bilimsel temelli fikrini karakterize eder. Normatif yöntemi kullanarak tahmin yapmanın, serinin aşırı üyelerinin (son gerçek ve normatif) bilinen değerlerine dayanarak belirlemeye indiğini hatırlayalım, olası seviye Bu seri içerisinde farklı dönemlerdeki tüketim.

Gıda ve gıda dışı ürünlere olan talep tahmin edilirken farklı yaklaşımlar kullanılmaktadır.

Gıda ürünleri genel olarak tüketimin karşılaştırmalı istikrarı ile karakterize edilir. Mevcut gıda tüketimi düzeyi genellikle nüfusun alışkanlıkları ve zevklerindeki değişikliklere bağlı olarak kademeli olarak değişmektedir. Örneğin unlu mamuller ve şekerleme ürünleri, et ürünleri, balık ürünleri, şeker, sebze ve meyvelere olan talebi oldukça doğru tahmin edebilirsiniz. Bu malların tüketimini artırma veya azaltma yönündeki mevcut eğilimler genellikle yıldan yıla keskin dalgalanmalara maruz kalmaz. Sadece mevsimsel dalgalanmalar ve tüketimde değişiklikler, ülkenin politik ve ekonomik durumunun keskin bir şekilde değişmesiyle mümkündür.

Gıda dışı ürünlerin tüketimini tahmin etmek için aşağıdaki faktörler dikkate alınmalıdır:

¨ rasyonel bir gardırobun boyutu;

¨ malların tüketimine ilişkin olası normlar;

¨ nüfustaki mevcut malların yenisiyle değiştirilmesi amacıyla aşınması ve yıpranması;

¨ Doğal nüfus artışını toplumda belirlenen ortalama düzeye çıkarmak için ek mal ihtiyacı.

  • Talep tahminleri neden hatalı?
  • Nestle talep tahmin sürecini nasıl oluşturdu?

Perakende ve dağıtım şirketlerinin yöneticileri genellikle satış hacimlerinden ve ayrıca ürün kalemlerinin fazlalığı veya eksikliğinden memnun değiller. Durumu değiştirmenin başlangıç ​​noktası talep tahmini. Tahmin ne kadar doğru olursa, depoda satılamayan malların stoğu o kadar az olur; talep edilenler ise her zaman stokta kalır. Buna ek olarak şirket, ürün yelpazesine yeni ürünleri zamanında dahil edebilecek ve eski ürünleri kaldırabilecek, rekabetçi perakende fiyatları belirleyebilecek ve tedarik zincirini optimize edebilecek. 


Talep tahmini nasıl oluşturulur?


Gerçekleşen satışlar, yürütülen ve planlanan pazarlama kampanyaları, perakende fiyatlarındaki değişiklikler ve diğer olaylarla ilgili tüm veriler analiz edilmelidir. Bunun için en basit araç Excel'dir. Böylece şirket, talebin istatistiksel tahminlerini alacaktır. Daha sonra bunlar analist tarafından seçici olarak düzeltilir ve ilgili departmanların onayına sunulur: satış, satın alma, pazarlama vb. Nihai tahmin, şirketin yönetimi tarafından onaylanır. 


Talep tahmininin oluşturulması

e>

Neden hatalı talep tahminleri var?

Şirketin tahminleri dört nedenden dolayı hatalı:

  • talebin değişkenliği;
  • ayarlamaların öznelliği;
  • analistlerin deneyimsizliği;
  • Yetersiz yazılım işlevselliği. 


Talebin değişkenliği

Örneğin, cep telefonlarına veya giysilere olan talep çoğu zaman dürtüseldir, bu da farklı mağazalarda eşit olmadığı anlamına gelir; satış hacmi, ürünün ne kadar ustaca tanıtıldığına bağlıdır. Buna göre planlama yaparken mağazanın hangi promosyonları yapacağını dikkate almak ve beklenen sonuçlara göre tahminleri ayarlamak gerekir. Ekmek farklı bir konudur - bu ürün her durumda talep görmektedir. Bu nedenle istatistiksel tahminin hesaplanması yeterlidir; herhangi bir düzeltme yapılmasına gerek yoktur.


Düzenlemelerin öznelliği

Genellikle geniş deneyime sahip bir uzman şirkete gelir ve talebi “gözle” belirler. Ancak bu tür “uzman” değerlendirmeleri çoğu zaman hatalıdır. Örneğin, Amerikan elektronik perakendecisi RadioShack, bir uzman tarafından ayarlanan tahminin, son beş haftadaki haftalık satışların ortalamasını temel alan istatistiksel tahminden (hareketli ortalama tahmin olarak adlandırılan) %70 oranında daha az doğru olduğunu buldu. . 


Buna ek olarak, tahminleri ayarlayan farklı departmanlar genellikle tutarsız davranır veya kasıtlı olarak rakamları çarpıtarak sorumluluğu birbirlerine aktarabilirler. Klasik bir örnek, satış ve satın alma departmanları arasındaki çatışmadır. İlki, düşük satışların stoktaki mal eksikliğinden kaynaklandığını iddia ederken, ikincisi, yöneticilerin hâlâ satamaması nedeniyle mal satın almadıklarını iddia ediyor. Buna göre satış departmanı tahmini abartmaya çalışır, satın alma departmanı ise tam tersine küçümsemeye çalışır. Değil mümkün olan en iyi şekilde Tahminlerin doğruluğunu etkiler.


Analistlerin deneyimsizliği

Deneyimlerime göre analistler veya planlamacılar, ürünü çok iyi bilen kategori yöneticilerine göre daha az hassas ayarlamalar yapıyorlar. Ek olarak, tahminlerdeki hatalar genellikle analistin tahmin tekniklerine yeterince hakim olmaması nedeniyle önemsiz bir nedenden dolayı ortaya çıkar. Fildes & Goodwin tarafından yapılan bir çalışmanın gösterdiği gibi, tahmin değerlerinde küçük miktarlarda manuel değişiklikler, tahmin doğruluğunda önemli bir artışa yol açmaz ve hatta bazı durumlarda bunu azaltır. Çalışmaya faaliyetleri tedarik zincirleriyle ilgili olan dört şirket katıldı; istatistiksel tahminlerinin %75'e kadarını manuel olarak ayarladılar 1 .


Yazılım araçlarının yanlışlığı

Pek çok talep türü var. Mevsimsel istikrarlı, mevsimsel olmayan istikrarlı, mevsimsel olmayan istikrarsız, mevsimsel olmayan ve aralıklı olabilir. Kısa vadeli mallara olan talep ayrı ayrı vurgulanmaktadır. yaşam döngüsü. Tüm bunlara ek olarak talep birçok dış olaydan da etkilenir: pazarlama promosyonları, perakende fiyatlarındaki değişiklikler, ürün gruplarındaki değişiklikler, rakiplerin faaliyetleri vb. Bu olayların kombinasyonları tamamlayıcı veya birbirini dışlayan olabilir. İstatistiksel tahminler oluştururken tüm yazılım araçları bu nüansları hesaba katamaz ve bu da yanlışlıklara yol açar.

  • İşletme otomasyon programı Class365, uygun satış tahminleri yapmanıza yardımcı olacaktır

Talebin niteliğini belirleyin. Tüm mal türleri için doğru tahminleri garanti edecek evrensel bir algoritma yoktur. Ancak önemli bir kural var - her şeyden önce, bir ürüne olan talebin doğasını anlamalısınız: dürtüsel mi yoksa doğal mı? Bunu belirledikten sonra satışları yönetmek için doğru yöntemleri seçmeniz daha kolay olacaktır. 


Karşılaştırmalı talep tahminini kullanın. İstatistiksel bir tahminin ne kadar doğru olduğu sorusu, tahmin sürecinin en başında ortaya çıkar. Tahmin ayarlamalarının etkili olup olmadığını anlamak için karşılaştırma amacıyla bir referans tahminin olması gerekir. Daha sonra örneğin yarın için istatistiksel tahmin standartla karşılaştırılır. Böyle bir tahmin, örneğin son yedi güne ait hareketli bir ortalama olabilir. Başka bir standart seçebilirsiniz - asıl önemli olan aşağıdaki ilkelere göre yönlendirilmektir: 


  • bir referans tahmin oluşturmak fazla zaman almamalıdır;
  • Algoritmanın çok basit ve her türlü talebe uygun olması gerekiyor. Örneğin, bir haftalık satış döngüsüne sahip mallara ve birkaç yıllık satış döngüsüne sahip mallara olan talebi eşit derecede tutarlı bir şekilde tahmin etmelidir.

İstatistiksel tahminde yapılacak ilave ayarlamaların sonuçları referans tahminle karşılaştırılmalıdır. Karşılaştırmalı tahminin uygulamaya konulması, gelecekteki talebi tahmin etme sürecini değiştirecektir (bkz. pirinç. 2).


Yeterli talep tahmini hedefleri belirleyin. Yanlış formüle edilmiş bir hedefe bir örnek: Tahmin doğruluğu tüm ürünler için en az %80 olmalıdır. Hedefi şu şekilde formüle etmek daha doğru olacaktır: Nihai tahminin doğruluğu, referans tahminin doğruluğundan daha yüksek olmalıdır. Veya şu: Nihai tahminin doğruluğu, halihazırda kullanılanın doğruluğundan daha yüksek olmalıdır.


Görünüşe göre en son formülasyonlarda amaç daha belirsiz görünüyor, ancak farklı mallara olan talebin özelliklerini hesaba katmayı mümkün kılıyor. Örneğin satış departmanında cep telefonları Mobistar şirketleri, nadir ve ani mal satışları nedeniyle uzun süredir tahmin doğruluğu açısından %30 çıtasını aşamadı. Zaman serisi istatistiksel tahmin sisteminin devreye alınması, tahminlerin doğruluğunun %50'ye çıkarılmasını mümkün kıldı. Nihai tahminin diğer departmanlardan uzmanlarla koordine edilmesi sürecinin daha da geliştirilmesi, tahminlerin doğruluğunun %60'a çıkarılmasına yardımcı oldu. Mevcut tahmin doğruluğu düzeyi yaklaşık %70'tir ve bu sonuç, veri kalitesinin iyileştirilmesiyle elde edilmiştir 2 .


Hedeflerin gerçeklikle bağlantısı zayıfsa, çalışanlar tahminleri mevcut verilere göre ayarlamaya başlar. Bu, tüm tahmin çalışmalarının amacını boşa çıkarır.

Rakiplerinizin hedeflerini kopyalamayın. Perakende zincirleri talebi tahmin ederken genellikle rakiplere bakar. Ancak bu her zaman haklı değildir. Tahmin doğruluğuna yönelik hedefler şirketin büyüklüğünü, süreçlerinin özelliklerini, coğrafi konumunu, ürün yelpazesinin genişliğini vb. dikkate almalıdır. Yani, küçük veya orta ölçekli bir bölgesel perakende zinciri, bir tahminin doğruluğuna güvenmemelidir. İlk 10 listesindeki federal zincir. Aynı zamanda iş süreçlerinin organizasyonu ve otomasyonu hakkında daha büyük rakiplerden bilgi almak faydalıdır. 


  • Perakendede kategori yönetimi: Satışları artırmak için 3 ilke

En fazla kâr getiren ancak satış tahmini doğruluğu en düşük olan ürünlere odaklanın. Ana marjı oluşturan mallara ilişkin satış tahmininin doğruluğunu en azından biraz artırmayı başarırsanız, maliyetleri azaltarak önemli bir mali etki elde edeceksiniz. Geliri az olan mallar için satış tahmininin doğruluğunu %100'e bile yükseltirseniz, etki çok daha az olacaktır. Gelir açısından karşılaştırılabilir iki ürün varsa, geliri daha düşük olan ürün için satış tahmininin doğruluğunu artırmaya odaklanmak daha akıllıca olacaktır. Gerçek şu ki, tahminin doğruluğu zaten yüksekse, daha fazla iyileştirilmesi kıyaslanamayacak kadar büyük çaba gerektirecektir. Tahminin başlangıçtaki doğruluğu düşükse, onu artırmak daha kolaydır ve dolayısıyla kârda artış elde etmek daha kolaydır. 


Gelen verilerin kalitesini kontrol edin. Olarak kullan başlangıç ​​noktası Referans tahmini ve yeterli hedeflerin belirlenmesi, doğru nihai tahminlerin elde edilmesini garanti etmez. Gelen verilerin kalitesini kontrol etmek önemlidir. Örneğin, talep eksikliğinden değil, örneğin stoktaki mal eksikliğinden dolayı satış gerçekleşmemiş olabileceğinden, gerçek satış bilgileri gerçek tabloyu yansıtmayabilir. Bu durumda, sıkıntısı olmayan dönemlerdeki satışların ortalamasını kullanın. Dahası, talebi tamamen doğru bir şekilde geri yüklemeye çalışmamalısınız - tahminde bulunmak için, dünkü gerçek talebin beş veya yedi birim mala eşit olup olmadığı konusunda temel bir fark yoktur. Ortalama talebin altı birim olduğunu bilmek yeterli. 


Talebi etkileyen süreçleri otomatikleştirin. Birçok şirket, pazarlama kampanyalarının sonuçları hakkında bilgi toplamaz ve bunların etkinliğini değerlendirmez. Herhangi bir reklam kampanyası Satışları artırır ama artırmaz. Benzer şekilde, birçoğu fiyatlandırma vb. geçmişini takip etmez. Her ürün grubu ve daha da iyisi her ürün için talep tahmini oluşturmaya yönelik bir süreç oluşturmak önemlidir. Ve yazılımın gerekli olduğu yer burasıdır. Ancak bunu seçerken tatiller, çeşitli promosyonlar, perakende fiyatlarındaki değişiklikler vb. gibi dış olayların talep üzerindeki etkisini analiz etme olanaklarına dikkat edin. Bir uzmanın belirlediği ürün kategorileri için istatistiksel tahminleri manuel olarak ayarlamayı reddedin. uzman görüşü, nihai tahminin doğruluğunda istikrarlı bir iyileşme sağlamaz.


Uygulamadaki talep tahmini: Nestle deneyimi


Örnek olarak size projeden bahsedeceğim. Nestle şirketi Bir talep tahmin süreci oluşturmaya ilişkin. SAS uzmanlarıyla ortaklaşa gerçekleştirildi. Küçük bir bilgi: Nestle gıda ürünleri üretiyor, 86 ülkede 469 bölgede faaliyet gösteriyor, yıllık cirosu 90 milyar İsviçre frangı.


Şirket, “çılgın boğalar” olarak adlandırılan ürün kategorisine yönelik talep tahminlerinin oluşturulmasına özellikle önem vermektedir; bunlar hem satış hacmi yüksek hem de talep değişkenliği olan ürünlerdir. “Çılgın boğalar” arasında örneğin Nescafe kahvesi yer alıyor. Bu ürün istikrarlı bir taleple karakterize edilir, ancak satış hacminin düşmesini önlemek için sürekli teşvik edici promosyonlar yapılmaktadır.


Nestle, yalnızca istatistiksel tahminlerin yanı sıra yalnızca planlamacının uzman deneyiminin kullanılmasının istenen sonuçları vermediği sonucuna vardı. Yönetim, doğruluğunu artırmak amacıyla talep tahminleri oluşturmak için adım adım bir süreç oluşturma görevini belirledi. Şu şekilde hareket ettiler:


1. Bir referans tahmin oluşturduk - satış değerlerinin ortalamasını alma yöntemi kullanılarak elde edildi.


2. İstatistiksel bir tahmin oluşturduk, ardından analist verileri ayarladı ve değerlendirilmek üzere diğer departmanlara aktardı. Ayarlamalar yaptılar, tahmini geri verdiler ve yönetici bunu onayladı. Bu arada, tahmin doğruluğu aşağıdaki formül kullanılarak hesaplandı: 
 Talep tahmin doğruluğu = 1 – |Tahmin – Gerçek| : Tahmin etmek.


Nestlé açılmıyor kesin sayılar o halde koşullu bir örneği ele alalım. Diyelim ki bugün ayın 22'si. Ayın 21'i için 20'sinde yapılan talep tahmini 10 adettir (kutu Nescafe kahve). 21'inci yıl için fiili satışlar 8 adetti. Nestle'nin kullandığı formüle göre tahminin doğruluğu %80 olacaktır (1 – |10 – 8|:10). 


3. Başarmak yüksek hassasiyet talep tahmini, talebi etkileyebilecek olası olaylar hakkında hipotezler formüle edildi: tatiller, hafta sonlarının ertelenmesi, satışlardaki yapısal değişiklikler (örneğin krizin neden olduğu), promosyonlar. Uzmanlar her hipotezin talep üzerindeki etkisini değerlendirdi ve ardından bunu standartla karşılaştırdı. Bu durum tahminlerin doğruluğunu artırıyorsa tahmin sürecinde hipotez dikkate alınmıştır.

Size şartlı bir örnek vereyim (maalesef Nestle uzmanları, uzman ayarlama sürecinin bir parçası olarak tam olarak ne yaptıklarına dair kesin veriler sunmadılar). Şirket, bir rakibin beklenmedik bir şekilde fiyatları %1 oranında düşürdüğünü öğrendi. Uzmanın deneyimi, bu tür eylemlerin satışlarda %3'lük bir düşüşe yol açacağını gösteriyor. Bu, tahmin değerinin bu %3 oranında azaltılması gerektiği anlamına gelir.


Nestle deneyimine dönelim. “Çılgın boğalar” için başlangıçta oluşturulan istatistiksel talep tahmini %55,2'lik bir doğruluk gösterdi. Daha sonra uzman düzeltme sürecine tabi tutuldu ve bu, nihai tahminin doğruluğunu %82,4'e çıkardı. Ayrıca şirket, diğer ürün kategorilerine yönelik tahminlerin doğruluğunu da artırdı. Bütün bunlar pazarlamacılara ve planlamacılara zaman kazandırdı. Sürekli olarak karlı ürünlere daha fazla dikkat etmeye başladılar ve çabalarını karmaşık ürünler (yüksek talebi sürdürmek için sürekli promosyonlar vb. gerektiren) üzerinde yoğunlaştırdılar. Satışı düşük olan ürünler artık olarak işlenir.

Talep tahmininin oluşturulması

1. Veri Satışlar, bakiyeler, teslimatlar, diğer hareketler, ayrıca pazarlama promosyonları ve diğer dış olaylar hakkında bilgiler.
2. Alet İstatistiksel talep tahmini oluşturmak için kullanılabilecek bir program (bizim durumumuzda Excel)
3. İstatistiksel tahmin Talep tahmin aracı kullanılarak oluşturulan tahmin
4. Düzeltilmiş tahmin İstatistiksel tahminin bir analist veya planlamacı tarafından manuel olarak ayarlanması
5. Konsensüs tahmini Nihai tahminin departmanlar (satış, pazarlama vb.) arasında manuel olarak ayarlanması ve koordinasyonu.
6. Onaylanan tahmin Nihai tahminin sorumlu yönetici tarafından onaylanması ve uygulama için departmanlara aktarılması.
Segment İstatistiksel talep tahmininin doğruluğu, % Uzmanlar tarafından yapılan ayarlamalardan sonra tahmin doğruluğu, %
“Atlar” - yüksek satış ve düşük değişkenliğe sahip ürünler 92,1 92,7
“Tavşanlar” - düşük satış ve yüksek değişkenliğe sahip ürünler 56,3 55,5
"Mad Bulls" - Nescafe marka kahve gibi satışı yüksek ve değişkenliği yüksek ürünler 55,2 82,4
“Katırlar” - düşük satış ve düşük çeşitlilik gösteren ürünler 90,9 91,2

Her şirketin kendi örnekleri vardır; Nestle yalnızca "çılgın boğalar" segmenti olan Nescafe içeceğine ilişkin bilgileri açıklar. Bu tablo, yöneticilere kendi ürün çeşitleri için benzer bir tablo yaratmaya çalışma ve düşünmeleri için bir neden verir. Sonuçta Pyaterochka'daki Nescafe, Azbuka Vkusa'daki Nescafe'den tamamen farklı bir kategoride olabilir.

Bu sayfaya dofollow bağlantısı varsa materyalin izinsiz kopyalanmasına izin verilir

Bu konunun özünü anlamak için önce kavramları - yöntemi tanımlamak gerekir.

İktisat bilimi ve uygulamasıyla ilgili olarak bir yöntem: 1) doğa, toplum ve düşünceye ilişkin olgu ve kalıpların incelenmesine yaklaşmaya yönelik bir kurallar ve teknikler sistemi; 2) bilgi ve uygulamada belirli sonuçlara ulaşmanın bir yolu, bir yolu; 3) nesnel gerçekliğin ve incelenen nesnenin, olgunun veya sürecin gelişim yasaları bilgisine dayanan bir şeyin teorik araştırma veya pratik uygulama yöntemi.

Tahmin yöntemleri, incelenen nesneyle ilgili geriye dönük verilerin analizine dayanarak, nesnenin gelecekteki gelişimiyle ilgili belirli bir güvenilirliğe ilişkin yargılar elde edilmesini sağlayan bir dizi teknik ve düşünme biçimidir.

Yerli ve yabancı bilim adamlarının tahminlerine göre şu anda yüzlerce tahmin yöntemi var, ancak pratikte birkaç düzine düzenli olarak kullanılıyor. temel yöntemler(Şekil No. 1).

Pirinç.

Şekil 1'den, tahmin yöntemlerinin tamamının homojenlik derecesine bağlı olarak iki grupta temsil edilebileceği görülebilir:

  • · basit yöntemler;
  • · karmaşık yöntemler.

Grup basit yöntemler içerik ve kullanılan araçlar açısından homojen olan tahmin yöntemlerini birleştirir (örneğin, eğilimlerin tahmin edilmesi, morfolojik analiz vb.).

Karmaşık yöntemler, çoğunlukla özel prognostik sistemler tarafından uygulanan yöntemlerin toplamını ve kombinasyonlarını yansıtır.

Ek olarak, tüm tahmin yöntemleri üç sınıfa daha ayrılmıştır:

  • · gerçek yöntemler;
  • · uzman yöntemler;
  • · kombine yöntemler.

Tanımlamaları, tahminin yapıldığı bilginin niteliğine dayanmaktadır:

  • 1) olgusal yöntemler, tahmin nesnesinin geçmiş ve şimdiki gelişimi hakkındaki olgusal bilgi materyallerine dayanmaktadır. En sık evrimsel süreçlere yönelik arama tahminlerinde kullanılır;
  • 2) uzman (sezgisel) yöntemler, tahmin nesnesi hakkında uzman bilgisinin kullanılmasına ve nesnenin gelecekteki gelişimi (davranışı) hakkındaki görüşlerinin genelleştirilmesine dayanır. Uzman yöntemler, ani süreçlerin normatif tahminleriyle daha tutarlıdır;
  • 3) kombine yöntemler, uzman bilgilerinin yanı sıra gerçek bilgilerin birincil bilgi olarak kullanıldığı karma bilgi esasına sahip yöntemleri içerir.

Sırayla, listelenen sınıfların her biri de gruplara ve alt gruplara ayrılmıştır. Böylece, gerçek yöntemler arasında aşağıdaki gruplar ayırt edilir:

  • · istatistiksel (parametrik) yöntemler;
  • · gelişmiş yöntemler.

İstatistiksel yöntemler grubu, tahmin nesnesinin dinamik özelliklerinin (parametrelerinin) oluşturulmasına ve analizine dayanan yöntemleri içerir. Bunlar arasında en yaygın kullanılanlar ekstrapolasyon, enterpolasyon, analoji yöntemi (benzerlik modeli), parametrik yöntem vb.'dir.

Gelişmiş yöntemler grubu, bilimsel ve teknik başarıların uygulanmasını ilerletmek için bilimsel ve teknik bilgi özelliğinin kullanımına dayalı yöntemlerden oluşur. Bu grubun yöntemleri arasında yayın dinamiklerinin analizi ve değerlendirilmesine dayanan yayın yöntemi öne çıkmaktadır.

Uzman yöntemler arasında gruplar aşağıdaki kriterlere göre ayırt edilir:

  • · katılan uzmanların sayısına göre;
  • · Muayene verilerinin analitik olarak işlenmesinin mevcudiyeti ile (Tablo 1).

Teorik olarak talep tahmini yapılır çeşitli metodlar. Pratikte kural olarak uygulanır Karmaşık bir yaklaşım güçlü yönleri dikkate alarak, zayıf taraflar uygulanan yöntemler. Genel yöntemler Talep tahmini aşağıdakilere dayanmaktadır:

  • · Uzman değerlendirme yöntemi;
  • · İstatistiksel yöntemler (faktografik);
  • · Kombine yöntemler.

Uzman değerlendirme yöntemleri

Uzman değerlendirmeleri, rasyonel kararlar hazırlamak ve geliştirmek amacıyla uzmanlardan bilgi almayı, analiz etmeyi ve özetlemeyi amaçlayan mantıksal ve matematiksel prosedürler kompleksi olarak anlaşılmaktadır.

Tablo No.1

Uzman tahmin yöntemlerinin sınıflandırılması

Uzman tahmin yöntemleri genellikle aşağıdaki durumlarda kullanılır:

  • · tahmin nesnesinin önemli ölçüde karmaşıklığı nedeniyle birçok faktörün etkisini dikkate almanın imkansız olduğu durumlarda;
  • · tahmin veri tabanında mevcut olan bilgilerde yüksek derecede belirsizliğin bulunması veya hatta tahmin nesnesi hakkında bilginin bulunmaması.

Uzman değerlendirme yöntemleri iki gruba ayrılabilir:

  • · uzman bir grubun kolektif çalışma yöntemleri;
  • · Uzman grup üyelerinden bireysel görüş alma yöntemleri.

Uzman bir grubun kolektif çalışma yöntemleri, çözülen problemin ortak tartışılması sırasında ortak bir görüş elde edilmesini içerir. Bazen bu yöntemlere doğrudan toplu görüş alma yöntemleri de denir. Bu yöntemlerin temel avantajı sorunların çok yönlü analizine olanak sağlamasıdır. Yöntemlerin dezavantajları, bilgi edinme prosedürünün karmaşıklığı, uzmanların bireysel görüşlerine dayalı bir grup görüşü oluşturmanın zorluğu, yetkililerden gelen baskı olasılığıdır.

Kolektif çalışma yöntemleri arasında "beyin saldırısı", "senaryolar", "iş oyunları", "toplantılar" ve "mahkemeler" yöntemleri yer alıyor.

· "Beyin saldırısı" yöntemi.

Bu tür yöntemler aynı zamanda kolektif fikir üretme, beyin fırtınası ve tartışma yöntemleri olarak da bilinir. Tüm bu yöntemler, sorunu çözmeyi amaçlayan fikirlerin özgürce tanıtılmasına dayanmaktadır. Daha sonra bu fikirler arasından en değerli olanlar seçilir.

“Beyin saldırısı” yönteminin avantajı, gerekli çözümün elde edilmesindeki yüksek verimliliktir. Başlıca dezavantajı, sınavı organize etmenin zorluğudur, çünkü bazen gerekli uzmanları bir araya getirmek, rahat bir atmosfer yaratmak ve yetkililerin x ilişkilerinin etkisini dışlamak imkansızdır.

· “Senaryolar” yöntemi, uzmanların çözülmekte olan soruna ilişkin önerilerini yazılı olarak sunmaya yönelik bir dizi kuraldır.

Senaryo, sorunun analizini ve uygulanmasına yönelik önerileri içeren bir belgedir. Teklifler öncelikle uzmanlar tarafından ayrı ayrı yazılır, daha sonra üzerinde mutabakata varılarak tek bir belge halinde sunulur.

Senaryonun temel avantajı, çözülen problemin anlaşılır bir biçimde kapsamlı bir şekilde ele alınmasıdır. Dezavantajları arasında olası belirsizlik, sunulan konuların belirsizliği ve bireysel kararların geçerliliğinin yetersiz olması sayılabilir.

· "İş oyunları", belirlenen bir hedefe ulaşmayı amaçlayan operasyonları gerçekleştirirken bir sosyal kontrol sisteminin işleyişinin modellenmesine dayanmaktadır.

Uzman değerlendirmelerinin kolektif bir tartışma sırasında oluşturulduğu önceki yöntemlerin aksine, iş oyunları, önceden belirlenmiş kurallara ve programa uygun olarak her saat belirli bir sorumluluğun atandığı bir uzman grubunun aktif faaliyetini içerir.

İş oyunlarının temel avantajı, sosyal kontrol sistemlerinin tüm unsurlarının etkileşimi sırasında araştırma sürecinin tüm aşamalarını dikkate alarak dinamik bir çözüm geliştirme olanağıdır. Dezavantajı, gerçek sorun durumuna yakın koşullarda bir iş oyunu düzenlemenin zorluğudur.

· “Toplantı” yöntemi (“komisyonlar”, “yuvarlak masa”) en basit ve en geleneksel yöntemdir.

Çözülmekte olan sorun hakkında tek bir kolektif görüş geliştirmek amacıyla bir toplantı veya tartışma yapılmasını içerir. “Beyin saldırısı” yönteminden farklı olarak her uzman sadece kendi görüşünü ifade etmekle kalmıyor, aynı zamanda başkalarının önerilerini de eleştirebiliyor. Bu kadar dikkatli düşünmenin bir sonucu olarak karar verirken hata yapma olasılığı azalır.

Yöntemin avantajı uygulama kolaylığıdır. Ancak toplantıda katılımcılardan birinin yetkisi, resmi konumu, azmi veya hitabet kabiliyeti nedeniyle hatalı görüşü kabul edilebilir.

· “Mahkeme” yöntemi bir tür “buluşma” yöntemi olup, yargılamanın yürütülmesine benzer şekilde uygulanır.

Seçilen çözüm seçenekleri “konu” görevi görüyor; “yargıç” rolünde - karar vericiler; uzman grubunun üyeleri olan “vekiller” ve “savunucu” rolünde. “Tanıkların” rolü, çeşitli seçim koşulları ve uzmanların argümanları tarafından oynanır. Böyle bir “yasal süreç” yürütülürken bazı kararlar reddediliyor veya kabul ediliyor.

Farklı çözüm seçeneklerine bağlı olan birkaç uzman grubu olduğunda "suda" yönteminin kullanılması tavsiye edilir.

Uzman grup üyelerinden bireysel görüş alma yöntemleri, öncelikle birbirinden bağımsız olarak görüşülen uzmanlardan bilgi alınması, ardından alınan verilerin işlenmesine dayanmaktadır. Bu yöntemler arasında anket yöntemleri, görüşmeler ve Delphi yöntemleri yer almaktadır.

Bireysel bilirkişi değerlendirmesi yönteminin temel avantajları, verimliliği, uzmanın bireysel yeteneklerini tam olarak kullanabilme yeteneği, yetkililerden baskı olmaması ve inceleme maliyetlerinin düşük olmasıdır. Başlıca dezavantajları, bir uzmanın sınırlı bilgisi nedeniyle ortaya çıkan değerlendirmelerin yüksek derecede öznel olmasıdır.

· "Delphi" yöntemi veya "Delphic Oracle" yöntemi, yinelemeli bir anket anketi prosedürüdür.

Aynı zamanda, uzmanlar arasında hiçbir kişisel temasın olmaması ve onlara her anket turundan sonra tüm değerlendirme sonuçları hakkında eksiksiz bilgi verilmesi gerekliliği, değerlendirmelerin, argümanların ve eleştirilerin anonimliği gözlenmektedir.

Yöntem prosedürü birbirini takip eden birkaç araştırma aşamasını içerir. İlk aşamada, genellikle anket şeklinde bireysel bir uzman araştırması gerçekleştirilir. Uzmanlar argüman sunmadan cevap verirler. Daha sonra anket sonuçları işlenir ve bir grup uzmanın ortak görüşü oluşturulur, çeşitli görüşler lehine argümanlar belirlenir ve özetlenir. İkincisinde ise tüm bilgiler uzmanlara iletilir ve uzmanlardan değerlendirmeleri tekrar gözden geçirmeleri ve toplu karara katılmamalarının nedenlerini açıklamaları istenir. Yeni tahminler tekrar işlenerek bir sonraki aşamaya geçiş gerçekleşir. Uygulama, üç ila dört aşamadan sonra uzmanların cevaplarının istikrara kavuşacağını ve prosedürün durdurulması gerektiğini göstermektedir.

Delphi yönteminin avantajı, uzman değerlendirmelerinin objektifliğini önemli ölçüde artıran anket sırasında geri bildirim kullanılmasıdır. Ancak bu yöntem, çok aşamalı prosedürün tamamının uygulanması için önemli miktarda zaman gerektirir.

Uzman değerlendirme sürecinin ana aşamaları:

  • · uzman değerlendirmesinin amaç ve hedeflerinin oluşturulması;
  • · bir yönetim grubunun oluşturulması ve uzman değerlendirmesi yapılmasına ilişkin kararın resmileştirilmesi;
  • · uzman bilgisinin elde edilmesine yönelik yöntemin ve bu bilginin işlenmesine ilişkin yöntemlerin seçimi;
  • · uzman grubunun seçilmesi ve gerekirse anket sorularının oluşturulması;
  • · uzmanların araştırması (inceleme);
  • · sınav sonuçlarının işlenmesi ve analizi;
  • · elde edilen sonuçların yorumlanması;
  • · bir rapor hazırlamak.

İstatistiksel tahmin yöntemleri

Metodolojik açıdan herhangi bir tahminin ana aracı ekstrapolasyon şemasıdır. Ekstrapolasyonun özü, tahmin nesnesinin geçmişte ve günümüzde gelişen istikrarlı gelişim eğilimlerini incelemek ve bunları geleceğe aktarmaktır.

Zaman serilerinin istatistiksel analizine dayanan trend ekstrapolasyonu yöntemleri, geçmiş dönemde gelişen trendlere dayanarak yakın gelecekteki ürün satışlarının büyüme oranını tahmin etmeyi mümkün kılar. Tipik olarak, trend ekstrapolasyonu yöntemleri, ortamdaki değişikliklerin sayısının minimum olduğu kısa vadeli (bir yıldan fazla olmayan) tahminlerde kullanılır. Tahmin, her belirli nesne için ayrı ayrı ve sonraki her zaman noktası için sırayla oluşturulur. Bir ürün için tahmin yapıldığında, trend ekstrapolasyonuna dayalı tahmin görevleri, o ürün için talep analizi ve satış analizini içerir. Tahmin sonuçları, genel stratejik planlama, finansal planlama, üretim planlama ve envanter yönetimi, pazarlama planlaması ve ticaret akışı ve ticari operasyon yönetimi dahil olmak üzere kurumsal planlamanın tüm alanlarında kullanılır.

Trend ekstrapolasyonu için en yaygın yöntemler şunlardır:

  • · hareketli ortalama yöntemi;
  • · üstel düzeltme yöntemi;
  • · Mevsimsel dalgalanma yöntemine dayalı tahmin;

Hareketli ortalama kullanma ihtiyacı aşağıdaki durumlardan kaynaklanmaktadır. Mevcut zaman serisi verilerinin, belirli bir sürecin herhangi bir gelişme eğilimini (trendini) tespit etmemize izin vermediği durumlar vardır (kaynak verilerdeki rastgele ve periyodik dalgalanmalar nedeniyle). Bu gibi durumlarda trendleri daha iyi belirlemek için hareketli ortalama yöntemine başvurulur.

· Hareketli ortalama ekstrapolasyonu - kısa vadeli tahmin amaçları için kullanılabilir.

Hareketli ortalama yöntemi, bir dinamik serinin gerçek seviyelerini, orijinal verilerden önemli ölçüde daha az değişkenliğe sahip olan hesaplanmış seviyelerle değiştirmeyi içerir. Bu durumda, belirli bir zaman aralığı için veri grupları için ortalama hesaplanır ve sonraki her grup bir yıllık (ay) kayma ile oluşturulur. Böyle bir işlemin sonucunda, zaman serisinin başlangıçtaki dalgalanmaları yumuşatılır, bu nedenle işleme zaman serisinin yumuşatılması adı verilir (ana gelişme eğilimi bir tür düz çizgi şeklinde ifade edilir).

Hareketli ortalama yöntemi, hesaplandığında ortalamaların bir dönemden diğerine kayıyor gibi görünmesi nedeniyle bu şekilde adlandırılmıştır; Her yeni adımla birlikte ortalama, uygulanan fiili süreç hakkında yeni bilgiler alınarak güncellenir. Bu nedenle, tahmin yaparken, zamandaki bir sonraki göstergenin değer olarak son zaman aralığı için hesaplanan ortalamaya eşit olacağı şeklindeki basit varsayımdan yola çıkıyoruz.

· Üstel ortalama. Hareketli ortalama göz önüne alındığında, gözlem ne kadar eski olursa, hareketli ortalamanın değeri üzerinde o kadar az etkiye sahip olması gerektiği kaydedildi. Yani geçmiş gözlemlerin etkisi, ortalamanın belirlendiği andan itibaren mesafeye bağlı olarak azalmalıdır.

Bir zaman serisini "eskimeyi" dikkate alarak yumuşatmanın en basit yöntemlerinden biri, kısa vadeli tahminlerde yaygın olarak kullanılan, üstel ortalamalar adı verilen özel göstergelerin hesaplanmasıdır. Yöntemin ana fikri geçmiş ve güncel gözlemlerin doğrusal bir kombinasyonunu tahmin olarak kullanmaktır. Üstel ortalama aşağıdaki formül kullanılarak hesaplanır:

Qt+1 = L*yt + (1 - L) * Q t-1

burada Q üstel ortalamadır (seri seviyesinin düzeltilmiş değeri);

L - üstel ortalamayı (düzleştirme parametresi) hesaplarken mevcut gözlemin ağırlığını karakterize eden katsayı, 0

t - cari dönemin endeksi;

y, satır düzeyinin gerçek değeridir.

Üstel düzeltme yöntemi (Şekil No. 2), belirli bir döneme ait gerçek gösterge ile belirli bir döneme ilişkin tahminin özel katsayılar kullanılarak ağırlıklandırılmış toplamı olarak gelecek bir döneme ilişkin bir göstergenin tahminini temsil eder.


Pirinç.

Grafik, satış tahminleri eğrisinin fiili satış eğrisiyle karşılaştırıldığında daha düzgün bir çizgi (düzleştirilmiş eğilim) olduğunu göstermektedir.

Prognostik değerlendirmenin temeli olarak hareketli ve üstel ortalamaların kullanılması, yalnızca düzeydeki dalgalanmaların nispeten küçük olması durumunda anlamlıdır. Bu tahmin yöntemleri en yaygın trend ekstrapolasyon yöntemleri arasındadır.

· Mevsimsel dalgalanmalara dayalı tahmin.

Mevsimsel dalgalanmalar, bir göstergede yıldan yıla belirli dönemlerde tekrarlanan değişikliklerdir. Bunları her ay (veya çeyrek) için birkaç yıl boyunca gözlemleyerek, mevsimsel dalgalanmaların özellikleri olarak alınan ilgili ortalamaları veya medyanları hesaplamak mümkündür.

İstatistiksel tahmin yöntemlerinden biri de bir zaman serisinin seviyelerindeki mevsimsel dalgalanmalara dayalı tahminlerin hesaplanmasıdır. Bu durumda mevsimsel dalgalanmalar, yılın zamanının etkilerinden kaynaklanan dinamik bir serinin düzeyindeki bu tür değişiklikler olarak anlaşılmaktadır. Toplumsal yaşamın her alanında (üretim, dolaşım ve tüketim) değişen yoğunluklarda kendilerini gösterirler. Gıda ticaretinde, ulaşımda vs. rolleri çok önemlidir. Mevsimsel dalgalanmalar kesinlikle döngüseldir; mevsimlerin süresi değişse de her yıl tekrarlanırlar.

Tek boyutlu nokta haritalamada uygun döngülerin ortaya çıkışı M. Feigenbaum tarafından incelendi ve benzer dinamiklerin ekonomik modellerde mevcut olduğu gerçeği Nizhegorodtsev tarafından defalarca belirtildi.

Mevsimsel dalgalanmaları incelemek için her çeyrek için veya daha iyisi her ay için, hatta bazen onlarca yıl için seviyelere sahip olmak gerekir; ancak on günlük seviyeler zaten küçük ölçekli rastgele dalgalanmalar nedeniyle büyük ölçüde çarpıtılabilir. araba değerlemesini tahmin etmek

Mevsimsel dalgalanmalara ilişkin istatistiksel tahmin yöntemi, bunların ekstrapolasyonuna dayanmaktadır; Mevsimsel dalgalanmalara ilişkin parametrelerin tahmin dönemine kadar devam ettiği varsayımına dayanmaktadır.

Mevsimsellik endeksleri genel olarak serinin başlangıç ​​(ampirik) seviyelerinin karşılaştırmaya temel oluşturan teorik (hesaplanan) seviyelerine oranıyla belirlenmektedir. Mevsimsellik endeksleri aşağıdaki formül kullanılarak hesaplanır:

burada bireysel mevsimsellik endeksidir;

Yt - dinamik serisinin ampirik seviyesi;

Yi, dinamik serinin teorik düzeyidir.

Formülde mevsimsel dalgalanmaların ölçümünün ilgili teorik eğilim seviyelerine göre yapılması sonucunda bireysel mevsimsellik endekslerinde ana gelişme eğiliminin etkisi ortadan kaldırılmaktadır. Mevsimsel dalgalanmaların üzerine rastgele sapmalar eklenebileceğinden, bunları ortadan kaldırmak için, analiz edilen zaman serisinin aynı yıl içi dönemlerine ait bireysel mevsimsellik endekslerinin ortalaması alınır. Bu nedenle, yıllık döngünün her dönemi için genelleştirilmiş göstergeler, ortalama mevsimsellik endeksleri (Is) şeklinde belirlenir:

burada n, yıllık döngünün dönem sayısıdır.

Bu şekilde hesaplanan ortalama mevsimsellik endeksleri, ana gelişme eğiliminin ve rastgele sapmaların etkisinden arındırılmıştır.

· Doğrusal regresyon yöntemini kullanarak tahmin yapmak.

Doğrusal regresyon yöntemini kullanarak tahmin yapmak, en yaygın kullanılan resmileştirilmiş tahmin yöntemlerinden biridir. Yöntem, faktör ile performans göstergesi arasındaki ilişkiye (doğrusal bağımlılık) dayanmaktadır:

burada x faktör göstergesidir;

Y performans göstergesidir.

Mevsimsel dalgalanmaları ölçmek için yukarıdaki yöntemler tek yöntemler değildir. Bu nedenle mevsimsel dalgalanmaları tespit etmek için yukarıda açıklanan hareketli ortalama yöntemi ve diğer yöntemler kullanılabilir.

Kombine yöntemler

Uygulamada farklı talep tahmin yöntemlerini birleştirme eğilimi vardır. Nihai tahmin, iç planlamanın tüm yönlerinde çok önemli bir rol oynadığından, herhangi bir girdi faktörünün kullanılabileceği bir tahmin sistemi oluşturmak arzu edilir.