Навігація
Головна
 
Головна arrow Маркетинг arrow Маркетинг для професіоналів
< Попередня   ЗМІСТ   Наступна >

Прогнозні моделі, засновані на методах математичної статистики

Можна виділити дві групи методів розробки прогнозів, заснованих на методах математичної статистики: екстраполяцію і моделювання.

У першому випадку в якості бази прогнозування використовується минулий досвід, який пролонгується на майбутнє. Робиться припущення, що система розвивається еволюційно в досить стабільних умовах. Чим більше система, тим більше ймовірне збереження її параметрів без зміни, звичайно, на термін не дуже великий. Зазвичай рекомендується, щоб термін прогнозу не перевищував однієї третини тривалості розрахункової тимчасової бази.

У другому випадку будується прогнозна модель, яка характеризує залежність досліджуваного параметра від ряду факторів, на нього впливають. Вона пов'язує умови, які, як очікується, будуть мати місце, і характер їх впливу на досліджуваний параметр.

Дані моделі не використовують функціональні, аналітичні залежності. Вони засновані тільки на статистичних взаємозв'язках.

У методологічно правильній постановці прогнозування попиту - це оцінка майбутнього попиту при припущенні про певний поведінці покупців в заданих умовах. Прогнозування попиту рекомендується здійснювати в три етапи. Спочатку розробляється прогноз зовнішнього середовища, потім - прогноз розвитку даної галузі, нарешті, розробляється прогноз величини попиту на продукти конкретної компанії. Такі комплексні, тим більше аналітичні моделі, розробити і реалізувати надзвичайно складно, тому на практиці набули застосування більш прості статистичні моделі.

Прогнози ринкового попиту будуються на використанні трьох видів інформації, отриманої на основі вивчення: що люди говорять, що люди роблять і що люди зробили. Отримання першого виду інформації ґрунтується на вивченні думки споживачів і покупців, співробітників торгових організацій і посередників. Тут використовуються методи соціологічних досліджень і експертні методи. Вивчення того, що люди роблять, передбачає проведення тестування ринку. Вивчення того, що люди зробили, припускає аналіз статистичних даних про зроблених ними покупках. Зазвичай в даному випадку мова йде про прогнозування на основі статистичних даних за обсягом продажів для конкретної компанії або конкретного ринку величини поточного ринкового попиту на певний продукт.

Виникає питання: як ще до настання майбутнього оцінити точність прогнозних оцінок? Для цього зазвичай розрахунки за обраною прогнозної моделі порівнюють з даними, отриманими в минулому, і для кожного моменту часу визначається відмінність оцінок. Потім визначається середня різниця оцінок, скажімо середньоквадратичне відхилення. За його величиною визначається прогнозна точність моделі.

З великої різноманітності прогнозних моделей нижче будуть коротко охарактеризовані тільки найбільш часто використовувані на практиці [1] .

При побудові прогнозних статистичних моделей найчастіше використовуються парний і множинний регресійний аналіз, а також екстраполяційні методи, в основі яких лежить аналіз тимчасових рядів.

Парний (двовимірний) регресійний аналіз переважно заснований на використанні рівняння прямої лінії.

Існують більш складні модифікації методу парної регресії. Наприклад, в роботі [2] визначено перспективний попит на вантажівки. Для порівняння попиту на вантажівки різних модифікацій була знайдена змінна, яка є спільною для всіх вантажних машин, - тонна корисного вантажу. На основі цієї змінної був розрахований показник числа реєстрацій нових номерів вантажівок різного типу на найближчі п'ять років. Отримання цих даних супроводжувалося проведенням досить складних розрахунків.

Перевагою даного методу аналізу є його відносна простота.

Недоліком парної регресійної моделі є те, що рівнянням прямої лінії описується динаміка досить невеликого числа прогнозованих показників. Далі слід зазначити, що обмеженням прогнозування на основі регресійного рівняння, тим більше, парного служить умова стабільності або, принаймні, малої мінливості інших факторів і умов досліджуваного процесу, не пов'язаних з ними. Якщо різко зміниться "зовнішнє середовище" процесу, що протікає, колишнє рівняння регресії результативної ознаки на факторний утратить своє значення.

Слід дотримуватися 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, наявне в вихідної інформації.

Прогноз, отриманий підстановкою в рівняння регресії очікуваного значення фактора, називають точковим прогнозом. Імовірність точної реалізації такого прогнозу вкрай мала. Необхідно супроводити його значення середньої помилкою прогнозу або довірчим інтервалом прогнозу, в який з досить великою ймовірністю потрапляють прогнозні оцінки. Середня помилка є мірою точності прогнозу на основі рівняння регресії.

При використанні рівнянь регресії прогнозні розрахунки слід проводити для оптимістичних і песимістичних оцінок вихідних параметрів (незалежних змінних), отримуючи таким чином оптимістичні і песимістичні оцінки прогнозованого параметра. Реальна прогнозна оцінка повинна знаходитися між ними.

Аналіз на основі множинної регресії спирається на використання більш ніж однієї незалежної змінної в рівнянні регресії. Це ускладнює аналіз, роблячи його багатовимірним. Все, що стосується множинної регресії, концептуально є ідентичним парній регресії, за винятком того, що використовується більш ніж одна змінна. При прогнозуванні попиту ідентифікуються фактори, що визначають попит, встановлюються взаємозв'язки, що існують 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.

Регресійна модель більш повно відображає дійсність, так як в реальності досліджуваний параметр, як правило, залежить від безлічі факторів. Ця обставина визначає головне достоїнство даного виду аналізу в порівнянні з методом парної регресії.

Недоліки аналізу на основі множинної регресії аналогічні недоліків аналізу на основі парної регресії за винятком використання в ньому тільки однієї змінної.

У порядку ознайомлення з можливостями використання при проведенні маркетингових досліджень більш складних методів математичної статистики розглянемо динамічну модель множинної регресії , яка використовується для оцінки і прогнозування попиту на великовантажні транспортні засоби на європейському ринку [17].

Була обрана наступна функція попиту:

Попит = F (промислове виробництво, облікова процентна ставка, ціна, похибка),

де Попит - щомісячний обсяг замовлень на вантажівки вантажопідйомністю 15 т і вище; змінна "промислове виробництво" відображає місячний індекс промислового виробництва; облікова процентна ставка характеризує місячну облікову процентну ставку за державними зобов'язаннями; ціна - індекс ціни на дизельне паливо.

Було встановлено наступне:

  • • кумулятивний загальний ефект змінної "промислове виробництво" дорівнює 3,2. Це означає, що зростання промислового виробництва на 1% призводить до зростання числа замовлень на 3,2%;
  • • ефект зниження облікової процентної ставки на 10% призводить, з восьмимісячним запізненням, до підвищення попиту на вантажівки на 1,9%;
  • • ефект підвищення ціни дизельного палива на 10% через вісім місяців призводить до падіння попиту на вантажівки на 4,8%.

Порівняння спостережуваних і розрахованих за моделлю обсягів продажів показало високу точність, що дозволило використовувати її з метою прогнозування обсягів продажів великовантажних транспортних засобів.

З іншими типами моделей прогнозування місткості ринку для узагальнених продуктових груп можна ознайомитися в роботах [4; 8].

Багато дані маркетингових досліджень представляються для різних інтервалів часу, наприклад на щорічній, щомісячній і іншій основі. Такі дані називаються тимчасовими рядами. Екстраполяційні методи аналізу часових рядів є найпростішими методами прогнозування попиту на основі статистичної маркетингової інформації.

Аналіз часових рядів спрямований на виявлення трьох видів закономірностей (компонент) зміни даних:

  • 1) тренд характеризує загальну тенденцію в змінах показників ряду. Ті чи інші якісні властивості розвитку виражають різні рівняння трендів: лінійні, параболічні, експоненціальні, логарифмічні, логістичні та ін. Після теоретичного дослідження особливостей різних форм тренда необхідно звернутися до фактичного тимчасового ряду, тим більше що далеко не завжди можна надійно встановити, якою має бути форма тренда з чисто теоретичних міркувань;
  • 2) циклічний характер коливань статистичних показників характеризується тривалим періодом (врожайність окремих культур, економічна активність). Такі явища звичайно не є предметом дослідження маркетологів, яких зазвичай цікавить динаміка проблеми на відносно короткому інтервалі часу;
  • 3) сезонні коливання показників мають регулярний характер і спостерігаються протягом кожного року. Вони і є предметом вивчення маркетологів (попит на газонокосарки, на відпочинок в 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 вигляді, і це не дозволяє "програвати" різні варіанти прогнозів при різних можливих значеннях факторів, що впливають на досліджувану ознаку. Зате прогноз по тренду охоплює всі фактори, в той час як в регресійну модель у кращому випадку можливо включити в явному вигляді не більше 10-20 факторів.

Метод полягає в розкладанні тимчасового ряду на п'ять компонент. До трьох розглянутих вище компонентів додаються такі дві компоненти:

  • 4) маркетингова компонента, пов'язана з діями по просуванню продукту, тимчасовими зниженнями цін і т.п .;
  • 5) випадкова компонента, що відображає сукупну дію погано вивчених процесів, які не представлені у кількісній формі.

Для кожної компоненти розраховується параметр, заснований на спостерігалися закономірності: довгостроковому темпі приросту продажів, кон'юнктурних флуктуаціях, сезонних коефіцієнтах, специфічних факторах (демонстрації продукту, заходи щодо стимулювання збуту і т.п.). Метою аналізу в даному випадку є вимір еволюції кожної компоненти в минулому і її екстраполяція на майбутнє для складання прогнозу.

У найпростішому варіанті метод екстраполяції може застосовуватися без розкладання тимчасового ряду на компоненти, а в простому графічному відображенні закономірностей зміни досліджуваного показника в минулому і продовження цих закономірностей в майбутнє. Простота даного підходу визначає головне достоїнство методів екстраполяції.

До числа недоліків екстраполяціонних методів слід віднести наступне.

В основі даного методу, як і для раніше розглянутих методів, лежить ідея про стабільність причинно-наслідкових зв'язків і регулярності еволюції факторів зовнішнього середовища, що уможливлює використання екстраполяції. Зрозуміло, що такий прогноз має сенс для періоду часу, щодо якої можна прийняти, що характеристики досліджуваного явища істотно не змінюються. Більшість прогнозних помилок пов'язано з тим, що в момент формулювання прогнозу в більш-менш явній формі малося на увазі, що існуючі тенденції збережуться в майбутньому, що рідко виправдується в реальному економічному і суспільному житті. Часом несподівано починають вступати в дію всі нові і нові фактори, які раніше не враховувалися

Вищеназване ні в якому разі не применшує значущості екстраполяціонних методів в прогнозуванні. Як і будь-які методи, їх треба вміти використовувати. Перш за все, екстраполяціонних методи слід застосовувати для відносно короткострокового прогнозування розвитку досить стабільних, добре вивчених процесів. Прогнозний період часу не повинен перевищувати 25-30% вихідної тимчасової бази.

У ряді випадків прогнозну оцінку, отриману на основі екстраполяціонних методів, використовують як індикатор бажаності одержання певної величини прогнозованого параметра. Припустимо, що була отримана прогнозна оцінка величини ринкового попиту на якийсь продукт. Вона говорить про те, що при тих же умовах зовнішнього середовища, структурі і силі дії вихідних факторів величина попиту до певного моменту часу досягне такої-то величини. Менеджерам, які використовують результати даного прогнозу, слід відповісти на питання: а чи влаштовує нас дана величина попиту? Якщо так, то треба докласти максимум зусиль, щоб все зберегти без зміни. Якщо немає, то необхідно використовувати внутрішні можливості (наприклад, провести додаткову рекламну кампанію) і постаратися вплинути на певні фактори зовнішнього середовища, що піддаються непрямому впливу (зокрема, вплинути на діяльність посередників, пролобіювати зміну певних тарифів, імпортних мит). Вся ця діяльність спрямована на забезпечення отримання бажаної величини попиту.

Більш точні оцінки в порівнянні з простим аналізом трендів при прогнозуванні дає можливість отримати метод експоненціального згладжування. У ньому прогнозна оцінка в більшому ступені відповідає тенденціям останніх років, що є головним його достоїнством [6; 7; 10; 18]. Даний метод використовується для короткострокового прогнозу і заснований на використанні середньозважений значенні досліджуваного показника, наприклад обсягу продажів, по певному числу минулих періодів. При цьому найбільші вагові коефіцієнти надаються пізнішим продажу.

Недоліком даного методу, крім недоліків, властивих в цілому всім екстраполяціонним методам, є його більш висока складність в порівнянні з методом простої екстраполяції

Головним слабким місцем розглянутих методів прогнозування є те, що вони не дозволяють дійсно "пророчити" еволюцію попиту, оскільки не здатні передбачити будь-які "поворотні точки". У кращому випадку вони можуть швидко врахувати вже сталося зміна. Проте, для багатьох проблем управління такий "апостеріорний" прогноз виявляється корисним за умови, що фактори, що визначають рівень попиту, не схильні до різких змін.

Іншим методом прогнозування є метод провідних індикаторів .

Провідні індикатори - показники або їх тимчасові ряди, що змінюються в тому ж напрямку, що і досліджуваний показник, але випереджаючі його за часом. Наприклад, зростання показників життєвого рівня випереджає показник росту попиту. Таким чином, вивчаючи динаміку зміни показників життєвого рівня, можна зробити висновки про можливу зміну показника попиту на визначену продукцію.

При оцінці ринкового потенціалу географічних зон, регіонів або країн і оцінці привабливості їх ринків часто використовують індикатори купівельної спроможності. Мета при цьому полягає в вимірі привабливості ринку за середньозваженим значенням трьох ключових компонентів будь-якого потенціалу ринку, тобто .:

  • 1) кількості споживаючих одиниць;
  • 2) купівельної спроможності цих споживаючих одиниць;
  • 3) готовність цих споживаючих одиниць до витрат.

Статистичні індикатори цих трьох змінних визначаються для обраної територіальної бази (країна, область, район, місто), після чого визначається середньозважений індекс для кожної зони.

Існує два підходи до його визначення: використовувати стандартний індекс купівельної спроможності (ІПС), який пропонують фірми по вивченню ринку, чи побудувати індекс спеціально для аналізованого сектора економіки або гами продуктів.

Стандартні ІПС зазвичай засновані на трьох наступних індикаторах: загального числа жителів даної географічної зони, загального доходу в зоні, роздрібних продажів в зоні. Вагові коефіцієнти кожного індикатора щорічно публікуються для різних регіонів світу. Ці коефіцієнти визначені емпірично з використанням регресійного аналізу і в основному застосовні до товарів масового попиту. У разі необхідності можна застосовувати інші коефіцієнти.

Спеціальні індекси ІПС ґрунтуються на тих же складових потенціалу ринку, але використовують індикатори, краще адаптовані до досліджуваної області діяльності, з додатковим залученням індикаторів, що характеризують місцеві умови. Наприклад, для оцінки продажів безалкогольних напоїв по регіонах використовуються такі індикатори: число сімей з дітьми, рівень доходу і число готелів, ресторанів і кафе. Індекс ІПС розраховується як середньозважене значення цих трьох індикаторів (виражених у відсотках) по кожному з регіонів. Його предсказательная здатність перевірена порівнянням індексу ІПС з об'ємом продажів по кожному регіону.

До достоїнств даного методу слід віднести легкість розрахунків за простими формулами; досить високу його передбачувану точність, перевірену для багатьох споживчих товарів масового попиту, що реалізуються в різних географічних зонах.

Недоліки полягають в застосуванні даного методу переважно до масових споживчих товарів укрупнених асортиментних позицій, що реалізуються в досить великих географічних зонах. Часто оцінка купівельного попиту здійснюється для ринку споживчих товарів в цілому. Практично неможливо знайти інформацію про індикатори для конкретної асортиментної позиції і досить локального ринку. Для цього потрібно проводити дорогі спеціальні дослідження.

Використання кривих життєвого циклу

Для прогнозування розвитку попиту і потенціалу ринку може використовуватися крива життєвого циклу . Застосування моделі життєвого циклу продукту має на увазі здатність формулювати прогнози якісного чи кількісного характеру щодо еволюції початкового попиту на ринку певного продукту. Ці дані визначаються експертним шляхом або виходячи з вивчення статистики зміни обсягу реалізації за часом. В останньому випадку можна скористатися S-образними кривими. Найбільш відомою кривою даного типу є логістична крива.

Логістична крива може бути описана математично. Вона має два перегину: від прискореного зростання до рівномірного (увігнутість) і від рівномірного зростання посеред періоду до уповільнює (опуклість). За допомогою такої кривої можна описати насичення певного ринку якимось товаром, наприклад телевізорами. Спочатку повільний, але все прискорене зростання частки сімей, що мають телевізор, потім зростання рівномірний (приблизно від 30-40% сімей до 70-80%). Потім зростання частки сімей, що мають телевізор, сповільнюється в міру наближення частки до 100%. Як потенціалу ринку розглядається ринковий попит продукту, який набрав фазу зрілості свого життєвого циклу.

Якщо колишній досвід доводить, що попит на початкових стадіях життєвого циклу досліджуваного продукту змінюється відповідно до логістичної кривої (до досягнення свого максимального значення), то, взявши поточне значення попиту, можна розрахувати граничну величину попиту або потенціал ринку [12; 15].

Крім того, задаючись величиною ринкового потенціалу, яку визначено після проведення спеціальних маркетингових досліджень, можна визначати динаміку величини поточного попиту. У цьому випадку повна крива може бути екстрапольована на основі дуже короткого часового ряду. Вирішальний момент, звичайно, полягає в тому, підпорядковується зміна попиту досліджуваного продукту логістичної кривої.

Переваги методу полягають в популярності теорії кривих життєвого циклу і досить простих розрахунках за формулою логістичної кривої.

До недоліків даного методу слід віднести наступне. Немає свідчень, що підтверджують, що більшість продуктів проходить типовий четирехфазовий життєвий цикл. Немає також свідчень того, що поворотні моменти різних фаз життєвого циклу в тій чи іншій мірі передбачувані. Симетричність кривої життєвого циклу щодо точки перегину є найчастіше винятком, ніж правилом. Таким чином, характер зміни попиту не описується логістичною кривою. Крім того, криві життєвого циклу будуються для незмінних умов зовнішнього середовища або умов, що змінюються по еволюційним законам.

  • [1] Існує цілий ряд методів прогнозування попиту і частки ринку, заснованих на вивченні переваг споживачів [8; 9; 14; 19], розгляд яких виходить за рамки даної книги.
 
Якщо Ви помітили помилку в тексті позначте слово та натисніть Shift + Enter
< Попередня   ЗМІСТ   Наступна >
 
Дисципліни
Агропромисловість
Аудит та Бухоблік
Банківська справа
БЖД
Географія
Документознавство
Екологія
Економіка
Етика та Естетика
Журналістика
Інвестування
Інформатика
Історія
Культурологія
Література
Логіка
Логістика
Маркетинг
Медицина
Нерухомість
Менеджмент
Педагогіка
Політологія
Політекономія
Право
Природознавство
Психологія
Релігієзнавство
Риторика
Соціологія
Статистика
Техніка
Страхова справа
Товарознавство
Туризм
Філософія
Фінанси
Пошук