Ключевое решение при использовании экспоненциального сглаживания касается выбора коэффициента сглаживания α, который принимает значения от 0 до 1. Высокие величины α придают большой вес последним значениям и меньший – отдаленным; при низком уровне α, напротив, больший вес получают более давние значения. Если продажи меняются медленно, то хороший результат дают невысокие показатели α, высокие стоит использовать, чтобы прогнозные показатели быстрее откликались на изменения. Конкретную величину α обычно определяют эмпирически, пробуя разные значения, и в итоге принимается то из них, при котором на данных за прошлый период ошибка прогноза оказывается минимальной.

Декомпозиция

Метод декомпозиции в прогнозировании сбыта обычно применяется по отношению к месячным или квартальным данным, когда очевиден сезонный характер спроса и когда менеджер хочет прогнозировать продажи не только на год, но и на меньшие периоды. Важно определить, когда изменение объема продаж отражает общие, фундаментальные процессы, а когда оно связано с сезонностью спроса. Например, Hawaiian Tropic хочет выяснить, насколько увеличение продаж защитных средств для загара связано с общей тенденцией к более активному уходу за кожей, а в какой степени его – с пиковым повышением спроса в мае – сентябре. Метод декомпозиции нацелен на то, чтобы отделить друг от друга четыре составляющих временного ряда: тренд, цикличность, сезонность и случайные факторы.

• Тренд отражает долгосрочный характер изменений, наблюдаемых во временном ряду, когда исключены циклические, сезонные и случайные составляющие. Обычно он является линейным.

• Цикличность присутствует не всегда, поскольку данный фактор отражает подъемы и спады при исключении сезонных и беспорядочных колебаний. Эти подъемы и спады обычно происходят на продолжительном отрезке, возможно, от двух до пяти лет. Некоторые продукты слабо подвержены циклическим колебаниям (например, консервированный горошек), тогда как в случае с другими товарами они достаточно сильны (новостройки).

• Сезонность отражает колебания временного ряда, связанные со сменой времен года. Обычно этот фактор проявляется одинаково каждый год, хотя точный характер продаж может различаться от года к году.

• Случайный фактор – составляющая, которая остается после исключения тренда, цикличности и сезонного фактора.

Таблица 5.6. Расчет индекса сезонности

* Индекс сезонности равен квартальной средней, поделенной на общую среднюю за квартал и помноженной на 100. Например, для первого квартала он равен (96,7 / 131,1) × 100 = 73,8.

В таблице 5.6 представлен расчет простого сезонного индекса на материале данных за пять прошедших лет. Данные явно указывают на наличие сезонного фактора и тренда. Четвертый квартал каждый год становится самым успешным, первый – самым неудачным. В то же время продажи в каждом последующем году выше, чем в предыдущем. Можно рассчитать индекс сезонности для каждого года, просто разделив квартальные продажи на среднее значение за квартал. Чаще, однако, расчет индекса сезонности производится на основе данных за несколько лет, чтобы сгладить случайные колебания в разные кварталы.

Применяя метод декомпозиции, аналитик обычно сначала определяет характер сезонности и исключает ее, чтобы выявить тренд. Затем оценивается фактор цикличности. После расчета этих трех параметров по отдельности разрабатывается прогноз путем поочередного применения каждого фактора к историческим данным.

Статистический анализ спроса

Методы анализа временных рядов позволяют определять зависимость продаж от временных периодов, на чем и основывается прогноз. Статистический анализ спроса при прогнозировании направлен на выявление взаимосвязи между продажами и важными факторами, влияющими на них. Обычно для определения этой взаимосвязи применяется регрессионный анализ. Задача заключается не в том, чтобы рассчитать по отдельности все факторы, а в том, чтобы выявить те из них, которые оказывают самое существенное влияние на сбыт, и затем оценить степень этого влияния. Прогностическими параметрами в статистическом анализе спроса часто являются индексы за прошлые периоды, такие как индекс опережающих экономических индикаторов и др. Например, производитель пиломатериалов для прогнозирования продаж может использовать показатель нового строительства, процентные ставки и сезонное увеличение спроса в летние месяцы.

При прогнозировании сбыта руководитель отдела продаж сталкивается с вопросом: какой метод следует использовать и насколько точным получится прогноз? Это особенно сложно определить, когда менеджер пробует несколько методов и полученные результаты не согласуются друг с другом, что случается гораздо чаще, чем хотелось бы.

Было проведено несколько исследований, чтобы оценить точность прогнозирования для разных методик. Некоторые из них касались отдельно взятых компаний, в других использовались выборочные ряды данных, к которым систематически применялись разные техники прогнозирования. В одном из самых дорогостоящих проектов проанализировали 1001 временной ряд из разных источников с использованием для каждого 24 методов экстраполяции. В итоге был сделан вывод, что от применяемого метода с точки зрения точности прогноза мало что зависит{74}. Аналогично, сравнение точности прогнозов объективных и субъективных методов не дало четкого вывода, какой из вариантов лучше. Иногда при сравнении предпочтительнее выглядели количественные методы{75}, но в других случаях более точные прогнозы давали субъективные методы{76}.

В целом многочисленные примеры сопоставления методик указывают, что ни одна из них, скорее всего, не может быть лучшей всегда и в любых условиях. Скорее, преимущество той или иной техники зависит от ряда факторов, в том числе стабильности временного ряда, горизонта наблюдений, степени структурированности процесса, использования компьютера и наличия или отсутствия сезонной составляющей. Таким образом, лучший подход – это применение многочисленных методик прогнозирования, в том числе субъективных и объективных, в сочетании друг с другом, сравнение их результатов, а затем выбор финального прогноза на основе экспертного суждения.