Как составить прогноз на следующий год по кварталам

Прогнозирование продаж в Excel не сложно составить при наличии всех необходимых финансовых показателей.

В данном примере будем использовать линейный тренд для составления прогноза по продажам на бушующие периоды с учетом сезонности.

Линейный тренд хорошо подходит для формирования плана по продажам для развивающегося предприятия.

Excel – это лучший в мире универсальный аналитический инструмент, который позволяет не только обрабатывать статистические данные, но и составлять прогнозы с высокой точностью. Для того чтобы оценить некоторые возможности Excel в области прогнозирования продаж, разберем практический пример.

Пример прогнозирования продаж в Excel

Рассчитаем прогноз по продажам с учетом роста и сезонности. Проанализируем продажи за 12 месяцев предыдущего года и построим прогноз на 3 месяца следующего года с помощью линейного тренда. Каждый месяц это для нашего прогноза 1 период (y).

Уравнение линейного тренда:

y = bx + a

• y — объемы продаж;
• x — номер периода;
• a — точка пересечения с осью y на графике (минимальный порог);
• b — увеличение последующих значений временного ряда.

Допустим у нас имеются следующие статистические данные по продажам за прошлый год.

1. Рассчитаем значение линейного тренда. Определим коэффициенты уравнения y = bx + a. В ячейке D15 Используем функцию ЛИНЕЙН:



2. Выделяем ячейку с формулой D15 и соседнюю, правую, ячейку E15 так чтобы активной оставалась D15. Нажимаем кнопку F2. Затем Ctrl + Shift + Enter (чтобы ввести массив функций для обеих ячеек). Таким образом получаем сразу 2 значения коефициентов для (a) и (b).



3. Рассчитаем для каждого периода у-значение линейного тренда. Для этого в известное уравнение подставим рассчитанные коэффициенты (х – номер периода).



4. Чтобы определить коэффициенты сезонности, сначала найдем отклонение фактических данных от значений тренда («продажи за год» / «линейный тренд»).



5. Рассчитаем средние продажи за год. С помощью формулы СРЗНАЧ.



6. Определим индекс сезонности для каждого месяца (отношение продаж месяца к средней величине). Фактически нужно каждый объем продаж за месяц разделить на средний объем продаж за год.



7. В ячейке H2 найдем общий индекс сезонности через функцию: =СРЗНАЧ(G2:G13).
8. Спрогнозируем продажи, учитывая рост объема и сезонность. На 3 месяца вперед. Продлеваем номера периодов временного ряда на 3 значения в столбце I:



9. Рассчитаем значения тренда для будущих периодов: изменим в уравнении линейной функции значение х. Для этого можно просто скопировать формулу из D2 в J2, J3, J4.
10. На основе полученных данных составляем прогноз по продажам на следующие 3 месяца (следующего года) с учетом сезонности:

Общая картина составленного прогноза выглядит следующим образом:

График прогноза продаж:

График сезонности:

Алгоритм анализа временного ряда и прогнозирования

Алгоритм анализа временного ряда для прогнозирования продаж в Excel можно построить в три шага:

1. Выделяем трендовую составляющую, используя функцию регрессии.
2. Определяем сезонную составляющую в виде коэффициентов.
3. Вычисляем прогнозные значения на определенный период.

Нужно понимать, что точный прогноз возможен только при индивидуализации модели прогнозирования. Ведь разные временные ряды имеют разные характеристики.

• бланк прогноза деятельности предприятия

Чтобы посмотреть общую картину с графиками выше описанного прогноза рекомендуем скачать данный пример:

В данной
статье рассмотрен один из основных методов прогнозирования —  анализ временных рядов. На примере розничного
магазина с помощью данного метода определены объемы продаж на прогнозный период.

Одна из
главных обязанностей любого руководителя — грамотно планировать работу своей
компании. Мир и бизнес сейчас меняются очень стремительно, и успеть за всеми
изменениями непросто. Многие события, которые невозможно предусмотреть заранее,
меняют планы фирмы (например, выпуск нового продукта или группы товаров,
появление на рынке сильной компании, объединение конкурентов). Но надо
понимать, что зачастую планы нужны лишь для того, чтобы вносить в них
коррективы, и в этом нет ничего страшного.

Любой процесс
прогнозирования, как правило, строится в следующей последовательности:

1.                 
Формулировка проблемы.

2.                 
Сбор информации и выбор метода прогнозирования.

3.                 
Применение метода и оценка полученного прогноза.

4.                 
Использование прогноза для принятия решения.

5.                 
Анализ «прогноз-факт».

Все
начинается с корректной формулировки проблемы. В зависимости от нее задача
прогнозирования может быть сведена, например, к задаче оптимизации. Для
краткосрочного планирования производства не так важно, каким будет объем продаж
в ближайшие дни. Важнее максимально эффективно распределить объемы производства
продукции по имеющимся мощностям.

Краеугольным
ограничением при выборе метода прогнозирования будет исходная информация: ее
тип, доступность, возможность обработки, однородность, объем.

Выбор
конкретного метода прогнозирования зависит от многих моментов. Достаточно ли
объективной информации о прогнозируемом явлении (существует ли данный товар или
аналоги достаточно долго)? Ожидаются ли качественные изменения изучаемого
явления? Имеются ли зависимости между изучаемыми явлениями и/или внутри
массивов данных (объемы продаж, как правило, зависят от объемов вложений в
рекламу)? Являются ли данные временным рядом (информация о наличии
собственности у заемщиков не является временным рядом)? Имеются ли
повторяющиеся события (сезонные колебания)?

Независимо от того, в какой отрасли и сфере
хозяйственной деятельности работает фирма, ее руководству постоянно приходится
принимать решения, последствия которых проявятся в будущем. Любое решение
основывается на том или ином способе проведения. Одним из таких способов
является прогнозирование.

Прогнозирование
— это научное определение вероятных путей и результатов предстоящего развития экономической
системы и оценка показателей, характеризующих это развитие в более или менее
отдаленном будущем.

Рассмотрим прогнозирование объема продаж, используя
метод анализа временных рядов.

Прогнозирование на основе
анализа временных рядов предполагает, что происходившие изменения в объемах
продаж могут быть использованы для определения этого показателя в последующие
периоды времени.

Временной
ряд — это
ряд наблюдений, проводящихся регулярно через равные промежутки времени: год,
неделю, сутки или даже минуты, в зависимости от характера рассматриваемой
переменной.

Обычно временной ряд состоит из нескольких
компонентов:

1) тренда — общей долгосрочной тенденции изменения временного
ряда, лежащей в основе его динамики;

2) сезонной вариации — краткосрочного регулярно повторяющегося
колебания значений временного ряда вокруг тренда;

3) циклических
колебаний, характеризующих так называемый цикл деловой активности, или
экономический цикл, состоящий из экономического подъема, спада, депрессии и
оживления. Этот цикл повторяется регулярно.

Для объединения отдельных элементов временного ряда
можно воспользоваться мультипликативной моделью:

Объем продаж = Тренд × Сезонная вариация × Остаточная
вариация. (1)

В ходе
составления прогноза продаж учитывают показатели компании за последние
несколько лет, прогноз роста рынка, динамику развития конкурентов. Оптимальное прогнозирование
продаж и корректировку прогноза обеспечивает полный отчет о продажах компании.

Применим данный метод для определения объема продаж
салона «Часы» на 2009 г.
В табл. 1 представлены объемы продаж салона «Часы», специализирующегося на
розничной продаже часов.

Таблица 1. Динамика
объема продаж салона «Часы», тыс. руб.

Год	I квартал	II квартал	III квартал	IV квартал
2007	937,6	657,6	1001,8	1239,2
2008	1112,5	1056,2	1458,6	1715,7

Для данных, приведенных в табл. 1, отметим два
основных момента:

• существующий тренд: объем продаж в
  соответствующих кварталах каждого года стабильно растет год от года;

• сезонная вариация: в
  первые три квартала каждого года продажи медленно растут, но остаются на
  относительно низком уровне; максимальные за год значения объема продаж всегда
  приходятся на четвертый квартал. Такая динамика повторяется из года в год.
  Данный тип отклонений всегда носит название сезонных, даже если речь идет,
  например, о временном ряде еженедельных объемов продаж. Этот термин просто
  отражает регулярность и краткосрочность отклонений от тренда по сравнению с
  продолжительностью временного ряда. 

Первый этап анализа временных рядов — построение
графика данных .

Для того чтобы составить прогноз, необходимо сначала
рассчитать тренд, а затем — сезонные компоненты.

Расчет тренда

Тренд — это общая долгосрочная тенденция изменения
временного ряда, лежащего в основе его динамики.

Если посмотреть на рис. 2, то через точки гистограммы
можно от руки начертить линию повышательного тренда. Однако для этого есть
математические методы, позволяющие оценить тренд более объективно и точно.

Если у временного ряда есть сезонная вариация, обычно
применяют метод скользящей средней.Традиционным методом прогнозирования будущего значения показателя
является усреднение n его прошлых значений.

Математически скользящие средние (служащие оценкой
будущего значения спроса) выражаются так:

Скользящая средняя = Сумма спроса за предыдущие n-периоды / n. (2)

Далее
подставим данные и рассчитаем скользящую среднюю:

Средний объем продаж за первые четыре квартала =  (937,6 + 657,6 + 1001,8 + 1239,2) / 4 = 959,075
тыс. руб.

Когда квартал заканчивается, данные об объеме продаж
в течение последнего квартала прибавляются к сумме данных за предыдущие три
квартала, а данные за ранний
квартал отбрасываются. Это приводит к сглаживанию краткосрочных нарушений в
ряде данных.

Средний объем продаж за следующие четыре квартала = (657,6
+ 1001,8 + 1239,2 + 1112,5) / 4 = 1002,775 тыс. руб.

Далее продолжаем расчеты аналогичным образом вплоть
до последних четырех кварталов, данные за которые имеются. Расчеты приведены в третьем
столбце табл. 2.

Первая рассчитанная средняя показывает средний объем
продаж за первый год  и находится
посередине между данными о продажах за II и III кварталы 2007 г. Средняя за следующие
четыре квартала разместится между объемом продаж за III и IV кварталы.
Таким образом, данные столбца 3 —
это тренд скользящих средних.

Но для продолжения анализа временного ряда и расчета
сезонной вариации необходимо знать значение тренда точно на то же время, что и
исходные данные, поэтому необходимо центрировать полученные скользящие средние,
сложив соседние значения и разделив их пополам. Центрированная средняя и есть
значение рассчитанного тренда (расчеты представлены в столбцах 4 и 5 табл. 2).

Таблица 2. Анализ
временного ряда

Год	Объем продаж, тыс. руб.	Четырехквартальная скользящая средняя	Сумма двух соседних значений	Тренд, тыс. руб.	Объем продаж / тренд × 100
I кв. 2007 г.	937,6	959,05 1002,775 1102,425 1216,625 1335,75
II кв. 2007 г.	657,6
III кв. 2007 г.	1001,8	1961,825	980,9125	102,1
IV кв. 2007 г.	1239,2	2105,2	1052,6	117,7
I кв. 2008 г.	1112,5	2319,05	1159,525	95,9
II кв. 2008 г.	1056,2	2552,375	1276,188	82,8
III кв. 2008 г.	1458,6
IV кв. 2008 г.	1715,7

Для составления прогноза продаж на каждый квартал 2009 г. надо продолжить на
графике тренд скользящих средних. Так как процесс сглаживания устранил все
колебания вокруг тренда, то сделать это будет несложно. Распространение тренда
показано линией на рис. 4. По графику можно определить прогноз для каждого
квартала (табл. 3).

Таблица 3. Прогноз
тренда на 2009 г.

2009 г.	Объем продаж, тыс. руб.
I кв.	1346,378
II кв.	1420,429
III кв.	1498,553
IV кв.	1580,973
Итого	5846,333

Расчет сезонной вариации

Для того чтобы составить реалистичный прогноз продаж
на каждый квартал 2009 г.,
необходимо рассмотреть поквартальную динамику объема продаж и рассчитать
сезонную вариацию. Если обратиться к данным о продажах за предыдущий период и
пренебречь трендом, можно рассмотреть сезонную вариацию более четко. Так как
для анализа временного ряда будет использована мультипликативная модель, необходимо разделить каждый
показатель объема продаж на величину тренда, как показано в следующей формуле:

Мультипликативная модель = Тренд × Сезонная вариация ×
Остаточная вариация × Объем продаж / Тренд = Сезонная вариация × Остаточная
вариация.     (3)

Результаты расчетов
представлены в столбце 6 табл. 2. Для того чтобы выразить значения показателей
в процентах и округлить их до первого десятичного знака, умножаем их на 100.

Теперь будем по очереди
брать данные за каждый квартал и устанавливать, на сколько в среднем они больше
или меньше значений тренда. Расчеты приведены в табл. 4.

Таблица 4. Расчет
средней квартальной вариации, тыс. руб.

Год	I квартал	II квартал	III квартал	IV квартал
2007 г.			102,1	117,7
2008 г.	95,9	82,8
Нескорректированная средняя	95,9	82,8	102,1	117,7
Всего	398,6

Нескорректированные данные в табл. 4 содержат как
сезонную, так и остаточную вариацию. Для удаления элемента остаточной вариации
необходимо скорректировать средние. В долгосрочном плане величина превышения
объема продаж над трендом в удачные кварталы должна уравниваться с величиной,
на которую объем продаж ниже тренда в неудачные кварталы, чтобы сезонные
компоненты в сумме составляли примерно 400 %. В данном случае сумма
нескорректированных средних равна 398,6. Таким образом, необходимо умножить
каждое среднее значение на корректирующий коэффициент, чтобы сумма средних
составила 400.

Корректирующий
коэффициент рассчитывается следующим образом: Корректирующий
коэффициент = 400 / 398,6 = 1,0036.

Расчет сезонной вариации представлен в табл. 5.

Таблица 5. Расчет
сезонной вариации

2009 г.	Процент
I квартал	95,9 × 1,0036 = 96,3
II квартал	82,8 ×1,0036 =83,1
III квартал	102,1 × 1,0036 =102,46
IV квартал	117,7 × 1,0036 =118,12
Итого	400

На основании данных табл.
5 можно спрогнозировать, например, что в I квартале объем продаж в среднем будет
составлять 96,3 % значения тренда, в IV — 118,1 % значения тренда.

Прогноз продаж

При составлении прогноза продаж исходим из следующих предположений:

• динамика тренда останется неизменной по сравнению с
  прошлыми периодами;

• сезонная вариация сохранит свое поведение.

Естественно, это предположение может оказаться
неверным, придется вносить коррективы, учитывая экспертное ожидаемое изменение
ситуации. Например, на рынок может выйти другой крупный торговец часами и сбить
цены салона «Часы», может измениться экономическая ситуация в стране и т. д.

Тем не менее, основываясь на вышеперечисленных
предположениях, можно составить прогноз продаж по кварталам на 2009 г. Для этого полученные
значения квартального тренда надо умножить на значение соответствующей сезонной
вариации за каждый квартал. Расчет данных приведен в табл. 6.

Таблица 6. Составление
прогноза продаж по кварталам салона «Часы» на 2009 г.

2009 г.	Объем продаж, тыс. руб.
I квартал	1346,378 × 102,46 % = 1380
II квартал	1420,429 × 118,12 % = 1678
III квартал	1498,553 × 96,3 % = 1443
IV квартал	1580,973 × 83,1 % = 1313
Итого	5814

Из полученного прогноза видно,
что товарооборот салона «Часы» в 2009 г. может составить 5814 тыс. руб., но для
этого предприятию необходимо проводить различные мероприятия.

Продавать без ориентира на результат — значит пустить продажи на самотёк. А ведь назвать размер прибыли за измеримый период можно с точностью до 90%. Для этого необязательно быть экстрасенсом, достаточно овладеть методиками прогнозирования, но для начала разберёмся, зачем нужен прогноз.

Зачем прогнозировать продажи

• Чтобы ставить цели. Цель — это сумма, которую компания должна получить через месяц, квартал, год. От этой цифры руководитель отдела продаж отталкивается, когда ставит менеджерам KPI и планирует премии.
• Чтобы снизить расходы. Прогнозирование продаж товаров помогает оптимизировать затраты на производство и логистику. В случае провала плана, эти направления первыми попадут под нож.
• Чтобы планировать ресурсы. Когда понятно, сколько получится заработать, можно планировать закупки, найм персонала, рекламу и аренду складов.
• Чтобы управлять складскими остатками. Когда перед глазами вероятная прибыль, понимаешь, сколько товара и по какой цене нужно продавать. Это помогает избежать дефицита или переизбытка на складе.
• Чтобы прогнозировать спад. Смягчить удар для бизнеса и остаться на плаву при снижении продаж можно, если учитывать причину падения спроса — например, сезонность.

Планирование и прогнозирование продаж: в чём разница

Прогноз продаж — это гипотеза.

То есть предположение о том, в каком объеме и за какой срок будет реализован товар. Аналитики строят гипотезы на основе исследования потенциала продаж — доли рынка. И только после того, как сформулированы гипотезы, составляют прогноз. Прогнозировать, опираясь на желание или интуицию, нельзя.

План продаж — это задача.

То есть конкретная измеримая цель, которая формируется на основе анализа показателей прошлых периодов. Задачу ставит руководитель отдела продаж (далее — РОП) менеджерам, или коммерческий директор — РОПу. При этом, предполагается, что для выполнения задачи есть ресурс.

Методы прогнозирования объёмов продаж

Поскольку экономические факторы сильно привязаны к политическим событиям, их динамика непредсказуема. Но получить более менее объективные цифры на краткосрочную перспективу можно, если применить основные методы прогнозирования продаж. Рассмотрим их.

Субъективные методы

• Ожидания пользователей

  Также известен как «метод изучения намерений покупателей». Помогает исследовать готовность потребителей приобрести услугу или товар. Этот метод больше оценивает потенциал рынка, нежели прогнозирует продажи. Точность метода невысокая, поскольку между намерением купить и покупкой — огромная пропасть, особенно при выводе на рынок новых товаров и услуг. Проблема в том, что потребители говорят о желании купить товар с определёнными функциями, но, в итоге, не покупают. Потому что, на самом деле, их интересуют не функции, а выгоды, которые они получают. Например, потребитель говорит, что ему нужен телефон с выходом в Интернет. На самом деле, он хочет тратить меньше времени на покупки, заказывая товары с доставкой на дом.

  Так удовлетворение ожиданий пользователей обернулось для компании Kawasaki фиаско при выводе на рынок новой усовершенствованной модели гидроциклов. Изучив потребности пользователей, производитель техники решил, что превзойдет конкурентов, если добавит пространство для ног (в то время гидроциклами управляли стоя). Но пока конструкторы занимались доработкой модели, конкуренты вывели на рынок гидроцикл, на котором можно было сидеть.

• Мнение продавцов

  Также известен как «сбор мнений торгового персонала». Такой метод ставит прогноз на основе предположений продавцов о том, какой объем продукции они рассчитывают продать в течение заданного периода. Затем мнения систематически корректируются. Этот метод тоже нельзя назвать сверхточным, поскольку сотрудники либо недооценивают, либо переоценивают свои способности. Когда реальные показатели продаж оказываются выше спрогнозированных, создаётся впечатление, что сотрудник сверхэффективен. А когда ниже, то не всегда это говорит о неэффективности, т.к. на сбыт могут влиять внешние факторы (дефицит товаров, например).

• Мнение менеджеров компании

  Также известен, как «коллективное мнение ключевых руководителей». Базируется на формальном или неформальном опросе ведущих экспертов и топ-менеджеров внутри компании. Полученные оценки усредняют, а расхождения нивелируют путём коллективного обсуждения с поиском консенсуса. Метод не отличается высокой точностью, поскольку мнения сотрудников чаще базируются на интуитивных догадках, нежели на фактологии.

• Метод экспертных оценок

  Используется при выводе нового продукта на рынок или запуска стартапа, когда статистика за предыдущие периоды отсутствует. Тогда штатные или приглашённые аналитики исследуют рынок и на основе анализа выдвигают гипотезы. В данном методе на точность прогноза больше всего влияет человеческий фактор — компетентность экспертов. Чтобы нивелировать это влияние, компания предлагает ставить задачу по сбору данных нескольким специалистам. Например, штатному РОПу, маркетологу и, параллельно, аналитику со стороны. Полученные показатели усредняют и только потом формируют прогноз.

Объективные методы

• Рыночное тестирование

  Метод считается эффективным и заключается в продаже новых или улучшенных потребительских товаров в репрезентативных регионах для выяснения реакции потребителей. Полученные данные проецируются на весь рынок. Исследования показывают, что, в итоге, пользуются спросом три товара из четырех прошедших проверку. В то время как четыре товара из пяти непрошедших в действительности терпят крах. Недостаток теста в том, что он не действует для промышленных товаров и, в целом, занимает много времени.

• Анализ временных рядов

  Метод базируется на анализе «исторических» данных за прошедшие периоды времени. В простом варианте может точно определить объем сбыта для зрелой отрасли с незначительным ростом рынка. В иных условиях требует более сложным методов анализа. Например, таких:

  Скользящее среднее
  Если рассматривать прогноз о том, что объем сбыта за прошлый и текущий годы будет равен, то можно получить серьезные ошибки при незначительных колебаниях продаж из года в год. Чтобы учитывать колебания, как случайность, нужно периодически усреднять показатели продаж. Каждый раз мы будем получать среднее значение объемов продаж, которое послужит прогнозом на будущее.

  Экспоненциальное сглаживание
  Разновидность метода скользящего среднего, который отличается тем, что при составлении прогноза назначает наибольшие весовые коэффициенты только последним наблюдениям, как наиболее вероятным. На эффективность метода влияет выбор константы сглаживания в диапазоне от 0 до 1. Если объемы продаж изменяются незначительно, то используют низкие значения константы. Если изменения значительны и происходят быстро, используют высокие значения константы, чтобы прогнозируемый ряд имел наименьшую погрешность.

  Декомпозиция
  Метод помогает проанализировать данные за месяц или за квартал при колебаниях спроса и получить прогноз на год поквартально. При этом сначала выясняются факторы, влияющие на изменения спроса, которые могут быть продиктованы разными причинами. В декомпозиции рассматривают четыре влияющих фактора, с учетом которых и составляется прогноз продаж — тренд, циклический, сезонный и случайный.

  Сезонность определяется первой и отражает ежегодные колебания, вызванные сменой сезонов из года в год.

  Тренд определяется вторым и показывает долгосрочные изменения во временном ряде.

  Циклический фактор определяется третьим и отражает подъемы и спады, длящиеся от двух до пяти лет.

  Случайный фактор показывает воздействия на кривую продаж после исключения других трёх факторов.

• Анализ годовых графиков

  Используется при наличии данных по продажам за несколько лет. Годовые графики разбивают по месяцам и сравнивают получившиеся ежегодные графики в разрезе пиков и падений. Метод работает только тогда, когда в нише нет сильных колебаний. Если мы продаем импорт, а рынок упал или предложение обогнало спрос, данные за прошлый период утратят релевантность. Спасительным кругом в таком случае станет каузальный метод прогнозирования объёмов продаж, когда показатели продаж меняются в результате изменения одной и более переменных.

Делимся секретами высоких продаж, новостями и обновлениями из мира телемаркетинга в нашем Telegram-канале. Рассказываем, как обрабатывать возражения, презентовать продукт и общаться на языке пользы для клиента.

Дополнительные методы

• Каузальный метод

  Это метод глубокой аналитики, когда эксперты анализируют косвенные показатели и проецируют их на кривую продаж. Позволяет прогнозировать продажи с учетом гипотетических рисков — снижения доходов потребителей, демпинга конкурентов, провальных рекламных кампаний, падения национальной валюты и других факторов.

Прогнозирование продаж на квартал в Excel

Рассмотрим пример прогнозирования продаж в Excel. Допустим, у развивающегося предприятия стоит задача — составить прогноз на квартал с учетом роста и сезонности. Для решения этой задачи возьмём статистику по продажам за прошлый год (Рис. 1) и рассчитаем значение линейного тренда с помощью уравнения (Рис. 2).

Для нахождения коэффициентов a и b применим функцию ЛИНЕЙН для ячейки D15. Далее выделим ячейки D15 и E15 так, чтобы активной осталась только D15. Жмём F2, а затем Ctrl + Shift + Enter. Получаем показатели a и b (Рис. 3).

Теперь рассчитаем у для каждого периода тренда. Для этого подставим коэффициенты a и b в уравнение, где х — номер периода (Рис. 4).

Для того чтобы получить коэффициент сезонности, находим отклонения показателей продаж за год от значений тренда — B2/D2 (Рис. 5).

Рассчитаем средние показатели продаж за год, используя формулу СРЗНАЧ (Рис. 6).

Определим ежемесячный индекс сезонности с помощью формулы =B2/$F$2 (Рис.7).

Определим общий индекс сезонности. Для этого разделим объем продаж за каждый месяц на средний годовой объем продаж и применим к ячейке H2 функцию =СРЗНАЧ(G2:G13) (Рис. 8).

Продлим номера периодов временного ряда на три значения в столбце «Периоды для прогноза» (Рис. 9).

Рассчитаем значения тренда для будущих периодов. Изменим в уравнении значение х путем копирования формулы из D2 в J2, J3, J4 (Рис. 10).

Дальше, используя формулу J2*G2, получим данные для прогнозирования продаж продукции на квартал (Рис. 11).

Так выглядит прогноз в Excel-таблице (Рис. 12) и в графиках (Рис. 13), (Рис. 14).

Определив
влияние сезонного фактора, можно
использовать най­денные закономерности
для прогнозирования дальнейшего развития
изучаемого
явления. Определив все три компоненты
временного ряда,
можно попытаться использовать найденные
закономерности в
перспективе. При этом можно оценить
значения параметров тренда
и краткосрочных сезонных колебаний.
Случайные колеба­ния
можно оценить вероятностным путем. При
экстраполяции сле­дует
учитывать, что чем продолжительнее
период предсказания, тем
вероятнее сделать большую ошибку.
Поэтому следует по мере получения
новых фактических данных пересматривать
модели.

В
общем виде модель прогноза с помощью
индексов сезонности на
любой месяц (квартал) можно представить
следующим образом:

,

где
—
прогнозируемое значение показателя
в момент

времени

или
);

— индекс сезонности
(или средний индекс сезонности по
расположению)

-го
месяца или -квартала (
=
1, 2, 3, 4 либо

=
1, 2, …, 12);

—
оценка исследуемого
показателя, вычисленная по урав­нению
тренда.

Так
как случайную величину

определить
точно нельзя, то можно
с определенной вероятностью утверждать,
что вычисленные по
модели (6.4) прогнозные оценки будут
отличаться от истинной на
величину

где
— число, показывающее, во сколько раз
отличается средняя величина от своего
отклонения при определенной вероятности;

—среднее
квадратическое отклонение случайной
вели-чины
;

—число одноименных
периодов.

Пример 6.2. По данным
о продаже яиц в магазинах города по
месяцам за три года вычислим индексы
сезонных колебаний реализации яиц
(табл. 6.3).

Таблица 6.3

Среднедневная
реализация яиц, тыс.шт.

месяц		Показатели сезонности
1998 г.	1999 г.	2000 г.		мультиплика- тивные, %	адитивные
1	2	3	4	5	6	7
Январь	94,2	98,8	91,0	94,7	94,8	-5,01
Февраль	95,1	99,4	92,4	95,6	95,8	-4,2
Март	96,7	99,5	100,3	98,8	99,0	-1,0
Апрель	97,6	101,4	99,5	99,5	99,7	-0,3
Май	90,1	89,2	93,1	90,8	91,0	-9,0
Июнь	118,7	124,4	125,9	123,0	123,2	23,2
Июль	116,8	108,4	116,7	114,0	114,2	14,2
Август	100,1	91,0	98,5	96,5	96,7	-3,3
Сентябрь	101,5	101,9	94,8	99,4	99,6	-0,4
Октябрь	92,5	94,2	96,3	94,3	94,5	-5,5
Ноябрь	88,9	89,8	92,2	90,3	90,5	-9,5
Декабрь	99,1	100,0	103,1	100,7	100,9	0,9
Средний уровень	99,3	99,8	100,3	99,8	100,0	0

Рассматривая
средние уровни ряда за каждый год, видим,
что ряд имеет незначительную тенденцию
к росту, поэтому индексы сезонности
будем вычислять без предварительного
выравнивания.

1. По данным табл.
6.3 вычислим усредненные значения уров­ней
по одноименным периодам способом средней
арифметической (см. графу 5):

январь: (94,2 + 98,8 +
91,0) : 3 = 94,7 и т. д.

2. Затем по вычисленным
помесячным средним уровням
или по среднегодовым уровням определим
общий средний уровень ряда:

.

3. Далее рассчитаем
для каждого месяца индексы сезонности
(см. графу 6):

январь:
= 94,7 : 99,8 = 0,948 (94,8 %) и т. д.

Совокупность
вычисленных индексов характеризует
волну про­дажи во внутригодовой
динамике. Полученные данные можно
изо­бразить в виде линейной диаграммы
(рис. 6.1).

Р и с. 6.1. Сезонная
волна реализации яиц по месяцам за три
года

Из табл. 6.3 (см.
графу 6) и графика видно, что сезонные
колебания характеризуются повышением
в июне (+23,2 %), июле (+14,2 %) и декабре (+0,9
%) и снижением в других месяцах.

Пример 6.3. Рассмотрим
временной ряд, имеющий тенден­цию
развития (табл. 6.4).

Таблица
6.4

Реализация молочной
продукции в регионе

Год	Квартал			Показатели сезонности, %
1	2	3	4	5
1997	I	54,6	62,4	87,5
	II	80,6	65,2	123,6
	III	78,8	67,9	115,97
	IV	53,5	70,7	75,6
1998	I	53,2	73,6	72,3
	II	97,5	76,4	127,6
	III	98,7	79,2	124,6
	IV	60,5	81,9	73,8

1	2	3	4	5
1999	I	56,4	84,8	66,5
	II	112,1	87,6	128,0
	III	114,5	90,3	126,7
	IV	74,6	93,2	80,1
2000	I	66,6	96,0	69,4
	II	126,6	98,8	128,1
	III	132,8	101,5	130,7
	IV	76,7	104,4	73,5

Произведем следующие
действия.

1. Для
   определения индексов сезонности сначала
   нужно найти уравнение тренда, наилучшим
   образом отображающее динамику развития
   исследуемого процесса (рис. 6.2). Наилучшим
   образом исследуемое
   явление отображает уравнение прямой
   линии
   

Рис. 6.2. Реализация
молочной продукции в регионе

В табл. 6.4 (см. графу
4) приведены уровни, сглаженные по
уравнению тренда.

1. Для каждого
   квартала определяются показатели
   сезонности
   как отношение фактических
   уровней к выравненным по уравне­нию
   тренда (см. табл. 6.4, графу 5).

2. Индексы сезонности
   рассчитываются как среднее арифмети­ческое
   показателей сезонности, взятых по
   одноименным пе­риодам:

I
квартал:
и т.д.(табл. 6.5).

Таблица 6.5

Индексы сезонности

Квартал	,%	Выравненные индексы
I	73,93	73,71
II	126,83	126,45
III	124,52	124,14
IV	75,76	75,53

1. Для проверки
   правильности вычислений индексов
   вычисля­ется средний индекс сезонности:

Если средний из
индексов отличается от 100 %, то следует
произвести их выравнивание путем
умножения на величину, об­ратную
среднему индексу сезонности.

5. Для нахождения
уровней ряда, в которых элиминировано
влияние сезонности, необходимо фактические
уровни поделить на соответствующий
выравненный индекс.

Выравненные индексы
сезонности (см. табл. 6.5) составляют
модель сезонной волны реализации
молочной продукции во внутригодовом
цикле. Наибольший объем продаж приходится
на II
и III
кварталы с превышением среднегодового
уровня соответственно на 26,6 и 24,4%. В I
и IV
кварталах происходит снижение
сред­негодового уровня соответственно
на 26,2 и

24,5 %.

На основе полученных
индексов сезонности можно построить
уравнения прогноза для соответствующих
кварталов:

для I
квартала;

для II
квартала;

для III
квартала;

для IV
квартала.

6.4. МОДЕЛИРОВАНИЕ
СЕЗОННЫХ КОЛЕБАНИЙ

При исследовании
периодических явлений и их описании
це­лесообразно использовать модели
сезонных колебаний, которые

строятся при помощи
гармонического анализа (см. п. 2.2.3). Расчет
для построения модели можно провести
по следующей схеме.

1. На первом этапе
выделяется общая тенденция и оцениваются
параметры уравнения тренда. Правильность
определения тренда является обязательным
условием сезонного компонента.

2. На втором этапе
устанавливается тип связи между
компо­нентами ряда (аддитивная или
мультипликативная). В зависимости от
этого сезонные колебания выражаются в
различных показате­лях. В случае
аддитивной связи сезонные колебания
рассчитыва­ются в абсолютных величинах,
а при мультипликативной — в от­носительных
(%). Поэтому прежде чем приступить к
расчету се­зонных колебаний, необходимо
установить вид связи сезонной и
трендовой
компонент.

Тип связи можно
определить по динамике отклонений
факти­ческих уровней от тренда:

или

Если абсолютные
отклонения имеют тенденцию к росту, а
отно­сительные варьируют приблизительно
на одном уровне, то это свидетельствует
о мультипликативной связи тренда и
сезонной компоненты [9 ].

Тип связи можно
определить и по нормальному распределению
отклонений фактических уровней от
тренда. Если абсолютные сезонные
отклонения распределяются по нормальной
кривой, то связь между компонентами
ряда аддитивна, если же по нормальной
кривой распределяются относительные
отклонения, то связь между компонентами
мультипликативна.

3. Далее необходимо
описать сезонные колебания. Выравнивание
ряда, имеющего периодическую составляющую,
можно производить при помощи гармонического
анализа, суть которого состоит в том,
что исходный ряд
преобразуется в новый,
где роль периодической составляющей
вычерчивается особенно ярко. Выявление
сезонной компоненты является частным
случаем гармонического анализа, при
котором период колеба­ния Т равен 12
месяцам (см. п. 2.2.3). Если имеются данные
больше чем за 12 месяцев, например за 24
или 36 (т. е. за 2 или 3 года), то для
выравнивания гармониками лучше брать
период в 12 месяцев (или поквартально),
предшествующих предсказываемому
периоду.

Выравнивание по
ряду Фурье дает хорошие результаты как
в рядах динамики, содержащих сезонную
компоненту, так и при анализе отклонений
фактических уровней от теоретических,
полученных по уравнению тренда.

1. Если предположить,
   что в будущем периоде сохранится эта
   же амплитуда колебаний, то можно
   попытаться оценить значение исследуемого
   показателя в перспективе. Однако при
   расчете значений функции следует
   исходить из значений предполагаемого
   тренда, а не от среднего уровня
   .
   В общем виде модель развития того или
   иного социально-экономического явления
   исходя из взаимосвязи компонент можно
   записать так:

Или

где
— уравнение тренда;

—номер наблюдения
(= 1, 2, 3, …, Т);

—номер гармоники;

Таким образом,
если необходима простая характеристика
се­зонной волны, достаточно вычислить
индексы сезонности указан­ными выше
способами. Если же речь идет о методах
выявления сезонного компонента, то для
этого целесообразно:

1. определить тренд
   рассматриваемого временного ряда;

2. выявить вид связи
   между трендом и сезонной компонентой;

3. произвести
   выравнивание исходных данных по ряду
   Фурье;

4. оценить значимость
   полученной модели (для этого нужно
   проанализировать отклонения
   рассматриваемого ряда от получен­ных
   теоретических значений).

7. АДАПТИВНЫЕ МЕТОДЫ
ПРОГНОЗИРОВАНИЯ

7.1. СУЩНОСТЬ
АДАПТИВНЫХ МЕТОДОВ

В настоящее время
одним из наиболее перспективных
направлений в прогнозировании временных
рядов являются адаптивные методы.
Считается, что характерная черта этих
методов — их способность непрерывно
учитывать эволюцию динамических
ха­рактеристик изучаемых процессов,
„подстраиваться» под эту эво­люцию,
придавая тем больший вес и тем более
высокую инфор­мативную ценность
имеющимся наблюдениям, чем ближе они к
текущему моменту прогнозирования. Все
это делает эффективным
их применение
для прогнозирования неустойчивых рядов
с изме­няющейся тенденцией.

Оценивание
коэффициентов адаптивной модели обычно
осуще­ствляется на основе рекуррентного
метода, который отличается от метода
наименьших квадратов и других методов
тем, что не требует повторения .всего
объема вычислений при появлении новых
данных.

Сущность адаптивных
методов заключается в возможности
по­строения корректирующихся моделей,
способных учитывать ре­зультат
прогноза, сделанного на предыдущем
шаге. Быстроту ре­акции модели на
изменение в динамике процесса характеризует
так называемый параметр адаптации (в
некоторых учебниках Он называется
параметром сглаживания или дисконтирования).
Этот параметр должен быть выбран таким
образом, чтобы обеспечива­лось
адекватное отображение тенденции при
одновременной филь­трации случайных
отклонений. В качестве критерия
оптимально­сти при выборе параметра
адаптации обычно принимают критерий
минимума среднего квадрата ошибок
прогнозирования [14, 21].

Наиболее простым
из многочисленного класса адаптивных
методов является метод экспоненциального
сглаживания (метод Брауна).

7.2. МЕТОД
ЭКСПОНЕНЦИАЛЬНОГО СГЛАЖИВАНИЯ

Сущность метода
экспоненциального сглаживания заключается
в том, что временной ряд сглаживается
с помощью взвешенной скользящей средней,
в которой веса подчиняются экспоненциаль­ному
закону, по которому более ранним
наблюдениям придается меньший вес, чем
более поздним.

Если предполагается,
что некоторый процесс
может быть описан полиномом степенир,
т. е.

,

то коэффициенты
предсказывающего полинома

(7.1)

могут быть вычислены
через экспоненциальные средние
соответ­ствующих порядков.

Экспоненциальной
средней 1-го порядка ряда
называется
выражение

,

где
— значение экспоненциальной средней
в момент времени;

—параметр сглаживания
(адаптации),

—значение
экспоненциальной средней в момент
времени
.

Брауном выведена
следующая рекуррентная формула
для определения экспоненциальной
средней
-го
порядка в точке:

(7.2)

На практике обычно
используются полиномы не выше 2-го
порядка. Формулы, необходимые для
расчета, приведены в табл. 7.1.

При построении
прогнозов с помощью метода экспоненциаль­ного
сглаживания одной из основных проблем
является выбор оп­тимального параметра
сглаживания а. Если он близок к единице,
то при прогнозе учитывается в основном
влияние лишь последних наблюдений, если
он близок к нулю, то веса, по которым
взве­шиваются уровни временного ряда,
убывают медленно и при про­гнозе в
значительной степени учитываются все
прошлые наблю­дения.

Таблица 7.1

Основные формулы
для прогнозирования с помощью метода
экспоненциального сглаживания

Вид модели	Начальные условия	Экспоненциальные средние	Оценка коэффициентов	Модель прогноза	Ошибка прогноза
Постоянная
Линейная
Квадратичная

Точного метода
выбора оптимальной величины параметра
нет. В отдельных случаях предлагается
определить ее по формуле:

, (7.3)

где
—
число наблюдений, входящих в интервал
сглаживания.

Как отмечалось
выше, в качестве критерия оптимальности
при выборе параметра адаптации можно
использовать критерий минимума среднего
квадрата ошибок прогнозирования.

В том случае,
если процесс подвержен внезапным
изменениям, необходимо изменениям,
необходимо выявить момент их возникновения,
модифицировать параметры надлежащим
образом и на необходимое время. Для
этого можно использовать так называемый
трэкинг-сигнал (следящий сигнал), который
улавливает момент, когда необходимо
вмешательство исследователя. Формула
трэкинг-сигнала имеет следующий вид:

,
(7.4)

где
— сглаженная ошибка, вычисляемая по
формуле

;

—
абсолютные значения ошибки прогноза,
получаемые из следующего выражения:

,

где
— параметр сглаживания.

Для которых
временных рядов предлагается за начальное
значение сглаженной ошибки
выбирать ноль, а за начальное значение
модуля сглаженной ошибки—
первое значение модуля ошибки[21].

Схема
прогнозирования временных рядов по
методу экспоненциального сглаживания
с использованием трэкинг-сигнала состоит
из следующих этапов.

1. Выбирают вид
   модели экспоненциального сглаживания.

2. Параметр
   определяется по формуле (7.3) либо задается
   исследователем.

3. Задают начальные
   условия.

4. Вычисляют начальные
   условия.

5. Находят
   экспоненциальные средние.

6. Определяют оценки
   коэффициентов модели прогноза.

1. Осуществляют
   прогноз на одну точку вперед.

1. Находят отклонения
   фактического значения временного ряда
   от прогнозируемого.

2. Рассчитывают
   величину трэкинг-сигнала, которая
   сравнива­ется с пороговым значением
   с учетом выбранной вероятности [21 ].

10. а) если
трэкинг-сигнал не выходит за пороговое
значение, то переходят к 5-му этапу схемы
прогнозирования;

б) если трэкинг-сигнал
выходит за пороговое значение, то
па­раметр
увеличивают на какую-либо величину и
переходят к 5-му этапу, производя расчеты
с новым параметром а для периода (+ 2).

Такая последовательность
осуществляется до тех пор, пока не будет
проанализирован весь временной ряд.
Если для последнего уровня ряда величина
трэкинг-сигнала не выходит за пороговые
значения, то вычисляют оценки параметров
прогноза и осуществляют прогноз на
заданный период упреждения. Если
трэкинг-сигнал выходит за пороговое
значение, то параметр у следует
увеличить на какую-либо величину,
а затем перейти к этапам 2,4 — 10. В том
случае, если применение трэкинг-сигнала
не нужно, а прогноз осуществляется по
методу простого экспоненциального
сглаживания, схема повторяется до 9-го
этапа (кроме 3), а затем переходят к
5-му этапу и т. д. до последнего уровня
ряда. Прогноз осуществляется по
формуле (7.1) путем подстановки в нее
последних значений коэффициентов
и времени упреждения .

Пример 7.1. В качестве
примера для иллюстрации применения
метода экспоненциального сглаживания
рассмотрим времен­ной ряд продаж мяса
торгующими организациями (см. пример
2.3). Тренд этого ряда можно описать
параболой

Для построения
модели прогноза использовались формулы,
взя­тые из табл. 7.1 для квадратичной
модели. В наших расчетах использовалась
величина параметра сглаживания
= 0,4, которую получили с помощью критерия
минимума средней квадратической ошибки.
Прогноз продаж осуществлялся на период
сI
по IV
квар­тал 2000 года. Расчет производился
по формуле (7.1), где
=
2.

Как видно из табл.
7.1, для определения оценок коэффициен­тов
,ипомимо
значенияа
необходимо
найти экспоненциальные средние
,,.Для
их расчета использовалась ре­куррентная
формула (7.2). Сначала были определены
начальные условия

;;,

Таблица 7.2

Прогнозирование
по методу экспоненциального сглаживания

Период	Экспоненциальные средние	Оценки коэффициентов модели прогноза
1994 г. I	167,9	177,0	181,3	154,0	-1,76	-2,15	170,0	—
II	164,4	172,0	177,6	154,9	-1,05	-0,88	159,2	151,2
III	157,0	166,0	173,0	145,9	-1,19	-0,91	145,8	153,4
IV	144,8	157,5	166,8	128,5	-1,80	-1,55	126,4	144,3
1995 г. I	136,5	149,1	159,7	121,8	-1,50	-0,90	124,0	126,0
II	128,5	140,8	152,2	115,1	-1,28	-0,47	116,5	119,9
III	120,8	132,8	144,4	108,3	-1,13	-0,19	109,2	113,5
IV	115,7	125,9	137,0	106,2	-0,73	0,35	108,0	107,1
1996 г. I	111,9	120,3	130,3	105,0	-0,41	0,70	106,2	105,6
II	107,9	115,4	124,4	102,0	-0,33	0,69	102,0	105,0
III	105,8	111,5	119,2	102,0	-0,10	0,87	102,6	102,1
IV	107,2	109,8	115,4	107,6	0,39	1,35	109,2	102,3
1997 г. I	107,5	108,9	112,8	108,7	0,40	1,14	108,0	108,6
II	107,5	108,3	111,0	108,5	0,30	0,83	107,4	109,7
III	104,5	106,8	109,3	102,4	-0,15	0,11	100,0	109,2
IV	103,3	105,4	107,7	101,5	-0,12	0,13	101,6	102,3
1998 г. I	100,1	103,3	106,0	96,4	-0,38	-0,22	95,2	101,5
II	94,4	99,7	103,5	87,4	-0,78	-0,71	85,8	95,9
III	89,6	95,7	100,3	82,1	-0,81	-0,62	82,4	86,3
IV	94,9	95,4	98,8	97,1	0,48	1,13	74,0	81,0
1999 I	87,1	92,1	95,8	81,0	-0,67	-0,52	75,4	98,1
II	83,2	88,5	92,9	76,9	-0,65	-0,42	77,2	80,1
III	91,9	89,9	91,7	97,8	0,95	1,71	75,8	76,0
IV	88,5	89,3	90,7	88,3	0,05	0,27	83,4	99,6

где за
,,взяты оценки параболического тренда.
Затем были рассчитаны,и,,,и
осуществлен прогноз на
II
квартал 1994 года. Далее по рекуррентной
формуле (7.2) вычислялись новые
,,,
а по ним определялись соответствующие,идля
построения прогноза наIII
квартал 1994 года и т. д. В табл. 7.2 представлен
процесс построения модели прогноза по
методу экспоненциального сглаживания.
При прогнозировании продажи мяса
использовались величины экспоненциальных
сред­них
,и,
равные 88,5,89,3 и 90,7 соответственно, и
коэффициенты модели прогноза,иравные соответственно 88,3, 0,05 и 0,27.

В табл. 7.3 представлены
результаты прогноза продаж и его ошибки
на I
— IV
кварталы 2000 года, а также доверительные
интервалы для 5% уровня значимости.

Таблица 7.3

Прогноз продажи
мяса торгующими организациями на 2000
год, т

Квартал	Прогноз продажи	Ошибка прогноза в абсолютном выражнии	Доверительный интервал
Нижняя граница	Верхняя граница
I	88,5	9,6	74,6	93,8
II	88,6	12,5	73,9	98,9
III	88,7	15,5	73,0	104,1
IV	88,9	18,6	72,1	109,3

7.3. АДАПТИВНЫЕ
МЕТОДЫ СЕЗОННЫХ КОЛЕБАНИЙ

В том случае, если
временные ряды содержат периодическую
компоненту, можно использовать адаптивные
модели с мульти­пликативными (7.5) и
аддитивными (7.6) коэффициентами сезонности:

;
(7.5)

(7.6)

где динамика
величины
характеризует тенденцию развития
процесса;

,
,…,—
мультипликативные коэффициенты
се­зонности;

,
,
…,—
аддитивные коэффициенты сезонности;

—количество фаз
в полном сезонном цикле (т = 4 или
— 12);

—случайная компонента
с нулевым математическим ожи­данием.

Выбор той или иной
модели будет продиктован характером
динамики исследуемого процесса (см. п.
6.4). Модель Хольта — Уинтерса (7.5)
объединяет, мультипликативно линейный
рост и сезонный эффект. Прогноз по этой
модели на
шагов вперед определяется выражением

,
1<m

Обновление
коэффициентов осуществляется следующим
образом:

;

;

В качестве
коэффициента сезонности берется его
наиболее поздняя оценка.
Если временной ряд содержит только
сезонные колебания, то из уравнения
прогноза и формул исключается оценка
тренда
.

Прогноз по модели
Тейла — Вейджа (7.6) определяется
выражением

Коэффициенты
обновляются следующим образом:

;

;

.

Оптимальные
значения параметров адаптации можно
определять экспериментальным путем,
взяв за критерий оптимальности минимум
стандартного отклонения ошибки [14].

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

• #
• #
• #
• #
• #
• #
• #
• #
• #
• #
• #

Без прогноза какую-либо предпринимательскую деятельность – в
т. ч. и торговлю – невозможно начать. К примеру, вы хотите открыть веломагазин
– после обустройства торговой площадки, её заключительной подготовки и завоза
велотехники и велоаксессуаров вы планируете как можно скорее распродать.
Предположим, завезено в общей сложности 500 велосипедов разных марок и моделей
для взрослых – а вам нужно продать их за неделю, велосезон ведь уже начался.
Какова будет ваша ценовая политика? Что вы противопоставите вашим конкуретам –
по качеству, ценникам, возможностям купить в рассрочку и т. д.? Какие запчасти
к этим велосипедам у вас будут продаваться? Как пойдёт ваш план по продажам в
ближайший месяц, квартал, за весь велосезон с апреля по октябрь включительно?
На эти вопросы вам и даст ответ ваше умение прогнозировать рост продаж.

Как спрогнозировать продажи?

Вопрос, как прикинуть продаваемость ваших товаров на
ближайшие недели и месяцы, звучит иначе: каковы методы прогнозирования продаж?
За ответом обратимся к докторам наук торгово-предпринимательских университетов,
профессорам, академикам. А также к личному опыту миллионов предпринимателей по
всему миру.

Эти методы разделяются на:

• экспертные оценки;
• анализ и прогнозирование временных рядов;
• причинно-следственные связи.

В первом случае оценивается сегодняшняя ситуация и
перспективы на завтра. Второй – опирается на изучение заранее предопределённой
и спонтанной составляющих, независимо друг от друга. Третий – поиск причин,
влияющих на поведение определённого показателя.

Управленческий прогноз

Перечисленные выше методы прогнозирования имеют под собой
общую основу – управленческий прогноз продаж. Верхушкой системы здесь всегда
является общий прогнозируемый объём продаж.

Чтобы пояснить эту схему на конкретном примере, вначале
отметим, что управленческий прогноз – это всегда древовидная структура, из
которой и складывается общий прогноз продаж. Она является наиболее значимой в
жизненном цикле любого магазина, оптового склада, гипермаркета, рынка торговых
точек, наконец. Наглядно – покажем это на доходах компании, продающей, скажем,
отделочные материалы и сантехнику. 
Сантехника продаётся для офисов и домов. Для домов сантехника продаётся
в целях ремонта — и для обустройства новых инженерных коммуникаций при
строительстве. На продажи сантехники влияют следующие факторы:

• доля жилья эконом-класса;
• сезонность;
• среднестатистический ценник на комплекты
  сантехники для каждой эконом-квартиры;
• средняя квадратура эконом-квартиры;
• объём жилстроительства по эконом- и элитному
  классам в общем потоке;
• доля жилья эконом-класса.

Из вышеприведённого примера следует, что управленческий
прогноз не идёт в отрыве от одного определённого фактора. Невнимание к такому
фактору может поставить под угрозу рост прогнозируемых продаж.

Линейный прогноз

Суть линейного метода прогнозирования продаж сводится к
следующему. Это, по сути, расчёт планируемого объёма продаж по дням, невзирая
на предыдущий, более всеобъемлющий метод.

Например, сотовый провайдер Yota в Ростове-на-Дону, на
Пойменной, 1, продал 1 ноября 2019 г. 120 SIM-карт с новым тарифом «Для
смартфонов». 2-го он продал 200, 3-го -40, 4-го – 100, 5-го – 140 SIM-карт. За
5 дней – 600. Разумно предположить, что за весь ноябрь, — салон работает каждый
день, — он может продать 36000 SIM-карт всем желающим. Это и есть линейный
прогноз. Но в реальности объём продаж, скорее всего, упадёт, — несмотря на то,
что безлимитный трафик у Yota самый дешёвый – 410 р. Продать они могут не 36000
SIM-карт, а, скажем, 15000 – насыщение рынка в районе этой точки продаж уже
случилось.

Вдруг, 2 ноября, Yota предоставляет скидку – безлимитный
трафик продаётся не за 410, а за 290 р. – по старой цене 2015-2017 гг. Что
будет? Продажи подстегнутся – Yota в этом салоне продаст 50000 SIM-карт за ноябрь. Причём
бум продаж придётся именно на первые дни – а не будет разгоняться постепенно.
Затем продажи пойдут на спад. Потому что все всем расскажут, что Yota снизила
тариф. Это уже линейно-управленческий прогноз: в дело вступил новый фактор –
снижение расценок на безлимитный Интернет. Параллельно, происходит отток
клиентов, которым нужен самый дешёвый безлимит, а не пакеты трафика – у
«Билайна», «МегаФона», «МТС» и «Теле2». Рынок абонентов-«безлимитчиков» перерассредоточился.

Формула прогноза продаж

Для расчёта прогноза продаж применяются общая, линейная и
управленческая формулы. Они дают наиболее исчерпывающую картину прогнозирования
объёма продаж в рамках конкретного магазина.

Формула линейного прогноза продаж

Эта формула рассчитывается крайне просто:

Считаем среднее арифметическое по единицам
товара (как в примере выше, с SIM-картами провайдера Yota) за несколько дней,
например, неделю.

Умножаем среднее арифметическое на количество
недель в месяце, квартале или в году.

Это и есть месячный (квартальный, годовой) план, которого
придерживается любая компания. Выполнил план – компания окупилась и принесла
искомый доход. Перевыполнил – идеально: доход превзошёл все ожидания. Не
выполнил – для компании на данном направлении образуется кризис, который надо
покрывать за следующий период, а именно предпринять следующее:

Переключиться на другие направления и виды
товаров, чтобы «отбить» образовавшиеся долги, или заполнить «прибыльную яму»;

Уценить и перепродать товар (со скидкой, за
полцены и т. д. – объявив распродажу).

Существует и нечестный метод – попытаться выдать товар за
похожий, но новый. Но такой способ не рекомендуют.

Формула управленческого прогноза продаж

В управленческом расчёте не всё так просто, как в линейном.
Здесь показатели не все суммируются – они могут и перемножаться. Не каждый из
них равен единице – на расчетное значение выйти зачастую в срок нельзя.

Здесь на помощь приходит нелинейный прогноз. Важно
отталкиваться от кривых прогнозируемого роста продаж. Кривая прогнозируемых
продаж может быть как степенной, так и полиномиальной (движение кривой по дугам
разных окружностей, устремлённым лишь вперёд). Линейный рост уже не
используется. Кривая может как проседать, так и резко стремиться вверх – при
срабатывании таких факторов, как:

• курсы валют;
• погода, условия доставки;
• цены конкурентов на аналогичный товар, их
  динамика;
• качество товаров одних (или похожих) видов,
  которыми вы и ваши конкуренты торгуете;
• планы розничных и оптовых покупателей.

Во всех случаях – и в линейном, и в управленческом прогнозе
– важно определить тренды, продвигаемые вами. Тренд – это усреднённая прямая,
вокруг которой претерпевает подъёмы и спады кривая ваших реальных (в прошлом) и
прогнозируемым (с завтрашнего дня) продаж. Если тренд вдруг пошёл вниз –
пересмотрите свои подходы к прогнозированию.

Итак, формула управленческого прогноза продаж – прежде
всего, отношение сумм и произведений показателей, влияющих на динамику данного
прогнозирования.

Прогноз продаж в Excel

Прежде чем привести определённые примеры таблиц, нелишне
отметить, какие функции могут использоваться для прогноза продаж в Excel.

Например, в Excel
2007 дайте команду «Формулы» — «Финансовые». Список финансовых формул
представляет наибольшую ценность для любых экономических расчётов. С их помощью
несложно рассчитать деятельность практически любой коммерческой организации.  Однако бывают случаи, когда требуются и
математические формулы: так, для тренда есть понятие линейного,
логарифмического, гиперболического и т. д.

Но самое главное – построение графиков по табличным
значениям. Так прогноз выглядит убедительней.

Пример прогноза продаж

В качестве примера – расчёт прогноза продаж на неделю,
месяц, квартал и год.

Прогноз продаж на неделю

Примером служит следующий расчёт. Например, фермер реализует
в городе с 50000 человек населения молоко каждый день. Не все его хотят брать,
т. к. многим проще после работы заехать в тот же «Магнит» и закупиться. Берут в
основном пенсионеры и те, что ушли в отпуск или в декрет.

Значения, по которым рассчитаны график продаж и тренда,
позволяют отследить не только за неделю проданный в данной точке товар, но и за
весь месяц. Для расчёта линейного тренда используется такая же функция – график
y=ax+b. Это алгебраическое уравнение 1-й степени, известное нам чуть ли не с
третьего класса.

Прогноз продаж на месяц

Обратимся всё к тому же графику. Здесь также ясна ещё одна
истина: если прямая тренда вдруг превратиться в горизонталь – это точка
безубыточности. Работать безрезультатно – только лишь, чтобы выйти «в нули», ни
один уважающий себя коммерсант не станет, только если есть ощутимая прибыль. Если
же эта линия станет опускаться – серьёзный сигнал к тому, что пора
реорганизовываться, либо закрывать фирму (или предприятие). Очень часто
причиной понижения тренда становится обилие конкурентов, сумевших реализовать
продажи быстрее и лучше, санкции со стороны регулирующих органов, общий обвал
фондовых рынков и несколько иных весомых причин.

Более достоверный прогноз на месяц можно получить, используя
данные за месяцы предыдущего года. Ваш опыт и история подскажут с большой
вероятностью, будет ли тренд компании идти вверх. Для развивающегося
предприятия, давно перешедшего границу стартапа, используется всё та же формула
y=ax+b, где Y – объём продаж,
X – порядковый номер очередного интервала, A – поднятие каждого последующего
значения в ряду времени, B – минимальная грань. Последовательность действий
будет следующей.

Значение Y для каждого искомого периода
позволит подставить подсчитанные коэффициенты в само уравнение.

Далее рассчитывается отклонение значений
реальных продаж от значений тренда.

Сезонность подсчитывается как частное от
деления реального объёма продаж за этот же период на среднее значение объёма.

При прогнозировании роста продаж за будущий
месяц без учёта сезонности не обойтись. Для этого величину тренда умножают на
показатель сезонности первого месяца будущего года. При этом выходит расчётный
объём продаж в новом интервале. Используя этот подход, можно прикинуть, какими продажи
придутся на остальные месяцы нового года.

В любом случае, при выводе плана по продажам не обойтись без
сечения, подробностей плана – по времени, каналам сбыта, контингенту
покупателей, группам, к которым относятся конкретные товары, а также по определённым
менеджерам. Чем больше подробностей – тем более реальными будут запланированные
продажи.

Прогноз продаж на квартал

Здесь можно воспользоваться реальной картиной по продажам за
предыдущие кварталы этого и прошлого годов.

Усложнять нелинейными расчётами свои прогнозы зачастую не
имеет смысла, если факторов, влияющих на вашу деятельность, не так много.
Широкую популярность линейные расчёты обрели лишь в годы индустриализации СССР:
целью следующей пятилетки было превысить показатели предыдущей на сколько-то
десятков процентов.

Сейчас объёмы деятельности, включая продажи, могут быть
практически неограниченными: большим успехом считается превышение планов в
десятки раз.

Примером расчёта продаж на квартал служит всё тот же
веломаркет – например, велосипедный отдел в «Спортмастере». Каким будет прогноз
на 2-й и 3-й квартал – в велосезон, когда тепло с апреля по май и в сентябре, и
жарко летом? Естественно, продажи велосипедов могут подскочить несколько раз –
с апреля, или в канун отпусков (в июле). Подскакивают продажи велосипедов и в конце
сентября – когда велосезон заканчивается, и веломаркеты объявляют о распродажах
моделей байков, выходящих из моды после истечения этого года, за, скажем, 70%
от цены.

Прогноз продаж на год

Для расчёта прогноза продаж на год лучший результат дают
предыдущие факты за прошедший период хотя бы в 2-3 года. С одного прошлого года
прогноз на весь грядущий год составить куда сложнее. Может потребоваться
криволинейная функция. Однако тренд всегда описывается строго и чётко – по закону
прямой.