Чейз, Ричард, Б., Эквилайн, Николас, Дж., Якобе, Роберт, Ф. Производственный и операционный менеджмент
Подождите немного. Документ загружается.
541
ГЛАВА 13 Прогнозирование
В этой главе...
Управление спросом
Виды прогнозирования
Компоненты спроса
Качественные методы прогнозирования
Анализ временных рядов
Каузальное (причинное) прогнозирование
Выбор метода прогнозирования
Фокусирующее прогнозирование
Компьютерное прогнозирование
Резюме
Ключевые термины
Анализ временных рядов (Time Series Analysis)
Групповое согласие (Panel Consensus)
Зависимый спрос (Dependent Demand)
Исследование рынка (Market Research)
Константа сглаживания (Smoothing Constants Alpha)
"Корни травы" (Grass Roots)
Метод Дельфи (Delphi Method)
Мнение руководства (Executive Judgement)
Независимый спрос (Independent Demand)
Причинная (каузальная) связь (Causal Relationship)
Прогнозирование на основе линейной регрессии (Linear Regression Forecasting)
Сезонный фактор (Seasonal Factor)
Скользящее среднее (Moving Averages)
Спрос, очищенный от сезонных колебаний (Deseasonalization of Demand)
Среднее абсолютное отклонение (Mean Absolute Deviation)
Трекинг (Tracking Signal)
Трендовый эффект (Trend Effect)
Фокусирующий прогноз (Focus Forecasting)
Экспоненциальное сглаживание (Exponential Smoothing)
Ресурсы WWW
Tech Web (http://www.techweb.com)
Масштаб и мощность баз данных компании Wal-Mart имеют огромное влияние в
индустрии информатики. С объемом данных свыше 7 Тбайт на двух быстрорастущих
системах NCR Wal-Mart управляет одним из самых крупных хранилищ данных. Теперь,
применяя новую прикладную программу извлечения информации из массивов данных,
розничный торговец сможет лучше использовать такие системы для пополнения товарных
запасов на складах.
542
Формула успеха компании Wal-Mart — получение информации о нужном продукте
по самой низкой цене, обязывает ко многому, а именно к многомиллионным инвестициям
в хранилище данных. " Wal-Mart может предоставить более конкретную информацию, чем
большинство ее конкурентов, относительно продукции, хранения, сроков поставки и т.д. и
действует исходя из этого, — говорит Ричард Уинтер, консультант по базам данных в
Бостоне. — Эта программа обладает удивительными возможностями".
Кроме двух терабайтовых баз данных NCR, которые обрабатывают большинство
приложений поддержки принятия решений, компания имеет данные объемом 6 Тбайт на
мэйнфреймах (больших ЭВМ) фирм IBM и Hitachi и 500 Гбайт на сотнях серверов,
которые работают на основе базы данных OnLine Dynamic Server компании Informix. Wal-
Mart разработала собственное промежуточное программное обеспечение для управления
системными приоритетами. "Мы все время предоставляем право на 100%-ное
использование базы данных", — говорит Рик Дэлзел, вице-президент по разработке
прикладного программного обеспечения.
В таких системах содержатся данные по точкам заказа, товарным запасам,
перемещению товаров, рыночной статистике, демографической информации о
потребителях, финансам, доходам от реализации продукции и по выполнению поставок.
Данные используют в трех направлениях: анализ трендов, управление запасами и
изучение запросов клиентов. Вследствие этого приобретают "черты индивидуальности"
каждая из 3000 (или около того) торговых точек компании Wal-Mart, которые
используются менеджерами компании для определения ассортимента товаров и
презентации каждого магазина.
Извлечение информации из массивов данных означает, что Wal-Mart начинает
выгружать прикладную программу прогнозирования спроса, основанную на программном
обеспечении нейронной сети и компьютере с четырьмя тысячами процессоров компании
Neo Vista Solutions Inc. из Купертино, штат Калифорния. Прикладная программа
"рассматривает ассортимент товаров во всех магазинах, чтобы установить сезонную
структуру продажи каждого товара", — говорит г-н Дэлзел. Система Neo Vista хранит
заслуживающие внимания годовые данные о продажах 100 тысяч наименований изделий и
прогнозирует потребность каждого магазина в конкретном товаре.
В дальнейшем компания Wal-Mart планирует расширить использование анализа
потребительской корзины. Данные будут собираться по отдельным видам товаров,
которые включат совокупные закупки покупателей, и таким образом компания сможет
проанализировать взаимосвязь и структуру закупок. Г-н Дэлзел говорит, что этот проект
сможет в конечном счете утроить размер хранилища данных компании Wal-Mart.
Компания Wal-Mart через Всемирную паутину (Web) обеспечивает доступность
данных для своих менеджеров магазинов и поставщиков. За день к этой базе данных
обращаются 3500 пользователей, которые делают до 10 тысяч запросов. Предполагается,
что это количество удвоится.
" Wal-Mart позволяет целой армии людей пользоваться базой данных при принятии
тактических решений", — говорит консультант Ричард Уинтер.
"Влияние Wal-Mart огромно".
Источник. John Foley, Tech Web, December 9, 1996. Web-узел Tech Web расположен
по адресу http://www.techweb.com
Прогнозы жизненно необходимы для каждой коммерческой организации и для
каждого значительного управленческого решения. Прогнозирование служит базисом
корпоративного долгосрочного планирования. В сфере финансов и бухгалтерии прогнозы
являются основой бюджетного планирования и контроля затрат. Маркетинг опирается на
прогнозирование продаж при планировании новых видов продукции, поощрении
персонала в сфере торговли, а также при принятии других ключевых решений.
543
Производственный и операционный персонал использует прогнозы как для принятия
стратегических решений, таких как выбор технологического процесса, планирование
производственных мощностей и размещение оборудования, так и для решения текущих
вопросов планирования производства, составления календарных планов и планирования
материальных запасов.
Следует помнить, что идеальный прогноз обычно невозможен. Слишком много
факторов, влияющих на экономическую деятельность, нельзя предвидеть со всей
определенностью. Поэтому не следует искать идеальный прогноз, важнее ввести в
практику постоянную корректировку прогнозов и научиться жить с неточными
прогнозами. Это, однако, не означает, что надо отказаться от совершенствования модели
или методологии прогнозирования. В разумных пределах следует стремиться к поиску и
использованию наилучшего доступного метода прогнозирования.
При прогнозировании целесообразно использовать два или три метода и
рассматривать их с точки зрения здравого смысла. Наблюдаются ли в общей
экономической деятельности изменения, которые окажут влияние на прогноз? Есть ли
изменения в поведении промышленных и частных потребителей? Будет ли наблюдаться
дефицит необходимых комплектующих? Постоянный пересмотр и корректировка
прогнозов в свете новых данных — это залог успешного прогнозирования. В этой главе
будут рассмотрены качественное и количественное прогнозирование, но, главным
образом, внимание будет уделено нескольким количественным методам анализа
временных рядов. Более подробно будут рассмотрены метод скользящего среднего,
линейная регрессия, тренды, сезонные колебания (включая устранение их влияния) и
фокусирующее прогнозирование. Обсуждаются также источники ошибок и их
вычисление.
Управление спросом
Цель управления спросом состоит в координации и контроле всех источников спроса
для эффективного использования производственной системы и своевременной поставки
продукции.
Как формируется спрос на продукцию или услуги фирмы и как фирма может влиять
на спрос? Существуют два основных источника — зависимый и независимый спрос.
Зависимый спрос — это спрос на изделие или услугу, вызванный спросом на другие
изделия или услуги. Например, если фирма продает 1000 трехколесных велосипедов, то
для производства этого количества велосипедов ей необходимы 1000 передних и 2000
задних колес. Этот тип спроса не требует прогноза, следует просто составить таблицу. Что
касается возможного объема продажи трехколесных велосипедов, то это будет
независимый спрос, так как в этом случае спрос на изделие может не зависеть от спроса
на другие изделия
1
. Тема зависимого и независимого спроса более полно будет раскрыта в
главах 15 и 16.
1
В дополнение к зависимому и независимому спросу существуют и другие взаимосвязи между товарами,
например через комплектующие и сопутствующие им причинные связи, т.е. спрос на один вид товара
вызывает спрос на другой.
По отношению к зависимому спросу у фирмы мало возможностей, чтобы
предпринять какие-либо действия. Но что касается независимого спроса, то фирма при
желании может сделать многое.
1. Занять активную позицию, чтобы оказать влияние на спрос. Фирма может влиять
на свой торговый персонал, поощрять как клиентов, так и собственный персонал, может
проводить кампании распродажи товаров и снижать цены. Такие действия увеличивают
спрос. И наоборот, спрос можно уменьшить, подняв цены или ослабив усилия по
544
продвижению товара.
2. Занять пассивную позицию и просто реагировать на спрос. Существует
несколько причин для пассивной позиции фирмы, когда она просто принимает
происходящие события, не пытаясь изменить спрос. В частности, фирма не стремится
проводить мероприятия по повышению спроса, если она работает на полную мощность.
Из других причин следует указать: фирма не в силах изменить спрос из-за дорогой
рекламной кампании; рынок может быть статическим и фиксированным по объему; спрос
находится вне контроля компании. Существуют и другие причины пассивного отношения
к рыночному спросу: конкурентные, правовые, этические, моральные, а также связанные с
охраной окружающей среды. Координировать управление таким независимым и
зависимым, активным и пассивным спросом сложно. Эти виды спроса берут начало из
внутренних и внешних источников в форме продажи изделия нового наименования,
ремонта деталей для уже проданных изделий при обслуживании изделия, пополнения
запасов из фабричных складов и поставок комплектующих для производства. В этой главе
основное внимание будет уделено независимому спросу.
Виды прогнозирования
Прогнозирование можно разделить на четыре основных вида: качественное, анализ
временных рядов, анализ причинных (каузальных) связей и моделирование.
Качественные методы основаны на субъективных оценках и мнениях. В основе
анализа временных рядов, главной темы данной главы, лежит идея, что данные,
относящиеся к спросу в прошлом, можно использовать для прогнозирования будущего
спроса. Данные по спросу в прошлом могут включать несколько компонентов, таких как
тренды, сезонные или циклические колебания (описаны в следующем разделе
"Компоненты спроса"). Причинное прогнозирование, которое мы рассмотрим, используя
метод линейной регрессии, предполагает, что спрос связан с некоторыми
основополагающими факторами окружающей среды. Моделирование позволяет
прогнозисту бегло просмотреть ряд допущений, касающихся условия прогноза. В табл.
13.1 представлены характеристики каждой из четырех основных моделей
прогнозирования. В этой главе будут рассмотрены первые четыре метода анализа
временных рядов, представленные в таблице, и первая причинная модель.
Компоненты спроса
В большинстве случаев спрос на продукцию или услуги можно разбить на шесть
компонентов: средний спрос за определенный период, тренд, сезонные колебания,
циклические колебания, случайные выбросы и автокорреляция. На рис. 13.1 представлено
изменение спроса за четырехлетний период с трендом, сезонными колебаниями и
разбросом значений вокруг сглаженной кривой спроса.
Циклические колебания определить сложно, так как цикл может быть неизвестен
или причину цикла невозможно установить. Циклическое влияние на спрос может
исходить от таких факторов, как политические выборы, война, экономические условия
или социологические процессы.
Случайные изменения вызваны непредсказуемыми событиями. Если из общего
спроса удалить все статистические компоненты (среднее значение, тренды, циклические
колебания и автокорреляцию), остается только необъяснимая составляющая спроса. Если
невозможно идентифицировать причину этой составляющей, то принимают, что она
относится к чисто случайным факторам.
545
Таблица 13.1. Методы прогнозирования и общеупотребительные модели
I. Качественные
методы
Субъективные; оценочные. Основаны на оценках и суждениях
"Корни травы"
Составляется прогноз методом сбора исходных данных у особ,
находящихся внизу иерархической лестницы, т.е. у тех, кто связан с
объектом прогноза. Например, полный прогноз рынка сбыта можно
дать, объединив исходные данные, полученные от каждого продавца,
обслуживающего определенную территорию
Исследование рынка
Заключается в сборе данных различными методами (опросы, интервью
и т.п.) для проверки гипотезы о рынке. Обычно этот метод используют
при долгосрочном прогнозировании и прогнозе продаж новых видов
товаров
Групповое согласие
Прогноз основан на свободном открытом обмене мнениями на
совещаниях. Идея состоит в том, что групповое обсуждение приводит к
лучшему прогнозу, чем индивидуальное составление прогноза.
Участниками обсуждения могут быть исполнительные директоры,
продавцы или клиенты
Историческая аналогия
Метод связан с анализом жизненного цикла аналогичного товара.
Используется при планировании нового вида продукции, когда прогноз
можно получить на основе исследования истории продвижения
аналогичного товара
Метод Дельфи
Группа экспертов отвечает на вопросы. Руководитель группы
компилирует результаты и формулирует новый вопрос, который ставят
на рассмотрение группы. Таким образом в процессе изучения проблемы
не наблюдается влияния группового давления или доминирования
мнения отдельного лица
II. Анализ временных
рядов
Основан на идее, что предысторию ситуаций в динамике можно
использовать для прогнозирования будущего
Простое скользящее
среднее
Проводится усреднение за конечный период времени путем деления
суммы значений точек на число точек. Каждая точка оказывает
одинаковое влияние на результат
Взвешенное скользящее
среднее
Аналогичен предыдущему методу, но определенным точкам, исходя из
опыта, можно присвоить большую или меньшую значимость по
отношению к другим точкам
Экспоненциальное
сглаживание
Самым "старым" точкам присваивают экспоненциально уменьшенный
вес, т.е. эти данные считаются менее значимыми
Регрессионный анализ
Устанавливает прямую зависимость между значениями данных и
временем. Самый распространенный метод наименьших квадратов
Метод Бокса Дженкинса
(Box Jenkins)
Очень сложный, но, вероятно, наиболее точный статистический метод
анализа. Связывает класс статистических моделей с данными и
приспосабливает модель к временному ряду, используя байесово
апостериорное распределение
Временные ряды
Шискина
(Другое название — Х-11). Разработан Джулиусом Шискиным (Julius
Shiskin) из Census Bureau. Эффективен при разложении временных
рядов на сезонные, трендовые и иррегулярные компоненты. Требует
данных за последних три года. Очень хорош для определения коридора
прогноза, например, при прогнозировании продаж компании
Трендовое
проецирование
Устанавливает математическую линию тренда по точкам данных о
прошлом и проецирует их на будущее
III. Причинные
(каузальные) методы
Основаны на выделении основных и второстепенных факторов,
влияющих на прогнозируемый объект. Например, на продажи может
оказывать влияние реклама, качество и конкуренция
546
Регрессионный анализ
Аналогичен методу наименьших квадратов, но может содержать
множество переменных. Основан на том, что прогноз — это событие,
зависящее от других событий
Эконометрические
модели
Модели описывают определенный сектор экономики с помощью
системы независимых уравнений
Модели вход-выход
Сфокусированы на продажу продукции. Определяют взаимосвязь
изменения объема продаж производителя с изменениями в закупках
потребителей
Упреждающие
индикаторы
Используется статистика развития процессов, влияющих на
прогнозируемый процесс, но опережающая его. Например, увеличение
цены на бензин сигнализирует о будущем падении спроса на легковые
автомобили
IV. Моделирование
Динамические модели, обычно компьютерные, которые позволяют
определить влияние внешних и внутренних факторов. В зависимости от
переменных в модели, прогнозист может задать, например, такие
вопросы: что случится с прогнозом, если цена возрастет на 10%? Какое
влияние на прогноз окажет умеренный экономический спад в стране?
Рис. 13.1. Изменение спроса на товар во времени
Автокорреляция отражает постоянные свойства процесса. Ожидаемое значение
переменной в любой точке более или менее связано со своими прошлыми значениями.
Случайный спрос с течением времени может варьировать в широких пределах. При
большой автокорреляции спрос не будет сильно меняться во времени (от одной недели к
другой).
Стартовой точкой при разработке прогноза обычно являются трендовые линии. Эти
линии затем корректируют в зависимости от сезонных, циклических колебаний и любых
других ожидаемых событий. На рис. 13.2 показаны четыре наиболее часто употребляемых
типа трендов.
Линейный тренд представляет собой прямую наклонную линию. Форма S-кривой
характерна для кривых роста продаж товара. Самой важной точкой на S-кривой является
точка перехода от медленного роста к быстрому. Асимптотический тренд начинается с
наибольшего роста спроса, а затем постепенно уменьшается. Такая форма кривой может
наблюдаться в том случае, когда фирма выходит на уже существующий рынок, собираясь
насытить его или захватить большую долю рынка. Экспоненциальная форма характерна
для кривых, отражающих продукцию со взрывным ростом спроса. Экспоненциальный
тренд предполагает, что продажи будут продолжать бесконечно расти, но на практике это
довольно рискованное допущение.
В широко используемом визуальном методе прогнозирования исходные данные
наносят на координатную сетку и затем определяют характер наиболее подходящего
547
тренда (например, линейный, 5-образный, асимптотический или экспоненциальный).
Привлекательность этого метода состоит в том, что, поскольку математический аппарат
для таких трендов хорошо отработан, несложно определить значения для будущих
периодов времени.
Иногда кажется, что данные не описываются ни одной из типовых кривых. Это
может быть обусловлено различными причинами, и такое явление существенно усложняет
задачу. В таких случаях ограничиваются нанесением данных на координатную сетку.
Качественные методы прогнозирования
"Корни травы"
Как показано в табл. 13.1, при прогнозировании методом "корни травы"
составляется прогноз по данным, получаемым с самого основания иерархии, которые
затем последовательно суммируются и обобщаются на более высоких уровнях.
Предполагается, что индивид, находящийся ближе всего к потребителю или к конечному
использованию продукции, знает будущие потребности лучше всех. Хотя это не всегда
верно, во многих случаях данное допущение справедливо и является основой
рассматриваемого метода.
Прогнозы нижнего уровня суммируют и передают на следующий более высокий
уровень. Это обычно районный товарный склад, который затем учитывает данные
прогноза в резервных запасах и объеме заказа. Полученный прогноз потребности товара
затем передается на следующий уровень, которым может быть региональный товарный
склад. Процедура повторяется до тех пор, пока не будет достигнут верхний уровень,
прогноз которого представляет собой исходные данные для производственной фирмы.
Исследование рынка
Для проведения прогноза методом исследования рынка фирмы часто привлекают
сторонние компании, специализирующиеся на таких исследованиях. Вас также могут
привлечь к подобным маркетинговым исследованиям рынка, и вы, наверное, не избежали
телефонных опросов, выясняющих, какие товары вы предпочитаете, ваш доход, привычки
и т.д.
Рыночные исследования чаще всего используют для получения информации о
товарах, о перспективности товаров, симпатиях и антипатиях потребителей и т.д. В
качестве методов сбора информации обычно применяют социологические опросы и
наблюдения.
548
Рис. 13.2. Типы трендов
Групповое согласие
Основная идея метода группового согласия ("одна голова — хорошо, а две —
лучше") выражается в тезисе, что группа людей с различными позициями может
разработать более надежный прогноз, чем один человек. Прогнозы с участием групп
специалистов разрабатываются при проведении открытых "круглых столов", со
свободным обменом мнениями участников всех уровней управления и отдельных лиц.
Недостатком проведения таких открытых дискуссий является то, что нижний уровень
служащих может подавляться вышестоящими менеджерами. Например, продавец
определенного типа товара может высоко оценивать будущий спрос на данный товар, но
может побояться высказать свою точку зрения, совершенно противоположную оценке,
данной вице-президентом по маркетингу. Метод Дельфи (который кратко рассмотрен
дальше) разработан для устранения этого недостатка и обеспечения свободного обмена
мнениями.
Если решения по прогнозированию принимаются на высшем уровне (при внедрении
новой производственной линии или принятии стратегических решений о товарах,
например, о новых рынках), обычно используют термин мнение руководства. Этот
термин говорит сам за себя, т.е. это случай, когда к принятию решения привлечена группа
высших руководителей.
Историческая аналогия
В попытке предсказать спрос на новый товар идеальной ситуацией было бы наличие
549
уже существующего или аналогичного товара, который можно использовать в качестве
модели. Существует много сфер, где можно найти такие аналогии, например,
комплектующие, конкурентоспособные изделия, изделия-заменители и высокодоходные
изделия. Кроме того, по почте рассылается масса рекламных продуктов,
распространяются каталоги для заказа через почту, где также можно найти товар-аналог.
Если вы покупаете компакт-диски через почту, то вы, кроме них, получаете информацию
о новых компакт-дисках и CD-плейерах. Причинная связь здесь следующая (см. табл. 13.1,
часть III): спрос на компакт-диски вызван спросом на проигрыватели компакт-дисков.
Проводя аналогию, можно спрогнозировать спрос для проигрывателей цифровых
видеодисков, исходя из анализа прошлого спроса на стерео- и видеопроигрыватели
компакт-дисков. Эти изделия принадлежат к одному классу электроники и обычно
приобретаются потребителями на одинаковом уровне. В качестве более простого примера
можно привести тостеры и кофеварки. Фирма, которая уже производит тостеры и хочет
начать выпуск кофеварок, могла бы использовать данные по тостерам как вероятную
модель роста.
Метод Дельфи
Как уже упоминалось в связи с методом группового согласия, заявление или мнение
вышестоящего чиновника, вероятно, будет весить больше, чем мнение его подчиненных.
При этом часто подчиненные боятся высказать свои настоящие соображения, опасаясь
гнева руководства. Для устранения этого в методе Дельфи обеспечивается
конфиденциальность участвующих в исследовании лиц. Каждый участник имеет
одинаковый вес. Председательствующий готовит анкету (вопросник) и раздает ее
участникам. Их ответы подытоживаются и возвращаются всей группе вместе с новым
перечнем вопросов.
Метод Дельфи разработан в 50-х годах компанией Rand. Ниже приведены основные
стадии осуществления этого метода.
1. Выберите экспертов. Это должны быть специалисты-профессионалы,
представляющие различные области.
2. С помощью вопросника (или электронной почты) получите прогнозы (замечания
или уточнения прогнозов) ото всех участников.
3. Подведите итоги и раздайте полученные выводы участникам с соответствующими
новыми вопросами.
4. Снова подведите итоги, совершенствуя прогнозы и условия, опять разработайте
новые вопросы.
5. Повторите в случае необходимости п. 4. Ознакомьте с окончательными
результатами всех участников.
Обычно с помощью метода Дельфи можно достичь удовлетворительных результатов
уже за три раунда. Продолжительность составления прогноза зависит от числа
участников, объема работы, выполняемой при разработке прогноза, и быстроты ответов
участников.
Анализ временных рядов
Модели временных рядов прогнозируют будущее, исходя из прошлых данных.
Например, данные о продажах, собранные за последние шесть недель, можно
использовать для прогнозирования продаж на еще не наступившую седьмую неделю.
Поквартальные данные продаж, собранные за несколько последних лет, можно
использовать для прогнозирования продаж будущих кварталов. Несмотря на то, что оба
примера содержат данные о предыдущих продажах, для прогнозирования, вероятно, будут
550
использоваться различные модели временных рядов.
В табл. 13.2 показаны модели временных рядов и некоторые их характеристики.
Обратите внимание, что в табл. 13.2 представлены методы от очень простых до
очень сложных. В этой таблице не указан метод простого скользящего среднего,
характеристики которого аналогичны методу простого экспоненциального сглаживания.
Отметим, что определение взвешенного скользящего среднего может быть весьма
запутанным, особенно если прогнозист включает в прогноз сезонные или другие
циклические факторы, влияющие на прогноз. Его характеристики находятся между
характеристиками методов экспоненциального сглаживания Холта и экспоненциального
сглаживания Винтера. Здесь подробно не рассматриваются модели Холта и Винтера, но,
если у читателя возникнет желание применить к исходным данным такие разновидности
экспоненциального сглаживания, то он сможет найти их в литературе.
Признавая, что термины краткосрочный, среднесрочный и долгосрочный зависят от
контекста, в котором они используются, обратим внимание, что в бизнес-
прогнозировании термин краткосрочный обычно означает период времени до трех
месяцев; среднесрочный — от трех месяцев до двух лет; долгосрочный — свыше двух лет.
Вообще говоря, модели краткосрочного прогноза усредняют случайные изменения и
регулируют краткосрочные колебания (типа реакций потребителей на новое изделие).
Среднесрочные прогнозы полезны при наличии сезонных колебаний, а модели
долгосрочных прогнозов устанавливают общие тренды и особенно полезны в определении
границ прогнозов.
При выборе модели прогнозирования фирме следует руководствоваться таким
данными.
1. Временной горизонт прогнозирования.
2. Исходные данные.
3. Требуемая точность.
4. Бюджет, выделенный для разработки прогноза.
5. Уровень квалификации персонала.
При выборе модели прогнозирования существуют и другие проблемы, например
степень гибкости фирмы. (Чем лучше фирма способна реагировать на изменения, тем
менее точным может быть прогноз.) Еще одна важная проблема — это последствия
плохих прогнозов. Если решение о крупных инвестициях должно базироваться на
прогнозе, то прогноз должен быть очень хорошим.
Простое скользящее среднее
Если спрос на изделие стабильный (не растет и не падает), не носит сезонного
характера и имеет лишь случайные флуктуации, для прогноза можно использовать метод
скользящего среднего. Учитывая, что скользящие средние центрированы и усреднены за
небольшой интервал времени, этот метод наиболее удобен для непосредственного
предсказания последующего периода времени. Например, центрированное пятимесячное
среднее января, февраля, марта, апреля и мая приходится на март. При этом нужны
данные всех пяти месяцев. Если нашей целью является прогноз на июнь, то мы должны
каким-то образом при отсутствии фактических данных за будущие июнь, июль и август
определить наше скользящее среднее с марта по июнь. Таким образом, появляется
временной разрыв между месяцем центрирования и прогнозируемым месяцем, что
снижает точность прогноза, если пользоваться только имеющимися данными, чем и
приходится чаще всего довольствоваться на практике. Если мы хотим сделать прогноз на
июнь, используя пятимесячное скользящее среднее, берут средние значения за январь,
февраль, март, апрель и май. После июня для прогноза на июль следует брать средние
значения за февраль, март, апрель, май и июнь и т.д. Этот метод иллюстрируется
результатами прогнозирования, приведенными в табл. 13.3 и на рис. 13.3.