Чейз, Ричард, Б., Эквилайн, Николас, Дж., Якобе, Роберт, Ф. Производственный и операционный менеджмент
Подождите немного. Документ загружается.
571
Каузальное (причинное) прогнозирование
Если какое-либо событие влечет за собой какие-то последствия, то по его появлению
можно прогнозировать определенные процессы. Например, можно ожидать, что
затянувшийся период дождей увеличит продажи зонтиков и плащей. Дождь станет
причиной увеличения продаж товаров для защиты от дождя. Такие связи называют
причинными.
Первым этапом прогнозирования на основе причинных связей является определение
событий, которые действительно вызывают последствия. Часто событиям сопутствуют
определенные индикаторы, которые не являются причиной, но по ним можно косвенно
предположить о протекании каких-либо событий. Иногда встречаются
взаимосвязи, воспринимаемые как причинные, но на самом деле это простое
совпадение. Несколько лет назад одно из исследований показало, что количество
проданных спиртных напитков прямо пропорционально величине жалованья учителей.
Конечно же, эта зависимость ошибочна. Ниже приведен пример прогнозирования с
использованием причинной зависимости.
Пример 13.5. Каузальное прогнозирование
Объем продаж ковров (в квадратных метрах) магазином фирмы Carpet City в г.
Карпентерье каждый год совпадает с числом выданных разрешений на строительство
домов в данном регионе.
ГОД
Количество разрешений на жилищное
строительство
Продажи, кв. метры
1989 18 13 000
1990 15 12 000
1991 12 11 000
1992 10 10 000
1993 20 14 000
1994 28 16 000
1995 35 19 000
1996 30 17 000
1997 20 13 000
Операционный менеджер фирмы Carpet City считает, что прогнозирование продаж
возможно, если известно количество домов, которое будет построено в следующем году.
Вначале данные наносят на график, как показано на рис. 13.14, на котором х —
количество полученных разрешений на строительство новых домов; у — объем продаж
ковровых покрытий.
Поскольку все точки практически лежат на прямой, менеджер решил использовать
линейное уравнение Y = a + bx. Решим эту задачу с помощью ручной аппроксимации
прямой. Это уравнение можно решить и с использованием регрессии методом
наименьших квадратов, как мы это делали раньше.
Решение
Построенная прямая пересекает ось У в точке, соответствующей значению
приблизительно в 7000 кв. метров. Это значение можно считать спросом на ковровые
покрытия в период, когда не строится ни один новый дом, т.е. существует только замена
572
старых ковровых покрытий. Для оценки величины наклона прямой выбирают две точки,
например:
Год X Y
1992 10 10 000
1996 30 17 000
Коэффициент наклона прямой вычисляют следующим образом:
Менеджер интерпретировал величину наклона как среднее количество квадратных
метров ковров, проданных для каждого вновь построенного дома в этом районе. Поэтому
уравнение прогноза будет следующим:
Рис. 13.14. Каузальная модель продаж ковров как следствие числа построенных домов
Y = 7000 + 350х.
Теперь предположим, что в 1998 году ожидается выдача 25 разрешений на
строительство новых домов в этом районе. Тогда прогноз продаж на 1998 год будет
следующим:
7000+ (350x25) = 15750.
В этом примере лаг между выдачей разрешений на строительство домов
соответствующим учреждением и приходом нового домовладельца в фирму Carpet City
дпя покупки коврового покрытия позволяет использовать причинную связь для
прогнозирования.
Многофакторный регрессионный анализ
Следующий метод прогнозирования — многофакторный регрессионный анализ, при
котором рассматривается воздействие ряда независимых переменных на изучаемый
объект. Например, при продаже бытовой мебели на объем продаж оказывают влияние
такие факторы, как количество заключенных браков, количество вновь построенных
домов, величина предполагаемого дохода и тренд. Такую взаимосвязь можно выразить в
виде следующего уравнения многофакторной регрессии:
S = B + В
т
М + B
h
H + В
i
1 + В
t
Т;
где S — общее количество продаж за год;
В — стартовый уровень продаж, с которого начинают оказывать влияние другие
факторы;
573
М — количество заключаемых браков в течение года;
Н — количество новых домов, построенных за год;
I — годовой доход на душу населения; Т — временной тренд (первый год — 1,
второй — 2, третий — 3 и т.д.);
B
m
,B
h
,B
i
B
t
— количественное влияние соответственно числа браков, количества
построенных домов, дохода и тренда на ожидаемые продажи.
Прогнозирование методом многофакторной регрессии уместно, когда на
интересующую нас переменную, в данном случае на уровень продаж, оказывает влияние
ряд факторов. Множественная регрессия требует сложных математических вычислений. К
счастью, для этого существует ряд доступных компьютерных программ и можно обойтись
без вычислений вручную.
Выбор метода прогнозирования
Для начала, следует ответить на вопрос: нужна ли система прогнозирования?
Система прогнозирования может быть простой и дешевой (модели на основе скользящих
средних или экспоненциального сглаживания, выполненные на координатной сетке) или
сложной и дорогой программой, с привлечением большого количества ресурсов и
персонала.
В бизнесе прогнозирование используют при планировании материальных запасов и
уровня незавершенного производства, а также при создании новой продукции,
комплектовании кадров и составлении бюджета. При создании новой продукции прогнозы
разрабатывают с помощью недорогих методов, используя простое скользящее среднее,
взвешенное скользящее среднее или экспоненциальное сглаживание. Эти методы
позволяют спрогнозировать большую номенклатуру различных материальных запасов
фирмы. Выбор одного из трех методов зависит от рыночных условий. Вес простых
скользящих средних в каждом периоде одинаковый, экспоненциальное сглаживание
присваивает больший вес ближайшим прошлым данным, а значимость взвешенного
скользящего среднего устанавливается в процессе прогнозирования. Какой из методов
надежнее? Для проверки надежности каждого метода можно использовать выборку
данных и измерение ошибок по MAD и RSFE, которые обсуждались в этой главе.
При любом методе все прогнозы необходимо передать соответствующему
специалисту, знакомому с изделием, чтобы он скорректировал или модифицировал
прогноз. Используя регрессионный анализ, необходимо убедиться, что данные подходят
для этой модели. Если же они не подходят, то экстраполяции могут привести к серьезным
ошибкам.
Опросы пользователей об используемых методах прогнозирования были выполнены
П. Хербигом, Дж. Миле-вичем и Дж. Голденом
5
(Paul Herbig, John Milewicz, James E.
Golden). Получено 150 ответов от промышленных и сервисных компаний с оборотом от 10
до 500 миллионов долларов. Вопросники были адресованы менеджерам по маркетингу и
прогнозированию, их ответы приведены в табл. 13.8.
Как и ожидалось, в связи с маркетинговыми исследованиями, в первых рядах стоят
такие методы, как мнение высшего руководства и сбытовиков, а также опрос клиентов.
Часто применяемыми методами прогнозирования оказались также определение трендов и
доли на рынке.
Сравнение промышленных и сервисных фирм показало, что промышленные фирмы
стремятся к большей основательности при прогнозировании и проводят прогнозирование
и корректировку прогноза с большим количеством итераций. Наиболее важными они
считают прогнозы выпуска продукции и жизненного цикла товара. Промышленники
574
предпочитают количественные методы прогнозирования и обычно бывают удовлетворены
результатами. Они также больше, чем в сервисе, стремятся к оценке прогнозов и их
степени точности.
Сервисные фирмы склонны привлекать больше людей к процессу прогнозирования и
особенно высшее руководство. Сервисные фирмы также предпочитают:
• в качестве основного метода рассматривать взвешенное скользящее среднее;
• использовать субъективное прогнозирование.
Из-за применения различных методов сервисные фирмы жалуются, что процесс
прогнозирования у них более громоздкий, чем у промышленных фирм.
Фокусирующее прогнозирование
Метод фокусирующего прогнозирования разработан Бернаром Смитом
6
(Bernard T.
Smith). Г-н Смит предложил его, прежде всего, для управления запасами готовых изделий,
он приводит весомые аргументы того, что статистические методы, используемые при
прогнозировании, не дают надежных результатов. Г-н Смит утверждает, что простой
метод, который хорошо работает с данными за прошедшие периоды, оказывается
наилучшим и при прогнозировании будущего.
6
Мы используем это упражнение, так как в нем содержатся реальные данные, взятые из отчетов компании
American Hardware Supply, где г-н Смит работал менеджером по управлению запасами. Это упражнение
было проделано многими людьми: покупателями продукции American Hardware, консультантами по
материальным запасам и многочисленными участниками национальных собраний Американского общества
по производству и управлению запасами. Полученные результаты совпадали с имеющимися данными.
Методология фокусирующего прогнозирования
Фокусирующее прогнозирование пытается данные по прошедшим периодам
спроецировать в будущее, применив
несколько логичных и доступных для понимания правил. Используя компьютерную
имитационную программу моделирования, каждое из этих правил применяют к
фактически планируемому спросу и затем оценивают, насколько хорошо отвечает это
правило действительности.
Таблица 13.8. Результаты опроса о методах прогнозирования
Метод прогнозирования Опрошенные
Степень
значимости
b
Степень
иcполь-
зования
c
Мнение высшего руководства 86 6 2,9
Мнение сбытовиков 68 5 2,2
Мнение потребителей 72 4,7 2,2
Тренды 91 5,6 2,9
Доля на рынке 70 4,6 2,5
Регрессия 52 4,2 1,7
Эконометрика 52 4,2 1,4
"Наивный" метод 41 2,0 1,1
Промышленный обзор 45 3,2 1,4
Собственная компьютерная модель 68 5,2 2,2
575
Опережение/Отставание 38 3 0,8
Простая корреляция 42 3,6 1,2
Мультипликативная корреляция 34 1,8 0,6
Вероятностные оценки 40 3,7 0,6
Временные ряды 45 4,3 1,5
Метод трех сигм 28 1,4 1,45
Взвешенное скользящее среднее 46 3,8 1,4
Экспоненциальное сглаживание 36 2,8 0,9
Простая линейная регрессия 38 4,0 1,3
Многофакторная линейная регрессия 35 3,6 1,0
Многофакторная нелинейная регрессия 32 2,5 0,6
Жизненный цикл товара 47 3,0 1,3
Примечания:
a
Процент респондентов, упомянувших об использовании метода;
b
Шкала степени значимости: 1 — низкая, 4 — средняя,7 — наивысшая;
с
Степень использования метода: 3 — использовали регулярно, 2 — редко, 1 — раньше
использовали, 0 — никогда не использовали.
Источник. Paul Herbig, John Milewicz and James E. Golden, "Forecasting: Who, What, When and
How", Journal of Business Forecasting, Summer 1993, p. 16-21.
Paul Herbig, John Milewicz and James E. Golden, "Forecasting: Who, What, When and How", Journal of
Business Forecasting, Summer 1993, p. 16—21.
Bernard T. Smith, Focus Forecasting: Computer Techniques for Inventory Control (Boston: CBI
Publishing, 1984).
Таким образом, система фокусирующего прогнозирования состоит из двух
компонентов — несколько простых правил прогнозирования и компьютерное
моделирование этих правил на основе данных за прошедшие периоды.
Вначале разрабатывают простые логичные правила, а затем их тестируют, чтобы
убедиться в правильном их действии. Ниже приведены примеры таких правил
прогнозирования.
1. Все, что было продано за последних три месяца, вероятно, будет продано и в
последующие три месяца.
2. Все, что продано за аналогичный период прошлого года, вероятно будет продано в
том же количестве и за такой же период нынешнего года. (Это правило объясняет
сезонные колебания.)
3. В следующие три месяца, вероятно, будет продано на 10% больше, чем за три
предыдущих месяца.
4. За следующие три месяца, вероятно, будет продано на 50% больше, чем продано
за предыдущие три месяца текущего года.
5. Изменение продаж (в процентном выражении), которое наблюдалось последние
три месяца нынешнего года по сравнению с аналогичным периодом прошлого года,
вероятно, будет иметь место и в последующие три месяца этого года.
Эти правила прогнозирования несложны. Если считают, что существует другое
надежное и соответствующее действительности правило, его присоединяют к уже
имеющимся. Если правило идет в разрез с действительностью или просто
неудовлетворительно, его удаляют.
Вторая часть процесса — компьютерное моделирование. Чтобы использовать
576
систему правил, должны быть данные за прошедшие периоды, например, данные за 18—
24 месяца. Затем в процессе моделирования каждое правило проверяют на
прогнозирование в недавно прошедших периодах и, если на них прогнозируемые
значения близки к фактическим, то правило оставляют. Затем наиболее удачные правила
используют для прогнозирования будущего. Пример 13.6 представляет собой упражнение,
которое использовал г-н Смит
7
.
Пример 13.6. Спрос на сковородки для жарки бройлеров
В таблице ниже приведены данные спроса на сковородки для жарки бройлеров за 18-
месячный период. Попытайтесь предсказать спрос в июле, августе и сентябре этого года и
сравните ваш прогноз с фактическими данными, которые будут приведены позже.
Прош-
лый год
Текущий
год
Прош-
лый год
Текущий
год
Январь 6 72 Июль 167
Февраль 212 90 Август 159
Март 378 108 Сентябрь 201
Апрель 129 134 Октябрь 153
Май 163 92 Ноябрь 76
Июнь 96 137 Декабрь 30
Решение
Для краткой демонстрации метода применим только два правила — первое и пятое.
На практике их следует опробовать все.
Испытаем первое правило: все, что было продано за последних три месяца, вероятно,
будет продано и в последующие три месяца. Вначале тестируют это правило за последних
три месяца:
Поскольку фактический спрос (количество продаж) составил (134 + 92 + 137) = 363,
прогноз составит 270/363 = 74%. Другими словами, спрогнозированный спрос на 26%
ниже фактического в уже прошедшем периоде.
Теперь испытаем пятое правило: изменение продаж в процентах, которое произошло
за последних три месяца этого года по сравнению с аналогичным периодом прошлого
года, вероятно, будет иметь место и в последующие три месяца этого года:
Фактический спрос за апрель, май, июнь этого года составил 363. Отсюда, прогноз
равен 175/363, что составляет только 48% фактического спроса.
Поскольку при составлении прогноза на последних три месяца первое правило
зарекомендовало себя лучше, следует использовать его при прогнозе на июль, август и
сентябрь этого года. Первое правило гласит: все, что было продано за последних три
месяца, вероятно, будет продано и в последующие три месяца:
Как видно из данных фактического спроса, приведенных ниже в таблице, спрос за
577
этот период составил 353.
Прошлый год Текущий год
Прошлый год Текущий год
Январь 6 72 Июль 167 120
Февраль 212 90 Август 159 151
Март 378 108 Сентябрь 201 86
Апрель 129 134 Октябрь 153 113
Май 163 92 Ноябрь 76 97
Июнь 96 137 Декабрь 30 40
НОВАЦИЯ
Эволюция отдела прогнозирования
Сумма продаж компании Warner-Lambert, входящей в группу Comsumer Health Product
Group (CHPG), в 1992 году составила 732 миллиона долларов. Продукция поделена на три
главные бизнес-категории: средства для приема внутрь, средства для верхних дыхательных путей
и средства для женщин и ухода за кожей. Ассортимент товаров включает средства для полоскания
рта, Listerine и Cool Mint Listerine (с мятой), Benadryl Cold и противоаллергические препараты,
лосьон для кожи Lubriderm и набор для домашнего теста на беременность. Каждый товар
поддерживается отличной рекламой, и спрос на них подвержен сильным сезонным колебаниям,
что представляет значительные сложности для профессионалов по прогнозированию.
Отдел прогнозирования продаж компании CHPG организован в конце 80-х годов для
повышения точности прогнозирования и уровня обслуживания потребителей. Однако роль
прогнозиста, при отсутствии официальной процедуры и инструментов прогнозирования, была
ограничена участием в собраниях, посвященных прогнозированию и анализом продаж.
Хотя это был шаг в правильном направлении, усилия, однако, не достигли поставленных
перед отделом целей и не оправдали ожиданий высшего руководства. Поэтому был составлен план
выбора и осуществления системы прогнозирования, приспособленной к производственной линии
и нуждам логистики. Ключом к этой работе было освоение мощного комплекта инструментов
прогнозирования (например, метод декомпозиции сезонности, анализ рекламы и умение работать
по принципу "а что, если"), а также способность к интеграции двух систем — логистической и
производственной, ориентированной на выполнение заказов.
Через год подготовительная работа над основными компонентами этой системы была
завершена, и мы начали обучение персонала отдела маркетинга. По мере обучения и реализации
плана "загрузки" данных стало совершенно очевидно, что выбранная система слишком сложна для
пользователей. Причинами были следующие.
Для разработки и интерпретации моделей требовались знания по статистике и
прогнозированию. Система предоставляла восемь "модифицированных" моделей трендового
анализа с переопределением интерфейса пользовагелем. Хотя он создан, чтобы минимизировать
большого объема статистических данных, пользователь должен был хорошо знать скользящие
средние, тренды, сезонные декомпозиции, случайные помехи и т.п. Однако, несмотря на то, что
специалисты по маркетингу являются универсалами, им часто не хватает подготовки в области
статистики.
Хотя система была разработана для улучшения работы, ее внедрение потребовало
вмешательства в работу маркетологов, что, учитывая их насыщенный график работы, нарушило
исследование рынков.
Между тем точность прогнозов ухудшалась, и от этого страдало обслуживание
потребителей. Кроме того, расхождения взглядов администрации и результатов прогнозирования
экспоненциально возрастали. Поэтому мы сконцентрировали наши совместные усилия на
процессе внедрения, переоснащения и введения новых характеристик в процесс прогнозирования.
Как мы это сделали
578
Для разработки стратегического плана и формулирования цели (девиза) мы привлекли к
работе консультантов по продажам, маркетингу, производству, автоматизированным системам
управления, прогнозированию, а также научные круги.
Наш девиз: "Мы будем лучшим отделом прогнозирования продаж в нашей отрасли
промышленности". Для поддержки этого заявления стратегический план предусматривал
организацию "центра высококачественного прогнозирования", куда входили бы профессионалы,
которые обладают первоклассными навыками в области анализа и статистики, прекрасно
разбираются в нашем бизнесе и рынке и обладают хорошей коммуникабельностью и умением
ладить с людьми. В дальнейшем план рекомендовал выполнение аналитической программы
прогнозирования. В соответствии с этим планом по каждой бизнес-категории должен был
работать один аналитик-прогнозист, который полностью занимался бы разработкой прогноза
продаж, проведением макроэкономического анализа и созданием конкурентоспособной базы. В
конце 1992 года руководство фирмы утвердило стратегический план.
В начале 1993 года мы приступили к выполнению плана по категории лекарственные
средства для приема внутрь (пероральные медикаменты), так как они являлись наиболее
представительными. Вначале мы занялись подбором квалифицированного кандидата на
должность аналитика. Это было сложной задачей, так как найти хорошего коммуникабельного
аналитика непросто. Получив полномочия, аналитик прошел обучение по полной программе и в
мае 1993 года принял на себя всю ответственность за процесс прогнозирования по
рассматриваемой категории.
Залогом успеха нового процесса прогнозирования являются два принципиально новых
фактора — четкое понимание бизнеса и рынка и тесная связь с торговыми, маркетинговыми и
промышленными организациями. В то же самое время мы должны придерживаться высокой
степени объективности, что на практике труднодостижимо. Аналитики сотрудничают с коллегами
по маркетингу и планированию продаж на всех стадиях разработки прогноза, подключая их при
разработке моделей и сценариев "а что, если".
Наш процесс прогнозирования
Период прогнозирования — месяц. Кульминацией его является проведение в третий
рабочий день (следующего) месяца совещания, на котором рассматривают разработанный
прогноз, чтобы прийти к взаимному согласию. После проведения данного совещания в модели
вносят все изменения и на пятый рабочий день окончательный прогноз передают в производство.
В течение месяца модели постоянно совершенствуют и, что очень важно, еженедельно проводят
совещания отдела обслуживания потребителей для обсуждения результатов месячного прогноза и
других вопросов, касающихся производства и дистрибуции.
Прогноз разрабатывают на уровне упаковки (например, Listerine в упаковке на 32 грамма),
его разбивают на все компоненты SKU. В настоящее время только по таким препаратам
существует около 50 моделей для 30 видов упаковки. Для большинства видов упаковки
применяют только две модели. Одна прогнозирует потребность, вторая — рыночный спрос. В
среднем каждая модель включает до 10 экономических и других переменных.
Какую пользу мы извлекли из данной системы
С тех пор как внедрен новый процесс прогнозирования, мы получили следующие выгоды.
Во-первых, значительно увеличилась точность прогноза. Во-вторых, мы освободили ресурсы
маркетинга от трудоемкого процесса разработки прогноза и теперь можем сконцентрироваться на
других видах деятельности, способствующих росту экономической деятельности. А так как мы
хозяева данного аналитического процесса, будем пожинать дополнительные плоды в форме
прибыли от "обучения", что также будет способствовать развитию бизнеса.
Аналитическая программа распространена и на другие виды препаратов и в настоящее время
реализуется для прогнозирования средств для верхних дыхательных путей. Мы взяли на себя
обязанности по прогнозированию и повысили роль отдела.
В настоящее время, наряду с разработкой прогнозов, мы возглавляем несколько проектов по
совершенствованию выездных продаж. Мы также установили связи с основными клиентами для
совместной разработки их прогнозов. Кроме того, мы планируем переработать базу данных
прогнозирования для совершенствования набора инструментов прогнозирования и регионального
579
анализа и анализа конкретного потребителя.
Процесс прогнозирования в подразделении потребительских товаров компании Warner-
Lambert успешно прошел существенную эволюцию. Начав с элементарного процесса,
подразделение эволюционировало до сегодняшнего статуса — "центра высококачественного
прогнозирования", и все это благодаря четкой цели и правильности выбранного стратегического
направления. Из опыта данной эволюции можно извлечь несколько уроков. Акцент следует делать
на процессе тотального прогнозирования. Главное, чтобы специалисты по прогнозированию
отлично разбирались в данном виде бизнеса и рынке и могли применить свои знания для
разработки моделей. В равной степени немаловажно, чтобы специалисты по прогнозированию
одинаково хорошо владели терминологией как сферы анализа, так и сферы бизнеса. Вы не
завоюете доверие, общаясь с отделом продаж и маркетинга на языке математики. Важно уметь
оправдывать ожидания руководства. Необходимо, чтобы все допущения и анализ периода
окупаемости были задокументированы и вовремя обновлялись, как подсказывает вам ваша
эрудиция, изменяющиеся условия бизнеса и приоритеты. Специалист по прогнозированию должен
также играть роль "продавца", постоянно "продающего знание" и позитивные результаты данной
организации.
Источник. Luis Reyes, "The Evolution of a Forecasting Department", Journal of Business
Forecasting, Fall 1993, p. 22-24.
Прогнозы, составленные методом фокусирующего прогнозирования, затем при
необходимости пересматривают и уточняют закупщики или персонал, управляющий
запасами, т.е. те, кто несет ответственность за эти вопросы. При компьютерном
прогнозировании исполнители знают, какое правило было использовано, и могут либо
принять его, либо не принять и изменить прогноз. По оценке г-на Смита, только около 8%
прогнозов меняется исполнителями, так как они знают то, что неизвестно компьютеру
(например, причину предыдущего высокого спроса или то, что следующий прогноз
слишком завышен, так как конкурент выпускает новое конкурентоспособное изделие).
Г-н Смит утверждает, что изо всех методов прогнозирования, с которыми он
работал, включая экспоненциальное и адаптивное сглаживание, наилучшие результаты
дало фокусирующее прогнозирование.
Разработка системы фокусирующего прогнозирования
Ниже приведены советы по разработке системы фокусирующего прогнозирования.
1. Не пытайтесь преждевременно добавить сезонный индекс. Позвольте системе
прогнозирования самой определить сезонность, особенно в случае новой продукции, так
как сезонность может не проявляться до тех пор, пока система снабжения работает
нормально и вся система стабильна. Правила прогнозирования позволяют справиться с
этой проблемой.
2. Если прогноз необычно высок или низок (например, в два-три раза больше или
меньше, чем за предыдущий период или предыдущий год), пометьте его, например буквой
R, чтобы заинтересованное лицо критически отнеслось к нему. Но не игнорируйте
необычный спрос, так как, в действительности, он может оказаться вполне обоснованным.
3. Привлекайте служащих, заинтересованных в прогнозах (например, закупщиков
или плановиков запасов), к участию в выработке правил. Г-н Смит предлагает всем
закупщикам компании сыграть в игру под названием "Можете ли вы перехитрить
фокусирующее прогнозирование". Используя данные двух лет и 2000 наименований
товара, покупателей просят сделать прогноз на последние шесть месяцев, используя
любое правило, которое они предложат. Если их правила лучше, чем существующие, то
новые правила прогнозирования включают в список.
4. Старайтесь, чтобы эти правила были простыми, т.е. они должны быть понятны
пользователям прогнозов и вызывать у них доверие.
Следует отметить, что фокусирующее прогнозирование имеет существенные
преимущества и в других областях, например, при прогнозировании спроса на готовые
580
изделия, запасные части, материалы и комплектующие.
Затраты компьютерного времени не слишком велики и позволяют г-ну Смиту,
пользуясь своими правилами прогнозирования, ежемесячно составлять прогнозы на 100
тысяч наименований изделий.
Компьютерное прогнозирование
Существует много коммерческих программ прогнозирования. Большинство из них
доступно и для персональных компьютеров, и для коллективных сетей. Такие крупные
компании, как Wal-Mart, в настоящее время используют программы, работающие через
Internet. В будущем предполагается разработать стандарты, которые предоставят
промышленникам и коммерсантам единые методы совместного прогнозирования через
Internet.
Все, даже самые сложные формулы, применяемые в прогнозировании, доступны для
понимания. Каждый, умеющий работать с такими электронными таблицами, как Excel
компании Microsoft, сможет создать программу прогнозирования на персональном
компьютере. В зависимости от навыков работы с электронными таблицами, простую
программу можно написать за время от нескольких минут до двух часов. Однако
использование такой программы фирмой может оказаться более сложным. При
составлении прогноза спроса на большой ассортимент товаров возникает проблема
обработки большого количества данных, а не проблема выбора метода прогнозирования.
Джек Юркевич (Jack Yurkiewicz) составил список из 50 программ прогнозирования и
статистического анализа для использования на персональных компьютерах
8
. Некоторые
из них просты и доступны, другие представляют собой усовершенствованные программы,
с большими графическими возможностями и графическим интерфейсом. Во врезке
"Эволюция отдела' прогнозирования" (написанной директором по прогнозированию
продаж компании Warner-Lambert) обсуждаются разработка, методы и выгоды от
применения системы прогнозирования фирмы.
8
Jack Yurkiewicz, "Forecasting Software Survey", OR/MS Today, December 1996, p. 70-75.
Резюме
Как видно из врезки "Эволюция отдела прогнозирования", создание службы
прогнозирования является нелегкой задачей. Между тем она нужна, так как
прогнозирование — это основа планирования. Краткосрочный прогноз необходим для
предсказания потребности в материальных ресурсах, изделиях, сервисе и т.д, чтобы
должным образом отреагировать на изменения спроса. Прогнозы допускают коррекцию
производственных графиков и объема необходимых трудовых и материальных ресурсов.
Долгосрочное прогнозирование необходимо в качестве базы таких стратегических
изменений, как разработка новых рынков, изделий и сервисных услуг, а также
расширение старых или создание новых (производственных) мощностей.
Составление долгосрочных прогнозов следует выполнять с особой тщательностью,
так как они влекут за собой серьезные финансовые обязательства. Необходимо
использовать несколько методов, из которых наиболее подходящими являются причинные
модели, такие как регрессионный анализ или многофакторный регрессионный анализ. Но
это всегда тема для дискуссии. Необходимо постоянно анализировать экономические
факторы, тренды изделий, факторы роста и конкуренции и множество других возможных
переменных для коррекции прогнозов и отражения влияния каждого фактора.
При кратко- и среднесрочном прогнозировании (необходимом для управления