Продажи и управление продажами

Количественные приемы

Приемы прогнозирования количественного характера иногда называют объективными или математическими, поскольку они в большей степени основываются на математике и в меньшей степе­ни на субъективных суждениях. Эти приемы стали очень популяр­ными с появлением современных компьютерных пакетов, специ­ально предназначенных для удовлетворения потребностей компаний в прогнозировании.

Здесь мы не планируем подробно описывать, как работают такие приемы, поскольку каждый из них требует специальных навыков и умений. Пришлось бы всю книгу посвятить только одному приему! Некоторые из таких приемов очень простые, дру­гие — очень сложные. В оставшейся части этой главы сделаем попытку объяснить в целом эти приемы, чтобы читатель по край­ней мере понял бы их полезность и то, как их можно использо­вать для решения его собственных проблем, связанных с прогно­зированием. Если проблема требует специальных математических приемов, то следует проконсультироваться со специалистом, а не пытаться действовать на основе той неполной информации, ко­торая приведена здесь.

Качественные приемы можно разделить на два типа.

1. Анализ временнъх рядов. Единственной переменной, которая учитывается при прогнозе, является время. Эти приемы относи­тельно просты для применения, но возникает опасность, что здесь слишком большое внимание для предсказания будущего может

Быть уделено прошлым событиям. Эти приемы полезны для пред­сказания объемов продаж на рынках, которые относительно ста­бильны и не подвержены неожиданным и необъяснимым измене­ниям спроса. Другими словами, при их помощи предсказывать резкие взлеты и падения на рынке невозможно, если только при составлении прогноза преднамеренно не манипулировать данны­ми, чтобы учесть такие взлеты и падения.

2. Приемы причинно-следственнътх зависимостей. Предполага­ется, что существует зависимость между измеряемой независимой переменной и прогнозируемой зависимой переменной. Прогноз получается за счет подстановки значения независимой перемен­ной в вычисления. Необходимо выбрать подходящую независи­мую переменную, но при этом надо осторожно подойти к выбору периода, на который составляется прогноз. Эти приемы являются разновидностями установления причинно-следственных связей. Проблема возникает, когда делаются попытки установить причи­ны, лежащие за этими связями и зависимостями, так как во мно­гих случаях логического объяснения не существует. Действительно, часто ничто не указывает на то, что прежняя зависимость сохранит­ся и в будущем. Внесение причинности в случайные зависимости на этом этапе может быть непонятным, но когда эти приемы бу­дут рассматриваться подробнее в этой главе ниже, это станет оче­видным.

Первый набор методов, который мы рассмотрим, связан с ана­лизом временных рядов.

Количественные методы (временные серии)

Скользящие средние

Этот метод усредняет и выравнивает данные, входящие во вре­менные ряды. Чем более продолжительные эти ряды, тем сильнее будет выравнивание. Основной принцип заключается в том, что из вычислений удаляются наиболее ранние показатели по прода­жам и добавляются данные по последним продажам. Этот прием лучше всего показать на простом примере, приведенном в табл. 15.1, из которого видно, что использование более продолжитель­ного скользящего среднего ведет к более ровному тренду, чем при использовании более короткого скользящего среднего.

53Я ■■ •--«: Глава 15

■—*тм

Эти данные можно представить графически (рис. 15.2), из чего видно, что среднее значение выравнивает годовые показатели продаж, причем среднее значение по пяти годам дает более ров­ную линию, чем среднее значение по трем годам. Можно на ос­нове этих данных получить прогноз, экстраполируя линию трен­да, а уже лицо, занимающееся прогнозированием, должно решить, какое из средних, трехлетнее или пятилетнее, является лучшим. Действительно, иногда необходимо сгладить данные (в случае ста­бильного тренда), и в таком случае этот прием называется прогно­зирование тренда. Следует отметить, что чем сильнее колеблются данные, тем более продолжительный период необходим для опре­деления среднего.

Экспоненциальное выравнивание

Это прием, в котором различным участкам данных, на осно­вании которых должен быть составлен прогноз, придаются раз­ные весовые значения. Проблемой при использовании методов скользящих средних и простого прогнозирования тренда является то, что они не позволяют предсказать рост или падение рынков (если только лицо, занимающееся прогнозированием, преднаме-

Ренно не внесет такие подъемы и спады в данные). При исполь­зовании этого приема можно присвоить соответствующие степени «типичности» различным частям временных серий.

Здесь мы не предполагаем подробно объяснять математическую основу этого приема, поскольку в книге не ставится цель полного и глубокого рассмотрения методов прогнозирования объемов продаж. Укажем только, что статистические данные, использованные в пре­дыдущем примере, можно применить и для данного приема, если задать разные весовые коэффициенты к более ранним временным сериям. Эти весовые коэффициенты задаются лицом, занимающимся прогнозированием, на основе его суждений относительно того, на­сколько «типичными» были предыдущие части данных, и использо­вать эти коэффициенты для получения прогноза (хотя существуют математические приемы, позволяющие решить, насколько это не­обходимо). Результат такого подхода показан на рис. 15.3.

При использовании метода скользящих средних для прогноза берется некоторое время, учитывающее подъемы и спады, в то время как при методе экспоненциального сглаживания реакция может быть немедленной. В этом примере лицо, занимающееся прогнозированием, задало большие коэффициенты периодам спа­да, чем периодам подъема в торговле, и тем самым, прогноз пока­зывает, что в 2000 г. будет очередной спад. Если бы был использо­ван для прогноза метод скользящих средних, то он показал бы в 1998—1999 гг. небольшой подъем.

На практике данный прием является простым для использова­ния, особенно если применяется компьютер. Лицо, занимающееся прогнозированием, может очень просто изменить константу вы­равнивания для различных периодов и получить ряд альтернатив-

Ных прогнозов. Умение заключается в данном случае в определе­нии весовых коэффициентов для более ранних и более поздних временных серий.

Анализ временных рядов

Этот метод обычно используется, когда в данных наблюдаются сезонные изменения. Он особенно полезен для прогнозирования объемов продаж продуктов, для которых характерны колебания моды, и для продуктов, реагирующих в течение года на сезонные изменения. Он может также использоваться для анализа цикличес­ких изменений в более продолжительные периоды времени (типо­вая динамика торговли), но для обработки краткосрочных трендов существуют более подходящие методы. Таким образом, лучше всего этот анализ использовать в том случае, если имеется повторяю-

Таблица 15.2. Office Goods Supplies Ltd: ежеквартальный объем продаж портфелей-дипломатов

Год Кварта/t Число

Портфелей-

Дипломатов

Скользящее Сумма Деленная Отклонение общее пар на 8 для от тренда за квартал отыскания

Тренда

1995

1996 1997 1998

Шийся сезонный тип в течение года. Эти сезонные изменения измеряются по величине их отклонений от общего тренда.

Лучше всего этот метод объяснить графически на тех данных, ко­торые использовались для предыдущего примера. Для этого опреде­ляется ежеквартальный объем продаж портфелей-дипломатов ком­панией Office Goods Supplies Ltd за 1995—1999 г. (табл. 15.2), и, как можно видеть, эти объемы продаж демонстрируют сезонные колеба­ния, когда пик продаж приходится на последний квартал каждого года.

Когда к результату добавляются суммы ежеквартальных от­клонений от тренда, результирующая сумма в рассматриваемом примере составляет +40 (табл. 15.3). Общая сумма должна рав­няться нулю, поскольку в противном случае это означает, что в прогноз внесено искажение в сторону завышения. Однако такая корректировка должна охватывать все цифры в равной мере, и поэтому вычисления дают: 40 / 4 = + 10.

Следовательно, + 10 необходимо вычесть из показателей по каждому кварталу. Тогда соответствующими цифрами будут:

Квартал 1

2

3

4

Скорректированные отклонения -292 -19 -328 +639 = 0

В этом конкретном примере указанные цифры теперь необхо­димо разделить на 4, чтобы получить годовые обобщенные данные (поскольку для обобщения использовались данные за четыре года), после чего показатели, на основе которых будет делаться прогноз, выглядят следующим образом:

Квартал 1

2 3 4

Отклонения -73 -5 -82 +160 = 0

Показатели в табл. 15.2 были получены следующим образом. Продажи (в единицах) суммировали и получили данные за год. За-

Тем получили скользящее среднее за год, для чего к полученному результату добавили данные за последний квартал и вычли данные за первый (за год) квартал. После этого в следующей колонке сколь­зящее среднее за год складывают по два (чтобы добиться большей сглаженности), а затем полученный результат делится на 8 (по числу кварталов, которые входят в эту сумму), что позволяет судить о нали­чии или отсутствии тренда. И наконец, вычисляются отклонения от этого тренда, для чего из значения тренда вычитаются реальные ре­зультаты за соответствующий квартал. Эти отклонения от тренда показаны в последней колонке табл. 15.2.

Аналогичное прогнозирование объема продаж на 1999 и 2000 годы показано в табл. 15.4.

Затем полученные статистические данные наносятся на график. Данные о продажах и тренд по рассматриваемому примеру показаны на рис. 15.4. Линия тренда может быть продолжена «на глаз» (именно в этом заключаются умение лица, занимающегося прогнозом, и его интуиция). После этого отклонения от тренда добавляются к линии тренда и на выходе получается прогноз по объему продаж.

В данном конкретном примере можно видеть, что линия тренда была продолжена с небольшим наклоном вверх, т. е. так же, как это происходило в предыдущие годы. Первые две цифры для периодов

3 и 4 на 1999 г. показаны как прогноз, но эти кварталы уже, конечно, прошли и поэтому эти цифры не следует рассматривать в дальнейшем. На четыре квартала 2000 г. дан прогноз, который и показан на графике.

Этот метод, как и многие ему подобные, страдает от того, что подъемы и спады не могут быть предсказаны, и такие данные долж­ны субъективно вноситься лицом, занимающимся прогнозировани­ем, при помощи манипуляции экстраполируемой линией тренда.

Диаграммы Z

Этот метод является одним из улучшенных вариантов метода скользящих средних. Помимо получения годового скользящего среднего он также показывает месячные и кумулятивные прода­жи, что объясняет, почему этот метод называется диаграммой Z. Каждая диаграмма Z отражает данные за один год, и потому луч­ше всего его применять, когда есть данные за каждый месяц. В качестве инструмента для прогнозирования он является полез­ным средством, когда продажи за один год могут быть сравнены с предыдущими годами с использованием трех критериев: месяч­ных данных, кумулятивных данных и скользящего среднего.

Объем продаж портфелей-дипломатов компании Office Goods Supplies Ltd приведен для каждого месяца 1998 и 1999 гг., и этого достаточно, как это можно увидеть в табл. 15.5, для того, чтобы получить все данные, необходимые для составления диаграммы Z. Цифры из табл. 15.5 в графическом виде представлены на рис. 15.5.

Скользящее годовое среднее по объему продаж получается за счет добавления результата за новый месяц и вычитания первого

Из предыдущих двенадцати месяцев. Кумулятивные продажи по­лучают, добавляя данные за очередной месяц к предыдущим. Нижняя линии диаграммы Z показывает ежемесячные продажи. Этот метод очень похож на предыдущий и может применяться для краткосрочных (до 1 года) прогнозов. Однако считать этот метод серьезным инструментом прогнозирования не стоит, так как его основное предназначение — сравнение.

Разное

В последнем параграфе кратко описываются два приема, которые хорошо подходят для компьютерного использования. Их применение зависит от наличия современных пакетов компьютерного программ­ного обеспечения, и если читатель хочет разобраться в этих приемах подробно, мы рекомендуем обратиться к специалисту по компьютер­ным программам, который может дать ему рекомендации по их при­менению, а также по степени точности их работы. Мы не собираемся здесь утверждать, что лицо, занимающееся прогнозированием (на­пример, менеджер по продажам), обязательно должен хорошо владеть этими приемами. Но все же необходимо знать об особенностях их применения в прогнозировании и степени точности.

Первый из этих приемов — метод Бокса—Дженкинса, названный по фамилиям людей, его разработавших (Box and Jenkins). Это разно­видность метода экспоненциального сглаживания, в котором приме­няются различные весовые коэффициенты к разным частям времен­ных серий. В случае использования этого метода компьютерный пакет выбирает ранние части временных серий, манипулирует ими и задает весовые коэффициенты с учетом известных результатов по продажам из последних составляющих временных рядов. Затем определяются те весовые коэффициенты, которые лучше всего соответствуют ситуации, и они применяются для прогнозирования последующих событий. Для кратко - и среднесрочного прогнозирования этот метод достаточно точный. Считается, что с появлением более мощных персональных компьютеров он будет использоваться все более активно.

Количественные методы (методы причинно-следственных зависимостей)

Индикаторы направленности

Этот метод прогнозирования старается выявить и определить линейную регрессионную зависимость между некоторыми измеря­емыми явлениями и то, в какой степени ее можно прогнозировать. Здесь не место для обсуждения приема линейной регрессии; и если читатель хочет изучить этот метод, то существуют хорошие учеб­ники по статистике, подробно объясняющие его и показывающие, как им следует пользоваться.

Лучший способ объяснить этот метод — это посмотреть, как он работает на простом примере. Например, объем продаж детских ве­лосипедов зависит от числа детей, и поэтому индикатором направ­ленности в деятельности производителя велосипедов являются ста­тистические данные по числу рождений младенцев. Производитель старается отыскать зависимость между двумя данными, например, числом родившихся детей и первыми их двухколесными велосипе­дами (известно, что такой велосипед, как правило, впервые покупа­ют ребенку в возрасте трех лет), т. е. именно число родившихся детей за три года до рассматриваемого периода и является индикатором направленности. Другими словами, первые велосипеды у детей по­явятся примерно через три года после их рождения.

Этот пример очевиден своей простотой, и существуют пакеты прогнозирования, позволяющие выбирать индикаторы направлен­ности, заранее, до времени фактических продаж, и на их основе вычислять будущие результаты. Одним из приемов при прогнози­ровании является подстановка вместо фактических результатов их индикаторов, которые наилучшим образом им соответствуют. Причем, по мере движения времени индикаторы постоянно уточ­няются. Когда наступает время реальных продаж, прогнозирова­ние на основе подстановки корректируется, чтобы учесть после­дние полученные результаты.

Этот более совершенный тип прогнозирования, который только что описан, известен как корреляционный анализ и используется для установления зависимости. Опять же, для более полного объяс­нения того, как он работает, и его приложений, мы отсылаем читателя к соответствующим учебникам по статистике.

Имитация

Этот подход к прогнозированию возможен только при широ­ком распространении цифровых компьютеров. Прогнозирование на основе индикаторов направленности устанавливает зависимость между некоторыми измеряемыми явлениями, в то время как ими­тация, чтобы установить прогнозную зависимость, прибегает к процессу итерации или приему проб и ошибок. При достаточно

Сложной проблеме прогнозирования (когда чаще всего этот прием применяется) число альтернативных возможностей и исходов становится огромным. Когда вероятности различных исходов из­вестны, этот прием называют имитацией Монте-Карло, в основе которой лежит предварительное вычисление вероятности наступ­ления какого-то события (не случайно, этот прием своими кор­нями уходит в вероятности, рассчитываемые для азартных игр).

Подробно объяснить этот прием, не прибегая к сложным ма­тематическим вычислениям, трудно. Достаточно будет, чтобы чи­татель знал о его существовании. Если требуется дополнительная информация по этому приему, следует получить консультацию у специалистов, профессионально занимающихся прогнозировани­ем, а чтобы успешно применить его на практике, обратитесь к соответствующим экспертам.

Модели диффузии

Большинство методов, которые обсуждались до сих пор, ис­пользовали в расчетах показатели прошлых продаж компании или отрасли, которые становились доступными раньше, чем вычисля­лись прогнозные показатели. Однако когда на рынок запускается новый продукт, или когда продукт не является разновидностью предыдущего, метод для оценивания объема продаж основывается на теории, которая называется диффузией инновации. Один из авторов этой книги уже занимался исследованием этой темы и подготовил прогноз для продаж видеомагнитофонов на основе модели диффузии (Lancaster and Wright, 1983).

Как и при использовании большинства приемов причинно-след­ственных зависимостей, в этом случае потребуется рекомендация специалиста. По своей сути это прием с использованием компьюте­ра, поскольку с вычислительной точки зрения является сложным.

В своей основе теория диффузии исходит из допущения, что новый продукт имеет четыре базовые составляющие:

•инновацию;

•коммуникацию об этой инновации среди отдельных людей; •социальную систему;

•время.

Теория утверждает, что инновацию можно категоризировать по одной из следующих группировок:

•постоянная;

•динамически постоянная;

•прерывистая.

Приведенный перечень группировок является иерархическим: чем ниже вы опускаетесь по нему, тем меньше степень инноваци­онное™. А это означает, что чем меньше степень инновационно­сти, тем вероятность ее признания будет также ниже. В первые дни появления нового продукта информация об этом должна быть доведена до возможно большего числа людей, особенно тех, кто скорее всего может повлиять на распространение инновации. Коммуникационный процесс разбивается на формальные и не­формальные составляющие. Именно эти два элемента входят в модель прогнозирования, которая может использоваться без нали­чия большого числа данных о предыдущих продажах. Формальные коммуникации контролируются компанией и включают такие дан­ные, как расходы на рекламу или на поддержку продаж для запуска новой продукции, а неформальная составляющая связана с такими аспектами, как влияние семьи или референтной группы.

После того как инновация запущена, необходимо измерение скорости ее адаптации, чтобы иметь возможность составить пра­вильный прогноз. Продукты рождаются, затем выходят на этап зрелости и в конце концов умирают, и поэтому для лица, занима­ющегося прогнозом и использующего этот метод, важно опреде­лить скорость адаптации новинки, знать хотя бы несколько дан­ных по продажам на этапе запуска продукта на рынок. Таким образом, прогноз может быть сделан всего лишь на основе не­большого количества данных, охватывающих начальный период запуска нового продукта на рынок. В данном случае, следователь­но, делается допущение, что новый продукт имеет цикл жизни и что вначале его принимают только любители новинок, за которы­ми следуют и остальные категории потребителей.

Использование компьютерного программного обеспечения дм прогнозирования объема продаж

Для целей прогнозирования специально разработано множество вариантов программного обеспечения. Проблема с такими програм­мами заключается в том, что они быстро устаревают, поэтому если вы предполагаете использовать программу, постарайтесь выбрать одну из самых последних. Ниже приводится ряд программ наиболее об­щего назначения, которые выдержали проверку временем.

EXEC*U*STAT компании Mercia Software Ltd. Пакет для об­работки статистических данных в области бизнеса, имеющий мощ­ный графический редактор, обеспечивающий получение графики высокого качества.

FOCA Timberlake компании Clark Ltd. Позволяет осуществлять современное количественное прогнозирование на основе времен­ных серий, используя экспоненциальное сглаживание, спектраль­ный анализ, метод Бокса — Дженкинса и адаптивное фильтрование.

MINITAB компании CLE. COM Ltd. Система анализа данных об­щего назначения, удобная для пользователя. Ее характерными черта­ми являются описательная статистика, регрессионный анализ с воз­можностями диагаостики, анализ остаточных явлений и обоснованных пошаговых процедур, анализ временных рядов, включающий приемы сильного сглаживания и операции Бокса — Дженкинса.

RATS компании Timberlake Clark Ltd. Эконометрический па­кет, позволяющий проводить анализ временных рядов; могут быть включены небольшой объем перекрестных данных и данных, по­лученных в ходе панельного исследования.

SAS/ETS компании SAS Software Ltd. Библиотека эконометричес­ких данных и временных рядов, на основе которых можно осуществ­лять прогнозирование, планирование и составление финансовых отче­тов. В нее включены процедуры для анализа временных рядов, системы имитирования линейных и нелинейных процессов, снятие сезоннос­ти; может использоваться для моделирования и планирования потков денежных средств, а также прогнозирования объема продаж.

SORITEC компании Timberlake Clark Ltd. Включает приемы линейного и нелинейного оценивания, одновременного нелиней­ного имитирования и выработки решений, язык полной обработки матриц и возможность оценивания переходных функций.

SPSS-PC+ компании SPSS (UK) Ltd. Пакет полного анализа интерактивных данных с возможностью полного редактирования результатов на экране, ввода дополнительных данных и их про­верки на соответствие, несколько процедур, используемых для аналитических целей и составления отчетов.

SPSS-X компании SPSS (UK) Ltd. Простой пакет для обработ­ки статистических данных и составления отчетов. В него включен широкий диапазон функций, позволяющих решать множество задач, начиная от проверки данных на соответствие до составле­ния самых разных таблиц, графиков и карт.

STATGRAPHICS компании Cocking & Drury Ltd. Статисти­ческий и графический пакет, включающий функции составления двухмерных и трехмерных графиков, описательные методы, оце­нивание и тестирование, проверку дистрибутивного соответствия, анализ данных, анализ отклонений, регрессионный анализ, анализ временных рядов, а также моделирование Бокса — Дженкин­

Са, мультивариантные и непараметрические методы и экспери­ментальное проектирование.

STATPAC GOLD компании Molimerx Ltd. Программа пакет­ной и интерактивной обработки с хорошей графикой, требующая меньше памяти, чем большинство других программ.

В этот список вошли только те пакеты, которые доступны пользователям в Великобритании; очень много аналогичных про­грамм разработано в США.

Выводы

В этой главе рассмотрена цель прогнозирования объема продаж и специально подчеркнуто, что эта функция возлагается на менеджеров по продажам. Показана важность процесса планирования: без обо­снованных точных прогнозов любое планирование окажется напрас­ным. Рассмотрены краткосрочные, среднесрочные и долгосрочные цели прогнозирования, а также показана полезность прогнозирова­ния для основных функций в сфере производства и обслуживания.

Прогнозирование рассмотрено в двух параграфах, где показа­ны некоторые качественные и количественные методы, причем последние разбиты на методы временных серий и методы при­чинно-следственных зависимостей. Приемы прогнозирования ка­чественного характера и методы обработки временных рядов объяс­нены достаточно подробно, на уровне, позволяющем читателю получить представление о том, как ими можно пользоваться на практике. Однако методы причинно-следственных зависимостей в значительной степени зависят от степени сложности применяе­мых математических вычислений. К этим методам дается поясне­ние, но не на уровне рабочих подробностей.

В следующей главе рассматриваются бюджеты продаж, для чего в качестве логического шага используются процедуры по прогно­зированию объема продаж.