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
Таблица 15.1. Компания Office Goods Supplies Ltd: годовые продажи портфелей-дипломатов, скользящие средние
|
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
1174 1121 1015 919 = 804 839 940 995 1044 1066 1090 1107 1161 1185 1248 1248 1287 |
} - |
|
|
|
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.
Таблица 15.3. Office Goods Supplies Ltd: сумма ежеквартальных отклонений от тренда
|
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.
Таблица 15.4. Компания Office Goods Supplies Ltd: показатели прогнозного тренда и вычисленных отклонений от тренда
|
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
Табл. 15.5. Компания Office Goods Supplies Ltd: ежемесячный объем продаж портфелей-дипломатов за 1998 /1999 гг.
|
Янв Фев Март Апрель Май Июнь Июль Авг Сен Окт Нояб Дек |
Рис. 15.5. Компания Office Goods Supplies Ltd: ежемесячный объем продаж портфелей-дипломатов, диаграмма Z |
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.
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.