Маркетинг и менеджмент в России и за рубежом
 Скачать 4.67 Mb.
|
|
7.3.1. Метод экспоненциального сглаживания Ниже рассматривается пример применение метода экспоненциального сглаживания при прогнозировании объема продаж, дающего возможность получить более точные оценки по сравнению с простым анализом трендов [14]. 297 Метод экспоненциального сглаживания используется для краткосрочного прогноза и основан на средневзвешенном значении продаж по определенному числу прошедших периодов. При этом наибольшие весовые коэффициенты придаются позднейшим продажам. Прогнозное зна- чение рассчитывается по формуле Константа сглаживания выбирается аналитиком итеративным способом в интервале от 0 до 1. Ее значение мало при малых изменениях продаж и приближается к 1 в случае сильных флуктуаций. Существуют компьютерные программы для определения этой константы. В качестве примера рассмотрим данные табл. 7.2. Проведена сезонная коррекция данных, с тем чтобы найти оптимальное значение константы сглаживания. С целью проверки предсказательной силы модели привлечены данные за 1992 г. Чтобы предсказать продажи в первом квартале 1992 г., нужно располагать сглаженными оценками продаж за предыдущие периоды. Например, сглаженная оценка за первый квартал 1988 г. соответствует Квартальные продажи с коррекцией влияния сезонности Это очень большая погрешность, что может быть объяснено малым значением константы а в условиях быстрого роста продаж. Если выбрать для а значение 0,80, то сглаженные продажи в 1991 г. составят 128,6, а ошибка прогноза не превысит 1,1%, что значительно лучше. Существуют и более сложные методы сглаживания, использующие несколько констант сглаживания. Их обзор дан в книге [42]. Главная слабость этих методов в том, что они не позволяют действительно «предсказать» эволюцию спроса, поскольку неспособны предвидеть какие-либо «поворотные точки». В лучшем 298 случае они способны быстро учесть уже произошедшее изменение. Поэтому их называют адап- тивной прогнозной моделью. Тем не менее для многих проблем управления такой «апостериорный» прогноз оказывается полезным при условии, что имеется достаточно времени для адаптации и факторы, определяющие уровень продаж, не подвержены резким изменениям. 7.3.2. Модифицированный метод парной регрессии Рассмотрим на примере выявления перспективного спроса на грузовики во Франции использование модифицированного метода парной регрессии [2]. Перспективный спрос на грузовики был выявлен с помощью модели, которая по сравнению с традиционными методами прогнозирования (экстраполяция тенденций, интуиция) обладает рядом преимуществ, так как позволяет: а) легко изменять с учетом новой информации первоначальные прогнозы; б) объяснить большую часть расхождений между прогнозами и реальностью по мере реализации первых; в) получить результат независимо от субъекта, занимающегося прогнозированием, т.е. данный метод почти не оставляет места для субъективизма. Статистические данные были взяты из ежегодно публикуемых Национальным институтом статистики и экономических исследований Франции новых номеров регистрации автомашин. Механографический код позволяет разделить на 6 классов все автомашины, рассматриваемые в этом исследовании: Тракторы грузоподъемностью более 10т На рис. 7.2 показано изменение в регистрации новых грузовиков во Франции за 13 лет до проведения исследования. Следует отметить, что при проведении подобных исследований базовый период времени должен быть достаточно длительным, чтобы отразить возможно большее число «инцидентов», связанных с колебаниями конъюнктуры, встречающимися на протяжении жизни товара. 299 Здесь кривая, отображающая общее число зарегистрированных машин, возрастает весьма хаотично. Колебания общих продаж вызваны не только изменениями темпа экономической активности, но также и важными изменениями в распределении рынка среди различных категорий машин. Эти явления обусловливают бесполезность попыток оценить общие тенденции рынка: например, при помощи простой экстраполяции. Однако предложенный метод прогнозирования помогает преодолеть эти трудности. С одной стороны, он позволяет путем введения общей расчетной единицы произвести сравнение между сбытом грузовиков разных категорий, а с другой стороны, связать полученные колебания в числе ежегодных регистрации с общими экономическими показателями. Для того чтобы сравнивать грузовики разных модификаций, нужно найти переменную, которая могла бы выразиться в величине, общей для всех машин. В качестве такой переменной рассматривалась тонна полезного груза, т.е. единица грузоподъемности; эта переменная характеризуется тем, что может легко использоваться в торговом обороте, так как продажная цена грузовика относительно тонны полезного груза практически является постоянной для всех грузовиков. На основе этой переменной был рассчитан показатель I t характеризующий число регистрации за год в тыс. т полезного груза. Этот показатель вычисляется на основе регистрации и средней величины грузоподъемности по классу тоннажа. Указанные вычисления представляют собой довольно трудную задачу, поскольку работа должна быть сделана с помощью сходных статистических данных по каждому типу грузовика. Независимая переменная определена с помощью агрегированных показателей национальных счетов: валовой национальный продукт, валовые вложения в основной капитал, национальный доход... Таким образом, выбор экономического показателя (независимая переменная) был сделан с учетом, с одной стороны, природы самого товара (грузовик можно рассматривать как промежуточный продукт в производственном процессе или же как инвести- ционный товар), с другой стороны, интенсивности связей между переменной величиной и экономическим показателем. 300 Рис. 7.3, Изменение числа регистрации в зависимости от избранного экономического показателя На рис. 7.3 были перенесены данные о регистрации (в тоннах полезного груза) за годы с 1- го по 13-й в зависимости от выбранного экономического показателя (в постоянных ценах 7-го года). Обе переменные тесно связаны, и вычисление методом наименьших квадратов дает коэф- фициент корреляции 0,964. Итак, данные об осуществленных регистрациях распределены вокруг прямой, выраженной уравнением где I t — число регистрации года в тыс. т полезного груза (в соответствии с замечанием, сделанным ранее, I t пропорциональна сумме продаж грузовиков, что, таким образом, предполагает одинаковую размерность обоих членов уравнения), а E t обозначает выбранный экономический показатель года в млрд. новых франков. Связь между I t и E t тесная, но существуют и значительные расхождения (более чем на 10%) за некоторые годы, и желательно улучшить это соотношение. На рис. 7.3 видно, что эта связь подчиняется «закону» циклических колебаний относительно общей прямой, а именно: точка, соот- ветствующая первому году, находится над прямой; точки 2, 3, 4, 5 — под прямой; точки 6, 7, 8 — над прямой; точки 9, 10, 11, 12 — под прямой; точка 13 — над прямой. Эта констатация заставляет ввести в модель дополнительную переменную, позволяющую отразить эти колебания. Было рассмотрено два решения. Первое — принимать в расчет «цикл грузовика». После периода, в течение которого новые поступления в парк превышают среднюю норму, наступают годы, когда поступления ниже нормы, т.е. покупатели, по-видимому, реагируют с некоторой отсрочкой (в 3—4 года) на избыточное или недостаточное оснащение грузовиками. Избранная модель предполагает учет циклической составляющей при расчете уравнения регрессии, соответствующего наилучшей корректировке. Вот это уравнение: у = 2,99х — 83,0 с коэффициентом корреляции для 9 точек, равным 0,989. Второе — ввести в модель коэффициент «акселерации», отметив, что поступления в парк выше нормы тех лет, когда увеличение экономического показателя само выше средней величины. На практике это соответствует следующему явлению: покупатели грузовиков, реагируя на ко- лебания экономики, по-видимому, склонны преувеличивать реальные тенденции — как в период роста (повышенное число регистрации в год 8-й и в год 13-й), так и и период спада (слабый сбыт в 3, 5 и 10-м годах). Используемый показатель равен тогда уже не E t , но Соответствующее уравнение регрессии при той же системе обозначений, что и раньше, будет 301 Коэффициент корреляции, рассчитанный для 13 точек, будет г= 0,989. В дальнейшем была использована модель с «циклом», т.е. метод вычисления с учетом данных регистрации за годы, предшествующие изучаемому году; а также модель с «акселератором», т.е. метод вычисления, вводящий экономический показатель в виде Результаты, полученные при помощи этих двух методов, проиллюстрированы на рис. 7.4. Результаты этого сравнения показывают, что относительные расхождения между рассчитанными и реально наблюдаемыми величинами обычно ниже 5% и достигают величин между 5 и 10% лишь в периоды резкого изменения конъюнктуры: 5, 8, 9, 11-й годы. Рис. 7.4. Сравнение числа реальных регистрации грузовиков с числом регистрации, рассчитанным по модели Кривые, отражающие колебания рассчитанного числа регистрации, отражают колебания кривой реальных регистрации и сглаживают лишь резкие изменения. Расчет общего перспективного сбыта грузовиков грузоподъемностью более 3 т производился в два этапа; — расчет перспективной регистрации на среднесрочный период в тоннах полезного груза; — переход от оценок грузоподъемности к оценкам численности машин. Период, избранный для прогнозирования на среднесрочный период регистрации в тоннах полезного груза, — это год плюс пять. Применение описанных моделей для прогнозирования возможно лишь тогда, когда некоторые гипотезы проверены. Имеются в виду структурные гипоте- зы, предполагающие в будущем постоянство связей, наблюдаемых в прошлом между переменной, требующей объяснений, и переменными, при помощи которых ее объясняют. Это гипотезы, касающиеся транспортного законодательства (согласование железнодорожного и транспортного законодательства, технические характеристики, определенные Правилами дорожного движения), изменений в распределении грузопотоков между автомобильным, железнодорожным и водным транспортом, и, естественно, политические или экономические события. Изучение этих вопросов позволяет более точно прогнозировать развитие рынка грузовых машин. Оценка регистрации числа грузовиков в будущем основывалась на том, что средний размер полезного груза грузовиков и тракторов грузоподъемностью более 3 т регулярно повышался от года 1-го до года 13-го. С одной стороны, это объясняется техническим прогрессом, который позволяет конструкторам получать все более и более высокие значения отношения полезного груза к общему весу; с другой стороны — стремлением заказчиков получать машины все большей мощности. Однако грузоподъемность машин ограничена требованиями Правил дорожного движения. 302 Эти соображения позволили оценить средние величины полезного груза машин, которые будут зарегистрированы в ближайшие 5 лет, и выработать для автомобильной промышленности производственную политику на средний срок, уточнить типы и количество техники, которую надо изготовить. 7.3.3. Динамическая модель множественной регрессии В порядке ознакомления с возможностями использования при проведении маркетинговых исследований более сложных методов математической статистики рассмотрим динамическую модель множественной регрессии, используемую для оценки и прогнозирования спроса на большегрузные транспортные средства на европейском рынке [45]. Была выбрана следующая функция спроса: Спрос = F (производство, учетная процентная ставка, цена, погрешность), где спрос (Q) — ежемесячный объем заказов на грузовики грузоподъемностью 15 т и выше; производство — месячный индекс промышленного производства; процент — гарантированная месячная учетная процентная ставка по государственным обязательствам; цена — индекс цены на дизельное топливо. Рассматриваемая модель является динамической; она следующим образом описывает структуру реакции рынка: — переменная «производство» (Пр) вводится в форме модели с запаздыванием, описываемым убывающим геометрическим распределением с коэффициентом переноса при переходе от t к t—k, равным 0,4557; — переменная «процент» входит в модель с запаздыванием, равным восьми месяцам; это указывает на то, что время проявления эффекта изменения процентной ставки составляет восемь месяцев (уровень задержки был определен экспериментально); — переменная «цена», аналогичным образом, действует с запаздыванием, равным восьми месяцам; — член «погрешность» также имеет динамическую структуру в том смысле, что представляет собой взвешенную сумму трех погрешностей по указанным переменным (U) и чисто случайной составляющей (е). Уравнение спроса, полученное числовым методом по критерию максимального правдоподобия, имеет вид Качество модели оценивается с помощью обычных статистических показателей. Коэффициент детерминированности равен в данном случае 0,865. Все значения t-критериев, измеряющих точность коэффициентов регрессии, являются значимыми на уровне 5% и выше. Поскольку речь идет об эластичности, коэффициенты допускают прямую интерпретацию. Так, например: — кумулятивный общий эффект переменной «промышленное производство» равен 3,2114; это означает, что рост промышленного производства на 1% приводит к росту числа заказов на 3,2%; — эффект понижения учетной процентной ставки на 10% приводит, с восьмимесячным запаздыванием, к повышению спроса на грузовики на 1,9%; — эффект повышения цены дизельного топлива на 10% через восемь месяцев приводит к падению спроса на грузовики на 4,8%. Сравнение наблюдаемых и рассчитанных по модели объемов продаж показало высокую ее точность, что позволило ее использовать в целях прогнозирования объема продаж большегрузных транспортных средств. 303 7.3.4. Метод ведущих индикаторов Ведущие индикаторы — показатели или их временные ряды, изменяющиеся в том же направлении, что и исследуемый показатель, но опережая его по времени, например, рост показателей жизненного уровня опережает показатель роста спроса. Таким образом, изучая динамику изменения показателей жизненного уровня, можно сделать выводы о возможном изменении показателя спроса на определенную продукцию. При оценке рыночного потенциала территорий, зон, регионов или стран часто используют индикаторы покупательной способности. Цель при этом состоит в измерении привлекательности рынка по средневзвешенному значению трех ключевых компонентов любого потенциала рынка, т.е.: — количества потребляющих единиц; — покупательной способности этих потребляющих единиц; — готовности этих потребляющих единиц к расходам. Статистические индикаторы этих трех переменных определяются для выбранной территориальной базы (страна, область, район, город), после чего определяется средневзвешенный индекс для каждой зоны. Существует два подхода к его определению: использовать стандартный индекс покупательной способности (ИПС), который предлагают фирмы по изучению рынка, или построить индекс специально для анализируемого сектора или гаммы товаров. Стандартные ИПС обычно основаны на трех следующих индикаторах: Весовые коэффициенты в этой формуле соответствуют используемым в американском журнале «Sales Marketing Manadgment», который ежегодно публикует ИПС для различных регионов США. Эти коэффициенты определены эмпирически с использованием регрессионного анализа и в основном применимы к товарам массового спроса. Аналогичные индексы публикуются и в Европе, например изданиями «Чейз Эконометрикс» (для регионов ЕС) и «Бизнес Интернэшнл» для 117 стран во всем мире. В случае необходимости можно применять другие коэффициенты. Специальные индексы ИПС основываются на тех же составляющих потенциала рынка, но используют индикаторы, лучше адаптированные к исследуемой области деятельности, с дополнительным привлечением индикаторов, характеризующих местные условия. Пример такого индекса приведен в табл. 7.3. Таблица 7.3 Оценка продаж безалкогольных напитков по территориям 304 Исследуется рынок безалкогольных напитков. Индикаторы, использованные для расчета ИПС, — это число семей с детьми, уровень дохода и число отелей, ресторанов и кафе. Индекс ИПС рассчитывается как средневзвешенное значение этих трех индикаторов (выраженных в процентах) по каждой из 14 территорий. Его предсказательная способность проверена сопоставлением индекса ИПС с объемом продаж по каждой территории. ИПС согласно таблице применен для оценки проникновения марки А на каждую территорию. Чтобы оценить потенциал каждой территории, сначала рассчитывают «наблюдаемую» долю рынка, которую сравнивают с «ожидаемой», рассчитанной как произведение ИПС и ожидаемого объема продаж марки по всей стране. Показатель эффективности позволяет оценить масштабы проникновения марки с учетом дополнительных факторов типа остроты локальной конкуренции, срока присутствия на территории и т.д. Индекс такого типа можно также применять для распределения расходов на маркетинг между различными территориями. 7.3.5. Использование кривых жизненного цикла Для прогнозирования развития спроса и определения потенциала рынка может использоваться кривая жизненного цикла. В этом случае в качестве потенциала рынка рассматривается рыночный спрос товара, вступившего в фазу зрелости своего жизненного цикла. Из результатов изучения жизненного цикла обычно вытекают рекомендации по выработке маркетинговых стратегий, комплекса маркетинга и организации маркетинговых служб. Однако, несмотря на популярность теории жизненного цикла продукта, нет свидетельств, подтверждающих, что большинство продуктов проходят типичный четырехфазовый цикл (раздел 1.2.1). Нет также свидетельств того, что поворотные моменты различных фаз жизненного цикла в той или иной степени предсказуемы. Кроме того, в зависимости от того, какой смысл вкладывается в понятие «продукт», можно рассматривать различные типы кривых жизненного цикла. Прежде всего следует помнить, что исследование рынка начинается не с продукта, а с потребностей потребителей. Например, потребители испытывают потребность в транспорте (рис. 7.5). Подобные потребности могут оставаться постоянными, расти от столетия к столетию и никогда могут не достичь фазы падения. Потребность в транспорте конкретизируется в спросе на определенные технологические 305 способы ее удовлетворения (от кареты с лошадьми до автомобиля и других современных транспортных средств). Жизненный цикл технологических способов, хотя и короче, чем потреб- ностей, но может быть чрезвычайно продолжительным. (В целях упрощения на рис. 7.5 изображены только отдельные кривые жизненных циклов.) Технологические способы могут реализовываться с помощью различных конкретных технико-технологических решений. Например, в автомобилях могут использоваться паровые, поршневые, турбинные, электрические двигатели, которые также имеют свой жизненный цикл. Радиопередающие устройства последовательно использовали электронные лампы, полупроводники, интегральные схемы. Под каждой такой кривой скрыта серия кривых жизненного цикла отдельных технико-технологических новшеств, скажем, различных типов двигателей внутреннего сгорания. Эти кривые жизненного цикла могут быть очень короткими и, несомненно, они имеют тенденцию к укорачиванию. |