Обзор количественных методов

Существуют два основных подхода к прогнозированию, так же как существуют два пути, принадлежащих всему моделированию решений. Первый — это количественный анализ; другой — каче­ственный подход. Количественные прогнозы используют варианты математических моделей, чтобы на основе прошлых данных и/или случайных переменных прогнозировать спрос. Субъективные, или качественные, прогнозы включают важные факторы, такие как интуицию принимающих решения, эмоции, личный опыт и сис­тему ценностей, обогащающих прогноз. Одни фирмы используют один подход, другие используют другой, но на практике комбина­ция, или смешивание, двух стилей является обычно наиболее эффективной.

В этой главе мы обращаемся к пяти методам количественного прогнозирования:

1. Простейший метод

2. Метод меняющегося среднего Модели временных серий

3. Экспоненциальное сглаживание

4. Трендовое регулирование

5. Линейная регрессия } Причинная модель

Модели временных серий. Первые четыре из перечисленных называются моделями временных серий. Они предсказывают на базе предположения, что будущее есть функция прошлого. Други­ми словами, мы видим, что случилось за истекший период време­ни и используем серию прошлых данных, чтобы сделать прогноз. Если мы предсказываем недельные продажи газонокосилок, мы используем прошлые недельные продажи газонокосилок, делая прогноз.

Причинные модели. Линейная регрессия, причинная модель, объединяет в модели переменные, или факторы, которые могут влиять на количество в будущем периоде. Причинная модель для продаж газонокосилок может включать такие факторы, как новое начавшееся строительство домов, затраты на рекламу и цены конкурентов.

В большинстве реальных моделей прогнозирующие предпола­гают, что случайные вариации усредняются за рассматриваемый период. Тогда они концентрируют внимание только на сезонных компонентах и компонентах, которые являются комбинацией тренда и циклических факторов.

Простейший метод. Простейший (наивный) метод прогноза предполагает, что спрос в следующем периоде эквивалентен спро­су в большинстве текущих периодов. Другими словами, если продажи товара, скажем, сотовых телефонов, были 68 единиц в январе, мы можем прогнозировать, что февральские продажи также будут 68 единиц. Является ли такой подход имеющим смысл? Он оказывается приемлемым для таких производственных линий, которые, выбирая простейший подход, получают эффек­тивные по затратам модели прогнозирования. Это, по крайней мере, требует анализа более сложных моделей, которые далее могут быть применены (см. табл. 4.1 в конце этой главы с широ­ким обзором этой и других моделей, обсуждаемых в главе 4).

Метод меняющегося среднего. Метод меняющегося среднего успешно применим, если мы можем предположить, что рыночный спрос будет довольно стабильным в данном периоде. Четырехме­сячное меняющееся среднее находят простым суммированием спроса в течение последних четырех месяцев и делением на четыре. С каждым следующим месяцем текущие месячные данные суммируются с предыдущими данными трех месяцев, а самый ранний месяц вычеркивается. Этот подход сглаживает на кратко­срочном периоде нерегулярности в сериях данных.

Математически простая меняющаяся средняя (которая слу­жит как прогноз спроса на следующий период) определяется фор­мулой

где п — это число периодов в меняющейся средней, например, четыре, пять или шесть месяцев назад для четырех-, пяти- или шестимесячной меняющейся средней.