Прогнозирование спроса

Оценка потребительского спроса

Прогнозирование спроса — это прогнозирование количества товаров и услуг, которые будут востребованы потребителями в определенный момент времени в будущем. ^[1] Более конкретно, методы прогнозирования спроса подразумевают использование предиктивной аналитики для оценки спроса клиентов с учетом ключевых экономических условий. Это важный инструмент оптимизации прибыльности бизнеса за счет эффективного управления цепочкой поставок. Методы прогнозирования спроса делятся на две основные категории: качественные и количественные методы. Качественные методы основаны на мнении экспертов и информации, собранной на местах. Этот метод в основном используется в ситуациях, когда для анализа доступно минимальное количество данных, например, когда бизнес или продукт недавно были выведены на рынок. Количественные методы, однако, используют имеющиеся данные и аналитические инструменты для составления прогнозов. Прогнозирование спроса может использоваться при распределении ресурсов, управлении запасами, оценке будущих потребностей в мощностях или принятии решений о выходе на новый рынок . ^[2]

Важность прогнозирования спроса для бизнеса

Прогнозирование спроса играет важную роль для предприятий в различных отраслях, особенно в отношении снижения рисков, связанных с определенными видами деятельности. Однако прогнозирование спроса, как известно, является сложной задачей для предприятий из-за сложности анализа, особенно количественного анализа. ^[3] Тем не менее, понимание потребностей клиентов является неотъемлемой частью любой отрасли для того, чтобы деловая активность была реализована эффективно и более адекватно отвечала потребностям рынка. Если предприятия способны эффективно прогнозировать спрос, можно получить несколько преимуществ. К ним относятся, помимо прочего, сокращение отходов, оптимизированное распределение ресурсов и потенциально большой рост продаж и доходов.

Развивая вышесказанное, вот некоторые причины, по которым предприятиям необходимо прогнозирование спроса:

1. Достижение целей - Большинство успешных организаций будут иметь заранее определенные траектории роста и долгосрочные планы, чтобы гарантировать, что бизнес работает с идеальным результатом. Имея понимание будущих рынков спроса, компании могут быть активными в обеспечении того, чтобы цели были достигнуты в этой бизнес-среде.
2. Бизнес-решения - В отношении достижения целей, имея полное понимание будущего спроса в отрасли, руководство и ключевые члены совета директоров могут принимать стратегические бизнес-решения, которые способствуют повышению прибыльности и росту. Эти решения обычно связаны с концепциями мощности, рыночного таргетинга, приобретения сырья и понимания направления контракта с поставщиком.
3. Рост . Имея точное представление о будущих прогнозах, компании могут оценить потребность в расширении в сроки, которые позволят им сделать это экономически эффективно. ^[4]
4. Управление человеческим капиталом . Если в отрасли наблюдается быстрый рост спроса, но у компании недостаточно сотрудников для удовлетворения заказов на продажу, это может отрицательно сказаться на лояльности потребителей, поскольку клиенты будут вынуждены покупать у конкурентов. ^[5]
5. Финансовое планирование . Крайне важно понимать прогнозы спроса, чтобы эффективно планировать будущие операции с точки зрения таких факторов, как денежный поток, учет запасов и общие эксплуатационные расходы. ^[6] Использование точной модели прогнозирования спроса может привести к значительному снижению эксплуатационных расходов для предприятий, посколькутребуется хранить меньший резервный запас . ^[7]

Методы прогнозирования спроса

Для прогнозирования спроса используются различные статистические и эконометрические анализы. ^[8] Прогнозирование спроса можно разбить на семь этапов, эти семь этапов описываются следующим образом:

Этап 1: Изложение теории или гипотезы

Первый шаг к прогнозированию спроса — определить набор целей или информации для выведения различных бизнес-стратегий. Эти цели основаны на наборе гипотез, которые обычно исходят из смеси экономической теории или предыдущих эмпирических исследований. Например, менеджер может захотеть найти оптимальную цену и объем производства для нового продукта, основываясь на том, как эластичность спроса повлияла на прошлые продажи компании.

Этап 2: Спецификация модели

Существует множество различных эконометрических моделей, которые различаются в зависимости от анализа, который хотят выполнить менеджеры. Тип модели, выбранной для прогнозирования спроса, зависит от множества различных аспектов, таких как тип полученных данных или количество наблюдений и т. д. ^[9] На этом этапе важно определить тип переменных, которые будут использоваться для прогнозирования спроса. Регрессионный анализ является основным статистическим методом прогнозирования. Существует множество различных типов регрессионного анализа, но по сути они обеспечивают анализ того, как одна или несколько переменных влияют на измеряемую зависимую переменную. Примером модели для прогнозирования спроса является регрессионная модель прогнозирования спроса М. Рудмана (1986) для измерения влияния сезонности на измеряемую точку данных. ^[10] Модель была основана на линейной регрессионной модели и используется для измерения линейных трендов на основе сезонных циклов и их влияния на спрос, т. е. сезонного спроса на продукт на основе продаж летом и зимой.

Модель линейной регрессии описывается следующим образом:

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i}+e}$

Где — зависимая переменная, — свободный член, — коэффициент наклона, — независимая переменная, а e — ошибка. ${\displaystyle Y_{i}}$ ${\displaystyle \beta _{0}}$ ${\displaystyle \beta _{1}}$ ${\displaystyle X_{i}}$

Модель прогнозирования спроса М.Рудмана основана на линейной регрессии и описывается следующим образом:

${\displaystyle \lambda _{q}=\{t\mid t=1,\dots ,n{\text{ and }}t{\bmod {Q}}=q\}\qquad q=1,\dots ,Q}$

${\displaystyle \lambda _{q}}$определяется как набор всех t  - индексов для квартала q . Процесс, который генерирует данные для всех периодов t  , попадающих в квартал q,  задается как:

${\displaystyle Y_{t}=(\beta +\tau \times t)\times \sigma _{q}+e}$

• ${\displaystyle Y_{t}}$= данные за период
• β = базовый спрос в начале временного ряда
• τ = линейный тренд за квартал
• ${\displaystyle \sigma _{q}}$= мультипликативный сезонный фактор для квартала
• e = возмущающий член

Этап 3: Сбор данных

После того, как тип модели указан на этапе 2, необходимо указать данные и метод сбора данных. Сначала необходимо указать модель, чтобы определить переменные, которые необходимо собрать. И наоборот, при выборе желаемой модели прогнозирования необходимо рассмотреть имеющиеся данные или методы сбора данных, чтобы сформулировать правильную модель. Сбор Данные временных рядов и перекрестные данные — это различные методы сбора, которые могут использоваться. Данные временных рядов основаны на исторических наблюдениях, проведенных последовательно во времени. Эти наблюдения используются для получения соответствующих статистических данных, характеристик и понимания данных. ^[11] Точками данных, которые можно собрать с использованием данных временных рядов, могут быть продажи, цены, производственные затраты и соответствующие им временные интервалы, т. е. еженедельно, ежемесячно, ежеквартально, ежегодно или любой другой регулярный интервал. Перекрестные данные относятся к данным, собранным по одному субъекту в разные периоды времени. Перекрестные данные, используемые при прогнозировании спроса, обычно отображают точку данных, собранную у отдельного лица, фирмы, отрасли или области. Например, продажи для фирмы A в течение квартала 1. Этот тип данных инкапсулирует множество точек данных, которые привели к конечной точке данных. Подмножество точек данных может быть ненаблюдаемым или невыполнимым для определения, но может быть практическим методом для добавления точности в модель прогнозирования спроса. ^[12] Источник данных можно найти в записях фирмы, коммерческих или частных агентствах или официальных источниках.

Этап 4: Оценка параметров

После получения модели и данных значения можно вычислить, чтобы определить влияние независимых переменных на зависимую переменную в фокусе. Используя модель линейной регрессии в качестве примера оценки параметров, предпринимаются следующие шаги:

Формула линейной регрессии:

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i}+e}$

Первый шаг — найти линию, которая минимизирует сумму квадратов разности между наблюдаемыми значениями зависимой переменной и подобранными значениями из линии. ^[8] Это выражается как , которая минимизирует и , подобранное значение из линии регрессии. ${\displaystyle {\hat {Y}}_{i}=\beta _{0}+\beta _{1}{X_{i}}}$ ${\displaystyle \Sigma (Y_{i}-{\hat {Y_{i}}})^{2}}$ ${\displaystyle {\hat {Y_{i}}}=\beta _{0}}$

${\displaystyle \beta _{0}}$и также должны быть представлены для нахождения пересечения и наклона линии. Метод определения и заключается в использовании частного дифференцирования относительно обоих и путем приравнивания обоих выражений к нулю и их одновременного решения. Метод исключения этих переменных описан ниже: ${\displaystyle \beta _{1}}$ ${\displaystyle \beta _{0}}$ ${\displaystyle \beta _{1}}$ ${\displaystyle \beta _{0}}$ ${\displaystyle \beta _{1}}$

${\displaystyle {\begin{aligned}\beta _{1}&={\frac {n\Sigma XY-\Sigma X\Sigma y}{n\Sigma X^{2}-(\Sigma X)^{2}}}\\\beta _{0}&={\frac {\Sigma Y}{n}}-{\frac {\beta _{1}\Sigma X}{n}}\end{aligned}}}$

Этап 5: Проверка точности модели

Расчет точности прогноза спроса — это процесс определения точности прогнозов, сделанных относительно спроса клиентов на продукт. ^{[13] [14]} Понимание и прогнозирование спроса клиентов жизненно важно для производителей и дистрибьюторов, чтобы избежать дефицита и поддерживать адекватные уровни запасов. Хотя прогнозы никогда не бывают идеальными, они необходимы для подготовки к фактическому спросу. Для поддержания оптимизированного запаса и эффективной цепочки поставок точные прогнозы спроса являются обязательными.

Расчет точности прогнозов цепочки поставок

Точность прогноза в цепочке поставок обычно измеряется с помощью средней абсолютной процентной ошибки или MAPE. Статистически MAPE определяется как среднее значение процентных ошибок.

Однако большинство практиков определяют и используют MAPE как среднее абсолютное отклонение, деленное на средние продажи, что является просто взвешенным по объему MAPE, также называемым отношением MAD/Mean. Это то же самое, что и деление суммы абсолютных отклонений на общий объем продаж всех продуктов. Этот расчет , где A — фактическое значение, а F — прогноз, также известен как WAPE или взвешенная абсолютная процентная ошибка. ${\displaystyle {\frac {\sum {|A-F|}}{\sum {A}}}}$

Другой интересный вариант — весовой . Преимущество этого показателя в том, что он может взвешивать ошибки. Единственная проблема в том, что для сезонных продуктов вы создадите неопределенный результат, когда продажи = 0, и это не симметрично. Это означает, что вы можете быть гораздо более неточны, если продажи выше, чем если они ниже прогноза. Поэтому sMAPE, также известный как симметричная средняя абсолютная процентная ошибка, используется для исправления этого. ${\displaystyle {\text{MAPE}}={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}}$

Наконец, для прерывистых моделей спроса ни одна из вышеперечисленных не является особенно полезной. В этой ситуации бизнес может рассмотреть MASE (средняя абсолютная масштабированная ошибка) в качестве ключевого показателя эффективности для использования. Однако использование этого расчета является сложным, поскольку он не столь интуитивно понятен, как вышеупомянутые. ^[15] Еще одна метрика, которую следует учитывать, особенно когда имеются прерывистые или неоднородные модели спроса, — это SPEC (стоимость ошибки прогнозирования, ориентированная на хранение запасов). ^[16] Идея этой метрики заключается в сравнении прогнозируемого спроса и фактического спроса путем вычисления теоретических понесенных затрат в течение прогнозного горизонта. Она предполагает, что прогнозируемый спрос выше фактического спроса приводит к расходам на хранение запасов, тогда как прогнозируемый спрос ниже фактического спроса приводит к альтернативным издержкам . SPEC учитывает временные сдвиги (прогнозирование до или после фактического спроса) или аспекты, связанные со стоимостью, и позволяет сравнивать прогнозы спроса на основе бизнес-аспектов.

Расчет ошибки прогноза

Ошибку прогноза необходимо рассчитать, используя фактические продажи в качестве базы. Существует несколько форм методов расчета ошибки прогноза, а именно: средняя процентная ошибка , среднеквадратичная ошибка , отслеживающий сигнал и смещение прогноза .

Этап 6: Проверка гипотезы

После определения модели она используется для проверки теории или гипотезы, изложенной на первом этапе. Результаты должны описывать то, чего пытаются достичь, и определять, верна или ложна теория или гипотеза. В отношении примера, представленного на первом этапе, модель должна показывать взаимосвязь между эластичностью спроса на рынке и корреляцией, которую она имеет с прошлыми продажами компании. Это должно позволить менеджерам принимать обоснованные решения относительно оптимальной цены и уровня производства для нового продукта.

Этап 7: Прогнозирование

Последний шаг — прогнозирование спроса на основе созданного набора данных и модели. Для прогнозирования спроса используются оценки выбранной переменной для определения ее влияния на спрос. Что касается оценки выбранной переменной, можно использовать регрессионную модель или реализовать как качественные, так и количественные оценки. Примерами качественных и количественных оценок являются:

Качественная оценка

• Непосредственное суждение
• Маркетинговые исследования
• Метод Дельфи
• Теория игр
• Оценочный бутстрэппинг
• Имитация взаимодействия
• Опрос намерений и ожиданий
• жюри исполнительного метода

Количественная оценка

• Дискретное событийное моделирование
• Экстраполяция
• Групповой метод обработки данных (ГМОД)
• Прогнозирование эталонного класса
• Количественные аналогии
• Прогнозирование на основе правил
• Распространение инноваций
• Нейронные сети
• Сбор данных
• Совместный анализ
• Причинно-следственные модели
• Сегментация
• Модели экспоненциального сглаживания
• Модели Бокса–Дженкинса
• Гибридные модели

Другие

Другие включают в себя:

1. 

   скользящая средняя
   Методы проекции временных рядов
   
   • Метод скользящей средней
   • Метод экспоненциального сглаживания
   • Методы прогнозирования тренда
2. 

   опережающий индикатор
   Методы причинно-следственной связи
   • Метод цепного отношения
   • Метод уровня потребления
   • Метод конечного использования
   • Метод опережающего индикатора

Смотрите также

• Спрос и предложение
• Цепочка спроса
• Моделирование спроса
• Эластичность спроса
• Инвентаризация § Принцип пропорциональности инвентаризации
• Прогнозирование эталонного класса
• Консенсусные прогнозы
• Оптимистический уклон
• Бюджет производства
• Риск объема

Ссылки

1. Акар, А. Зафер; Йылмаз, Бехлюль; Коджаоглу, Батухан (2014-06-16). «ПРОГНОЗ СПРОСА, СОВРЕМЕННЫЕ МОДЕЛИ И ПРЕДЛОЖЕНИЯ ПО УЛУЧШЕНИЮ НА ПРИМЕРЕ БИЗНЕСА» (PDF) . Журнал глобального стратегического управления . 1 (8): 26–26. doi :10.20460/JGSM.2014815650. ISSN  1307-6205.
2. Адхикари, Нимай Чанд Дас; Домаконда, Нишант; Чандан, Чинмая; Гупта, Гаурав; Гарг, Раджат; Теджа, С.; Дас, Лалит; Мисра, Ашутош (2019), Смис, С.; Бестак, Роберт; Чен, Джой Ионг-Зонг; Котулиак, Иван (ред.), «Интеллектуальный подход к прогнозированию спроса», Международная конференция по компьютерным сетям и коммуникационным технологиям , т. 15, Сингапур: Springer Singapore, стр. 167–183, doi :10.1007/978-981-10-8681-6_17, ISBN 978-981-10-8680-9, получено 2023-04-27
3. Иванов, Дмитрий; Ципуланидис, Александр; Шёнбергер, Йорн (2021), Иванов, Дмитрий; Ципуланидис, Александр; Шёнбергер, Йорн (ред.), «Прогнозирование спроса», Глобальное управление цепочками поставок и операциями: ориентированное на принятие решений введение в создание стоимости , Cham: Springer International Publishing, стр. 341–357, doi :10.1007/978-3-030-72331-6_11#doi, ISBN 978-3-030-72331-6, получено 2023-04-27
4. "Прогнозирование спроса: отраслевое руководство". Demand Caster.
5. "Преимущества прогнозирования спроса". Small Business - Chron.com . Получено 2023-04-27 .
6. Диезхандино, Эрнесто (2022-07-04). «Важность и преимущества прогнозирования спроса клиентов». Keepler | Cloud Data Driven Partner . Получено 2023-04-27 .
7. Хамиш, Куссайла; Абуаисса, Хассан; Гонсалвес, Жиль; Сю, Тиенте (01.01.2018). «Надежный и простой подход к прогнозированию спроса в цепочках поставок». IFAC-PapersOnLine . 16-й симпозиум IFAC по проблемам управления информацией в производстве INCOM 2018. 51 (11): 1732–1737. doi : 10.1016/j.ifacol.2018.08.206 . ISSN  2405-8963.
8. Wilkinson, Nick (2005-05-05). Управленческая экономика: подход к решению проблем (1-е изд.). Cambridge University Press. doi : 10.1017/cbo9780511810534.008. ISBN 978-0-521-81993-0.
9. Суханова*, EI; Ширнаева, SY; Зайчикова, NA (2019-03-20). «Моделирование и прогнозирование финансовых показателей бизнеса: статистический и эконометрический подход». Европейские труды социальных и поведенческих наук . Cognitive-Crcs: 487–496. doi :10.15405/epsbs.2019.03.48. S2CID  159058405.
10. Рудман, Гэри М. (1986). «Экспоненциально сглаженный регрессионный анализ для прогнозирования спроса». Журнал управления операциями . 6 (3–4): 485–497. doi :10.1016/0272-6963(86)90019-7.
11. Нган, Чун-Кит, ред. (2019-11-06). Анализ временных рядов — данные, методы и приложения. IntechOpen. doi :10.5772/intechopen.78491. ISBN 978-1-78984-778-9. S2CID  209066704.
12. Джонстон, Ричард GC; Брэди, Генри Э. (2006). Capturing Campaign Effects. Энн-Арбор: University of Michigan Press. ISBN 978-0-472-02303-5.
13. Хайндман, Р. Дж., Келер, А. Б. (2005) «Еще один взгляд на показатели точности прогнозов», Университет Монаша.
14. Гувер, Джим (2009) «Как отслеживать точность прогнозов для управления процессами совершенствования», Foresight: Международный журнал прикладного прогнозирования.
15. Интересную дискуссию можно найти здесь.
16. Мартин, Доминик; Шпицер, Филипп; Кюль, Никлас (2020). «Новая метрика для прогнозов неравномерного и прерывистого спроса: стоимость ошибок прогнозирования, ориентированных на поддержание запасов». Труды 53-й ежегодной Гавайской международной конференции по системным наукам . doi : 10.5445/IR/1000098446.

Библиография

• Milgate, Murray (март 2008 г.). «Товары и сырьевые товары». В Steven N. Durlauf и Lawrence E. Blume. The New Palgrave Dictionary of Economics (2-е изд.). Palgrave Macmillan. стр. 546–48. doi :10.1057/9780230226203.0657. Получено 24.03.2010.
• Монтани, Гвидо (1987). «Дефицит». В Eatwell, J. Millgate, M., Newman, P. The New Palgrave. Словарь экономики 4. Palgrave, Houndsmill. стр. 253–54.