Видове прогнозиране

от Администрация и управление
Направо към: навигация, търсене

Прогнозирането е изкуството и науката за предсказване на бъдещи събития. Прогнозите за търсенето са решаващ вход за плановите решения във всички функционални области на стопанската дейност. Различните решения изискват различни методи за прогнозиране, включително и решенията, свързани с проектирането на процеса, планирането на капацитета и управлението на наличностите. Съществуващите методи могат да бъдат класифицирани като качествени, времеви редове и каузални методи.

Качествени методи

Четири от най-важните качествени методи са "Делфи", пазарните изследвания, аналогията на жизнения цикъл и груповата експертна оценка. Тези методи са най-полезни, когато липсват исторически данни или данните не са подходящи за предсказване на бъдещето. Качествените методи се използват главно за дългосрочно и средносрочно прогнозиране, необходимо при проектирането на процеса и планирането на капацитета на производствените единици.Качествените методи са субективни и оценъчни методи, основани на съждения и оценки.

Метод „Делфи”

Методът "Делфи" се наложи като относително най-надеждния метод на колективна експертна оценка. Ефективността на метода зависи от стриктното спазване на следните правила:

  • разработване на унифицирана програма за индивидуално анкетиране на експертите
  • провеждане на анкетирането в няколко тура, като на всеки следващ тур въпросите се уточняват
  • запазване анонимността на експертите, с което се преодолява неблагоприятното психологично въздействие на авторитета на ръководителите и неудобството при публичен отказ от вече изказано мнение
  • използуване на количествени оценки на отговорите на експертите
  • статистическа обработка на информацията за осредняване и обективизация на мненията на експертите с отчитане на тяхната компетентност
  • информиране на експертите след всеки тур замнението на мнозинството, както и за чувствително различаващите се от него мнения
  • изискване на допълнителни аргументи от експертите, които изказват мнение, чувствително различаващо се от мнението на мнозинството.

Пазарните изследвания

Пазарните проучвания обхващат проблематиката за изучаване на пазара и научното изясняване на методите, подходите и средствата за събиране на информация, на основата, на която са де вземат определени решения за бъдещото развитие на пазара. Обект на изучаване са съответните видове пазари, техните основни характеристики, пазарния дял на фирмата, потребителите, структурата на търговските обекти и др. На основата на пазарните прoучвания установяваме подходящите показатели за оценка на пазарното състояние и неговото бъдещо развитие. Класификацията на методите за събиране на данни се осъществява според вида на източниците на информация. На тази основа те се разделят на първични и вторични.

  • Първичните източници на информация са вътрешни източници по отношение на фирмата – първични счетоводни документи, счетоводни баланси, предишни пазарни проучвания.
  • Вторичните са външни източници на информация, получават се извън фирмата – икономически анализи, доклади на държавни институци, публикации, компютърни бази данни и др. Вторичните данни са тези, които са събирани и обработени по друг повод, съхранени са и са лесно достъпни. Предимствата са, че информацията е по-лесно и бързо достъпна и по принцип са началото на всяко пазарно проучване. Недостатъци са, че трудно се откриват подходящи цели за съответното проучване, често липсват показатели за точност.

Аналогия на жизнения цикъл

Метод за прогнозиране, базиран на анализ на жизнения цикъл на аналогична стока или услуга.

Групова експертна оценка

Един от подходите за получаване на информация, необходима за изучаване на определен обект и за вземане на решение.

  • Използват се в случаи, когато тази информация не може да бъде получена по експериментален път
  • Определят се лица, специалисти в областта на обекта, за който се търси експертна информация. По приета методика те изказват свои становища, от които се формират обобщени резултати провеждането на експертни оценки.

Определят се:

  • обектът, за който се провежда експертиза
  • целите на експертното изследване
  • видът на експертизата
  • видът и съдържанието на експертните оценки
  • множеството на допустимите стойности на оценките
  • списъкът на експертите
  • начинът и правилата на провеждане на експертизата

Времеви редове

Прогнозирането на времевите редове се използва за декомпозиране на данните за търсенето на техните основни компоненти, след което тяхното историческо развитие се проектира в бъдещето. Главното им използване е за краткосрочно и средносрочно прогнозиране, предназначено за решенията, свързани с наличностите и план-графиците. Някои от най-добре познатите методи за прог нозиране на временни редове са пълзящата средна, експоненциалното изглаждане, иконометричните модели и методът на Бокс-Дженкинс.

Пълзяща средна

Най-простият метод за прогнозиране на времеви редове е методът на пълзящата средна. При този метод се приема, че времевият ред има само компонента "равнище" плюс случайна компонента. Не се предполага да се търси сезонна компонента, тренд или циклична компонента. По-съвременните версии на пълзящата средна могат обаче да включват и всичките останали компоненти на времевия ред. Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - откликва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере под ходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за oсредняване N. Когато се използва пълзящата средна, се избира определен брой периоди N за изчислението. Тогава средното търсене А, за изминалите N периоди от време се изчислява по следния начин:

Formula1.jpg

  • търсенето за даден период t
  • прогнозното търсене през период t+1
  • средната, изчислена за период t

Тъй като се приема, че времевият ред е стационарен (или хоризонтален на оста на времето), най-добрата прогноза за периода t+1 може да се получи чрез просто продължаване на средното търсене, намерено в период t. Следователно имаме:

Formula2.jpg

След като F,+, е изчислено, в средната се включват данните, получени за най-новото търсене, а данните за най-старото търсене отпадат. Тази процедура следи търсенето за N периода назад, поради което средната "пълзи" след появяването на новите данни. Прогнозната грешка се получава като разлика между действителното и прогнозираното търсене, като за целта винаги се използва прогнозата (F,), а не средната (А,) за периода t. Желателно е изходните данни и прогнозите да бъдат представяни графически, преди да бъдат правени сравнения и изводи.

Общо правило е, че колкото е по-дълъг периодът на осредняване, толкова по-бавен е отговорът на измененията в търсенето. По-дългият период дава предимство в осигуряването на стабилност в прогнозата, но има недостатък - отклик ва по-бавно на измененията на търсенето. Анализиращият прогнозата трябва да избере подходящия компромис между стабилността и скоростта на реакция при измененията чрез избора на дължина на периода за усредняване N Един от начините да се накара пълзящата средна да отговаря по-бързо на про мените в търсенето е да се присвоят относително по-големи тегла на по-новите данни в сравнение с тези, които са по-назад в миналото. Този метод се нарича "претеглена пълзяща средна".

Formula3.jpg

При претеглената пълзяща средна могат да се изберат целенасочено вся какви тегла, стига тяхната сума да бъде равна на единица. Трябва да се отбележи, че простата пълзяща средна е частен случай на претеглената пълзяща средна с равни тегла:

W= const=1/N

Един от недостатъците на претеглената пълзяща средна е този, че всичките данни за търсенето през N-те периода трябва да бъдат съхранявани за целите на изчисленията. Освен това прогнозата чрез претеглената пълзяща средна не може да бъде променяна без промяна на всяко едно от теглата. За да се преодолеят тези недостатъци, може да се използва т.нар. "метод на експоненциално изглаждане".

Експоненциално изглаждане

Метод за прогнозиране, основан на допускането, че по-актуалните стойности на времевия ред отразяват по-точно промените в търсенето, в сравнение с тези, които са отдалечени във времето. Експоненциалното изглаждане е един от най-често използваните методи за прогнозиране на времеви редове. Техниката на експоненциалното изглаждане е приемлива за широк кръг специалисти поради следните основни предимства:

  • Експоненциалните модели са сравнително точни.
  • Относително лесно формулиране на модела.
  • Изискват се малко изчисления, които могат да се извършат автоматизирано чрез компютър.
  • Не е необходимо съхраняването на голям обем данни за миналото.
  • Лека процедура за тестване на точността на модела.

Експоненциалното изглаждане се основава на много простата идея, че новата средна трябва да бъде изчислена от старата средна и по-новополученото търсене. За да се формализира горепосочената логика, средната се изразява:

Formula4.jpg

В този случай A(t-1) е средната от предходния период, D, е текущо получената величина на търсенето, а α е относителното тегло, давано на новото търсене спрямо старата средна (0 <α<1 ). Ако желаем А, да отговаря по-бързо на промените в текущото търсене, е необходимо да бъде избрана по-голяма стойност на α. Обратно - ако желаем А, да отговаря по-бавно на промените, тогава коефициентът α трябва да има по-малка стойност. В повечето от случаите на α се дават стойности от 0,1 до 0,3 с цел да се получи приемлива стабилност на прогнозите. При простото експоненциално изглаждане, аналогично на пълзящата средна, се приема, че времевият ред е гладък, без цикли, сезонна компонента и тренд. Тогава експоненциално изгладената прогноза за следващия период е просто средната, получена от текущия период, а именно:

Formula5.jpg

В този случай прогнозата също е равна на изгладената средна от предходния период. Можем да заместим предходното равенство и да получим следното:

Formula6.jpg

Понякога тази алтернативна форма на представяне на простото експоненциално изглаждане (или изглаждане от първи ред) е по-удобна за използване, отколкото уравнението за средната поради това, че използва директно прогнозните величини вместо средните. Друг начин за представяне на експоненциалното изглаждане може да се получи чрез следното преобразуване:

Formula7.jpg

Тази форма на представяне показва, че новата прогноза е равна на старата прогноза плюс част от грешката между наблюдаваното търсене и старата прогноза. Частта от грешката, с която става корекцията, се контролира чрез избора на α. Критерият за избор на стойността на α е свързан с грешката на прогнозите. Необходимо е да се направят прогнози при множество различни стойности на а. Ако някоя от стойностите дава прогнози с по-малки отклонения от останалите, тогава тя е за предпочитане.

Метод на Бокс-Дженкинс

Статистически метод за анализ на времеви редове, базиран на Байесово апостериорно разпределение, отличаващ се с голяма степен на точност.

Каузални методи

Каузалните методи за прогнозиране включват регресията, иконометричните модели, входно-изходните модели и имитационните модели. Тези методи опитват да установят причинно-следствена връзка между търсенето и други променливи. Каузалните методи могат да предскажат моментите на промяна в данните на временния ред и поради това са най-полезни за средносрочно и дългосрочно прогнозиране.

Прогнозиране чрез регресионен модел

Простата линейна регресия илюстрира принципите на каузалното прогнозиране.Прогнозата на търсенето е свързана с една или повече променливи,които се приемат за независими.Анализаторът трябва да определи подходящи каузални променливи и дали зависимостите са линейни,нелинейни,адитивни или мултипликативни.Формата на модела за прогнозиране трябва да бъде специфицирана изцяло от анализатора. Когато липсват данни за различни променливи е възможно тяхното обобщено влияние да се представи чрез една единствена променлива.Обикновено за такава се приема времето (t).Счита се,че тя ще обхване съвкупното влияние на факторите,предизвикващи промени в търсенето с течение на времето.За нейни стойности обикновено се приемат целите числа от 1 до N,които съвпадат с номерата на наблюденията за търсенето във времевия ред.Полученият особен вид каузален метод е вид модел на тренда,получен като функция на времето. Най- простия случай е линейният модел с една независима променлива:

Formula8.jpg

Където: Y-оцененото търсене X-независимата променлива фактор (причиняващ промените в Y) a-свободния член на модела(стойност на Y при X=0) b-регресионният коефициент, измерващ наклона на регресионната линия

Единичната регресия може да бъде разширена множествена регресия,при която се използват повече от една независими променливи.Поради допълнителните променливи множествената регресия се използва повече в практиката от простата регресия.Тези допълнителни променливи могат да помогнат да се обясни по-пълно вариацията на продажбите на съответния продукт.

Иконометрични модели

Иконометричният модел е конкретизирана форма на икономико-математическия модел. Преминаването от икономико-математически в иконометричен модел е свързано с промени в характера на съотношенията между променливите, които от детерминирани се модифицират в стохастични или квазистохастични.

Имитационни модели

Разглежда се случая когато системата - обект на изследване е достатъчно сложна и се изключва възможността за съставяне на аналитичен модел. В този случай изучаването на обекта се извършва чрез имитационното моделиране, т.е. многократно изпитване на модел с различни входни данни, определяне на тяхното влияние върху изходните резултати и прецизиране на модела на основата на критерии за близост. Изборът на имитационния модел зависи от задачите, които си поставя изследването. Имитационните модели се класифицират по три основни критерия, а именно:

  • Статичен, динамичен.
  • Статичен: Системата се разглежда в определен момент от време т.е. времето не се взема под внимание като фактор (например по метод Монте Карло ).
  • Динамичен: Системата се разглежда с промените, които настъпват във времето.
  • Детерминиран, стохастически
  • Детерминиран:Моделът не съдържа вероятностни (случайни) компоненти. Такъв модел е системата от диференциални уравнения, описващи определен процес. В този случай се получава решение при наличие на всички необходими входни величини.
  • Стохастически: Въвеждат се входни данни, които са случайни величини. В тези случаи се получават резултати, които по своя характер са оценки на търсените параметри и се определят доверителните интервали за тези величини.
  • Непрекъснат, дискретен
  • Непрекъснат: Процесът се разглежда във времето, при което всяка променлива на състоянието се променя плавно и непрекъснато. Най-често моделът се изразява чрез диференциални уравнения относно променливата време (съдържа функции на времето). В случаите, когато аналитичното решение не е възможно, се прилагат методи за числено интегриране.
  • Дискретен: Дискретният модел отразява изменението на състоянието на обекта, респективно на променливите на състоянието в определени моменти от времето. Когато тези промени се разглеждат като резултат от настъпването на определени събития, моделите се определят като дискретно-събитийни.

Избор на метод за прогнозиране

Методът за прогнозиране трябва да бъде избиран на основата на пет фактора: потребителя и сложността на системата, времето и наличните ресурси,характеристиките на използването или на решението, наличността на данни и характера на данните.

Вижте още

Източници

  • Michael K. Evans, Practical Business Forecasting
  • John E. Hanke, Dean W. Wichern, Business Forecasting and Student CD Package (8th Edition)
  • Steve Morlidge, Steve Player, Future Ready: How to Master Business Forecasting
  • Ron Person, Balanced Scorecards and Operational Dashboards with Microsoft Excel [Paperback]

Външни препратки