Тенденции изменения спроса

Кроме сезонной потребности во временном ряде могут просле­живаться и иные тенденции изменения спроса краткосрочного (менее одного года) и долгосрочного (более одного года) характера. Тенденции изменения спроса краткосрочного характера могут иметь сезонную повторяемость из года в год. При отсутствии се­зонных особенностей (например, в условиях, когда статистическая база поведения запаса еще не накоплена) принципиальной разни­цы работы с краткосрочными и долгосрочными тенденциями нет.

Рис. 10. Результаты прогнозирования сезонной потребности в запасе методом взвешенной скользящей средней

 

Наиболее типичные тенденции изменения спроса представлены на рис. 11. Имеются линейные положительные тенденции спро­са, соответствующие росту объема потребности в запасе в течение нескольких лет (рис. 11а); линейные отрицательные тенденции спроса, соответствующие падению объема потребности в запасе в течение нескольких лет (рис. 116). Кроме линейных тенденций могут иметься параболические тенденции (рис. 11 в, г), а также экспоненциальные, гиперболические и другие тенденции спроса.

Процесс прогнозирования потребности в запасе для временных рядов, имеющих долгосрочные тенденции, проводится в несколь­ко этапов (рис. 12).

1. Фильтрация значений статистического ряда.

2. Выбор вида уравнения тренда.

3. Прогнозирование объема потребления.

4. Оценка точности прогноза (вопрос 2 лекции).

Фильтрация значений статистического ряда проводится для по­вышения надежности прогнозирования будущей потребности. В статистическом ряде могут иметься сведения о необычно боль­ших или необычно малых объемах отгрузок (продаж, товарообо­рота) запаса в некотором периоде времени. Возможно, рост объема продаж был следствием уникальной ситуации на рынке, связанной, например, с временным отсутствием на рынке конкурента, проводящего техническое переоборудование своего производства, либо с временно образовавшимся у конкурентов дефицитом дан­ного продукта в связи с погодными условиями.

Рис. 11. Временные тенденции изменения спроса

Малый объем про­даж может быть связан с вынужденной приостановкой деятель­ности по решению органов надзора и пр.

Рис. 12. Процесс прогнозирования потребления запаса при наличии долгосрочной тенденции

Необычно большие или малые объемы потребления запаса в прошедших периодах могут носить и просто случайный характер. При этом надо иметь в виду, что начало работы с новым партнером или потеря крупного кли­ента, вызвавшие изменение фактических объемов отгрузок запаса в прошлых периодах, должны быть учтены при составлении про­гноза будущей потребности в запасе.

Таким образом, статистический ряд до начала его использова­ния при составлении прогноза нуждается в фильтрации нетиповых, случайных, единичных данных, которые не предполагаются к по­вторению в будущие периоды. Такая фильтрация может быть про­ведена статистически или экспертно.

Если статистический ряд отражает многочисленные отгрузки больших объемов товарно-материальных ценностей может быть удобным и полезным использование статистического фильтра. В качестве фильтра могут быть заданы максимальная и минималь­ная границы значений фактических отгрузок статистического ряда, которые будут использоваться в дальнейших расчетах.

Пример 7. Фильтрация значений статистического рада отгрузок запаса в звене цепей поставок. На рис. 13 приведен пример статистического ряда отгрузок запаса товара по дням 2005 г., в котором отражены единичные всплески объемов потребления запаса. Средний объем отгрузок в день составляет 4534 единицы при стандартном отклонении отгру­зок — 5380 единиц.

В качестве возможной максимальной границы учитываемых значений статистического ряда был выбран объем отгрузок 15 000 единиц.

Рис. 13. Пример статистического ряда с единичными высокими объемами отгрузок запаса

Этот фильтр приводит к отсеиванию 9 значений с максимальным объемом из 264 имеющихся значений. Полученный результат фильтрации приведен на рис. 14.

Фильтрация значений статистического ряда может быть прове­дена и автоматически с помощью программных средств. Например, на рис. 15 приведен результат линейной фильтрации статистичес­кого ряда примера 7 по 5 точкам, выполненный с помощью Micro ­ soft Excel . Сплошной линией на рисунке представлен выровненный статистический ряд, полученный методом наименьших квадратов.

Если число и объем отгрузок единичен, требуется провести тща­тельный анализ необычных по объемам отгрузок запаса эксперт­ным путем, то есть с привлечением специалистов, связанных с работой с запасами и знающих все нюансы динамики потребности в запасе.

Рис. 14. Фильтрация максимальных значений статистического ряда с единичными высокими объемами отгрузок запаса

Рис. 15. Результат автоматической линейной фильтрация значений статистического ряда с единичными высокими объемами отгрузок запаса

 

Привлеченные эксперты должны определить вероятность полного или частичного повторения ситуации прошлых периодов и провести фильтрацию статистического ряда.

Кроме того, следует иметь в виду, что при наличии тенденции резкого возрастания или падения отгрузок в прошлые периоды ре­комендуется сокращение рассматриваемых при составлении про­гноза отчетных периодов.

Выбор вида уравнения тренда. Поиск и анализ тенденции потреб­ности в запасе включают в себя определение вида уравнения, которое может наиболее точно описать тенденцию. Прежде чем приступать к математической обработке статистического ряда, требуется выдви­нуть и исследовать гипотезы дальнейшего потребления запаса. Ва­риантами таких гипотез могут быть предположения о монотонном возрастании (падении) будущей потребности в запасе, о наличии ограничений изменения потребности в запасе сверху или снизу, о наличии ограничения времени развития потребности и др.

Уравнения тренда могут быть линейными или нелинейными. Их построение можно выполнять с помощью широко доступных программных средств ( Microsoft Excel , SPSS , MathCAD и др.). В частности, на рис. 16 приведены примеры трендов линейного, параболического и полиноминального вида, построенных с помо­щью Microsoft Excel . Часто используются также уравнения экспо­ненциальной и гиперболической формы. Окончательный выбор наиболее подходящего вида уравнения тренда производится экспериментально на основе оценки точности прогноза (см. вопрос 2 лекции).

Рис. 16. Примеры уравнений трендов

Прогнозирование объема потребления на основе имеющейся тенденции проводится с помощью метода экстраполяции (см. рис. 1.), который позволяет на основе управления, описывающего тенденцию, определить предполагаемую величину аргумента на будущий период. Все компьютерные программы статистической обработки данных позволяют автоматически проводить такое прогнозирование. На рис. 17 представлены примеры прогнозирова­ния тенденции на основе линейного и параболического трендов (см. рис. 16 а, б).

Временные ряды могут не иметь сезонную потребность, но только долгосрочную тенденцию. На рис. 18 представлен времен­ной ряд на основе данных рис. 16а и рис. 17а по месяцам года. На рис. 18 видно, что при наличии явно выраженной тенденции роста потребности сезонная составляющая отсутствует.

Рис. 17. Прогнозирование тенденций методом экстраполяции

Рис. 18. Временной ряд с долгосрочной тенденцией и отсутствием сезонной потребности

Временной ряд может иметь долгосрочную тенденцию, напри­мер, роста и явно выраженную сезонную потребность по месяцам каждого года, как на рис. 19.

Если временной ряд имеет сезонное потребление на фоне на­личия долгосрочной тенденции (увеличение или уменьшение год от года продаж сезонных товаров), для прогнозирования сезонной потребности требуется учитывать коэффициент тенденции.

Рис. 19 Временные ряды с сезонной потребностью и наличием долгосрочной тенденции

Пример 8. Прогнозирование сезонной потребности в запасе с учетом долгосрочной тенденции. В табл. 8 представлена статистика объемов отгрузок за три года: текущий год, предыдущий год и год, предшествующий пре­дыдущему (см. столбцы 1-4 табл. .8).

Таблица 8

⇐ Предыдущая12345678910Следующая ⇒

Поделиться: