Oma hea töö esitamine teadmistebaasi on lihtne. Kasutage allolevat vormi
Üliõpilased, magistrandid, noored teadlased, kes kasutavad teadmistebaasi oma õpingutes ja töös, on teile väga tänulikud.
Sarnased dokumendid
Kauba pakkumine ja selle seos tarbija nõudlusega. Kaubandusettevõtte piirkondliku tarbekaupade turu koguvõimsuse ja nõudluse prognoosimine. Kemerovo piirkonna elanikkonna tarbijanõudluse hindamine ja prognoosimine.
kursusetöö, lisatud 20.12.2007
Nõudluse mõiste. Nõudluse liigid ja majanduslik sisu. Valitsuse mõjumehhanism tarbijanõudluse aktiveerimisele Venemaa majanduses. Tarbijanõudlus linnas. Linna nõudluse prognoosimise omadused ja meetodid.
kursusetöö, lisatud 08.04.2010
Turu peamised objektiivsed majandusseadused. Kauba suhtelise hinna ja selle eest nõutava koguse vaheline seos. Vastupidavad ja mittekestvad farmaatsiatooted. Nõudluse koguse sõltuvus hinnast. Peamised nõudluse tegurid.
esitlus, lisatud 25.10.2016
Nõudluse kui põhikategooria olemus kaasaegne turg, kujunemistegurid, klassifikatsioon ja sordid, tasakaal ja rahulolu. Nõudluse stimuleerimise põhimeetodid. Valitsuse määrus tarbekaupade turg.
test, lisatud 25.03.2010
Turutingimuste prognoosimise meetodid: ekstrapoleerimine, eksperthinnangud, matemaatiline modelleerimine. Sõiduautode turutingimuste prognoosi koostamine Samara piirkonnas. Kindlat tüüpi kaupade nõudluse ja pakkumise vahekorra määramine.
kursusetöö, lisatud 01.04.2015
Omadused, põhimõtted turunduspoliitika ettevõtted. Efektiivne nõudlus ja selle arengut mõjutavad tegurid. Rahvastiku nõudluse kogumahu määramine. Toitlustustoodete nõudluse prognoosimine restorani Tinkoff näitel.
kursusetöö, lisatud 30.03.2009
Uute kaupade ja teenuste nõudluse tekitamise põhitegevuste omadused ja elluviimise meetodid: reklaam, esitlus, personaalne müük, bränding, suhtekorraldus. Nende meetmete kasutamise efektiivsuse analüüs ettevõttes MEGAMART.
kursusetöö, lisatud 18.04.2010
Tarbijanõudluse ja ostja sissetuleku vahelise seose analüüs. Turu-uuringud jaekaubandus toiduained, juuksuriteenused, eluasemeturg, farmaatsiatooted, mööbel, kontoritehnika. Seisundi ülevaade toiduainetööstus linnas.
praktikaaruanne, lisatud 30.03.2011
- Miks nõudluse prognoosid on ebatäpsed
- Kuidas Nestle oma nõudluse prognoosimise protsessi üles ehitas
Jae- ja turustusettevõtete juhid ei ole sageli rahul müügimahtude, samuti kaubaartiklite üle- või nappusega. Olukorra muutmise lähtepunkt on nõudluse prognoosimine. Mida täpsem on prognoos, seda vähem on laos müügikõlbmatut kaupa, samas kui nõudlust on alati laos. Lisaks on ettevõttel võimalik õigeaegselt tuua sortimenti uusi tooteid ja eemaldada vananenud tooteid, määrata konkurentsivõimelised jaehinnad ning optimeerida tarneahelat.
Kuidas kujuneb nõudluse prognoos
Analüüsida tuleb kõiki andmeid tegeliku müügi, läbiviidud ja kavandatud turunduskampaaniate, jaehindade muutuste ja muude sündmuste kohta. Lihtsaim tööriist selleks on Exceli programm. Seega saab ettevõte nõudluse statistilised prognoosid. Järgmisena korrigeerib analüütik neid valikuliselt ja esitab kinnitamiseks vastavatele osakondadele: müügi-, ostu-, turundus- jne. Lõpliku prognoosi kinnitab ettevõtte juhtkond.
Nõudluse prognoosi kujunemine
| 1. | Andmed | Teave müügi, saldode, tarnete, muude liikumiste, samuti turunduskampaaniate ja muude väliste sündmuste kohta. |
| 2. | Tööriist | Programm, mida saab kasutada nõudluse statistilise prognoosi genereerimiseks (meie puhul Excel) |
| 3. | Statistiline prognoos | Nõudluse prognoosimise tööriista abil loodud prognoos |
| 4. | Kohandatud prognoos | Statistilise prognoosi käsitsi kohandamine analüütiku või planeerija poolt |
| 5. | Konsensusprognoos | Lõpliku prognoosi käsitsi reguleerimine ja koordineerimine osakondade vahel (müük, turundus jne) |
| 6. | Heakskiidetud prognoos | Lõpliku prognoosi kinnitamine vastutava juhi poolt ja üleandmine osakondadele rakendamiseks. |
| Segment | Statistilise nõudluse prognoosi täpsus, % | Prognoosi täpsus pärast ekspertide korrigeerimist, % |
| “Hobused” - suure müügi ja vähese varieeruvusega tooted | 92,1 | 92,7 |
| “Jänesed” - madala müügi ja suure varieeruvusega tooted | 56,3 | 55,5 |
| "Mad Bulls" - suure müügi ja suure varieeruvusega tooted, näiteks Nescafe kaubamärgi kohv | 55,2 | 82,4 |
| “Muulad” - madala müügi ja väikese variatsiooniga tooted | 90,9 | 91,2 |
Igal ettevõttel on oma näited, Nestle avaldab teavet ainult "hullude pullide" segmendi - Nescafe'i joogi - kohta. See tabel annab direktoritele põhjust mõelda ja proovida oma sortimendi jaoks sarnast luua. Lõppude lõpuks võib Pyaterochka Nescafe olla hoopis teises kategoorias kui Azbuka Vkusa Nescafe.
Materjali kopeerimine ilma loata on lubatud, kui sellel lehel on dofollow link
Nõudluse mõõtmise eripäraks on asjaolu, et seda saab läbi viia kaudselt kaupade müügi näitajate või elanikkonna kulutuste kaudu teatud tarbekaupade ostmisele.
Potentsiaalse nõudluse mõõtmise meetodid
Potentsiaalne nõudlus - see on maksimaalne võimalik nõudlus, mida konkreetse toote potentsiaalsed tarbijad võivad esitada. Mõõtmiskogused on järgmised:
potentsiaalsete tarbijate arv;
Potentsiaalselt võimalik müükide arv looduslikes ühikutes;
Võimaliku müügi suurus väärtuses.
Potentsiaalne nõudlus on teoreetiliselt arvutatud väärtus, mida tegelikkuses reeglina ei saavutata. Selle mõõtmine on aga vajalik potentsiaalsete võimaluste võrdlemiseks tegeliku nõudlusega.
Potentsiaalse nõudluse mõõtmiseks on kaks lähenemisviisi :
Otsingumeetod koosneb lõpptarbijate arvutamise vahehinnangutest, mis põhinevad inimeste koguarvul.
“Ehitamise” meetod seisneb esmalt kõigi võimalike potentsiaalsete tarbijate rühmade tuvastamises ja seejärel nende summeerimises.
Reaalse nõudluse mõõtmise meetodid
Reaalne nõudlus tähistab kaupade tegelikku müüki teatud perioodi jooksul, väljendatuna füüsilises või väärtuses. Kuna müügimaht ei vasta täielikult nõudluse suurusele, vaid on selle kaudne mõõt, kasutatakse erinevaid hindamismeetodeid.
Arvestus tootmismahtude, ekspordi, impordi ja varude põhjal.
Sortimendis olevate kaupade laekumiste, müükide ja laoseisude mõõtmised kaupluste valimile teatud aja jooksul (nn Nielseni indeksi arvutamine).
Tarbijate kulutuste hinnangud eelarvestatistika põhjal.
Nõudluse prognoosimise meetodid:
Nõudluse prognoosimine toimub erinevate meetodite abil. Praktikas rakendatakse reeglina integreeritud lähenemisviisi, võttes arvesse kasutatud meetodite tugevaid ja nõrku külgi.
Nõudluse prognoosimiseks on erinevaid meetodeid üldine ja eriline kohtumised.
Üldised meetodid Nõudluse prognoosimine põhineb ekstrapoleerimisel, eksperthinnangutel, standarditel ning majanduslikul ja matemaatilisel modelleerimisel.
1) Ekstrapoleerimismeetodid. Lihtsaimad aegridade statistilisel analüüsil põhinevad meetodid võimaldavad prognoosida kaupade müügi kasvutempot lähiajal, tuginedes möödunud ajaperioodil välja kujunenud trendidele.
2) Eksperthinnangute meetodid. Meetodid põhinevad ekspertide ja spetsialistide subjektiivsete arvamuste tulemusena objektiivsete hinnangute saamisel. Eeldatakse teatud protseduuride tundmist ("delfi meetod", "ajurünnak", "kuradi advokaat" jne).
3) Regulatiivsed meetodid. Neid kasutatakse sageli tööstuskaupade nõudluse prognoosimisel. Ostude suuruse määravad tehnoloogiliste, ehituslike jms normide ja eeskirjade nõuded.
4) Majandusliku ja matemaatilise modelleerimise meetodid. Kõige keerulisemad meetodid, mis nõuavad eriväljaõpet. Nõudluse korrelatsiooni ja selle arengut määravate tegurite arvessevõtmisel.
Spetsiaalsed meetodid prognoosimisel võetakse arvesse erinevate kaupade nõudluse iseärasusi. Need lähtuvad nõudluse põhikomponentide eraldi prognoosimisest ja nende hilisemast summeerimisest.
Nõudluse hinnaelastsus näitab, mitu protsenti muutub nõutav kogus, kui hind muutub 1%. Nõudluse hinnaelastsust mõjutavad järgmised tegurid:
Konkureerivate kaupade või asenduskaupade olemasolu (mida rohkem neid on, seda suurem on võimalus leida kallimale tootele asendus, st seda suurem on elastsus);
Ostjale nähtamatu hinnataseme muutus;
Ostjate konservatiivsus maitses;
Ajategur (mida rohkem on tarbijal aega toote valimiseks ja sellele mõtlemiseks, seda suurem on elastsus);
Toote osakaal tarbijakuludes (mida suurem on toote hinna osakaal tarbijakuludes, seda suurem on elastsus).
Hinna järgi elastse nõudlusega tooted:
Luksusesemed (ehted, hõrgutised)
Tooted, mille maksumus on pere eelarve jaoks märkimisväärne (mööbel, kodumasinad)
Kergesti vahetatavad kaubad (liha, puuviljad)
Tooted koos ebaelastne nõudlus hinna järgi:
Olulised asjad (ravimid, jalanõud, elekter)
Tooted, mille maksumus on pere eelarve jaoks ebaoluline (pliiatsid, hambaharjad)
Raskesti asendatavad kaubad (leib, lambipirnid, bensiin)
Nõudluse sissetulekuelastsus näitab, mitu protsenti muutub nõutav kogus, kui sissetulek muutub 1%. See sõltub järgmistest teguritest:
Toote tähtsus pere eelarve jaoks.
Olgu see toode luksuskaup või esmatarbekaup.
Konservatiivsus maitsetes.
Nõudluse ristelastsus on ühe kauba nõudluse protsentuaalse muutuse ja mõne muu kauba hinna muutuse protsentuaalne suhe. Positiivne väärtus tähendab, et need kaubad on omavahel asendatavad (asendajad), negatiivne väärtus näitab, et need on üksteist täiendavad (täiendavad).
Neid on aluspõhimõtted, mida tuleb arvestada nõudluse prognoosimisel planeerimisotsuste hierarhia mis tahes tasemel. Nende põhimõtete eiramine toob kaasa asjaolu, et nõudluse prognoos muutub kas madala kvaliteediga või ettevõtte otsuste seisukohast ebaoluliseks.
Nõudluse prognoosimise horisont. Ajavahet nõudluse prognoosimise hetke ja nõudluse prognoosimise perioodi vahel nimetatakse ajavaheks. Nõutava ajavahe valik sõltub sellest, kui palju aega on ettevõttel vaja areneda ja võtta kasutusele kõik vajalikud meetmed, et vastata nõudluse prognoosiga seotud teabele. Kui tootmisvõimsuse suurendamiseks kulub vastavalt tulevase nõudluse kasvu prognoosile aasta, siis alla aastase horisondiga nõudluse prognoos ei ole piisav ega lahenda vajalikku tootmisvõimsuse juhtimise probleemi. Või näiteks kui "tellimusel tootmise" tootmistsükli kestus on üks kuu, on lühem prognoosihorisont ebaloogiline, kuna ettevõte ei suuda sellisele prognoosile õigeaegselt reageerida, koostades vajalikud toorainevarud.
Nõudluse prognoosimise horisondi valimisel tuleb arvestada, et kaugemate planeerimisperioodide puhul on prognoos ebatäpsem kui lähematel. Sellest tulenevalt peavad nõudluse prognoosimise horisondi valikut põhjendama need otsused, mis tehakse genereeritud prognoosi põhjal - liiga lühike prognoosihorisont ei võimalda probleemi adekvaatselt lahendada ning pikem tekitab probleeme prognoosi kvaliteediga. .
Nõudluse prognoosimise objekti valimine . Mida üksikasjalikum on prognoos, seda vähem täpne see on. Sellest lähtuvalt on plaanide hierarhia iga taseme jaoks vaja valida prognoosiobjekti detailsuse tase, mis võimaldab ülesande lahendada, kuid ei too kaasa tarbetuid detaile. Detailsust peetakse ebavajalikuks, mis, suurendades küll nõudlusprognoosi töömahukust ja maksumust, ei anna prognoosile otsustamise seisukohast lisaväärtust.
Üldiselt võib öelda, et nõudluse prognooside parameetrid määrab prognoosi kasutamise eesmärk. Mida kõrgem on otsuste langetamise tase ja mida suurem on tehtud otsuste ulatus, seda suuremaks ja pikemaks perioodiks ehitatakse nõudluse prognoos.
Nõudluse prognoosi kvaliteet. Iga prognoosiga kaasneb vearisk. Raske on ette kujutada prognoosi, mis ei sisaldaks vigu. Eristada saab kahte tüüpi nõudluse prognoosiviga: viga nõudluse mahu hindamisel ja viga nõudluse struktuuri hindamisel. Seda tüüpi vigu tuleb arvestada sõltuvalt sellest, millisest otsustustasandist ettevõttes räägime.
Veaoht nõudluse mahu hindamisel kui nõudluse prognoosimine võib olla mis tahes planeerimistasandil. Pikaajalise nõudluse prognoosimisel avaldub risk tootekategooriate ja kaubagruppide tasandil. Risk mõjutab võtmeressursside vajaliku mahu kättesaadavust ja täitmist finantsplaanid ettevõtetele. Nõudluse kiirel prognoosimisel avaldub risk tootesarjade tasemel ja mõjutab tegelikku klienditeeninduse taset.
Veaoht nõudluse struktuuri hindamisel nõudluse prognoosimisel ilmneb see ainult nõudluse pikaajalise prognoosimisega tootekategooriate ja tooterühmade tasandil. Kaubarühmasiseselt eeldatakse üht nõudluse struktuuri, kuid tegelikult osutub struktuur erinevaks.
Neid riske saab arvesse võtta kahel viisil: parandades prognooside kvaliteeti ja/või reserveerides ressursse, mis on spetsiaalselt ette nähtud nende riskide katmiseks. Praktikas kasutavad nad reeglina mõlemat meetodit samaaegselt - töötavad nõudluse prognooside kvaliteedi parandamiseks ja (kuna sajaprotsendiline prognooside kvaliteet on praktikas kättesaamatu) moodustavad ressursside reservkogused (varuvarud, reservaeg, reserv). tootmisvõimsus).
Prognoosi kvaliteedi hindamiseks on kaks peamist mõõdetavat tunnust: prognoosiviga ja prognoosi täpsus.
Prognoosi viga— nõudluse tegeliku väärtuse ja prognoositava väärtuse vahe. Seda saab väljendada nii absoluutarvudes kui ka suhtelistes väärtustes - protsendina nõudluse tegelikust väärtusest.
Prognoosi täpsus on protsentuaalne väärtus, mis võrdub 100% ja protsentides väljendatud nõudluse prognoosi vea erinevusega.
Nõudlusprognoosi täpsuse ja kvaliteedi hindamisel on peamine iga üksiku planeerimisperioodi prognoosi mõõdetud viga ja täpsus.
Ent sagedamini ei paku huvi mitte üks planeerimisperiood, vaid see, kuivõrd konkreetne nõudluse prognoosimise meetod on hea. Selleks on tavaks arvutada nõudluse prognoosi täpsuse koondnäitajad. Nõudluse prognoosimise meetodi täpsuse hindamise kaks peamist viisi on MAPE (Mean Absolute Percentage Erro) ja Mean Percentage Error (MPE).
Nõudluse prognoosi vead võib liigitada kahte kategooriasse: juhuslik variatsioon ja eelarvamus.
Juhuslikud hälbed tähendavad seda, et prognooside koguvead kipuvad nullima ning planeerimisperioodid, mille puhul nõudlus oli ülehinnatud, vahelduvad planeerimisperioodidega, mille puhul nõudlust alahinnati, st nõudluse prognoosi veas ei esine nihet, negatiivne ja positiivsed väärtused Nõudluse prognoosi vead üldiselt tühistavad üksteist.
Eelarvamus tähendab, et on tõsine probleem – palju tõsisem kui juhuslikud vead – nõudluse prognoosi süstemaatiline üle- või alahindamine. Prognoosi kallutatust saab seletada nii objektiivsete kui ka subjektiivsete asjaoludega. Objektiivsete hulka kuulub nõudluse prognoosimise mudeli valik, mis ei pruugi olla täiesti asjakohane, näiteks ei pruugi see arvesse võtta olulisi nõudlust mõjutavaid tegureid. Objektiivseid asjaolusid saab hinnata ja korrigeerida prognoosimudeli täiustamise, nõudluse prognoosimiseks andmete kogumise ja ettevalmistamise ning töötajate prognoosimise koolitamise kaudu.
Subjektiivsed asjaolud on seotud prognoositava väärtuse tahtliku ala- või ülehindamisega. See tähendab, et ennustaja on ühel või teisel põhjusel huvitatud prognoosi nihutamisest, kuna ta saab prognoosi nihutamisest teatud eeliseid. Näiteks kui nõudluse prognoosi koostab ettevõtte müügiosakond ja see saab samal ajal müügiplaani ületamise eest boonust, on temalt raske oodata optimistlikku nõudluse prognoosi. Ja vastupidi, kui turundusosakond koostab nõudluse prognoosi ja turunduseelarve arvutatakse protsendina kavandatud tulust, ei tohiks te oodata pessimistlikku nõudluse prognoosi. Mingil määral saavutatakse subjektiivsete tegurite mõju neutraliseerimine korralik korraldus nõudluse prognoosimise protsess.
Kokkuvõtteks olgu öeldud, et lisaks kontseptsioonile " prognoosi täpsus “, võime esile tõsta kontseptsiooni „prognoosi kvaliteet“. Prognoosi kvaliteedi all mõistetakse nõudluse prognoosimisprotsessi võimet genereerida prognoose, mis erinevad järjekindlalt tegelikest nõudluse väärtustest mitte rohkem kui etteantud veaväärtuse võrra. See tähendab, et prognoosikvaliteet tähendab võimet hoida prognoosiviga kindlaksmääratud piirides. See on juhtimise seisukohalt väga oluline, kuna ettevõte saab etteantud prognoosivea piirideks ette valmistuda ning selline vea ulatus ei ohusta klienditeeninduse taset.
On täheldatud, et nõudluse prognoosi kvaliteedi määrab suuremal määral nõudluse prognoosimise protsessi hea korraldus kui individuaalsed, ükskõik kui keerulised matemaatilised mudelid. Vaatame aga lähemalt, mis tüüpi nõudluse prognoosimise meetodid eksisteerivad ja millistel asjaoludel on soovitatav neid kasutada.
Esmapilgul kõlab küsimus absurdselt, kuid lähemalt vaadates võib paljastada järgmist: „kui tootel on märkimisväärne hulk nullmüügi fakte (nõudlus toote järele on haruldane), siis kõik punktiprognoosi meetodid (kaasa arvatud keerulised) annab halva tulemuse"
Olukorrast väljapääs võib olla spetsiaalsete matemaatiliste modelleerimismeetodite kasutamine, mis võimaldavad arvutada nõudluse tekkimise kumulatiivset tõenäosust. See tähendab, et hinnake, püüdmata arvata müüdud kaupade arvu, vaid selleks, et näha, kui suure tõenäosusega saab teatud kaubakogust müüa. See võimaldab meil mõista, kui palju toodet on vaja teatud teenusetaseme pakkumiseks ladustada.
Lihtsustatult on mehhanism järgmine. Spetsiaalne tarkvara viib läbi rea katseid (100 000 korda) toote võimaliku nõudluse kohta tarneperioodil (Lääne praktikas - tarneaeg LT). See analüüsib, mitu korda tekkis nõudlus erineva mahu järele. Pärast seda konstrueeritakse nõudluse jaotumise kumulatiivne tõenäosus (mitte rohkem kui see, kui palju kaupu erinevate tõenäosustega müüakse)
Pärast seda võetakse arvesse teenindustaset ja optimaalne laovaru arvutatakse nõudluse väärtusena, mis vastab teenindustasemega võrdsele kumulatiivsele tõenäosusele.
Seda on selgemalt näha järgmisel graafikul või tabelis: (prognoosist KOHE!):
Riis. 1 Teeninduse tase ja optimaalne laovaru programmi Forecast NOW näitel!
|
Tõenäosussumma,% |
Maht, ühikud |
Joonisel on kumulatiivne tõenäosus kujutatud helesinisega. Optimaalne laovaru on seatud teenindustaseme ja kumulatiivse tõenäosuse ristumiskohas.
Seega aitab selliste meetodite kasutamine kohe välja arvutada haruldaste kaupade optimaalse laoseisu.
Oluliseks probleemiks jääb kaupade haruldasteks klassifitseerimise kriteerium:
Selleks arvutatakse külgnevate müügifaktide keskmine vahemaa päevades. Kui see arv on suurem kui 1,25 päeva, siis on meil haruldane nõudlus, kui see on väiksem, on see sujuv.
Toote müügi ajalugu:
Keskmine vahemaa kõrvalolevate müügifaktide vahel = ((3-1)+(4-3)+(7-4)+(8-7))/4 = 1,75 > 1,25 -> harv nõudlus
Kuid sujuva nõudlusega kaupade puhul on nõudluse prognoosimine hädavajalik:
Miks on vaja nõudlust prognoosida?
Iga kaubandusettevõtte töö on paratamatult seotud laoseisu optimeerimise probleemiga. Kauba ülejääk toob kaasa täiendavaid rahalisi kulutusi ning defitsiit püsiklientide kaotuse ja müügimahtude vähenemise. Mõlemal juhul jääb puudu võimalikust kasumist, mis võib tiheda konkurentsi tingimustes põhjustada ettevõtte pankroti.
Optimaalse kaubasortimenti hoidmise üks olulisemaid komponente on nõudluse operatiivne ja pikaajaline prognoosimine. Loomulikult ei saa ostude planeerimisel midagi ennustada, kasutades esialgse teabe allikana väljakujunenud või tekkivat nõudluse taset. Sellist iganenud lähenemist dünaamiliselt muutuval turul ja “hellitatud” ostjat saab aga vaevalt tõhusaks nimetada (erandiks on väikesed asulad, kus on vaid üks kauplus).
Nõudluse prognoosimine võimaldab mitte ainult välja töötada optimaalse hankeplaani, vaid ka tõhusalt hallata ettevõtte ressursse. Nii et näiteks teades, et järgmisel kuul on suurenenud nõudlus millegi muu kui jäätise järele, on võimalik eelnevalt palgata müüjaid, soetada külmutusseadmeid ja pakkuda lisafinantseeringut. Kui kõiki selliseid üritusi hakatakse läbi viima kõrghooajal, võivad kõik jõupingutused olla asjatud ja isegi kahjutud.
Kuidas nõudlust prognoosida
Nõudluse prognoosimiseks on välja töötatud suur hulk teooriaid ja spetsiaalseid tööriistu.
Spetsiaalne tarkvara
Näiteks supermarketi ostude planeerimisel ei saa te ilma spetsiaalse tarkvarata hakkama. Peamine probleem on siin tohutu kaubavalik, mida on lihtsalt füüsiliselt võimatu "peas hoida". Lisaks võimaldab spetsiaalne tarkvara automatiseerida rakenduste ettevalmistamise protsessi, mis võimaldab suurte ostude puhul säästa palju aega.
Microsoft Excel
Väikese tootevalikuga saab standardrakendust kasutades saada suurepäraseid tulemusi nõudluse prognoosimisel Microsoft Excel. Spetsiaalsed statistilised funktsioonid, nagu TREND ja GROWTH, võimaldavad teil töödelda koheselt suuri teabekoguseid ilma keerulisi valemeid sisestamata. Microsoft Exceli rikkalikud disainivõimalused aitavad teil saadud andmeid esitada mitte ainult tabelina, vaid ka visuaalsemal kujul - graafikute ja diagrammide kujul.
Käsitsi
Üksikute kaubaartiklite nõudluse prognoosi saab koostada ka käsitsi. Näiteks kui toode on uus, ei aita isegi kõige keerukamad statistilised valemid ja varem kogutud teave selle populaarsust ennustada. Sellistel juhtudel tuleb loota mitte arvutustele, vaid sisetundele ja lisateguritele (klientide arvamused, reklaami tugi jne).
Nõudluse prognoosimise valemid ja meetodid
Nõudluse prognoosimisel kasutatavad meetodid on väga mitmekesised – alates naiivsetest (eeldatakse, et nõudlus järgmisel kuul on sama, mis eelmisel kuul) kuni keerukate majandus- ja matemaatiliste teooriate ning nende tarkvararakenduste (närvivõrkude) kasutamiseni arvutustes.
Lihtne keskmine meetod
Lihtsaim neist meetoditest on arvutuste kasutamine "lihtsa keskmise" valemiga. Nõudluse prognoos järgmine periood selle meetodiga arvutatakse see kõigi eelnevate perioodide nõudlusnäitajate aritmeetilise keskmisena. Selle meetodi puuduseks on selle kõrge "konservatiivsus" - vananenud teave varasemate müükide kohta takistab seda viimased trendid nõuda.
Liikuva keskmise meetod
“Liikuva keskmise” meetod reageerib nõudluse muutustele kiiremini. Sel juhul ei tehta arvutusi mitte kogu vaatlusperioodi, vaid mitme viimase perioodi andmete põhjal.
Võtmeküsimus on "libiseva akna" määramine - mitme viimase perioodi jooksul on vaja keskmistada. Mida pikem on see periood, seda enam langeb libiseva keskmise prognoos kokku lihtkeskmisega.
Perioodi saab määrata empiiriliselt prognoosivea (RMSE) põhjal - arvutage see viga erinevad perioodid ja vali optimaalne.
Ilmselt on optimaalne periood 4 päeva.
Meetodi huvitav variatsioon on libiseva keskmise arvutamine by teatud päevad(st kõigi esmaspäevade puhul võetakse arvesse viimase n esmaspäeva libisevat keskmist jne.) See meetod võib sobida kaupade puhul, millel on tugev iganädalane hooajalisus (näiteks leib).
Kaalutud keskmise meetod
Ülaltoodud meetodite kombinatsioon on "kaalutud libiseva keskmise meetod". See mudel arvutab kaalutud keskmise mitme perioodi põhjal, kuid annab vähem kaalu kaugematele perioodidele. Seega saab arvutusteks võtta pikemaid vaatlusi, kuid ebaoluliste andmete mõju arvutustele saab piirata.
Eksponentsiaalne silumismeetod
Kahjuks võimaldavad ülaltoodud “keskmised” arvutusmeetodid saada vaid väga ligikaudseid tulemusi. Täpsema prognoosi saab teha kasutades mudeleid “eksponentsiaalne silumine” ja “eksponentsiaalne silumine trendiga”. Esimesel meetodil korrigeeritakse viimast müügiprognoosi aastal tehtud prognoosivea alusel viimane periood. Teine arvutusmeetod (nimetatakse ka "topelteksponentsiaalseks silumiseks") võtab andmeid trendidega – tänu sellele saab seda meetodit kasutada isegi keskpika perioodi prognoosimiseks.
Holt-Wintersi meetod
Hooajalisuse ja üldise nõudlustrendi arvestamiseks kasutatakse Holt-Wintersi mudelit (kolmeparameetriline eksponentsiaalne silumine). Selle meetodi nõudluse prognoosi saamiseks on vaja õigesti valida kolm parameetrit. Selleks võite kasutada kas spetsiaalseid algoritme või piirduda lihtsa toore jõuga.
Autoregressiooni meetod
Kui soovite saada veelgi täpsemaid prognoose, võite kasutada "autoregressiivseid" mudeleid. See meetod võimaldab olemasolevaid andmeid väga üksikasjalikult analüüsida, tuvastada kõik suundumused ja kõrvaldada juhuslikud mõjud. Erinevalt eelmistest meetoditest nõuab paljude parameetrite valimine kasutajalt palju pingutusi ja aega.
Närvivõrgud, geneetilised algoritmid
Tuleb märkida, et mida keerukamaid prognoosimeetodeid kasutatakse, seda keerulisem on seda teha praktiline rakendus ja seda suurem on vigade esinemise tõenäosus. Tohutute infomahtude analüüs, optimaalsete parameetrite valimine, turu kõikumiste kiire arvestamine – kõik see on vahel inimvõimete piiril. Selle probleemi kõige lootustandvam lahendus on "närvivõrgu" algoritmide kasutamine. Selles tehnikas suudab spetsiaalne programm pärast eelkoolitust iseseisvalt leida parim lahendus- samal ajal ei pea kasutaja süvenema kasutatavate teooriate kõigisse keerukustesse. Lisaks suudavad “närvivõrgud” arvestada varjatud trendidega ja luua usaldusväärse prognoosi sellises ebastabiilses olukorras, kus varem peeti prognoosimist täiesti võimatuks.
Projekti Forecast NOW spetsialistide tehtud uuringute kohaselt annab närvivõrkudega prognoosimine paremaid tulemusi kui kõik ülaltoodud meetodid:
X-telg näitab analüüsis olevate toodete arvu, Y-telg näitab, mitu protsenti on närvivõrgud suhteliselt teisest algoritmist paremad.
Riis. 2 Närvivõrgud + Geneetilised algoritmid (GA) ja eksponentsiaalne silumine
Riis. 3 Närvivõrgud + Geneetilised algoritmid (GA) ja autoregressioon
Riis. 4 Närvivõrgud + Geneetilised algoritmid (GA) ja Holt Wintersi meetod
Joonistelt on näha, et närvivõrkude järgi prognoosimine annab oluliselt parema tulemuse.
Järeldused
Nõudluse prognoosimiseks vajate:
- Tehke kindlaks toote nõudluse olemus (kui see on sujuv, on vaja prognoosida, kui see on haruldane, siis prognoosimist pole vaja, saate arvutada optimaalse laoseisu, kasutades matemaatilisi modelleerimismeetodeid)
- Määrake nõudluse prognoosimise meetodid (kui tootevalik on väike, saate seda teha käsitsi või Exceli abil, kui see on suur, on parem kasutada spetsiaalset tarkvara
- Määrake nõudluse prognoosimise meetodid (tavalised meetodid töötavad üldiselt mõne toote puhul hästi (vt libisev keskmine). parimad tulemused saavutatakse närvivõrkude abil
- Oluline on meeles pidada, et nõudluse prognoosimine on vaid esimene lüli tarneahelas ning isegi kõige täpsem nõudluse prognoos, kui laovarusid ja täiendamist pole korralikult juhitud, ei taga kogu tarneahela efektiivsust.