Top 6 pardavimo prognozavimo metodai
Šiame straipsnyje pateikiami šviesūs šeši pardavimų prognozavimo metodai, naudojami organizacijoje. Šie metodai yra: 1. Kolektyvinės nuomonės 2 metodas . Ekonominiai rodikliai 3. Mažiausių kvadratų metodas 4. Laiko sekos analizė 5. Judančių vidurkių metodas Pardavimų prognozavimas 6. Eksponentinis lyginimas ir judantis vidutinis metodas.
# 1 metodas. Kolektyvinės nuomonės metodas:
Šioje technikoje prognozavimas priklauso nuo pardavėjo nuomonės apie produktą ir jos atitinkamų sričių paklausos kitiems metams įvertinimus. Atsižvelgiant į tai, kad pardavėjai yra arčiausiai vartotojų, jie gali tiksliau įvertinti kliento reakciją į produktą.
Šiuos įvertinimus gauna filialų pardavimų vadovai ir jie peržiūrės šiuos duomenis ir atliks tam tikrus pakeitimus, kad atspindėtų jų žinias apie atskirus pardavėjus.
Kai kurie vėlesni galėjo įrodyti, kad jie yra nuolat optimistiški, o jų įverčiai gali būti peržiūrimi žemyn, kiti gali būti šiek tiek pesimistiški, o jų įverčiai gali pareikalauti didinti peržiūrą, likę pardavėjai galėjo būti realūs ir jų įverčiai gali likti nepakitę.
Tada šie patikslinti skaičiavimų skaičiai pateikiami komitetui, atsakingam už galutinės prognozės parengimą. Šio komiteto nariai gali būti įmonės pardavimų vadybininkas, vyriausiasis inžinierius, gamybos vadovas, rinkodaros vadovas ir ekonomistas. Jie peržiūrėtų sąmatą, atsižvelgdami į tam tikrus veiksnius, kuriais pardavimų vyrai ir filialų pardavimų vadybininkai nebūtų susipažinę.
Tai gali apimti tokius dalykus, kaip tikėtini produktų dizaino pokyčiai, padidėjusios reklamos planas, siūlomas pardavimo kainų padidinimas ar sumažėjimas, nauji gamybos būdai, kurie pagerins produkto kokybę, konkurencijos pokyčiai, ekonominių sąlygų pokyčiai, pvz., Perkamoji galia. vartotojų, pajamų paskirstymo, kreditų, gyventojų ir užimtumo sąlygų ir kt.
Taigi kolektyvinės nuomonės metodas apima kolektyvinės pardavėjų ir įvairių sričių vadovų, susijusių su pardavimų vadyba, išminties privalumus.
Privalumai:
1. Metodas yra paprastas, nes jis grindžiamas kolektyvine pardavėjų ir vyresniųjų vadovų išmintimi, turinčia žinių įvairiose srityse ir nereikalauja statistinės technikos.
2. Paklausos įvertinimai grindžiami pardavėjų žiniomis, tiesiogiai atsakingomis už pardavimo tikslų įgyvendinimą, todėl yra teisingi.
3. Naujų produktų paleidimui metodas yra gana naudingas.
Trūkumas:
1. Kadangi nėra ankstesnių duomenų ir statistikos metodo, metodas yra naudingas tik trumpalaikiam prognozavimui.
2. Pardavėjai gali įvertinti ateities pardavimus, jei jiems bus nustatytos pardavimo kvotos.
3. Šiuo metodu atlikti įvertinimai gali būti netikslingi, nes pardavėjai neturi žinių apie ekonominius pokyčius.
# 2 metodas. Ekonominiai rodikliai:
Šis pardavimo prognozavimo metodas pagrįstas rodikliais, kurie apibūdina ekonomines sąlygas, vyraujančias per tam tikrą laikotarpį.
Kai kurie iš šių ekonominių rodiklių yra šie:
1. Statybų sutartys, skirtos statybinių medžiagų paklausai.
2. Ūkio pajamos už žemės ūkio padargų ir kitų sąnaudų paklausą.
3 Asmeninės pajamos už vartojimo prekių paklausą.
4. Automobilių gamyba / Automobilių registravimas priedų ir naftos produktų paklausai.
5. Užimtumo padėtis.
6. Bendrosios nacionalinės pajamos.
7. Vartotojų kainos.
8. Didmeninės prekių kainos.
9. Banko indėliai.
10. Pramoninė gamyba.
11. Plieno gamyba.
12. Verslo inventorius.
Šio tipo duomenis rengia ir skelbia įvairios vyriausybinės agentūros, pvz., Centrinė statistikos organizacija ir privati grupė, pavyzdžiui, prekybos asociacijos ir verslo mokslinių tyrimų organizacijos.
Jei įmonė ar organizacija nustato, kad yra ryšys tarp vieno ar tam tikro tokio ekonominio rodiklio derinio ir kai kurių jos produktų pardavimo, šis požiūris į pardavimo prognozavimą gali būti panaudotas.
Be to, pasirinktas arba atitinkamas ekonominis rodiklis gali būti pirmaujantis, atsiliekantis ar sutapęs.
Pagrindinis rodiklis yra tas, kurio vertė per tam tikrą laikotarpį turės įtakos pardavimui vėlesniu laikotarpiu. Pavyzdžiui, mokyklinių krepšių gamintojas gali pastebėti, kad jo pardavimai per tam tikrus metus yra paveikti trejų ar ketverių metų anksčiau gimusių vaikų skaičiumi. Tai yra labiausiai pageidautinas ekonominio rodiklio tipas, nes jo vertė bus žinoma ateities pardavimo prognozės metu.
Atsilikimo rodiklis yra toks, kurio vertė per tam tikrą laikotarpį atspindės pardavimus tam tikru ankstesniu laikotarpiu. Pavyzdžiui, dykumos aušintuvų gamintojas gali pastebėti, kad duomenys apie įstaigų atsargas tam tikru laikotarpiu yra susiję su jo pardavimu tam tikru ankstesniu laikotarpiu.
Atsitiktinis rodiklis yra tas, kurio vertė per tam tikrą laikotarpį turės įtakos pardavimui tuo laikotarpiu. Pavyzdžiui, kūdikių pieno pašarų gamintojas gali pastebėti, kad pašarų gamybos apimtis per tam tikrą laikotarpį priklauso nuo gyventojų skaičiaus augimo per tą patį laikotarpį. Tai yra mažiau pageidautinas rodiklio tipas, nes jo vertė turi būti apskaičiuota būsimam laikotarpiui, kuriam vykdoma pardavimo prognozė.
Pardavimų prognozavimas atliekamas naudojant mažiausiai kvadratų lygtį.
Apribojimas:
1. Reikia rasti tinkamą rodiklį. Kai kuriais atvejais tam tikras rodiklis gali būti teisingas, tačiau kitais atvejais nė vienas rodiklis nebus akivaizdžiai taikomas, o gali būti reikalingas bandymų klaidų metodas, kuris yra varginantis ir daug laiko reikalaujantis.
2. Atitinkamas rodiklis gali skirtis priklausomai nuo nagrinėjamo produkto ar produktų grupės.
3. Išnagrinėjusi visas galimas alternatyvas, bendrovė gali pastebėti, kad nėra tinkamo vieno ar sudėtinio rodiklio. Tokiais atvejais šio prognozavimo metodo negalima naudoti. Tačiau įmonė gali pastebėti, kad nors jos pardavimai nėra susiję su jokiais ekonominiais rodikliais, organizacijų pardavimai egzistuoja.
Taip būtų tuo atveju, kai bendrovės dalis rinkoje plačiai kinta. Galima naudoti kolektyvinės nuomonės metodą.
4. Kitas sunkumas kyla dėl to, kad atitinkamas rodiklis gali būti metinis indeksas, o bendrovė gali norėti prognozuoti pardavimus mėnesiais.
5. Tolesnis šio metodo apribojimas yra tai, kad jis nesuteikia galimybės naujam produktui parduoti, nes nėra ankstesnių duomenų apie koreliacijos analizę.
Ryšys tarp dviejų kintamųjų:
Tarkime, kad pramonės praėjusių trejų metų gamybos ir gamybos išlaidos yra:
Jei parodome produkciją, kuri yra nepriklausomas kintamasis v / s gamybos sąnaudos, kuri yra priklausomas kintamasis kiekvienam iš trejų metų.
Diagrama atskleidžia, kad visi trys taškai patenka į geriausio tinkamumo liniją. Kadangi linija yra tiesi linija, yra stipri linijinė koreliacija tarp gamybos ir gamybos sąnaudų.
Tarkime, kad gamybos sąnaudos skiriasi, kaip nurodyta šioje lentelėje:
Šių santykių grafikas rodomas pagal punktyrinę liniją. Šių taškų pobūdis yra toks, kad jie nepatenka į geriausio tinkamumo liniją. Tačiau jie yra arti jos ir galime pasakyti, kad tarp dviejų kintamųjų yra beveik linijinė koreliacija, kuri nėra tokia stipri, kaip ir pirmojo duomenų rinkinio.
Todėl galime tiksliau prognozuoti gamybos sąnaudas tam tikram gamybos ar produkcijos lygiui. Panašiai, kaip ir praktikoje, tarp dviejų kintamųjų gali būti kreivinė koreliacija.
Santykinai paprastas linijos montavimo metodas yra mažiausių kvadratų metodas.
Šis mažiausių kvadratų metodas suteikia lygtį, kuri apibūdina ir nustato geriausio tinkamumo liniją.
3. metodas. Mažiausių kvadratų metodas:
Mažiausių kvadratų metodas suteikia lygtį, kuri duoda geriausios tinkamumo linijos savybes. Tiesią liniją galima apibūdinti kaip du dalykus, ty jo nuolydį ir Y pertrauką. Y pertrauka yra taško Y ašyje taškas tarp dviejų kintamųjų, kur linija kerta Y ašį.
Jei žinome linijos Y-perėmimą ir nuolydį, linijos lygtis galima nustatyti pagal bet kurios eilutės lygties bendrąją išraišką:
Y '= mx + a
kur Y 'yra apskaičiuota priklausomo kintamojo vertė, kuri turi būti prognozuojama.
a = Y geriausio tinkamumo linijos perėmimas.
m = geriausio tinkamumo linijos nuolydis.
x = nepriklausomos kintamojo vertė, pagal kurią reikia prognozuoti priklausomo kintamojo vertę.
Tokiu būdu visa tai padeda apibūdinti tik tai, kas yra linijos lygtis, ir lygtis gali būti nustatyta, jei jau buvome išdėstę liniją.
Tačiau paprastai taškai nepatenka tiesia linija, todėl turime nuspręsti, kur turėtų būti linija. Tam pirmiausia reikia nustatyti geriausios tinkamumo linijos lygtį ir tada surasti linijos padėtį naudojant šią lygtį.
Mažiausių kvadratų metodas gali padėti mums išsiaiškinti linijos lygtį, tiesiogiai dirbant su priklausomais ir nepriklausomais kintamųjų originaliais duomenimis, atlikdami atitinkamus pakeitimus šiose išraiškose.
∑Y = na + m∑x
∑xY = a∑x + m∑x 2
kur x = nurodytos nepriklausomo kintamojo vertės, kurios gali būti ekonominis rodiklis.
Y - atsižvelgiant į priklausomo kintamojo vertę, kuri šiuo atveju gali būti produkto pardavimas.
n = pateiktų suporuotų stebėjimų skaičius.
Vėlgi: ankstesnių trejų metų duomenų rinkinys yra:
∑x, ∑Y, ∑xY reikšmių pakeitimas
∑x ir n = 3 lygtyse (1) ir (2)
Turime 18 = 3a + 12m
80 = 12a + 56 m
Šių dviejų lygčių sprendimas a & m
Mes gauname a = 2m = 1
Linijos lygtis, nes
Y = 1 * × + 2
Antrajame duomenų rinkinyje, kuriame koreliacija nėra tokia, mes turime
Pakeitus reikšmę (1) ir (2), mes turime
20 = 3a + 12 m
92 = 12a + 56 m
Šių dviejų lygčių sprendimas a ir m gaunamas
a = 2/3 m = 2/3
Linijos lygtis tampa
Y i c = [3 / 2x + 2/3]
Šios linijos lygtis gali būti padaryta teisinga padėtimi, surandant mažiausiai du taškus ir juos sujungiant.
Mažiausių kvadratų eilutės savybės:
Jei visi mūsų taškai nepatenka į liniją, o kreivoji koreliacija nurodoma, kaip matėme antrajame duomenų rinkinyje, mūsų pateiktų x reikšmių pakeitimo linijos lygtyje, kurią gauname mažiausių kvadratų metodu, nebus apskaičiuota Yc reikšmės lygios mūsų faktinėms vertėms.
Jei (4) lygtyje mes pakeisime mūsų pateiktas išeigos reikšmes, mes negalime gauti atitinkamų 4, 10, 6 gamybos sąnaudų verčių taip:
X = 2 Y c = 3/2 x 2 + 2/3 = 3⅔
X = 6 Y c = 3/2 x 6 + 2/3 = 9⅔
X = 4 Y c = 3/2 x 4 + 2/3 = 6⅔
Kaip parodyta šioje lentelėje, yra mažiausių kvadratų eilutės savybės:
1. Nukrypimų suma, ty skirtumas tarp faktinių ir apskaičiuotų priklausomų kintamųjų verčių visada bus lygus nuliui.
2. Antroji mažiausių kvadratų eilutės ypatybė yra ta, kad nuokrypių kvadratų suma yra minimali.
Tai rodo, kad jei buvo padaryta bet kurioje kitoje padėtyje, gautų nukrypimų kvadratų suma būtų didesnė už sumą, gautą su mažiausio kvadrato linija.
Jei a ir m lygtys (1) ir (2) yra išspręstos, gaunama tokia išraiška.
Koreliacijos koeficientas:
Tai yra kiekybinis santykio stiprumo matas, apibūdintas mažiausių kvadratų linija. Koreliacijos koeficiento dydis priklausys nuo koreliacijos laipsnio, kuris egzistuoja tarp nagrinėjamų kintamųjų.
Išraiška, nuo kurios nustatomas šis koreliacijos koeficientas, yra toks:
kur Y a = naudojamas faktinėms priklausomo kintamojo vertėms, pvz., gamybos sąnaudoms.
Yc = atitinkamos apskaičiuotos priklausomos kintamojo vertės, rastos iš mažiausių kvadratų eilutės.
Y̅ = priklausomų kintamųjų faktinių verčių vidurkis.
(5) lygtyje skaitiklio (Y a - Y c ) 2 vertė niekada negali būti mažesnė už nulį, nes tai yra kvadratinė suma. Tai gali būti maksimali nulinė, kai faktinės priklausomos kintamojo vertės yra lygios apskaičiuotoms vertėms. Tokiu atveju visi taškai yra geriausiai tinka. Tokiais atvejais skaitiklis yra lygus nuliui, o koreliacijos koeficientas pasiekia didžiausią vertę, ty 1. Tai įvyksta tik tada, kai du kintamieji yra visiškai tarpusavyje susiję.
Minimali koreliacijos koeficiento vertė gali būti lygi nuliui, o tai rodo koreliacijos tarp dviejų kintamųjų nebuvimą.
Didelį ir žemą koreliacijos laipsnį skirstyti sunku, tačiau toliau pateikiamose lentelėse pateikiamos visuotinai pripažintos koreliacijos koeficiento r vertės.
Praktikoje kitokia (6) lygties forma naudojama r vertei nustatyti.
Ši lygtis leidžia mums pavaizduoti koreliacijos koeficiento vertę dirbant tiesiogiai su pirminiais duomenimis, todėl tai yra paprastas r skaičiavimo metodas.
Mažiausių kvadratų metodo taikymas:
1 pavyzdys:
Bendrovė mano, kad yra ryšys tarp vieno iš jos produktų grupės rupijų pardavimo ir tam tikro ekonominio rodiklio. Konkrečiai ankstesnių pardavimų ir atitinkamų ekonominio rodiklio verčių palyginimas atskleidžia:
(a) Nustatykite santykio stiprumą apskaičiuojant abiejų kintamųjų koreliacijos koeficiento vertę.
(b) Nustatykite geriausios tinkamumo linijos lygtį mažiausių kvadratų metodu.
c) Jeigu tikimasi, kad būsimo laikotarpio ekonominio indekso vertė bus 112, kokių pardavimų galima tikėtis tuo laikotarpiu. (Pramonės inžinerija, RU, 1980)
Sprendimas:
Darant prielaidą, kad linijinis Y '- mx + a formos forecaster, kur m & a yra konstantos, kad tai būtų geriausio tinkamumo linija
∑Y a = na + m∑x… (i)
∑x Y a = a∑x + m∑x 2 … (ii)
Vertybių išvedimas iš (i) ir (ii) lygčių lentelės
19, 6 = 10a + 1025m
2067, 1 = 1023a + 105673 m
Šių lygčių sprendimas gaunamas
a = -7, 78
m = 0, 0951
Taigi yra tinkamiausios linijos lygtis
Y = -7, 78 + 0, 0951x Ans.
Būsimam laikotarpiui, kai ekonominis indeksas yra 112, pakeičiantis x = 112
Y = -7, 78 + .0951 x 112
= 2.8712 Numatomas pardavimas = Rs. 28712 | Ans.
Naudojant ryšį.
Keli regresijos:
Ankstesniame pavyzdyje buvo daroma prielaida, kad produktų grupės pardavimas priklauso tik nuo vieno ekonominio rodiklio vertės, tačiau daugeliu atvejų, kai produktas ar produktų grupės pardavimai gali būti rodiklių derinys.
Jei santykis tarp pardavimų ir šių ekonominių rodiklių ar kai kurių kitų rodiklių yra tiesinis, jį galima apibūdinti pagal šią bendrąją formą:
Y '- a + m 1 + m 1 x 1 + m 2 x 2 + m 3 x 3
kurioje a, m 1, m 2 yra konstantos ir x 1, x 2, x 3, yra kintamieji / rodikliai, kuriais remiantis turi būti pagrįsta pardavimo prognozė. Nežinomos konstantos gali būti nustatytos sprendžiant vienodas lygtis. Ši procedūra yra daugialypės regresijos analizė.
# 4 metodas. Laiko serijų analizė:
Šis pardavimo prognozavimo metodas laikomas panašiu į ekonominių rodiklių metodą, nes jis taip pat reikalauja regresinės analizės. Laiko eilutė - tai chronologiniai duomenys, turintys tam tikrą kiekį, pvz., Pardavimo apimtis arba rupijų pardavimai kaip priklausomas kintamasis ir laikas kaip nepriklausomas kintamasis.
Šios prognozės, kurias galima rasti su įsteigta organizacija, yra analizuojamos prieš prognozuojant. Yra bendras metodas, kuris paprastai naudojamas vadinamas „projektuoti tendenciją“. Šiame metode tendencijos linija yra projektuojama mažiausio kvadrato metodu.
Priklausomo kintamojo variantai gali būti atskirti kaip:
a) Ilgalaikiai pokyčiai.
b) Trumpalaikiai pokyčiai.
Ilgalaikė duomenų tendencija keistis, ty, padidėjimas ar sumažėjimas, vadinama pagrindine tendencija, kuri gali būti linijinė arba nelinijinė.
Trumpieji laikotarpio pakeitimai gali būti dviejų tipų:
(i) Reguliarus
ii) Nereguliarus
Reguliarūs svyravimai yra tie, kurie atsiranda reguliariai. Tai gali būti:
a) Sezoniniai pokyčiai.
b) cikliniai variantai.
Sezoniniai variantai :
Dažniausias periodinis svyravimas yra sezoninis svyravimas, kuris vyksta tam tikru periodiškumu laikui bėgant, socialinėmis papročiais ir festivaliais ir tt Tai daro įtaką įvairių produktų pardavimui (paprastai vartotojų naudojimui).
Cikliniai variantai:
Šie pokyčiai rodo periodiškumą ir atsiranda per trumpesnį laikotarpį. Kaip ir sezoniniai svyravimai, taip pat reguliarūs cikliniai variantai. Tačiau kadangi sezoniniai svyravimai vyksta per vienerius metus arba mažiau, cikliniai svyravimai kartojasi 5–10 metų intervalais.
Nereguliarūs variantai:
Šie skirtumai atsiranda be jokio konkretaus ritmo. Juos gali sukelti priežastys, veikiančios atsitiktinai ir nereguliariai. Priežastys gali būti sausros, potvyniai, karai, streikai ir žemės drebėjimai ir kt.
Laiko eilučių analizės metodika pardavimų prognozavimui organizacija analizuoja savo ankstesnius pardavimus, kad sužinotų, ar yra tam tikra tendencija. Tada ši tendencija prognozuojama į ateitį, o gautas pardavimai naudojami kaip pardavimo prognozės pagrindas. Šis metodas bus aiškus naudojant šias iliustracijas.
Tarkime, kad dažymo įrangos gamintojas (gali būti dažų volelių rėmai) nusprendžia ateinančiais metais prognozuoti savo produkto pardavimus. Jis pradeda rinkti duomenis per paskutinius keturis / penkerius metus.
Gamintojas iš ankstesnės patirties žino, kad jo gaminių pardavimas svyruoja dėl sezoninių svyravimų. Iš tikrųjų jis, remiantis ankstesniais duomenimis, nustatė, kad produkto paklausa rinkoje yra minimali per pirmąjį metų ketvirtį, dėl to padidėjo pardavimai dėl geresnių oro sąlygų.
Panašiai trečiąjį ketvirtį padidėja pardavimų apimtis dėl tolesnio oro sąlygų pagerėjimo ir festivalių sezono. Tačiau dėl mažiau palankių oro sąlygų ištrinti produkto paklausa ketvirtąjį ketvirtį sumažėja.
Dėl šių ketvirčio pokyčių bendrovė nusprendžia ketvirtį prognozuoti gamybos planavimo tikslus.
Pardavimų prognozavimo taikymas laiko eilučių analizės metodu bus aiškus naudojant šią iliustraciją:
Nepaisant riboto duomenų kiekio. Nustatykite tendencijos linijos lygtį. Su lygtimi apskaičiuokite ketvirtojo ketvirčio pardavimo tendencijų vertes. Tada sureguliuokite šias vertes, kad būtų galima numatyti sezoninius pokyčius. (KUK (ne departamentas). 1995 m. Gegužės mėn., B.Tech, 1998 m.
Sprendimas:
Kitaip tariant, faktinis pardavimai pirmąjį ketvirtį sudarė 77% apskaičiuotų pardavimų.
Panašiai apskaičiuoti pardavimai kitiems ketvirčiams yra tokie:
Norint koreguoti tendencijų vertes, kad būtų galima numatyti sezoninius svyravimus, nustatome šio sezono koregavimo koeficiento dydį, kiekvienų metų pirmąjį ketvirtį nustatant praeities pokyčių vidurkį, ty 1, 5 ir 9 ketvirčius.
Faktinis pardavimas keturių ketvirčių apskaičiuotų pardavimo verčių procentais.
Paskutinėje šios lentelės skiltyje pateikiamos sezoninio koregavimo koeficiento vertės ketveriems metų ketvirčiams, lygios 0, 7097, 0, 8663, 1, 120, 1, 30, ty 1, 2, 3 ir 4 ketvirčiui, ir apskaičiuotų pardavimų keturiems metams padauginimas. ketvirčius su koregavimo veiksniais, koreguojami atitinkamų metų pardavimo prognozės.
Laiko sekos analizės privalumai:
1. Šis metodas yra mažiau subjektyvus nei kolektyvinės nuomonės metodas ir ekonominių rodiklių metodas, nes jo taikymas nepriklauso nuo organizacijos gebėjimo rasti tinkamą rodiklį.
2. Palyginti su kolektyvinės nuomonės metodu ir ekonominių rodiklių metodu, kuris gali duoti tik metinę prognozę, kuri turi būti suskirstyta į trumpesnius laikotarpius, organizacija gali prognozuoti pardavimus pagal metus, analizuodama praėjusius metinius pardavimus, kas mėnesį analizuodama praėjusį mėnesį parduoti arba net savaitę, analizuojant praeities savaitės pardavimus.
Laiko serijos analizės apribojimas:
1. Šis metodas negali būti naudojamas prognozuojant naujo ar santykinai naujo produkto pardavimą, nes nėra jokių ankstesnių duomenų ar pakankamai ankstesnių duomenų.
2. Jei dėl sezoninių svyravimų kasmet didėja paklausos lygio svyravimai per metus, gali prireikti 12 koregavimo koeficientų, kad per metus būtų galima koreguoti prognozes.
3. Pardavimų kainų pokyčių, produktų kokybės, ekonominių sąlygų, rinkodaros metodų ir pardavimų skatinimo pastangų, kurias daro organizacijos, poveikis negali būti patenkinamas.
5. metodas. Judančių vidutinių pardavimų prognozavimo metodas:
Šiuo metodu pardavimų prognozė gaunama per praėjusių laikotarpių vidutinį praėjusių laikotarpių skaičių (gali būti metai, mėnesiai ar savaitės). Pailginant judantį vidurkį, įtraukiant daugiau laikotarpių, padidėja lyginimo efektas, tačiau sumažėja prognozės jautrumas.
Ilgalaikiai laikotarpiai suteikia per daug galimybių reikšmingiems paklausos pokyčiams. Siekiant sumažinti šią riziką, organizacijos gali prognozuoti vidutinį paklausą per trumpus laikotarpius, ty tris mėnesius. Šio metodo taikymas bus aiškus toliau pateiktoje iliustracijoje.
Prognozė, pagrįsta nesuskaičiavusių klientų skaičiaus vidurkiais:
Ši prognozė pagrįsta dviejų savaičių vidutiniu klientų skaičiumi.
Todėl 9-osios savaitės nekoreguota prognozė yra 512. 9-osios savaitės pabaigoje 10-osios savaitės prognozė bus pagrįsta vidutiniu klientų skaičiumi, kuris faktiškai lankėsi per 7 savaites, 8 ir 9 dienas ir pan. Rezultatas yra judančių vidurkių serija, įtraukta į pirmiau pateiktą lentelę.
Svertiniai perkėlimo vidurkiai:
Judantys vidurkiai, apskaičiuoti ankstesnėje dalyje, yra žinomi kaip svertiniai, nes kiekvienam skaičiui, kurio vidurkis yra nustatomas, priskiriamas tas pats svoris. Kai kurios įmonės savo prognozes grindžia svertiniu vidurkiu.
Darome prielaidą, kad klientų, kurie apsilanko per dvi savaites, skaičius suteikia patikimą pagrindą trečiajai savaitei prognozuoti ir dar labiau prielaida, kad pirmoji savaitė yra mažiau svarbi nei antroji ir todėl priskiriame 0, 4 iki pirmos savaitės svorius ir nuo 0, 6 iki antrosios savaitės . 9 savaitės svertinis vidurkis būtų
0, 4 X 549 + 0, 6 (474) = 220 + 284 = 504
Panašiai ir kitų savaičių svertiniai judesio vidurkiai įtraukti į šią lentelę:
Prognozė, pagrįsta svertiniais judančiais vidurkiais klientų skaičiui.
Judančio vidutinio metodo privalumai:
1. Šis metodas yra paprastesnis nei mažiausių kvadratų metodas.
2. Šiam metodui neturi įtakos asmenis, kurie naudojasi jais.
3. Judančio vidurkio laikotarpis yra lygus ciklo laikotarpiui. Cikliniai variantai yra pašalinami.
4. Jei duomenų tendencija yra linijinė, judantis vidurkis suteikia gerą ilgalaikio duomenų judėjimo vaizdą.
5. Judantis vidutinis metodas turi lankstumo pranašumą, ty, jei pridedama keletas metų, dėl naujų sąlygų priėmimo visi skaičiavimai nepasikeičia.
Judančio vidutinio metodo apribojimai:
Toliau pateikiami šio prognozavimo metodo trūkumai:
1. Tai nesukuria matematinių santykių, kurie gali būti naudojami pardavimų prognozavimui.
2. Yra tendencija sumažinti kampus, dėl kurių galuose prarandami duomenys
3. Didelis atsargumas reikalingas judančio vidurkio pasirinkimui, nes pasirinktas neteisingas laikotarpis nesuteiktų teisingo tendencijos.
4. Jei aštrūs posūkiai yra pradiniame grafike, judantis vidurkis sumažintų kreivumą.
5. Jis labai jautrus net ir nedideliam duomenų judėjimui.
Metodas Nr. 6. Eksponentinis lyginimas ir judantis vidutinis metodas:
Šis pardavimo prognozavimo metodas yra judančio vidutinio metodo arba geresnių žodžių pakeitimas, kuris yra geresnis nei judančio vidutinio prognozavimo metodo. Šis metodas bando pašalinti judančių vidurkių apribojimus ir pašalina būtinybę išlaikyti išsamius ankstesnius duomenis, taip pat bando pašalinti paklausos modelio pažeidimus.
Šis metodas yra ankstesnių stebėjimų svorio vidurkis. Šiuo atveju naujausiems stebėjimams priskiriamas didžiausias svoris, kuris mažėja geometrinėje progresijoje, kai pereiname prie senesnių stebėjimų.
Kadangi naujausiais stebėjimais, kurie gali atspindėti naujausią informaciją ar serijos vidurkį, suteikiamas didesnis svoris, todėl jis tampa vienu tiksliausių statistinio pardavimo prognozavimo metodo. Šis metodas išlaiko vidutinį paklausos vidurkį ir jį koreguoja kiekvienam laikotarpiui proporcingai skirtumui tarp paskutinio faktinio paklausos skaičiaus ir paskutinės vidutinės vertės.
Kai nėra produkto ar paslaugos paklausos tendencijos, pardavimai prognozuojami kitam laikotarpiui, naudojant eksponentinį švelninimo metodą, naudojant išraišką
Prognozė kitam laikotarpiui = naujausias faktinis poreikis (naujausias faktinis poreikis) + (1 - α) naujausio faktinio paklausos įvertinimas, kai a reiškia svertinio koeficiento, vadinamo lyginimo veiksniu, vertę.
Šis metodas atitinka lygtį
F n = F n -1 + α (D n-1 - Fn -1 )
kur F n = prognozė kitam laikotarpiui
F n-1 = prognozė ankstesniam laikotarpiui
D n-1 = praėjusio laikotarpio paklausa.
Jei a yra lygus 1, tada naujausia prognozė būtų lygi ankstesnio laikotarpio faktiniam poreikiui. Praktikoje a vertė paprastai pasirenkama tarp 0, 1 ir 0, 3. Technikos taikymas parodomas naudojant judančio vidurkio pardavimo prognozavimo metodo duomenis 78 puslapyje. Taikant metodą, mes naudosime a kaip 0, 10 vertę.
Naudojant lygtį (7), jei faktinė 3-osios savaitės paklausa yra 487, ketvirtosios savaitės prognozė bus
0, 10 (487) + (1, 00 - 0, 10) 550 = 544
Panašiai, jei tikroji 4-osios savaitės paklausa yra 528 klientai, penktos savaitės prognozė bus
0, 10 (528) + (1, 00 - 0, 10) (544) = 542
Jei ši procedūra buvo taikoma per visą 8 savaičių laikotarpį, rezultatai pateikiami šioje lentelėje. Nereguliuojamos prognozės paklaida taip pat nurodyta D stulpelyje D = B - C. Jei a reikšmė nepateikiama; tai galima nustatyti apytiksliai a.
α = 2 / periodų skaičius judančiame vidurkyje + 1
(7) lygtyje, kiek tai susiję su svorio veiksniais a, ji gali prisiimti minimalią vertę 0 ir maksimalią vertę 1. Kuo didesnė a vertė, tuo didesnis yra svoris, nustatytas naujausiems duomenims. Kai a vertė yra 1, prognozė bus lygi praėjusio laikotarpio paklausai.
Nors a vertė priklauso nuo produkto, tačiau dauguma organizacijų nustatė, kad vertė nuo 0 iki 0, 20 paprastai pasirodo esanti patenkinama.
Bandydami išsiaiškinti, kokią vertę a reikėtų naudoti gaminiui ar paslaugai, organizacija / įmonė gali pasirinkti įvairias vertes, išnagrinėti ankstesnes prognozes naudodama šias vertes ir priimti ateityje naudoti tą, kuri būtų sumažinusi prognozavimo klaidas praeitis.
Tokiu būdu mes uždarome eksponentinio švelninimo aprašymą, kaip jis taikomas, kai yra pasiekiama pardavimo / paslaugos tendencija. Esant tendencijai, taikant šią techniką galima pritaikyti tendencijas, tačiau jos taikymas tampa šiek tiek sudėtingas.
