Тема 3 Прогнозирование спроса 1 Понятие управление спросом

Тема 3: Прогнозирование спроса 1) Понятие «управление спросом» 2) Методы прогнозирования спроса.

1. Понятие «управление спросом» • Цель управления спросом состоит в координации и контроле всех источников спроса для эффективного использования производственной системы и своевременных поставок продукции.

Классифицируя виды спроса, целесообразно выделить: • Зависимый спрос • Независимый спрос.

Зависимый спрос – это • спрос на изделия или услугу, вызванный спросом на другие изделия или услуги. Этот тип спроса не требует процедуры прогнозирования.

Если спрос на изделия или услугу не зависит от спроса на другие изделия или услуги, то этот спрос называется независимым.

При зависимом спросе у предприятия мало возможностей, чтобы предпринять какие-либо действия, но что касается независимого спроса, то фирма может: • Занять активную позицию, чтобы оказать влияние на спрос. • Занять пассивную позицию и просто реагировать на спрос.

2. Методы прогнозирования спроса Шесть видов изменения спроса: 1. Средний спрос за определенный период 2. Тренд 3. Сезонные колебания 4. Циклические колебания 5. Случайный спрос 6. Автокорреляция.

Рис. 8 Виды изменения спроса Тренд Случайный спрос Средний спрос за определенный период Сезонные колебания спроса І ІІ ІV Период

• Циклические колебания определить сложно, т. к. цикл может быть неизвестен или отсутствовать возможность установления причины цикла. • Случайные изменения (случайный спрос) вызваны непредсказуемыми событиями, если из общего спроса удалить статистические компоненты, остается только необъяснимая составляющая спроса, случайный фактор.

• Автокорреляция отражает постоянные свойства процесса, ожидаемое значение переменной в любой точке связано со своими прошлыми значениями. • Стартовой точкой при разработке прогноза обычно являются трендовые линии. Эти линии затем корректируют в зависимости от сезонных, циклических колебаний и любых других, ожидаемых событий.

При осуществлении прогнозирования используются следующие методы и модели прогнозирования: Качественные методы - это субъективные оценочные методы, основанные на оценках и суждениях специалистов: • «корни травы» - составляется прогноз методом сбора исходных данных, собранных у руководителей подразделений, находящихся внизу иерархической лестницы.

Качественные методы: • «метод исследования рынка» заключается в сборе данных различными методами (опрос, интервью) для проверки гипотезы о рынке. Обычно используется этот метод при долгосрочном прогнозировании и прогнозе продаж новых видов товаров.

Качественные методы: • метод группового согласия – прогноз основан на свободном, открытом обмене мнениями на совещании. Идея состоит в том, что групповое обсуждение приводит к более точному прогнозу, чем индивидуальное составление прогноза.

Качественные методы: • историческая аналогия – метод связан с анализом жизненного цикла аналогичного товара. Используется при планировании нового вида продукции, когда прогноз можно получить на основе исследования истории предложения аналогичного товара. • метод Дельфи (САМОСТОЯТЕЛЬНО!)

Анализ временных рядов - основан на идее, что предысторию ситуации в динамике можно использовать для прогнозирования будущего, т. е. это разновидность статистических методов: 1. Простое скользящее среднее проводится усреднение за период времени, путем деления суммы значений точек на число точек. Каждая точка оказывает одинаковое влияние на результат. Ft=( A 1 +A 2+…. +An) / n Ft – прогнозное значение спроса A 1 , A 2 , An - фактическое значение за предыдущие периоды.

Анализ временных рядов: 2. Взвешенная скользящая средняя – аналогичен предыдущему методу, но определенным точкам, исходя из опыта можно присвоить большую или меньшую значимость в прогнозе по отношению к другим точкам. Ft=W 1*A 1+W 2*A 2+. . Wn*An ∑ni=1 Wi=1 Ft – прогнозное значение спроса A 1 , A 2 , An - фактическое значение за предыдущие периоды W 1, W 2, Wn – вес каждого их фактических значений (факторов) за предыдущий период.

Анализ временных рядов: 3. Метод экспоненциального сглаживания – позволяет сгладить разброс между фактическим и прогнозным значениями за предыдущий период. Ft= Ft-1 ± α (Аt-1 – Ft-1) α - const. сглаживания Ft -1 – прогнозное значение за предыдущий период спроса Аt-1 – фактический спрос за предыдущий период

Константа сглаживания может быть вычислена следующим образом: α= 2/ (∑n+1) n – число периодов усреднения Недостатком этого метода является лаговый эффект.

Анализ временных рядов: 4. Регрессионный анализ устанавливает прямую зависимость между значениями данных и времени. Самый распространенный линейный регрессионный анализ, основан на методе наименьших квадратов. Y(Ft) = ax + b(t) Линейная регрессия эффективна при долгосрочном прогнозировании и совокупном планировании. Недостатком и ограничением использования данного метода может служить допущение, что значения данных в прошлых и будущих интервалах попадают на прямую линию.