پیش بینی روند پیش بینی آینده بر اساس داده های گذشته و حال است. این بیشتر با تجزیه و تحلیل روندها است. یک مثال معمول ممکن است تخمین برخی از متغیرهای مورد علاقه در برخی از تاریخ مشخص شده آینده باشد. پیش بینی یک اصطلاح مشابه اما کلی تر است. هر دو ممکن است به روشهای آماری رسمی با استفاده از سری های زمانی ، داده های مقطعی یا طولی یا روش های دیگر برای قضاوت کمتر رسمی مراجعه کنند. استفاده می تواند بین زمینه های کاربردی متفاوت باشد: به عنوان مثال ، در هیدرولوژی ، اصطلاحات "پیش بینی" و "پیش بینی" گاهی اوقات برای برآورد مقادیر در زمان های خاص خاص ، محفوظ است ، در حالی که اصطلاح "پیش بینی" برای برآوردهای عمومی تر استفاده می شود ، از این دستاز آنجا که تعداد دفعات سیل در طی یک دوره طولانی رخ خواهد داد.

خطر و عدم اطمینان برای پیش بینی و پیش بینی اساسی است. به طور کلی نشان دادن میزان عدم اطمینان به پیش بینی های خاص ، عمل خوبی در نظر گرفته شده است. در هر صورت ، داده ها باید به روز باشند تا پیش بینی تا حد امکان دقیق باشد. در بعضی موارد ، داده های مورد استفاده برای پیش بینی متغیر علاقه خود پیش بینی می شود.[1]

همانطور که در فصل قبل مورد بحث قرار گرفت ، استراتژی های عملکردی باید با استراتژی شرکتهای سطح بالاتر سازمان هماهنگ و پشتیبانی شوند. یکی از این زمینه های عملکردی بازاریابی است. ایجاد استراتژی بازاریابی یک رویداد واحد نیست ، و همچنین اجرای استراتژی بازاریابی چیزی نیست که فقط بخش بازاریابی باید از آن نگران باشد.

هنگامی که این استراتژی اجرا شد ، بقیه شرکت باید برای مقابله با عواقب آماده شوند. یک مؤلفه مهم در این اجرای پیش بینی فروش است که تخمین میزان فروش شرکت در واقع است. سپس بقیه شرکت باید برای پاسخگویی به آن تقاضا (یا پایین) تنظیم شوند. در این ماژول ، ما با جزئیات بیشتری پیش بینی می کنیم ، زیرا گزینه های بسیاری وجود دارد که می تواند در تهیه پیش بینی انجام شود.

دقت هنگام پیش بینی مهم است. اگر مدیران تقاضای یک محصول را بیش از حد ارزیابی کنند ، این شرکت می تواند در نهایت هزینه های تولید ، توزیع و خدمات سرویس دهی را که لازم نیست هزینه کند. Data Impact ، یک توسعه دهنده نرم افزار ، اخیراً تقاضا برای یکی از محصولات جدید خود را بیش از حد ارزیابی کرده است. از آنجا که فروش این محصول با پیش بینی ها روبرو نشده است ، تأثیر داده ها فاقد پول نقد برای پرداخت فروشندگان ، ارائه دهندگان ابزار و سایر موارد بود. برای کاهش هزینه ها ، کارمندان باید در بسیاری از مناطق شرکت فسخ شوند.

دست کم گرفتن تقاضا می تواند به همان اندازه ویرانگر باشد. هنگامی که یک شرکت محصول جدیدی را معرفی می کند ، برای ایجاد تقاضا برای آن ، کمپین های بازاریابی و فروش را راه اندازی می کند. اما اگر این شرکت آماده تحویل کالای کالایی که بازار را ارائه می دهد ، دیگر رقبای دیگر می توانند فروش را که ممکن است شرکت در غیر این صورت اسیر کرده باشد ، سرقت کنند. ناتوانی سونی در ارائه خواننده الکترونیکی در تعداد کافی باعث شد که Kindle آمازون به راحتی در بازار پذیرفته شود. سایر ویژگی ها سپس به Kindle این مزیت را داد که سونی برای غلبه بر آن دشوار است.

این شرکت باید بیش از پیش بینی فروش شرکت انجام دهد. این روند می تواند پیچیده باشد ، زیرا چقدر شرکت می تواند بفروشد به عوامل بسیاری بستگی دارد که چقدر محصول هزینه خواهد داشت ، چگونه رقبا واکنش نشان می دهد و غیره. برای تعیین میزان فروش شرکت ، باید هر یک از این عوامل را در نظر گرفت. با تغییر عوامل ، پیش بینی نیز باید تغییر کند. بنابراین ، پیش بینی فروش در واقع کامپوزیتی از تعدادی از تخمین ها است و باید با تغییر سایر تخمین ها پویا باشد.

اولین قدم رایج تعیین پتانسیل بازار یا کل فروش در سطح صنعت است که در یک دسته محصول خاص برای دوره زمانی مورد علاقه انتظار می رود.. شرکت هایی که آن محصولات را تولید می کنند.

هنگامی که شرکت ایده ای از پتانسیل بازار داشته باشد ، می توان پتانسیل فروش شرکت را تخمین زد. پتانسیل فروش یک شرکت حداکثر درآمد کل است که امیدوار است از یک محصول تولید کند یا تعداد واحدهای آن که شرکت می تواند امیدوار باشد بفروشد. پتانسیل فروش این محصول به طور معمول به عنوان درصدی از پتانسیل بازار آن و معادل حداکثر سهم بازار شرکت برای دوره زمانی ارائه می شود. در بودجه خود ، می خواهید درآمد حاصل از محصول را در برابر پتانسیل بازار و همچنین در برابر هزینه های محصول پیش بینی کنید.[2]

پیش بینی افق

پیش بینی بلند مدت تمایل دارد در سطح بالایی در سازمان به پایان برسد. بازه زمانی به طور کلی بیش از 2 سال از آینده در نظر گرفته می شود. دانش دقیق در مورد محصولات و بازارها به دلیل درجه بالای عدم اطمینان مورد نیاز است. این امر معمولاً در مورد ورود محصولات جدید به بازار ، نوظهور فن آوری های جدید و افتتاح امکانات جدید است. غالباً هیچ داده تاریخی در دسترس نیست.

پیش بینی میان مدت چندین ماه تا 2 سال به آینده می رسد و به عنوان اصطلاح متوسط گفته می شود. هر دو پیش بینی کمی و کیفی ممکن است در این بازه زمانی استفاده شود.

پیش بینی کوتاه مدت روزانه تا ماهها در آینده است. این پیش بینی ها برای تصمیم گیری های عملیاتی مانند برنامه ریزی موجودی ، سفارش و برنامه ریزی نیروی کار استفاده می شود. معمولاً از روشهای کمی مانند تجزیه و تحلیل سری زمانی در این بازه زمانی استفاده می شود.

دسته بندی روشهای پیش بینی

پیش بینی کیفی

تکنیک های پیش بینی کیفی براساس عقیده و قضاوت مصرف کنندگان و متخصصان ذهنی هستند. آنها در صورت عدم دسترسی به داده های گذشته مناسب هستند. آنها معمولاً در تصمیمات متوسط یا دوربرد اعمال می شوند.

در ادامه ، ما در مورد چند نمونه از تکنیک های پیش بینی کیفی بحث می کنیم:

داوری اجرایی (بالا به پایین)

گروه هایی از مدیران سطح بالا اغلب مسئولیت پیش بینی را بر عهده می گیرند. آنها برای بررسی داده های بازار همکاری می کنند و به روندهای آینده برای تجارت نگاه می کنند. اغلب ، آنها از مدل های آماری و همچنین کارشناسان بازار برای رسیدن به پیش بینی استفاده می کنند.

نظرات نیروی فروش (پایین به بالا)

نیروی فروش در یک تجارت آن دسته از افراد نزدیک به مشتریان است. نظرات آنها از ارزش بالایی برخوردار است. غالباً از پرسنل نیروی فروش خواسته می شود پیش بینی های آینده خود را برای منطقه یا قلمرو خود ارائه دهند. پس از بررسی همه این موارد ، ممکن است آنها برای تشکیل یک پیش بینی کلی برای منطقه یا منطقه ترکیب شوند.

روش

این روش توسط شرکت رند در دهه 50 ایجاد شده است. گروهی از متخصصان برای شرکت در یک پیش بینی استخدام می شوند. سرپرست پیش بینی مجموعه ای از پرسشنامه ها را ارسال می کند و از ورودی ها و توجیهات درخواست می کند. این پاسخ ها دوباره جمع آوری و ارسال می شوند تا پاسخ دهندگان بتوانند پاسخ های خود را ارزیابی و تنظیم کنند. جنبه اصلی روش دلفی این است که پاسخ ها ناشناس هستند ، پاسخ دهندگان هیچ آگاهی در مورد اطلاعاتی که از چه منابع حاصل شده است ، ندارند. این اجازه می دهد تا همه عقاید مورد توجه قرار گیرند. مجموعه پرسشنامه ها چندین بار به عقب و جلو می روند تا اینکه پیش بینی شود.

بررسی های بازار

برخی از سازمان ها از شرکتهای تحقیقاتی بازار برای درخواست اطلاعات از مصرف کنندگان در مورد نظرات در مورد محصولات و برنامه های خرید آینده استفاده می کنند.

پیش بینی کمی

از مدل های پیش بینی کمی برای پیش بینی داده های آینده به عنوان تابعی از داده های گذشته استفاده می شود. آنها مناسب هستند که داده های عددی گذشته در دسترس باشند و چه زمانی منطقی است که تصور کنیم برخی از الگوهای موجود در داده ها به آینده ادامه می یابد. این روشها معمولاً در تصمیمات کوتاه یا متوسط استفاده می شوند. برخی از نمونه های روشهای پیش بینی کمی روشهای پیش بینی علّی (اقتصاد سنجی) ، تقاضای دوره آخر (ساده و ساده) ، میانگین های متحرک ساده و وزنی N و یکنواختی نمایی ساده است که به عنوان روش های سری زمانی طبقه بندی می شوند. مدل های پیش بینی کمی اغلب با مقایسه اقدامات عملکرد دقت آنها در برابر یکدیگر قضاوت می شوند. برخی از این اقدامات شامل میانگین انحراف مطلق (MAD) ، میانگین خطای مربع (MSE) و میانگین خطای درصد مطلق (MAPE) است.

ما در مورد برخی از این روش های پیش بینی و اندازه گیری دقت در بخش های بعدی توضیح خواهیم داد.[3]

روشهای پیش بینی علی (اقتصاد سنجی) (درجه)

برخی از روش های پیش بینی سعی در شناسایی عوامل اساسی که ممکن است بر متغیر پیش بینی شده تأثیر بگذارد. به عنوان مثال ، از جمله اطلاعات در مورد الگوهای آب و هوایی ممکن است توانایی یک مدل در پیش بینی فروش چتر را بهبود بخشد. مدل های پیش بینی اغلب تغییرات منظم فصلی را در نظر می گیرند. علاوه بر آب و هوا ، چنین تغییراتی می تواند به دلیل تعطیلات و آداب و رسوم باشد: به عنوان مثال ، ممکن است پیش بینی کند که فروش پوشاک فوتبال کالج در فصل فوتبال نسبت به دوره خارج از فصل بیشتر خواهد بود.

چندین روش غیررسمی مورد استفاده در پیش بینی علی فقط به خروجی الگوریتم های ریاضی متکی نیست ، بلکه در عوض از داوری پیش بینی استفاده می کند. برخی از پیش بینی ها روابط گذشته بین متغیرها را در نظر می گیرند: به عنوان مثال ، اگر یک متغیر برای مدت طولانی تقریباً به صورت خطی با دیگری ارتباط داشته باشد ، ممکن است مناسب باشد که چنین رابطه ای را در آینده بسازیم ، بدون اینکه لزوماً دلایل آن را درک کندرابطه.

یکی از مشهورترین مدلهای علی ، تجزیه و تحلیل رگرسیون است. در مدل سازی آماری ، تجزیه و تحلیل رگرسیون مجموعه ای از فرآیندهای آماری برای برآورد روابط بین متغیرها است. این شامل تکنیک های بسیاری برای مدل سازی و تجزیه و تحلیل چندین متغیر است ، هنگامی که تمرکز بر رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل (یا "پیش بینی کننده") است. به طور خاص ، تجزیه و تحلیل رگرسیون به فرد کمک می کند تا درک کند که چگونه مقدار معمولی متغیر وابسته (یا "متغیر معیار") تغییر می کند که هر یک از متغیرهای مستقل متنوع باشد ، در حالی که سایر متغیرهای مستقل ثابت هستند.

شکل 3. 1: مثال تجزیه و تحلیل رگرسیون.

فرضیات پیش بینی مشترک:

1. پیش بینی ها به ندرت ، در هر صورت ، کامل است. تقریباً 100 ٪ دقیق تخمین می زند که آینده چه چیزی را حفظ خواهد کرد. شرکت ها باید در پیش بینی های خود خطایی را درک و انتظار داشته باشند.
2. پیش بینی ها برای گروه های موارد دقیق تر از موارد خاص در گروه هستند. Fitbit محبوب ممکن است شش مدل مختلف تولید کند. هر مدل ممکن است در چندین رنگ مختلف ارائه شود. هر یک از این رنگ ها ممکن است در کوچک ، بزرگ و فوق العاده بزرگ باشد. پیش بینی برای هر مدل به مراتب دقیق تر از پیش بینی برای هر مورد نهایی خاص خواهد بود.
3. با افزایش افق زمانی ، دقت پیش بینی کاهش می یابد. هرچه پیش بینی دورتر از تاریخ فعلی باشد ، عدم اطمینان بیشتری در آن وجود خواهد داشت.

هنگامی که ما تقاضای محصول تاریخی خود را ترسیم می کنیم ، الگوهای زیر را می توان اغلب یافت:

روند - یک روند حرکت به سمت بالا یا نزولی تقاضا است. این ممکن است مربوط به چرخه زندگی محصول باشد.

چرخه - چرخه الگویی در داده ها است که تمایل به بیش از یک سال طول می کشد. غالباً ، آنها مربوط به رویدادهایی مانند نرخ بهره ، آب و هوای سیاسی ، اعتماد به نفس مصرف کننده یا سایر عوامل بازار هستند.

فصلی - بسیاری از محصولات دارای یک الگوی فصلی هستند ، به طور کلی تغییرات قابل پیش بینی در تقاضا که هر ساله در حال تکرار هستند. محصولات مد و کالاهای ورزشی به شدت تحت تأثیر فصلی قرار دارند.

تغییرات نامنظم - اغلب تقاضا می تواند تحت تأثیر یک رویداد یا مجموعه ای از رویدادهایی باشد که انتظار نمی رود در آینده تکرار شود. نمونه ها ممکن است شامل یک رویداد آب و هوایی شدید ، اعتصاب در دانشگاه کالج یا قطع برق باشد.

تغییرات تصادفی - تغییرات تصادفی تغییرات غیر قابل توضیح در تقاضا است که پس از سایر عوامل در نظر گرفته می شود. غالباً به این سر و صدا گفته می شود.

شکل 3. 2: نمودار الگوهای روند ، چرخه ای و تقاضای فصلی.

روش های سری زمانی

روشهای سری زمانی از داده های تاریخی به عنوان اساس تخمین نتایج آینده استفاده می کنند. یک سری زمانی یک سری از نقاط داده است که به ترتیب زمان فهرست بندی شده (یا لیست شده یا نمودار شده). معمولاً ، یک سری زمانی دنباله ای است که در زمان به طور مساوی با هم فاصله گرفته است. بنابراین ، این یک توالی از داده های زمان گسسته است. نمونه هایی از سری زمانی ارتفاعی از جزر و مد اقیانوس ، تعداد لکه های آفتاب و ارزش بسته شدن روزانه میانگین صنعتی داو جونز است.

سری زمانی که اغلب از طریق نمودارهای خط ترسیم می شوند. سری زمانی در آمار ، پردازش سیگنال ، تشخیص الگوی ، اقتصاد سنجی ، مالی ریاضی ، پیش بینی آب و هوا ، پیش بینی زلزله ، الکتروانسفالوگرافی ، مهندسی کنترل ، نجوم ، مهندسی ارتباطات و عمدتاً در هر حوزه علم و مهندسی کاربردی که شامل اندازه گیری های زمانی است استفاده می شود.[4]

در ادامه ، ما در مورد برخی از روش های ساده تر سری زمانی توضیح بیشتری خواهیم داد و نمونه های عددی را طی می کنیم.

روش ساده ساده ترین روش پیش بینی روش ساده لوح است. در این حالت ، پیش بینی برای دوره بعدی با تقاضای واقعی برای دوره قبلی تعیین شده است. این روش پیش بینی اغلب به منظور ارزیابی و مقایسه سایر روشهای پیش بینی ممکن است به عنوان معیار استفاده شود.

میانگین حرکت ساده در این روش ، ما میانگین آخرین دوره های "N" را می گیریم و از آن به عنوان پیش بینی برای دوره بعدی استفاده می کنیم. برای دستیابی به پیش بینی دقیق تر ، می توان ارزش "N" را با مدیریت تعریف کرد. به عنوان مثال ، یک مدیر ممکن است تصمیم بگیرد که از چهار دوره گذشته (یعنی 4 نفر) از مقادیر تقاضا استفاده کند تا میانگین پیش بینی میانگین حرکت 4 دوره را برای دوره بعدی محاسبه کند.

برخی از نمادهای مربوطه: D_t= تقاضای واقعی مشاهده شده در دوره t f_t= پیش بینی برای دوره t

با استفاده از جدول زیر ، پیش بینی را برای دوره 5 بر اساس میانگین حرکت 3 دوره محاسبه کنید.