[МУЗЫКА] [МУЗЫКА} Теперь мы с вами перейдем ко второму подходу прогнозирования объема продаж, а именно к аналитическим методам прогнозирования. Что лежит в основе этой группы методов? В основе лежит экстраполяция предыдущей тенденции в области продаж конкретного товара. Отсюда и обязательное условие: для того чтобы применять эти методы, нам необходимо иметь ту самую статистику объемов продаж конкретного товара. Начнем рассматривать эту группу методов с самого простейшего метода, который называется «прошлый товарооборот». Для того чтобы применить этот метод, нам нужно иметь всего два числа: это объем продажи конкретного товара в прошлом году и в позапрошлом году. Чтобы посчитать прогноз на следующий год, мы используем следующую формулу: объем продаж прошлого года мы умножаем на индекс соотношения продаж прошлого года к продажам позапрошлого года. Проанализировать эту методику достаточно просто. Главное достоинство — она проста и нетрудоемка. Нужно иметь два данных и несколько секунд времени, чтобы просчитать прогноз. Но, к сожалению, в этом достоинстве кроется и основной недостаток: эта методика имеет очень узкую сферу эффективного применения. Обозначить эту сферу можно следующим образом: она может быть эффективно применена только фирмами — законными монополистами, продающими товар неэластичного спроса. Что это за фирмы-монополисты? Это ситуация, когда конкуренция на рынке заведомо экономически нецелесообразна. Это такие товары, как электричество, водоснабжение, теплоснабжение... Обычно государство поступает очень просто: оно выдает лицензию на обслуживание населения одной конкретной фирме. Конкурентов у этой фирмы заведомо не будет. Покупателю деваться от продукта этой компании просто-напросто некуда. Отсюда столь простая формула, столь простой подход для прогнозирования объема продаж вполне подойдет. А следующая методика, относящаяся к данной группе, — это анализ тенденций и циклов. Методика уже немножко посложнее, чем первая из этой группы. Нам нужно иметь достаточно солидный ряд объемов продаж товара в прошлые годы. Без этого получить хороший, достоверный результат практически невозможно. Если мы имеем эти данные, то сам прогноз рассчитывается достаточно просто. Мы используем такие продукты, как бизнес-калькулятор, Microsoft Excel, продукты типа Gretl, SPSS, заводим данные о прошлых объемах продаж, и программный продукт экстраполирует эту тенденцию сбыта на интересующий нас год. Вы спросите: «А как, соответственно, прогнозировать объем продаж внутри года?» Это тоже важный момент. Очень часто наблюдается ярко выраженная сезонность в объемах продаж. И, основываясь на той же платформе, а именно наличии статистики о прошлых объемах продаж, мы можем разобраться и с этим вопросом. Правда, здесь появляется один существенный нюанс: нам нужна уже статистика объемов продаж не по годам, а по месяцам. То есть нужны данные о продажах в январе, феврале, марте и так далее. Соответственно, на график, где по вертикали — объем продаж в натуральном или стоимостном выражении, по оси времени у нас идут месяца, мы откладываем средние значения продаж в каждом месяце. И уже по этому простому графику мы можем сделать определенный вывод, в какие месяцы у нас продажи стабильно высокие, когда они падают или являются предельными низкими. Чтобы получить более точные данные, я рекомендую использовать стандартный статистический пакет SPSS — он даст заведомо более точные данные прогноза, чем вот такое приближенное рассмотрение данных по графику, которое мы только что с вами описали. В чем достоинства, в чем недостатки данного подхода? Методика дает достаточно неплохие прогнозные данные на горизонте примерно один год. Расчет прогноза прост. Программные пакеты позволяют рассчитать прогноз достаточно быстро. Но, к сожалению, не всегда этот подход может быть применен эффективно. Он эффективен в том случае, если мы применяем его к продажам товара, который пользовался спросом, пользуется и будет пользоваться. Ну, наиболее яркий пример — это стандартные продукты питания, от которых населению отказаться невозможно. Но если, предположим, у нас фэшн-бизнес и год от года у нас меняются продаваемые коллекции, то эта методика заведомо не сработает. Еще один момент — это стабильность на том рынке, на котором работает наша компания. Если, к сожалению, случаются кризисы, то какой бы ни был у нас ретроспективный ряд, использовать его уже не представляется возможным, потому что после каких-то кризисных явлений тенденция сбыта на рынке существенно меняется. Для того чтобы получить более точные данные на основе этого подхода, есть еще одна разновидность — это так называемые корреляционные модели. Используется эта методика исключительно для того, чтобы получить более точные данные прогноза. Методика усложняется следующим образом: мы определяем, какие факторы влияют на сбыт нашего товара. При этом мы можем отобрать не любые факторы, а только те, которые определяются количественно и по которым, соответственно, тоже есть статистика. Для того чтобы применить эту методику, нам нужно составить банк данных — такой, который отображен на слайде. Основа та же: это годы и объемы продажи нашего товара в эти годы. Рядом мы должны отразить состояние каждого фактора, влияющего на сбыт. Ну вот, предположим, что наш продукт — это автомобиль. Какие факторы влияют на его сбыт? С очевидностью, это уровень реальных доходов населения на рынке сбыта. Эта статистика всегда имеется в наличии, и мы можем расположить эти данные по годам. Еще один стандартный фактор, который используется в этой модели, — это, скажем, стоимость основного расходного материала при эксплуатации автомобиля, это стоимость бензина. Аналогичная статистика тоже есть. За количеством факторов гнаться не надо, достаточно двух-трех существенно влияющих на прогноз сбыта. Получив данный банк данных, мы заносим его опять в какой-то программный продукт типа SPSS, Gretl, и программа выдает нам уравнение регрессии зависимости объема сбыта от состояния факторов. Дальше нам необходимо сделать следующее — спрогнозировать состояние каждого фактора на интересующий нас год. Сделать мы это можем двумя путями: либо впрямую сэкстраполировать состояние этого фактора на интересующий нас год, для чего мы используем опять программный пакет, либо можно дать экспертные оценки. После этого необходимо прогнозные значения по состоянию каждого фактора подставить в уравнение регрессии и просчитать это уравнение с этими данными. Как правило, если грамотно подобраны факторы, влияющие на сбыт, прогноз у нас получается гораздо более точным.
