Алгоритм прогнозирования объёма продаж в MS Excel

Алгоритм прогнозирования объёма продаж в MS Excel

На сегодняшний день наука достаточно далеко продвинулась в разработке технологий прогнозирования. Специалистам хорошо известны методы нейросетевого прогнозирования, нечёткой логики и т.п. Разработаны соответствующие программные пакеты, но на практике они, к сожалению, не всегда доступны рядовому пользователю, а в то же время многие из этих проблем можно достаточно успешно решать, используя методы исследования операций, в частности имитационное моделирование, теорию игр, регрессионный и трендовый анализ, реализуя эти алгоритмы в широко известном и распространённом пакете прикладных программ MS Excel.

В данной статье представлен один из возможных алгоритмов построения прогноза объёма реализации для продуктов с сезонным характером продаж. Сразу следует отметить, что перечень таких товаров гораздо шире, чем это кажется. Дело в том, что понятие “сезон” в прогнозировании применим к любым систематическим колебаниям, например, если речь идёт об изучении товарооборота в течение недели под термином “сезон” понимается один день. Кроме того, цикл колебаний может существенно отличаться (как в большую, так и в меньшую сторону) от величины один год. И если удаётся выявить величину цикла этих колебаний, то такой временной ряд можно использовать для прогнозирования с использованием аддитивных и мультипликативных моделей.

Аддитивную модель прогнозирования можно представить в виде формулы:

где: F – прогнозируемое значение; Т – тренд; S – сезонная компонента; Е – ошибка прогноза.

Применение мультипликативных моделей обусловлено тем, что в некоторых временных рядах значение сезонной компоненты представляет собой определенную долю трендового значения. Эти модели можно представить формулой:

На практике отличить аддитивную модель от мультипликативной можно по величине сезонной вариации. Аддитивной модели присуща практически постоянная сезонная вариация, тогда как у мультипликативной она возрастает или убывает, графически это выражается в изменении амплитуды колебания сезонного фактора, как это показано на рисунке 1.

Рис. 1. Аддитивная и мультипликативные модели прогнозирования.

Алгоритм построения прогнозной модели

Для прогнозирования объема продаж, имеющего сезонный характер, предлагается следующий алгоритм построения прогнозной модели:

1.Определяется тренд, наилучшим образом аппроксимирующий фактические данные. Существенным моментом при этом является предложение использовать полиномиальный тренд, что позволяет сократить ошибку прогнозной модели.

2.Вычитая из фактических значений объёмов продаж значения тренда, определяют величины сезонной компоненты и корректируют таким образом, чтобы их сумма была равна нулю.

3.Рассчитываются ошибки модели как разности между фактическими значениями и значениями модели.

4.Строится модель прогнозирования:

где:
F
– прогнозируемое значение;
Т
– тренд;
S
– сезонная компонента;
Е —
ошибка модели.

5.На основе модели строится окончательный прогноз объёма продаж. Для этого предлагается использовать методы экспоненциального сглаживания, что позволяет учесть возможное будущее изменение экономических тенденций, на основе которых построена трендовая модель. Сущность данной поправки заключается в том, что она нивелирует недостаток адаптивных моделей, а именно, позволяет быстро учесть наметившиеся новые экономические тенденции.

где:
Fпр t — прогнозное значение объёма продаж;
Fф t-
1 – фактическое значение объёма продаж в предыдущем году;
Fм t
— значение модели;
а –
константа сглаживания

Практическая реализация данного метода выявила следующие его особенности:

  • для составления прогноза необходимо точно знать величину сезона. Исследования показывают, что множество продуктов имеют сезонный характер, величина сезона при этом может быть различной и колебаться от одной недели до десяти лет и более;
  • применение полиномиального тренда вместо линейного позволяет значительно сократить ошибку модели;
  • при наличии достаточного количества данных метод даёт хорошую аппроксимацию и может быть эффективно использован при прогнозировании объема продаж в инвестиционном проектировании.

Применение алгоритма рассмотрим на следующем примере.

Исходные данные: объёмы реализации продукции за два сезона. В качестве исходной информации для прогнозирования была использована информация об объёмах сбыта мороженого “Пломбир” одной из фирм в Нижнем Новгороде. Данная статистика характеризуется тем, что значения объёма продаж имеют выраженный сезонный характер с возрастающим трендом. Исходная информация представлена в табл. 1.

Таблица 1.
Фактические объёмы реализации продукции

Источник:
http://www.cfin.ru/finanalysis/sales_forecast.shtml

Как рассчитать прогноз продаж с учетом роста и сезонности в Excel?

Из данной статьи вы узнаете, как в Excel рассчитать прогноз продаж с учетом роста и сезонности.

Прогнозируя продажи подобным образом, вы получите максимально точный и обоснованный прогноз на длительный промежуток времени.

Процесс расчета прогноза разделим на 3 части:

  1. Расчет значение тренда;
  2. Определение коэффициентов сезонности;
  3. Прогнозирование продаж;

Рассчитаем прогноз по месяцам на 2 года и 3 месяца на основании продаж за 5 лет (см. вложенный файл).

Для расчета значений тренда:

  1. Определим коэффициенты уравнения линейного тренда y=bx+a с помощью функции Excel =Линейн(). Для этого в ячейки Excel вводим функцию =линейн(объёмы продаж за 5 лет; номера периодов; 1;0). Выделяем 2 ячейки, в левой — формула =линейн(), нажимаем комбинацию клавиш в следующей последовательности (F2 + Ctrl+Shift+Enter). Excel рассчитает для нас значение коэффициентов a и b.
  2. Рассчитываем значения тренда. Для этого в уравнение y=bx+a подставляем рассчитанные коэффициенты тренда b и а, x – номер периода во временном ряде. Получаем y-значения линейного тренда для каждого периода (см. вложенный файл).

Для расчета коэффициентов сезонности:

  1. Рассчитываем отклонение фактических значений от значений тренда. Для этого фактические значения делим на значения тренда;
  2. Для каждого месяца определяем среднее отклонение за последние 5 лет.
  3. Определяем общий индекс сезонности — среднее значение коэффициентов, рассчитанных в 4 пункте;
  4. Рассчитываем коэффициенты сезонности; каждый коэффициент из пункта 4 делим на коэффициент из пункта 5 (см. вложенный файл);

Рассчитываем прогноз продаж с учетом роста и сезонности:

  1. Задаём период, на который мы хотим рассчитать прогноз. Для этого продлеваем номера периодов временного ряда на 2 года и 3 месяца.
  2. Рассчитываем значения трена для будущих периодов. В уравнение y=bx+a подставляем рассчитанные коэффициенты тренда b и а, x – номер периода во временном ряде (от 61 до 87). Получаем y-значения линейного тренда для каждого будущего периода (см. вложенный файл).
  3. Рассчитываем прогноз. Для этого значения линейного тренда умножаем на коэффициенты сезонности.

Прогноз с учетом роста и сезонности готов.

Вы также можете руками корректировать прогноз, изменяя коэффициенты a и b линейного тренда y=bx+a, об этом подробно вы можете почитать в статье «О линейном тренде».

Для более точного прогнозирования продаж не достаточно учитывать рост и сезонность, необходимо также учесть еще дополнительные факторы, которые значительно влияют на объем продаж, такие как

мероприятия по стимулированию сбыта,

ввод новых продуктов,

открытие новых направлений продаж,

спец. клиенты с разовыми значительными закупками

и т.д., но об этом в следующих статьях.

Точных вам прогнозов!

С помощью программы Forecast4AC PRO вы сможете рассчитывать прогноз с учетом роста и сезонности для более, чем 5000 строк одновременно одним нажатием клавиши. Легко и быстро!

Присоединяйтесь к нам!

Скачивайте бесплатные приложения для прогнозирования и бизнес-анализа:

  • Novo Forecast Lite — автоматический расчет прогноза в Excel .
  • 4analytics — ABC-XYZ-анализ и анализ выбросов в Excel.
  • Qlik Sense Desktop и QlikView Personal Edition — BI-системы для анализа и визуализации данных.

Тестируйте возможности платных решений:

  • Novo Forecast PRO — прогнозирование в Excel для больших массивов данных.

Получите 10 рекомендаций по повышению точности прогнозов до 90% и выше.

Источник:
http://4analytics.ru/prognozirovanie/kak-rasschitat-prognoz-prodaj-s-uchetom-rosta-i-sezonnosti-v-excel.html

Создание прогноза в Excel для Windows

Если у вас есть статистические данные с зависимостью от времени, вы можете создать прогноз на их основе. При этом в Excel создается новый лист с таблицей, содержащей статистические и предсказанные значения, и диаграммой, на которой они отражены. С помощью прогноза вы можете предсказывать такие показатели, как будущий объем продаж, потребность в складских запасах или потребительские тенденции.

Создание прогноза

На листе введите два ряда данных, которые соответствуют друг другу:

ряд значений даты или времени для временной шкалы;

ряд соответствующих значений показателя.

Эти значения будут предсказаны для дат в будущем.

Примечание: Для временной шкалы требуются одинаковые интервалы между точками данных. Например, это могут быть месячные интервалы со значениями на первое число каждого месяца, годичные или числовые интервалы. Если на временной шкале не хватает до 30 % точек данных или есть несколько чисел с одной и той же меткой времени, это нормально. Прогноз все равно будет точным. Но для повышения точности прогноза желательно перед его созданием обобщить данные.

Выделите оба ряда данных.

Совет: Если выделить ячейку в одном из рядов, Excel автоматически выделит остальные данные.

На вкладке Данные в группе Прогноз нажмите кнопку Лист прогноза.

В окне Создание листа прогноза выберите график или гистограмму для визуального представления прогноза.

В поле Завершение прогноза выберите дату окончания, а затем нажмите кнопку Создать.

В Excel будет создан новый лист с таблицей, содержащей статистические и предсказанные значения, и диаграммой, на которой они отражены.

Этот лист будет находиться слева от листа, на котором вы ввели ряды данных (то есть перед ним).

Настройка прогноза

Если вы хотите изменить дополнительные параметры прогноза, нажмите кнопку Параметры.

Здесь вы найдете сведения о каждом из вариантов в приведенной ниже таблице.

Выберите дату, с которой должен начинаться прогноз. При выборе даты начала, которая наступает раньше, чем заканчиваются статистические данные, для построения прогноза используются только данные, предшествующие ей (это называется «ретроспективным прогнозированием»).

Если вы задаете прогноз до последней исторической точки, вы сможете оценить точность прогноза, так как вы можете сравнить прогнозируемые ряды с фактическими данными. Но если начать прогнозирование со слишком ранней даты, построенный прогноз может отличаться от созданного на основе всех статистических данных. При использовании всех статистических данных прогноз будет более точным.

Если в ваших данных прослеживаются сезонные тенденции, то рекомендуется начинать прогнозирование с даты, предшествующей последней точке статистических данных.

Установите или снимите флажок Доверительный интервал, чтобы показать или скрыть его. Доверительный интервал — это диапазон вокруг каждого предсказанного значения, в который в соответствии с прогнозом (при нормальном распределении) предположительно должны попасть 95 % точек, относящихся к будущему. Доверительный интервал помогает определить точность прогноза. Чем он меньше, тем выше достоверность прогноза для данной точки. Доверительный интервал по умолчанию определяется для 95 % точек, но это значение можно изменить с помощью стрелок вверх или вниз.

Сезонность является числом для длины (количеством очков) шаблона сезонов и автоматически определяется. Например, в ежегодном цикле продаж с каждой точкой, представляющей месяц, сезонность составляет 12. Вы можете переопределить автоматическое обнаружение, выбрав параметр вручную , а затем выбрав номер.

Примечание: Если вы хотите задать сезонность вручную, не используйте значения, которые меньше двух циклов статистических данных. При таких значениях этого параметра приложению Excel не удастся определить сезонные компоненты. Если же сезонные колебания недостаточно велики и алгоритму не удается их выявить, прогноз примет вид линейного тренда.

Читайте также  Как построить линию тренда в Excel

Диапазон временной шкалы

Здесь можно изменить диапазон, используемый для временной шкалы. Этот диапазон должен соответствовать параметру Диапазон значений.

Здесь можно изменить диапазон, используемый для рядов значений. Этот диапазон должен совпадать со значением параметра Диапазон временной шкалы.

Заполнить отсутствующие точки с помощью

Для обработки отсутствующих точек в Excel используется интерполяция, что означает, что пропущенная точка будет выполнена как взвешенное среднее арифметическое соседних точек, пока не пройдет менее 30% точек. Чтобы вместо отсутствующих точек обрабатывались нули, в списке выберите ноль .

Объединение дубликатов с помощью

Если данные содержат несколько значений с одной меткой времени, Excel находит их среднее. Чтобы использовать другой метод вычисления (например, медиана или счёт), выберите нужный вариант вычисления из списка.

Включить статистические данные прогноза

Установите этот флажок, если хотите поместить на новом листе дополнительную статистическую информацию о прогнозе. При этом добавляется таблица статистики, созданной с помощью прогноза. ETS. STAT и включает в себя меры, например коэффициент сглаживания (альфа, бета, гамма) и метрики ошибок (Масе, смапе, мае, рмсе).

Формулы, используемые при прогнозировании

При использовании формулы для создания прогноза возвращаются таблица со статистическими и предсказанными данными и диаграмма. Прогноз предсказывает будущие значения на основе имеющихся данных, зависящих от времени, и алгоритма экспоненциального сглаживания (ETS) версии AAA.

Таблицы могут содержать следующие столбцы, три из которых являются вычисляемыми:

столбец статистических значений времени (ваш ряд данных, содержащий значения времени);

столбец статистических значений (ряд данных, содержащий соответствующие значения);

столбец прогнозируемых значений (вычисленных с помощью функции ПРЕДСКАЗ.ЕTS);

два столбца, представляющие доверительный интервал (вычисленные с помощью функции ПРЕДСКАЗ.ЕTS.ДОВИНТЕРВАЛ). Эти столбцы отображаются только в том случае, если в разделе » Параметры » установлен флажок » доверительный интервал «.

Скачайте пример книги.

Дополнительные сведения

Вы всегда можете задать вопрос специалисту Excel Tech Community, попросить помощи в сообществе Answers community, а также предложить новую функцию или улучшение на веб-сайте Excel User Voice.

Примечание: Эта страница переведена автоматически, поэтому ее текст может содержать неточности и грамматические ошибки. Для нас важно, чтобы эта статья была вам полезна. Была ли информация полезной? Для удобства также приводим ссылку на оригинал (на английском языке).

Источник:
http://support.microsoft.com/ru-ru/office/%D1%81%D0%BE%D0%B7%D0%B4%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B0-%D0%B2-excel-%D0%B4%D0%BB%D1%8F-windows-22c500da-6da7-45e5-bfdc-60a7062329fd

Прогнозирование продаж в Excel с учетом сезонности

В прошлой статье мы уже разобрали, что такое временной ряд и функцию тренда. Теперь подробнее разберемся с терминологией и остановимся на одной из моделей временного ряда.

Из чего состоит временной ряд

Уровни временного ряда (Yt) представляют из себя сумму двух компонент:

  1. Регулярную составляющую
  2. Случайную составляющую

В свою очередь регулярная составляющая состоит из:

  1. Тренда
  2. Сезонности
  3. Циклической составляющей

Однако, в модели необязательно наличие всех этих компонент сразу.

Случайная компонента отражает влияние случайных возмущений на модель, которые по отдельности имеют незначительное воздействие, но суммарно их влияние ощущается.

То есть, в общем случае временной ряд представляет из себя наличие четырех составляющих:

  1. Тренд (Tt)
  2. Сезонность (St)
  3. Цикличность (Ct)
  4. Случайные возмущения (Et)

Циклическая компонента, по сравнению с сезонностью, имеет более длительный эффект и меняется от цикла к циклу. Поэтому, ее обычно объединяют с трендом.

Виды моделей временного ряда

Обычно, выделяют две модели временного ряда и третью — смешанную.

    Аддитивная модель

Мультипликативная модель

Смешанная модель

При выборе необходимой модели временного ряда смотрят на амплитуду колебаний сезонной составляющей. Если ее колебания относительно постоянны, то выбирают аддитивную модель. То есть, амплитуда колебаний примерно одинакова:

Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель временного ряда, которая ставит уровни ряда в зависимость от значений сезонной компоненты.

Построение этих моделей сводится к расчету тренда (Tt), сезонности (St) и случайных возмущений (Et) для каждого уровня ряда (Yt).

Алгоритм построения модели

  1. Выравниваем ряд с помощью скользящей средней, то есть сглаживаем ряд и отфильтровываем высокочастотные колебания.
  2. Рассчитываем значение сезонной компоненты St.
  3. Рассчитываем значения Tt с использованием полученного уравнения тренда.
  4. Используя полученные значения St и Tt, находим прогнозные значения уровней временного ряда.
  5. Оцениваем качество модели.

Реализация на практике

Итак, мы имеем на руках данные о продажах за 2016 и 2017 год и хотим спрогнозировать продажи на 2018 год.

Следуя нашему алгоритму, мы должны сгладить временной ряд. Воспользуемся методом скользящей средней. Видим, что в каждом году есть большие пики (май-июнь 2016 и апрель 2017), поэтому возьмем период сглаживания пошире, например, месячную динамику, т.е. 12 месяцев.

Удобнее брать период сглаживания в виде нечетного числа, тогда формула для расчета уровней сглаженного ряда:

yi — фактическое значение i-го уровня ряда,

yt — значение скользящей средней в момент времени t,

2p+1 — длина интервала сглаживания.

Но так как мы решили использовать месячную динамику в виде четного числа 12, то данная формула нам не подойдет и мы воспользуемся этой:

Иными словами, мы учитываем половины от крайних уровней ряда в диапазоне, в остальном формула не претерпела больше никаких изменений. Вот ее точный вид для нашей задачи:

Сглаживаем наши уровни ряда и растягиваем формулу вниз:

Сразу можем построить график из известных значений уровня продаж и их сглаженной. Выведем ее уравнение и значение коэффициента детерминации R^2:

В качестве сглаженной я выбрала полином третьей степени, так как он лучше всего описывал уровни временного ряда и имел наибольший R^2.

Так как мы рассматриваем аддитивную модель вида:

Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда и значениями скользящей средней St+Et = Yt-Tt, так как Yt и Tt мы уже знаем.

Используем оценки сезонной компоненты (St+Et) для расчета значений сезонной компоненты St. Для этого найдем средние за каждый интервал (по всем годам) оценки сезонной компоненты St.

Средняя оценка сезонной компоненты находится как сумма по столбцу, деленная на количество заполненных строк в этом столбце. В нашем случае оценки сезонной составляющей расположились в строках без пересечений, поэтому сумма по столбцам состоит из одиночных значений, следовательно и среднее будет таким же. Если бы мы располагали периодом побольше, например с 2015, у нас бы добавилась еще одна строка и мы смогли бы полноценно найти среднее, поделив сумму на 2.

В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем интервалам должна быть равна нулю. Поэтому найдя значение случайной составляющей, поделив сумму средних оценок сезонной составляющей на 12, мы вычитаем ее значение из каждой средней оценки и получаем скорректированную сезонную компоненту, St.

Далее, заполняем нашу таблицу значениями сезонной составляющей дублируя ряд каждые 12 месяцев, то есть три раза:

Теперь рассчитываем значения уровня тренда T(t) по тому уравнению, которое мы получили при построении сглаженного тренда на первом шаге.

T(t) = — 23294 + 34114 * t — 1593 *t^2 + 26,3 *t^3

Вместо t используем значения из столбца Период из соответствующей строки.

Имея рассчитанные значения S(t) и T(t) мы можем рассчитать прогнозные значения уровней ряда Y(t). Для этого накладываем уровни сезонности на тренд.

Теперь построим график известных значений Y(t) и спрогнозированных за 2018 год.

Вот мы и нашли спрогнозированные значения уровней продаж на 2018 год. Значения отражают возрастающую тенденцию и сезонные пики. Конечно, эти данные не дают 100% точности, ведь существует множество внешних воздействий, которые могут изменить направление тренда, поэтому к прогнозным значениям обычно строят доверительный интервал, это такой коридор, внутри которого могут колебаться прогнозные значения с заданной вероятностью (чаще всего выбирают 95%). Но об этом я расскажу в следующей статье.

Осталось оценить точность модели. Для этого будем использовать среднюю ошибку аппроксимации, которая поможет рассчитать ошибку в относительном выражении. Иными словами, это среднее отклонение расчетных значений от фактических, которое вычисляется по формуле:

yi — спрогнозированные уровни ряда,

yi* — фактические уровни ряда,

n — количество складываемых элементов.

Модель может считаться адекватной, если:

Итак, рассчитываем ошибку аппроксимации для нашего случая. Так как в основе нашего тренда лежит полином третьей степени, прогнозные значения начинают хорошо повторять фактические значения к концу 2016 года, думаю, я думаю, поэтому корректнее было бы рассчитать ошибку аппроксимации для значений 2017 года.

Сложив весь столбец с ошибками аппроксимации и поделив на 12, получаем среднюю ошибку аппроксимации 4,13%. Это значение меньше 15% и можем сделать вывод об адекватности модели.

Не забывайте, что прогнозы не бывают точными на 100%. Любые неожиданные внешние воздействия могут развернуть значения уровней ряда в неизвестном направлении

Источник:
http://thisisdata.ru/blog/prognozirovaniye-prodazh-v-excel-s-uchetom-sezonnosti/

Прогноз плана продаж

Без прогноза какую-либо предпринимательскую деятельность – в т. ч. и торговлю – невозможно начать. К примеру, вы хотите открыть веломагазин – после обустройства торговой площадки, её заключительной подготовки и завоза велотехники и велоаксессуаров вы планируете как можно скорее распродать. Предположим, завезено в общей сложности 500 велосипедов разных марок и моделей для взрослых – а вам нужно продать их за неделю, велосезон ведь уже начался. Какова будет ваша ценовая политика? Что вы противопоставите вашим конкуретам – по качеству, ценникам, возможностям купить в рассрочку и т. д.? Какие запчасти к этим велосипедам у вас будут продаваться? Как пойдёт ваш план по продажам в ближайший месяц, квартал, за весь велосезон с апреля по октябрь включительно? На эти вопросы вам и даст ответ ваше умение прогнозировать рост продаж.

Businessman using telescope and stock market graph

Как спрогнозировать продажи?

Вопрос, как прикинуть продаваемость ваших товаров на ближайшие недели и месяцы, звучит иначе: каковы методы прогнозирования продаж? За ответом обратимся к докторам наук торгово-предпринимательских университетов, профессорам, академикам. А также к личному опыту миллионов предпринимателей по всему миру.

Эти методы разделяются на:

  • экспертные оценки;
  • анализ и прогнозирование временных рядов;
  • причинно-следственные связи.

В первом случае оценивается сегодняшняя ситуация и перспективы на завтра. Второй – опирается на изучение заранее предопределённой и спонтанной составляющих, независимо друг от друга. Третий – поиск причин, влияющих на поведение определённого показателя.

Управленческий прогноз

Перечисленные выше методы прогнозирования имеют под собой общую основу – управленческий прогноз продаж. Верхушкой системы здесь всегда является общий прогнозируемый объём продаж.

Чтобы пояснить эту схему на конкретном примере, вначале отметим, что управленческий прогноз – это всегда древовидная структура, из которой и складывается общий прогноз продаж. Она является наиболее значимой в жизненном цикле любого магазина, оптового склада, гипермаркета, рынка торговых точек, наконец. Наглядно – покажем это на доходах компании, продающей, скажем, отделочные материалы и сантехнику. Сантехника продаётся для офисов и домов. Для домов сантехника продаётся в целях ремонта — и для обустройства новых инженерных коммуникаций при строительстве. На продажи сантехники влияют следующие факторы:

  • доля жилья эконом-класса;
  • сезонность;
  • среднестатистический ценник на комплекты сантехники для каждой эконом-квартиры;
  • средняя квадратура эконом-квартиры;
  • объём жилстроительства по эконом- и элитному классам в общем потоке;
  • доля жилья эконом-класса.
Читайте также  Смешанная ссылка в excel как сделать

Из вышеприведённого примера следует, что управленческий прогноз не идёт в отрыве от одного определённого фактора. Невнимание к такому фактору может поставить под угрозу рост прогнозируемых продаж.

Линейный прогноз

Суть линейного метода прогнозирования продаж сводится к следующему. Это, по сути, расчёт планируемого объёма продаж по дням, невзирая на предыдущий, более всеобъемлющий метод.

Например, сотовый провайдер Yota в Ростове-на-Дону, на Пойменной, 1, продал 1 ноября 2019 г. 120 SIM-карт с новым тарифом «Для смартфонов». 2-го он продал 200, 3-го -40, 4-го – 100, 5-го – 140 SIM-карт. За 5 дней – 600. Разумно предположить, что за весь ноябрь, — салон работает каждый день, — он может продать 36000 SIM-карт всем желающим. Это и есть линейный прогноз. Но в реальности объём продаж, скорее всего, упадёт, — несмотря на то, что безлимитный трафик у Yota самый дешёвый – 410 р. Продать они могут не 36000 SIM-карт, а, скажем, 15000 – насыщение рынка в районе этой точки продаж уже случилось.

Вдруг, 2 ноября, Yota предоставляет скидку – безлимитный трафик продаётся не за 410, а за 290 р. – по старой цене 2015-2017 гг. Что будет? Продажи подстегнутся – Yota в этом салоне продаст 50000 SIM-карт за ноябрь. Причём бум продаж придётся именно на первые дни – а не будет разгоняться постепенно. Затем продажи пойдут на спад. Потому что все всем расскажут, что Yota снизила тариф. Это уже линейно-управленческий прогноз: в дело вступил новый фактор – снижение расценок на безлимитный Интернет. Параллельно, происходит отток клиентов, которым нужен самый дешёвый безлимит, а не пакеты трафика – у «Билайна», «МегаФона», «МТС» и «Теле2». Рынок абонентов-«безлимитчиков» перерассредоточился.

Формула прогноза продаж

Для расчёта прогноза продаж применяются общая, линейная и управленческая формулы. Они дают наиболее исчерпывающую картину прогнозирования объёма продаж в рамках конкретного магазина.

Формула линейного прогноза продаж

Эта формула рассчитывается крайне просто:

Считаем среднее арифметическое по единицам товара (как в примере выше, с SIM-картами провайдера Yota) за несколько дней, например, неделю.

Умножаем среднее арифметическое на количество недель в месяце, квартале или в году.

Это и есть месячный (квартальный, годовой) план, которого придерживается любая компания. Выполнил план – компания окупилась и принесла искомый доход. Перевыполнил – идеально: доход превзошёл все ожидания. Не выполнил – для компании на данном направлении образуется кризис, который надо покрывать за следующий период, а именно предпринять следующее:

Переключиться на другие направления и виды товаров, чтобы «отбить» образовавшиеся долги, или заполнить «прибыльную яму»;

Уценить и перепродать товар (со скидкой, за полцены и т. д. – объявив распродажу).

Существует и нечестный метод – попытаться выдать товар за похожий, но новый. Но такой способ не рекомендуют.

Формула управленческого прогноза продаж

В управленческом расчёте не всё так просто, как в линейном. Здесь показатели не все суммируются – они могут и перемножаться. Не каждый из них равен единице – на расчетное значение выйти зачастую в срок нельзя.

Здесь на помощь приходит нелинейный прогноз. Важно отталкиваться от кривых прогнозируемого роста продаж. Кривая прогнозируемых продаж может быть как степенной, так и полиномиальной (движение кривой по дугам разных окружностей, устремлённым лишь вперёд). Линейный рост уже не используется. Кривая может как проседать, так и резко стремиться вверх – при срабатывании таких факторов, как:

  • курсы валют;
  • погода, условия доставки;
  • цены конкурентов на аналогичный товар, их динамика;
  • качество товаров одних (или похожих) видов, которыми вы и ваши конкуренты торгуете;
  • планы розничных и оптовых покупателей.

Во всех случаях – и в линейном, и в управленческом прогнозе – важно определить тренды, продвигаемые вами. Тренд – это усреднённая прямая, вокруг которой претерпевает подъёмы и спады кривая ваших реальных (в прошлом) и прогнозируемым (с завтрашнего дня) продаж. Если тренд вдруг пошёл вниз – пересмотрите свои подходы к прогнозированию.

Итак, формула управленческого прогноза продаж – прежде всего, отношение сумм и произведений показателей, влияющих на динамику данного прогнозирования.

Прогноз продаж в Excel

Прежде чем привести определённые примеры таблиц, нелишне отметить, какие функции могут использоваться для прогноза продаж в Excel.

Например, в Excel 2007 дайте команду «Формулы» — «Финансовые». Список финансовых формул представляет наибольшую ценность для любых экономических расчётов. С их помощью несложно рассчитать деятельность практически любой коммерческой организации. Однако бывают случаи, когда требуются и математические формулы: так, для тренда есть понятие линейного, логарифмического, гиперболического и т. д.

Но самое главное – построение графиков по табличным значениям. Так прогноз выглядит убедительней.

Пример прогноза продаж

В качестве примера – расчёт прогноза продаж на неделю, месяц, квартал и год.

Прогноз продаж на неделю

Примером служит следующий расчёт. Например, фермер реализует в городе с 50000 человек населения молоко каждый день. Не все его хотят брать, т. к. многим проще после работы заехать в тот же «Магнит» и закупиться. Берут в основном пенсионеры и те, что ушли в отпуск или в декрет.

Значения, по которым рассчитаны график продаж и тренда, позволяют отследить не только за неделю проданный в данной точке товар, но и за весь месяц. Для расчёта линейного тренда используется такая же функция – график y=ax+b. Это алгебраическое уравнение 1-й степени, известное нам чуть ли не с третьего класса.

Прогноз продаж на месяц

Обратимся всё к тому же графику. Здесь также ясна ещё одна истина: если прямая тренда вдруг превратиться в горизонталь – это точка безубыточности. Работать безрезультатно – только лишь, чтобы выйти «в нули», ни один уважающий себя коммерсант не станет, только если есть ощутимая прибыль. Если же эта линия станет опускаться – серьёзный сигнал к тому, что пора реорганизовываться, либо закрывать фирму (или предприятие). Очень часто причиной понижения тренда становится обилие конкурентов, сумевших реализовать продажи быстрее и лучше, санкции со стороны регулирующих органов, общий обвал фондовых рынков и несколько иных весомых причин.

Более достоверный прогноз на месяц можно получить, используя данные за месяцы предыдущего года. Ваш опыт и история подскажут с большой вероятностью, будет ли тренд компании идти вверх. Для развивающегося предприятия, давно перешедшего границу стартапа, используется всё та же формула y=ax+b, где Y – объём продаж, X – порядковый номер очередного интервала, A – поднятие каждого последующего значения в ряду времени, B – минимальная грань. Последовательность действий будет следующей.

Значение Y для каждого искомого периода позволит подставить подсчитанные коэффициенты в само уравнение.

Далее рассчитывается отклонение значений реальных продаж от значений тренда.

Сезонность подсчитывается как частное от деления реального объёма продаж за этот же период на среднее значение объёма.

При прогнозировании роста продаж за будущий месяц без учёта сезонности не обойтись. Для этого величину тренда умножают на показатель сезонности первого месяца будущего года. При этом выходит расчётный объём продаж в новом интервале. Используя этот подход, можно прикинуть, какими продажи придутся на остальные месяцы нового года.

В любом случае, при выводе плана по продажам не обойтись без сечения, подробностей плана – по времени, каналам сбыта, контингенту покупателей, группам, к которым относятся конкретные товары, а также по определённым менеджерам. Чем больше подробностей – тем более реальными будут запланированные продажи.

Прогноз продаж на квартал

Здесь можно воспользоваться реальной картиной по продажам за предыдущие кварталы этого и прошлого годов.

Усложнять нелинейными расчётами свои прогнозы зачастую не имеет смысла, если факторов, влияющих на вашу деятельность, не так много. Широкую популярность линейные расчёты обрели лишь в годы индустриализации СССР: целью следующей пятилетки было превысить показатели предыдущей на сколько-то десятков процентов.

Сейчас объёмы деятельности, включая продажи, могут быть практически неограниченными: большим успехом считается превышение планов в десятки раз.

Примером расчёта продаж на квартал служит всё тот же веломаркет – например, велосипедный отдел в «Спортмастере». Каким будет прогноз на 2-й и 3-й квартал – в велосезон, когда тепло с апреля по май и в сентябре, и жарко летом? Естественно, продажи велосипедов могут подскочить несколько раз – с апреля, или в канун отпусков (в июле). Подскакивают продажи велосипедов и в конце сентября – когда велосезон заканчивается, и веломаркеты объявляют о распродажах моделей байков, выходящих из моды после истечения этого года, за, скажем, 70% от цены.

Прогноз продаж на год

Для расчёта прогноза продаж на год лучший результат дают предыдущие факты за прошедший период хотя бы в 2-3 года. С одного прошлого года прогноз на весь грядущий год составить куда сложнее. Может потребоваться криволинейная функция. Однако тренд всегда описывается строго и чётко – по закону прямой.

Источник:
http://worldsellers.ru/prognoz-plana-prodazh/

Методы и формулы прогнозирования в Excel

Гийом Сен-Жак, 18-06-2008 г. (последняя редакция — 22-02-2010 г.)

Автор Guillaume Saint-Jacques, 2008-06-18 (последняя редакция, 2010-02-22)

В этом руководстве рассматриваются элементарные методы прогнозирования, которые можно применить в таблицах Microsoft Excel. Это руководство предназначено для менеджеров и руководителей, которым важно предвидеть спрос потребителей. Теория иллюстрирована на основе Microsoft Excel. Более подробные инструкции доступны для разработчиков, которые хотели бы воспроизвести теорию в адаптированном приложении.

Преимущества прогнозирования

Прогнозирование поможет вам принимать правильные решения и зарабатывать/экономить деньги. Ниже приведен пример

  • Выбирайте оптимальный размер товарных запасов

Время — деньги. Пространство стоит денег. То, что вам нужно, это использовать все способы для сокращения объема товарных запасов. Конечно, без риска столкнуться с дефицитом.

Как? Путем прогнозирования!

Как упростить задачу: обозначения, комментарии, имена файлов

С течением времени по мере накопления данных, у вас будет все больше шансов запутаться и совершать ошибки. Есть ли решение? Будьте организованными: правильное использование обозначений, комментариев и присвоение понятных имен файлам сэкономит много времени.

  • Всегда давайте обозначение столбцам. В первой строчке каждого столбца всегда давайте описание содержащихся в этом столбце данных.
  • Разные данные, разные столбцы. Не помещайте в один столбец разнородные данные (например, издержки и объем продаж. Очень вероятно, что вы запутаетесь, и вычисления и работа с данными будут очень усложнены.
  • Давайте каждому файлу понятное имя. Это не требует больших усилий, зато значительно ускоряет работу. Правильные имена позволяют быстро найти нужный файл визуально или через программу поиска файлов в Windows.
Читайте также  Фильтр и сортировка ячеек по цвету в Excel

  • Используйте комментарии.

Даже если обычно вы не работаете с большими объемами информации, запутаться очень легко. Это особенно актуально, когда вы возвращаетесь к таблицам, созданным вами довольно давно. У Excel есть хорошее решение: комментарии.

The usefulness of comments

Кликните правой кнопкой мыши по ячейке, куда вы хотите добавить комментарий и в меню выберите « добавить комментарий ».

Их можно использовать:

  • для объяснения содержимого ячейки (например, стоимость единицы продукции по оценке Мистера Доу)
  • чтобы оставить предупреждения будущим пользователям таблицы (например, у меня есть сомнения по поводу этих вычислений. )

Начало: простой пример прогнозирования с использованием линии тренда

Viewing your data

Давайте получим первый прогноз. В этой части мы будем использовать следующий файл: Example1.xls. Данные приведены в качестве примера.

Наши данные: В первом столбце содержатся данные о цене единицы схожих товаров. Цена единицы товара отражает качество продукта. Во втором столбце — данные об объеме продаж.

Что мы хотим узнать: Если мы будем продавать другой продукт, качества соответствующего цене в $150 за единицу, сколько предположительно единиц продукции мы продадим?

Каким образом мы можем это узнать: Все довольно просто. Нам нужно найти простое математическое соотношение между ценой единицы товара и объемом продаж, а затем использовать это соотношение для построения прогноза.

В первую очередь, всегда полезно построить в Excel график, чтобы увидеть графическое представление данных. Ваши глаза являются прекрасным инструментов в определении тренда за несколько секунд.

Для этого, выбираем наши данные, затем используем Вставка > Диаграмма, и выберите Точечную. Мы хотим представить график продаж в виде функции качества, поэтому на горизонтальной оси разместим цену товара, а объем продаж на вертикальной оси.

Теперь остановимся на несколько секунд и хорошо рассмотрим получившуюся диаграмму: соотношение кажется возрастающим и линейным.

Чтобы понять точное отношение между данными, в меню «Диаграмма» выберем опцию «Добавить линию тренда».

Создание линии тренда

Теперь нам нужно выбрать зависимость, которая «подходит» (т.е. наиболее точно описывает) наши данные. Здесь снова используем свои глаза: в нашем примере точки расположены почти по прямой линии, поэтому выбираем «линейную» зависимость. Далее мы будем использовать другие, более сложные, но зачастую более реалистичные модели, например «экспоненциальные».

Теперь наша линия тренда отобразилась на диаграмме. Кликнув на диаграмме правой кнопкой можно получить точное уравнение зависимости: y = 102.4x — 191.64.

Понимаем: Количество проданных товаров = 102.4 умножить на цену товара — 191.64.

Поэтому, если мы решим производить товары по цене $150 за единицу, мы можем предположить, что объем продаж составит: 102.4*150 — 191.64 = 15168 штук.

Мы только что успешно закончили наш первый прогноз.

Тем не менее, будьте осторожны: программное обеспечение всегда может выявить зависимость между двумя столбцами, даже если в реальности эта зависимость очень слабая! Следовательно, нужно протестировать надежность. Вот как это делается:

  • В первую очередь, всегда обращайте внимание на диаграмму. Если вы обнаружите, что точки расположены близко к линии тренда, как в нашем примере, то велик шанс того, что зависимость надежна. Если же точки расположены довольно хаотично и далеко от линии тренда, тогда нужно быть внимательными: корреляция слабая, и нельзя слепо доверять установленной зависимости.

Точки расположены хаотично: нет очевидной зависимости, ненадежные прогнозы

Точки «понятны» и позволяют получить более надежный прогноз

  • После оценки диаграммы, вы можете использовать функцию КОРРЕЛ. В нашем примере функция будет иметь вид: КОРРЕЛ(A2:A83,B2:B83). Если результат близок к 0, тогда корреляция слабая, и вывод таков: реального тренда просто не существует. Если значение близко к 1, тогда корреляция сильная. Последнее очень помогает, так как это увеличивает силу объяснения выявленной вами закономерности.

Есть еще менее явные способы убедиться, что существует сильная корреляция. Мы вернемся к ним позже.

Конечно, эти последние шаги можно автоматизировать: вам не нужно записывать зависимость или пользоваться для вычислений карманным калькулятором. Вам нужен Пакет аналитических инструментов!

Прогнозирование с использованием Пакета аналитических инструментов

Перед тем, как продолжить, проверьте, что Excel ATP (Пакет аналитических инструментов) установлен. Для получения подробной информации обратитесь к секции Установка Пакета аналитических документов.

К сожалению, такие идеальные данные с такой простой и ясной линейной зависимостью довольно редки в реальной жизни. Давайте взглянем, что предлагает Excel для более сложных случаев с более сложными данными.

Идем дальше: пример экспоненциальной зависимости

Как вы можете понять, такая линейная модель не всегда подходит. Фактически, есть много причин принять экспоненциальную модель. Множество экономических моделей являются экспоненциальными зависимостями (классическим примером является расчет сложных процентов).

Ниже изложено, как произвести подгонку под экспоненциальную модель:

1) Посмотрите на свои данные. Нарисуйте простой график и просто посмотрите на него. Если он соответствует экспоненциальному развитию, он должен выглядеть так:

Идеальная экспоненциальная форма

Это идеальный случай. Конечно, данные никогда не будут выглядеть в точности так. Но если точки расположены примерно в такой же форме, это должно навести вас на мысль о рассмотрении экспоненциальной модели.

Как в предыдущем примере, вы всегда можете построить график на основании ваших данных, построить линию тренда и выбрать « экспоненциальную » вместо линейной.

Затем, как обычно, получите уравнение линии.

2) К счастью, все это можно проделать напрямую, используя Пакет аналитических инструментов: введите все свои данные в пустую таблицу Excel и в меню выберите Инструменты => Анализ данных

Установка Пакета аналитических инструментов

Это пакет является дополнением к Microsoft Excel, но он не всегда установлен по умолчанию. Для его установки нужно проделать следующее:

  1. Убедитесь, что у вас есть установочный диск Office. Excel может запросить вставить диск для установки файлов Пакета.
  2. Откройте таблицу Excel и в меню Инструменты выберите Дополнения. Отметьте первый пункт в окне под названием « Analysis ToolPack (Пакет аналитических инструментов) ».
  3. Вставьте диск Office CD, если потребуется.
  4. Готово! Обратите внимание, что в меню « Инструменты » теперь больше пунктов, в том числе опция « Анализ данных ». Это именно та, которой мы будем пользоваться больше всего.

Использование Пакета аналитических инструментов

. в случае линейной функции

Давайте вернемся к нашему линейному примеру. Если ваши данные « выглядят » хорошо (см. иллюстрации выше), вы можете воспользоваться Пакетом для получения приближения напрямую из функциональной формы, без прохождения процесса « добавления тренда ».

Откройте таблицу с данными, затем откройте меню «&nbspинструменты » и выберите « анализ данных ». Выйдет всплывающее окно с вопросом какой вид анализа вы хотите провести. Для линейных функций выберите « регрессия ».

Теперь нужно дать Excel два аргумента: « шкала Y » и « шкала X ». Шкала Y показывает, что вы хотите рассчитать (например, объем продаж), а на шкале X отражаются данные, которые, как вы думаете, объясняют объем продаж (в нашем примере, цена единицы товара). В нашем примере (см. example1.xls), данные об объеме спроса содержатся в столбце B, в строках с 3 по 90, поэтому для шкалы Y вам необходимо указать « $B$3:$B$90 » и «$A$3:$A$90 » для шкалы X. Когда закончите, нажмите « ok ».

Появится новый лист с « результатами регрессии ».

Результат Пакета аналитических инструментов в случае регрессии метода наименьших квадратов

Самый важный результат содержится в столбце « Коэффициенты » в конце таблицы. Пересечение является константой, коэффициент « переменной X (X variable) » — это коэффициент Х (в данном примере цена единицы товара). Таким образом, мы определяем уравнение «тренда». Объем продаж=Пересечение+КоэффициентХ*цена единицы товара=-126+100*цена товара.

В этой таблице также содержится полезное значение, которое даст вам представление о том, насколько точны ваши вычисления: « R Square ». Если это значение близко к 1, тогда ваши приближения достаточно точные, и это означает что полученное уравнение является достаточно точным представлением ваших данных. Если это значение близко к 0, то приближение недостаточно хорошее, и, возможно, вам нужно попробовать другую модель (см. далее экспоненциальная модель).

Этот метод, возможно, быстрее, чем техника « линии тренда ». Тем не менее, это в большей степени технический и менее наглядный процесс. Поэтому если вы не хотите строить графики на основании ваших данных и оценивать их, по крайней мере, проверьте значение « R square ».

. используя экспоненциальную модель

Если линейная модель не подходит (если вы получили низкое значение R-square, например 0,1), возможно, вам необходимо использовать экспоненциальную модель.

Запустите Пакет инструментов, как обычно: Откройте таблицу, затем откройте меню « Инструменты » и выберите « Анализ данных ». Вы увидите всплывающее окно с вопросом, какой вид анализа вы хотите провести. Для экспоненциальной модели, выбираем « экспоненциальная ».

Обратите внимание, что Excel просит вас указать диапазон входящих данных. Выберите столбец, в котором содержатся данные, в отношении которых вы хотите построить прогноз (например, цена единицы товара) и выберите “смягчающий фактор”.

Как узнать, какую модель выбрать?

Обратите внимание, что вам не нужно пробовать каждый метод и затем выбирать, какой из них подходит лучше всего. Этого можно достичь путем автоматизации, так как существует огромное количество доступных методов. Если вы хотите протестировать на своих данных все модели, вы можете отправить их в Lokad. У нас есть мощная компьютерная система которая “тестирует” все модели и выбирает только те, которые лучше всего работают с данными вашего бизнеса (более подробная информация о продуктах Lokad).

Источник:
http://www.lokad.com/ru/%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B-%D1%84%D0%BE%D1%80%D0%BC%D1%83%D0%BB%D1%8B-%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F-excel