|
VIACFAKTOROVÁ KVANTITATÍVNA MARKETINGOVÁ METÓDA PRGNÓZOVANIA MULTI FACTOR QUANTITATIVE MARKETING FORECASTING METHOD DUŠAN MALINDŽÁK ml. A DUŠAN MALINDŽÁK st.
Plánovanie je integrálnou súčasťou práce manažéra. Prognóza pomáha manažérom redukovať určitú neurčitosť pri vytvorení konkrétnych plánov. Prognózovanie má aj iné ciele, ako odhad budúcich požiadaviek na výrobky vyrábané, alebo ktoré budú v budúcnosti vyrábané. Cieľom prognózovania je tiež odhad kapa cít, investícií, zisku, potreba surovín, energií, materiálov, ľudí, vývoj cien, inflácie a pod. Avšak ťažiskom, z ktorého sa odvíja ostatné, je odhad požiadaviek na predaj výrobkov.Nevyhnutnosť prognózovania vyplýva tiež z niekoľkomesačných časov dodávok dojednaných surovín, materiálov, čo najmä u homogénnych procesov je dôležité. Preto je potrebné ich objednať v predstihu, než firma dostane skutočné objednávky na výrobky. Táto dilema neurčitosti, objednať, zabezpečiť suroviny, investovať, prijať pracovn íkov, a keď nie je istota objednávok, znižuje sa čiastočne prognózovaním.Ani použitie matematických metód a informačných technológií, počítačov, nerobí z prognózovania exaktnú vedu. Naopak úspešné prognózovanie vyžaduje bohaté skúsenosti, vedomosti, úsudok, technickú expertízu, ktoré sú dôležité pre úspešnú prognózu. Pretože prognóza je vstupom pre mnohé ďalšie aktivity, je východiskom pre operačný manažment, kapacitnú bilanciu atď. Spoločnými charakteristikami prognózovania sú : 1. Metódy prognózovania predpokladajú existenciu systému, pre ktorý sa robila prognóza v minulosti. 2. Prognózy sú iba vo vzácnych prípadoch presné (skôr nepresné), skutočné výsledky sú rôzne od predikovaných hodnôt. 3. Prognózovanie pre skupiny výrobkov je presnejšie, pretože sa vzájomne kompenzujú chyby jednotlivých odhadov. Materiály, suroviny, energie, ľudia sú väčšinou nie priamo viazaní na konkrétne výrobky. 4. Presnosť prognózy klesá s dĺžkou časového horizontu prognózy.
Obr. 1 Postavenie prognózovania v logistickom modely firmy [1] Z hľadiska časového horizontu prognózy strategické prognózovanie nahrádza strategické plánovanie v riadení firmy (Obr. 1) pri nedostatku informácií o budúcom stave na dlhšie časové obdobie .Krátkodobá prognóza nám zase nahrádza vykonávací (ročný) plánovanie pre nižšie úrovne riadenia na kratšie časové intervaly, ktorých dĺžka závisí od typu výrobného odvetvia.
3. Zohľadnenie významu dát v časovom reťazci pre prognózovanie z hľadiska dynamiky zmien na trhu Prognózovanie svojou podstatou je činnosť, v ktorej prognózujeme chovanie sa firmy v budúcnosti na základe chovania sa firmy v minulosti a podmienok predaja na trhu.
Obr. 2 Zohľadnenie významu dát v časovom reťazci Pri stabilných ekonomikách je dôležitejšia minulosť firmy a budúce chovanie predpovedáme na základe minulého chovania sa firmy, kedy predpokladáme, že firma sa bude chovať podobne ako v minulosti. V dynamicky sa meniacich podmienkach však história ma menší vplyv na budúci vývoj, preto pri prognózovaní môžeme rozdeliť vplyv na budúce chovanie do troch časových období :
tj. k perióde N v ktorej sa prognóza pripravuje (Obr. 2). Informáciám o budúcom správaní sa na trhu, dávame väčšie priority ako informáciám o minulosti predovšetkým pri dynamicky sa meniacom trhu. Dôležitou otázkou je tiež voľba dĺžky časového horizontu prognózy. S rastúcou dĺžkou časového horizontu prognózy rastie aj neurčitosť očakávaných skutočností a tým aj pravdepodobnosť nepresnej prognózy. Toto riziko je o to väčšie v rýchlo sa meniacich podmienkach na trhu. Vysokú neurčitosť situácie na trhu pri vytváraní prognózy sa snažíme zredukovať zvýšenou frekvenciou vytvárania prognóz. Ďalšou možnosťou je vytvárať prognózy kĺzavým spôsobom, čo znamená vytvoriť novú prognózu ešte v časovom horizonte predchádzajúcej prognózy. Takto v nej môžeme zohľadniť už novo získane údaje o predaji z časového horizontu predchádzajúcej prognózy. Dlhší časový horizont prognózy vytvárame spravidla iba pre predaj určitých komodít so stabilným trendom spotreby. Budúcnosť : Tieto informácie môžeme rozdeliť podľa miesta očakávaných zmien na :V prognóze je potrebné zohľadniť aj informácie, ktoré pre budúce obdobia už v čase prognózy poznáme, ako napr. :
Tento druh informácii získavame kvalitatívnymi metódami prognózovania ako sú marketingový prieskum trhu, metóda predajcov, metóda Delphi a mnoho ďalších. Prítomnosť : Dôraz kladieme na informácie z obdobia v ktorom sa prognóza vytvára, pretože sú to najviac aktuálne informácie z tých ktoré poznáme. Sú to informácie z poslednej prognózy a tiež čiastočne aj hodnoty z predaja. Stratégiu postavíme na maximálnom využití informácií z tohoto obdobia. Za základ pri výpočte prognózy na nasledujúce obdobie vezmeme hodnotu predaja z periódy N a súčastne diferenciu prognózy a skutočnej hodnoty predaja za predchádzajúce obdobie N -1.Pri výpočte trendov zo štatistických dát dávame prognóze n a rok N maximálnu dôležitosť - váhu.V perióde N -1 poznáme posledný skutočný predaj, poznáme prognózu z toho obdobia a tým aj chybu prognózy z tohoto obdobia. Informácie z týchto dvoch rokov použijeme na výpočet nasledujúcej prognózy. Minulosť : Predpokladáme, že budúci vývoj firmy bude kopírovať predchádzajúci vývoj firmy z minulých období. To znamená, že medzi hodnotami predaja firmy v budúcich obdobiach očakávame rovnaké závislostí a vývoj ako ho poznáme z minulých období. Informácie z minulosti sa snažíme využiť úplne, pretože ich už máme overené a vieme posúdiť, či nám doterajší vývoj vyhovoval, alebo nie.Informácie, ktoré môžeme z minulosti využiť sú A, Y, E a ich kombinácie, kde:
Z prognózovaných a skutočných hodnôt predaja vieme vypočítať skutočnú veľkosť chyby prognózy, ktorej sme sa pri prognózach v minulosti dopustili. Počítame ju ako diferenciu medzi skutočnými a prognózovanými hodnotami predaja. Môžeme povedať, že veľkosť chyby prognózy na rok N-1 je :EN-1 = A N-1 - Y N-1 Každá prognóza nesie so sebou chybu a na základe poznania tejto chyby z minulých období, môžeme ju v budúcich obdobiach zohľadniť. Hodnotu tejto diferencie musíme násobiť hodnotou a, ktorá vyjadruje zmenu chyby prognózy oproti chybe prognózy v minulosti.Touto hodnotou chyby modifikujeme posledný známy stav AN-1. YN+1 = A N-1 + a.(A N-1 - Y N-1) YN+1 = A N-1 + a.E N-1 Index a vypočítame z chýb prognóz z minulých období. Obvykle je z intervalu (0,1). Je zrejme, že staršie údaje majú pre nasledujúcu prognózu menšiu prioritu ako informácie z aktuálnych období. Tie majú pri výpočte prognózy najväčšiu dominanciu. Vplyv informácií z minulosti na budúcnosť posudzujeme podľa vzdialenosti od momentu prognózy. Z minulosti zohľadňujeme len toľko údajov, koľko je potrebné pre zistenie zákonitostí medzi hodnotami z predaja a prognóz z predchádzajúcich období, ich interval rozpätie, predpokladaný trend a pod. Do budúcej prognózy by sme nemali zaraďovať hodnoty z historickej sekvencie dát z času pred výraznou skokovitou zmenou, ktorá výrazne ovplyvnila predaj sledovaného výrobku akou je napríklad nástup nového konkurenta. Význam príslušných periód v časovom reťazci ohodnotíme váhovými koeficientmi Wt, Pri dynamicky sa meniacich podmienkach na trhu však lineárna závislosť váh nevystihuje dostatočne vzťah medzi významom jednotlivých periód pre budúcu prognózu. Exponenciálna krivka popísaná implicitnou funkciou y = f(x) vystihuje oveľa lepšie dynamiku zmien ako lineárna krivka. 
N – počet periód z minulosti, ktoré berieme do úvahy.Ďalšou informáciou, ktorú môžeme z minulostí vyťažiť je pomer medzi následnými hodnotami skutočného predaja alebo medzi hodnotami prognóz. Tým získame hodnotu pomerového indexu P(N+1) budúceho vývoja skúmaných hodnôt. Môžeme použiť niektorý zo vzťahov : P(N+1) =
P(N+1) ¸
Takto získame pre N zohľadňovaných periód N – 1 hodnôt pomerových indexov, ktoré je potrebné aritmetickým, harmonickým alebo geometrickým priemerom premietnuť do výslednej priemernej hodnoty pomerového indexu P(I), ktorú môžeme následne použiť pre účely prognózy. Jednoduchým ale efektívnym nástrojom prognózovania je zobrazenie skúmaných dát v časovom grafe, čím získame konkrétnu predstavu o približnom tvare krivky dát, predpokladanom trende, skokovitých zmenách, sezónnych a cyklických vplyvov . Na základe tohoto zobrazenia vieme vybrať vhodnú kvantitatívnu metódu prognózovania, ktorá bude schopná zohľadniť spomínané vplyvy. Ďalšou z možností ako zlepšiť presnosť prognózy je rozlišovať v historickej sekvencii dát časti trendu a to:
V deterministických častiach môžeme priamo použiť kvantitatívne techniky prognózovania. Chaotické dáta sa vyznačujú určitou vnútornou podobnosťou, pričom však musíme zohľadniť vysokú citlivosť chaotických javov na počiatočnú hodnotu. Úplne stochastické (náhodné) časti trendu bez akejkoľvek vnútornej závislosti medzi dátami sa snažíme odstrániť rozličnými štatistickými technikami, pretože sa jedná spravidla o rušivé náhodné vplyvy.
4. Integrácia viacerých faktorov pri výpočte prognóz Doposiaľ známe kvantitatívne ale aj kvantitatívne a marketingové metódy prognózovania sú založené na zohľadnení iba jedného faktoru, ktorý ovplyvňuje následný vývoj predaja firmy. Vyššie popísaný prístup k problematike prognózovania ponúka možnosť vyťažiť z historickej sekvencie dát maximálne množstvo informácii vhodných pre prognózu. Touto metódou by bolo možné zohľadniť viacero ukazovateľov, parametrov v jednom vzťahu. YN+1 = YN + a(YN-1 - AN-1) + (P(I) -1) .YN ± OS (1)Kde jednotlivé ukazovatele predstavujú: YN - hodnota prognózy v perióde N (dominancia poslednej periódy) (P(I) -1) - pomerový index, gradient trendu a - diferencia chyby (YN-1 - AN-1) – chyba prognózy z minulého obdobia OS – skutočnosti očakávané v prognózovanej perióde,zmeny zistené marketingovým prieskumom trhu . Rozličnými modifikáciami vzorca (1) nám vzniká množina riešení prognózy, ktorá pri počte prvkov 3 a viac vytvára interval v ktorom je s malou pravdepodobnosťou chyby, skutočná budúca hodnota predaja skúmaného výrobku.
5. Výber prognózy na základe krivky životného cyklu Ďalším nástrojom, ktorý môžeme použiť pri tvorbe prognózy predaja je “Krivka životného cyklu výrobku”. Táto krivka vyjadruje priebeh predaja výrobku počas doby, ktorej sa výrobok nachádza na trhu.
Jej priebeh prechádza postupne štyrmi fázami a to rozbehom, nárastom, vrcholom a poklesom. Na základe umiestnenia skúmaného výrobku na krivke životného cyklu sme schopný vybrať z množiny prognóz tú, ktorá najviac zodpovedá príslušnej fáze životného cyklu výrobku. Extrapolačnými technikami numerickej matematiky ako napríklad Lagrangeovou metódou Interpolačného polynómu, môžeme získať implicitnú funkciu krivky životného cyklu výrobku vo všeobecnom tvare y = f(x) [3] Momentálnu pozíciu skúmaného výrobku na krivke životného cyklu zistíme podľa veľkosti prvej derivácie implicitnej funkcie krivky životného cyklu výrobku v momente prognózy (teda veľkosti smernice dotyčnice krivky v danom bode) alebo podľa veľkosti pomerového indexu P(I), alebo gradientu . V následnej prognóze považujeme za riešenie prognózy ten prvok množiny riešení prognózy predaja výrobku viacfaktorovou metódou, ktorá najviac vyhovuje príslušnej fáze krivky životného cyklu výrobku to znamená :
Táto metóda kombinuje kvantitatívny a marketingový prístup do jednej metódy. Kvantitatívnymi metódami spracúvame hodnoty z minulých období a marketingovými technikami zohľadňujeme v prognóze očakávane budúce zmeny, ktoré môžu ovplyvniť veľkosť hodnoty predaja sledovaného výrobku.
Referencie 1. Malindžák, D. (1 997): Výrobná logistika. Vydavateľstvo ŠTROFFEK, Košice2. Malindžák, D. (1987 ): Zborník vedeckých prác. Štatisticko – heuristický model automatizovaného spracovania ročného plánu finálnej výroby pre závod hutníckej druhovýroby. Alfa, Košice3. Prenter, P. M. (1975): Splines and variational methods. Wiley, New York
About the authors Ing. Dušan Malindžák (1975) He is doktorand University of Lutton, England. In 1999 graduate, Faculty of Mining Ecology Management and Geotechnology Technical university of Košice. Your branch was industrial Logistic. Shout time was employed in ”VSŽ a.s. Košice”. His topic of thesis is ”Multifactor quantitative marketing forecasting method”. Prof. Ing. Dušan Malindžák, CSc. (1951) He is professor for Production Management and Industrial Logistic branch. Present position - dean of Faculty BERG TU Košice. He is a the author of 5 monographs. |
