Prognozowanie przyszłego popytu (sprzedaży) Dr Rafał Zbyrowski Wydział Zarządzania UW
Istota prognozowania Podczas gry na lodowisku jadę tam, dokąd krążek zmierza, a nie tam, gdzie jest Wayne Gretzky (www.brandcenter.pl)
Co to jest prognozowanie Prognozowanie to przewidywanie przyszłych zdarzeń, którego celem jest zmniejszenie ryzyka w procesie podejmowania decyzji. Prognozowanie jest racjonalnym, naukowym przewidywaniem przyszłych zdarzeń. Prognoza jest sądem dotyczącym przyszłości prognozowanego zjawiska precyzyjnym i niepewnym.
Znaczenie prognozowania sprzedaży Prognoza sprzedaży Zarządzanie sprzedażą Zarządzanie finansami Zarządzanie produkcją Zarządzanie marketingiem
Znaczenie prognozowania sprzedaży Prognoza sprzedaży Zarządzanie sprzedażą Zarządzanie finansami Zarządzanie produkcją Zarządzanie marketingiem Decyzje dotyczące sieci sprzedaży Zarządzanie personelem sprzedażowym
Znaczenie prognozowania sprzedaży Prognoza sprzedaży Zarządzanie sprzedażą Zarządzanie finansami Zarządzanie produkcją Zarządzanie marketingiem Prognozowanie przepływów finansowych (cash flow) Decyzje kredytowe Decyzje inwestycyjne
Znaczenie prognozowania sprzedaży Prognoza sprzedaży Zarządzanie sprzedażą Zarządzanie finansami Zarządzanie produkcją Zarządzanie marketingiem Zarządzanie siłą roboczą (de)inwestycje w infrastrukturę Zarządzanie zapasami
Znaczenie prognozowania sprzedaży Prognoza sprzedaży Zarządzanie sprzedażą Zarządzanie finansami Zarządzanie produkcją Zarządzanie marketingiem Wybór grup (rynków) docelowych Decyzje dotyczące polityki cenowej Decyzje dotyczące wsparcia promocyjnego Decyzje dotyczące zmian produktowych
Skutki przeszacowania popytu Koszty przestoju oraz niewykorzystane (nadmierne) zdolności wytwórcze Obniżki cen wymuszone koniecznością pozbycia się nadmiernych zapasów Nieplanowane, wysokie wydatki marketingowe (czyszczenie kanałów dystrybucji) Wysokie koszty związane z utrzymywaniem nadmiernych zapasów: problemy z płynnością finansową straty wynikłe ze zniszczenia lub zużycia magazynowanych produktów wysokie koszty magazynowania Nadmiernie wysokie, trudne do realizacji kwoty sprzedażowe Koszty związane z zarządzaniem personelem sprzedażowym
Skutki niedoszacowania popytu Utracone możliwości sprzedaży Szkody poniesione z tytułu utraty reputacji Koszty pracy w nadgodzinach oraz nadmierne wydatki na nieplanowane dostawy Niebezpieczeństwo spadku jakości produktów w wyniku nacisków na pełne wykorzystanie mocy produkcyjnych Niskie zadania sprzedażowe Koszty związane z nagłą potrzebą rozbudowy personelu sprzedażowego
Rodzaje prognoz Według wykorzystywanych metod: prognozy ilościowe prognozy jakościowe Według horyzontu czasowego: prognozy krótkookresowe (do 12 miesięcy) prognozy średniookresowe (12-36 miesięcy) prognozy długookresowe (powyżej 36 miesięcy)
Rodzaje prognoz Prognozy jakościowe Prognozy ilościowe Opinie sprzedawców Opinie kierownictwa firmy Badania ekspertów Metoda delficka Modele szeregów czasowych Modele przyczynowoskutkowe Badanie intencji zakupowych
Metody jakościowe Prognozy jakościowe
Badanie opinii sprzedawców Prognozy jakościowe Okresowo zbierane opinie sprzedawców (przedstawicieli handlowych) na temat sprzedaży w przyszłym okresie w odniesieniu do przypisanego zakresu produktowego, geograficznego i klientowskiego Na tej podstawie budowane są całościowe prognozy firmy (jako suma poszczególnych prognoz) Zastosowanie: tam, gdzie sprzedawcy mają bezpośredni kontakt z finalnymi nabywcami rynki B2B Prognozy krótkookresowe
Badanie opinii sprzedawców Prognozy jakościowe Zalety: sprzedawcy są blisko nabywców wywołuje zaufanie sprzedawców do kwot sprzedażowych szczegółowość danych (różne przekroje) Wady: czasochłonna dla sprzedawców (odciąga ich od głównych obowiązków) możliwe manipulacje sprzedawców (zaniżanie) niska wiedza sprzedawców na temat planów marketingowych firmy (czynniki mające duży wpływ na sprzedaż)
Opinie kierownictwa firmy Prognozy jakościowe Okresowe zbieranie informacji (prognoz) od kierownictwa Zalety: prostota szybkość powiązanie z planami marketingowymi Wady: brak obiektywnego spojrzenia ( z zewnątrz ) syndrom grupowego myślenia rozmyta odpowiedzialność
Badania ekspertów Prognozy jakościowe Uzyskanie informacji od niezależnych ekspertów (nie będących pracownikami firmy, np. dystrybutorów, dealerów, dostawców, konsultantów, etc.) Metody zbierania opinii ekspertów: grupa dyskusyjna indywidualne ekspertyzy metoda delficka
Grupa dyskusyjna Zalety: Fachowcy zebrani w jednym miejscu Dyskusja prowadzona przez moderatora Podsumowanie przez moderatora Akceptacja wszystkich uczestników dyskusji Wady: uczestnicy oddziałują na siebie efekt zależny od osobowości, temperamentu, umiejętności przekonywania
Metoda delficka Kilkukrotne, sekwencyjne wysyłanie kwestionariuszy do celowo wybranych ekspertów z prośbą o liczbowe lub jakościowe opinie Indywidualna komunikacja z każdym ekspertem eksperci nie wiedzą kto bierze udział w panelu Analiza jakościowa lub ilościowa uzyskanych w każdej rundzie wyników i odesłanie zestawień zbiorczych Uzyskanie konsensusu (zwykle po 3 rundach)
Metoda delficka Zalety: możliwość przeprowadzenia długofalowej prognozy relatywny obiektywizm eksperci pracują niezależnie możliwość dotarcia do wielu ekspertów brak konieczności zebrania ekspertów w jednym miejscu Warunki konieczne: ścisłe i precyzyjne określenie przedmiotu badania konieczność precyzyjnego doboru ekspertów jasne i jednoznaczne sformułowanie pytań w kwestionariuszu nieduża liczba pytań
Wybrane metody jakościowe prognozowania popytu Wybrane jakościowe metody prognozowania popytu Charakterystyka Wiarygodność krótkoterminowa (do 12 miesięcy) Wiarygodność średnioterminowa (12 36 miesięcy) Wiarygodność długoterminowa (powyżej 36 miesięcy) Identyfikacja punktów zwrotnych Typowe zastosowania Potrzebne dane Szacowana czasochłonność Opinie przedstawicieli handlowych Panel ekspertów Metoda delficka Dobra Niedostateczna do dobrej Dostateczna do bardzo dobrej Dostateczna do dobrej Niedostateczna do dobrej Dostateczna do bardzo dobrej Niedostateczna Niedostateczna do dobrej Dostateczna do bardzo dobrej Niedostateczna Prognozy kwartalne i roczne w kategorii sprzedaży produktu Dane odnośnie sprzedaży w poprzednich okresach od przedstawicieli handlowych w układzie produktów i klientów Niedostateczna do dostatecznej Prognozy kwartalne, rocznej i długookresowe dla produktów istniejących na rynku i nowych oraz prognoza marży Żadne dane nie są wymagane poza informacjami odnośnie założeń prognozy (tzw. warunki brzegowe) oraz projekcjami pochodzącymi od indywidualnych prognostyków Dostateczna do dobrej Tylko prognozy roczne i długoterminowe dla istniejących i nowych produktów oraz prognozy marż Koordynator badania redaguje, zbiera i rozsyła odpowiedzi w każdej rundzie procedury badawczej 2 3 tygodnie 1 2 tygodnie 2 3 tygodnie
Metody ilościowe Prognozy ilościowe
Rodzaje metod ilościowych Metody ilościowo-ekstrapolacyjne Metody przyczynowo-skutkowe Badanie intencji zakupowych
Wybrane metody ekstrapolacyjne prognozowania popytu Metody Ilościowemetody ekstrapolacyjne Analiza szeregów czasowych Metoda wygładzania wykładniczego Analiza trendu statystycznego
Prognozowanie szeregów czasowych Założenie, że wzorce zmian w okresach przeszłych mogą być wykorzystane do przewidywania sprzedaży w okresach przyszłych W modelu zmiennymi objaśniającymi mogą być tylko zmienna czasowa oraz przeszłe wartości lub prognozy zmiennej sprzedaży Modele szeregów czasowych pomijają całkowicie czynniki determinujące poziom sprzedaży W oparciu o szeregi czasowe buduje się model, który pozwala na prognozowanie
Przyczyny kształtujące poziom sprzedaży Przyczyny główne trend Przyczyny okresowe wahania stałe model addytywny wahania zmienne (narastające, malejące) model multiplikatywny Przyczyny przypadkowe
Metody Prognozy ilościowe metody naiwne metoda średnich ruchomych metoda wygładzania wykładniczego metody analityczne
Metody naiwne Prognozy ilościowe 1. Stała wartość sprzedaży 1. y t =y t-1 2. Stałe przyrosty/spadki 1. y t =y t-1 +(y t-1 -y t-2 ) 2. y t =y t-1 +c 3. Oparte o średnie zmiany 1. y t t 1 4. Cykliczne zmiany: 1. y t =y t-k y t 2 1 t 2 i 1 y i 1 y i
Błędy prognoz Bezwzględny błąd prognozy * qt yt yt y t rzeczywista wartość zmiennej prognozowanej w okresie t y t * - prognoza zmiennej w okresie t Średni absolutny błąd prognozy T 1 * y t y t T n t n 1 Odchylenie standardowe błędów s * 1 T n T t n 1 ( y t y * t )
Przykład metody naiwne Prognozy ilościowe dane faktyczne metoda 1.1 y(t)-y(t-1) metoda 2.1 Styczeń 10905 Luty 9728 10905-1177 8551 Marzec 11504 10905 1776 13280 Kwiecień 12596 10905 1092 13688 Maj 13357 10905 761 14118 Czerwiec 14387 10905 1030 15417 Lipiec 14735 10905 348 15083 Sierpień 14193 10905-542 13651 Wrzesień 12632 10905-1561 11071 Październik 12057 10905-575 11482 Listopad 10816 10905-1241 9575 Grudzień 11434 10905 618 12052 Błąd metoda 1.1 = 661 Błąd metoda 2.1 = 321 s * 1 T n T t n 1 ( y t y * t )
Metody naiwne Prognozy ilościowe 18000 16000 14000 12000 10000 8000 6000 4000 2000 0 Luty Marzec Kw iecień Maj Czerw iec Lipiec Sierpień WrzesienPaździernik Listopad Grudzień dane faktyczne metoda 1.1 metoda 2.1
Marzec Kwiecień Maj Czerwiec Lipiec Sierpień Wrzesień Październik Listopad Grudzień Metoda średniej ruchomej Prognozy ilościowe dane faktyczne średnia ruchoma Styczeń 10905 Luty 9728 Marzec 11504 10316,5 Kwiecień 12596 10616 Maj 13357 12050 Czerwiec 14387 12976,5 Lipiec 14735 13872 Sierpień 14193 14561 Wrzesień 12632 14464 Październik 12057 13412,5 Listopad 10816 12344,5 Grudzień 11434 11436,5 16000 14000 12000 10000 8000 6000 4000 2000 0 dane faktyczne średnia ruchoma Błąd metoda średniej ruchomej = 418
Wybrane metody ekstrapolacyjne prognozowania popytu Konstrukcja prognozy metodą naiwną Miesiąc y p Błąd q = y - p q2 R= y-m R2 1 54 - - 2 52 54-2 4-7,5 56,25 3 64 52 12 144 4,5 20,25 4 48 64-16 256-11,5 132,25 5 66 48 18 324 6,5 42,25 6 64 66-2 4 4,5 20,25 7 68 64 4 16 8,5 72,25 8 58 68-10 100-1,5 2,25 9 64 58 6 36 4,5 20,25 10 68 64 4 16 8,5 72,25 11 52 68-16 324-7,5 56,25 12 56 52 4 16-3,5 12,25 Razem 1172 506,8 M 59,5 10,32 6,79 r2 506,8 11,41% S 6,79 V 11,41% Źródło: opracowanie własne.
Wybrane metody ekstrapolacyjne prognozowania popytu Konstrukcja prognozy metodą 3 letniej średniej ruchomej Miesiąc y p Błąd q = y - p q2 R=y-m R2 1 54 2 52 3 64 4 48 56,7-8,7 75,1-11,5 132,25 5 66 54,7 11,3 128,4 6,5 42,25 6 64 59,3 4,7 21,8 4,5 20,25 7 68 59,3 8,7 75,1 8,5 72,25 8 58 66,0-8,0 64,0-1,5 2,25 9 64 63,3 0,7 0,4 4,5 20,25 10 68 63,3 4,7 21,8 8,5 72,25 11 52 63,3-11,3 128,4-7,5 56,25 12 56 62,3-5,3 28,4-3,5 12,25 Razem 543,6 430,3 M 59,5 7,03 6,25 r2 430,3 10,51% S 6,25 V 10,51% Źródło: opracowanie własne.
Wybrane metody ekstrapolacyjne prognozowania popytu Konstruowanie prognozy sprzedaży metodą 2 i 4 letniej średniej ruchomej Rok Sprzedaż Prognoza 2 letnia Prognoza 4 letnia 1987 4200 1988 4410 1989 4322 4305 1990 4106 4366 1991 4311 4214 4260 1992 4742 4209 4287 1993 4837 4527 4370 1994 5030 4790 4499 1995 4779 4934 4730 1996 4970 4905 4847 1997 5716 4875 4094 1998 6116 5343 5124 1999 5932 5916 5395 2000 5576 6024 5684 2001 5465 5754 5835 2002 5564 5521 5772 Źródło: opracowanie własne w oparciu o Tull D.S., Hawkins D. I. [1990] ss.652-54.
Wybrane metody ekstrapolacyjne prognozowania popytu Szacowanie przyszłej sprzedaży metodą wygładzania wykładniczego Rok Sprzedaż 0,2 0,2 0,5 0,5 0,8 0,8 1987 4200 śr. art śr. geo śr. art śr. geo śr. art śr. geo 1988 4410 4200 4200 4200 4200 4200 4200 1989 4322 4325 4326 4357 4253 4389 3362 1990 4106 4357 4357 4344 4345 4331 3462 1991 4311 4191 4192 4159 4286 4127 3488 1992 4742 4228 4229 4259 4200 4290 3355 1993 4837 4565 4570 4632 4377 4698 3385 1994 5030 4799 4799 4813 4677 4827 3655 1995 4779 4952 4953 4981 4866 5011 3841 1996 4970 4878 4879 4841 4928 4804 3964 1997 5716 4893 4894 4922 4876 4951 3905 1998 6116 5407 5418 5523 5118 5639 3917 1999 5932 5953 5956 6014 5662 6075 4328 2000 5576 6005 6006 5978 5989 5950 4765 2001 5465 5716 5718 5664 5880 5611 4806 2002 5509 5509 5493 5618 5476 4575
Wybrane metody ekstrapolacyjne prognozowania popytu Procedura wyznaczania trendu statystycznego z szeregów czasowych Przekodowanie danych liczbowych w celu uproszczenia obliczeń Wyliczenie wskaźników równania regresji Wyodrębnienie wskaźników cykliczności, sezonowości oraz tzw. składnika losowego Porównanie rzeczywistych rynkowych z wynikami predykcji Ocena stopnia dopasowania modelu do danych rzeczywistych Weryfikacja modelu regresji i oszacowanych wskaźników Źródło: opracowanie własne w oparciu o Aczel A.D. [2000] ss.624-32.
Średnia ruchoma różne okresy 8000 7000 6000 5000 n=2 n=3 4000 3000 n=4 2000 1000 0 I II III IV I II III IV I II III IV I II III IV I II III IV
Metody analityczne wyodrębnianie trendu kwartał numer kwartału faktyczna sprzedaż sprzedaż na podstawie funkcji trendu reszty I 0 2600 3162 562 II 1 3600 3289,07-310,93 III 2 4500 3416,14-1083,86 IV 3 2600 3543,21 943,21 I 4 3100 3670,28 570,28 II 5 4200 3797,35-402,65 III 6 5200 3924,42-1275,58 IV 7 3100 4051,49 951,49 I 8 3500 4178,56 678,56 II 9 4700 4305,63-394,37 III 10 5900 4432,7-1467,3 IV 11 3500 4559,77 1059,77 I 12 3800 4686,84 886,84 II 13 5100 4813,91-286,09 III 14 6600 4940,98-1659,02 IV 15 3800 5068,05 1268,05 I 16 4200 5195,12 995,12 II 17 5700 5322,19-377,81 III 18 7400 5449,26-1950,74 IV 19 4300 5576,33 1276,33 Źródło: M. Rószkiewicz ˆ y t yˆ t t 127,07 t 3162
Metody analityczne wyodrębnianie trendu 8000 7000 y = 127,07x + 3162 R 2 = 0,3364 model multiplikatywny 6000 5000 4000 3000 2000 1000 0 I II III IV I II III IV I II III IV I II III IV I II III IV
Wahania okresowe - wskaźniki Model addytywny Wskaźniki surowe: Wyznaczenie wskaźnika korygującego: Wyznaczenie wskaźników okresowości 1 ) ˆ ( 1 t t t i S y y n O i d i O Si d k 1 1 k O o i s i
Wahania okresowe - wskaźniki Model multiplikatywny Wskaźniki 1 surowe: yt OS i n i t 1 yˆ t d Wyznaczenie 1 wskaźnika korygującego: k O Si d i 1 Wyznaczenie Osi wskaźników okresowości o i k
Wahania sezonowe - przykład Surowy wskaźnik okresowości dla pierwszego kwartału: O s O O O 1 2600 3100 3500 3800 4200 5 3162 3670 4179 4687 5195 1 s s s 2 3 4 1,084 1,333 0,757 0,825 Współczynnik korygujący 0,825 1,084 1,333 0,757 k 4 0,9998 O1 0,825 O 1,084 O O 2 3 4 1,333 0,757
Wnioski Wielkość sprzedaży jest determinowana w 33,7% trendem Duży wpływ na wielkość sprzedaży ma sezonowość, wyrażająca się wartościami wskaźników sezonowości
Modele przyczynowo-skutkowe Prognozy ilościowe
Wybrane metody ekstrapolacyjne prognozowania popytu Ilościowemetody przyczynowo-skutkowe Metody regresji oraz model ekonometryczny Badanie intencji zakupowych Wiodący czynnik przyszłego popytu
Wybrane metody przyczynowo-skutkowe prognozowania popytu Charakterystyka Wiarygodność krótkoterminowa (do 12 miesięcy) Wiarygodność średnioterminowa (od 12 do 36 miesięcy) Wiarygodność długoterminowa (powyżej 36 miesięcy) Identyfikacja punktów zwrotnych Wybrane przyczynowo-skutkowe metody prognozowania Modele regresji wielorakiej Dostateczna do bardzo dobrej Dostateczna do bardzo dobrej Słaba do dobrej Dostateczna do dobrej Model ekonometryczny Dostateczna do bardzo dobrej Dostateczna do bardzo dobrej Słaba do dobrej Dostateczna do dobrej Badanie intencji zakupowych nabywców Słaba do dobrej Słaba do dobrej Słaba do dobrej Dostateczna do dobrej Wiodący czynnik przyszłego popytu Słaba do dobrej Słaba do dobrej Słaba do dobrej Tendencja do identyfikacji większości właściwych punktów zwrotnych, a także pojedynczych zafałszowań
Wybrane metody przyczynowo-skutkowe prognozowania popytu Charakterystyka Modele regresji wielorakiej Potrzebne dane Szacowana czasochłonność Wybrane przyczynowo-skutkowe metody prognozowania Potrzeba, co najmniej 20 obserwacji Model ekonometryczny Podobnie do danych potrzebnych w modelu regresji 1 dzień W początkowym okresie 1-2 miesiące później 2-4 tygodnie Badanie intencji zakupowych nabywców Niezbędne dane z kilku okresów dla znalezienia relacji pomiędzy intencjami nabywców a faktyczną sprzedażą Wiodący czynnik przyszłego popytu Informacje szeroko dostępne z danych wtórnych lub syndykatywnych 2-6 tygodnie 1 dzień
Model regresji Powierzchnia ekspozycyjna (X) Model (y=0,254x + 38,878) Reszty Sprzedaż w tyś zł (Y) 44 45 50,054-5,05 67 66 55,896 10,1 140 76 74,438 1,56 40 48 49,039-1,04 48 47 51,07-4,07 135 65 73,168-8,17 48 50 51,07-1,07 50 56 51,578 4,42 145 76 75,708 0,29 150 80 76,978 3,02 Interpretacja: wzrost powierzchni ekspozycyjnej o 1 m 2 powoduje wzrost sprzedaży o 254 zł. Stopień determinacji = 84,9% Odchylenie standardowe reszt = 5,53 tyś Źródło: M. Rószkiewicz
Badanie intencji zakupowych Prognozy ilościowe
Badanie intencji zakupowych Prognozy ilościowe Badanie kwestionariuszowe oparte o wywiad bezpośredni z klientami na próbach reprezentatywnych (wywiad face-to-face lub wywiad telefoniczny) Zastosowanie do dóbr trwałego użytku (samochody, sprzęt RTV/AGD oraz zakupów na rynkach B2B Zalety: dotarcie do danych pochodzących ze źródła możliwość zakupu danych od firm badawczych Wady: wysokie koszty czasochłonne trudności w określeniu intencji zakupowych
Ogólne zalecenia Wykorzystywanie kilku metod Badania ekspertów lepiej się sprawdzają przy prognozach długookresowych i na rynkach o dużej zmienności Badania opinii sprzedawców lepsze w krótkim okresie (do 6 miesięcy) Metody ilościowe prognozy krótko i średniookresowe, rynki stabilne
Zalecana literatura 1. Anczel D., Statystyka w zarządzaniu, PWN, Warszawa 2000, ss. 621-669. 2. Cybulski K., Zarządzanie działem sprzedaży firmy, PWN, Warszawa 2004 r.,ss.54-63 oraz 65-72. 3. Kaczmarczyk S., Badania marketingowe, PWE, wyd. III, Warszawa 2002, ss. Ss.302-314. 4. Rószkiewicz M., Metody ilościowe w badaniach marketingowych, PWN, Warszawa 2002, ss.253-289. 5. Strzyżewska M., Rószkiewicz M., Analizy marketingowe,diffin, Warszawa 2002, ss.52-63.