Прогнозирование в маркетинговых исследованиях презентация

Содержание лекции
Классификация методов прогнозирования, применяемых при принятии решений
Применение методов экспертных оценок в практике прогнозирования объемов продаж
Сущность методов экспертных оценок
Разработка схемы интервью для составления прогноза на основе мнения одного эксперта
Выделение этапов прогнозирования с помощью Дельфи-метода.
Методы анализа и прогнозирования временных рядов
Оценка изменений в показателях временных рядов с помощью укрупнения временного интервала и скользящей средней
Расчет индексов сезонности
Метода аналитического выравнивания
Прогнозирование с помощью модели АРПСС (ARIMA)
Прогнозирование с помощью метода экспоненциального сглаживания
Казуальные методы прогнозирования
Корреляционно- регрессионный анализ
Метод ведущих индикаторов
Эконометрические модели

Методический инструментарий подразумевает использование качественного и количественного видов анализа

Классификация методов прогнозирования
Методы экспертных оценок
Казуальные методы
Методы прогнозирования временных рядов
Группы методов прогнозирования в маркетинговых исследованиях
Совокупность индивидуальных прогнозов продавцов
Дельфи метод
Метод мозгового штурма
Методы аналитического выравнивания
Модели АРПСС
Методы экспоненциального сглаживания
Корреляционно- регрессионный метод
Метод ведущих индикаторов
Эконометрические модели

Характеристика методов прогнозирования

Методика прогнозирования с помощью экспертных оценок

Выделение этапов прогнозирования с помощью Дельфи-метода
формирование представительной группы экспертов;
опрос экспертов;
составление ранжированного распределения по атрибутивным или количественным признакам и расчет статистических характеристик ответов: средних величин, показателей колеблемости, медианы и квартили;
работа по сближению точек зрения экспертов. Всех экспертов знакомят с оценками и обоснованиями других экспертов и предоставляют возможность изменить свою оценку.

Методика прогнозирования с помощью методов анализа временных рядов

Уровни динамического ряда рассматриваются как функция времени:
Y t = f (t)
1) при равномерном развитии – линейная функция
Y t = b 0 + b 1 t
2) при росте с ускорением -
а) парабола второго порядка
Y t = b 0 + b 1t + b 2 t 2
б) кубическая парабола
Y t = b 0 + b 1 t + b 2 t 2 + b 3 t 3
3) при постоянных темпах роста –
показательная функция
Y t = b 0 b 1 t
4) при снижении с замедлением - гиперболическая функция
Y t = b 0 + b 1 * 1/t

Прогнозирование с помощью модели АРПСС (ARIMA)
(модель авторегрессии и процесс скользящего среднего)

Прогнозирование с помощью метода экспоненциального сглаживания
Расчет осуществляется с помощью экспоненциально - взвешенных скользящих средних:
Z t = α * Y t + ( 1 - α ) * Z t - 1 ;
где Z - сглаженный (экспоненциальный) объем продаж ;
период времени;
α - константа сглаживания;
Y - фактический объем продаж.

Последовательно используя эту формулу, экспоненциальный объем продаж Z t можно выразить через фактические значения объема продаж Y:
Z t = α ∑ ( 1 - α ) i * Y t - 1 + ( 1 - α ) t SO ;
где SO - начальное значение экспоненциальной средней.

Различают следующие показатели ошибок:
Средняя ошибка вычисляется простым усреднением ошибок на каждом шаге. Очевидным недостатком этой меры является то, что положительные и отрицательные ошибки аннулируют друг друга, поэтому она не является хорошим индикатором качества прогноза.
Средняя абсолютная ошибка вычисляется как среднее абсолютных ошибок. Если она равна 0 (нулю), то имеем совершенную подгонку (прогноз).
Сумма квадратов ошибок (SSE), среднеквадратическая ошибка. Эти величины вычисляются как сумма (или среднее) квадратов ошибок. Это наиболее часто используемые индексы качества прогноза.
Относительная ошибка (ОО).
ООt = 100*(Xt - Ft )/Xt
где Xt - наблюдаемое значение в момент времени t, и Ft - прогноз (сглаженное значение).

КАЗУАЛЬНЫЕ
МЕТОДЫ
Корреляционно-регрессионный анализ
Уравнение множественной регрессии имеет вид:
Y ( X 1; X 2; …X n ) = b 0 + b 1* X 1 + b 2 * X 2 + … + b n * X n ,
где
Y - прогнозируемый (результативный) показатель;
X 1; X 2 ; … X n - факторы (независимые переменные);

МЕТОД ИНВЕРСНОЙ ВЕРИФИКАЦИИ ПУТЕМ РЕТРОСПЕКТИВНОГО ПРОГНОЗИРОВАНИЯ. ЭТО ОЗНАЧАЕТ, ЧТО ПРАВИЛЬНОСТЬ ПРОГНОЗНОЙ МОДЕЛИ ПРОВЕРЯЕТСЯ ЕЕ СПОСОБНОСТЬЮ ВОСПРОИЗВОДИТЬ ФАКТИЧЕСКИЕ ДАННЫЕ В ПРОШЛОМ.
Мерой качества прогноза может служить коэффициент, характеризующий отношение числа подтвердившихся прогнозов к общему числу сделанных прогнозов.

Временные ряды и прогнозирование
ARIMA and autocorrelation functions – АРПСС (модель авторегрессии и параметры скользящего среднего) и автокорреляции
Interrupted analysis - Прерванные временные ряды
Exponential smoothing and forecasting - Экспоненциальное сглаживание
Seasonal decomposition (Census 1) - Сезонная декомпозиция (метод Census I)
X11 (Census 2) – months - Сезонная корректировка X-11 (метод Census II)
Distributed lags analysis - Анализ распределенных лагов
Spectral (Fourier) analysis - Кросс-спектральный анализ

Общая модель включает как параметры авторегрессии, так и параметры скользящего среднего. Имеется три типа параметров модели:
параметры авторегрессии (p),
порядок разности (d),
параметры скользящего среднего (q).
В условных обозначениях модель АРПСС записывается как (p, d, q). Например, модель (0, 1, 2) содержит 0 (нуль) параметров авторегрессии (p) и 2 параметра скользящего среднего (q), которые вычисляются для ряда после взятия разности с лагом 1.
Возможны следующие альтернативные модели:
один параметр авторегрессии (p)
два параметра авторегрессии (p)
один параметр скользящего среднего (q)
два параметра скользящего среднего (q)
один параметр авторегрессии (p) и один параметр скользящего среднего (q)
Дополнительно могут вводиться сезонные компоненты: сезонная авторегрессия (ps) и сезонная скользящая средняя (qs).
Порядок разности (лаг): Для того, чтобы определить лаг, нужно использовать график (Plot – с правой стороны верхний угол):
сильные скачки вверх и вниз, лаг = 1;
сильные скачки наклона, лаг = 2.
Модель должна быть экономичной, т.е. в ней должно быть наименьшее число параметров. На практике все параметры меньше (либо равны) 2.

АРПСС (модель авторегрессии и параметры скользящего среднего) и автокорреляции

Экспоненциальное сглаживание и прогнозирование
Выбрать функцию, по которой будет производиться расчет. Для выбора можно использовать сравнение графиков в следующей таблице с графиком, построенным по фактическим значениям ( Plot – в верхнем правом углу).

Ошибки прогноза