Увидеть будущее

Обращение к статистике

Методы прогнозирования продаж делятся на статистические и экспертные, основанные, соответственно, на обработке количественных данных и оценках специалистов (рис.). Большинство компаний, когда есть такая возможность, предпочитает использовать первый тип прогнозов, поскольку при сравнимой точности (в определенных условиях) это намного дешевле и проще, чем привлечение экспертов.

Самый простой и распространенный из статистических методов — экстраполяция. Суть его заключается в использовании исторических данных предыдущих периодов (по объемам продаж, складским запасам, количеству покупателей и т.д.) для определения общей тенденции и ее «продления в будущее». При этом подразумевается, что все основные факторы, влияющие на исследуемый показатель, продолжат свое действие в обозримом будущем и определенная тенденция останется в силе на ближайший период.

Этот метод хорошо подходит для прогнозирования таких показателей, как объем рынка, величина складских запасов, уровень развития производства, однако в отношении продаж его применение ограничивается главным образом зрелыми рынками со сложившимся балансом сил и низкой вероятностью качественных изменений, которые могли бы повлиять на ситуацию. Любая неожиданность, нарушающая прежний ход вещей, резко понижает точность прогнозов, основанных на экстраполяции. Как известно, всегда можно с 75-процентной вероятностью сказать, что завтра будет такая же погода, как сегодня, однако у нас за окном дожди то и дело сменяются ясной погодой, а за зимой следует весна.

Еще одно ограничение, налагаемое на применение экстраполяции, заключается в необходимости получения полной и достоверной информации о прошлых событиях. Например, розничные торговые компании используют для прогнозирования данные, полученные со сканеров штрих-кодов на кассах, которые с исчерпывающей точностью сообщают, какие товары были проданы и в каком количестве.

Существуют приемы, повышающие точность экстраполяции при недостаточно стабильной обстановке. В частности, один из них состоит в использовании взвешенных показателей, когда данные за последние периоды имеют большее значение, чем старые. При наличии большого массива информации применяется сглаживание, чтобы уменьшить влияние случайных факторов и сезонных колебаний.

При всех своих недостатках экстраполяционные методы легко автоматизируются и поэтому часто применяются в тех случаях, когда требуется быстро составить большое число прогнозов (например, при предсказании объема продаж в крупной компании, продающей продукцию сотен и тысяч наименований). Кроме того, экстраполяцию всегда можно использовать параллельно с другими методами прогнозирования, применяя числовые ряды в качестве первого приближения.

В частности, экстраполяция может сочетаться с экспертными оценками. Если на рынке происходят какие-либо серьезные изменения (принятие поправок к законодательству, резкое снижение цены конкурентом, появление качественно нового товара в той же группе и т.д.), компании обращаются к специалистам, чтобы те оценили влияние подобных изменений на рыночные тенденции. Экспертами часто выступают менеджеры по продажам самой фирмы, которые корректируют статистические прогнозы с учетом своего знания рынка.

На этом базируется метод прогнозирования на основе закономерностей (rule-based forecasting), который заключается в учете рыночных факторов, способных нарушить стройность числовых рядов. Многие менеджеры на основании своего прежнего опыта могут сказать, какие события должны оказать значительное влияние на объемы продаж и каким примерно образом, а какими можно пренебречь и оставить в силе прогнозы, полученные методом экстраполяции. Такие расчеты могут быть формализованы в виде компьютерных моделей — так создаются экспертные системы, в которых компьютерные программы корректируют прогнозы, полученные путем экстраполирования, на основании закономерностей, определенных специалистами.

Обращение к прошлому опыту предполагает и метод прогнозирования, основанного на аналогиях. Если событие, которое может оказать существенное влияние на рынок и уменьшить точность экстраполяционных предсказаний, уже случалось ранее, компания может предположить, что и в этот раз оно окажет аналогичное воздействие, и соответствующим образом скорректировать прежние прогнозы. Впрочем, для того чтобы этот метод оказался более-менее точным, требуется близкое совпадение с прошедшими случаями, что в действительности происходит редко.

В последние годы большую популярность в западных странах получили различные эконометрические модели. Их создатели считают, что смогли определить зависимость объема продаж от тех или иных факторов — например цены или рекламной активности. Предполагается, что с учетом прогнозируемых значений переменных (взятых по отдельности или в комплексе) модель выдаст наиболее вероятное изменение уровня продаж.

Как показывает опыт, эконометрические методы могут оказаться полезными в тех случаях, когда в ближайшее время на рынке ожидаются значительные изменения ситуации, причем такие, влияние которых на объемы продаж известно и доказано на практике².

• существует сильная причинно-следственная связь между объемом продаж и влияющими на них факторами;
• эта связь известна или может быть достаточно точно определена;
• в течение периода прогнозирования должно произойти существенное изменение «факторов влияния»;
• эти изменения могут быть достаточно точно предсказаны или, по крайней мере, можно безошибочно оценить, как именно они должны повлиять на объемы продаж.

Применение сложного и дорогостоящего метода прогнозирования вовсе не гарантирует точности оценок. По данным американского специалиста Скотта Армстронга из University of Pennsylvania и его новозеландского коллеги из University of Auckland Родерика Броди, в настоящее время не существует доказанных свидетельств повышенной точности новейших методов мультивариантного прогнозирования, основанного на изучении временных серий, а также значительной пользы электронных экспертных систем, созданных по принципу нейронных сетей, в которых компьютеры соединены между собой, как нейроны в мозгу человека. Подобные системы, действительно, могут многократно повысить скорость сложных расчетов, но пока не созданы теории, на основании которых можно точно определить влияние тех или иных факторов на объемы продаж.

Качественная экспертиза

Если в распоряжении компании нет надежных статистических данных или информации о взаимосвязи между объемами продаж, ситуация на рынке нестабильна, а конкуренты проявляют высокую активность, экстраполяция и другие статистические методы вряд ли могут обеспечить приемлемую точность прогнозирования. В таких случаях единственный выход заключается в том, чтобы приступить к опросам экспертов и/или потребителей.

Чаще всего компания обращается за помощью к специалистам, знакомым с ситуацией на рынке и способным правильно оценить влияние возможных изменений. Таких экспертов можно найти и внутри компании (например, это могут быть опытные менеджеры по продажам или маркетологи), что обходится дешевле, однако на их мнение могут повлиять различные внутренние соображения (сбытовики, как правило, занижают прогнозы, опасаясь завышения для них планов продаж, а специалисты по маркетингу склонны завышать ожидания результатов планируемых ими акций). Поэтому компании используют смешанные команды, представляющие различные службы (чтобы отклонения в оценках компенсировали друг друга), а также привлекают независимых экспертов — уважаемых на рынке профессионалов, рыночных аналитиков, консультантов. Как правило, их бывает от 5 до 20.

Наиболее простой способ экспертной оценки заключается в выведении среднего арифметического прогнозов специалистов, однако этот метод применим главным образом в достаточно простых ситуациях, когда опрашиваемые эксперты примерно одинаково владеют вопросом. Существует ряд приемов, позволяющих повысить точность таких прогнозов. Наиболее распространены среди них метод Делфи и метод расстановки.

При использовании метода Делфи (Delphi) каждый эксперт, действующий независимо и обособленно от своих коллег, не общаясь с ними, после вынесения собственного суждения узнает среднестатистический результат по всей группе, а также знакомится с анонимными прогнозами других экспертов. С учетом этой информации он корректирует собственный прогноз, а конечным результатом снова считается средний показатель, который сообщается экспертам, и весь процесс повторяется. Как правило, такая процедура происходит два или три раза.

Метод расстановки (judgmental bootstrapping) часто используется при создании компьютерных экспертных программ. Он применяется, когда привлекаются эксперты с разным уровнем компетентности или знаниями только об отдельных аспектах проблемы и их прогнозы невозможно прямо сравнивать друг с другом. Если при экспертной оценке обычно принято считать, что мнения всех привлекаемых специалистов одинаково весомы, то метод расстановки исходит из того, что к одним экспертам следует прислушиваться более внимательно, чем к другим. Специалисты ранжируются в зависимости от оценочного уровня их компетентности (хотя бы с субъективной точки зрения аналитика) и объема информации о данной проблеме, которым они владеют. После этого по довольно сложной схеме происходит «взвешивание» и определение конечного прогноза, наибольшее влияние на который имеет мнение самых авторитетных экспертов.

Для обоих методов нужны время и серьезная предварительная подготовка, но зато они снижают требования к однородности состава экспертной комиссии, а также, как показывает практика, способны обеспечить большую точность прогноза по сравнению с простым экспертным опросом³.

Наконец, на предварительных этапах прогнозирования, когда необходимо уточнить рыночную ситуацию или просчитать действия конкурентов, могут использоваться ролевые игры. Например, в 2001 году американская компания Philco, производящая хозяйственные товары, применила этот метод при подготовке к запуску нового механизма стимулирования ритейлеров, основанного на инновационной для этого рынка системе скидок, зависящих от объемов продаж. Успех этого начинания зависел прежде всего от содействия со стороны менеджеров магазинов, в которых продавалась продукция компании. Руководство Philco параллельно с опросом экспертов провело ряд ролевых игр в десяти группах, участники которых играли роли ритейлеров. Как выяснилось уже после успешного введения системы в действие, игры показали более высокую точность прогнозирования действий менеджеров магазинов, чем экспертные оценки. Большинство специалистов высказалось против нового механизма, в то время как при проведении ролевых игр успех правильно предсказали восемь групп из десяти⁴.

Спросите у потребителей

Еще один популярный метод прогнозирования заключается в опросе потребителей об их намерениях на ближайший период. Метод оценки намерений (intentions method) дает наилучшие результаты, когда речь идет о прогнозировании продаж товаров длительного пользования (автомобилей, бытовой техники, мебели), а также в сфере услуг. В соответствии с этим подходом респондентов, представляющих целевую аудиторию, просят ответить на вопрос о том, собираются ли они в течение определенного периода приобрести тот или иной продукт или услугу. Ответы при этом ранжируются от «определенно нет» до «определенно да», затем происходит суммирование и выведение среднего показателя.

Метод оценки намерений часто используется для определения потенциальной емкости того или иного сегмента потребительского рынка на ближайший период. Например, в 1993-1996 годах несколько американских операторов мобильной связи проводили общее исследование, направленное на прогнозирование числа покупателей мобильных телефонов.

Многие компании используют опросы для определения популярности своих брендов или отдельных продуктов, хотя точность такого прогнозирования не слишком высока, поскольку декларированные намерения потенциальных покупателей могут оказаться иными, нежели реальные решения, которые будут приниматься непосредственно в точках продажи.

Вообще, как показывает практика, предварительное изучение намерений потребителей мало помогает при определении объема продаж товаров импульсного спроса и/или быстро эволюционирующих. Так, в упоминавшемся выше исследовании американского рынка мобильной связи респондентам предлагалось оценить свои намерения в течение 2-6 месяцев, поскольку попытки прогнозирования на более длительный период вскоре показали свою несостоятельность, однако даже кратковременные предсказания были не слишком точны⁵.

По этой причине метод оценки намерений, как правило, применяется только совместно с другими приемами прогнозирования, чаще всего — экспертной оценкой и экстраполяцией. В первом случае мнение экспертов сравнивается с отзывами реальных потребителей, а во втором наибольшую ценность представляет собой картина последовательных изменений предпочтений покупателей. В рамках этого подхода опросы проводятся несколько раз в год, а их результаты рассматриваются совместно с изменениями показателей ежемесячных продаж. Установлено, что при подобном комбинировании метод оценки намерений способствует повышению точности прогнозов⁶.

Сочетание оценки намерений покупателей и опросов экспертов часто используется при планировании выпуска на рынок нового продукта, где исторических данных не существует в принципе (хотя если в наличии есть такая информация, можно воспользоваться результатами запуска аналогичных продуктов в прошлом). При этом необходимо учитывать, что при опросе потенциальных потребителей последние должны получить как можно более полное представление о товаре, поэтому их вниманию предлагаются прототипы, опытные образцы, концепты рекламы, результаты тестирования. Вопросы о намерениях должны иметь достаточно общий характер, касающийся «вероятности покупки», а шкалу ответов желательно сделать пошире, скажем, от нуля («никаких шансов, вероятность 1 из 100») до десяти («наверняка, вероятность 99 из 100»).

Эксперты одновременно оценивают потенциал новинки на рынке. Если задача представляется слишком сложной, ее стоит разбить на ряд более простых. Так, если речь идет, например, о спросе на плазменные телевизоры в США в таком-то году, можно последовательно задать вопросы: «Сколько домашних хозяйств будет в стране в будущем году?», «Сколько из них имеют годовой доход более $30 тыс. на человека?», «Сколько из них не купили плазменный телевизор в прошлом году» и т.д.⁷

Опросы потенциальных потребителей также могут проводиться в том случае, когда надо оценить и сравнить действие различных факторов, одновременно влияющих на объемы продаж (например, цены, дизайна, уровня сервиса, рекламных акций и т.д.). Такой метод получил название совместного (conjoint) анализа, который используется, когда выбор сочетаний тех или иных факторов становится слишком обширным. Если, например, представить, что компания рассматривает три варианта изменения цены, три программы стимулирования сбыта и три вида дизайна, получается, что респонденты должны рассмотреть 27 различных сочетаний и выбрать из них оптимальное, однако эта задача, очевидно, чересчур трудоемка. Сonjoint-анализ позволяет решить эту проблему. Данная методика определяет более и менее важные факторы, а затем предлагает респондентам выбрать наиболее подходящие для них варианты. При этом ранжированию или оценке подлежат полные описания продукта, а не отдельные его характеристики (наименование, цена и т.д.).

Для повышения точности прогнозирования продаж требуются знания. Аналитикам и менеджерам компании необходимо постоянно изучать рынок, определять изменения потребностей своих клиентов, следить за действиями конкурентов, искать и находить взаимосвязи и закономерности. Чем сильнее опора на такую информацию, тем более точным будет прогноз.

¹ Sales Forecasting Practices: Results from a U.S. Survey, International Journal of Forecasting, №3, 1987 год.

² Quantitative Methods in Marketing, под редакцией Грэма Хули и Майкла Хасси, International Thompson Business Press, 1999 год.

³ Structuring Sales Forecasting Problems, marketing.wharton.upenn.edu.

⁴ Quantitative Methods in Marketing, под редакцией Грэма Хули и Майкла Хасси, International Thompson Business Press, 1999 год.

⁵ Sales Forecasting for Existing Products and Services: Do Purchase Intentions Contribute to Accuracy? University of Pennsylvania, апрель 2000 года.

⁶ Sales Forecasting for Existing Products and Services: Do Purchase Intentions Contribute to Accuracy? University of Pennsylvania, апрель 2000 года.

⁷ Quantitative Methods in Marketing, под редакцией Грэма Хули и Майкла Хасси, International Thompson Business Press, 1999 год.

⁸ Там же.