Відсутня інформація збирається шляхом прямих опитувань потенційних користувачів, торговців, постачальників і, якщо це можливо, конкурентів.
Перевірка ринку, чи контрольних продаж, у ході якої спостерігається реальне ринкове поводження покупців, дозволяє оцінити рівень спробних і повторних закупівель і обсяг потенційних продажів нового товару. Можна також провести спробні продажі за місцем проживання чи експерименти в спеціальних лабораторіях-магазинах.
Дані методи за звичай застосовуються спільно. Ясно, що в умовах сильно мінливого зовнішнього середовища інтуїція й уява здатні стати важливими інструментами сприйняття реальності, доповнюючи кількісні підходи, що, по визначенню, спираються тільки на фактори, що спостерігаються. З іншого боку, зрозуміло, що чисто якісному методу також присущи значні погрішності і що інтуїція повинна в можливо більшому ступені перевірятися за допомогою доступних фактів і знань. Таким чином, варто забезпечити спільне використання цих двох підходів.
Що стосується прогнозування попиту, то в методологічно правильній постановці - це мистецтво оцінки майбутнього попиту при припущенні про визначене поводження покупців у заданих умовах. Прогнозування попиту в даному випадку повинне здійснюється в три етапи. Спочатку розробляється прогноз зовнішнього середовища, потім - прогноз розвитку даної галузі, нарешті, розробляється прогноз величини попиту на товари конкретної компанії. Такі комплексні, тим більше аналітичні моделі, розробити і реалізувати надзвичайно складно, тому на практиці набули застосування більш прості статистичні моделі.
Усі прогнози обсягу продажів будуються на використанні трьох видів інформації, отриманих на основі вивчення: що люди говорять, що люди роблять і що люди зробили. Одержання першого виду інформації ґрунтується на вивченні думки споживачів і покупців, торгових агентів і посередників. Тут використовуються методи соціологічних досліджень і експертні методи. Вивчення того, що люди роблять припускає проведення тестування ринку. Вивчення того, що люди зробили, припускає аналіз статистичних даних по зроблених ними покупках.
Звичайно в даному випадку мова йде про прогнозування на основі статистичних даних по обсязі продажів для конкретної компанії чи конкретного ринку величини поточного ринкового попиту на визначений товар. У літературі, де приводяться результати використання тих чи інших статистичних моделей, дуже часто не робиться розходження між різними видами попиту, і його прямим образом ототожнюють з обсягом продажів.
3.2 Прогнозування попиту, основане на методах математичної статистики.
Можна виділити два методи розробки прогнозів, заснованих на методах математичної статистики: екстраполяцію і моделювання.
У першому випадку як база прогнозування використовується минулий досвід, що пролонгується на майбутнє. Робиться припущення, що система розвивається еволюціонно в досить стабільних умовах. Ніж крупніше система, тим більше ймовірне збереження її параметрів без зміни, звичайно, на термін не занадто великий. Рекомендується, щоб термін прогнозу не перевищував однієї третини тривалості вихідної тимчасової бази.
В другому випадку будується прогнозна модель, що характеризує залежність досліджуваного параметра від ряду факторів, що на нього впливають. Вона зв'язує умови, що, як очікується, будуть мати місце і характер їхнього впливу на досліджуваний параметр.
Дані моделі не використовують функціональні залежності; вони засновані тільки на статистичних взаємозв'язках.
При побудові прогнозних моделей найчастіше використовується парний і множинний регресійний аналіз; в основі екстраполяційних методів лежить аналіз тимчасових рядів.
Парний регресійний аналіз заснований на використанні рівняння прямої лінії:
y = a + bx,
де,
y - оцінювана чи прогнозована залежна перемінна (результативна ознака);
a - вільний член рівняння;
x - незалежна перемінна (факторна ознака), використовувана для визначення залежної перемінної.
b - коефіцієнт регресії, що вимірює середнє відношення відхилення результативної ознаки від його середньої величини до відхилення факторної ознаки від його середньої величини на одну одиницю його виміру - варіація y, що приходиться на одиницю варіації x.
Коефіцієнти a і b розраховуються на основі спостережень величин y і x за допомогою методу найменших квадратів.
Припустимо, що торговий агент продає дитячі іграшки, відвідуючи квартири випадковим образом. Відсутність відвідування якоїсь квартири означає відсутність продажу a = 0. Якщо в середньому кожен десятий візит супроводжується продажем на 62 долара, то вартість продажу на один візит складе 6,2 долари чи b = 6,2.
Тоді y = 0 + 6,2x.
Таким чином, очікується , що при 100 візитах доход складе 620 доларів. Треба пам'ятати, що ця оцінка не є обов'язкової, а носить ймовірностний характер.
Аналіз на основі множинної регресії заснований на використанні більш, ніж однієї незалежної перемінної у рівнянні регресії. Це ускладнює аналіз, роблячи його багатомірним. Однак регресійна модель більш повно відбиває дійсність, тому що в реальності досліджуваний параметр, як правило, залежить від безлічі факторів.
Так, наприклад, при прогнозуванні попиту ідентифікуються фактори, що визначають попит, визначаються взаємозв'язки існуючі між ними, і прогнозуються їх ймовірні майбутні значення; з них за умови реалізації умов, для яких рівняння множинної регресії залишається справедливим, виводиться прогнозне значення попиту.
Усе, що стосується множинної регресії концептуально є ідентичним парній регресії, за винятком того, що використовується більш, ніж одна перемінна. Під цим кутом зору злегка змінюється термінологія і статистичні розрахунки.
Багатофакторне рівняння множинної регресії має наступний вид:
y = a + b1 x 1 + b2x2 + b3 x3 + .... + bm xm,
де,
y - залежна чи прогнозована перемінна;
xі - незалежна перемінна;
a - вільний член рівняння;
bі - коефіцієнт умовно-чистої регресії;
і = 1, m;
m - число незалежних перемінних (факторних ознак).
Термін "коефіцієнт умовно-чистої регресії" означає, що кожна з величин b вимірює середнє по сукупності відхилення залежної перемінної (результативної ознаки) від її середньої величини при відхиленні залежної перемінної (фактора) x від своєї середньої величини на одиницю її виміру і за умови, що всі інші фактори, що входять у рівняння регресії, закріплені на середніх значеннях, не змінюються, не варіюються.
Обмеженням прогнозування на основі регресійного рівняння, тим більше парного, служить умова стабільності чи принаймні малої мінливості інших факторів і умов досліджуваного процесу, не зв'язаних з ними. Якщо різко зміниться "зовнішнє середовище" процесу, що протікає, колишнє рівняння регресії результативної ознаки на факторний утратить своє значення.
Варто дотримувати ще одне обмеження: не можна підставляти значення факторної ознаки, що значно відрізняються від вхідних у базисну інформацію, по якій обчислене рівняння регресії. При якісно інших рівнях фактора, якщо вони навіть можливі в принципі, були б іншими параметри рівняння. Можна рекомендувати при визначенні значень факторів не виходити за межі третини розмаху варіації як за мінімальне, так і за максимальне значення ознаки-фактора, що є у вихідній інформації.
Прогноз, отриманий підстановкою в рівняння регресії очікуваного значення фактора, називають крапковим прогнозом. Імовірність точної реалізації такого прогнозу вкрай мала. Необхідно супроводити його значення середньою помилкою прогнозу чи довірчим інтервалом прогнозу, у який з досить великою імовірністю попадають прогнозні оцінки. Середня помилка є мірою точності прогнозу на основі рівняння регресії. Існують удосконалені методи парної регресії, у якомусь ступені перемагаючи його недоліки.
Найпростішими методами прогнозування попиту на основі статистичної маркетингової інформації є екстраполяційні методи, засновані на аналізі тимчасових рядів.
Багато даних маркетингових досліджень представляються для різних інтервалів часу, наприклад, на щорічній, щомісячній й ін. основі. Такі дані називаються тимчасовими рядами. Аналіз тимчасових рядів спрямований на виявлення трьох видів закономірностей зміни даних: трендів, циклічності і сезонності, виявлення причин зміни попиту в минулому з наступним переносом отриманих закономірностей на майбутнє.
Тренд характеризує загальну тенденцію в змінах показників ряду. Ті чи інші якісні властивості розвитку виражають різні рівняння трендів: лінійні, параболічні, експонентні, логарифмічні, логістичні й ін. Після теоретичного дослідження особливостей різних форм тренда необхідно звернутися до фактичного тимчасового ряду, тим більше що далеко не завжди можна надійно установити, якою повинна бути форма тренда з чисто теоретичних розумінь. По фактичному динамічному ряді тип тренда встановлюють на основі графічного зображення, шляхом осереднення показників динаміки, на основі статистичної перевірки гіпотези про сталість параметра тренда.
У табл.4 приводяться дані обсягу продажів велосипедів визначеної компанії за 17 років.
Таблиця 4
Обсяг продажу велосипедів
| Рік | Річний об’єм продаж (в тис.доларів) |
| 1 | 1340 |
| 2 | 1221 |
| 3 | 909 |
| 4 | 1501 |
| 5 | 1350 |
| 6 | 1253 |
| 7 | 1561 |
| 8 | 1435 |
| 9 | 1114 |
| 10 | 1239 |
| 11 | 1453 |
| 12 | 1890 |
| 13 | 2220 |
| 14 | 2450 |
| 15 | 2790 |
| 16 | 3450 |
| 17 | 3752 |
| 18 | ??? |
Необхідно визначити прогнозну оцінку обсягу продажів на вісімнадцятий рік.