Любой процесс прогнозирования, как правило, строится в следующей последовательности:
1. Формулировка проблемы.
2. Сбор информации и выбор метода прогнозирования.
3. Применение метода и оценка полученного прогноза.
4. Использование прогноза для принятия решения.
5. Анализ "прогноз-факт".
Все начинается с корректной формулировки проблемы. В зависимости от нее задача прогнозирования может быть сведена, например, к задаче оптимизации. Для краткосрочного планирования производства не так важно, каким будет объем продаж в ближайшие дни. Важнее максимально эффективно распределить объемы производства продукции по имеющимся мощностям.
Краеугольным ограничением при выборе метода прогнозирования будет исходная информация: ее тип, доступность, возможность обработки, однородность, формализуемость, объем. Например, при прогнозировании темпов научно-технического прогресса в случае масштабного контакта и сотрудничества с внеземной цивилизацией применение фактографических методов вряд ли будет возможным. Для таких прогнозов необходимо использовать методы моделирования, экспертные, сценарные. С другой стороны, для прогнозирования объемов продаж туалетной бумаги с приемлемой точностью достаточно простой экстраполяции тренда.
Выбор конкретного метода прогнозирования зависит от многих моментов. Достаточно ли объективной информации о прогнозируемом явлении (существует ли данный товар или аналоги достаточно долго)? Ожидаются ли качественные изменения изучаемого явления (оснащение автомобиля антигравитационным оборудованием)? Имеются ли зависимости между изучаемыми явлениями и/или внутри массивов данных (объемы продаж, как правило, зависят от объемов вложений в рекламу)? Являются ли данные временным рядом (информация о наличии собственности у заемщиков не является временным рядом)? Имеются ли повторяющиеся события (сезонные колебания)?
Из всего набора методов прогнозирования в реальной практике бизнеса используются лишь некоторые.
Абсолютный хит - метод оценки прогнозов сотрудниками компании. Подразумевается, что работники обладают необходимым опытом и интуитивным знанием предметной области, рынка. К этой же группе можно отнести опросы потребителей, которые призваны выявить их предпочтения и ожидания, на основе чего моделируется будущее.
Второй по популярности является экстраполяция трендов, которая подразумевает выявление во временном ряде основной тенденции и продление ее в будущее. Этот метод предельно прост и дает приблизительные результаты.
Скользящее среднее применяется при краткосрочном прогнозировании: каждое последующее значение среднего рассчитывается на основе сдвигающегося вперед набора предыдущих значений.
Метод аналогий предполагает построение прогноза на основе известной динамики родственных явлений, например товаров-субститутов. Этот способ прогнозирования схож с методом подобия, применяемым на финансовых рынках, но менее трудоемок, используется обычно в случае новых товаров.
Экспоненциальное сглаживание выдает в качестве прогноза комбинацию прошлых значений. Метод работает при небольших колебаниях уровней ряда или при краткосрочном прогнозировании.
Регрессионный анализ исследует взаимосвязь зависимой переменной от других независимых, применяется при наличии связи между прогнозируемым процессом и какими-либо факторами, влияющими на него.
Из экспертных оценок обычно используют хорошо известный метод "Дельфи".
В бизнесе в основном применяют субъективные методы прогнозирования и некоторые количественные. Возникает вопрос: почему, имея значительный набор средств прогнозирования, аналитики в подавляющем большинстве случаев продолжают пользоваться простейшими из них? Причин здесь несколько.
Во-первых, использование более сложных методов не всегда приводит к повышению точности прогнозов. Многие вещи можно прочувствовать, но практически невозможно просчитать. Интуиция в бизнесе все еще остается незаменимой. Во-вторых, чем сложнее метод, тем больше времени требуется на подготовку данных, на расчеты, анализ, численные эксперименты. Чем больше ассортимент, тем проще используемые методы прогнозирования (или больше штат прогнозистов).
В-третьих, окружающая среда, продукция, внутрифирменные факторы и прочие условия меняются слишком часто, что не позволяет опереться при прогнозировании на репрезентативные выборки исходных данных. При этом подавляющее большинство методов прогнозирования так или иначе использует именно исторические данные.
В-четвертых, грамотное применение научных методов прогнозирования обычно требует специальных знаний, соответствующего образования, умения пользоваться математическим и статистическим аппаратом, прикладными пакетами анализа и т. д.
Какой же точности прогноза удается добиться с помощью используемых на практике методов? Здесь все, как правило, зависит от степени агрегированности показателя. Так, если прогнозировать совокупный общий объем реализации в деньгах - точность прогноза может достигать +-5%. Но если прогнозировать, например, объемы оптовых продаж потребительских товаров по ассортиментным позициям в разрезе регионов - очень высоким результатом считается 40-процентная точность попадания в интервал +-20% в пределах месяца, то есть объем реализации 40% позиций ассортимента угадан с точностью +-20%.
Широко известным является факт значительного роста объемов оптовых продаж к концу месяца. Если сравнивать объемы продаж первой и последней недель внутри месяца - разница может достигать нескольких сотен процентов, тогда как разница между двумя месяцами обычно не так велика.
Чем более агрегированный по объему или по времени показатель анализируется, тем точнее будет прогноз. Со снижением степени агрегированности снижается и польза от статистических методов. Поэтому необходимо искать баланс между детализацией и точностью.
Текущий уровень развития средств обработки информации позволяет говорить о возможности массового перехода от отдельных методов прогнозирования к системам поддержки принятия решений, использующим в работе элементы искусственного интеллекта и самообучения. Однако практическая востребованность этих методов вызывает сомнения.
Во-первых, не доказано их преимущество перед человеческой интуицией в условиях бизнеса. Во-вторых, процесс функционирования сложной системы, как правило, недостаточно прозрачен для пользователя, соответственно, результат не вызывает полного доверия. В-третьих, параметры таких систем требуют тонкой настройки и подбора, методы проведения которых практически не формализованы. В-четвертых, комплексные прогностические системы создаются для уникальных условий и редко тиражируются, в связи с чем стоимость их разработки, внедрения и поддержки довольно высока.
Эти и другие причины тормозят проникновение научного прогнозирования в бизнес, фильтрующий все методы на предмет практической пользы и простоты применения. Вне зависимости от их продвинутости - с академической точки зрения.
Современная наука предлагает более 150 методов прогнозирования, которые могут быть использованы для целей бизнеса. От простейших приемов усреднения до программно-аппаратных систем поддержки принятия решений. И если практикой применения трендовых моделей и экспертных оценок в экономике сложно кого-то удивить, то новые достижения научной мысли на стыке математики, статистики, информатики и кибернетики продолжают оставаться недостаточно востребованными большинством компаний.
Причин здесь несколько: консерватизм и отсутствие воображения у многих менеджеров, сложность новых концепций прогнозирования и их математического аппарата, неочевидность сравнительной практической пользы от внедрения, нехватка информации о них.
Методы "мягких" вычислений, среди которых можно отметить нейронные сети, генетические алгоритмы и нечеткую логику, существуют уже несколько десятилетий. Но вряд ли многие из читателей смогут вспомнить пример их регулярного использования в бизнесе. Исключением будут разве что компании, чья основная деятельность - активные операции на финансовых рынках, страховщики и некоторые банки.
В научных кругах прогрессивность и практическая польза этих методов не вызывают сомнений, однако теоретикам далеко не всегда удается донести информацию до практиков в доступной форме.
1. Теория прогнозирования и принятия решений: Учеб. пособие. /Под ред. С.А. Саркисяна. - М.: Высшая школа, 2005. - 514с.
2. Титова Т.А. Перспективы развития научного прогнозирования// Экономика и математические методы. – 2008. - №2. – с. 26-29
3. Фейгенберг Дж. Основы научного прогнозирования. /Пер. с нем. – М., 2002. - 245с.
4. Шабанов П.А. Методы научного прогнозирования и их практическое применение. М.: 2007
5. Шукшин С.Н. Прогнозирование как метод научного познания// Экономика и математические методы. – 2008. - №3. – с. 16-22