Adviss logistics - портал по логистике  

МЕТОДЫ ПРОГНОЗИРОВАНИЯ И АНАЛИЗ ИХ ИСПОЛЬЗОВАНИЯ

В ЛОГИСТИЧЕСКИХ ИССЛЕДОВАНИЯХ

В управлении логистической деятельностью одной из важнейших задач является прогнозирование. Традиционно в логистике составляются прогнозы продаж, спроса и потребности в материальных ресурсах. Развитие логистики предусматривает предъявление повышенных требований к точности прогнозных оценок. От точности прогнозов косвенно зависит эффективность решения о размещении складов, параметры запасов, время подачи заказа на поставку необходимых материалов и многие другие решения. Логистические концепции (общих затрат, JIT, Lean production, QR (концепция быстрого реагирования) и др.) изменили отношение менеджеров к прогнозированию как исследовательскому процессу и точности самих прогнозов.

Для получения прогнозных оценок существует множество методов, отличающихся разной точностью, сложностью, требованиями к исходным данным. В логистике находят применение все известные группы методов прогнозирования: статистические, аналитические и экспертные методы, и логист, естественно, должен знать разные способы получения прогнозов и вычисления их ошибки. Однако для успеха в построении прогнозов одних знаний о методах прогнозирования недостаточно, важно четко разграничивать области применения разных методов прогнозирования, в зависимости от объема и характера исходных данных, быстро и безошибочно выбирать нужный метод в соответствии с целью получения конкретного прогноза.

Можно выделить два крайних варианта рассмотрения методов прогнозирования, которые встречаются в работах по логистике. Очень часто методы прогнозирования излагаются на каком-либо примере. Во многих случаях изменение вида исходных данных приводит к некорректности использования этого метода для получения прогнозных оценок. Второй вариант отличается приведением классификации и подробной характеристики методов прогнозирования, некоторые методы иллюстрируются примерами. При этом не говорится, как ориентироваться в этих методах, какой из них лучше выбрать под имеющиеся данные.

Для того чтобы правильно выбрать метод прогнозирования в зависимости от вида, количества и характера исходных данных, необходимо анализировать имеющуюся исходную информацию и соотносить метод прогнозирования с целью конкретного прогноза.

Для прогнозирования в разных функциональных областях логистики наиболее распространены статистические методы прогнозирования. Статистические прогнозы строятся на основе выявленной причинно-следственной связи с помощью корреляционно-регрессионного анализа, на основе трендовых моделей прогнозов, методами экспоненциального сглаживания.

При прогнозировании с использованием трендовых моделей предполагается, что выявленная тенденция сохранится и в будущем. Повысить точность таких прогнозов можно подбором модели, которая наилучшим образом описывает исходный ряд. Однако «механический» подбор модели, например, по наибольшему значению коэффициента детерминации, может только ухудшить результаты прогнозирования. Как известно, полиномы высоких степеней могут практически точно описать исходный ряд данных, однако для целей прогнозирования они совершенно не подходят. При использовании моделей тренда важно помнить о соотношении длины предпрогнозного периода и периода прогноза, это соотношение должно быть не менее  3 к 1.

Для  уменьшения   ошибки   прогноза,   полученного   на  основе  экстраполяции   выявленной тенденции, можно учесть исходные данные с разными весовыми коэффициентами. Существует несколько способов задания весов, среди которых одним из наиболее распространенных является предположение об экспоненциальном изменении весовых коэффициентов.

Точность прогноза можно повысить, если количественно описать сезонную составляющую. Для этого можно рассчитать индексы сезонности или воспользоваться гармоническим анализом.

В случае, если, во-первых, статистических данных недостаточно, во-вторых, прогнозируемый параметр изменяется скачкообразно, а описать эти изменения не удается, в-третьих, если важны качественные изменения показателя, которые еще не выявились как тенденция, то можно прибегнуть к экспертным оценкам. Для обработки ответов экспертов используются специальные методы.

Практика использования методов прогнозирования показала, что границы объема исходных данных, по которым можно производить выбор методов прогнозирования, достаточно размыты. Экспоненциальное сглаживание с одним параметром можно применять для исходного ряда, объемом не мелос 2-х точек. Арифметическое сглаживание - для ряда объемом 3 и более данных (точек). Переходный вариант от малого к среднему объему данных отличается разной степенью полиномов, описывающих ряд, возможностью примерной оценки сезонной составляющей. Если данные представлены по кварталам, но их недостаточно для расчета индексов сезонности, то оценку сезонной составляющей можно производить на уровне фактических данных, при среднем объеме данных исходного ряда можно рассчитывать сезонную компоненту, при большом объеме данных - использовать гармонический анализ. При объеме данных более 5 точек доступно экспоненциальное сглаживание с двумя параметрами. Переходный вариант к большому объему выделен условно для учета вида данных: данные могут быть представлены по годам, поквартально, помесячно и т.д.

Необходимо помнить о том, что методы прогнозирования должны соответствовать характеру исходных данных.

            /В.С.Лукинский, Н.Г.Плетнева СПбГИЭУ ©/