Количественные методы можно использовать для прогнозирования, когда есть основания считать, что деятельность в прошлом имела определенную тенденцию, которую можно продолжить в будущем, и когда имеющейся информации достаточно для выявления статистически достоверных тенденций или зависимостей. Кроме того, руководитель обязан знать, как использовать количественную модель, и помнить, что выгоды от принятия более эффективного решения должны перекрыть расходы на создание модели.
Два типичных метода количественного прогнозирования - это анализ временных рядов и каузальное (причинно-следственное) моделирование.
АНАЛИЗ ВРЕМЕННЫХ РЯДОВ. Иногда называемый проецированием тренда, анализ временных рядов основан на допущении, согласно которому случившееся в прошлом дает достаточно хорошее приближение в оценке будущего. Этот анализ является методом выявления образцов и тенденций прошлого и продления их в будущее. Его можно провести с помощью таблицы или графика путем нанесения на координатную сетку точек, соответствующих событиям прошлого, как показано на рис. 8.6.
Данный метод анализа часто используется для оценки спроса на товары и услуги, оценки потребности в запасах, прогнозирования структуры сбыта, характеризующегося сезонными колебаниями,или потребности в кадрах. Если, к примеру, директор ресторана <Бюргер Кинг> хочет определить, сколько фунтов гамбургера заказывать на ноябрь, он должен обосновать свое решение цифрами ноябрьских продаж в минувшие пять лет. Анализ данных может показать, что в прошлом спрос на гамбургеры в ноябре падал на 10% из-за Дня Благодарения. Он может показать также, что общин объем продаж в его ресторане за последние четыре года рос со скоростью 19% в год.
Рис. 8.6. Анализ временных рядов (этот анализ используется для оценки перепектив сбыта тракторов и основан на картинах сбыта в прошлом. Отметим, что анализ, отображенный здесь, эквивалентен построению аналоговой модели. На самом деле для выполнения анализа временных рядов требуются расчеты с использованием современных математических методов).
Чем более достоверно предположение о подобии будущего прошлому, тем вероятнее точность прогноза. Таким образом, анализ временных радов, вероятно будет бесполезен в ситуациях с высоким уровнем подвижности или когда произошло значительное, всем известное изменение. Например, директор ресторана <Бюргер Кинг> не смог бы предсказать спрос на гамбургеры в ноябре, если бы знал, что фирма <Мак Доналдс> собралась открыть свой ресторан рядом с его рестораном в последнюю неделю октября. Подобным образом, региональная телефонная компания смогла использовать метод анализа временных рядов для прогнозирования спроса на рекламу в телефонном справочнике <Иелоу Пейдж> в грядущем году, поскольку ее бизнес стабилен, а конкуренции практически нет. Тем не менее фирма <Ралф Лорен>, вероятно, не смогла бы воспользоваться этим методом для прогнозирования рождественского спроса на новую модель мужских сорочек, поскольку конкуренция в области модной одежды исключительно высока, а вкусы потребителей меняются каждый год.
КАУЗАЛЬНОЕ (ПРИЧИННО-СЛЕДСТВЕННОЕ) МОДЕЛИРОВАНИЕ. Каузальное моделирование - наиболее хитроумный и математически сложный количественный метод прогнозирования из числа применяемых сегодня. Он используется в ситуациях с более чем одной переменной. Уровень личных доходов, демографические изменения и преобладающая ставка процента по закладным, например, влияют на будущий спрос на новые односемейные дома. КАУЗАЛЬНОЕ МОДЕЛИРОВАНИЕ - это попытка спрогнозировать то, что произойдет в подобных ситуациях, путем исследования статистической зависимости между рассматриваемым фактором и другими переменными. Каузальная модель может показать, что всякий раз, когда ставка процента по закладным увеличивается на 1%, спрос на новые дома падает на 5%.
На языке статистики эта зависимость называется корреляцией. Чем теснее корреляция, тем выше пригодность модели для прогнозирования. Полная корреляция (1,000) бывает в ситуации, когда в прошлом зависимость всегда была истинной. Если спрос на цветные телевизоры всегда падал на 10%, когда валовой национальный продукт снижался на 4%, можно с уверенностью утверждать, что тоже самое в подобных обстоятельствах произойдет и в будущем. Фирма <Корнинг Гласс> по сути дела использует каузальную модель, прогнозируя спрос на свои телевизионные трубки.
Из каузальных самыми сложными являются эконометрические модели, разработанные с целью прогнозирования динамики экономики. К таковым относится Уортоновская модель Центра прогнозирования Пенсильванского университета. Подобные модели представляют из себя тысячи уравнений, решаемых только с применением мощных компьютеров. Стоимость моделей настолько высока, что даже крупные предприятия предпочитают использовать результаты исследований с применением эконометрической модели, а не разрабатывать свои собственные модели. Несмотря на сложность, каузальные модели дают не всегда правильные результаты, о чем с очевидностью свидетельствует неспособность федерального правительства точно предсказывать влияние различных своих действий на экономику.
