Ошибка исходной информации

Исходная информация изначально определяет правдивость и точность (обоснованность) прогноза. Обоснованность научной информации – это уровень состояния знаний и качество научного исследования. Если новая научная информация опирается на подлинно научное мировоззрение, на научную теорию, эффективность которой в отношении аналогичных объектов исследования доказана, если эта информация получена в результате достаточно надежных методов, процедур, операций научного исследования (проверенного на других объектах), то она считается вполне обоснованной еще до подтверждения ее практикой. Критерием истинности научной информации является практика, но она должна связываться с реальными тенденциями развития человеческого общества.

3. Ошибка фона

О перспективах явления трудно судить, если не известны внешние факторы, которые обуславливают функционирование и развитие явления. Так общий прогноз – дело очень сложное, так как он состоит из нескольких составляющих: первичных, производных и самостоятельных компонентов. Современные прогнозы часто выглядят очень убедительно из-за применения различных математических методов. Тем не менее, в их основе лежат все те же простые способы перенесения – переход от существующих в настоящее время известных данных о мире к неправильному суждению о будущем, считая, что мир не меняется.

Рассмотрим девять общих правил по улучшению точности прогнозов, предложенных Дж. Амстронгом:

1) Соответствие метода прогнозирования ситуации;

2) Использование знания области исследования;

3) Структурирование проблемы;

4) Моделирование прогнозов экспертов;

5) Реалистичное представление проблемы;

6) Использование причинных моделей при наличии хорошей информации;

7) Использование простых количественных методов;

8) Предусмотрительность при неуверенности;

9)Комбинированные прогнозы.

Хотя эти общие правила дают существенную выгоду, они часто игнорируются.

Соответствие метода прогнозирования ситуации. Если предоставить проблему прогнозирования консультантам, они вероятно используют тот же самый метод, который они используют для всех их проблем прогнозирования. Эта привычка неудачна потому что условия прогнозирования изменяются. Не существует лучшего метода, который бы работал для всех ситуаций. Менеджеры и аналитики типично обладают необходимыми знаниями о ситуациях. Например, они могли бы знать много об автомобильном бизнесе. Не смотря на то, что эта область знаний может быть важна для прогноза, она часто игнорируется.

Один полезный и недорогой способ использовать знание менеджеров базируется на том, что называется причинными силами. Причинный силы могут использоваться для обобщения ожиданий менеджеров относительно направления тенденции в временном ряде. Приводят ли вышеупомянутые причинные силы временной ряд к увеличению или уменьшению.

Ожидания менеджеров особенно важны, когда их знание о причинных силах противоречит историческим тенденциям, в ситуации, когда нам необходим противоположный ряд. Например, предположим, что ваша компания недавно выпустила изделие, которое вызовет существенное сокращение продаж одного из существующих изделий, продажи которого увеличились. Вы изменяете ваш маркетинг не в поддержку этого старого изделия в пользу нового изделия. Старое изделие представляет противоположный ряд потому что историческая тенденция возрастает, но ожидаемая будущая тенденция снижается. Прогнозы противоположного ряда традиционными методами обычно содержат огромные ошибки.

Структурирование проблемы. Одна из основных стратегий управления исследованием - разбить проблему на выполняемые части, решите каждую часть, а затем соединить их снова. Эта стратегия эффективна для прогнозирования, особенно когда Вы знаете больше о части, чем о целом. Таким образом, чтобы предсказать продажи, необходима декомпозиция:

· уровень, тенденция, и сезонность,

· промышленные продажи и рыночная доля для вашей марки,

· постоянные долларовые продажи и инфляция

· различные линии изделия.

Моделирование прогнозов экспертов. Организации имеют экспертные системы, для представления прогнозов, сделанных экспертами. Они позволяют уменьшить затраты повторных прогнозов при улучшении точности. Однако, развитие экспертных систем дорого. Субъективные улучшающие предложения - недорогая альтернатива экспертным системам. В этом методе Вы делаете статистическую гипотезу об оцениваемой модели, возвращаясь к субъективным прогнозам информации, которую предсказатель использовал. Почти все модели субъективных улучшающих предложений сведены к четырем или меньшему количеству переменных. Рассуждение в том, что модель применяет человеческие правила более последовательно, чем могут люди. Будучи довольно недорогим, субъективное улучшение редко используется практиками. Возможно, потому что результаты нарушают наш здравый смысл, а возможно, потому что нам не нравится думать, что компьютер может делать прогнозы лучше, чем мы.

Представить проблему реалистично. Начинаем с задачи и развиваем её к реалистичному представлению. Это обобщение находится в противоречии с общей практикой, в которой мы начинаем с модели и делаем попытку обобщить её на задачу. Эта практика помогает объяснить почему теория игр, математическая модель имела обыкновение моделировать и предсказывать поведение противников в конфликте, когда не было данных для прогноза. Реалистические представления особенно важны, когда прогнозы, основанные на лишённом помощи суждении терпят неудачу, поскольку они производятся, когда предсказывающие решения сделаны в ситуациях конфликта. Моделируемое взаимодействие, тип ролевой игры, в который две или больше сторон разыгрывают взаимодействия, является реалистическим путем к изображению ситуации. Например, чтобы предсказать, как объединение будет реагировать на потенциальное предложение компании на переговорах, люди разыгрывают эти две стороны, будто они решают, принять ли это предложение.

Использование причинных моделей при наличии хорошей информации. Под хорошей информацией подразумевают достаточную информацию для понимания факторов, которые влияют на прогнозируемую величину, и достаточные данные для построения причинной (эконометрической) модели. Чтобы удовлетворять первое условие, аналитик может получить знание о ситуации от знания области и от предшествующего исследования.

Использование простых количественных методов. Сложные модели часто вводятся в заблуждение шумом в данных, особенно в сомнительных ситуациях. Таким образом, используя простых методов важно, когда есть большая неуверенность в ситуации. Простые модели легче в понимании, менее склонны к ошибкам, и более точны, чем сложные модели.

Предусмотрительность при неуверенности. Много источников неуверенности делают прогноз трудным. Когда Вы сталкиваетесь с неуверенностью, делайте осторожные прогнозы. В временном ряде это означает оставаться близко к историческому среднему. Для структурных данных останьтесь близко к типичному поведению. Когда исторический временной ряд показывает длинную устойчивую тенденцию с небольшой изменчивостью, Вы должны экстраполировать тенденцию в будущее. Однако, если историческая тенденция подчинена изменениям, неоднородности, и обратному ходу, не нужно экстраполировать историческую тенденцию.

Комбинированные прогнозы. Исследователи рекомендуют объединять прогнозы на протяжении уже более чем половины столетия. В обзорах методов прогноза, многие организации утверждают, что использовали комбинированные прогнозы.

Можно типично улучшать точность, используя множество экспертов. Группа экспертов обычно обладает большим знанием, чем индивидуальный эксперт. К сожалению, однако, большая часть выгоды теряется, когда эксперты делают прогнозы на традиционных встречах.

В некоторых случаях, объединенный прогноз был лучше, чем любой из индивидуальных методов. В идеале, используйте целых пять различных методов, и комбинируйте их прогнозы, используя предопределенное механическое правило.