Источник: http://www.buseco.monash.edu.au/depts/ebs/pubs/wpapers/
Перевод
с английского: отрывок из главы для предстоящей книги "Стратегическое
управление в маркетинге: деловой подход к процессу".
Авторы:
J. Scott Armstrong (The Wharton
School, University of Pennsylvania)
Kesten C. Green (Department of
Econometrics and Business Statistics, Monash University)
September 14, 2005.
Прогнозирование спроса: очевидные методы.
Практики маркетинга расценивают прогноз как важную часть их заданий. Например, Dalrymple (1987), в его обзоре 134 американских компании, выявил, что 99 % подготавливали формальные прогнозы, когда они разрабатывали письменные схемы маркетинга. В Dalrymple (1975), 93 % компаний производили прогнозирование продаж двух видов при “одном из самых критических” или “очень важного” для успеха их компании.
Мы обсуждаем методы, чтобы предсказать спрос продаж. Люди часто используют термины “спрос” и “продажи” взаимозаменяемо. Это разумно потому что эти два термина используются в том случае когда продажи не ограничены снабжением.
Рассмотрим краткие описания методов прогноза.
Это - общая технология, чтобы опросить экспертов, что произойдёт. Эту процедуру следует использовать в следующих случаях:
• эксперты несмещены
• большие изменения маловероятны
• зависимости можно описать стандартными процессами (например, спрос повышается, когда цены понижаются)
• эксперты обладают привилегированной информацией
• эксперты получают точную и полученную в итоге обратную связь об их прогнозах.
К сожалению, часто используется решение, когда вышеупомянутые условия не соблюдаются. Green и Armstrong (2005a), например, выявили, что эксперты были не лучше чем случайная вероятность того или иного прогноза, потому что зачастую правильные решения замыкались людьми в ситуациях конфликта.
Рынки прогноза
Информационные рынки, и рынки товаров имеют длинную хронологию. Между концом американской Гражданской Войны и Второй Мировой Войны, организованные прогнозные рынки для того, чтобы участвовать в прогнозировании на президентских выборах правильно выбирали победителя в каждом случае, но 1916; также, они были очень успешны в идентификации тех кандидатов, которые будут очень близки к победе (Rhode и Strumpf, 2004). Позже, в четырех выборах до 2004, Штат Айова информационные рынки прогноза (IEM) спрогнозировали выборы лучше чем опросы в предсказании победы экспертами. За неделю до выборов, эти рынки предсказали доли голоса для Демократических и Республиканских кандидатов со средней абсолютной погрешностью приблизительно 1.5 процента.
Несмотря на многочисленные попытки начиная с 1930-ых, никакие методы не были найдены, чтобы превзойти рынки при прогнозе цен. Однако, немного людей, кажется, верят этому, поскольку они только красиво дают совет о том куда вложить капитал.
Некоторые неопубликованные схемы прогнозирования экспертов утверждают, что они могут произвести точные коммерческие прогнозы когда они используется в пределах компаний.
Delphi
Delphi методика была разработана в Корпорации RAND в 1950-ых, чтобы помогать фиксировать знание разнообразных экспертов и уходить от недостатков традиционных групповых дискуссий. Последний включает запугивание и бесполезную трату времени.
Чтобы предсказывать с использованием методики Delphi, тот кто составляет прогноз должен опросить от 5 до 20 соответствующих эксперта и изучить их прогнозы. Составитель прогноза тогда снабжает экспертов анонимной итоговой статистикой по прогнозам, и причины самих прогнозов.
Этот опрос повторяется в два – три этапа , после чего будет выделен окончательный прогноз. Прогноз Delphi - медиана или режим конечных прогнозов экспертов.
Структурные аналогии
Результаты подобных ситуаций в прошлом могут помочь торговой компании предсказывать результат новой ситуации. Например, вывод новых изделий на американские рынки может пополнить аналогии для результатов последовательного разъединения подобных изделий в других странах.
Люди часто используют аналогии, чтобы управлять прогнозами, но они не делают так структурным способом. Например, они могли бы искать аналогию, которая удовлетворяет их предшествующие предположения, или они могли бы остановить поиск, когда они опознают одну аналогию. Метод структурных аналогий использует формальный процесс, чтобы преодолеть смещенное и неэффективное использование информации от аналогичных ситуаций.
Чтобы использовать структурный метод аналогий, прогнозист готовит описание целевой ситуации и выбирает экспертов, которые владеют знаниями аналогичных ситуаций; предпочтительно прямой опыт. Эксперты опознают и описывают аналогичные ситуации, оценивают их подобие целевой ситуации, и сопоставляют с результатами их аналогий с потенциальными результатами в целевой ситуации. Составитель прогноза тогда выявляет прогнозы из информации эксперты, которые имеют наиболее подобные аналогии.
Теория игр рекламировалась в учебниках и газетах как способ исследования позволяющий получить лучшие прогнозы в ситуациях, завертывающих переговоры или другие конфликты. При поиске в Google словосочетаний или слов "теория игр" или "прогноз" он находил примерно 147 300 сайтов. Несмотря на обширную программу исследований, нет никакого исследования, которое прямо проверяет способность прогноза теории игр. Однако, Green (2002, 2005) проверила способность игровых теоретиков, которые были убеждены использовать теорию игр в предсказании прогнозных ситуаций. В этом изучении, игровые теоретики были не более точными чем университетские студенты.
Поверхностная Декомпозиция
Основная идея декомпозиции в том, что она должна делить проблему прогноза на части, которые проще предсказать по отдельности, чем всё целое. В этом случае прогнозы составляются индивидуально, используемые методы приспосабливают к каждой части прогноза. Наконец, части объединяют, чтобы получить итоговый прогноз.
Один подход состоит в том, чтобы разломать проблему вниз на мультипликативные компоненты. Например, чтобы предсказать продажи для марки, можно предсказать объем продаж промышленности, рыночную долю, и отпускную цену в модуль. Тогда повторно соберите весь разделённый прогноз, перемножая компоненты вместе. Эмпирические исходы указывают, что, вообще, прогнозы от декомпозиции более точны чем те от глобального подхода (MacGregor 2001). В частности декомпозиция более точна, где есть большая неопределенность о составном прогнозе и где приходиться работать с большими числами (более чем один миллион).
Субъективное улучшение.
Субъективное улучшение преобразовывает субъективные суждения в структурные процедуры. Экспертов спрашивают, какую информацию они используют, чтобы спрогнозировать ситуацию. Затем их попросили определить схему прогноза для разнообразных случаев, которые могут быть реальными или гипотетическими. Например, они могли бы предсказать в таком случае годовые продажи для вариантов проекта для нового изделия. Эти данные преобразовывают в модель, оценивая уравнение регрессии, связывающее субъективные прогнозы к информации, использованной предсказателями. Общее предложение кажется нелепым. Причина состоит в том, что модель применяет правила человека более последовательно.
После того, как разработанные, субъективные модели начальной загрузки снабжают дешевую процедуру для того, чтобы произвести прогнозы. Исследования в Armstrong (2001a) показали, что субъективное улучшение было более точнее чем лишённое помощи суждение (нормальный метод для этих ситуаций) в 8 из 11 сравнений, с двумя критериями не показали никакую разность. Типичное понижение погрешности было приблизительно 6 %.
Субъективное улучшение также позволяет экспертам, видеть, как они нагружают различные факторы. Эти знания могут помочь улучшить субъективный прогноз. Например, относительно отбора персонала, начальная загрузка могла бы открыть, что некоторые факторы, типа высоты, веса или взглядов, используются, даже при том, что они не уместны для задачи. Начальная загрузка также учитывает оценку действий изменения ключевых переменных, когда исторические данные не достаточны для оценки.
Опытные системы
Поскольку название подразумевает, опытные системы - структурные представления использования экспертных правил. Опытный прогноз систем завертывает идентификацию, предсказывающую правила, использованные экспертами и правилами, изученными из эмпирического исследования. Нужно стремиться к простоте и законченности в следующей системе, и система должна объяснить прогнозы пользователям.
Разработка опытной системы дорога и так что метод будет только представлять интерес в ситуациях, где много требуется большое количество прогнозов данного вида
Имитируемое взаимодействие
Имитируемое взаимодействие - форма роли, играющей для того, чтобы предсказать решения людьми, которые взаимодействуют друг с другом. Особенно полезно, когда ситуация завертывает конфликт. Например, можно было желать предсказать, как лучше всего гарантировать исключительное дистрибутивное соглашение с большим поставщиком.
Чтобы использовать имитируемое взаимодействие, прогнозист готовит описание целевой ситуации, описывает роли основных главных героев, и снабжает список возможных решений. Игроки роли принимают роль и читают о ситуации. Они тогда импровизируют реалистические взаимодействия с другими игроками роли, пока они не достигают решения; например отмечать испытательный однолетний исключительный дистрибутивный договор. Решения игроков роли используются, чтобы замкнуть прогноз.
Намерения и обзоры ожиданий
С обзорами намерений, людей спрашивают, как они намереваются вести себя в точно установленных ситуациях. Подобным способом, обзор ожиданий спрашивает людей, как они ожидают вести себя. Ожидания отличаются от намерений, потому что люди понимают, что непреднамеренные вещи случаются. Например, если Вас спрашивали, имели ли вы в виду посещать дантиста за следующие шесть месяцев, Вы могли бы сказать нет. Однако, Вы понимаете, что проблема могла бы возникнуть, который требует такого посещения, так что ваши ожидания были бы то, что явление имело вероятность больше нуля. Это различие было предложено и проверено Juster (1966), и его доказательство на его значении было получено в итоге Morwitz (2001).
Ожидания и намерения могут быть получены, используя вероятностные масштабы типа масштаба Джастера с одиннадцатью точками. Масштаб должен иметь описания типа 0 = ‘Никакой шанс, или почти никакой шанс (1 в 100) ’ к 10 = ‘Некоторый, или фактически некоторый (99 в 100) ’.
Чтобы предсказывать требование, используя обзор потенциальных потребителей, составитель прогноза должен подготовить точное и всестороннее описание изделия и условий продажи. Он должен выбрать представительную пробу совокупности, представляющей интерес и разработать вопросы, чтобы выявить ожидания от ответчиков. Смещение в реакциях должно быть оценено, если возможный и данные корректировал соответственно.
Поведение совокупности - прогноз, соединяя реакции обзора.
Полезные методы были разработаны для того, чтобы выбрать выборки, получая высокие нормы реакции, компенсируя смещение нереакции, и понижая погрешность реакции. Dillman (2000) даёт совет для того, чтобы разработать обзоры. Погрешность реакции (где об ответной информации точно не сообщают) - вероятно наибольший компонент полной погрешности для проблем маркетинга.
Ожидания, наиболее вероятно, будут полезными в случаях, где ответчики обзора предварительно изучали поведение, представляющее интерес, например посещали парк отдыха. Другие условия, одобряющие использование обзоров ожиданий: (1) реакции могут быть получены; (2) поведение важно для ответчика; (3) поведение запланировано; (4) о схеме сообщают правильно; (5) ответчик квалифицирован выполнить схему; (6) схема, вряд ли, изменится (Morwitz 2001).
Намерения и обзоры ожиданий особенно полезны, когда данные требования не располагаемы, типа для новых прогнозов изделия.
Один популярный тип обзора, групп опрашиваемых, нарушает пять важных правил, и они не должны, поэтому, использоваться в прогнозе. Сначала, группы опрашиваемых - редко представитель совокупности, представляющей интерес. Второй, реакции каждого участника влияют выраженные мнения относительно других в группе. Третья часть, группа опрашиваемых - малая выборка - производит выборку для намерений, или обзоры ожиданий типично включают несколько сотен человек, тогда как группа опрашиваемых будет состоять из между шестью и десятью личностями. Четвертый, вопросы для участников - вообще не структурная выборка. И квинта, резюме реакций групп опрашиваемых является часто подчиненной, чтобы сместить. Нет никакого доказательства, чтобы показать это, группы опрашиваемых снабжают полезные прогнозы.
Объединенный анализ
Потребителями съемки об их предпочтении переменному изделию проектирует структурным способом, возможно вывести, как различные характеристики будут влиять на требование. Потенциальным клиентам можно было бы дарить ряд возможно 20 пар предложений. Например, различные характеристики персонального цифрового помощника типа цены, веса, срока службы аккумулятора, экранной ясности и памяти могли быть различны существенно такой, что характеристики не коррелируют друг с другом. Потенциальный потребитель таким образом вынужден замкнуть принятиями компромиссных решений среди различных характеристик, выбирая одну из каждой пары предложений в пути, который является представляющим для того, как они выбрали бы в рынке. Следующие данные могут быть проанализированы выборами регрессирующих ответчиков против характеристик изделия. Метод, который является подобным начальной загрузке, назван ‘объединенным анализом, потому что ответчики рассматривают характеристики изделия совместно.
Вообще, точность прогнозов от объединенного анализа, вероятно, увеличится с увеличивающимся реализмом выборов, представленных ответчикам (Wittink и Bergesteun 2001). Метод основан на нормальных правилах, типа использования экспериментального проекта и ходатайства независимым намерениям от выборки потенциальных потребителей. К сожалению однако, кажется, не будет изучений, которые сравнивают прогнозы объединенного анализа с прогнозами от других разумных методов.
Методы, требующие количественных данных
Экстраполяция
Методы экстраполяции используют исторические данные относительно того, который желает предсказать. Экспоненциальное сглаживание самое популярное и стоимость, эффективная из статистических методов экстраполяции. Это осуществляет правило, что свежие данные должны быть взвешены более тяжело и 'выравнивают' циклические колебания, чтобы предсказать тенденцию. Прогнозист тогда вычисляет среднее число и тенденцию от данных и использует их, чтобы вывести прогноз (Makridakis, Мастера по ремонту колёс и кузовов автомобиля и Hyndman 1998).
Статистические экстраполяции - стоимость эффективные, когда прогнозы необходимы для каждой из сотен элементов описи. Они также полезны, где предсказатели смещены или неосведомленными о ситуации in (Armstrong 2001b).
Учтите сезонность при использовании ежеквартально, ежемесячно, или ежедневных данных. Большинство фирм делает это (Dalrymple 1987). Корректировки сезонности вели к существенной прибыли в точности на крупномасштабном изучении ряда времени Makridakis и другие. (1984). Они должны быть расхоложены, потому что сезонные программы регулирования имеют тенденцию сверхкорректировать для сезонности (Miller и Williams 2004); это следует правило того, чтобы быть консерватором перед лицом неопределенности. Программное обеспечение для того, чтобы вычислять затухало сезонные факторы регулирования, располагаем в forecastingprinciples.com.
Розничная техника развертывающего устройства снабжает достоверные и современные данные для того, чтобы экстраполировать продажи существующих изделий. В результате, точность прогноза должна улучшиться, особенно потому что погрешность в оценке текущей ситуации понижают.
Эксперты могут опознавать ситуации, которые походят на данную ситуацию. Они могут использоваться, чтобы экстраполировать результат целевой ситуации. Например, чтобы оценить потеря в продажах, когда доступное предохранение для препарата удалено, каждый могла бы исследовать историческую модель продаж для аналогичных лекарств.
Чтобы предсказывать использующие количественные аналогии, просите, чтобы эксперты опознавали ситуации, которые походят на целевую ситуацию и для которого данные являются располагаемыми. Если аналогичные данные снабжают информацию о будущем целевой ситуации, типа на душу продаж билета для игры, которая совершает поездку от города до города, прогноз, вычисляя средние числа. В противном случае создайте одну модель, используя целевые данные ситуации и другие использующие аналогичные данные. Комбинируйте параметры моделей, и прогноза с объединенной моделью.
Прогноз на основе правила
Прогноз на основе правила (RBF) - тип опытной системы, которая позволяет, чтобы интегрировать знание менеджеров о области с данными ряда времени структурным и недорогим способом. Например, во многих случаях полезное руководство - то, что тенденции должны экстраполироваться только, когда они соглашаются с предшествующими ожиданиями менеджеров. Когда причинные силы противоречат тенденции в историческом ряде, предсказывают, что погрешности имеют тенденцию быть большими (Armstrong и Collopy 1993). Хотя такие проблемы происходят только в малом проценте от случаев, их действия серьезны.
Чтобы применять RBF, нужно сначала опознавать характеристики ряда, используя статистический анализ, осмотр, и знания проблемной области (включая причинные силы). Правила тогда используются, чтобы корректировать данные, и оценивать краткость - и с большим радиусом действия моделирует. RBF прогнозы - смесь краткости - и с большим радиусом действия моделируют прогнозы.
RBF наиболее полезен, когда независимые знания проблемной области располагаемы, модели - discernable в ряде, тенденции сильны, и прогнозы необходимы для длинных горизонтов. При таких условиях, погрешности для прогнозов на основе правила - существенно меньше чем те для объединенных прогнозов (Armstrong, Adya, и Collopy 2001). В случаях, где условия не были выполнены, точности прогноза не вредят. Информация относительно прогноза на основе правила располагаема от группы пользователей с особой целью страницы в forecastingprinciples.com.
Нейронные сети
Нейронные сети - компьютерные интенсивные методы, что решение использования обрабатывает аналогичный таковым из человеческого мозга. Подобно мозгу, они имеют возможность изучения как изменение{замена} моделей и модифицирование их оценок параметра. Однако, большие данные необходимы, чтобы оценить нервные модели сети и понижать риск сверхпригонки данных (Adya и Collopy 1998).
Есть некоторое доказательство, что нервные модели сети могут произвести прогнозы, которые более точны чем те от других методов (Adya и Collopy 1998). В то время как это ободрительно, наш текущий совет должен избежать нейронных сетей, потому что метод игнорирует предшествующее знание и потому что исходы трудны понять. Информация относительно нейронных сетей располагаема от группы пользователей с особой целью страницы на forecastingprinciples.com сайт.