
شرکتهای سازنده تبدیل شدهاست.(آمسترانگ14، 2001)
مسائلی که پیشبینی در آنها مطرح میشود، دو گروه میباشند:
• مسائلی که پیشبینی با هدف طبقه بندی ورودیها و تعیین اینکه هر ورودی متعلق به چه طبقهای است انجام میشود. خروجی در اینجا یک متغیر اسمیاست.
• مسائلی که با تخمین یا رگرسیون پیشگویی یک متغیر پیوسته مثل تعیین قیمت روز بعد سهام، انجام میپذیرد. در اینجا خروجی متغیر عددی میباشد. (استاسوفت15, ۲۰۰۲)
سؤالات کلیدی که در پیشبینی باید به آنها پاسخ داده شود، عبارتند از:
– منظور و مقصود ما از پیشبینی چیست؟
– مشخصاً چه چیزی را میخواهیم پیشبینی کنیم؟
– وقایع گذشته در پیشبینی آینده چقدر اهمیت دارند؟
– چه سیستمیبرای انجام پیشبینی به کا برده خواهد شد؟
در پیشبینی باید سه مورد را مد نظر قرار داد:
«پریود پیشبینی»، «افق پیشبینی» و «فاصله پیشبینی»
پریود پیشبینی نوع پیشبینی را تعیین میکند. مثلا اینکه پیشبینی هفتگی، ماهانه یا فصلی است. افق پیشبینی، تعداد پریودها یی را تعیین میکند که پیشبینی در آینده برای آن انجام میشود. مثلاً پیشبینی هفتگی با افق پنج هفته، انجام شود. فاصله پیشبینی، مشخص کننده مدت زمانی است که پیشبینیهای جدید، تهیه میشوند. فاصله و پریود پیشبینی، غالباً یکسان در نظر گرفته میشوند. پریود و افق پیشبینی، معمولاً بوسیله فرآیند تصمیمیکه نیاز به پیشبینی دارد، دیکته میشود.
پیشبینی به صورت کوتاهمدت، میان مدت و بلند مدت انجام میشود.
– پریود پیشبینی، در پیشبینیهای کوتاه مدت، ماهانه، هفتگی و روزانه (بین ۰ تا ۳ ماه) است. اغلب این پیشبینیها بر اساس ویژگیهای سری زمانی دادهها صورت میپذیرد. – پریود پیشبینی در پیشبینیهای میان مدت، بین سه ماه تا دو سال است. در این نوع پیشبینی، ویژگیهای ساختار اقتصادی و روابط بین متغیرها نیز در کنار مقادیر وقفهای متغیرها، اهمیت بیشتری پیدا میکنند. – پیشبینیهای بلندمدت غالباً بیش از دو سال هستند، پویاییهای کوتاه مدت نادیده گرفته میشود و روی روندها و ویژگیهای ساختار اقتصاد، بیشتر تمرکز میشود.(آمسترانگ،1992)
نکته قابل توجه دیگر در پیشبینی، «دقت پیشبینی» است. در سالهای اخیر مطالعات متعددی در زمینه چگونگی ارزیابی دقت پیشبینی صورت گرفتهاست. خصوصیات محیطی، از قبیل طبیعت متغیر مورد پیشبینی، افق پیشبینی، ایدئولوژی پیشبینی کننده و فناوری مورد استفاده، عوامل مؤثر در دقت پیشبینی هستند. (آمسترانگ،1992)
خطای پیشبینی، اختلاف مقدار واقعی و مقدار پیشبینی شده در پریود متناظر میباشد. اگر E خطای پیشبینی در پریود t، Y مقدار حقیقی در پریود t و F مقدار پیشبینی در پریود t باشد، خطای پیشبینی طبق رابطه زیر، برابر است با:
غالباً شاخصهایی برای ارزیابی صحت پیشبینی استفاده میشوند. معیارهای خطای پیشبینی هر چه کمتر باشند نمایانگر پیشبینی دقیق تر هستند.
یکی از وظایف بازاریابی، برآورد تقاضای موجود است. بازاریابان میتوانند به روش نسبت زنجیرهای که در آن یک عدد پایه در درصدهای متوالی ضرب میشود، به کل تقاضا دست یابند. تقاضای ناحیهای بازار را میتوان با استفاده از روش بررسی ساختاری بازار یا روش شاخص عامل بازار برآورد نمود. برای برآورد واقعی فروش یک صنعت باید رقبا را شناخت و با روشهای خاصی فروش هر یک از آنها را تخمین زد و سرانجام اینکه شرکتها با بر آورد سهم بازار رقبا از موقعیت نسبی خود در صنعت آگاه میشوند.
برای برآورد فروش آینده، یک شرکت میتواند از یک یا ترکیبی از چند روش پیشبینی فروش استفاده کند. این روشها بر اساس پاسخ به این سؤالات متفاوت اند: مصرف کنندگان چه میگویند، چه میکنند یا چه کردهاند؟ برای بررسی این که مردم چه میگویند از روشهای بررسی قصد خریدار، ترکیب نظرات فروشندگان و نظریه کا رشناسی استفاده میشود. برای دست یافتن به اینکه مردم چه میکنند از آزمونهای بازار استفاده میشود و برای دست یافتن به این که مردم چه کردهاند، باید به روشهای تحلیل سریهای زمانی، شاخصهای راهنما و تجزیه و تحلیل آماری تقاضا روی آورد. انتخاب بهترین روش بستگی دارد به هدف شرکت از پیشبینی، نوع کالا و موجود بودن اطلاعات و میزان اطمینان به آن ها.
● پیشبینی تقاضای آینده
پیشبینی عبارت است از برآورد تقاضای آینده با آینده نگری خاص درباره واکنش احتمالی خریداران تحت مجموعهای از شرایط خاص. تمام پیشبینیها بر پایه یکی از دو مبنای اطلاعاتی قرار دارند:
۱) نقطه نظر فعالان صنعت: بررسی دیدگاه و نقطه نظرات خریداران، ترکیب نظرات فروشندگان و نظریه کارشناسان صنعت.
۲) تجزیه و تحلیل رفتار گذشته صنعت: تجزیه و تحلیل سریهای زمانی و تجزیه و تحلیل آماری تقاضای صنعت. (کاتلر،فیلیپ،2004)
● پیشبینی بر پایه نقطه نظر فعالان صنعت:
نظریه کارشناسان: صادر کننده برای پیشبینی فروش ممکن است از نظرات کارشناسانی مانند تحلیلگران، اقتصاددانان، تجار، توزیع کنندگان، مشاورین بازاریابی، فروشندگان و غیره استفاده کند. صادر کننده میتواند با استفاده از نقطه نظرات کارشناسان از موقعیت محصول خود در بازار آگاه شود. جهت پیشبینی تقاضا برای یک محصول، تولید کنندگان میتوانند به صورت دورهای به نظرات کارشناسان مراجعه کنند.
نقطه نظر کارشناسان مبنای خوبی برای پیشبینیهای مختلف به حساب میآیند، اما برای تکمیل این روش، در صورت لزوم، بهتر است از سایر روشها همراه با این روش استفاده شود.
● پیشبینی بر پایه تجزیه و تحلیل رفتار گذشته خریداران:
برای پیشبینی تقاضای آینده بر مبنای سوابق گذشته سه روش قابل بررسی است:
الف) تجزیه و تحلیل سریهای زمانی: بسیاری از کشورها برای پیشبینی فروش آینده، گذشته را ملاک قرار میدهند و پیشبینی فروش را تابعی از فروش دورههای گذشته خود میبینند.
ب) تحلیل آماری تقاضا: تحلیل آماری تقاضا به مجموعهای از روشهای آماری اطلاق میشود که برای تعیین با اهمیت ترین عوامل واقعی مؤثر بر حجم فروش و تعیین میزان تاثیر آنها مورد استفاده قرار میگیرند، عواملی نظیر قیمت، تولید، سطح درآمد، جمعیت، حجم تبلیغات تجاری و….
ج) پیشبینی بر پایه مدلهای شبکه عصبی مصنوعی:
مدلهای شبکه عصبی مصنوعی که به تازگی در حوزه اقتصاد جای خود را باز کردهاند مدلهای ریاضی هستند که صرفنظر از ضرایب فنی و تنها از طریق عملیات ریاضی روابط بین متغیرهای مربوط به هم را کشف و سپس تعمیم میدهند.
امروزه از این مدلها در پیشبینی انواع روندهای اقتصادی استفاده میشود. صادر کننده قادر است با جمع آوری آمار و اطلاعات مربوط به یک صنعت وآموزش صحیح شبکه عصبی مصنوعی روند آینده این صنعت را پیشبینی نماید.
روشهای دیگر کمیپیشبینی عبارتند از:
۱) روش تقاضای آخرین دوران:
این روش ساده ترین روش پیشبینی بوده و نیاز به هیچ گونه محاسبهای ندارد. فقط سطح واقعی تقاضای دوره قبل را به عنوان پیشبینی دوره آینده منظور مینمایند. از این روش تنها برای پیشبینی تنها یک دوره میتوان استفاده کرد.
۲)روش میانگین متحرک:
در این روش مقادیر دوران آینده بر مبنای میانگین تعدادی از آمار واقعی دوران گذشته پیشبینی میشود. تعداد دورانهایی که باید مورد مطالعه قرار گیرند کاملاً اختیاری بوده و بر مبنای تجربه به دست میآید. (داوودپور، حمید،1376)
چند معیار سنجش خطا در پیشبینی
-میانگین قدر مطلق خطا
-میانگین قدر مطلق درصد خطا
-درصد میانگین قدر مطلق خطاها
-میانگین مربعات خطا
-ریشه میانگین مربعات خطاها
تحقیقات نشان دادهاست، دقت پیشبینیهای کوتاهمدت بیشتر از بلندمدت است. همچنین رویکردهای سری زمانی دقیق تر از دیگر مدلهای اقتصادسنجی بودهاست.(چایل16،2007)
ممکن است برخی پیشبینی تقاضا را هنر و جادو تلقی کنند و همه چیز را به شانس واگذار کنند. آنچه یک سازمان درباره مشتریان خود میداند، رفتار گذشته آنها است که رفتار آینده آنها را نیز روشن خواهد ساخت. تقاضا در خلاء ایجاد نمیشود و عوامل بسیاری بر تقاضای مشتریان تاثیر میگذارند که اگر سازمان ارتباط این عوامل با تقاضای مشتریان را دریابد، میتواند تقاضا را پیشبینی کند. برای پیشبینی تقاضا سازمان باید ابتدا این عوامل را شناسایی و سپس رابطه آنها با تقاضای آتی مشتریان را ارزیابی کند.
سازمانها برای پیشبینی تقاضا باید میان عوامل عینی و ذهنی موازنه نمایند. اگرچه تمرکز ما بر روشهای کمیاست اما شرکتها باید عوامل انسانی را نیز مد نظر قرار دهند. سازمانها باید نسبت به عوامل متعددی که بر تقاضای مشتریان آنها تاثیر میگذارد، آگاه باشند. برخی از این عوامل به شرح زیر میباشند:
– تقاضای گذشته
– زمان تدارک (Lead Time) محصول
– اقدامات برنامهریزی شده تبلیغات و بازاریابی
– وضعیت اقتصادی
– تخفیفات برنامهریزی شده
– اقدامات رقبا
سازمانها باید پیش از انتخاب یک روش مناسب پیشبینی از این عوامل آگاه باشند. روشهای پیشبینی به چهار دسته زیر تقسیم میشوند:
1. کیفی. این روش پیشبینی اغلب ذهنی و مبتنی بر قضاوتهای انسانی است. این روشها بیشتر زمانی مناسب هستند که دادههای تاریخی کمیدر دسترس باشند.
2. سریهای زمانی. این روشها از دادههای تاریخی برای پیشبینی استفاده میکنند. آنها بر این فرض مبتنی هستند که تقاضای گذشته شاخص مناسبی از تقاضای آینده است. این روشها زمانی مناسب هستند که الگوی اساسی تقاضا از سالی به سال دیگر تغییر نکند.
3. علّی. این روشها فرض میکنند که پیشبینی تقاضا رابطه قوی با عوامل مشخص در محیط دارد. روشهای پیشبینی علّی این رابطه میان تقاضا و عوامل محیطی را یافته و برای پیشبینی استفاده میکنند.
4. شبیهسازی. روشهای پیشبینی شبیهسازی گزینههای مشتریان در تقاضا را برای رسیدن به یک پیشبینی تعقیب میکنند. با استفاده از شبیهسازی شرکت میتواند روشهای سری زمانی و علّی را برای پیشبینی ترکیب کند.
مطالعات مختلف نشان دادهاند که استفاده از چندین روش برای پیشبینی ترکیبی اثربخشی بیشتری از یک روش به تنهایی خواهد داشت.
چنانچه هر یک از روشهای فوق برای پیشبینی به کار رود، یک جزء تصادفی وجود دارد که توسط الگوی دادههای تاریخی توصیف نمیشود. از اینرو تقاضای مشاهده شده را میتوان به دو جزء سیستماتیک و نظام یافته تقسیم نمود:
تقاضای مشاهده شده = جزء سیستماتیک + جزء تصادفی
جزء سیستماتیک ارزش مورد انتظار تقاضا را اندازهگیری نموده و شامل سطح (تقاضای غیر فصلی شده موجود)، روند (نرخ رشد یا کاهش تقاضا در پریود آتی) و فصلی (نوسان فصلی قابل پیشبینی در تقاضا) میشود. جزء تصادفی بخشی از پیشبینی است که از جزء تصادفی انحراف دارد و نمیتوان جهت آن را پیشبینی نمود. آنچه میتوان اندازه گرفت، میزان و تغییرپذیری جزء تصادفی است که شاخص خطای پیشبینی به شمار میرود.
• رویکرد پایهای برای پیشبینی تقاضا
رویکرد شش مرحلهای زیر به یک سازمان کمک میکند تا به صورت اثربخش نسبت به پیشبینی اقدام نماید:
1. درک اهداف پیشبینی: هر پیشبینی از تصمیماتی که مبتنی بر آن هستند، پشتیبانی میکند، لذا اولین گام شناسایی شفاف این تصمیمات است.
2. یکپارچهسازی برنامهریزی و پیشبینی تقاضا در کل زنجیره تأمین: هر سازمان باید پیشبینی خود را به کلیه فعالیتهای برنامهریزی در سرتاسر زنجیره تأمین متصل نماید.
3. شناسایی و تعریف بخشهای مشتری: سازمان باید بخشهای مشتریان خود را شناسایی کند تا در صورت نیاز از روشهای متفاوت پیشبینی در بخشهای مختلف استفاده کند.
4. شناسایی عوامل کلیدی تاثیرگذار بر پیشبینی تقاضا: سازمان باید کلیه عوامل تاثیر گذار بر پیشبینی تقاضا در سه حوزه مرتبط با تقاضا، محصول و تأمین را شناسایی کند.
5. تعیین روش مناسب پیشبینی: در تعیین روش مناسب پیشبینی شرکت
