Динамичный мир бизнеса всё время ставит интересные задачи, которые, к сожалению, обычно решаются известным методом проб и ошибок. Риск и прогнозирование – вот две сложные проблемы бизнеса, решаемые многими исследователями. Предлагаемые ими модели обучаются тем или иным образом, затем даётся оценка риска или прогноза изучаемого явления. Часто точность моделирования не соответствует предъявляемым к ним требованиям заказчика. Кроме того, большинство моделей громоздки и не дают быстрого ответа на вопросы, которые возникают сразу же после решения поставленной потребителем задачи. Иными словами, требуется наладка, время упущено, конкурент вырывается вперёд.

Предлагаем вашему вниманию модели, позволяющие решать задачи, связанные с прогнозированием и паспортизацией рынка. Отметим мобильность моделей. Речь идёт о возможности быстрой коррекции моделей в зависимости от реальных задач бизнеса. Эта коррекция происходит в результате общения с потребителем, который желает получить нужные ему решения.

I. Прогнозирование

Это одно из самых интересных и трудных исследований. Существует такое великое множество подходов, что не имеет смысла их перечислять.

Наш подход: обучение модели происходит на основании данных по ретроспективе или экспертных оценок. Общую тенденцию или закономерность находим из известного класса функций (циклические, линейные, мультипликативные, аддитивные и т.д. функции). Нужный нам класс выбирается, исходя из минимума ошибки, которая проверяется по ретроспективе (экспертным оценкам). Кроме того, мнение экспертов о возможном развитии исследуемого процесса может существенно улучшить прогноз.

Далее с использованием метода наименьших квадратов подбираются циклы (аналог ряда Фурье). Количество циклов и их амплитуда вычисляются по заданной заранее ошибке прогноза.

Точность прогноза 3-5%, колеблется иногда до 10-15%. Все зависит от наличия шумов, которые могут существенно повлиять на прогноз. Если ретроспективный ряд большой, то программа хорошо выделяет регулярные составляющие процесса. При незначительном временном ряде ретроспективы (до 5-8 значений) нужно пользоваться экспоненциальным сглаживанием.

Приведем пример реализации одного из алгоритмов прогнозирования.

На рис. 1 представлено внешний вид главного окна прогнозного модуля.

В данном окне выбирается тип прогнозной функции, по которой будет вычисляться итоговый прогноз, задается количество итерационных приближений к итоговой прогнозной кривой, а так же количество прогнозных точек.

Рис. 1 Главное окно модуля

В исторических значениях развития рынка и продаж компании могут быть уникальные ситуации выпадающих значений, например: год скачкообразного роста рынка, связанного, например, с ростом доходов; год нетипичного урожая; временное закрытие завода и т.д.

Эти ситуации объединяет одно: менеджер точно знает, что на прогнозном периоде такое событие больше не произойдет никогда. В этой ситуации менеджер получает возможность сделать две операции:

1. указать год выпадающего значения, которое не надо использовать при анализе прошлого периода;
2. указать правильное используемое значение. (см. рис. 2)

Рис. 2. Окно выпадающих значений

В большинстве случаев менеджер может указать от двух до пяти реперных точек будущего развития, например, в 2010 году потребление будет 12 кг на душу населения, а в 2015 - 16 кг. Алгоритм заполняет промежуточные значения как от текущего периода, так и между указанными прогнозными точками с учетом реального исторического развития. Указанные реперные точки запротоколированы в специально созданной таблице (см. рис. 3). Такой набор реперных точек осуществлен в трех вариантах. Алгоритм может строить три прогнозных ряда от необходимого года.

Рис. 3. Окно реперных точек

В окне «Настройки» (см. рис. 4) задаются параметры расположения входных и выходных данных.

Рис. 4. Окно ввода настроек

После выполнения расчета модуль выведет результаты прогнозирования в зависимости от параметров вывода, заданных в окне настроек прогнозного модуля.

Прогнозные значения будут выделены голубым цветом (см. рис. 5).

Рис. 5. Вывод результатов прогноза

Прогнозный модуль подключается к MS Excel из состава Microsoft Office.

Паспортизация рынков и фирм по отношению цена/ качество

Основой данного анализа является получение рейтинга для каждого показателя (см. ниже), характеризующего работу фирмы. Для этой цели мы проводим обучение построенной нами модели.

Обучение происходит по анкетным данным, отражающим поведение покупателей на исследуемом рынке. В анкетные данные вводятся показатели, которые характеризуют не только технические возможности продаваемого товара, но оценивают быстроту и лёгкость его приобретения, а также надёжность и удобство его эксплуатации.

Анкеты являются источником информации для обучения модели, т.е. модель обучается по тем данным о состоянии рынка, которые вам удаётся получить в анкетах.

После того, как модель обучена, каждая конкретная фирма с её помощью может получить ответы на следующие вопросы:

1. грамотно ли ведётся ценовая политика?
2. каковы рейтинги каждого показателя?
3. каково отношение цены/качества?

Иными словами, успешное проведение анкетирования позволит фирме «зряче» работать на рынке. Кроме того, появляется возможность оценить положение фирмы среди конкурентов и получить рейтинги тех показателей, по которым конкуренты превосходят вашу фирму.

I этап работы. Формируются показатели, по которым на рынке оцениваются услуги фирмы. Они могут иметь самую разнообразную природу: от технических характеристик товара, до удобства и быстроты оформления заказа или грубости сотрудников.

Показатели формируются работниками фирмы совместно с клиентами. После того, как показатели сформированы, они высылаются клиентам в виде анкет, совместно с ценой единицы продукции. Фирма просит покупателя поставить в соответствие с ценой значение каждого показателя, т.е. min или max значения, которые, по их мнению, соответствует указанной цене. Получаем паспортные данные рынка при заданной цене. При возникновении трудностей с получением анкетных данных от клиентов, значение показателей формируются экспертами фирмы.

2-й этап. Данные анкет обрабатываются следующим образом: по каждому показателю, имеющему разброс в зависимости от данных, присланных клиентами, находится среднее значение.

Далее на фирме формируются анкеты, в которых каждый показатель оценивается по принципу «да», «нет» или «больше», «меньше». Например, электропроводность единицы кабеля больше среднего числа Y, оформление заказов меньше T0, сдвиги сроков большие и т.д.

Сформирование анкеты с поставленными заранее экспертами фирмы значениями показателей рассылаются клиентам. Они должны на каждой из анкет поставить да, если они покупают у фирмы товар за указанную вначале цену или поставить нет. Анкета высылается обратно на фирму, после того как покупатель выразил своё согласие или не согласие приобрести товар с указанными в анкете показателями за цену, которая оговорена заранее. После этого начинается обучение модели по этим анкетам.

3-й этап. На выходе программы мы получаем вероятность неуспеха изучаемого явления для конкретного случая. Если мы, при заданной цене на единицу продукции, хотим выяснить возможности продажи продукции конкретной фирмы на рынке, то вероятность неуспеха – вероятность отсутствия спроса на товар. Например, число p2 = 0,6 говорит о том, что 60% продукции фирмы на данный момент не будет реализовано.

Число p1 = 1 – p2 = 0,4 может быть взято в качестве измерения отношения цены/качества, так как при фиксированной цене 40% продукция реализуется, т.е. по мнению рынка, обладает необходимым качеством при заданной цене.

Программа даст нам также величину рейтингов каждого показателя по мнению рынка. Большая положительная величина рейтинга показателя указывает на проблемы работы фирмы в этом направлении.

Приведем пример работы программы

Входные данные (файл config.txt):

#Первая строка - общее количество опрошенных человек

17

#Далее вводятся строки со статическими данными

#в следующем формате: <анкетный вопрос с возможностью ответа ДА или НЕТ>;

#<количество человек с ответом ДА в случае УСПЕХА>;

#<количество человек с ответом ДА в случае НЕУСПЕХА>;

#<количество человек с ответом НЕТ в случае УСПЕХА>;

#<количество человек с ответом НЕТ в случае НЕУСПЕХА>;

#Например: 30;20;15;40

5;2;7;3

7;2;5;3

9;4;3;1

4;1;8;4

6;3;6;2

6;1;6;4

8;2;4;3

7;2;5;3

8;4;4;1

9;2;3;3

8;1;4;4

2;3;10;2

1;3;11;2

2;3;10;2

Результаты работы программы при конкретном варианте ответов:

Таблица рейтинговых коэффициентов

Вопрос и выходные данные представляются в формате MS Excel