 |
Построение матрицы позиционирования
|
|
|
|
Решение задачи (4) позволяет получить тренд 
, а (5) позволяет выделить сезонность 
. Сумма тренда и сезонности дают прогнозный объём продаж. В таблице 1 модельные (прогнозные) значения получены не только для 3-го года, но и для двух предыдущих с целью сопоставления с исходными данными. Для построения матрицы позиционирования используется прогноз годового объёма продаж за 3-й год (в таблице 1 эта ячейка выделена серым цветом в столбце «Прогноз»).
В качестве оценки темпа роста используется значение параметра a тренда (в таблице 1 эта ячейка выделена серым цветом в столбце «Ряд без тренда»). Для логарифмического тренда экономическая интерпретация этой величины не так очевидна, как это было бы в случае линейного тренда. Там a есть среднемесячный рост объёма продаж в тех же единицах измерения. Для логарифмического же тренда темп роста является нелинейной характеристикой, которую следует воспринимать, как абстрактную безразмерную величину, прямо пропорциональную среднемесячному росту объёма продаж.
В Таблице 2 приведены данные для вывода на график в виде матрицы позиционирования товара с характеристиками «Прогноз продаж» и «Темп роста». Для каждого товара была решена задача (4)-(5). По заданным границам кластеров определена принадлежность товара к одному из 4-х типов (I – низкий темп, высокий прогноз, II – низкий темп и прогноз, III – высокий темп низкий прогноз, IV – высокий темп и прогноз). Определены доли товара в общем объёме продаж.
Таблица 2. Пример подготовки данных по изложенной методике для построения матрицы оценки позиции товара.
| Наименование товара | Темп роста тренда a | Прогноз продаж, тыс. руб. | Доля от итога | Кластер | Достоверность |
| Товар 1 | 110,9 | 3 350 | 3,48% | II | |
| Товар 2 | 2,6 | 0,42% | I | ||
| Товар 3 | 105,6 | 15 129 | 15,72% | II | |
| Товар 4 | 23,6 | 5 576 | 5,79% | II | |
| Товар 5 | -42,5 | 1 039 | 1,08% | I | |
| Товар 6 | 64,6 | 7 309 | 7,59% | II | |
| Товар 7 | 39,0 | 15 871 | 16,49% | II | |
| Товар 8 | -22,9 | 0,85% | I | ||
| Товар 9 | 105,6 | 5 773 | 6,00% | II | |
| Товар 10 | 142,0 | 4 625 | 4,81% | IV | |
| Товар 11 | 159,6 | 4 320 | 4,49% | IV | |
| Товар 12 | 173,1 | 5 175 | 5,38% | IV | |
| Товар 13 | 127,4 | 3 265 | 3,39% | IV | |
| Товар 14 | 349,0 | 9 200 | 9,56% | IV | |
| Товар 15 | 13,0 | 2 234 | 2,32% | I | |
| Товар 16 | 32,6 | 1 057 | 1,10% | I | |
| Товар 17 | 21,4 | 1 391 | 1,45% | I | |
| Товар 18 | 30,1 | 2 794 | 2,90% | I | |
| Товар 19 | 33,4 | 0,93% | I | ||
| Товар 20 | 119,6 | 6 007 | 6,24% | II | |
| Итого | 96 235 | Границы кластеров: | |||
| Темп | |||||
| Прогноз | 3 000 |
|
|
|
В зависимости от объёма исходных данных (длительности исходного временного ряда) полученные прогнозные результаты имеют разную степень достоверности. Для товаров, по которым имеется статистика за полные 2 года (24 месяца), они наибольшая. Для более коротких временных рядов она ниже. В столбце «Достоверность» указана длительность временного ряда в месяцах, по которому был построен прогноз.
Замечание 1. Если длительность временного ряда не более года, то решение задачи (4) уже не выполняет коррекцию тренда по сезонности, поскольку отсутствуют данные для сравнения за предыдущий год. В этом случае решение задачи (3)-(4) просто приводит к построению тренда по методу наименьших квадратов.
Замечание 2. Если длительность ряда больше 24 месяцев, то это не означает автоматического увеличения достоверности результатов прогноза. Как раз наоборот, за более длительный период может произойти перелом тенденции (тренда) от положительной к отрицательной или наоборот. Но поскольку для отражения тренда используется монотонная функция, которая «съест» этот перелом, что негативно скажется на качестве прогноза. В этом случае данные до перелома тенденции, если таковой явно имеет место, лучше вообще исключить из исходного временного ряда.
|
|
|
На рис. 5 представлена матрица оценки позиции товара, построенная по данным таблицы 2. На график выведены только первые 10 товаров во избежание загромождения представления.
Рисунок 5. Матрица позиционирования товаров, построенная по данным таблицы 2.
Представленное исследование проводилось по данным для мебельных товарных групп за период 2005-2006 гг. Изложенный метод позволил выявить не только товары, обладающие большим потенциалом или хорошей текущей позицией, но и товары, находящиеся на стадии заката. Для них получен отрицательный темп роста (см. табл. 2 или рис. 5)
Заключение
1. Построение матрицы позиционирования товара следует производить по прогнозным, а не фактическим объёмам продаж ввиду возможной разной длительности исторических рядов данных.
2. При определении типа тренда следует в первую очередь руководствоваться содержанием исследуемой задачи. Для прогнозирования объёмов продаж товаров наилучшим является логарифмический тренд. Он наиболее адекватно отражает сглаженную динамику товаров, выводимых на рынок, но при этом не плох и для товаров на стадии зрелости и заката.
3. Представленная методика имеет надёжный проверяемый способ выделения тренда при наличии в исходном временном ряде сезонности, поиск которого производится решением задачи оптимизации (4).
4. Методика в целом очень легко алгоритмизируется. В частности она может быть реализована в электронных таблицах.
Литература
|
|
|
