Для перехода от рассмотренной задачи к решению другой с такой же длительностью ряда достаточно:
1. Заменить ряд исходных данных на новый.
2. Удалить (занулить) все объясняющие переменные, кроме первой.
3. Проанализировать системные составляющие в остаточном ряде (рис. 2), наметить точки перелома тренда.
4. Внести объясняющие переменные по намеченным точкам перелома в соответствие с (5)-(6).
5. Сопоставить полученную ломаную линию тренда с действием фундаментальных факторов, проконтролировать соответствие прогноза здравому смыслу по годовому объёму и темпам роста. При необходимости скорректировать точки перелома.
Из перечисленных пункты 1, 2, 4 поддаются автоматизации, и лишь пункты 3 и 5 требуют действий специалистов. Это позволяет поставить прогнозирование как управленческую технологию и решать задачи, ранее для этого не доступные.
Так, допустим, база данных о продажах содержат пространственные (точка продажи) и структурные (товарная группа) аналитические признаки. Тогда имеется возможность, используя первый из них, спрогнозировать бюджет в разрезе точек реализации, а используя второй – в разрезе товарного наполнения. Построенные бюджеты должны совпадать по годовому итогу в пределах некоторого допуска. Тогда они дадут информацию не только о том, где будет происходить их наполнение, но и за счёт чего.
Оперативная замена объектов прогнозирования в процессе работы в электронных таблицах может быть реализована через сопряжение с источником первичных данных посредством MS Query, создающим промежуточную выборку. Далее с использованием технологии эмулирования баз данных [4] из неё формируются требуемые для работы временные ряды. Для сохранения результатов достаточно запомнить только точки перелома и тип используемого в них тренда.
Литература
1. Айвазян С.А. Основы эконометрики. Т.2. М.: ЮНИТИ-ДАНА, 2001.
2. Бондаренко А.В. Доработка алгоритма прогнозирования объема продаж. https://www.cfin.ru/finanalysis/math/add_to_kosh.shtml
3. Дзюба С.А. Метод построения матрицы оценки позиции товара. // Маркетинг в России и за рубежом. –2007, №4. –сс. 3-11.
4. Дзюба С.А. Технология эмулирования баз данных в электронных таблицах на примере инвестиционного анализа. // Экономический анализ: теория и практика. 2007, №18, сс 43-53.
5. Дмитриев С. Уязвимость прогнозной модели продаж Кошечкина. https://www.marketing.spb.ru/lib-mm/sales/brand_portfolio.htm
6. Загинайло И.В. Периодические линии тренда в прогнозировании объемов продаж. https://www.cfin.ru/finanalysis/math/add_to_kosh-bond.shtml
7. Коренев А. Прогноз продаж статистическим методом. https://www.cfin.ru/finanalysis/math/statistical_method.shtml
8. Кошечкин С.А. Алгоритм прогнозирования объёма продаж в MS Excel. https://www.cfin.ru/finanalysis/sales_forecast.shtml
9. Орлов А. С. Прогнозирование сезонных колебаний цен на лекарственные средства // Маркетинг в России и за рубежом. 2006, №3, сс. 13-24.
10. Юзбашев М.М. О правильном измерении тренда при наличии сезонных колебаний. // Вопросы статистики. 2003, №3, сс. 72-73
Табл. 1. Регрессия методом мнимых переменных с одной объясняющей переменой
Табл. 2. Регрессия с тремя объясняющими переменными по тем же исходным данным, что и в табл. 1.
