Ольга Бекетова - Бизнес-планирование: конспект лекций
1) изучение проблемы;
2) анализ проблемы и разъяснение ее экспертам;
3) тестирование понимания проблемы;
4) формулирование спонтанных решений;
5) оценку руководителем понимания проблемы;
6) образование аналогии;
7) создание связи между аналогией и проблемой;
8) переход к проблеме;
9) разработку решения.
Специфика метода «Дельфи» заключается в том, что обобщение результатов исследования осуществляется путем индивидуального письменного опроса экспертов в несколько туров по специально разработанной процедуре исследования. Перед каждым туром экспертов знакомят с итогами предыдущего опроса, но не для того, чтобы оказать на них давление, а для того, чтобы дать дополнительную информацию о предмете опроса. В идеале опрос повторяется до совпадения мнений экспертов, реально – до получения наиболее узкого диапазона мнений.
Надежность метода «Дельфи» считается высокой при прогнозировании как на срок от 1 до 3 лет, так и на более отдаленный период времени. В зависимости от цели прогноза для получения экспертных оценок может привлекаться от 1 до 150 экспертов.
2. Количественные методы прогнозирования. Базируются на численных математических процедурах. Результаты прогнозирования на основе количественных методов используются во всех сферах бизнес-планирования, включая общее стратегическое планирование, финансовое планирование, планирование производства и управления запасами, маркетинговое планирование и т. п.
При исследовании и анализе рынка количественные методы прогнозирования применяются для решения следующих основных задач:
1) прогнозирования спроса;
2) прогнозирования емкости рынка;
3) прогнозирования объемов продаж фирмы и др.
К группе количественных методов относятся:
1) анализ временных рядов;
2) экономико-математическое моделирование;
3) метод аналогий;
4) нормативный метод;
5) метод стандартного распределения вероятностей.
Анализ временных рядов необходим для учета временных колебаний исследуемых величин. Включает в себя следующие основные методы:
1) анализ тенденций (экстраполяция и корреляция трендов);
2) анализ цикличности;
3) анализ сезонности;
4) регрессионный анализ.
Методы экстраполяции трендов основаны на статистическом наблюдении динамики определенного показателя, определении тенденции его развития и продолжении этой тенденции в будущем периоде. Иначе говоря, при помощи методов экстраполяции трендов закономерности прошлого развития объекта переносятся в будущее.
Обычно методы экстраполяции трендов применяются в краткосрочном (не более 1 года) прогнозировании, когда число изменений в среде минимально. Прогноз создается для каждого конкретного объекта отдельно и последовательно на каждый следующий момент времени.
Наиболее распространенными методами экстраполяции трендов являются метод скользящего среднего и метод экспоненциального сглаживания, прогнозирование на базе прошлого оборота.
Метод скользящего среднего исходит из простого предположения, что следующий во времени показатель по своей величине равен средней, рассчитанной за три периода.
Метод экспоненциального сглаживания представляет прогноз показателя на будущий период в виде суммы фактического показателя за данный период и прогноза на данный период, взвешенных при помощи специальных коэффициентов:
Ft+1 = aXt + (1 – a)Ft,
где Ft+1 – прогноз продаж на месяц t + 1;
Xt – продажи в месяце t (фактические данные);
Ft – прогноз продаж на месяц t;
а – специальный коэффициент, определяемый статистическим путем.
Метод прогнозирования на базе прошлого оборота. В этом случае данные о сбыте за прошлый год берутся в качестве основы для предсказания вероятностей сбыта в будущем.
Данный метод прогнозирования пригоден для отраслей и рынков со стабильной хозяйственной конъюнктурой, слабо меняющимся ассортиментом товаров и услуг, незначительными колебаниями товарооборота.
В прогнозировании методы экстраполяционных трендов дополняются методами корреляции трендов, в рамках которых исследуется связь между различными тенденциями в целях установления их взаимного влияния и, следовательно, повышения качества прогнозов. Корреляционный анализ может исследовать взаимосвязь между двумя показателями (парная корреляция) или между многими показателями (множественная корреляция).
В рамках анализа цикличности выявляются изменения исследуемых величин, связанные с деловым циклом. Анализ цикличности применим в тех отраслях, где эта цикличность ярко выражена (например, в отраслях, производящих товары для строительной отрасли, отраслях, выпускающих потребительские товары длительного использования).
Сезонный характер использования товаров также накладывает отпечаток на величину спроса и продаж.
Регрессионный анализ заключается в построении модели зависимости определенной величины от другой величины или нескольких других величин. Он выполняется в два этапа:
1) выбор типа линии, выравнивающей ломаную регрессии (прямая, парабола, гипербола и т. д.);
2) определение параметров, входящих в уравнение линии выбранного типа таким образом, чтобы из множества линий этого типа выбрать ту, которая наиболее близко проходит около точек ломаной регрессии (наиболее точные результаты дает использование метода наименьших квадратов).
Регрессионный анализ применяется преимущественно в среднесрочном прогнозировании, а также в долгосрочном прогнозировании. Средне– и долгосрочные периоды дают возможность установления изменений в среде бизнеса и учета влияний этих изменений на исследуемый показатель.
Методы экономико-математического моделирования. В бизнес-прогнозировании используются:
1) модели внутренней среды фирмы, так называемые корпоративные модели;
2) макроэкономические модели, к которым относятся эконометрические модели, модели «затраты – выпуск».
Корпоративные модели обычно представляют собой набор формул (уравнений), которые выражают отношения ряда переменных к определенному объекту, например к объему продаж.
Помимо формульных моделей, во внутрифирменном планировании могут использоваться матричные модели (модели в виде таблиц), структурно-иерархические модели, описывающие внутреннюю структуру и взаимосвязь в рамках экономической организации.
При использовании корпоративных моделей полезно делать не только перспективные, но и ретроспективные (обращенные в прошлое) прогнозы. Сравнение данных ретроспективного прогноза и фактических данных за прошлый период позволяет сделать вывод о надежности моделей.
