2.1.6. Метод адаптивного згладжування Брауна | Заснований на застосуванні регресійного аналізу (коли мінімізується сума квадратів відхилення) на базі зваженої регресії. Найбільша увага приділяється інформації останніх періодів.

2.1.7. Метод Муіра | Застосовується у випадку лінійно-мультиплікативної моделі тренда в припущенні, що зміна середньої процесу залежить від часу нелінійно, пропорційно самому значенню середньої, тобто лінійно в логарифмічній формі.

2.1.8.Сезонно-деком-позиційна модель Холта-Вінтера пр | Метод заснований на застосуванні експоненційної зваженої середньої для сезонних рядів.

2.1.9. Модель Бокса Дженксінса | Метод призначений для обробки авто регресивних рядів без апріорних припущень щодо коефіцієнтів, які дисконтують. Виключення тренду здійснюється шляхом переходу до різниць ряду і допущення кореляційності залишків.

1 | 2

2.2. Економіко-математичне моделювання (імітаційні методи) | Побудова економіко-математичної моделі попиту у вигляді деякої функціональної залежності величини попиту від екзогенних і ендогенних факторів, які його визначають.

2.2.1. Прогноз на основі індикаторів | Оцінка ходу розвитку процесу збуту продукції на базі одного або декількох відомих індикаторів (показників) суміжних галузей промисловості.

2.2.2. Аналітичні моделі попиту і споживання | Побудова функції попиту, що відбиває залежність обсягу попиту на окремі товари і послуги від комплексу факторів, що впливають на нього. Найбільш поширеними є одно факторні функції, що виражають залежність попиту від рівня доходу населення. Відповідні цим функціям графіки називають кривими Ангеля. Головна проблема полягає у виборі функціональної залежності попиту від деяких факторів і апріорне встановлення значень параметрів, що входять у функцією попиту. Як параметри виступають коефіцієнти еластичності ціни, доходів тощо.

2.2.3.Прогноз попиту з використанням коефіцієнта еластичності будь-якого фактора | Знаючи коефіцієнта еластичності будь-якого фактора за поперед-ній період і припускаючи, що він не зміниться істотно в прогнозований період, обчислюють величину попиту з урахуванням зміни розглянутого фактора і його коефіцієнта еластичності.

2.2.4. Кореляційно-регресійний аналіз | Визначення напряму і сили зв’язку між незалежними змінними і залежною змінною (попитом). Побудова одно факторної і багатофакторної регресійної моделі.

3. Комбіновані методи | Використовуючи результати прогнозів, отримані різними методами, розраховують інтегрований прогноз попиту у вигляді точкової чи інтервальної оцінки.

Методи якісного аналізу застосовують у ситуаціях, коли відсутні необхідні кількісні дані, на основі яких, власне, і здійснюється прогнозування. Діапазон прогнозу, як правило, коливається від середньострокового до довгострокового. При застосуванні експертних методів часто використовується процедура розробки сценарію, що дозволяє виділити характерні події, фактори, ознаки і тенденції в структурі ринку в процесі опитування й аналізу експертів. До недоліків якісних методів можна віднести обмежену об’єктивність і слабку надійність.

Важливим класом методів прогнозування попиту на товари є екстраполяція часових рядів, тобто представлених впорядкованих у часі значень ознаки.

2. Метод екстраполяції часового ряду

Завдання коротко- середньо- і довготермінового прогнозування можуть істотно відрізнятися за змістом, тому їх необхідно вирішувати різними методами, які базуються здебільшого на ідеях екстраполяції трендів і експоненційного згладжування, запропонованих вперше Р. Браном.

Позначимо (q1, q2, …, qn)={qt, t=1, .., n} – ряд фактичних показників попиту, де q1 – величина попиту в момент часу t (t може бути порядковий номер кварталу, місяця, декади, тижня).

Під стаціонарним розуміють ряд, індивідуальні значення якого, змінюючись з часом, не змінюють величини на досить тривалому проміжку часу. Іншими словами, середнє значення попиту за розглянутий період не збільшується і не зменшується. Нестаціонарним є ряд, у якому середнє не залишається постійним, а змінюється з часом. Змінну середню називають трендом.

Тренди розрізняють

за характером | за типом

лінійні, сезонні, сезонно-лінійні | адитивні, мультиплікативні і їх комбінації

Характер тренду визначає середня, а тип тренду – відхилення від середньої.

Лінійно-адитивний тренд. Ряд з таким трендом має середню, яка збільшується (чи зменшується) приблизно на однакову величину в розглянуті моменти часу. При цьому дисперсія відхилень фактичних значень від тренду приблизно постійна.

Лінійно-мультиплікативний тренд. Значення попиту при такому вигляді тренду перевищить (чи буде меншим) за попереднє значення приблизно на той же відсоток на розглянутому проміжку часу. Згодом збільшується не тільки середня, але і дисперсія індивідуальних значень попиту від середнього (тренду).

Комбінація лінійного і сезонно-адитивного трендів. Для моделі цього типу характерний сезонний тренд, що, у свою чергу, може зростати (чи спадати) лінійно.

2.1. Прогноз за середнім відсотком приросту показника попиту.

Маємо часовий ряд показників попиту на який-небудь товар – ряд {qt, t=1, …, n. n – кількість періодів}. Обчислюємо відсоток приросту по періодах (ki, i=1, n-1);

ki = (qi+1/qi)*100.

Знаходимо k – середній відсоток приросту

.

Прогнозоване значення величини попиту qn+1 у період (n+1) обчислюється за формулою:

qn+1=qn*k/100.

Метод може бути рекомендованим до практичного застосування у разі постійно зростаючого (спадаючого) попиту, тобто лінійно-мультиплікативного тренду. У даному випадку прогнозні значення попиту заміняються фактичними значеннями і (або) відбувається зміщення відомих значень попиту в ряді на одиницю вправо.

2.2. Прогнозування на базі ковзної середньої.

Традиційним методом прогнозування майбутнього значення попиту є усереднення його минулих значень. формально ковзна середня mt визначається як;

чи

де qt – значення попиту в період t.

Обчислене значення mt у випадку стаціонарного ряду приймається рівним прогнозу очікуваного значення попиту в майбутньому не тільки на найближчий період, але і на наступні. Якщо прогноз робиться, наприклад на 6 місяців наперед, то очікувані значення величини попиту на інші 5 місяців бажано модифікувати після закінчення першого прогнозованого місяця. Ковзна середня має ряд особливостей.

Для того, щоб почати обчислювати ковзку середню, необхідно мати (n-1) минулих значень спостережень. При цьому слід враховувати час.

1. Даним, включеним у процес ковзкої середньої, присвоюється однакова вага. Вага окремого спостереження, що входить у ковзну середню, дорівнює 1/n, і дорівнює нуль для спостережень, відсутніх