मांग पूर्वानुमान के तरीके। उपभोक्ता मांग पूर्वानुमान

मांग को मापने की एक विशेषता यह तथ्य है कि इसे अप्रत्यक्ष रूप से माल की बिक्री के संकेतकों या कुछ उपभोक्ता वस्तुओं की खरीद के लिए जनसंख्या के व्यय के माध्यम से किया जा सकता है।

संभावित मांग को मापने के तरीके

संभावित मांग - अधिकतम है संभव आकारमांग है कि किसी विशेष उत्पाद के संभावित उपभोक्ता पेश कर सकते हैं। माप मान हैं:

संभावित उपभोक्ताओं की संख्या;

प्राकृतिक इकाइयों में बिक्री की संभावित संभावित संख्या;

मूल्य के संदर्भ में संभावित बिक्री का आकार।

संभावित मांग एक सैद्धांतिक रूप से गणना मूल्य है, जो वास्तव में, एक नियम के रूप में, हासिल नहीं किया जाता है। हालांकि, वास्तविक मांग के साथ संभावित अवसरों की तुलना करने के लिए इसका मापन आवश्यक है।

संभावित मांग को मापने के लिए दो दृष्टिकोण हैं :

लोगों की कुल संख्या के आधार पर, "खोज" पद्धति में अंत-उपयोगकर्ता गणना के मध्यवर्ती अनुमान होते हैं।

"निर्माण" विधि में पहले संभावित उपभोक्ताओं के सभी संभावित समूहों को निर्धारित करना और फिर उनका योग करना शामिल है।

वास्तविक मांग को मापने के तरीके

वास्तविक मांग प्राकृतिक या लागत संकेतकों में व्यक्त एक निश्चित अवधि के लिए माल की वास्तविक बिक्री के आकार का प्रतिनिधित्व करता है। चूंकि बिक्री का मूल्य पूरी तरह से मांग के मूल्य के अनुरूप नहीं होता है, लेकिन केवल इसके अप्रत्यक्ष माप के रूप में कार्य करता है, विभिन्न अनुमान विधियों का उपयोग किया जाता है।

उत्पादन की मात्रा, निर्यात, आयात और सूची के आधार पर गणना।

समय की एक निश्चित अवधि (तथाकथित नीलसन सूचकांक की गणना) में दुकानों के एक नमूना सेट की सीमा में प्राप्तियों, बिक्री और माल के स्टॉक का माप।

बजट के आंकड़ों के अनुसार उपभोक्ता खर्च का अनुमान।

मांग पूर्वानुमान के तरीके:

मांग का पूर्वानुमान विभिन्न तरीकों से किया जाता है। व्यवहार में, एक नियम के रूप में, उपयोग की जाने वाली विधियों की ताकत और कमजोरियों को ध्यान में रखते हुए एक एकीकृत दृष्टिकोण लागू किया जाता है।

मांग की भविष्यवाणी करने के तरीके हैं सामान्य और विशेष गंतव्य.

सामान्य तरीकेमांग का पूर्वानुमान एक्सट्रपलेशन, विशेषज्ञ आकलन, मानकों और आर्थिक और गणितीय मॉडलिंग पर आधारित है।

1) एक्सट्रपलेशन के तरीके. समय श्रृंखला के सांख्यिकीय विश्लेषण के आधार पर सबसे सरल तरीके, पिछले समय में विकसित हुए रुझानों के आधार पर, अल्पावधि में माल की बिक्री की वृद्धि दर की भविष्यवाणी करना संभव बनाते हैं।

2) विशेषज्ञ आकलन के तरीके।विधियाँ विशेषज्ञों और विशेषज्ञों की व्यक्तिपरक राय के परिणामस्वरूप वस्तुनिष्ठ अनुमान प्राप्त करने पर आधारित हैं। कुछ प्रक्रियाओं का ज्ञान माना जाता है ("डेल्फ़िक विधि", "विचार-मंथन", "डेविल्स वकील, आदि)।

3) नियामक तरीके।वे अक्सर औद्योगिक वस्तुओं की मांग की भविष्यवाणी करने में उपयोग किए जाते हैं। खरीद का आकार तकनीकी, निर्माण और इसी तरह के मानदंडों और मानकों की आवश्यकताओं से निर्धारित होता है।

4) आर्थिक और गणितीय मॉडलिंग के तरीके।विशेष प्रशिक्षण की आवश्यकता वाले सबसे जटिल तरीके। वे मांग के सहसंबंध और इसके विकास को निर्धारित करने वाले कारकों को ध्यान में रखते हुए आधारित हैं।

विशेष तरीकेपूर्वानुमान विभिन्न वस्तुओं की मांग की विशेषताओं को ध्यान में रखते हैं। वे अपने बाद के योग के साथ मांग के मुख्य घटकों के अलग-अलग पूर्वानुमान से आगे बढ़ते हैं।

माँग लोच की कीमत कीमत में 1% परिवर्तन होने पर मांग की गई मात्रा में कितने प्रतिशत परिवर्तन होता है, यह दर्शाता है। मांग की कीमत लोच निम्नलिखित कारकों से प्रभावित होती है:

प्रतिस्पर्धी उत्पादों या स्थानापन्न उत्पादों की उपस्थिति (जितना अधिक होगा, कीमत में वृद्धि वाले उत्पाद के लिए प्रतिस्थापन खोजने का अवसर उतना ही अधिक होगा, अर्थात लोच जितना अधिक होगा);

खरीदार के लिए अपरिहार्य मूल्य स्तर में परिवर्तन;

स्वाद में खरीदारों की रूढ़िवादिता;

समय कारक (उपभोक्ता को उत्पाद चुनने और उसके बारे में सोचने में जितना अधिक समय लगता है, लोच उतना ही अधिक होता है);

उपभोक्ता के खर्चों में माल का हिस्सा (उपभोक्ता के खर्चों में माल की कीमत का हिस्सा जितना अधिक होगा, लोच उतना ही अधिक होगा)।

मूल्य लोचदार मांग वाले उत्पाद:

विलासिता की वस्तुएं (गहने, व्यंजन)

माल जिसका मूल्य मूर्त है परिवार का बजट(फर्नीचर, घरेलू उपकरण)

आसानी से बदली जाने वाली वस्तुएं (मांस, फल)

कीमत बेलोचदार मांग वाली वस्तुएँ:

अनिवार्य (दवाएं, जूते, बिजली)

सामान जिसकी लागत परिवार के बजट के लिए नगण्य है (पेंसिल, टूथब्रश)

बदलने में मुश्किल सामान (ब्रेड, लाइट बल्ब, पेट्रोल)

मांग की आय लोच आय में 1% परिवर्तन के लिए मांग में प्रतिशत परिवर्तन दर्शाता है। यह निम्नलिखित कारकों पर निर्भर करता है:

परिवार के बजट के लिए माल का महत्व।

चाहे वह उत्पाद लग्जरी आइटम हो या जरूरी सामान।

स्वाद में रूढ़िवाद।

मांग की क्रॉस लोच एक वस्तु की मांग में प्रतिशत परिवर्तन का किसी अन्य वस्तु की कीमत में प्रतिशत परिवर्तन का अनुपात है। मूल्य के एक सकारात्मक मूल्य का मतलब है कि ये सामान विनिमेय (विकल्प) हैं, एक नकारात्मक मूल्य इंगित करता है कि वे पूरक (पूरक) हैं।

रूस में जन्म दर के आंकड़ों का उपयोग करके 30-40 मिनट के भीतर भविष्यवाणी करना सीखें - कौन सा उत्पाद तीन, पांच या बीस वर्षों में उच्च मांग में होगा?

 

• परिचय
• मांग की भविष्यवाणी कैसे करें

परिचय

सार्वजनिक रूप से उपलब्ध सांख्यिकीय आंकड़ों के आधार पर मांग की गणना कैसे करें, हम इस लेख के उदाहरण का उपयोग करने पर विचार करेंगे।

एक आधार के रूप में, हम घरेलू उर्वरता के संकेतक लेंगे। सादृश्य से, विवाह और तलाक के आंकड़ों, पुरुषों और महिलाओं की संख्या, पेंशनरों और सक्षम नागरिकों, मृत्यु दर, रोजगार, जीवन स्तर आदि के आधार पर कुछ वस्तुओं और सेवाओं की मांग को मॉडल करना संभव है। सभी डेटा संघीय राज्य सांख्यिकी सेवा की वेबसाइट पर स्वतंत्र रूप से उपलब्ध हैं।

एक टेबल पर विचार करें:

टैब। 1. रूस की जनसंख्या में प्रजनन क्षमता, मृत्यु दर और प्राकृतिक वृद्धि के आँकड़े

2005 की शुरुआत में, रूस में पहले धीमी और फिर जन्म दर में अधिक से अधिक गहन वृद्धि शुरू हुई। यह जानकारी हमें क्या बताती है? पहला, मौतों की संख्या में कमी और जन्मों की संख्या में वृद्धि से सबसे तार्किक निष्कर्ष यह है कि जनसंख्या बढ़ रही है। इसका मतलब है कि, हमारे देश में लोगों की संख्या में वृद्धि के बराबर, उपभोक्ता वस्तुओं की मांग भी बढ़ेगी: भोजन, घरेलू रसायनऔर सौंदर्य प्रसाधन, कपड़े, घरेलू सेवाएंऔर इसी तरह।

उदाहरण के लिए, यदि 2011 में, जब प्राकृतिक विकास नकारात्मक था, तो देश में ब्रेड उपभोक्ताओं की संख्या में 2009 की तुलना में 119 हजार लोगों की वृद्धि हुई (देश की जनसंख्या की समग्र तस्वीर में 0.083%)। और पहले से ही 2013 में, एक सकारात्मक प्राकृतिक वृद्धि के साथ, 2009 तक ब्रेड उपभोक्ताओं की संख्या में 273 हजार लोगों की वृद्धि हुई (देश में कुल द्रव्यमान में ब्रेड की बिक्री में 0.19% की वृद्धि)। इस प्रकार, केवल चार वर्षों में, ब्रेड की बिक्री की वृद्धि की गतिशीलता 43.6% थी।

दैनिक खपत के सभी उत्पादों के बारे में भी यही कहा जा सकता है - डेयरी उत्पाद, मांस, पानी, दवाएं, और इसी तरह।

अब आइए रियल एस्टेट मार्केट सेगमेंट में उसी डिमांड फोरकास्टिंग तकनीक को देखें। 2010 में, रूस में, रोसस्टैट के अनुसार, 54.9 मिलियन निजी परिवार थे, औसत आकारएक घर - 2.6 लोग।

इस प्रकार, यदि हम 2010 में 142,856,536 लोगों से 2013 में 143,347,059 लोगों (490.5 हजार लोगों) में जनसंख्या की संख्या में वृद्धि को ध्यान में रखते हैं (तालिका 2 देखें। विकास और मृत्यु दर का प्राकृतिक आंदोलन), अचल संपत्ति बाजार को देना चाहिए था दो या तीन वर्षों में कम से कम 188.6 हजार नए अपार्टमेंट। यह केवल बढ़ती आबादी की जरूरतों को पूरा करने के लिए है, लेकिन अगर हम इन गणनाओं में विवाह और तलाक के आंकड़ों को जोड़ दें, जो अचल संपत्ति बाजार की स्थिति को भी प्रभावित करता है, तो यह आंकड़ा 2-2.5 गुना बढ़ सकता है।

तालिका.2 विकास और मृत्यु दर की प्राकृतिक गति

एक ही डेटा का विज़ुअल ग्राफ़:

हम इस तालिका के आधार पर क्या देखते हैं (विपरीत विश्लेषण):

1. 1986-1992 और 1996-2009 (13 वर्षों के लिए) में जन्म दर में गिरावट का कारण यह था कि अब भी श्रम बाजार में युवा विशेषज्ञों की कमी है, अर्थात। 1990 के दशक की पीढ़ी 1970-80 के दशक की पीढ़ी को प्रतिस्थापित नहीं करेगी, और देश को नए कर्मियों की कमी की गंभीर समस्या (आंशिक रूप से पहले से ही) का सामना करना पड़ेगा।
2. 2015 से, देश के विश्वविद्यालयों में स्थानों के लिए प्रतिस्पर्धा क्रमशः कम होगी, देश में अधिक विशेषज्ञ होंगे उच्च शिक्षाऔर लोगों की कमी - माध्यमिक विशेषज्ञता के साथ, जिससे कई लोगों के काम का पुनरीक्षण होगा सामाजिक संरचनाएं;
3. 2010 से 2014 तक जन्म दर में वृद्धि और इस प्रवृत्ति की निरंतरता रोजगार बाजार के लिए एक और खतरा लाती है - युवा महिलाओं के बीच उत्पादन क्षमता में कमी।

मांग की भविष्यवाणी कैसे करें

मांग की भविष्यवाणी करने के लिए, हमें चाहिए:

• जन्म दर डेटा (तालिका 1. रूस में जन्म, मृत्यु और प्राकृतिक वृद्धि के आँकड़े);
• जन्म दर पूर्वानुमान (तालिका 3. 2030 तक जनसांख्यिकीय पूर्वानुमान)।

उदाहरण के लिए, रूस के किसी भी शहर में यह दुर्लभ है कि कोई बच्चों के कैफे के लिए बाजार की संतृप्ति बता सकता है। वे हैं, लेकिन वे पर्याप्त नहीं हैं। ऐसी संस्था के मुख्य आगंतुक दो से छह वर्ष की आयु के बच्चों के माता-पिता हैं, अर्थात। 2008-2012 में पैदा हुए बच्चे। इस अवधि के दौरान, देश में 8,963,295 बच्चे दिखाई दिए - अब यह बच्चों के कैफे का दर्शक वर्ग है।

जन्म दर के आँकड़ों को ध्यान में रखते हुए (तालिका 1 देखें), साथ ही आने वाले दशकों के लिए जन्म दर का पूर्वानुमान, जिसे रोस्टैट विशेषज्ञों द्वारा संकलित किया गया है (तालिका 3 देखें), हम जल्दी से अनुमान लगा सकते हैं कि बच्चों के कैफे के दर्शक होंगे:

• 2016 में (2010 से 2014 तक जन्म) - 9,223,627 लोग;
• 2018 में (2012 से 2016 तक जन्म) - 9,327,948 लोग।

यही है, अब बच्चों के कैफे से निपटना जरूरी है, क्योंकि इस उत्पाद की बिक्री की चोटी 2015-2016 में शुरू होगी और वर्तमान की तुलना में मांग में वृद्धि औसतन 3-5% होने की उम्मीद है।

तालिका 3. 2030 तक जनसांख्यिकीय पूर्वानुमान

विभिन्न आयु वर्गों के सामानों की मांग का पूर्वानुमान लगाने के विकल्प

2013 में 2006 में पैदा हुए बच्चे स्कूल गए। संभवतः, प्रत्येक प्रथम-ग्रेडर को उसके माता-पिता द्वारा एक व्यक्तिगत कंप्यूटर प्रदान किया गया था। 15,000 रूबल के कंप्यूटर या लैपटॉप की औसत कीमत के साथ, इस सेगमेंट की क्षमता 22.1 बिलियन रूबल है। और अगर हम 2020 के लिए मांग की भविष्यवाणी करते हैं, तो मूल्य परिवर्तन को छोड़कर बाजार का आकार 28% बड़ा होगा, यह 28.3 बिलियन रूबल की राशि होगी।

2014 में जाएं KINDERGARTEN 2012 (2 वर्ष) में पैदा हुए बच्चे क्रमशः माता-पिता समूह को प्रत्येक बच्चे के लिए पेंसिल सेट और स्केचबुक प्रदान करेंगे। इस तरह के सेट की कीमत औसतन 35 रूबल है। 2014 में, मांग लगभग 66.5 मिलियन रूबल होगी, और पहले से ही 2019 में, इस उत्पाद की मांग में गिरावट 4.5% होगी और 63.8 मिलियन रूबल की राशि में धन में व्यक्त की जाएगी। नतीजतन, नर्सरी दर्शकों के लिए इस तरह के सामान की बिक्री में 2014-2015 चरम वर्ष हैं।

नवजात शिशुओं के लिए उत्पाद समूह

शिशुओं के लिए बाजार की गतिशीलता को नेत्रहीन रूप से देखने के लिए, आइए 2 वर्ष की आवृत्ति लें:

• 2011 में, 1,796,629 बच्चे पैदा हुए;
• 2013 में, 1,895,822 बच्चे पैदा हुए;
• 2015 में, 1,848,608 बच्चे पैदा होने की उम्मीद है।

जीवन के पहले वर्ष में एक बच्चे के रखरखाव का औसत बजट लगभग 125,000 रूबल है। (विषयगत साइट baby.ru द्वारा गणना) वर्ष के दौरान लागत औसतन 20% बढ़ जाती है। हम जीवन के पहले वर्ष के बच्चों के लिए बच्चों के सामान की बाजार क्षमता की गणना करते हैं:

• 2011 - 224.6 बिलियन रूबल;
• 2013 - 236.9 बिलियन रूबल;
• 2015 - 231 बिलियन रूबल;

पहले ग्रेडर के लिए माल का समूह

1 सितंबर 2014 को 2007 में पैदा हुए बच्चे देश के स्कूलों में जाएंगे, यानी देश को 1,610,122 नैकपैक, इतनी ही संख्या में नोटबुक, पेंसिल केस आदि की जरूरत होगी।

यदि हम मान लें कि माता-पिता बच्चे को संपर्क में रखने के लिए प्रत्येक छात्र के लिए एक मोबाइल फोन खरीदते हैं, तो हम गणना कर सकते हैं कि इस खंड में देर से गर्मियों और शुरुआती शरद ऋतु की अवधि में कितनी बिक्री बढ़ेगी। अगर खरीद में लगभग 4.5 हजार रूबल का खर्च आता है। (मौजूदा जूनियर स्कूली बच्चेमिड-रेंज स्मार्टफोन पहनें), फिर समग्र वृद्धिइस इलेक्ट्रॉनिक्स की बिक्री होगी:

• 2014 में, 7.24 बिलियन रूबल;
• 2015 में, 7.71 बिलियन रूबल;
• 2016 में, 7.92 बिलियन रूबल, यानी। 2-3 वर्षों के लिए गतिशीलता 8-9% होगी।

आज आप बच्चों के क्लीनिकों में बड़ी कतारें देख सकते हैं, जिनमें जगह की कमी है पूर्वस्कूली संस्थान, बच्चों का बाहरी स्थान, बच्चों के लिए मनोरंजन की सुविधा। साथ ही, जन्म दर की एक स्पष्ट तस्वीर बताती है कि माल का यह खंड अभी भी मांग में रहेगा। लंबे साल, और यदि आप जोर देने की योजना बनाते हैं खुद का व्यवसाय, उपरोक्त मांग पूर्वानुमान मॉडल के आधार पर, संतोषजनक रूप से लाभ में उल्लेखनीय वृद्धि करना संभव होगा वर्तमान मांग.

एक विशिष्ट उदाहरण का उपयोग करके मांग की भविष्यवाणी कैसे करें, इस पर विचार करें

आइए एक विशेष उद्यमी की कल्पना करें जो जन्म दर के मात्रात्मक संकेतकों पर अपने पूर्वानुमान बनाता है। आईपी ​​​​सेमेनोव 400 हजार लोगों की आबादी वाले शहर एन में बच्चों के लिए सामान बेचता है।

शहर में ऐसे 5 डिस्ट्रीब्यूटर हैं, यानी। सांख्यिकी मंत्रालय (तालिका 3) के जन्म दर पूर्वानुमान के उच्च संस्करण के अनुसार स्थिति को मॉडलिंग करते समय, 2015 में, एन-एसके में लगभग 5,120 बच्चे पैदा होंगे, लगभग 426 प्रति माह। वे। नए माता-पिता और उनके रिश्तेदार से सामान खरीदेंगे व्यक्तिगत उद्यमीसेमेनोव और उनके चार प्रतियोगी। बिक्री के समान वितरण के साथ, आईपी सेमेनोव प्रति माह 86 टुकड़ों की मात्रा में शिशुओं के लिए एक सेट बेचेगा।

2016 में - 84 टुकड़े प्रति माह, 2020 में - 79 टुकड़े प्रति माह, यानी। गिरावट है। इसलिए, व्यवसाय की लाभप्रदता बनाए रखने के लिए, आईपी सेमेनोव को बाजार की संरचना पर विचार करना चाहिए और ग्राहकों को उनकी उम्र के लिए उपयुक्त सामान प्रदान करना चाहिए:

• 2015 से - 5 साल की उम्र के बच्चों के लिए सामान (खिलौने, कपड़े, किताबें);
• 2017 से - तीन श्रेणियों में बच्चों के लिए सामान:
• में पैदा हुए बच्चे चालू वर्ष(डायपर, अंडरशर्ट, झुनझुने, दूध के फार्मूले, आदि);
• 2010-2011 में पैदा हुए बच्चे, जो इस समय तक स्कूली बच्चे (बैग, नोटबुक, स्कूल यूनिफॉर्म, और यह सबसे सरल भी हो सकते हैं) सेल फोन);
• 2012-2016 के बच्चे - किंडरगार्टन बच्चे (खिलौने, किताबें, शैक्षिक खेल और सामग्री, कपड़े)।

2017 के बाद से, आईपी सेमेनोव को ध्यान से सोचना चाहिए कि वह तीन वर्षों में क्या व्यापार करेगा, और जबकि व्यवसाय पिछली गणनाओं पर आधारित है, ऐसे विकल्पों की तलाश शुरू करें जो उनके परिपक्व दर्शकों के अनुरूप हों।

यह औसत के लिए सामान हो सकता है विद्यालय युग, क्योंकि जन्म दर का मुख्य शिखर 2011-2013 में हुआ, क्रमशः 2020 से, आईपी सेमेनोव के लिए प्रतिनिधित्व करने वाले उपभोक्ता दर्शकों के उत्पादों पर स्विच करना बेहतर है बड़ी राशिग्राहक - 7-9 वर्ष के बच्चे और उनके माता-पिता। इन सामानों की लहर पर (यह कपड़े, जूते, डिजाइनर, कंप्यूटर, स्मार्टफोन, पहले बच्चों के सौंदर्य प्रसाधन आदि हो सकते हैं), एक उद्यमी 2028-2030 तक अपनी गतिविधियों को जारी रख सकता है।

इसके अलावा, तर्क और सांख्यिकी छात्रों के दर्शकों के लिए सामान में संक्रमण का सुझाव देते हैं ( फैशन के कपड़े, क्लब और संगीत कार्यक्रम, फास्ट फूड, आदि की सेवाएं) और एक और 10 वर्षों के बाद, आईपी सेमेनोव शिशुओं और गर्भवती माताओं के लिए सामान वापस कर सकता है।

इस प्रकार, सबसे सरल उदाहरण का उपयोग करते हुए, हमने दीर्घकालीन और के बुनियादी सिद्धांतों का विश्लेषण किया है उन्नत योजनाजनसांख्यिकीय स्थिति के आधार पर मांग मॉडलिंग की पद्धति के अनुसार। सभी गणनाएँ सापेक्ष हैं और अंतिम नहीं हैं।

सभी मांग पूर्वानुमान विधियों को दो समूहों में विभाजित किया जा सकता है: गुणात्मक और मात्रात्मक।

गुणात्मक तरीके भविष्यवाणियां व्यक्तिपरक हैं, विशेषज्ञों और निर्णय निर्माताओं के निर्णय के आधार पर, या यहां तक ​​कि अंतर्ज्ञान पर भी। एक नियम के रूप में, इन विधियों का उपयोग निम्नलिखित मामलों में किया जाता है:

• लंबी और मध्यम अवधि के पूर्वानुमान के लिए, क्योंकि:

इस तरह के परिप्रेक्ष्य में, मांग में बदलाव की बहुत संभावना है, जो प्रकृति में विशुद्ध रूप से जड़त्वीय नहीं हैं, लेकिन किसी विशेष बिक्री बाजार में स्थितियों में महत्वपूर्ण बदलाव (व्यापक आर्थिक परिवर्तन, बाजार संरचना में परिवर्तन, एक महत्वपूर्ण मजबूती या महत्वपूर्ण बाजार के कमजोर होने) को प्रतिबिंबित कर सकते हैं। प्रतिभागी, आदि);

लंबी अवधि के पूर्वानुमान के लिए, विपणन अनुसंधान आयोजित करके प्राप्त व्यवहारिक डेटा पर भरोसा करना आवश्यक है;

• नए उत्पादों की मांग का पूर्वानुमान लगाने के लिए जिनका कोई एनालॉग नहीं है, जो ऐतिहासिक सादृश्यता की पद्धति के उपयोग को दुर्गम बनाता है;
• मांग और कनेक्शन प्रोफाइल अस्थिर हैं;
• व्यक्तिपरक कारणों से प्रबंधकों या विशेषज्ञों की राय पर भरोसा करने की आवश्यकता है;
• जब अल्पकालिक पूर्वानुमान के लिए भी मात्रात्मक तरीकों को लागू करना संभव न हो (उदाहरण के लिए, जब कोई आवश्यक न हो मात्रात्मक विधियांइनपुट डेटा की मात्रा या जब पूर्वानुमान बहुत जल्दी प्राप्त किया जाना चाहिए और आवश्यक मात्रात्मक विश्लेषण करने का समय नहीं है)।

गुणात्मक विधियों के कुछ नुकसान हैं जिन्हें उन्हें लागू करते समय पहचाना जाना चाहिए:

• पूर्वानुमान की व्यक्तिपरकता के कारण, पूर्वानुमान पूर्वाग्रह की एक उच्च संभावना है, अर्थात, एक दिशा या किसी अन्य तथ्य से इसका व्यवस्थित विचलन;
• एक नियम के रूप में, प्रलेखन की अपूर्णता - शायद ही कभी, जब इस तरह से पूर्वानुमान प्राप्त करना विशेषज्ञों के विस्तृत स्पष्टीकरण के साथ होता है कि उन्होंने इस विशेष पूर्वानुमान को क्यों चुना और दूसरा नहीं।
• वे व्यावहारिक नहीं हैं जब उत्पादों के सैकड़ों या हजारों नामकरण वस्तुओं के लिए मांग पूर्वानुमान तैयार करना आवश्यक है - एक व्यक्ति इतनी मात्रा में जानकारी के साथ काम करने में सक्षम नहीं है;
• विशेषज्ञ मतों को समेकित करते समय (उदाहरण के लिए, सर्वसम्मति पैनल पद्धति को लागू करते समय), दूसरों पर एक दृष्टिकोण के हावी होने का खतरा होता है (उदाहरण के लिए, एक नेता या एक प्रमुख मान्यता प्राप्त विशेषज्ञ का दृष्टिकोण), और यह नहीं है निश्चित है कि यह प्रबल दृष्टिकोण सत्य के अधिक निकट होगा।

मात्रात्मक विधियां दो उपसमूहों में विभाजित किया जा सकता है: एक्सट्रपलेशन और रिग्रेशन।

एक्सट्रपलेशन के तरीके (भविष्य में देखी गई प्रवृत्ति की निरंतरता के आधार पर) कई महत्वपूर्ण मान्यताओं पर आधारित हैं:

• भविष्य अतीत के समान होगा, बाजार में शक्ति संतुलन में कोई महत्वपूर्ण परिवर्तन नहीं होगा;
• पर्याप्त लंबाई के प्रारंभिक डेटा की गुणात्मक श्रृंखला होती है;
• भविष्य में मांग का प्रोफाइल अतीत की तरह ही रहेगा।

एक्सट्रपलेशन के कई अलग-अलग तरीके हैं: मूविंग एवरेज मेथड, एक्सपोनेंशियल स्मूथिंग मेथड, ट्रेंड एक्सट्रपलेशन मेथड, न्यूरल नेटवर्क मॉडल आदि।

निम्नलिखित मुख्य प्रोफाइल (घटक) को डायनामिक्स श्रृंखला में प्रतिष्ठित किया जा सकता है:

• गतिशीलता की एक श्रृंखला के आंदोलन की मुख्य दिशा दिखाने वाला रुझान;
• मौसमी उतार-चढ़ाव दिखाने वाला मौसमी घटक (गर्मी, सर्दी; हाल के सप्ताहमहीना, पिछले दिनोंसप्ताह, आदि);
• यादृच्छिक घटक - कुछ ऐसा जिसे सिद्धांत रूप में भविष्यवाणी नहीं की जा सकती;
• चक्रीय घटक को बहुत लंबी समय श्रृंखला के लिए आवंटित किया जाता है और उद्यमों में शायद ही कभी इसका उपयोग किया जाता है, क्योंकि इसके लिए कई वर्षों के आंकड़ों और अपेक्षाकृत अपरिवर्तित स्थितियों के संचय की आवश्यकता होती है।

एक्सट्रपलेशन विधियों में से किसी का तात्पर्य है कि मांग की भविष्यवाणी करने के लिए, पिछली योजना अवधि में मांग डेटा पर भरोसा करना पर्याप्त है। यह डेटा आमतौर पर एंटरप्राइज़ डेटाबेस (या तो ईआरपी या एसकेएल सिस्टम) में संग्रहीत होता है, इसलिए एक्सट्रपलेशन के तरीके उपयोग करने के लिए अपेक्षाकृत सस्ते होते हैं।

प्रतिगमन के तरीके मांग के परिमाण और इसे प्रभावित करने वाले कारकों के बीच कारण और प्रभाव संबंधों के निर्माण पर आधारित हैं। कारक प्रकृति में जनसांख्यिकीय और आर्थिक दोनों हो सकते हैं। प्रतिगमन विधियों के लिए पर्याप्त लंबाई की डेटा श्रृंखला की आवश्यकता होती है, मांग पर डेटा और मांग को प्रभावित करने वाले कारकों पर डेटा दोनों। मांग के पूर्वानुमान मूल्यों की गणना करने के लिए, एक प्रतिगमन मॉडल बनाया गया है जो कारकों और परिणामी विशेषता को जोड़ता है। हम कह सकते हैं कि ये विधियाँ सबसे जटिल और महंगी हैं, क्योंकि उन्हें नियमित रूप से न केवल आंतरिक, बल्कि उद्यम के लिए बाहरी जानकारी के संग्रह और प्रसंस्करण की आवश्यकता होती है। एक प्रतिगमन मॉडल का निर्माण (एक-कारक या, अधिक में कठिन मामला, बहुघटकीय) के लिए कई चरणों की आवश्यकता होती है:

• कारकों की संरचना का चयन (आमतौर पर यह कदम विशेषज्ञों द्वारा किया जाता है);
• प्रभावी सुविधा पर उनके प्रभाव के माप के लिए कारकों का सत्यापन;
• एक ही दिशा में कार्य करने वाले अनावश्यक कारकों को खत्म करने के लिए उनके आपसी सहसंबंध (कनेक्शन) के लिए कारकों की जाँच करना;
• प्रतिगमन निर्भरता का निर्माण;
• भविष्य की योजना अवधि (भविष्य की योजना अवधि) के लिए प्रतिगमन मॉडल के प्रत्येक कारक के मूल्यों की भविष्यवाणी करना;
• एक प्रतिगमन मॉडल के आवेदन के आधार पर एक प्रभावी संकेत (यानी मांग) के पूर्वानुमान का गठन।

उपरोक्त सूची से, यह स्पष्ट है कि प्रतिगमन विधियों के लिए बड़ी मात्रा में प्रारंभिक जानकारी और इसके सांख्यिकीय प्रसंस्करण में काफी कौशल की आवश्यकता होती है। इसलिए, इन विधियों का उपयोग व्यवसाय में किया जाता है, एक नियम के रूप में, जब सरल और सस्ते तरीकों से प्राप्त पूर्वानुमान उद्यम को सूट करने वाली गुणवत्ता नहीं देता है।

नियोजन निर्णय पदानुक्रम में किसी भी स्तर पर मांग की भविष्यवाणी करते समय विचार करने के लिए मूलभूत सिद्धांत हैं। इन सिद्धांतों का पालन करने में विफलता इस तथ्य की ओर ले जाती है कि मांग का पूर्वानुमान या तो गुणवत्ता में कम हो जाता है या उद्यम द्वारा किए गए निर्णयों के दृष्टिकोण से अप्रासंगिक हो जाता है।

मांग पूर्वानुमान क्षितिज। उस क्षण के बीच का समय अंतर जब मांग का पूर्वानुमान लगाया जाता है और नियोजन अवधि जिसके लिए मांग का पूर्वानुमान लगाया जाता है, समय अंतराल कहलाता है। आवश्यक समय अंतराल का चुनाव इस बात पर निर्भर करता है कि उद्यम को कितना समय विकसित करने और सभी को स्वीकार करने की आवश्यकता है आवश्यक उपायमांग पूर्वानुमान जानकारी का जवाब देने के लिए। यदि मांग में भविष्य की वृद्धि के पूर्वानुमान के अनुसार उत्पादन क्षमता बढ़ाने में एक वर्ष लगता है, तो एक वर्ष से कम के क्षितिज के साथ मांग का पूर्वानुमान पर्याप्त नहीं है, यह उत्पादन क्षमता के प्रबंधन के आवश्यक कार्य को हल नहीं करेगा। या, उदाहरण के लिए, यदि "ऑर्डर करने के लिए निर्माण" के लिए उत्पादन चक्र की अवधि एक महीने है, तो यह एक छोटा पूर्वानुमान क्षितिज रखने के लिए अतार्किक है, क्योंकि उद्यम समय पर इस तरह के पूर्वानुमान का जवाब देने में सक्षम नहीं होगा। कच्चे माल और सामग्री के आवश्यक भंडार।

मांग पूर्वानुमान क्षितिज का चयन करते समय, यह ध्यान में रखा जाना चाहिए कि अधिक दूर की योजना अवधि के लिए पूर्वानुमान करीब वालों की तुलना में कम सटीक होगा। तदनुसार, मांग पूर्वानुमान क्षितिज की पसंद को उत्पन्न पूर्वानुमान के आधार पर किए गए निर्णयों द्वारा उचित ठहराया जाना चाहिए - बहुत कम पूर्वानुमान क्षितिज कार्य को पर्याप्त रूप से हल करने की अनुमति नहीं देता है, और लंबे समय तक गुणवत्ता के साथ समस्याएं पैदा करता है पूर्वानुमान।

मांग पूर्वानुमान वस्तु चयन . पूर्वानुमान जितना विस्तृत होगा, उतना ही कम सटीक होगा। तदनुसार, योजनाओं के पदानुक्रम के प्रत्येक स्तर के लिए, पूर्वानुमान वस्तु के विस्तार के स्तर को चुनना आवश्यक है जो कार्य को हल करने की अनुमति देगा, लेकिन अनावश्यक विस्तार की ओर नहीं ले जाता है। डिटेलिंग को अनावश्यक माना जाता है, जो मांग के पूर्वानुमान की जटिलता और लागत को बढ़ाते हुए, निर्णय लेने के मामले में पूर्वानुमान के लिए मूल्य नहीं जोड़ता है।

सामान्य तौर पर, यह कहा जा सकता है कि पूर्वानुमान का उपयोग करने के उद्देश्य से मांग पूर्वानुमान के पैरामीटर निर्धारित किए जाते हैं। निर्णय लेने का स्तर जितना ऊँचा होता है और किए गए निर्णयों का पैमाना जितना बड़ा होता है, मांग का पूर्वानुमान उतना ही बड़ा और अधिक दूर होता है।

मांग पूर्वानुमान की गुणवत्ता। प्रत्येक पूर्वानुमान में त्रुटि का जोखिम होता है। ऐसे पूर्वानुमान की कल्पना करना कठिन है जिसमें कोई त्रुटि न हो। मांग पूर्वानुमान त्रुटि दो प्रकार की होती है: मांग मात्रा अनुमान त्रुटि और मांग संरचना अनुमान त्रुटि। उद्यम में निर्णय लेने के स्तर के आधार पर इस प्रकार की त्रुटियों पर विचार करने की आवश्यकता है।

मांग की मात्रा का अनुमान लगाने में त्रुटि का जोखिम जब पूर्वानुमान मांग नियोजन के किसी भी स्तर पर हो सकती है। मांग के दीर्घकालिक पूर्वानुमान में, जोखिम उत्पाद श्रेणियों और उत्पाद समूहों के स्तर पर प्रकट होता है। जोखिम महत्वपूर्ण संसाधनों की आवश्यक मात्रा की उपलब्धता और कंपनी की वित्तीय योजनाओं के निष्पादन को प्रभावित करता है। मांग के परिचालन पूर्वानुमान के साथ, जोखिम उत्पादों के नामकरण मदों के स्तर पर प्रकट होता है, और ग्राहक सेवा के वास्तविक स्तर को प्रभावित करता है।

मांग की संरचना का आकलन करने में त्रुटि का जोखिम मांग की भविष्यवाणी करते समय, यह केवल उत्पाद श्रेणियों और उत्पाद समूहों के स्तर पर मांग के दीर्घकालिक पूर्वानुमान में प्रकट होता है। नामकरण पदों के लिए उत्पाद समूह के भीतर मांग की एक संरचना मान ली जाती है, लेकिन वास्तव में संरचना अलग हो जाती है।

इन जोखिमों को दो तरह से ध्यान में रखा जा सकता है: पूर्वानुमानों की गुणवत्ता में सुधार करके और/या इन जोखिमों को कवर करने के लिए विशेष रूप से डिज़ाइन किए गए संसाधनों को आरक्षित करके। व्यवहार में, एक नियम के रूप में, दोनों तरीकों का एक साथ उपयोग किया जाता है - वे मांग के पूर्वानुमान की गुणवत्ता में सुधार करने के लिए काम करते हैं, और (चूंकि 100% पूर्वानुमान गुणवत्ता व्यवहार में अप्राप्य है) संसाधनों के आरक्षित मूल्य (आरक्षित सूची, आरक्षित समय, आरक्षित) बनाते हैं उत्पादन क्षमता)।

पूर्वानुमान की गुणवत्ता का आकलन करने के लिए, दो मुख्य मापी गई विशेषताओं को प्रतिष्ठित किया जाता है: पूर्वानुमान त्रुटि और पूर्वानुमान सटीकता।

पूर्वानुमान त्रुटि- मांग के वास्तविक मूल्य और उसके पूर्वानुमान मूल्य के बीच का अंतर। इसे निरपेक्ष रूप से और सापेक्ष रूप में - मांग के वास्तविक मूल्य के प्रतिशत के रूप में व्यक्त किया जा सकता है।

पूर्वानुमान सटीकताप्रतिशत मान 100% के अंतर और मांग पूर्वानुमान में प्रतिशत त्रुटि के बराबर है।

मांग पूर्वानुमान की सटीकता और गुणवत्ता का आकलन करने के लिए मुख्य बात मापी गई त्रुटि और प्रत्येक व्यक्तिगत योजना अवधि के लिए पूर्वानुमान की सटीकता है।

हालाँकि, अधिक बार यह एक योजना अवधि नहीं होती है जो कि रुचि की होती है, लेकिन जिस हद तक पूर्वानुमान की मांग का यह या वह तरीका अच्छा होता है। ऐसा करने के लिए, मांग पूर्वानुमान सटीकता की सारांश विशेषताओं की गणना करना प्रथागत है। मांग पूर्वानुमान पद्धति की सटीकता का आकलन करने के दो मुख्य तरीके मीन निरपेक्ष प्रतिशत त्रुटि (एमएपीई) और मीन प्रतिशत त्रुटि (एमपीई) हैं।

मांग पूर्वानुमान त्रुटियों को दो श्रेणियों में वर्गीकृत किया जा सकता है: यादृच्छिक विचलन और पूर्वाग्रह।

यादृच्छिक विचलन का मतलब है कि कुल पूर्वानुमान त्रुटियां शून्य हो जाती हैं, और योजना अवधि जिसके लिए मांग को कम करके आंका गया था, जिसके लिए मांग को कम करके आंका गया था, यानी मांग पूर्वानुमान त्रुटि, नकारात्मक और सकारात्मक मूल्यों में कोई पूर्वाग्रह नहीं है पूर्वानुमान त्रुटियों की मांग एक दूसरे को रद्द कर देती है।

पूर्वाग्रह का मतलब है कि एक गंभीर समस्या है - यादृच्छिक त्रुटियों की तुलना में बहुत अधिक गंभीर - व्यवस्थित अतिरेक या मांग का कम आंकलन। पूर्वानुमान पूर्वाग्रह को उद्देश्य और व्यक्तिपरक दोनों परिस्थितियों से समझाया जा सकता है। एक मांग पूर्वानुमान मॉडल का चुनाव, जो काफी प्रासंगिक नहीं हो सकता है, उदाहरण के लिए, मांग को प्रभावित करने वाले महत्वपूर्ण कारकों को ध्यान में नहीं रखता है, इसे उद्देश्य वाले लोगों के लिए जिम्मेदार ठहराया जा सकता है। पूर्वानुमान मॉडल में सुधार, मांग पूर्वानुमान के लिए डेटा एकत्र करना और तैयार करना और पूर्वानुमान में कर्मचारियों को प्रशिक्षण देकर वस्तुनिष्ठ परिस्थितियों का आकलन और सुधार किया जा सकता है।

व्यक्तिपरक परिस्थितियाँ पूर्वानुमान के मूल्य के जानबूझकर कम आंकने या अधिक अनुमान लगाने से जुड़ी हैं। इसका मतलब यह है कि फोरकास्टर रुचि रखता है, एक कारण या किसी अन्य के लिए, पूर्वानुमान को बायस करने में, क्योंकि वह पूर्वानुमान को बायस करने से कुछ लाभ प्राप्त करता है। उदाहरण के लिए, यदि किसी उद्यम के बिक्री विभाग द्वारा मांग का पूर्वानुमान बनाया जाता है, और उसी समय उसे बिक्री योजना को पूरा करने के लिए बोनस मिलता है, तो उससे आशावादी मांग पूर्वानुमान की उम्मीद करना मुश्किल है। इसके विपरीत, यदि विपणन विभाग एक मांग पूर्वानुमान उत्पन्न करता है, और विपणन बजट की गणना नियोजित राजस्व के प्रतिशत के रूप में की जाती है, तो आपको निराशावादी मांग पूर्वानुमान की अपेक्षा नहीं करनी चाहिए। व्यक्तिपरक कारकों के प्रभाव का तटस्थकरण कुछ हद तक हासिल किया जाता है उचित संगठनमांग पूर्वानुमान प्रक्रिया।

निष्कर्ष में, यह कहा जाना चाहिए कि, "की अवधारणा के अलावा" पूर्वानुमान सटीकता ”, हम "पूर्वानुमान गुणवत्ता" की अवधारणा को एकल कर सकते हैं। पूर्वानुमान गुणवत्ता को ऐसे पूर्वानुमानों को उत्पन्न करने के लिए मांग पूर्वानुमान प्रक्रिया की क्षमता के रूप में समझा जाता है जो वास्तविक मांग मूल्यों से किसी दिए गए त्रुटि मान से अधिक नहीं होगा। अर्थात्, पूर्वानुमान की गुणवत्ता का अर्थ है पूर्वानुमान त्रुटि को निर्दिष्ट सीमा के भीतर रखने की क्षमता। प्रबंधन के दृष्टिकोण से यह बहुत महत्वपूर्ण है, क्योंकि उद्यम पूर्वानुमान त्रुटि की दी गई सीमा के लिए पहले से तैयारी कर सकता है, और त्रुटि का ऐसा पैमाना ग्राहक सेवा के स्तर को खतरे में नहीं डालता है।

यह ध्यान दिया जाता है कि मांग पूर्वानुमान की गुणवत्ता व्यक्तिगत, मनमाने ढंग से जटिल गणितीय मॉडल की तुलना में मांग पूर्वानुमान प्रक्रिया के अच्छे संगठन द्वारा काफी हद तक निर्धारित की जाती है। फिर भी, हम आगे इस बात पर विचार करेंगे कि किस प्रकार की माँग पूर्वानुमान विधियाँ मौजूद हैं, और किन परिस्थितियों में उनका उपयोग करना उचित है।

पहली नज़र में, सवाल बेतुका लगता है, लेकिन अगर आप करीब से देखें, तो आप निम्नलिखित प्रकट कर सकते हैं: "यदि किसी उत्पाद में शून्य बिक्री के तथ्यों की महत्वपूर्ण संख्या है (उत्पाद की मांग दुर्लभ है), तो सभी बिंदु पूर्वानुमान के तरीके (जटिल सहित) खराब परिणाम देगा"

स्थिति से बाहर का रास्ता गणितीय मॉडलिंग के विशेष तरीकों का उपयोग हो सकता है, जिससे मांग की संचयी संभावना की गणना करने की अनुमति मिलती है। यही है, बेचे गए सामानों की संख्या का अनुमान लगाने की कोशिश नहीं करने का मूल्यांकन करने के लिए, लेकिन यह देखने के लिए कि इस या उस मात्रा के सामान को किस संभावना के साथ बेचा जा सकता है। इससे हमें यह समझने में मदद मिलेगी कि एक विशेष स्तर की सेवा प्रदान करने के लिए कितने उत्पाद को संग्रहित करने की आवश्यकता है।

तंत्र को सरल करते समय इस अनुसार. विशेष सॉफ़्टवेयरवितरण अवधि (पश्चिमी अभ्यास में - लीड टाइम एलटी) के लिए माल की संभावित मांग पर प्रयोगों की एक श्रृंखला (100,000 बार) आयोजित करता है। इसका विश्लेषण किया जाता है कि अलग-अलग वॉल्यूम की डिमांड कितनी बार हुई। उसके बाद, मांग वितरण की संचयी संभावना निर्मित होती है (विभिन्न संभावनाओं के साथ माल की मात्रा कितनी मात्रा में बेची जाएगी)

उसके बाद, सेवा के स्तर को ध्यान में रखा जाता है और इष्टतम इन्वेंट्री की गणना सेवा के स्तर के बराबर संचयी संभाव्यता के अनुरूप मांग के मूल्य के रूप में की जाती है।

इसे निम्नलिखित ग्राफ या तालिका में अधिक स्पष्ट रूप से देखा जा सकता है: (अभी पूर्वानुमान! कार्यक्रम से):

चावल। 1 सेवा का स्तर और अभी पूर्वानुमान के उदाहरण पर इष्टतम स्टॉक!

संभावना राशि,%	वॉल्यूम, इकाइयां

चित्र में संचयी प्रायिकता को हल्के नीले रंग में दर्शाया गया है। इष्टतम स्टॉक निर्धारित सेवा स्तर और संचयी संभाव्यता के चौराहे पर है।

इस प्रकार, इस तरह के तरीकों का उपयोग दुर्लभ मांग वाले सामानों के लिए इष्टतम इन्वेंट्री की तुरंत गणना करने में मदद करेगा।

वस्तुओं को दुर्लभ मांग के रूप में वर्गीकृत करने के लिए एक महत्वपूर्ण मुद्दा मानदंड बना हुआ है:

इसके लिए, आसन्न बिक्री तथ्यों के बीच दिनों में औसत दूरी पर विचार किया जाता है। यदि यह संख्या 1.25 दिनों से अधिक है, तो हमारे पास एक दुर्लभ मांग है, यदि कम - चिकनी।

उत्पाद की बिक्री का इतिहास:

आसन्न बिक्री तथ्यों के बीच औसत दूरी = ((3-1)+(4-3)+(7-4)+(8-7))/4 = 1.75 >1.25 -> मांग दुर्लभ है

लेकिन सुचारू मांग के सामान के लिए मांग का पूर्वानुमान अपरिहार्य है:

मांग का पूर्वानुमान क्यों?

किसी का काम वाणिज्यिक उद्यमकमोडिटी स्टॉक के अनुकूलन की समस्या से अनिवार्य रूप से जुड़ा हुआ है। माल की अधिकता से अतिरिक्त वित्तीय लागत आती है, और माल की कमी से नियमित ग्राहकों का नुकसान होता है और बिक्री में कमी आती है। दोनों ही मामलों में संभावित लाभ में कमी है, जो तीव्र प्रतिस्पर्धा की स्थिति में उद्यम को दिवालिया होने का कारण बन सकता है।

माल की इष्टतम श्रेणी को बनाए रखने के सबसे महत्वपूर्ण घटकों में से एक मांग का शीघ्र और दीर्घकालिक पूर्वानुमान है। बेशक, खरीदारी की योजना बनाते समय, आप प्रारंभिक जानकारी के स्रोत के रूप में मांग के स्थापित या उभरते स्तर का उपयोग करके कुछ भी भविष्यवाणी नहीं कर सकते। हालांकि, गतिशील रूप से बदलते बाजार में इस तरह के पुराने दृष्टिकोण और "खराब" खरीदार को शायद ही प्रभावी कहा जा सकता है (छोटी बस्तियों के अपवाद के साथ जहां केवल एक दुकान है)।

मांग पूर्वानुमान न केवल इष्टतम खरीद योजना विकसित करने की अनुमति देता है, बल्कि उद्यम संसाधनों को प्रभावी ढंग से प्रबंधित करने की भी अनुमति देता है। उदाहरण के लिए, यह जानते हुए कि अगले महीने गैर-आइसक्रीम की मांग में वृद्धि होगी, विक्रेताओं को पूर्व-नियोजित करना, प्रशीतन उपकरण खरीदना और अतिरिक्त धन उपलब्ध कराना संभव होगा। यदि इस तरह के सभी आयोजन मौसम के चरम पर होने लगते हैं, तो सभी प्रयास व्यर्थ और लाभहीन भी हो सकते हैं।

मांग की भविष्यवाणी कैसे करें

मांग की भविष्यवाणी करने के लिए बड़ी संख्या में सिद्धांत और विशेष उपकरण विकसित किए गए हैं।

विशेष सॉफ्टवेयर

इसलिए, उदाहरण के लिए, सुपरमार्केट के लिए खरीदारी की योजना बनाते समय, आप विशेष सॉफ़्टवेयर के बिना नहीं कर सकते। यहां मुख्य समस्या सामानों की विशाल रेंज है, जिसे "ध्यान में रखना" केवल शारीरिक रूप से असंभव है। इसके अलावा, विशेष सॉफ़्टवेयर आपको एप्लिकेशन तैयार करने की प्रक्रिया को स्वचालित करने की अनुमति देता है, जो बड़ी मात्रा में खरीदारी के साथ बहुत समय बचाना संभव बनाता है।

Microsoft Excel

उत्पादों की एक छोटी श्रृंखला के साथ, एक मानक अनुप्रयोग का उपयोग करके मांग पूर्वानुमान में उत्कृष्ट परिणाम प्राप्त किए जा सकते हैं। Microsoft Excel. विशेष सांख्यिकीय कार्य, जैसे, उदाहरण के लिए, TREND और GROWTH, आपको जटिल सूत्रों में प्रवेश किए बिना बड़ी मात्रा में सूचनाओं को तुरंत संसाधित करने की अनुमति देते हैं। Microsoft Excel की समृद्ध डिज़ाइन क्षमताएँ प्राप्त डेटा को न केवल सारणीबद्ध रूप में, बल्कि अधिक दृश्य तरीके से - ग्राफ़ और आरेख के रूप में प्रस्तुत करने में मदद करेंगी।

मैन्युअल

आप मैन्युअल रूप से सामान के अलग-अलग आइटम के लिए मांग का पूर्वानुमान भी बना सकते हैं। इसलिए, उदाहरण के लिए, यदि कोई उत्पाद एक नवीनता है, तो यहां तक ​​कि सबसे परिष्कृत सांख्यिकीय सूत्र और पहले से संचित जानकारी भी इसकी लोकप्रियता का अनुमान लगाने में मदद नहीं करेगी। ऐसे मामलों में, किसी को गणनाओं पर नहीं, बल्कि अंतर्ज्ञान और अतिरिक्त कारकों (ग्राहकों की राय, विज्ञापन समर्थन, आदि) पर निर्भर रहना पड़ता है।

मांग की भविष्यवाणी के लिए सूत्र और तरीके

पूर्वानुमान मांग में उपयोग की जाने वाली विधियाँ बहुत विविध हैं - भोले से (यह माना जाता है कि अगले महीने की माँग अतीत की तरह ही होगी) जटिल आर्थिक और गणितीय सिद्धांतऔर उनके सॉफ्टवेयर कार्यान्वयन (तंत्रिका नेटवर्क)।

सरल औसत विधि

इन विधियों में सबसे सरल "सरल औसत" गणनाओं का उपयोग है। इस पद्धति के साथ अगली अवधि के लिए मांग पूर्वानुमान की गणना पिछली सभी अवधियों के मांग संकेतकों के अंकगणितीय औसत के रूप में की जाती है। इस पद्धति का नुकसान इसकी उच्च "रूढ़िवाद" है - पिछली बिक्री के बारे में पुरानी जानकारी नवीनतम मांग के रुझान को प्रकट होने से रोकेगी।

चलती औसत विधि

"मूविंग एवरेज" विधि मांग में बदलाव के लिए अधिक तेज़ी से प्रतिक्रिया करती है। इस मामले में, गणना अवलोकन की पूरी अवधि के लिए नहीं, बल्कि पिछले कुछ समय के आंकड़ों के आधार पर की जाती है।

मुख्य मुद्दा "स्लाइडिंग विंडो" की परिभाषा है - औसत के लिए कितनी हाल की अवधि के लिए आवश्यक है। यह अवधि जितनी लंबी होगी, मूविंग एवरेज पूर्वानुमान उतना ही सरल औसत के साथ मेल खाता है।

आप पूर्वानुमान त्रुटि (RMSE) के आधार पर आनुभविक रूप से अवधि निर्धारित कर सकते हैं - विभिन्न अवधियों के लिए इस त्रुटि की गणना करें और इष्टतम चुनें।

जाहिर है, 4 दिनों की अवधि इष्टतम है।

विधि का एक दिलचस्प बदलाव चलती औसत की गणना है निश्चित दिन(अर्थात, सभी सोमवारों के लिए, पिछले n सोमवारों आदि के लिए मूविंग एवरेज) पर विचार किया जाता है। यह विधि स्पष्ट अंतर-सप्ताह मौसमी (उदाहरण के लिए, ब्रेड) वाले सामानों के लिए उपयुक्त हो सकती है।

भारित औसत विधि

उपरोक्त विधियों का एक संयोजन "भारित चलती औसत विधि" है। यह मॉडल कई अवधियों में भारित औसत की गणना करता है, लेकिन लंबी अवधि के लिए कम वजन देता है। इस प्रकार, गणनाओं के लिए लंबे समय तक अवलोकन किया जा सकता है, लेकिन गणनाओं पर अप्रासंगिक डेटा का प्रभाव सीमित हो सकता है।

घातीय चौरसाई विधि

दुर्भाग्य से, गणना के उपरोक्त तरीके "औसत के अनुसार" हमें केवल बहुत ही अनुमानित परिणाम प्राप्त करने की अनुमति देते हैं। "घातीय चौरसाई" और "प्रवृत्ति के साथ घातीय चौरसाई" मॉडल का उपयोग करके अधिक सटीक पूर्वानुमान प्राप्त किया जा सकता है। पहली विधि में नवीनतम पूर्वानुमानबिक्री की मात्रा में किए गए पूर्वानुमान त्रुटि के आधार पर सही किया गया है पिछली अवधि. दूसरी गणना विधि (जिसे "डबल एक्सपोनेंशियल स्मूथिंग" विधि भी कहा जाता है) रुझानों के साथ डेटा को ध्यान में रखती है - इसके कारण यह विधिमध्यम अवधि के पूर्वानुमान के लिए भी इस्तेमाल किया जा सकता है।

होल्ट-विंटर्स विधि

होल्ट-विंटर्स मॉडल (तीन-पैरामीटर एक्सपोनेंशियल स्मूथिंग) का उपयोग मौसमी और समग्र मांग प्रवृत्ति के लिए किया जाता है। इस पद्धति में मांग का पूर्वानुमान प्राप्त करने के लिए, आपको सही तीन मापदंडों को चुनने की जरूरत है। ऐसा करने के लिए, आप दोनों विशेष एल्गोरिदम का उपयोग कर सकते हैं, और अपने आप को सरल गणना तक सीमित कर सकते हैं।

ऑटोरेग्रेसिव विधि

यदि आप और भी बेहतर पूर्वानुमान प्राप्त करना चाहते हैं, तो आप "ऑटोरेग्रेसिव" मॉडल का उपयोग कर सकते हैं। यह तकनीक बहुत की अनुमति देती है विस्तृत विश्लेषणउपलब्ध डेटा, किसी भी रुझान की पहचान करें और बाहर निकालें यादृच्छिक प्रभाव. हालांकि, पिछले तरीकों के विपरीत, कई मापदंडों के चयन के लिए उपयोगकर्ता से बहुत अधिक प्रयास और समय की आवश्यकता होगी।

तंत्रिका नेटवर्क, आनुवंशिक एल्गोरिदम

यह ध्यान दिया जाना चाहिए कि अधिक जटिल तरीकेभविष्यवाणियों का उपयोग किया जाता है, वे जितने कठिन होते हैं प्रायोगिक उपयोगऔर त्रुटियों की संभावना अधिक होती है। भारी मात्रा में जानकारी का विश्लेषण, चयन इष्टतम पैरामीटर, बाजार में उतार-चढ़ाव का परिचालन लेखा - यह सब कभी-कभी मानवीय क्षमताओं की सीमा पर होता है। इस समस्या का सबसे आशाजनक समाधान "तंत्रिका नेटवर्क" एल्गोरिदम का उपयोग है। इस तकनीक में, एक विशेष कार्यक्रम, प्रारंभिक प्रशिक्षण के बाद, स्वतंत्र रूप से खोजने में सक्षम होता है उत्तम निर्णय- जबकि उपयोगकर्ता को उपयोग किए गए सिद्धांतों के सभी ज्ञान में तल्लीन करने की आवश्यकता नहीं है। इसके अलावा, "तंत्रिका नेटवर्क" छिपे हुए रुझानों को ध्यान में रखने में सक्षम हैं और ऐसी अस्थिर स्थिति में एक विश्वसनीय पूर्वानुमान बनाते हैं, जहां पूर्वानुमान को पहले असंभव माना जाता था।

फोरकास्ट नाउ परियोजना विशेषज्ञों द्वारा किए गए शोध के अनुसार, तंत्रिका नेटवर्क द्वारा पूर्वानुमान उपरोक्त सभी तरीकों से बेहतर परिणाम देता है:

एक्स-अक्ष विश्लेषण में उत्पादों की संख्या दिखाता है, वाई- और कितने प्रतिशत तंत्रिका नेटवर्क सापेक्ष शर्तों में किसी अन्य एल्गोरिदम से बेहतर हैं।

चावल। 2 तंत्रिका नेटवर्क + जेनेटिक एल्गोरिदम (जीए) और घातीय चौरसाई

चावल। 3 तंत्रिका नेटवर्क + जेनेटिक एल्गोरिदम (जीए) और ऑटोरिग्रेशन

चावल। 4 तंत्रिका नेटवर्क + जेनेटिक एल्गोरिदम (जीए) और होल्ट विंटर्स विधि

यह आंकड़ों से देखा जा सकता है कि तंत्रिका नेटवर्क द्वारा पूर्वानुमान बहुत बेहतर परिणाम देता है।

निष्कर्ष

मांग की भविष्यवाणी करने के लिए, आपको चाहिए:

1. उत्पाद की मांग की प्रकृति निर्धारित करें (यदि चिकनी - पूर्वानुमान की आवश्यकता है, यदि दुर्लभ - पूर्वानुमान की आवश्यकता नहीं है, तो आप गणितीय मॉडलिंग विधियों का उपयोग करके इष्टतम स्टॉक की गणना कर सकते हैं)
2. पूर्वानुमान की मांग के तरीके निर्धारित करें (यदि उत्पाद रेंज छोटी है, तो आप मैन्युअल रूप से या साथ कर सकते हैं एक्सेल मददयदि बड़ा - विशेष सॉफ़्टवेयर का उपयोग करना बेहतर है
3. मांग पूर्वानुमान विधियों का निर्धारण करें (मानक विधियां कुछ उत्पादों के लिए अच्छी तरह से काम करती हैं (चलती औसत देखें), सामान्य तौर पर, तंत्रिका नेटवर्क द्वारा सर्वोत्तम परिणाम प्राप्त किए जाते हैं
4. यह याद रखना महत्वपूर्ण है कि मांग का पूर्वानुमान आपूर्ति श्रृंखला में केवल पहली कड़ी है, और यहां तक ​​कि सबसे अधिक भी सटीक पूर्वानुमानमांग, अगर सूची और पुनःपूर्ति को ठीक से प्रबंधित नहीं किया जाता है, तो पूरी आपूर्ति श्रृंखला की दक्षता सुनिश्चित करने में सक्षम नहीं होगी।