Количественные методы прогнозирования

Количественные методы прогнозирования основаны на анализе временных рядов и на оценке причинно-следственных связей спроса и внешних факторов, влияющих на него.

Под временным рядом (или динамическим рядом) понимается ряд значений некоторого показателя, взятых по состоянию на определенные моменты или периоды времени. Модели временных рядов прогнозируют будущее, исходя из прошлых данных. Основными методами прогнозирования спроса на базе анализа временных рядов являются: простое скользящее среднее, взвешенное скользящее среднее, экспоненциальное сглаживание, экспоненциальное сглаживание с трендовым регулированием, трендовое проектирование.

Причинное прогнозирование предполагает, что спрос связан с некоторыми основополагающими факторами внешней среды. Такими факторами, влияющими на спрос, могут быть цена, процентная ставка, доходы населения и др. К основным методам каузального прогнозирования относятся: линейная регрессия и множественная регрессия.

Характеристики методов прогнозирования, основанных на анализе временных рядов представлены в табл. 3.1.

Таблица 3.1

Характеристики методов прогнозирования

Метод прогнозирования

Количество статистических данных

Модель данных

Горизонт прогнозирования

Время, затрачиваемое на подготовку прогноза

Подготовка персонала

Простое скользящее среднее

От 3 до 5 наблюдений

Данные должны быть стационарными

Краткосрочный

Малое

Особой подготовки не требуется

Взвешенное скользящее среднее

От 3 до 5 наблюдений

Данные должны быть стационарными

Краткосрочный

Малое

Особой подготовки не требуется

Экспоненциальное сглаживание

От 5 до 10 наблюдений для установления весовых коэффициентов

Данные должны быть стационарными

Краткосрочный

Малое

Достаточно общей подготовки

Экспоненциальное сглаживание с трендовым регулированием

От 10 до 15 наблюдений для установления весовых коэффициентов

Тренд без сезонных колебаний

От краткосрочного до среднесрочного

Малое

Достаточно общей подготовки

Трендовое проектирование

От 10 до 20 наблюдений, при наличии сезонности, по меньшей мере 5 за сезон

Тренд и сезонные колебания

От краткосрочного до среднесрочного

Малое

Средний уровень подготовки

Декомпозиция временных рядов

Достаточно двух экстремальных значений

Обрабатывает циклические и сезонные модели

От краткосрочного до среднесрочного

От малого до среднего

Не требует особой подготовки

Причинные регрессионные модели

10 наблюдений на независимую переменную

Может обрабатывать сложные модели

Краткосрочный, среднесрочный и долгосрочный

Имеет длительный период разработки и малое время внедрения

Высокий уровень подготовки