3.2. Статистический анализ спроса

Временной анализ скорее рассматривает уровень прошлых и будущих продаж как функцию от времени, а не от других реальных факторов спроса. Но уровень продаж любого товара зависит от множества факторов. Статистический анализ спроса — набор статистических процедур, используемых в целях обнаружения наиболее важных реальных факторов, воздействующих на продажи, и их взаимного влияния. Наиболее часто анализируемые факторы — это цены, доход, население и средства продвижения товаров и услуг.

Статистический анализ спроса состоит в определении продаж Q как зависимой переменной величины и стремлении объяснить продажи как функцию от нескольких независимых переменных спроса Х1, X2,..., Xn. То есть

Q =f(х1, х2,..., хn).

При помощи техники, получившей название многократно регрессивного анализа, различные формы уравнения могут быть статистически приспособлены к данным в поиске лучших факторов прогноза и уравнения.

Например, в ресторане близ университета Marquette в Милуоки (штат Висконсин) заметили, что уровень продаж зависел от того, была ли в это время сессия в университете, и от уровня продаж в течение предыдущей недели:

Q = 2614,3 + 1610,7 Х1 + 0,2605 Х2,

где Х1 — заданная переменная, указывающая, была ли в это время в университете Marquette— была сессия и 0 — не было сессии), a Х2 — объем продаж за прошлую неделю. сессия (1

Например, если в университете Marquette только что закончился учебный семестр и руководство ресторана хотело спрогнозировать уровень продаж на следующую неделю при условии, что их уровень на прошлой неделе составил $6000, то объем продаж, прогнозируемый на следующую неделю, будет

Q = 2614,3 + 1610,7 Х1 + 0,2605 Х2 =

= 2614,3 + 1610,7(0) + 0,2605(6000)=

= 2614,3 -I- О + 1563 = $4177,30.

Менеджер мог также ожидать постепенное снижение продаж (так как продажи в предыдущую неделю падали), поскольку активность в университетском городке спадает. Например, если ресторан достиг прогнозируемого уровня продаж $4177,30, то на следующей неделе планируемые продажи составят $3702,49. Это снижение произойдет из-за падения уровня продаж с $6000 до $4176,30, которое наблюдалось на предыдущей неделе. Продажи ресторана в период отсутствия в университете сессии составят $3535 (в течение шестой недели периода между сессиями).

Используя в прогнозе метод регрессии, следует помнить о двух опасностях.

1) Приведенное уравнение не работает в экстраординарных случаях. Например, если на уик-энд к студентам приезжают родители, ресторан может иметь очень высокий уровень продаж. Однако уравнение не учитывает такой семейный уик-энд как переменную. Поэтому для этого случая невозможно точно запланировать уровень продаж. В течение недели после семейного уикэнда уровень продаж будет завышен, поскольку показатель продаж в течение предыдущей недели (семейный уик-энд) был необычно высок.

2) Прогнозирование без ранжирования различных переменных опасно. Например, если менеджер исследует влияние рекламы на уровень продаж гостиничных номеров, он может обнаружить, что продажи номеров увеличиваются на $5 на каждый доллар, потраченный на рекламирование гостиничных услуг. Если у гостиницы рекламные расходы ранжированы с $75 до $150, то мы не обязательно получим эту зависимость в случае рекламных расходов в $250, так как этот уровень рекламы не был тестирован.

Рассмотренные предостережения иллюстрируют два типа ошибок, вызываемых неправильным использованием регрессионного анализа. Статистический анализ спроса может быть, очень сложен, и специалист по маркетингу должен быть очень осторожным при планировании и прерывании такого анализа. Однако постоянно совершенствуемые компьютерные технологии делают статистический анализ спроса все более популярным в прогнозировании.

Два других метода прогноза, используемых в сфере гостеприимства, — скользящее среднее значение и экспоненциальное сглаживание. Скользящее среднее значение — это среднее число из ряда предыдущих периодов (л); оно используется для прогнозирования продаж в течение следующего периода. Например, если ресторан имел продажи $12000, $12500, $13000 и $12500 за последние четыре недели, то, используя скользящее среднее значение за четыре недели, прогноз сбыта на следующую неделю составит $12500:

($12000 + $12500 + $13000 + $12500) / 4 = $12500.

Ограничение скользящих средних значений означает, что среднее значение прошлого периода имеет тот же вес, что и в текущем периоде.

Экспоненциальное сглаживание — простая, но полезная математическая техника, которая позволяет оценить последние периоды во взвешенном виде.

Методы прогноза, рассмотренные в этой главе, представляют некоторые методы, используемые менеджерами. Здесь, в этой книге, нет возможности дать детальное объяснение всех методов прогноза. Мы просто хотели показать, какие доступные методы могут помочь менеджерам в их работе по прогнозированию.