Коэффициент сезонности

Хитрости » 23 Март 2017 Дмитрий 95328 просмотров

Скачать файл, используемый в видеоуроке:

Прогноз_продаж.xls (59,5 KiB, 21 224 скачиваний)

Прогнозирование продаж является неотъемлемой частью при планировании работы коммерческих и финансовых служб, поэтому задача довольно актуальная. Вариантов построения прогнозов достаточное множество, но я хочу показать как сделать простой, но в то же время достаточно жизнеспособный прогноз «на скорую руку», без лишних телодвижений и поправок «на ветер»(читайте как: без кучи доп.расчетов, которые применяются для создания более точных прогнозов). Почему я это уточняю? Потому что на мой взгляд, каким бы точным ни был прогноз продаж – это всего лишь предположение и быть уверенным в том, что именно так и будет развиваться ход событий, никак нельзя.
И тем не менее при помощи встроенных в Excel функций мы можем построить довольно неплохой прогноз даже с учетом сезонности. Плюс я хочу показать как сделать не просто прогноз, а прогноз с отклонениями – пессимистичный и оптимистичный. С помощью подобной модели можно будет выстроить тактику продаж таким образом, чтобы постараться максимально «вписаться» в границы между пессимистичным и оптимистичным прогнозом.
А в довершение мы построим красивый график с прогнозом. Исходные данные
Для расчета прогноза потребуются данные о продажах за ранние периоды. Чем больше данных, тем точнее будет прогноз. Желательно, чтобы были помесячные данные хотя бы за два года. На мой взгляд это тот минимум, на основании которого можно построить весьма точный прогноз с учетом прошлого опыта. Именно из таких данных и будем исходить. Предположим, что у нас есть данные с января 2013 года по август 2015, в табличном виде:

Нам необходимо рассчитать прогноз продаж на будущий год: с сентября 2015 по август 2016 и отразить это на графике. Я специально беру рваный период посреди года, чтобы показать, что начало прогноза может быть с любой даты.

Чтобы дальше в статье не запутать вас столбцами и где они должны быть добавлены, сразу приведу конечную структуру:

Т.е. у нас должно быть именно в указанном порядке 7 столбцов: Период; Продажи компании, руб.; Прогноз; Оптимистичный; Пессимистичный; Коэффициент сезонности; Отклонение. И чтобы все получилось они должны идти точно в таком же порядке, как на картинке выше.

Советую сразу создать все эти столбцы или скачать готовую модель для примера, чтобы дальше использовать именно её для пошагового выполнения описанных ниже действий:
Скачать файл:

Прогноз_продаж.xls (59,5 KiB, 21 224 скачиваний)

В файле два листа:

  • Исходные данные — только фактические данные по продажам, без доп.столбцов, чтобы можно было самостоятельно с нуля построить модель
  • Прогноз — лист с готовыми функциями и графиком прогноза

В самый низ таблицы, после последней фактической даты, я добавил даты, на которые необходимо построить прогноз(от сен.2015 до авг.2016).

Расчет прогноза
Для расчета непосредственно прогноза в Excel есть специальная функция, которая основываясь на данных предыдущих периодов предсказывает вероятные значения для указанной даты. Она так и называется – ПРЕДСКАЗ(FORECAST). Функция основана на линейной регрессии и специально предназначена именно для прогнозирования продаж, потребления товара и пр. В столбец Прогноз (столбец C – сразу после столбца с суммами продаж) в ячейку C34 записываем функцию (и распространяем на все прогнозируемые даты – C34:C45):

=ПРЕДСКАЗ(A34;$B$2:$B$33;$A$2:$A$33)
=FORECAST(A34,$B$2:$B$33,$A$2:$A$33)
Сама функция требует указания следующих входных данных:

  • х — Дата, значение для которой необходимо спрогонозировать (A34)
  • Известные значения y — ссылка на ячейки таблицы с суммами продаж за известные периоды ($B$2:$B$33)
  • Известные значения x — ссылка на ячейки таблицы с дата продаж за известные периоды ($A$2:$A$33)

Подробнее про принцип работы формулы: она берет отдельно сумму каждого месяца за 2013 и 2014 год, складывает их. Делит полученное значение на общую сумму продаж за весь период целых месяцев(т.е. 24 месяца) и умножает на 12, чтобы получить коэффициент именно за один месяц. И так для каждого месяца. Т.е. для ячейки F2 расчет будет выглядеть следующим образом:
=((56 769+68 521)/ 1 542 293)*12
=((сумма за янв.2013 + сумма за янв.2014)/ общая сумма за два года(янв.2013 – дек.2014))*12

Основную задачу выполнили – у нас есть прогноз на будущие периоды. Теперь осталось в дополнение к самому прогнозу, создать допустимые верхние и нижние границы, которые часто еще называют оптимистичный прогноз и пессимистичный(но по сути это просто возможное отклонение от прогнозных данных). Такой прогноз даст нам возможность более гибко планировать тактику на будущие периоды.
Для того, чтобы построить такие прогнозы необходимо рассчитать допустимое отклонение от прогнозируемых значений. Здесь так же будем использовать имеющиеся в Excel функции. В ячейку G2 запишем формулу:
=ДОВЕРИТ(0,05; СТАНДОТКЛОН(C34:C45); СЧЁТ(C34:C45))
=CONFIDENCE(0.05,STDEV(C34:C45),COUNT(C34:C45))
ДОВЕРИТ(CONFIDENCE) – возвращает доверительный интервал, используя нормальное распределение.

  • алфа – уровень значимости для вычисления доверительного уровня. Используемое в формуле 0,05 означает доверительный уровень в 95%. В большинстве случаев это оптимальное значение
  • станд_откл – стандартное отклонение генеральной совокупности. Должно быть известно. Но т.к. мы этими данными не располагаем – то это значение вычисляем при помощи функции СТАНДОТКЛОН(STDEV), передавая ей для расчетов спрогнозированные данные
  • размер – указывается целое число, обозначающее количество данных для выборки. Как правило равно количеству спрогнозированных данных. У нас количество определяется функцией СЧЁТ, которая подсчитывает количество чисел в указанных ячейках.

Т.е. мы для оптимистичного прогноза берем сумму прогноза и прибавляем к ней сумму рассчитанного отклонения. А для пессимистичного, мы сумму отклонения вычитаем. Вот мы и получили все необходимые данные.

График
Но было бы кощунством с нашей стороны проделать такую работу и не использовать возможности Excel для построения красивого графика. Придется добавить немного шаманства(на деле, мы уже начали шаманить, когда стали записывать прогноз в отдельный столбец, а не продолжать его в том же столбце, что и фактические продажи). В ячейки C33, D33 и E33 скопируем значение из ячейки B33, чтобы они все имели одинаковые значения:

Наглядно и сразу понятно что к чему и чего можно ожидать.

  • Синим – фактические продажи
  • Оранжевый – прогноз
  • Серый – Оптимистичный прогноз
  • Желтый – Пессимистичный

Согласитесь, такой график смотрится достаточно эффектно и может украсить собой отчет для руководства. Особенно, если проявить немного фантазии и отформатировать график в соответствии с корпоративными цветами компании.

Быстрый прогноз в Excel 2016 и выше
Начиная с версии 2016 в Excel появилась замечательная возможность создать прогноз двумя кликами мыши. При этом сразу с оптимистичным и пессимистичным развитием событий и графиком. За основу возьмем все те же исходные данные из двух столбцов:
Выделяем необходимые данные из двух столбцов -переходим на вкладку Данные(Data) -группа Прогноз(Forecast) -Лист прогноза(Forecast Sheet):
В появившемся окне раскрываем пункт Параметры(Options) и настраиваем:

  • Завершение прогноза(Forecase End) – указывается дата, которой должен заканчиваться прогноз. Я советую всегда проверять эту дату, т.к. по умолчанию Excel почти всегда выставляет некую среднюю дату, которая отличается от необходимой.
  • Начало прогноза(Forecase Start) – указывается дата, с которой необходимо начать строить прогноз. Как правило это последняя дата фактических данных. Если указать дату, которая будет раньше последней даты фактических данных, то для построения прогноза будут использоваться данные только ДО этой даты (так же это называется «ретроспективным прогнозированием»).
  • Доверительный интервал(Confidence interval) – этот пункт поможет понять, насколько точно построен прогноз. Чем больше будет доверительный интервал, тем меньше точность прогноза и чем меньше доверительный интервал – тем выше точность прогноза. Что вполне логично. По умолчанию определяется для 95% точек, хотя его можно изменить в соответствующем поле. Если интервал создавать не нужно – снять галочку.
  • Сезонность(Seasonality) – как понятно из названия, отвечает за определение фактора сезонности. Лучше оставлять автоматическим, при котором сезонность определяется на основании всех точек месяцев(т.е. 12). Но если этот фактор необходимо рассчитывать из иного количества точек, то необходимо выбрать Установка вручную и указать нужное количество точек. Но следует учитывать, что если точек будет недостаточно – то прогноз может быть очень неточным и график в итоге будет иметь вид, далекий от ожидаемого.
  • Диапазон временной шкалы(Timeline Range) – указывается диапазон значений с датами фактических продаж, на основании которых необходимо построить прогноз. По размерам должен совпадать с параметром Диапазон значений.
  • Диапазон значений(Values Range) – указывается диапазон значений с суммами фактических продаж, на основании которых необходимо построить прогноз. По размерам должен совпадать с параметром Диапазон временной шкалы.
  • Заполнить отсутствующие точки с помощью(Fill Missing Poins Using) – если каких-то данных не хватает(например, имеются пропуски в ячейках с суммами), то можно выбрать чем эти данные заполнить. По умолчанию используется интерполяция. Это означает, что отсутствующие данные вычисляется как взвешенное среднее соседних ячеек, если отсутствует менее 30 % точек. Если необходимо заполнять отсутствующие точки нулями, то необходимо выбрать из выпадающего списка пункт Нули.
  • Объединить дубликаты с помощью(Aggregate Duplicates Using) – если в фактических данных есть повторяющиеся даты, то Excel объединит их в одну точку с этой датой, а в качестве суммы подставит среднее арифметическое для этой даты. Это оптимальный вариант, но так же допускается выбрать из списка и другую функцию: Количество, СЧЁТЗ, Максимум, Медиана, Минимум, Сумма.
  • Включить статистические данные прогноза(Include Forecast Statistics) – при включении данного пункта на листе с таблицей графика правее основных данных будет создана таблица с дополнительной статистической информации о прогнозе. В таблице при помощи функции ПРЕДСКАЗ.ЕTS.СТАТ будут рассчитаны коэффициенты сглаживания (Альфа, Бета, Гамма), и метрики ошибок (MASE, SMAPE, MAE, RMSE).

После нажатия кнопки Создать(Create) будет создан новый лист, в котором будет создана таблица со всеми необходимыми данными и формулами и готовым графиком:
если при создании был отмечен пункт Включить статистические данные прогноза(Include Forecast Statistics), то правее таблицы основных данных будет так же создана таблица статистических данных:

Скачать файл:

Прогноз_продаж.xls (59,5 KiB, 21 224 скачиваний)

Так же см.:
Как быстро подобрать оптимальный вариант решения
Автообновляемая сводная таблица

Статья помогла? Поделись ссылкой с друзьями! Видеоуроки

Поиск по меткам

Access apple watch Multex Power Query и Power BI VBA управление кодами Бесплатные надстройки Дата и время Записки Надстройки Политика Конфиденциальности Почта Программы Работа с приложениями Разработка приложений Тренинги и вебинары Финансовые Форматирование Функции Excel акции MulTEx

При обнаружении в период гарантии недостатка товара, не оговоренного при продаже, потребитель вправе по своему выбору потребовать либо возврата денег за некачественный товар, либо соразмерного уменьшения его стоимости, либо его замены на аналогичный товар или товар другой марки, модели с соответствующим перерасчетом цены, либо потребитель может согласиться на безвозмездное устранение выявленного дефекта (ремонт).

Деньги за некачественный товар должны быть возвращены продавцом в течение 10 дней. Требование об обмене должно быть выполнено в течение 7 дней, а при необходимости дополнительной проверки качества или проведения экспертизы, – в течение 20 дней. Срок ремонта товара устанавливается договором, но не может превышать 45 дней.

Потребитель вправе обращаться к продавцу (изготовителю) по поводу качества товара и по истечении гарантийного срока, если он составляет менее 2 лет и недостатки товара обнаружены по его истечении, но в пределах 2 лет. В этом случае объем прав у потребителя прежний. Единственное, оговоренное законом, условие: потребитель должен представить доказательства того, что недостатки товара возникли до покупки или по причинам, возникшим до этого момента.

То есть при выявлении дефекта по истечении гарантийного срока потребитель вправе в течение 2 лет со дня заключения договора обратиться к продавцу, допустим, за обменом товара, представив ему доказательства того, что причины появления недостатка возникли до покупки (производственный дефект).

Если продавец дал недостоверную информацию о потребительских свойствах товара, что не позволяет сделать правильный выбор, то в этом случае потребитель вправе в разумный срок расторгнуть договор купли-продажи и вернуть товар продавцу. Однако необходимо иметь доказательства предоставления недостоверной информации.

Если сезонный товар надлежащего качества, но не подошел (по форме, цвету, размеру, фасону, расцветке), то заменить его на аналогичный товар можно в течение 14 дней. При этом срок исчисляется со дня покупки, а не наступления соответствующего сезона. Это возможно также при условии, что вещь (одежда, меховые изделия, обувь и пр.) не использовалась, сохранены ее товарный вид, потребительские свойства, ярлыки и пр. Если в день обращения обменять вещь не на что, продавец должен вернуть деньги в течение 3 дней.

Однако необходимо учитывать, что Правительством РФ утвержден Перечень товаров, не подлежащих обмену или возврату по указанным выше обстоятельствам. На данный момент действует Перечень непродовольственных товаров надлежащего качества, не подлежащих возврату или обмену на аналогичный товар других размера, формы, габарита, фасона, расцветки или комплектации, утвержденный Постановлением Правительства РФ от 19.01.1998 N 55.

25 Фев Коэффициент сезонности: как рассчитать

Posted at 14:41h in Статьи by Olga

В этой статье расскажу о том, как рассчитать коэффициент сезонности и о некоторых нюансах расчетов и его применения. Коэффициент сезонности чаще всего применяется при прогнозировании будущего спроса, если в продажах товаров вашей компании присутствуют сезонность в продажах.

Сезонность продаж

Сезонность продаж — это изменение спроса, связанное со сменой времён года, колебаниями температуры, праздничными датами, привычками покупателей и т.д

Практически во всех областях есть товары с сезонными продажами. Иногда встречаются компании, торгующие товарами, у которых нет сезонности или сезонность незначительная.

Для того чтобы выявить сезонность, необходимо проанализировать, как продаются товары в течение нескольких лет. Если взять данные о продажах только за один год, то колебания продаж в течение года не всегда будут означать, что у продаж есть какие-либо сезоны.

Различают три вида сезонности:

  • жесткую,
  • яркую,
  • умеренную.

Продукты жесткой сезонности пользуются спросом очень короткий отрезок времени. Примером может быть новогодняя атрибутика – ее покупают только один раз в год и короткий период. Яркая сезонность — колебания продаж достигают 30-50%, примером служит продажа лакокрасочной продукции в апреле-мае. Умеренная сезонность — колебания в продажах не превышают 10-15%. Такие товары еще называются всесезонными.

Коэффициент сезонности

Коэффициент сезонности — это величина, на которую увеличиваются / уменьшаются продажи по сравнению со средними в определенный период времени.

Коэффициент сезонности рассчитывается на каждый месяц. Для того чтобы рассчитать коэффициент сезонности на каждый месяц необходимо взять продажи в количественном выражении по месяцам и рассчитать среднюю продажу.

Коэффициент сезонности месяца = Продажи в штуках этого месяца / на средние продажи за год

Пример расчета коэффициента сезонности

В таблице представлены продажи по товару по штукам по месяцам за три года

Расчет коэффициента сезонности

Таким образом мы получили коэффициент сезонности на каждый месяц, это и есть коэффициенты сезонности. Их сумма, то есть сумма коэффициентов за 12 месяцев, должна быть равна 12.

Есть несколько нюансов при расчёте коэффициента сезонности.

Первый, коэффициент сезонности лучше считать по группе, чем по отдельным товарам и чем больше товаров объединят это группа тем более точное значение коэффициентов сезонности. Это связано с тем что на продаже влияют не только сезонность тенденции, но и различные случайные факторы, которые не могут значительно повлиять на продажи, но они не повторяются. Из года в год для того чтобы нивелировать влияние случайных факторов на продаже одного товара лучше рассчитывать коэффициент сезонности по группе.

Второй нюанс: для того, чтобы нивелировать случайные факторы, которые повлияли на продажи в одном году даже на всю группу, необходимо рассчитывать коэффициент сезонности за несколько лет и потом выводить средний показатель за эти годы.

Рекомендуется брать минимум три года для расчета среднего коэффициента сезонности, ранее считалось что для прогнозирования и расчетов по статистике необходимо брать статистику за длительный период — чем больше тем лучше. Но с учетом того, что на статистику значительно повлияли кризисные явления в экономике 2008-2009 годов и 2014-15 годов, такой длительный период даст результаты расчетов, которые нельзя будет применить для расчетов будущего спроса.

В нашем примере это выглядит следующим образом:

И третий нюанс: для прогнозирования будущего спроса в рассчитанные коэффициенты сезонности имеет смысл добавлять экспертные корректировки. Почему? Дело в том, что коэффициент сезонности рассчитывается по статистике продаж в прошлом, на их значение могли повлиять события в прошлом, которые не повторятся в будущем, например, дефицит товара. Это достаточно распространённая ситуация, когда в компании в сезон не хватало оборотных средств для закупки товаров, в результате на складе не было товара и продаж соответственно тоже не было. В результате коэффициента сезонности не будет отражать реальное значение сезонности. Возможно в компании наблюдается эта проблема из года в год, или проблема с оборотными средствами и дефицитом товара были в прошлом году, а объем продаж в этом году значительнее по сравнению с другими предыдущими годами.

Примечание: Вы можете скачать таблицу Excel с примером расчета. Оставьте в форме свой электронный адрес и получите таблицу с примером.

Для тех, кто хочет быстро и качественно выполнять расчет заказа поставщикам, учитывая будущие продажи, срок выполнения заказа, периодичность размещения заказа, остатки на складе, остатки в пути я подготовила практический онлайн-курс «Управление запасами: Как рассчитать заказ поставщику без дефицита и неликвидов”.

Пройдите курс и получите готовые формулы и навыки для расчета заказа поставщикам!

Онлайн-курс — это 7 занятий в формате видеоуроков по 2-2,5 часа с домашними заданиями и примерами расчетов в Excel.

Полная программа и описание курса.

В прошлой статье мы уже разобрали, что такое временной ряд и функцию тренда. Теперь подробнее разберемся с терминологией и остановимся на одной из моделей временного ряда.

Уровни временного ряда (Yt) представляют из себя сумму двух компонент:

  1. Регулярную составляющую
  2. Случайную составляющую

В свою очередь регулярная составляющая состоит из:

  1. Тренда
  2. Сезонности
  3. Циклической составляющей

Однако, в модели необязательно наличие всех этих компонент сразу.

Случайная компонента отражает влияние случайных возмущений на модель, которые по отдельности имеют незначительное воздействие, но суммарно их влияние ощущается.

То есть, в общем случае временной ряд представляет из себя наличие четырех составляющих:

  1. Тренд (Tt)
  2. Сезонность (St)
  3. Цикличность (Ct)
  4. Случайные возмущения (Et)

Циклическая компонента, по сравнению с сезонностью, имеет более длительный эффект и меняется от цикла к циклу. Поэтому, ее обычно объединяют с трендом.

Виды моделей временного ряда

Обычно, выделяют две модели временного ряда и третью — смешанную.

  1. Аддитивная модель
  2. Мультипликативная модель

  3. Смешанная модель

При выборе необходимой модели временного ряда смотрят на амплитуду колебаний сезонной составляющей. Если ее колебания относительно постоянны, то выбирают аддитивную модель. То есть, амплитуда колебаний примерно одинакова:

Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель временного ряда, которая ставит уровни ряда в зависимость от значений сезонной компоненты.

Построение этих моделей сводится к расчету тренда (Tt), сезонности (St) и случайных возмущений (Et) для каждого уровня ряда (Yt).

Алгоритм построения модели

  1. Выравниваем ряд с помощью скользящей средней, то есть сглаживаем ряд и отфильтровываем высокочастотные колебания.
  2. Рассчитываем значение сезонной компоненты St.
  3. Рассчитываем значения Tt с использованием полученного уравнения тренда.
  4. Используя полученные значения St и Tt, находим прогнозные значения уровней временного ряда.
  5. Оцениваем качество модели.

Реализация на практике

Итак, мы имеем на руках данные о продажах за 2016 и 2017 год и хотим спрогнозировать продажи на 2018 год.

Шаг 1

Следуя нашему алгоритму, мы должны сгладить временной ряд. Воспользуемся методом скользящей средней. Видим, что в каждом году есть большие пики (май-июнь 2016 и апрель 2017), поэтому возьмем период сглаживания пошире, например, месячную динамику, т.е. 12 месяцев.

Удобнее брать период сглаживания в виде нечетного числа, тогда формула для расчета уровней сглаженного ряда:

yi — фактическое значение i-го уровня ряда,

yt — значение скользящей средней в момент времени t,

2p+1 — длина интервала сглаживания.

Но так как мы решили использовать месячную динамику в виде четного числа 12, то данная формула нам не подойдет и мы воспользуемся этой:

Иными словами, мы учитываем половины от крайних уровней ряда в диапазоне, в остальном формула не претерпела больше никаких изменений. Вот ее точный вид для нашей задачи:

Сглаживаем наши уровни ряда и растягиваем формулу вниз:

Сразу можем построить график из известных значений уровня продаж и их сглаженной. Выведем ее уравнение и значение коэффициента детерминации R^2:

В качестве сглаженной я выбрала полином третьей степени, так как он лучше всего описывал уровни временного ряда и имел наибольший R^2.

Шаг 2

Так как мы рассматриваем аддитивную модель вида:

Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда и значениями скользящей средней St+Et = Yt-Tt, так как Yt и Tt мы уже знаем.

Используем оценки сезонной компоненты (St+Et) для расчета значений сезонной компоненты St. Для этого найдем средние за каждый интервал (по всем годам) оценки сезонной компоненты St.

Средняя оценка сезонной компоненты находится как сумма по столбцу, деленная на количество заполненных строк в этом столбце. В нашем случае оценки сезонной составляющей расположились в строках без пересечений, поэтому сумма по столбцам состоит из одиночных значений, следовательно и среднее будет таким же. Если бы мы располагали периодом побольше, например с 2015, у нас бы добавилась еще одна строка и мы смогли бы полноценно найти среднее, поделив сумму на 2.

В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем интервалам должна быть равна нулю. Поэтому найдя значение случайной составляющей, поделив сумму средних оценок сезонной составляющей на 12, мы вычитаем ее значение из каждой средней оценки и получаем скорректированную сезонную компоненту, St.

Далее, заполняем нашу таблицу значениями сезонной составляющей дублируя ряд каждые 12 месяцев, то есть три раза:

Шаг 3

Теперь рассчитываем значения уровня тренда T(t) по тому уравнению, которое мы получили при построении сглаженного тренда на первом шаге.

T(t) = -23294+34114*t-1593*t^2+26,3*t^3

Вместо t используем значения из столбца Период из соответствующей строки.

Шаг 4

Имея рассчитанные значения S(t) и T(t) мы можем рассчитать прогнозные значения уровней ряда Y(t). Для этого накладываем уровни сезонности на тренд.

Теперь построим график известных значений Y(t) и спрогнозированных за 2018 год.

Вот мы и нашли спрогнозированные значения уровней продаж на 2018 год. Значения отражают возрастающую тенденцию и сезонные пики. Конечно, эти данные не дают 100% точности, ведь существует множество внешних воздействий, которые могут изменить направление тренда, поэтому к прогнозным значениям обычно строят доверительный интервал, это такой коридор, внутри которого могут колебаться прогнозные значения с заданной вероятностью (чаще всего выбирают 95%). Но об этом я расскажу в следующей статье.

Шаг 5

Осталось оценить точность модели. Для этого будем использовать среднюю ошибку аппроксимации, которая поможет рассчитать ошибку в относительном выражении. Иными словами, это среднее отклонение расчетных значений от фактических, которое вычисляется по формуле:

yi — спрогнозированные уровни ряда,

yi* — фактические уровни ряда,

n — количество складываемых элементов.

Модель может считаться адекватной, если:

Итак, рассчитываем ошибку аппроксимации для нашего случая. Так как в основе нашего тренда лежит полином третьей степени, прогнозные значения начинают хорошо повторять фактические значения к концу 2016 года, думаю, я думаю, поэтому корректнее было бы рассчитать ошибку аппроксимации для значений 2017 года.

Сложив весь столбец с ошибками аппроксимации и поделив на 12, получаем среднюю ошибку аппроксимации 4,13%. Это значение меньше 15% и можем сделать вывод об адекватности модели.

Не забывайте, что прогнозы не бывают точными на 100%. Любые неожиданные внешние воздействия могут развернуть значения уровней ряда в неизвестном направлении 🙂

Полезные ссылки:

  • Построение функции тренда в Excel. Быстрый прогноз без учета сезонности
  • Бывшев В.А. Эконометрика

Коэффициент сезонности

Коэффициент сезонности — это величина, на которую увеличиваются / уменьшаются продажи по сравнению со средними в определенный период времени.

Коэффициент сезонности применим для различных периодов. Это может быть неделя, тогда коэффиент присваивается для каждого дня недели. Например, в продуктовом магазине спрос возрастает к выходным, значит для субботы и воскресения коэффициент сезонности будет выше. Для прогнозирования спроса с применением коэффициента сезонности по дням недели необходимо чтобы поставки осуществлялись несколько раз в неделю.

Для большинства товаров применяют коэффициенты сезонности для каждого месяца. В данном случае для расчета коэффициентов используют помесячную статистику продаж, а полученные коэффициенты используют для прогнозирования спроса на несколько месяцев вперед.

Как раcсчитать коэффициент сезонности?

Рассмотрим самый распроспраненный пример, когда необходимо получить коэффициент сезонности для каждого месяца.

В большинстве случаев коэффициент сезонности не рассчитывается по каждой позиции, расчеты идут по товарной группе.

Прежде всего нужно взять статистику продаж за несколько последних лет (в идеале 3-4 года) для каждой товарной группы свою.

Например, это может выглядеть так:

2008 Январь 2008 г. Февраль 2008 г. Март 2008 г. Апрель 2008 г. Май 2008 г. Июнь 2008 г. Июль 2008 г. Август 2008 г. Сентябрь 2008 г. Октябрь 2008 г. Ноябрь 2008 г. Декабрь 2008 г. Среднее
ИТОГО: 273 677 437 583 549 727 527 739 488 173 538 923 700 274 665 233 551 740 720 479 662 400 537 582 554,4
2009 Январь 2009 г. Февраль 2009 г. Март 2009 г. Апрель 2009 г. Май 2009 г. Июнь 2009 г. Июль 2009 г. Август 2009 г. Сентябрь 2009 г. Октябрь 2009 г. Ноябрь 2009 г. Декабрь 2009 г. Среднее
ИТОГО: 249 133 583 165 505 693 551 525 304 707 484 351 561 395 558 370 472 408 595 153 528 564 457 683 487,6
2010 Январь 2010 г. Февраль 2010 г. Март 2010 г. Апрель 2010 г. Май 2010 г. Июнь 2010 г. Июль 2010 г. Август 2010 г. Сентябрь 2010 г. Октябрь 2010 г. Ноябрь 2010 г. Декабрь 2010 г. Среднее
ИТОГО: 231 687 492 770 634 338 562 424 591 494 758 914 593 648 657 977 610 373 587 662 614 598 873 964 600,8
2011 Январь 2011 г. Февраль 2011 г. Март 2011 г. Апрель 2011 г. Май 2011 г. Июнь 2011 г. Июль 2011 г. Август 2011 г. Сентябрь 2011 г. Октябрь 2011 г. Ноябрь 2011 г. Декабрь 2011 г. Среднее
ИТОГО: 394 986 673 656 698 613 828 210 705 362 814 783 594 094 731 675 609 778 695 536 756 745 1 036 557 711,6

После чего делим продажи каждого месяца на средние продажи соответствующего года и получаем коэффициент для каждого месяца:

Затем выводим среднеарифметические коэффициенты для каждого месяца за 4 года:

Добавляем экспертное мнение (возможно когда-то был большой период дефицита товара, где- то сделана супер большая проектная поставка, где-то появился новый продукт и продажи резко возросли, в конце 2008 на продажи мог повлиять кризис — одним словом, экспертное мнение):

Записи созданы 8837

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Похожие записи

Начните вводить, то что вы ищите выше и нажмите кнопку Enter для поиска. Нажмите кнопку ESC для отмены.

Вернуться наверх