Файл: Антикризсное управление.doc

Задача 19

Электромеханический завод в качестве конверсионной продукции разработал и организовал выпуск миксеров. Продажа миксеров была налажена в n = 6 сибирских городах: Томске, Юрге, Красноярске, Новосибирске, Кемерове и Омске. Перед началом массовых продаж во всех этих городах была проведена рекламная кампания, затраты на каждую рекламу по городам и соответствующие обороты по сбыту представлены в табл. 4.5

Таблица 4.5. Затраты на рекламу по городам

В целом в городах с большими затратами на рекламу, как правило, были и большие по размерам продажи товара. Как правило, но не везде. Можно ли в таких условиях рекомендовать заводу идти на дальнейшее увеличение затрат на рекламу? Или это сопряжено с большим риском, пустой тратой денег?

Решение. Чтобы ответить на поставленный вопрос, надо оценить тесноту связи между затратами х и результатом у. Это можно сделать с помощью коэффициента корреляции вида r_ху :

Для его исследования находим величины:

х = 200; у = 1420; ху = 53000; х² = 8600; у² = 35900.

После их подстановки в вышеприведенную формулу получим r_ху = 0,82.

Необходимо установить, насколько значимо отличается этот коэффициент от нуля. Для этого необходимо рассчитать ошибку коэффициента корреляции по формуле

Затем с помощью рассчитанной ошибки находим значение критерия Стьюдента для разности между нулем и r_ху:

По таблицам функции распределения Стьюдента

S₄(2,8) = 0,976; S₄(2,9) = 0,978.

Следовательно, вероятность того, что коэффициент корреляции значим, равна приблизительно 0,977. Отсюда вероятность альтернативной гипотезы (для нас – это вероятность потерять деньги попусту) равна приблизительно 0,023, или 2,3%. Следовательно, надо пойти на увеличение затрат на рекламу.

9. Финансовый анализ и прогнозирование продаж в антикризисном управлении

Современное управление организациями базируется на качественно разработанных планах деятельности. В них должны быть показаны:

- цели работы в краткосрочной и долгосрочной перспективе;

- пути достижения поставленных целей;

- будущий, наиболее вероятный ход событий в работе;

- варианты будущих, наиболее целесообразных и желательных управленческих решений;

- желательные и нежелательные последствия.

Все это может быть получено по результатам прогнозирования.

Прогноз – это предвидение, выраженное в числовой форме, с указанием предположительных сроков возникновения событий. Чтобы прогноз был достоверным, необходимо использовать специальные модели и методы, например, метод выявления тенденции динамического ряда чисел или метод сглаживания ряда.

По результатам прогнозирования могут готовиться бизнес-планы, инвестиционные или инновационные планы.

Бизнес-план – это специальный инструмент управления, позволяющий запланировать, обосновать выгодность, показать гарантии и очертить круг проблем в каком-либо предпринимательском деле.

Инвестиции – капитал, который предполагается вложить в какое-либо дело.

Инновация – это нововведение (метод работы, технология изготовления или новый товар), позволяющее повысить эффективность работы организации.

Бизнес-планы, инвестиционные и инновационные планы должны быть технически и экономически обоснованы и базироваться на достоверных прогнозах развития событий, измеренных с помощью специально выбранных для этих целей показателей.

Перед осуществлением прогноза необходимо знать, как изменялся исследуемый показатель в прошлом. Исходными данными, таким образом, будет числовой ряд. В качестве чисел могут выступать: объемы продаж (ед.), курсы валют, затраты (руб.), прибыль, рентабельность работы, проценты инфляции и безработицы и т.д. Зная в прошлом изменение этих показателей, с помощью специальных методов можно будет «увидеть» наиболее вероятное их поведение в будущем. Прогнозирование может быть краткосрочным и долгосрочным.

Краткосрочное прогнозирование обычно осуществляется на один период времени вперед. В качестве периода времени может быть день, неделя, месяц, квартал, полугодие, год. Например, предприятие, торгующее скоропортящимися продуктами, заинтересовано ежедневно (или еженедельно) продавать максимум того, что можно продать. Анализируя прошлый спрос, можно осуществить прогноз на следующий период времени и сделать оптимальный по объему заказ поставщикам продукта. Дефицит, равно как и перегрузка склада с последующей порчей не купленного вовремя продукта, ведут к убыткам в работе. Объем заказа должен быть сбалансирован (без дефицита и не слишком большой) и обоснован краткосрочным прогнозом.

Другой пример. Предприятие, торгующее в больших объемах и большом ассортименте, заинтересовано в том, чтобы на складе был только тот товар и в таких объемах, который пользуется спросом. Пролеживание ненужного товара ведет к убыткам в работе, так как он занимает место другого, пользующегося спросом товара. В этой ситуации предвидение очередного спроса на весь ассортимент ведет к соответствующим заказам к увеличению товарооборота и ежедневной выручки.

Если производитель и розничный торговец выступают в одном лице, то краткосрочный прогноз спроса обусловливает также и будущий план производства товара. Соответственно для процесса производства планируются необходимые компоненты: сырье, материалы, комплектующие. Знание очередного спроса (на неделю, месяц, квартал, полугодие или год вперед) ведет к соответствующим заказам необходимых для производства средств.

Таким образом, будущий спрос влияет на всю последующую обстановку, его знание приведет к выигрышу производителя и продавца. Как же получить это знание? Оказывается можно. Осуществить краткосрочный прогноз спроса на очередной период времени можно с помощью специальных процедур.

Один из примеров таких процедур – процедуры сглаживания. Они преследуют одну цель: по данному изменяющемуся числовому ряду построить другой числовой ряд, сохраняющий его динамику, но имеющий значительно меньшее колебание своих членов и показывающий тенденцию их изменения.

Например, известно, что прошлые объемы продаж (в тыс. шт.) за 12 месяцев были следующими:

2, 10, 4, 8, 6, 14, 8, 18, 10, 24, 12, 30.

Можно вычислить средние для пар близлежащих величин и построить новый ряд, состоящий уже из 11 членов:

(2 + 10)/2 = 6;

(10 + 4)/2 = 7;

(4 + 8)/2 = 6;

(8 + 6)/2 = 7;

(6 +14)/2 = 10;

(14 + 8)/2=11;

(8 + 18)/2 = 13;

(18 + 10)/2 = 14;

(10 + 24)/2 = 17;

(24 + 12)/2 = 18;

(12 + 30)/2 = 21.

Построив графически зависимости объемов продаж во времени для исходного и вычисленного усредненного ряда, можно увидеть недостатки метода. Они очевидны: во-первых, при сглаживании ряд укорачивается, а прогнозирование требует продолжения ряда; во-вторых, все члены ряда учитываются при усреднении с одинаковыми весами, а при прогнозировании последние члены ряда должны иметь больший вес, чем ранние. Вес члена ряда – это уровень его значимости во времени. Очевидно, что более поздние члены ряда значимее для анализа и выводов, чем ранние. Показанный метод усреднения ряда имеет ограниченное применение. Им целесообразнее пользоваться не в краткосрочном, а в долгосрочном прогнозировании, когда необходимо выявить только тенденцию изменения величин.

Показанные недостатки устраняются при использовании другого метода выравнивания ряда, – метода экспоненциального сглаживания. Это наиболее эффективный способ разработки краткосрочного прогноза спроса на товары, продающиеся в большом количестве и ассортименте.

Пример краткосрочного прогнозирования

Рассмотрим пример расчета экспоненциальной средней для 10 периодов времени (столбец 1 табл. 1.1). Каждый период может, например, представлять месяц (4 недели) или другой интервал, соответствующий допущениям о времени реализации (продажам) товара. Фактический спрос в течение этих периодов (в единицах измерения отдельных видов товаров) показан в столбце 2.

Таблица 1.1  Данные для прогнозирования

Коэффициент сглаживания а = 0.2 (В скобках показаны номера столбцов)

Предположим, что период 1 только что завершен с фактическим спросом на продажу (объемом продаж) 80 ед. Теперь необходимо спрогнозировать спрос на следующий период.

Текущий спрос имеет определенное отношение к предсказанию будущего, при этом он связан и с прошлым. В частности, в период, непосредственно предшествующий только что завершившемуся, прогнозная оценка составила 70 ед. (см. столбец 5 табл. 1.1). Разница, как видно, составляет 10 ед.

Сглаживая известный числовой ряд продаж товара ломаной кривой, мы можем приближаться к динамике фактических продаж, обеспечивая резкие скачки величин (если фактические продажи имеют явно выраженные резкие скачки), или, наоборот, обеспечивать большую плавность перехода от одной величины к другой. Уровень сглаживания измеряется через специальный коэффициента.

Зададим для данного примера коэффициент сглаживания а = 0,2. Соответственно Р = 1 – а характеризует значимость старого прогноза.

Прогноз на будущий период будет равен:

Новый прогноз = а*фактический спрос + Р*старый прогноз.

Произведем расчет для нашего примера.

На конец периода 1 фактические продажи равны 80 усл. ед., а старый прогноз был 70 усл. ед. (см. табл. 1.1). Следовательно, значение прогноза на будущий второй период равно:

0.2 х 80 + 0.8 х 70 = 72 усл. ед.

Так как предшествующий старый прогноз был 70 усл. ед., а фактические продажи были 80 усл. ед., то ошибка прогноза в первом периоде равна минус 10 (см. столбец 6 табл. 1.1).

На конец периода 2 фактические продажи равны 90 усл. ед., а старый прогноз составил 72 усл. ед. Следовательно, значение нового прогноза на будущий третий период равно:

0.2 х 90 + 0.8 х 72 = 76 усл. ед.

Соответственно, ошибка прогноза во втором периоде составляет:

72 – 90 = – 18 усл. ед.

Аналогично вычисляются значения прогнозов и для других периодов. Вся информация сводится в табл. 1.1

Данные таблицы представлены графически на рис. 1.1.

Рис. 1.1 Фактические и прогнозные продажи при а = 0.2

Этот график показывает, что сделанный прогноз является неточным: явно видно, что фактические продажи намного больше, чем предполагалось.

Как же оценить или измерить достоверность прогноза? Оказывается, можно. Для измерения ошибки прогнозирования вводится показатель – среднее абсолютное отклонение (САО). Оно вычисляется как сумма всех ошибок прогнозов по периодам, деленная на количество периодов. При этом ошибки прогнозов для каждого из периодов берутся без учета знаков. Действительно, нам безразлично, имеет ли ошибка знак «+» или «–».