На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


контрольная работа Статистика изучения спроса товаров и услуг

Информация:

Тип работы: контрольная работа. Добавлен: 01.12.2012. Сдан: 2012. Страниц: 19. Уникальность по antiplagiat.ru: < 30%

Описание (план):


?Содержание
 
Введение…………………………………………………….………....……3
1.Общая характеристика статистических методов………………….…..4
2. Оценка текущего спроса……………………………………….……….7
3. Общая характеристика методов прогнозирования,
применяемых в маркетинговых исследованиях………….………...…..12
4. Прогнозирование спроса, основанное на методах
математической статистики…………………………………………...…15
5. Краткая характеристика экспертных методов……………………...24
Заключение………………………………………………………………..32
Список литературы…………………………………………………...…33

Введение
 
Рынок товаров (продуктов и услуг)-это система отношений купли-продажи между экономически свободными продавцами и покупателями.
На рынке действуют многочисленные переплетающиеся и взаимодействующие внутренние и внешние силы, далеко не всегда явно проявляющие свое влияние на рыночные процессы. Адаптация к условиям рынка, и регулирование рыночных процессов возможны лишь при условии что эти процессы изучены, т. е. выявлены их закономерности и тенденции, другими словами, что рынок становится предметом статистического исследования.
Статистика, которая обладает соответствующим аппаратом глубоко научного и в то же время достаточно оперативного исследования, имеет возможность отразить состояние рынка охарактеризовать его структуру и динамику, выявить и смоделировать влияние рыночных факторов и наконец позволяет строить прогнозы его дальнейшего развития. Она тесно смыкается и в определенном смысле переплетается с маркетинговым исследованием.
Статистика изучает рынок, процесс движения товаров в экономическом и географическом пространстве, их обмен на деньги по ценам, складывающимся в соответствии с действием рыночного механизма, материально-техническим и ресурсным обеспечением этого процесса, социально-экономическими результатами его функционирования.
Однако известной особенностью статистики является то, что она изучает массовые явления и процессы, которые могут быть выражены количественно. Действие рыночного механизма проявляется в вероятностных, стохастических процессах, что обеспечивает возможность использования ряда математико-статистических методов в целях изучения рынка. Целью данной работы является рассмотрение статистических методов изучения спроса товаров и услуг.
1.Общая характеристика статистических методов
 
Статистические методы — методы анализа статистических данных. Выделяют методы прикладной статистики, которые могут применяться во всех областях научных исследований и любых отраслях народного хозяйства, и другие статистические методы, применимость которых ограничена той или иной сферой. Имеются в виду такие методы, как статистический приемочный контроль, статистическое регулирование технологических процессов, надежность и испытания, планирование экспериментов.
Статистические методы анализа данных применяются практически во всех областях деятельности человека. Их используют всегда, когда необходимо получить и обосновать какие-либо суждения о группе (объектов или субъектов) с некоторой внутренней неоднородностью.
Целесообразно выделить три вида научной и прикладной деятельности в области статистических методов анализа данных (по степени специфичности методов, сопряженной с погруженностью в конкретные проблемы):[3, 72]
а) разработка и исследование методов общего назначения, без учета специфики области применения;
б) разработка и исследование статистических моделей реальных явлений и процессов в соответствии с потребностями той или иной области деятельности;
в) применение статистических методов и моделей для статистического анализа конкретных данных.
Прикладная статистика — это наука о том, как обрабатывать данные произвольной природы. Математической основой прикладной статистики и статистических методов анализа является теория вероятностей и математическая статистика.
 
Описание вида данных и механизма их порождения — начало любого статистического исследования. Для описания данных применяют как детерминированные, так и вероятностные методы. С помощью детерминированных методов можно проанализировать только те данные, которые имеются в распоряжении исследователя. Например, с их помощью получены таблицы, рассчитанные органами официальной государственной статистики на основе представленных предприятиями и организациями статистических отчетов. Перенести полученные результаты на более широкую совокупность, использовать их для предсказания и управления можно лишь на основе вероятностно-статистического моделирования. Поэтому в математическую статистику часто включают лишь методы, опирающиеся на теорию вероятностей.
В простейшей ситуации статистические данные — это значения некоторого признака, свойственного изучаемым объектам. Значения могут быть количественными или представлять собой указание на категорию, к которой можно отнести объект. Во втором случае говорят о качественном признаке.
При измерении по нескольким количественным или качественным признакам в качестве статистических данных об объекте получаем вектор. Его можно рассматривать как новый вид данных. В таком случае выборка состоит из набора векторов. Есть часть координат — числа, а часть — качественные (категоризованные) данные, то говорим о векторе разнотипных данных.
Одним элементом выборки, то есть одним измерением, может быть и функция в целом. Например, описывающая динамику показателя, то есть его изменение во времени, — электрокардиограмма больного или амплитуда биений вала двигателя. Или временной ряд, описывающий динамику показателей определенной фирмы. Тогда выборка состоит из набора функций.
Элементами выборки могут быть и иные математические объекты. Например, бинарные отношения. Так, при опросах экспертов часто используют упорядочения (ранжировки) объектов экспертизы — образцов продукции, инвестиционных проектов, вариантов управленческих решений. В зависимости от регламента экспертного исследования элементами выборки могут быть различные виды бинарных отношений (упорядочения, разбиения, толерантности), множества, нечёткие множества и т. д.
Итак, математическая природа элементов выборки в различных задачах прикладной статистики может быть самой разной. Однако можно выделить два класса статистических данных — числовые и нечисловые. Соответственно прикладная статистика разбивается на две части — числовую статистику и нечисловую статистику.
Числовые статистические данные — это числа, вектора, функции. Их можно складывать, умножать на коэффициенты. Поэтому в числовой статистике большое значение имеют разнообразные суммы. Математический аппарат анализа сумм случайных элементов выборки — это (классические) законы больших чисел и центральные предельные теоремы.
Нечисловые статистические данные — это категоризованные данные, вектора разнотипных признаков, бинарные отношения, множества, нечеткие множества и др. Их нельзя складывать и умножать на коэффициенты. Поэтому не имеет смысла говорить о суммах нечисловых статистических данных. Они являются элементами нечисловых математических пространств (множеств). Математический аппарат анализа нечисловых статистических данных основан на использовании расстояний между элементами (а также мер близости, показателей различия) в таких пространствах. С помощью расстояний определяются эмпирические и теоретические средние, доказываются законы больших чисел, строятся непараметрические оценки плотности распределения вероятностей, решаются задачи диагностики и кластерного анализа, и т. д.
Применение статистических методов и моделей для статистического анализа конкретных данных тесно привязано к проблемам соответствующей области. Результаты третьего из выделенных видов научной и прикладной деятельности находятся на стыке дисциплин. Их можно рассматривать как примеры практического применения статистических методов. Но не меньше оснований относить их к соответствующей области деятельности человека.
Теория статистических методов нацелена на решение реальных задач. Поэтому в ней постоянно возникают новые постановки математических задач анализа статистических данных, развиваются и обосновываются новые методы. Обоснование часто проводится математическими средствами, то есть путем доказательства теорем. Большую роль играет методологическая составляющая — как именно ставить задачи, какие предположения принять с целью дальнейшего математического изучения. Велика роль современных информационных технологий, в частности, компьютерного эксперимента.
Актуальной является задача анализа истории статистических методов с целью выявления тенденций развития и применения их для прогнозирования.
 
2. Оценка текущего спроса
 
Наибольшее практическое значение имеет определение и прогнозирование текущего рыночного спроса. В общем случае определение текущего рыночного спроса в денежном исчислении (Q) осуществляется по формуле:
Q = n х q х p,
где n – число покупателей данного вида товара на рынке в целом или на 
рынке конкретного региона;
q – число покупок покупателя за исследуемый период времени;
p – средняя цена данного товара.
В эту базовую формулу при ее конкретизации под конкретные виды товаров надо учесть дополнительные факторы, определяющие спрос на эти товары. Так, например, при определении спроса на товары длительного пользования в результате проведения маркетинговых исследований надо оценить спрос на замену. Для этого нужны следующие данные:
- объем имеющегося у потребителей парка исследуемого товара длительного пользования;
- распределение этого парка по сроку службы (с учетом факторов физического, экономического и психологического старения);
- темп замены товара;
- возможность появления новых альтернатив замены.
Спрос на замену находится в прямой зависимости от размера парка и срока службы товара длительного пользования. Темп замены необязательно совпадает с темпом прекращения срока службы, под которым понимается доля товара длительного пользования, прекращающих существование. Товар может устареть потому, что его экономические показатели стали неудовлетворительными или потому, что он просто вышел из моды.
В общем случае темп прекращения срока службы связан обратной зависимостью с длительностью этого срока. Например, если средний срок службы равен 12 годам, средний темп прекращения этого срока составляет : (1:12) 100 = 8,3 %.
Например, во Франции [8, 61] реальный средний срок службы автомобилей десять лет назад составлял 10-11 лет. Если предположить, что он достигнет 12, лет, то темп прекращения срока пользования будет равен примерно 8%, что соответствует спросу на замену порядка 1,7 миллионов машин. Если , напротив, принять, что средний срок службы не превысит 9 лет, то темп прекращения срока пользования составит около 11,1%, что соответствует спросу на замену в размере 2,1 миллиона машин.
Некоторые данные, необходимые для оценки спроса, например, данные об имеющемся парке товара и его возрастном распределении, могут быть получены из анализа прошлых продаж. Необходимая оценка распределения по срокам службы может быть найдена на основе выборочного исследования владельцев товара, например тех, которые заняты заменой имеющегося у них изделия. Могут быть также изучены и причины (факторы) замены. Значительная часть продаж товаров длительного пользования соответствует спросу на замену, особенно в экономически развитых странах, где уровень оснащенности домашнего хозяйства такими товарами уже достаточно высок, а прирост населения незначителен.
Исходные данные и методы расчета спроса на продукцию производственно-технического назначения, за исключением некоторых различий, о которых речь пойдет ниже, по сути являются теми же, что и для потребительских товаров.
Текущий рыночный спрос часто определяются на основе нормативного метода. Данный метод предполагает последовательную декомпозицию потенциала рынка вплоть до нахождения оценки спроса на конкретный товар или марку на основе использования ряда нормативов и долевых показателей. В качестве примера рассмотрим случай фирмы, продающей добавку (продукция производственно-технического назначения), предназначенную для применения совместно с реактивами для смягчения воды в котельных. Поскольку многие предприятия пока еще не используют данную добавку, требуется оценить текущий и возможный потенциал рынка, а также реальный уровень спроса в определенной географической зоне. Расчет производится следующим образом:
На основе отчетной, нормативной и статистической информации было определен [4, 37]объем потребления воды всеми фирмами определенного региона, имеющими котельные – 7 500000гл;
- норма расхода средства смягчения на литр воды 1%;
- доля фирм, применяющих это средство: 72%;
- норма расхода добавки на литр средства: 9%;
Рассчитывается возможный потенциал рынка:
7500000 гл х 0,01 х 0,72 х 0,09 = 486000 л;
Исследования показали, доля фирм, уже применяющих добавку, равна 54%;
Исходя из этих данных определяется суммарный текущий рыночный спрос:
7500000 гл х 0,01 х 0,72 х 0,09 х 0,54 = 262000 л.
Если цель фирмы в том, чтобы добиться доли рынка 40%, продажи товара в данном регионе (текущий рыночный спрос для фирмы) должны быть доведены до 105000л.
Трудность данного метода, очевидно, состоит в нахождении соответствующих нормативов и долевых показателей. Их получение обычно требует проведения специальных исследований. В то же время видно, что погрешность в каждом множителе переносится на каждый следующий уровень и на итоговый результат. Чтобы избежать этой опасности, следует использовать несколько наиболее вероятных значений, т.е. получать не одну оценку, а их диапазон. В любом случае данный метод следует применять совместно с другими аналитическими методами.
Более углубленный анализ спроса направлен на обнаружение наиболее важных реальных факторов, влияющих на объем продаж, и на определение их относительного влияния; наиболее часто анализируются такие факторы, как цены, уровень дохода, структура потребителей и влияние различных методов продвижения продукта. При проведении такого анализа широко используются методы математической статистики.
Так при определении спроса может использоваться метод ведущих индикаторов. Ведущие индикаторы – показатели или их временные ряды, изменяющихся в том же направлении, что и исследуемый показатель, но опережая его по времени, например, рост показателей жизненного уровня опережает показатель роста спроса. Таким образом, изучая динамику изменения показателей жизненного уровня, можно сделать выводы о возможном изменении показателя спроса на определенную продукцию.
При оценке рыночного потенциала регионов или стран часто используют индикаторы покупательной способности. Цель при этом состоит в измерении привлекательности рынка по средневзвешенному значению трех ключевых компонентов любого потенциала рынка, т.е.:
- количества потребляющих единиц,
- покупательной способности этих потребляющих единиц,
- готовности этих потребляющих единиц к расходам.
Статистические индикаторы этих трех переменных определяются для выбранной территориальной базы (страна, область, район, город), после чего определяется средневзвешенный индекс для каждой зоны. Существует два подхода к его определению: использовать стандартный индекс покупательной способности (ИПС), который предлагают фирмы по изучению рынка, или построить индекс специально для анализируемого сектора или гаммы товаров.
Изложенные подходы используются и при прогнозировании спроса. В этих целях в модели спроса включаются прогнозные оценки отдельных ее параметров.
 
 
3. Общая характеристика методов прогнозирования, применяемых в маркетинговых исследованиях
 
Проблема прогнозирования, вследствие быстрых, порой плохо предсказуемых изменений внешней среды, за последнее десятилетие стала особенно сложной. С учетом этих трудностей и критичности ошибок в прогнозах некоторые специалисты были вынуждены заговорить о тщетности прогнозирования. На самом деле прогнозирование – это обязанность, которую в явной или неявной форме неизбежно должны выполнять все организации.
Помимо получения возможных будущих оценок тех или иных исследуемых параметров, целью прогнозирования также является побуждение к размышлению о том, что может произойти во внешней среде и к каким последствиям для фирмы это приведет. Прогнозирование повышает бдительность менеджеров и, следовательно, их способность реагировать на изменения. Этот эффект достигается даже тогда, когда план не выполнен в связи с тем, что некоторые гипотезы, положенные в основу прогнозного сценария, не материализовались.
Методы прогнозирования, как и все методы, используемые при проведении маркетинговых исследований, можно классифицировать на эвристические, при применении которых преобладают субъективные начала и на экономико-математические методы, при применении которых преобладают объективные начала, к числу которых относятся статистические методы .
Эвристические методы предполагают, что подходы, используемые для формирования прогноза, не изложены в явной форме и неотделимы от лица, делающего прогноз, при разработке которого доминируют интуиция, прежний опыт, творчество и воображение. К данной категории методов относятся методы социологических исследований и экспертные методы. Причем опрашиваемые, давая свои оценки, могут основывать свои суждения, как на голой интуиции, так и используя определенные причинно-следственные связи, данные статистики и расчетов.
Так при прогнозировании спроса изучаются предпочтения потребителей; в качестве экспертов может рассматриваться торговый персонал, обслуживающий определенные территории, дилеры, дистрибьютеры, консультанты по маркетингу и т.д.
При использовании экономико-математических методов подходы к прогнозированию четко сформулированы и могут быть воспроизведены другими лицами, которые неизбежно придут к получению такого же прогноза.
Если при применении экспертных методов структура причинно-следственных связей, используемая разными экспертами, может быть различной, то при использовании экономико-математических методов структура моделей устанавливается и проверяется экспериментально, в условиях, поддающихся объективному наблюдению и измерению.
Определение системы факторов и причинно-следственной (казуальной) структуры исследуемого явления – исходная точка экономико-математического моделирования.
На самом деле все эти методы являются взаимодополняющими. Эффективная прогнозная система должна обеспечить возможность использования любого из этих методов.
Примером сложной задачи прогнозирования, которая не решается с помощью какого-то одного метода, является прогнозирование объема продаж нового товара. При проведении маркетинговых исследований оцениваются объемы продаж нового товара в течение первых лет (скажем трех) после выпуска. Для этой цели могут быть применены экспертные методы, методы опросов, проведение продаж на контрольном рынке.
Экспертные оценки, сформулированные специалистами по маркетингу, базируются на сведениях, собранных на стадии предварительного анализа и учитывающих данные о продажах конкурентов, размере потенциального рынка, общем спросе, долях продуктов различных марок на рынке, доступности сбытовых сетей и др.
Недостающая информация собирается путем прямых опросов потенциальных пользователей, торговцев, поставщиков и, если это возможно, конкурентов.
Проверка рынка, или контрольная продажа, в ходе которой наблюдается реальное рыночное поведение покупателей, позволяет оценить уровень пробных и повторных закупок и объем потенциальных продаж нового товара. Можно также провести пробные продажи по месту жительства или эксперименты в специальных лабораториях-магазинах.
Данные методы обычно применяются совместно. Используя любой из перечисленных или какой-либо иной подход, служба маркетинга должна установить перспективный объем продаж нового товара, на основе которого разрабатываются стратегии запуска товара.
Ясно, что в условиях сильно изменчивой внешней среды интуиция и воображение способны стать важными инструментами восприятия реальности, дополняя количественные подходы, которые, по определению, опираются только на наблюдаемые факторы. С другой стороны, понятно, что чисто качественному методу также присущи значительные погрешности и что интуиция должна в возможно большей степени проверяться с помощью доступных фактов и знаний. Таким образом, следует обеспечить совместное использование этих двух подходов.
Что касается прогнозирования спроса, то в методологически правильной постановке – это искусство оценки будущего спроса при предположении об определенном поведении покупателей в заданных условиях. Прогнозирование спроса в данном случае должно осуществляется в три этапа. Вначале разрабатывается прогноз внешней среды, затем – прогноз развития данной отрасли, наконец, разрабатывается прогноз величины спроса на товары конкретной компании. Такие комплексные, тем более аналитические модели, разработать и реализовать чрезвычайно сложно, поэтому на практике получили применение более простые статистические модели.[5, 104]
Все прогнозы объема продаж строятся на использовании трех видов информации, полученных на основе изучения: что люди говорят, что люди делают и что люди сделали. Получение первого вида информации основывается на изучении мнения потребителей и покупателей, торговых агентов и посредников. Здесь используются методы социологических исследований и экспертные методы. Изучение того. что люди делают предполагает проведение тестирования рынка. Изучение того, что люди сделали, предполагает анализ статистических данных о сделанных ими покупках.
Обычно в данном случае речь идет о прогнозировании на основе статистических данных по объему продаж для конкретной компании или конкретного рынка величины текущего рыночного спроса на определенный товар. В литературе, в которой приводятся результаты использования тех или иных статистических моделей, очень часто не делается различия между различными видами спроса, и его прямым образом отождествляют с объемом продаж.
 
4. Прогнозирование спроса, основанное на методах математической статистики
 
Можно выделить два метода разработки прогнозов, основанных на методах математической статистики: экстраполяцию и моделирование.
В первом случае в качестве базы прогнозирования используется прошлый опыт, который пролонгируется на будущее. Делается предположение, что система развивается эволюционно в достаточно стабильных условиях. Чем крупнее система, тем более вероятно сохранение ее параметров без изменения, конечно, на срок не слишком большой. Обычно рекомендуется, чтобы срок прогноза не превышал одной трети длительности исходной временной базы.
Во втором случае строится прогнозная модель, характеризующая зависимость изучаемого параметра от ряда факторов, на него влияющих. Она связывает условия, которые, как ожидается, будут иметь место и характер их влияния на изучаемый параметр.
Данные модели не используют функциональные зависимости; они основаны только на статистических взаимосвязях.
При построении прогнозных моделей чаще всего используется парный и множественный регрессионный анализ; в основе экстраполяционных методов лежит анализ временных рядов.
Парный регрессионный анализ основан на использовании уравнения прямой линии:
y = a +bx,
где y – оцениваемая или прогнозируемая зависимая переменная (результатив-
ный признак);
a – свободный член уравнения;
x – независимая переменная (факторный признак), используемая для 
определения зависимой переменной.
b – коэффициент регрессии, измеряющий среднее отношение отклонения результативного признака от его средней величины к отклонению факторного признака от его средней величины на одну единицу его измерения – вариация y, приходящаяся на единицу вариации x.
Коэффициенты a и b рассчитываются на основе наблюдений величин y и x с помощью метода наименьших квадратов [3].
Предположим, что торговый агент продает детские игрушки, посещая квартиры случайным образом. Отсутствие посещения какой-то квартиры означает отсутствие продажи или a = 0. Если в среднем каждый десятый визит сопровождается продажей на 62 доллара, то стоимость продажи на один визит составит 6,2 доллара или b = 6,2.
Тогда y = 0 + 6,2x.
Таким образом, можно ожидать, что при 100 визитах доход составит 620 долларов. Надо помнить, что эта оценка не является обязательной, а носит вероятностный характер.
Анализ на основе множественной регрессии основан на использовании более, чем одной независимой переменной в уравнении регрессии. Это усложняет анализ, делая его многомерным. Однако регрессионная модель более полно отражает действительность, так как в реальности исследуемый параметр, как правило, зависит от множества факторов.
Так, например, при прогнозировании спроса идентифицируются факторы, определяющие спрос, определяются взаимосвязи существующие между ними, и прогнозируются их вероятные будущие значения; из них при условии реализации условий, для которых уравнение множественной регрессии остается справедливым, выводится прогнозное значение спроса.
Все что касается множественной регрессии концептуально является идентичным парной регрессии, за исключением того, что используется более, чем одна переменная. Под этим углом зрения слегка изменяется терминология и статистические расчеты.
Многофакторное уравнение множественной регрессии имеет следующий вид:
y = a +b1 x 1 + b2x2 + b3 x3 +.... +bm xm,
где y – зависимая или прогнозируемая переменная;
xi – независимая переменная;
a – свободный член уравнения;
bi – коэффициент условно-чистой регрессии;
i = 1, m;
m – число независимых переменных (факторных признаков).
Термин «коэффициент условно-чистой регрессии» означает, что каждая из величин b измеряет среднее по совокупности отклонение зависимой переменной (результативного признака) от ее средней величины при отклонении зависимой переменной (фактора) x от своей средней величины на единицу ее измерения и при условии, что все прочие факторы, входящие в уравнение регрессии, закреплены на средних значениях, не изменяются, не варьируются.
Ограничением прогнозирования на основе регрессионного уравнения, тем более парного, служит условие стабильности или по крайней мере малой изменчивости других факторов и условий изучаемого процесса, не связанных с ними. Если резко изменится «внешняя среда» протекающего процесса, прежнее уравнение регрессии результативного признака на факторный потеряет свое значение.
Следует соблюдать еще одно ограничение: нельзя подставлять значения факторного признака, значительно отличающиеся от входящих в базисную информацию, по которой вычислено уравнение регрессии. При качественно иных уровнях фактора, если они даже возможны в принципе, были бы иными параметры уравнения. Можно рекомендовать при определении значений факторов не выходить за пределы трети размаха вариации как за минимальное, так и за максимальное значение признака-фактора, имеющееся в исходной информации.
Прогноз, полученный подстановкой в уравнение регрессии ожидаемого значения фактора, называют точечным прогнозом. Вероятность точной реализации такого прогноза крайне мала. Необходимо сопроводить его значение средней ошибкой прогноза или доверительным интервалом прогноза, в который с достаточно большой вероятностью попадают прогнозные оценки. Средняя ошибка является мерой точности прогноза на основе уравнения регрессии. Существуют усовершенствованные методы парной регрессии, в какой-то степени преодолевающие его недостатки [3, 44].
Простейшими методами прогнозирования спроса на основе статистической маркетинговой информации являются экстраполяционные методы, основанные на анализе временных рядов.
Многие данные маркетинговых исследований представляются для различных интервалов времени, например, на ежегодной, ежемесячной и др. основе. Такие данные называются временными рядами. Анализ временных рядов направлен на выявление трех видов закономерностей изменения данных: трендов, цикличности и сезонности, выявление причин изменения спроса в прошлом с последующим переносом полученных закономерностей на будущее.
Тренд характеризует общую тенденцию в изменениях показателей ряда. Те или иные качественные свойства развития выражают различные уравнения трендов: линейные, параболические, экспоненциальные, логарифмические, логистические и др. После теоретического исследования особенностей разных форм тренда необходимо обратиться к фактическому временному ряду, тем более что далеко не всегда можно надежно установить, какой должна быть форма тренда из чисто теоретических соображений. По фактическому динамическому ряду тип тренда устанавливают на основе графического изображения, путем осреднения показателей динамики, на основе статистической проверки гипотезы о постоянстве параметра тренда.
Циклический характер колебаний статистических показателей характеризуется длительным периодом (солнечная активность, урожайность отдельных культур, экономическая активность). Такие явления обычно не являются предметом исследования маркетологов, которых обычно интересует динамика проблемы на относительно коротком интервале времени.
Сезонные колебания показателей имеют регулярный характер и наблюдаются в течение каждого года. Они являются предметом изучения маркетологов (спрос на газонокосилки, на отдых в курортных местах в течение года, на телефонные услуги в течение суток и т.д.). Поскольку выявленные закономерности носят регулярный характер, то их вполне обоснованно можно использовать в прогнозных целях.
В отличие от прогноза на основе регрессионного уравнения прогноз по тренду учитывает факторы развития только в неявном виде, и это не позволяет «проигрывать» разные варианты прогнозов при разных возможных значениях факторов, влияющих на изучаемый признак. Зато прогноз по тренду охватывает все факторы, в то время как в регрессионную модель в лучшем случае невозможно включить в явном виде более 10-20 факторов.
Временные ряды помимо простой экстраполяции могут использоваться также в целях более глубокого прогнозного анализа, например, объема продаж. Целью анализа в данном случае является разложение временного ряда продаж на главные компоненты, измерение эволюции каждой составляющей в прошлом и ее экстраполяция на будущее. В основе метода лежит идея стабильности причинно-следственных связей и регулярность эволюции факторов внешней среды, что делает возможным использование экстраполяции. Метод состоит в разложении временного ряда на пять компонент:
- структурная компонента, или долгосрочный тренд, обычно связанный с жизненным циклом товара на исследуемом рынке;
- циклическая компонента, соответствующая колебаниям относительно долгосрочного тренда под воздействием среднесрочных флуктуаций экономической активности;
- сезонная компонента, или краткосрочные периодические флуктуации, обусловленные различными причинами (климат, социально-психологические факторы, структура нерабочих дней и т.д.);
- маркетинговая компонента, связанная с действиями по продвижению товара, временными снижениями цен и т.п.;
- случайная компонента, отражающая совокупное действие плохо изученных процессов, не представимых в количественной форме.
Для каждой компоненты рассчитывается параметр, основанный на наблюдавшихся закономерностях: долгосрочном темпе прироста продаж, конъюнктурных флуктуациях, сезонных коэффициентах, спец
и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.