Подсистемы входа (обработки данных маркетинговых исследований и маркетинговой разведки) собирают данные из внешних и внутренних источников и вводят их в базу данных. Подсистемы выхода (продукта, цены, распределения и продвижения) обрабатывают данные, переводя их в затребованную менеджерами информацию. Подсистема "Стратегии комплекса маркетинга" помогает менеджерам разрабатывать стратегии на основе объединенного эффекта четырех элементов комплекса маркетинга.

Очевидно, что единого типового образца МИС не существует. Руководство организации и ее маркетинговых служб предъявляет к информации свои специфические требования, оно руководствуется своими собственными представлениями, как о собственной организации, так и о ее внешней среде; у него существует своя собственная иерархия потребностей в информации и свой индивидуальный стиль руководства, зависящий от личных и деловых качеств сотрудников управленческого аппарата и сложившихся между ними взаимоотношений. Кроме того, эффективная МИС может быть результатом лишь постепенного развития первоначальной системы.

Вопрос 28. Прогнозирование элементов  рынка методом экстраполяции динамических рядов

Формализованные методы прогнозирования базируются на математической теории, которая  обеспечивает повышение достоверности и точности прогнозов, значительно сокращает соки их выполнения, позволяет облегчить деятельность по обработке информации  и оценке результатов. В составе формализованных методов анализа качества прогнозирования входят: методы экстраполяции и методы математического моделирования.

В данной главе рассмотрим основные из методов анализа качества прогнозов, используемые в статистике [1,2 и др.].

Термин «экстраполяция» имеет несколько толкований. В широком смысле слова экстраполяция- это метод научного исследования, заключающийся в распространении выводов, полученных из наблюдения над одной частью явления, на другую его часть. В узком смысле слова экстраполяция означает нахождение по ряду данных функций других ее значений, находящихся вне этого ряда. Экстраполяция заключается в изучении сложившихся в прош8лом и настоящем устойчивых тенденций экономического развития и перенесении их на будущее. В прогнозировании экстраполяция применяется при изучении временных рядов и представляет собой нахождение значений функций за пределами области ее определения с использованием информации о поведении данной функции в некоторых точках, принадлежащих области ее определения.

Различают перспективную и ретроспективную экстраполяцию. Перспективная означает продолжение уровней ряда динамики на будущее на основе выявленной закономерности изменения уровней в изучаемом отрезке времени. Ретроспективная экстраполяция характеризуется продолжением уровней динамики в прошлое.

Понятием, противоположным экстраполяции является интерполяция, интерполирование, которое предусматривает нахождение промежуточных значений функции в области ее определения. При изучении временных рядов в случае необходимости может производиться интерполирование промежуточных уровней.

Разграничивают формальную и прогнозную экстраполяцию. Формальная экстраполяция базируется на предположении и сохранении в будущем прошлых и настоящих тенденций развития объекта. Прогнозная экстраполяция увязывает фактическое состояние исследуемого объекта с гипотезами о динамики его развития. Она предполагает необходимость учета в перспективе альтернативных изменений самого объекта, его сущности [3,с . 111].

При формировании прогнозов с помощью экстраполяции исходят из статистически складывающихся тенденций изменения тех или иных количественных характеристик. Экстраполируются оценочные функциональные системные и структурные характеристики, например, количественные характеристики экономического, научного, производственного потенциала. Степень реальности такого рода прогнозов в значительной степени обуславливается аргументированностью выбора пределов экстраполяции и стабильностью соответствия «измерителей по отношению к сущности рассматриваемого явления. Последовательность действий при статистическом анализе тенденций и экстраполировании состоит в следующем [3, с. 28]:

1)    четкое определение задачи, выдвижение гипотез о возможном развитии прогнозируемого объекта, обсуждение факторов, стимулирующих развитие данного объекта, определение необходимой экстраполяции и ее допустимой дальности;

2)    выбор системы параметров;

3)    сбор и систематизация данных;

4)    выявление тенденций или симптомов изменения изучаемых величин в ходе статистического анализа данных.

Для повышения точности экстраполяции используются различные приемы. Например, экстраполируемая часть  общей кривой развития (тренд) корректируется с учетом реального опыта функционирования отрасли- аналога исследований объекта, опережающих в своем развитии прогнозируемый объект.

Тренд- это изменение, определяющее общее направление развития, основную тенденцию временных рядов. Под ним понимается характеристика основной закономерности движения во времени, в некоторой мере свободной от случайных воздействий. Тренд- это длительная тенденция изменения экономических показателей. При разработке моделей прогнозирования тренд оказывается основной составляющей прогнозируемого временного ряда, на которую уже накладываются другие составляющие.

Сущность метода наименьших квадратов состоит в отыскании параметров модели тренда, минимизирующих ее отклонение от  точек исходного временного ряда, то есть минимизации сумы квадратических отклонений между наблюдаемыми и расчетными величинами. Модель тренда может различаться по виду. Е выбор в каждом конкретном случае осуществляется в соответствии с рядом статистических критериев. Наибольшее распространение в практических исследованиях получили следующие функции: линейная, квадратичная, степенная, показательная, экспоненциальная, логистическая. Особенно широко применяется линейная функция, то есть сводимая к линейной форме, как наиболее простой и в достаточной степени удовлетворяющей исходным данным. Метод наименьших квадратов широко применяется при анализе  методов качества прогнозов в силу своей простоты и возможности реализации на компьютере. Недостаток данного метода состоит  том, что модель тренда жестко фиксируется, а это делает возможным его применение только при небольших периодах упреждения, то есть при краткосрочном прогнозировании [5, с. 145].

Метод экспоненциального сглаживания дает возможность получить оценки параметров тренда, характеризующих  не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Этот метод позволяет оценить параметры модели, описывающей тенденцию, которая сформировалась в конце базисного периода. Он не просто экстраполирует действующие зависимости в будущее, а приспосабливается, адаптируется к изменяющимся условиям  во времени.

Этот метод применяется при анализе качества прогнозов при кратко- и среднесрочном прогнозировании. Его преимущества состоят в том, что он не требует обширной информационной базы и предполагает ее интенсивный анализ с точки зрения информационной ценности различных членов временной последовательности. Модели, описывающие динамику показателя, имеют простую математическую формулировку, адаптивная эволюция параметров позволяет отразить неоднородность  свойств временного ряда.

Метод скользящей средней дает возможность выравнивать динамический ряд путем его расчленения на равные части с обязательным совпадением в каждой из них сумм модельных и эмпирических значений.

В целом, методы экстраполяции, основанные на продлении тенденций прошлого и настоящего на будущий период, могут использоваться  при анализе качества прогнозов лишь при периоде упреждения до пяти или семи лет. Важнейшим условием использования данных методов является наличие устойчивых выраженных тенденций развития какого- либо явления и процесса социально- экономической действительности.  При более длительных прогнозах эти методы не дают точных результатов.

         Прогнозирование элементов рынка методом экстраполяции динамических рядов проводим на конкретном примере.

Определим прогноз валового сбора зерна в 2000г. с помощью экстраполяции динамических рядов и полученный результат сравним с данными экспертов.

         Исходной информацией для экстраполяции являются временные ряды.

         При экстраполяции предполагается, что:

·     текущий период изменения показателей может быть охарактеризован плавной траекторией - трендом;

·     основные условия, определяющие технико-экономические показатели в текущем периоде, не претерпят существенных изменений в будущем, то есть в будущем они будут изменяться по тем же законам, что в прошлом и настоящем;

·     отклонения фактических значений показателей от линии тренда носят случайный характер и распределяются по нормальному закону.

         Прогнозное значение рассчитаем, используя табличный процессор Excel.   Так как первая половина ряда имеет существенные колебания, вызванные в основном влиянием внешней среды: политические события, социально-экономические факторы, изменения границ области и т.д., то в качестве ретроспективной информации возьмем данные с 1970 года.

         Представим информацию графически (рис. 3)

         Рис.3. Прогноз валового сбора зерна экстраполяцией динамического ряда

         В качестве прогнозной функции выбираем полином 5-й степени, уравнение которого приведено на рисунке 3. Величина R² = 0,5389 приемлема. Прогнозное значение валового сбора для 2000 года равно 2500 тыс.тонн, что превышает результаты экспертной оценки.

         При принятии управленческого решения должны быть учтены результаты, полученные и наивными, и экспертными методами.

Вопрос 48. Раскрыть преимущества прогнозирования с помощью  многофакторного  регрессионного метода по сравнению с другими  методами прогнозирования

В  многофакторной авторегрессионной модели порядка p любое текущее значение процесса y_t выражается как конечная линейная совокупность p предыдущих значений процесса и импульса a_t (уровни ряда регрессируют на своих предыдущих значениях):

y_t = φ ₁ y_t-1 + φ ₂ y_t-2 + ... + φ _p y_t-p + a_t

где y_t = x_t - φ . Эта модель содержит p + 2 неизвестных параметра: коэффициенты многочлена φ ₁, ... , φ _p, "средний уровень" процесса φ и дисперсию φ_a² белого шума, которые на практике следует оценить по наблюдениям.

Процесс y_t стационарен, если все корни полинома

 (B) = 1 - φ ₁ B - φ ₂ B² - ... - φ _p B^p ,

где В - оператор сдвига назад; B y_t = y_{t -1}, лежат внутри единичного круга |y| < 1. При слабых дополнительных предположениях стационарный процесс удовлетворяет уравнению авторегрессии бесконечного порядка, с достаточно быстро убывающими коэффициентами [4, с. 198].

Модель АР(1) при положительном коэффициенте автокорреляции представляет собой колебательный процесс с преобладанием длинных волн: в спектре подобного процесса присутствует подъем в области низких частот. Если коэффициент автокорреляции отрицателен, процесс является сильно осциллирующим, т.е. в спектре имеются пики в области высоких частот.

Модель АР(2) ведет себя по-разному в зависимости от того, являются ли корни соответствующего полинома действительными или мнимыми. В случае мнимых корней мы получим колебательный процесс с ярко выраженным периодом, а спектр модели будет содержит пик на соответствующей частоте. Неплохой пример подобного процесса - это колебания маятника под действием случайных возмущений. В случае действительных корней процесс АР(2) похож на процесс АР(1).

Например, для ряда NCAL можно предложить гипотетические модели АР(1) -

x_t = 2.086 + 0.3642 (x_{t -1} - 2.086)

и АР(2) -

x_t = 2.106 + 0.4805 (x_{t -1} - 2.106) - 0.3239 (x_{t -2} - 2.106),

а для ряда СКОРОСТЬ - модель АР(1):

x_t = 4.924 + 0.5946 (x_{t -1} - 4.924).

Все коэффициенты моделей являются значимыми по t-критерию, в отличие от моделей более высокого порядка разности (например, АР(3) для ряда NCAL).

Основные характеристики моделей представлены в таблице 1.

Таблица 1

Критерии качества полученных моделей авторегрессии

Очевидно, что модель АР(2) для ряда NCAL имеет существенно лучшие характеристики в смысле ряда остатков, чем модель АР(1).

Модель авторегресии ряда СКОРОСТЬ имеет существенно худшие внутренние показатели, поскольку сам ряд в большей мере имеет нестационарный характер.

Задание 2.

Определите методологию каких областей знаний и дисциплины, по Вашему мнению, можно и  целесообразно использовать для решения маркетинговых задач. Знаний в каких   областях Вам недостаточно для понимания маркетинга и способов его применения.

РЕШЕНИЕ

         Для ответа на поставленные вопросы необходимо рассмотреть взаимосвязь маркетинга с другими дисциплинами.

         Маркетинг - одна из основополагающих дисциплин для профессиональных деятелей рынка, таких, как розничные торговцы, работники рекламы, исследователи маркетинга, заведующие производством новых и марочных товаров и т.п. Им необходимо знать, как описать рынок и разбить его на сегменты; как оценить нужды, запросы и предпочтения потребителей в рамках целевого рынка; как сконструировать и испытать товар с нужными для этого рынка потребительскими свойствами; как посредством цены донести до потребителя идею ценности товара; как выбрать умелых посредников, чтобы товар оказался широкодоступным, хорошо представленным; как рекламировать и продавать товар, чтобы потребители знали его и хотели приобрести.

Цель курса дисциплины маркетинга: освоение основ этой дисциплины для подготовки к принятию квалифицированных решений в сфере маркетинга. Взаимосвязь курса “Маркетинга” с другими дисциплинами представлена на рис.4.

Рис. 4. Взаимосвязь маркетинга с другими дисциплинами

Список литературы

1.     Ассель Г. Маркетинг: принципы и стратегии: Учеб. – М.: Инфра-М, 1999. – 804 с.

2.     Басовский  Л.Е.  Маркетинг: Курс лекций. – М.: Инфра- М, 1999. – 219 с.

3.     Беляевский И.К. Маркетинговое исследование: информация, анализ, прогноз: Учеб. Пособ. – М.: Финансы и статистика, 2001. – 320 с.

4.     Маркетинг/ Под ред. Э.А. Уткина. – М.: ТАНДЕМ, ЭКСМО, 1998. – 320 с.

5.     Маслова Т.Д., Божук С.Г., Ковалик Л.Н. Маркетинг. – СПб.: Питер, 2002. – 400 с.: ил.

6.     Панкрухин А.П. Маркетинг: Учеб.- М.: Институт международного права, 1999. -  398 с.

7.     Федько В.П., Федько Н.Г. Шапф О.А. Основы маркетинга: Учеб. Пособ. – Ростов- на Дону: Феникс, 2001. – 512 с.

8.     Ходяченко В.Б. Маркетинг: Учеб. Пособ. – СПб, 2001. – 264 с.