|
Финансовый контроль и планирование с помощью Excelзначимого периода планирования вашего бизнеса. Прогнозирование и перспективы Для оценки будущих доходов на основе показателей прошедших периодов используют метод прогнозирования. При этом возникает необходимость в оценке некоторых количественных характеристик, например, таких как распределение издержек и количество служащих. К сожалению, многие компании слишком импровизируют при составлении прогнозов доходов и не используют новых эффективных способов прогнозирования при планировании своей хозяйственной деятельности. С помощью Ехсеl можно прогнозировать изменения многих переменных величин, если, конечно, у вас есть приемлемая базовая линия для составления прогноза. . Если ваш бизнес связан с телекоммуникациями, то вы, вероятно, станете прогнозировать ширину полосы частот, необходимую для обеспечения связи ваших пользователей с удаленными компьютерными системами. . Если вы управляете определенной производственной линией, то наверняка будете прогнозировать количество единиц продукции, которое предполагаете продать. Такой вид прогноза способен помочь определить ресурсы, необходимые для поддержания деятельности, например, такие как установка оборудования, складские помещения и обеспечение технического обслуживания. . Если вы являетесь менеджером отдела по обслуживанию клиентов, то для вас очень важно иметь возможность прогнозировать увеличение количества клиентов. На основании такого прогноза вы можете, например, принять решение о том, что необходимо изменить штат сотрудников, чтобы обеспечить новые потребности фирмы. Для начала необходимо убедиться, что базовая линия действительно хороша Базовая линия представляет собой числовое выражение результатов наблюдений, проводимых на протяжении длительного периода времени. С точки зрения прогнозирования, существует четыре важнейших характеристики базовых линий. . Базовая линия включает в себя результаты наблюдений – начиная самыми ранними и заканчивая последними. . Все временные периоды базовой линии имеют одинаковую продолжительность. Не следует смешивать данные, например, за один день со средними трехдневными показателями. На практике незначительные отклонения можно игнорировать. Например, в феврале и марте разное количество дней, однако эта незначительная разница в два – три дня обычно не учитывается в базовых линиях, построенных на основе ежемесячных результатов наблюдений. . Наблюдения фиксируются в один и тот же момент каждого временного периода. Например, при составлении базовой линии на основе еженедельных результатов, следует фиксировать данные только в один и тот же день недели. . Пропуск данных не допускается. Пропуск даже одного результата наблюдений нежелателен при прогнозировании, поэтому, если в ваших наблюдениях отсутствуют результаты за незначительный отрезок времени, постарайтесь восполнить их хотя бы приблизительными данными. Если ваша базовая линия отвечает всем четырем вышеупомянутым требованиям, то у вас гораздо больше шансов составить точный прогноз. Прогнозы с применением метода скользящего среднего Метод скользящего среднего применять достаточно несложно, однако он слишком прост для создания точного прогноза. При использовании этого метода прогноз любого периода представляет собой не что иное, как получение среднего показателя нескольких результатов наблюдений временного ряда. Например, если вы выбрали скользящее среднее за три месяца, прогнозом на май будет среднее значение показателей за февраль, март и апрель. Выбрав в качестве метода прогнозирования скользящее среднее за четыре месяца, вы сможете оценить майский показатель как среднее значение показателей за январь, февраль, март и апрель. Вычисления с помощью этого метода довольно просты и достаточно точно отражают изменения основных показателей предыдущего периода. Иногда при составлении прогноза они эффективнее, чем методы, основанные на долговременных наблюдениях. Например, вы составляете прогноз объема продаж давно и хорошо освоенной вашим предприятием продукции, причем средний показатель объема за последних несколько лет составляет 1000 единиц. Если ваша компания планирует значительное сокращение штата торговых агентов, логично предположить, что среднемесячный объем реализации будет сокращаться, по крайней мере на протяжении нескольких месяцев. Если для прогнозирования объема продаж в будущем месяце вы воспользуетесь средним значением данного показателя за последние 24 месяца, то, вероятно, получите результат, несколько завышенный по сравнению с фактическим. Но если прогноз будет составлен на основании данных всего лишь за три последних месяца, то он намного точнее отразит последствия сокращения штата торговых агентов. В данном случае прогноз будет отставать по времени от фактических результатов всего на один-два месяца, как это показано на рис. 9. Разумеется, это происходит потому, что при применении скользящего среднего за три последних месяца каждый из трех показателей (за этот временной период) отвечает за одну треть значения прогноза. При 24- месячном скользящем среднем показатели этих же последних месяцев отвечают только за 1/24 часть значения прогноза. Таким образом, чем меньше число результатов наблюдений, на основании которых вычислено скользящее среднее, тем точнее оно отражает изменения в уровне базовой линии. Пример. Предположим, вы – менеджер отдела обслуживания клиентов фирмы, специализирующейся на разработке программного обеспечения. На днях вы получили от внештатной сотрудницы сообщение по электронной почте, в котором она известила вас, что в последнее время ей постоянно звонят клиенты с жалобами на новые программы вашей фирмы. Вы просите ее зарегистрировать все жалобы, поступающие в течение двух недель и сообщить вам результаты. Полученный по истечении этого времени отчет включает ежедневное количество звонков с жалобами на конкретный программный продукт. Эти данные вы вводите в рабочий лист Ехсеl, расположив их в ячейках А1:А10, как показано на рис.10. Чтобы понять, существует ли какая-либо определенная тенденция поступления жалоб, вы создаете на основе средних данных о полученных звонках скользящее среднее (см. рис.10). Вы решаете воспользоваться трехдневным скользящим средним. Почему за трехдневный период? Ответ на этот вопрос таков: скользящее среднее за меньший период может не отразить тенденцию, а за более продолжительный период слишком сгладит ее. Одним из способов создания скользящего среднего в Ехсеl является прямое введение формулы. Таким образом, чтобы получить трехдневное скользящее среднее количества телефонных звонков, вы вводите: = СРЗНАЧ(А1:А3) в ячейку В4, а затем с помощью средства Автозаполнение копируете и вставляете эту формулу в ячейки В5:В10 (см. рис.10). В данном случае (и это видно из рисунка) показатель скользящего среднего действительно имеет тенденцию к увеличению, поэтому поставьте в известность о тревожной ситуации руководство отдела тестирования продукции вашей компании. Составление прогнозов с помощью надстроек скользящего среднего Другим способом применения скользящего среднего является использование надстройки Пакет анализа. Установить эту надстройку можно следующим образом. 1. Выберите команду Сервис-Надстройки. 2 Появится диалоговое окно Надстройки. Установите флажок опции Пакет анализа и щелкните на кнопке ОК. 3. При необходимости активизируйте рабочий лист, содержащий данные о вашей базовой линии. 4. В меню Сервис вы обнаружите новую команду Анализ данных. Выберите команду Сервис-Анализ данных. 5. Появится диалоговое окно Анализ данных, в котором содержатся все доступные функции анализа данных. Из списка выберите инструмент анализа Скользящее среднее и щелкните на кнопке ОК. 6. Появится диалоговое окно Скользящее среднее. 7. В поле Входной интервал наберите данные о вашей базовой линии либо укажите диапазон в рабочем листе, ссылка на него появится в этом поле. 8. В поле Интервал введите количество месяцев, которые хотите включить в подсчет скользящего среднего. 9. В поле ввода Выходной интервал введите адрес ячейки, с которой хотите начать выход (либо просто щелкните на этой ячейке в рабочем листе). 10. Щелкните на кнопке ОК. Ехсеl выполняет вместо вас работу по внесению значений в формулу для вычисления скользящего среднего. Значения скользящего среднего начинаются со значений #Н/Д, которые равны значению указанного вами интервала минус один. Это делается из-за недостаточного количества данных для вычисления среднего значения нескольких первых результатов наблюдений. На рис.11 показан результат вычисления скользящего среднего для данных, приведенных на рис.9, с интервалом в 3 периода. Как выполнить вычисления с использованием скользящего среднего Ехсеl Как правило, прогноз с применением скользящего среднего рассматривается как прогноз на период, непосредственно следующий за периодом наблюдения. Например, вы вычисляете скользящее среднее доходов от продаж по результатам трех месяцев, и последние данные наблюдений в базовой линии включают результаты за январь, февраль и март. Среднее значение этих трех данных обычно считаются скользящим средним для апреля, т.е. первого месяца, непосредственно следующего за результатами наблюдения. Однако надстройка для вычисления скользящего среднего (линия тренда) связывает прогноз с конечными результатами наблюдений в конкретном среднем значении. Сравните, например, рис.9, на котором скользящее среднее получено путем введения формул непосредственно в рабочий лист, с рис.11, составленным с помощью надстройки для вычисления скользящего среднего. Заметьте, что каждый показатель скользящего среднего на рис. 11 сдвинут на одну позицию по сравнению с рис.9. Это значит, что в данном примере прогнозом для третьего периода является значение 550, т.е. первое вычисленное скользящее среднее. Нелогично рассматривать некое число в качестве прогноза на период, на основе которого составлялся этот прогноз. В стандартной интерпретации значение 550 является прогнозом не на третий, а на четвертый месяц. Удобнее всего вводить формулы вручную. Однако существует и другое решение: когда будет вычислено скользящее среднее, выделите все эти значения и сместите их на одну строку листа вниз. Это действие присоединит прогнозы именно к тем периодам, с которыми они связаны. Составление прогнозов скользящего среднего с помощью диаграмм Вы можете изменить форму представления информации, создав график, в котором данные базовой линии используются для того, чтобы продемонстрировать линию тренда скользящего среднего. Однако при этом может возникнуть проблема: на графике не показаны фактические числовые значения скользящего среднего. Кроме того, у него есть еще один недостаток, о котором уже упоминалось раньше: прогноз создается на один временной период раньше. Причем в этом случае вы не сможете исправить ситуацию, так как не существует возможности изменить расположение линии тренда графика. Если эти недостатки вам не слишком мешают, то можете вычислить скользящее среднее, выполнив следующие шаги. 1. Выделите данные своей базовой линии. 2. Щелкните на кнопке Мастер диаграмм, расположенной на стандартной панели инструментов, либо выберите команду Вставка-Диаграмма-На новом листе. Если вам больше нравится первый способ, нажмите и, не отпуская правой кнопки мыши, выделите область на рабочем листе, в которой вам бы хотелось увидеть график. 3. На первом шаге работы средства Мастер диаграмм проверьте правильность ссылок на ячейки базовой линии и щелкните на кнопке Далее. 4. На втором шаге выберите тип диаграммы График и щелкните на кнопке Далее. 5. На третьем шаге выберите вид графика, включающий как линии, так и маркеры, например, вид 1, 4 или 5. Щелкните на кнопке Далее. 6. На четвертом шаге установите переключатель В столбцах опции Ряды данных находятся. Установите параметры опций Считать стлб. метками оси х или Считать стр. метками легенды. Щелкните на кнопке Далее. 7. На последнем шаге работы мастера определите названия диаграммы и осей, а также необходимость отображения легенды в соответствующих полях диалогового окна. Щелкните на кнопке Готово. 8. Если вы решили вставить диаграмму непосредственно в рабочий лист, щелкните на диаграмме дважды, чтобы открыть ее для редактирования. 9. Выделите ряд данных диаграммы, а затем выберите команду Вставка-Линия тренда. 10. В появившемся диалоговом окне Линия тренда щелкните на корешке вкладки Тип. Выберите линию тренда Скользящее среднее, а затем – необходимые периоды с помощью счетчика Точки. Период – это количество наблюдений, которое включается в любое вычисление скользящего среднего. 11. Щелкните на кнопке ОК. Закончив выполнение вышеперечисленных действий, вы увидите на графике линию тренда скользящего среднего (вместе с фактическими данными наблюдений), как это показано на рис.12. Первых несколько показателей скользящего среднего отсутствуют по той же причине, по которой средство Скользящее среднее возвращает вместо этих показателей #Н/Д. Дело в том, что скользящее среднее, включающее данные трех предшествующих наблюдений, не может быть вычислено до тех пор, пока не будет закончено наблюдение за третьим периодом. Прогнозирование о помощью функций регрессии Ехсеl Простое скользящее среднее является быстрым, но довольно неточным способом выявления общих тенденций временного ряда. Передвинуть границу оценки в будущее по временной оси можно с помощью одной из функций регрессии Ехсеl. Каждый из методов регрессии оценивает взаимосвязь между фактическими данными наблюдений и другими параметрами, которые зачастую являются показателями того, когда были сделаны эти наблюдения. Это могут быть как числовые значения каждого результата наблюдения во временном ряду, так и дата наблюдения. Составление линейных прогнозов: функция ТЕНДЕНЦИЯ Использование функции рабочего листа ТЕНДЕНЦИЯ – это самый простой способ вычисления регрессионного анализа. Предположим, результаты наблюдений внесены в ячейки А1:А10, а дни месяца расположены в ячейках В1:В10, как на рис.13. Выделите ячейки С1:С10 и введите следующую формулу, используя формулу массива: = ТЕНДЕНЦИЯ(А1:А10;В1:В10) и получим результат, показанный на рис.13. Рассматривая данный метод прогнозирования, следует обратить особое внимание на следующие моменты. . Каждый результат в ячейках С1:С10 получится на основе одной и той же формулы массива, внутри которой "спрятано" более сложное выражение. В данном случае формула имеет следующий вид: Ячейка С1: = 9,13 + 0,61*1 Ячейка С2: = 9,13 + 0,61*2 Ячейка С3: = 9,13 + 0,61*3 . Значение 9,13 представляет собой длину отрезка, отсекаемого на оси ординат линией прогноза, т.е. значение прогноза в начальный момент. Значение 0,61 равно угловому коэффициенту линии прогноза, другими словами, значения прогноза изменяются в результате изменений дат проведения наблюдений. . Поскольку все значения прогноза составляются на основе одних и тех же показателей отрезка, отсекаемого на оси ординат, и углового коэффициента, прогноз не отражает происходящих изменений во временном ряду. Например, данные ряда резко изменяются между восьмым (10) и девятым результатами наблюдений (16). Это изменение влияет на все значения прогноза, даже значение прогноза временного отрезка (2), хотя и располагается на шесть результатов наблюдений раньше, чем это изменение фактически произошло. . В данном примере функция ТЕНДЕНЦИЯ вычисляет прогноз, основанный на связи между фактическими результатами наблюдений и числами 1 – 10, которые могут отражать либо первых десять дней месяца, либо первых десять месяцев года. Ехсеl выражает первый аргумент как аргумент известные значения-у функции ТЕНДЕНЦИЯ, а второй – как аргумент функции известные-значения-х. Уже упоминалось, что регрессивный анализ позволяет производить перспективную оценку более удаленного будущего. Однако регрессивный прогноз, пример которого приведен на рис.13, распространяется за пределы данных самого последнего фактического наблюдения. Но на практике желательно составить прогноз хотя бы на первый, следующий за этим, период временного ряда (т.е. на тот, для которого еще нет результатов наблюдения). Дальше описывается, как это можно сделать с помощью функции ТЕНДЕНЦИЯ. Применяя данные рабочего листа, представленные на рис.13, введем в ячейку В11 число 11, а в ячейку С11 – следующее: = ТЕНДЕНЦИЯ(А1:А10;В1:В10;В11) На рис.14 продемонстрированы описанные выше действия. Первый аргумент – А1:А10 – определяет данные наблюдений базовой линии (известные-значения-у); второй аргумент – В1:В10 – определяет временные моменты, в которые эти данные были получены (известные-значения-х). Значение 11 в ячейке В11 является новым-значением-х и определяет время, которое связывается с перспективной оценкой. Формула фактически говорит о следующем: "Если известно, каким образом у- значения в диапазоне А1:А10 соотносятся с х-значениями в диапазоне В1:В10, то какой результат у-значения мы получим, зная новое х-значение временного момента, равное 11?". Полученное значение 15,87 является прогнозом на основе фактических данных на пока еще не наступивший одиннадцатый временной отсчет. Кроме того, существует возможность одновременного прогнозирования данных для нескольких новых временных моментов. Например, введите числа 11 – 24 в ячейки В11:В24, а затем выделите ячейки С11:С24 и введите с помощью формулы массива следующее: = ТЕНДЕНЦИЯ(А1:А10;В1:В10;В11:В24) Ехсеl вернет в ячейки С11:С24 прогноз на временные моменты с 11 по 24. Данный прогноз будет базироваться на связи между данными наблюдений базовой линии диапазона А1:А10 и временными моментами базовой линии с 1 по 10, указанными в ячейках В1:В10. Составление нелинейного прогноза: функция РОСТ Функция ТЕНДЕНЦИЯ вычисляет прогнозы, основанные на линейной связи между результатом наблюдения и временем, в которое это наблюдение было зафиксировано. Предположим, что вы составляете линейный график данных, на вертикальной оси которого отмечаете результаты наблюдений, а на горизонтальной фиксируете временные моменты их получения. Если эта взаимосвязь носит линейный характер, то линия на графике будет либо прямой, либо слегка наклоненной в одну или другую сторону, либо горизонтальной. Это и будет лучшей подсказкой о том, что взаимосвязь является линейной, и поэтому в данном случае функция ТЕНДЕНЦИЯ – самый удобный способ регрессивного анализа. Однако, если линия резко изгибается в одном из направлений, то это означает, что взаимосвязь показателей носит нелинейный характер. Существует большое количество типов данных, которые изменяются во времени нелинейным способом. Некоторыми примерами таких данных являются объем продаж новой продукции, прирост населения, выплаты по основному кредиту и коэффициент удельной прибыли. В случае нелинейной взаимосвязи функция Ехсеl РОСТ поможет вам получить более точную картину направления развития вашего бизнеса, чем при использовании функции ТЕНДЕНЦИЯ. Пример. Представим, что менеджер по закупкам отдела "Книга-почтой" недавно разослал клиентам новый каталог, рекламирующий роман, получивший очень высокую оценку критиков. Менеджер считает, что следует заранее заказать дополнительное количество экземпляров, чтобы не оказаться в ситуации, когда книга закончится раньше, чем перестанут приходить заявки на нее, менеджер начал отслеживать ежедневные заказы на роман, и регистрировать объемы продаж, как это показано на рис.15. На рис.15 демонстрируется, каким образом фактические и прогнозируемые данные фиксируются в стандартном линейном графике. Поскольку линия имеющихся в наличии товаров резко изгибается вверх, менеджер принимает решение составить прогноз с использованием функции РОСТ. Как и при использовании функции ТЕНДЕНЦИЯ, пользователь в данном случае может генерировать прогнозы, просто подставляя новые-значения-х. Чтобы спрогнозировать результаты 11 – 13 недель, следует ввести эти числа в ячейки В12:В14, а затем с помощью формулы массива в диапазон ячеек С2:С14 ввести следующее: = РОСТ(А2:А11;В2:В11;В2:В14) В ячейках С12:С14 приведены значения предварительной оценки количества заказов, которое может ожидать менеджер в последующие три недели при условии, что текущая тенденция роста останется неизменной. Однако следует учитывать, что такой оптимистичный прогноз на практике, вероятно, претерпит определенные изменения. Если при вычислении прогноза количество планируемых заказов превысит количество клиентов, от него, скорее всего, следует просто отказаться. А что было бы, если бы в вышеприведенном примере вместо функции РОСТ использовалась функция ТЕНДЕНЦИЯ? В этом случае, поскольку аргумент известные-значения-х носит линейный характер, функция ТЕНДЕНЦИЯ выдаст линейные значения. Из рис.16 видно, что ряд ТЕНДЕНЦИЯ в столбце С описывает прямую графика; кривая РОСТ намного точнее отражает тенденцию первых десяти результатов наблюдений, чем линия ТЕНДЕНЦИЯ. И все же в функции РОСТ нет ровным счетом ничего магического – просто она является очень удобным способом получения специфических логарифмических результатов. Натуральный логарифм не описывает всех нелинейных рядов – он может спрогнозировать квадратичный тренд или даже кубический. В таких случаях следует чаще прибегать к помощи функции ТЕНДЕНЦИЯ, поскольку при этом обеспечивается лучший контроль над вашими прогнозами. Регрессивный анализ с помощью диаграмм Иногда возникает необходимость провести регрессивный анализ непосредственно на графике, без введения в рабочий лист значений для прогноза. Это можно сделать с помощью графической линии тренда методом, во многом сходным с методом получения прогноза с применением скользящего среднего на основе графика. Постройте диаграмму на основе данных, содержащихся в ячейках А2:А25 (рис.17). Дважды щелкнув мышью на диаграмме, получим возможность ее редактировать. Щелкнем на ряде нужных данных для его выбора. После этого выполним следующие шаги. 1. Выберем команду Вставка-Линия тренда. 2. Выберем тип линии тренда Линейная. 3. Щелкнем на корешке вкладки Параметры. 4. В поле Вперед на введем количество желаемых периодов, на протяжении которых линия тренда будет проложена вперед. 5. При желании, можем установить флажок опции Показывать уравнение на диаграмме. В результате уравнение для прогноза разместится на графике в виде текста. Ехсеl может расположить уравнение таким образом, что оно перекроет некоторые данные графика или линии тренда (либо, частично, само уравнение). В этом случае выделите уравнение, щелкнув на нем мышью, а затем перетащите его в другое, более удобное место. б. Щелкнем на кнопке ОК. В отличие от линии тренда Скользящее среднее, с помощью линии тренда Линейная можно вернуть значения прогноза и, если специально указано, показать их на диаграмме. Прогнозирование с использованием функции экспоненциального сглаживания Сглаживание – это способ, обеспечивающий быстрое реагирование прогноза на все события, происходящие в течение периода протяженности базовой линии. Методы, основанные на регрессии, такие как функции ТЕНДЕНЦИЯ и РОСТ, применяют ко всем точкам прогноза одну ту же формулу. По этой причине достижение быстрой реакции на сдвиги в уровне базовой линии значительно затрудняется. Сглаживание представляет собой простой способ обойти данную проблему. Разработка перспективных оценок с применением метода сглаживания Основная идея применения метода сглаживания состоит в том, что каждый новый прогноз получается посредством перемещения предыдущего прогноза в направлении, которое дало бы лучшие результаты по сравнению со старым прогнозом. Базовое уравнение имеет следующий вид: F[t+1] = F[t] + а х е[t], . t– временной период (например, 1-й месяц, 2-й месяц и т.д.); . F[t] – это прогноз, сделанный в момент времени t; F[t+1] отражает прогноз во временной период, следующий непосредственно за моментом времени t; . + а – константа сглаживания; . + е[t] – погрешность, т.е. различие между прогнозом, сделанным в момент времени t, и фактическими результатами наблюдений в момент времени t. Таким образом, константа сглаживания является самокорректирующейся величиной. Другими словами, каждый новый прогноз представляет собой сумму предыдущего прогноза и поправочного коэффициента, который и передвигает новый прогноз в направлении, делающем предыдущий результат более точным. Использование средства Экспоненциальное сглаживание Методы прогнозирования под названием "сглаживание" учитывают эффекты выброса функции намного лучше, чем способы, использующие регрессивный анализ. Ехсеl непосредственно поддерживает один из таких методов с помощью средства Экспоненциальное сглаживание в надстройке Пакет анализа. С помощью средства Экспоненциальное сглаживание можно создать прогнозы, аналогичные приведенным на рисунке 18.Для вычисления каждого прогноза Ехсеl использует отдельную, но алгебраически эквивалентную формулу. Оба компонента – данные предыдущего наблюдения и предыдущий прогноз – каждого прогноза умножаются на коэффициент, отображающий вклад данного компонента в текущий прогноз. Активизировать средство Экспоненциальное сглаживание можно, выбрав команду Сервис-Анализ данных после загрузки надстройки Пакет анализа. Пример. Представим, что вы руководите агентством по прокату автомобилей, расположенным в районе Скалистых гор. По мере приближения зимы вы начинаете отслеживать поступление заявок клиентов на транспорт, снабженный багажниками для перевозки лыж. Через несколько дней после проведения исследований в вашей местности выпадает очень много снега и, как и следовало ожидать, количество вышеупомянутых заявок резко возросло. Итак, на десятый день наблюдения вам нужно узнать, сколько автомобилей, оборудованных багажником для лыж, необходимо приготовить, чтобы полностью удовлетворить спрос в одиннадцатый день. Согласно данному сглаженному прогнозу, для удовлетворения потребностей клиентов на одиннадцатый день необходимо иметь 16 или 17 автомобилей с багажниками для лыж. Такая оценка отражает как общий уровень данных базовой линии, так и увеличение количества заявок, произошедшее на восьмой день наблюдений. Фактическое число заявок в одиннадцатый день может упасть на несколько единиц в результате огромного количества причин, начиная от изменения погодных условий и заканчивая повышением цены на авиабилеты. Прогноз с использованием сглаживания позволяет наиболее выгодно сбалансировать "наплыв" заявок со средним показателем количества заявок в течение всего десятидневного периода. Необходимо обратить внимание на то, что, отражая повышение в базовой линии, произошедшее на восьмой день, значение прогноза на девятый день также увеличивается (см. рис.19). Чем меньше фактор затухания, тем точнее отражает прогноз последние данные наблюдений, а чем больше, – тем сильнее будет отставание прогноза от этих данных. Хорошие результаты получаются тогда, когда последние результаты наблюдений отражают произвольные (случайные) явления, которые долго не изменяют общего уровня временного ряда. Выбор константы сглаживания Следует избегать использования параметра Фактор затухания, который меньше значения 0,7. Если создается впечатление, что при большем значении константы сглаживания средство Экспоненциальное сглаживание действует значительно лучше, то, вероятнее всего, это происходит благодаря высокому уровню автокорреляции во временном ряду. Автокорреляция является очень важным параметром процесса прогнозирования. Он наблюдается в тех случаях, когда существует зависимость между данными наблюдений, полученными в определенное время, и данными наблюдений, полученными на несколько временных периодов раньше. Например, если вы объедините каждый результат наблюдения с результатом, непосредственно предшествующим ему, то сможете вычислить корреляцию между этими двумя наборами данных. Значение корреляции, которое, скажем, не меньше 0,5, означает высокий уровень автокорреляции во временном ряду. Определение уровня качества Как известно, один из путей увеличения дохода состоит в повышении качества продукции. Если товары имеют одинаковые потребительские характеристики, но один из них произведен известной фирмой, покупаемость таких товаров будет выше, нежели товаров, изготовленных менее известными компаниями. Само собой разумеется, что на продукцию высокого качества поступает меньше жалоб потребителей, меньше заявок о бесплатном сервисном обслуживании и гарантийном ремонте. При низком качестве продукции снижается уровень доходности, и в результате – уменьшается прибыль. Невозможно отрицать и тот факт, что уровень обслуживания покупателей также оказывает значительное влияние на коэффициент прибыли. Если сотрудники отдела обслуживания клиентов слишком много времени уделяют одному покупателю, это означает, что другие клиенты на время забыты и, возможно, уже планируют покупку у другого продавца. Если счет-фактура составлен небрежно или неправильно, это обычно приводит к задержке денежных поступлений; если отдел сервисного обслуживания заказывает ненужные запасные части, это неизменно станет причиной увеличения текущих издержек. Кроме того, если качество закупаемого сырья слишком высоко, то и себестоимость продукции, скорее всего, будет также слишком высока. Этими процессами можно управлять с помощью Ехсеl. Единственное, что для этого еще понадобится, – база данных. Применение статистического метода управления В основе СМУ (статистического метода управления – statistical process control) положена идея, смысл которой заключается в том, что в течение определенного периода времени можно выполнять наблюдения, снимать показания и на основе полученных данных определять, не вышел ли данный процесс из-под контроля. К таким наблюдениям относятся следующие показатели. . Количество бракованных единиц продукции, выявленных в течение всего производственного цикла. Среднее количество брака в партии готовой продукции. . Среднее количество запасных частей производимого изделия, которое должно соответствовать специфике и требованиям стандартов. Среднее количество ошибок в счете-фактуре. . Среднее время, в течение которого клиенты ожидают обслуживания. Средняя пропускная способность компьютерной сети вашего предприятия. Ключевые фразы: в течение определенного периода времени, средний, выход из-под контроля. Фраза в течение определенного периода времени означает, что СМУ основан на повторяющемся процессе, в ходе которого показатели фиксируются регулярно – еженедельно, ежедневно, почасово и т.д. Выбор частоты процесса наблюдения зависит от того, насколько точно вы хотите им управлять. Если данный процесс статичен и очень важен для успешной деятельности вашего предприятия, то вы, скорее всего, остановите свой выбор на почасовом фиксировании данных. Например, если компания производит керамическую плитку, то цвет глазури при выходе продукции из печи для обжига является очень важным параметром для клиентов. Термин средний означает, что СМУ зачастую зависит от выборочного контроля нескольких единиц продукции в любой момент времени. Предположим, вы решили проверить счета-фактуры, которые подготавливает отдел счетов дебиторов, на наличие ошибок. Проверка каждого документа была бы длительным и дорогостоящим мероприятием; но в то же время, проверяя, скажем, по одному счетуфактуре в день, вы, скорее всего, не получите более или менее точного результата. В подобных случаях СМУ подразумевает произвольную контрольную проверку, а для оценки процесса за определенный период времени используется средний показатель этой проверки. Можно, например, производить контрольную проверку пяти счетов-фактур в день и использовать для расчетов среднее количество ошибок, выявленных в ходе этой проверки. Можно также выполнять 100-процентную контрольную проверку. В этом случае вам придется проверять каждый элемент процесса, например, осуществить тестирование в производственном цикле каждой единицы продукции после окончания сборки изделия. Выход из-под контроля означает, что СМУ оперирует информацией не только о среднем уровне процесса, а также и о его способности изменяться. Предположим, вы – начальник отдела обслуживания клиентов компании, предоставляющей финансовые услуги, и 20 сотрудников вашего отдела занимаются приемом заказов клиентов по телефону. Вы организовываете проверку продолжительности шестнадцати телефонных разговоров в день, в результате которой узнаете, что средняя продолжительность разговора составляет 2 мин 20 с. Время (140 с), затрачиваемое на средний телефонный разговор, представляется вам вполне приемлемым показателем до тех пор, пока вы не заметите, что 12 разговоров продолжаются меньше 20 минут, а оставшиеся четыре из них – больше 6 мин каждый. Вероятно, вам захочется выяснить причину такого расхождения продолжительности разговоров. (Не личные ли это звонки? А может служащий заставляет ждать клиента, пока сам разыскивает данные, которые должен иметь под рукой?) Заметьте, что о вышеупомянутом расхождении в продолжительности разговоров вы не смогли бы узнать, если бы получили только средний показатель этого значения. Использование х- и s-диаграмм Для того чтобы представить данные в наглядной форме, в статистическом методе управления обычно используются диаграммы (рис.20,21). Диаграммы статического процесса бывают двух видов: одни отображают средние показатели процесса (х-диаграммы), а другие – стандартное отклонение (s-диаграммы). Стандартное отклонение (standart deviation) – это мера вариации отдельных показателей относительно среднего показателя. Стандартное отклонение аналогично понятию диапазона между максимальным и минимальным значениями, |
|
