需要予測の手法(調査および統計的手法)

需要予測の主な課題は、効果的な手法を選択することです。

組織が将来のリスクと不確実性を予測できる特定の方法はありません。 一般に、需要予測には2つのアプローチがあります。

最初のアプローチでは、専門家から消費者の購買行動に関する情報を収集するか、調査を実施して需要を予測します。 一方、2番目の方法は、統計的手法により過去のデータを使用して需要を予測することです。

したがって、需要予測の手法は、調査手法と統計手法に分かれていると言えます。 調査方法は一般に短期予測用ですが、統計的方法は長期的に需要を予測するために使用されます。

これらの2つのアプローチを図-10に示します。

これらの手法について説明します(図10を参照)。

調査方法

調査方法は、短期的に需要を予測する最も一般的で直接的な方法の1つです。 この方法には、消費者の将来の購入計画とその意図が含まれます。 この方法では、組織は消費者との調査を実施して、既存の製品とサービスの需要を判断し、それに応じて将来の需要を予測します。

調査方法では、図11に示す3つの演習を実施します。

調査方法(図11を参照)で実施される演習は、次のとおりです。

私。 専門家の世論調査:

製品に関する専門家の意見を提供するように専門家に要求する方法を指します。 通常、組織では、営業担当者は、さまざまな地域、地域、または都市で製品の需要を評価できる専門家として機能します。

営業担当者は消費者と密接に連絡しています。 したがって、彼らは消費者の将来の購入計画、市場の変化に対する彼らの反応、および他の競合製品に対する彼らの認識をよく知っています。 これらは、組織の製品に対する需要のおおよその推定値を提供します。 この方法は非常にシンプルで安価です。

ただし、次のような独自の制限があります。

a。 専門家の市場スキルとその経験に依存する推定値を提供します。 これらのスキルは個人によって異なります。 この方法では、正確な需要予測を行うことが困難になります。

b。 評価者の主観的な判断が含まれ、過大評価または過小評価につながる可能性があります。

c。 市場に関する情報が不十分な営業担当者から提供されたデータに依存します。

d。 国民総生産の変化、信用の利用可能性、業界の将来の見通しなどの要因を無視します。これらは需要予測に役立つことがあります。

ii。 Delphiメソッド:

需要を予測するグループの意思決定手法を指します。 この方法では、将来の製品の需要に関する意見を得るために、専門家グループから個別に質問が行われます。 これらの質問は、コンセンサスが得られるまで繰り返し尋ねられます。

さらに、この方法では、各専門家にグループ内の他の専門家が行った推定値に関する情報が提供されるため、他の推定値に対して推定値を修正できます。 このようにして、予測は専門家の間で相互確認され、より正確な意思決定に到達します。

専門家は、他者の見積もりに反応したり、提案を提供したりすることができます。 ただし、公正な判断を促進し、ハロー効果を軽減するために、専門家の間で見積もりを交換している間、専門家の名前は匿名のままです。

この方法の主な利点は、他のリソースに費やすことなく短時間で多くの専門家にアプローチするため、時間と費用対効果が高いことです。 ただし、この方法は主観的な意思決定につながる可能性があります。

iii。 市場実験方法:

製品の現在および将来の需要に関する必要な情報を収集します。 この方法は、実際の市場条件下での消費者行動に関する研究と実験を実施します。 この方法では、人口、収入レベル、文化的背景、消費者の嗜好など、市場の一部の領域が同様の機能で選択されます。

市場実験は、価格と支出の変化を利用して実行されるため、結果として生じる需要の変化が記録されます。 これらの結果は、将来の需要の予測に役立ちます。

この方法には、次のようなさまざまな制限があります。

a。 高価な方法を指します。 したがって、小規模組織では手頃な価格ではない場合があります

b。 ストライキ、政治的不安定、自然災害などのさまざまな社会経済的条件による実験結果に影響を与える

統計的方法

統計的手法は、需要予測の手法の複雑なセットです。 これらの方法は、長期的に需要を予測するために使用されます。 この方法では、需要は履歴データと断面データに基づいて予測されます。

履歴データとは、前年のバランスシートや市場調査レポートなど、さまざまなソースから取得した過去のデータを指します。 一方、断面データは、個人とのインタビューを実施し、市場調査を実施することにより収集されます。 調査方法とは異なり、統計的方法は主観的要素がこれらの方法で最小であるため、費用効果が高く信頼性があります。

これらのさまざまな統計手法を図-12に示します。

さまざまな統計手法(図12を参照)。

トレンド予測方法

トレンド予測または最小二乗法は、ビジネス予測の古典的な方法です。 この方法では、需要を予測するために大量の信頼できるデータが必要です。 さらに、この方法では、過去の傾向の原因である販売や需要などの要因が将来も変わらないことを前提としています。

この方法では、前年度の会計帳簿から取得した過去のデータを分析することにより、販売予測が行われます。 新しい組織の場合、販売データは同じ業界にすでに存在する組織から取得されます。 この方法では、製品の需要を予測するために販売に関する時系列データを使用します。

表-1は、XYZ組織の時系列データを示しています。

トレンド予測方法では、次の3つの方法が考慮されます。

私。 グラフィカルな方法:

グラフを使用して、組織の将来の売上を予測するのに役立ちます。 売上データはグラフにプロットされ、プロットされたポイントには線が引かれます。

これを図-13に示すグラフを通して学びましょう。

図-13は、XYZ Organizationの売上データを考慮してプロットされた曲線を示しています(表-1)。 線Pは曲線の中点を通って描かれ、Sは直線です。 これらのラインは、約47トンである2010年の将来の売上を得るために延長されます。 この方法は非常にシンプルで安価です。 ただし、この方法で行われる予測は、予測者の個人的なバイアスに基づいている場合があります。

ii。 近似トレンド法:

統計手法を使用して、傾向線(曲線)を売上の時系列データに適合させる最小二乗法を意味します。

この方法では、次の2つのタイプの傾向が考慮されます。

a。 線形トレンド:

売上が上昇傾向を示す傾向を意味します。

線形トレンドでは、次の直線トレンド方程式が当てはまります。

S = A + BT

どこ

S =年間売上高

T =時間(年)

AとBは定数です

Bは、年間売上の増加の尺度を示します

b。 指数トレンド:

過去数年間に売上が増加率または一定率で増加する傾向を意味します。

使用される適切なトレンド方程式は次のとおりです。

Y = aTb

どこ

Y =年間売上

T =年単位の時間

aとbは定数です

これを対数に変換すると、方程式は次のようになります。

ログY =ログa + bログT

この方法の主な利点は、使いやすいことです。 さらに、この方法のデータ要件は非常に限られており(販売データのみが必要なため)、安価な方法です。

ただし、この方法には次のような特定の制限もあります。

1.変数の過去の変化率が将来も同じままであると仮定します。これは実際の状況では適用されません。

2.短期推定値に適用されず、トレンドが周期的で変動が大きい場合

3.従属変数と独立変数の関係を測定しません。

iii。 ボックスジェンキンス法:

短期予測にのみ使用される方法を指します。 この方法は、長期トレンドを明らかにしない定常時系列データのみで需要を予測します。 時系列データが月次または季節ごとの変動をある程度の規則性で表している状況で使用されます。 たとえば、この方法は、冬季のウールの服の販売予測を推定するために使用できます。

気圧法

気圧法では、需要は過去のイベントまたは現在発生している主要な変数に基づいて予測されます。 この方法は、貯蓄、投資、収入などのさまざまな経済指標の予測にも使用されます。 この方法は、1920年にハーバード経済サービスによって導入され、1930年代に国立経済調査局(NBER)によってさらに改訂されました。

この手法は、ビジネスアクティビティの一般的な傾向を判断するのに役立ちます。 たとえば、政府が建物を建設するためにXYZ社会に土地を割り当てたとします。 これは、セメント、レンガ、鉄鋼に対する高い需要があることを示しています。

この方法の主な利点は、過去のデータがなくても適用できることです。 ただし、この方法は新製品の場合には適用できません。 さらに、経済指標と需要の間にタイムラグがないと、その適用性を失います。

計量経済学の方法

計量経済学的手法は、統計ツールと予測のための経済理論を組み合わせたものです。 この方法で作成された予測は、他の方法よりも非常に信頼できます。 計量経済学モデルは、回帰モデルと連立方程式モデルの2種類の方法で構成されています。

これら2つのタイプの方法は、次のように説明されています。

私。 回帰方法:

需要予測の最も一般的な方法を参照してください。 回帰法では、需要が従属変数であり、需要を決定する変数が独立変数である場合、製品の需要関数が推定されます。

1つの変数のみが需要に影響を与える場合、それは単一変数需要関数と呼ばれます。 したがって、単純な回帰手法が使用されます。 需要が多くの変数の影響を受ける場合、多変数需要関数と呼ばれます。 したがって、このような場合、重回帰が使用されます。

単純な多重回帰手法については、次のように説明します。

a。 単純回帰:

1つが独立変数で、もう1つが従属変数である2つの変数間の関係を調べることを指します。

単純回帰の計算式は次のとおりです。

Y = a + bx

ここで、Y = Xの特定の値に対するYの推定値

b = Xの単位変更によって生じるYの変更量

aおよびb =定数

aとbを計算する方程式は次のとおりです。

例の助けを借りて、単純な回帰を計算することを学びましょう。 研究者が、従業員(販売グループ)の満足度と組織の売上との関係を調査したいとします。

従業員からのアンケートの形でフィードバックを受け取り、10が最高で1が最低である10ポインタースケールで満足度を評価するように依頼しました。 研究者は、販売グループの個々のメンバーごとに販売データを取得しました。 彼/彼女は、すべての個人の1年間の月間売上の平均を取得しています。

収集されたデータは表-2に整理されています。

従業員の満足度(X)と売上の平均の計算は次のとおりです。

これは、研究者がYの推定値を見つけるためにXの任意の値を取得できる回帰式です。

たとえば、Xの値が9の場合、Yの値は次のように計算されます。

Y = -1.39 + 1.61X

Y = -1.39 + 1.61(9)

Y = 13。

前の例の助けを借りて、従業員が満足すれば、彼/彼女の出力が増加すると結論付けることができます。

b。 重回帰:

複数の独立変数と従属変数の間の関係を調べることを指します。

2つの独立変数と1つの従属変数の場合、次の方程式を使用して重回帰を計算します。

Y = a + b1X1 + b2X2

ここで、Y(従属変数)= X1およびXの特定の値に対するYの推定値

X1およびX2 =独立変数

b1 = Xの単位変更によって生じるYの変更量

b2 = X2の単位変更によって生成されるYの変更量

a、b1、b2 =定数

aとbの値を計算するために使用される方程式は次のとおりです。

方程式の数は、独立変数の数に依存します。 2つの独立変数がある場合、3つの方程式などがあります。

例の助けを借りて、重回帰の計算を学びましょう。 研究者が25人の学生のグループの中間パーセンテージ、卒業パーセンテージ、およびMATパーセンタイルの関係を調べたいとします。

中間パーセンテージと卒業パーセンテージは独立変数であり、MATパーセンタイルは従属変数であることに注意することが重要です。 研究者は、MATのパーセンタイルが中間および卒業の割合に依存しているかどうかを調べたいと考えています。

収集されたデータを表-3に示します。

重回帰の計算に必要な方程式は次のとおりです。

これらの方程式は、手動で重回帰方程式を解くために使用されます。 ただし、SPSSを使用して重回帰を見つけることもできます。

前の例でSPSSを使用すると、表4に示す出力が得られます。

表-5に、回帰モデルの概要を示します。 この表では、Rは独立変数と従属変数の間の相関係数であり、この場合は非常に高くなっています。 R Squareは、モデルの変動の大部分が州の雇用機会によって示されることを示しています。 推定の標準誤差は非常に低く、1.97です。 また、現在のデータの変動が少ないことも示しています。

表6は、回帰モデルの係数を示しています。

表-6は、計算されたt値が有意t値より大きいことを示しています。 したがって、係数は、独立変数と従属変数の間の因果関係を示します。

表7は、調査中の2つの変数のAN OVAテーブルを示しています。

表7は、モデルの変動の分析を示しています。 回帰行は、回帰モデルに起因する変動を示しています。 ただし、残りの行は偶然に発生した変動を示しています。 表7では、回帰行の平方和の値は、残差行の平方和の値よりも大きくなっています。 そのため、ほとんどのバリエーションは、モデルが原因でのみ生成されます。

計算されたF値は、有意値と比較して非常に大きくなります。 したがって、中間のパーセンテージと卒業のパーセンテージは、学生のMATパーセンタイルに強い影響を与えると言えます。

連立方程式:

いくつかの連立方程式を含みます。

このモデルに含まれる変数には、次の2つのタイプがあります。

私。 内生変数:

モデル内で決定される入力を参照してください。 これらは制御変数です。

ii。 外因性変数:

モデルの入力を参照してください。 例としては、時間、政府支出、および気象条件があります。 これらの変数は、モデルの外部で決定されます。

完全なモデルを開発するには、最初に内生変数と外生変数を決定します。 その後、外生変数と内生変数の両方に関する必要なデータが収集されます。 データが必要な形式で利用できない場合があるため、モデルに合わせて調整する必要があります。

必要なデータの開発後、モデルは適切な方法で推定されます。 最後に、モデルは外生変数の観点から内生変数ごとに解かれます。 最終的に予測が行われます。

その他の統計的尺度

統計的方法とは別に、需要予測には他の方法があります。 これらのメジャーは非常に具体的であり、特定のデータセットにのみ使用されます。 したがって、すべてのタイプの研究に対して、その使用法を一般化することはできません。

これらの測定値を図-14に示します。

さまざまなタイプの統計的尺度(図14を参照)は、次のように説明されています。

iii。 インデックス番号:

期間/基準期間に関して、変数または関連する変数のグループの変動を調査するために使用される指標を指します。 それらは、製品の価格や数量などのさまざまな要因を研究するために、経済学および金融研究で最も一般的に使用されています。 問題の原因となっている要因が特定され、計算されます。

主に次の4種類のインデックス番号があります。

a。 単純なインデックス番号:

基準年に対する単一の変数の相対的な変化を測定する数値を指します。

b。 複合インデックス番号:

基準年に対する関連変数のグループの相対的な変化を測定する数値を指します。

c。 価格指数番号:

異なる期間における商品の価格の相対的な変化を測定する数値を指します。

d。 数量インデックス番号:

異なる期間の商品に対して生産、消費、または販売された商品の物理量の相対的な変化を測定する数値を指します。

時系列分析:等間隔の時間間隔での一連の観測の分析を指します。 たとえば、会社の設立から現在の状況までの会社の成長を分析します。 時系列分析は、公共部門、経済学、研究などのさまざまな分野に適用できます。

時系列分析には、次のようなさまざまなコンポーネントがあります。

a。 長期トレンド:

Tで示され、一定期間にわたって流行しているトレンドを指します。 データ系列の長期トレンドは、上昇または下降する可能性があります。 上昇傾向は、商品価格の上昇など、変数の増加を示しています。 一方、下降傾向は、特定の製品の病気や売上の減少など、減少段階を示しています。

b。 短時間振動:

より短い期間残る傾向を指します。

次の3つの傾向に分類できます。

1.季節的傾向:

Sで示され、特定の期間に年々発生するトレンドを指します。 そのような傾向の理由は、気象条件、祭り、および他のいくつかの習慣です。 季節的な傾向の例としては、冬の羊毛の需要の増加や、ディワリ近くの甘いものの売り上げの増加があります。

2.循環トレンド:

Cで示され、1年以上続くトレンドを指します。 周期的な傾向は、本質的に連続的でも季節的でもありません。 周期的な傾向の例は、ビジネスサイクルです。

3.不規則な傾向:

Iで示され、本質的に短く予測不可能なトレンドを指します。 不規則な傾向の例は、地震、火山噴火、洪水です。

決定木分析:

組織で決定を下すために使用されるモデルを指します。 決定木分析では、問題の最適な解決策を決定するためにツリー型構造が描かれます。 この分析では、特定の問題を解決するために適用できるさまざまなオプションを最初に見つけます。

その後、各オプションの結果を確認できます。 これらのオプション/決定は正方形のノードで接続され、結果は円形のノードで示されます。 デシジョンツリーのフローは左から右である必要があります。

決定木の形状を図-15に示します:

例の助けを借りて、決定木の働きを理解しましょう。 組織が顧客ベースを増やすためにセグメンテーションのタイプを決定したいとします。

この問題は、図-16に示す決定ツリーを使用して解決できます。

図-16では、デシジョンツリーは2つのタイプのセグメンテーション、つまり人口統計セグメンテーションと地理セグメンテーションを示しています。 次に、これら2つのセグメンテーションの結果を分析します。 人口統計のセグメンテーションを分析するには、S 40, 000(推定コスト)を負担する必要があります。 人口統計セグメンテーションの結果は、良好、中程度、および不良になります。

3つのオプション(良好、中程度、および不良)について3年間の予測収入は次のとおりです。

良い= 21500000ドル

中= 950000ドル

悪い= S300000

結果に割り当てられた確率は、良い場合は0.4、中程度の場合は0.5、悪い場合は0.1です。

次に、人口統計セグメンテーションの結果を次の方法で計算します。

良い= 0.4 * 2100000 = 840000

適度= 0.5 * 950000 = 475000

悪い= 0.1 * 300000 = 30000

同様に、地理的なセグメンテーションの場合、発生するコストは70000ドル(推定コスト)です。 地理的なセグメンテーションの結果は、良くも悪くもなります。

2つのオプション(良いものと悪いもの)の3年間の予測収入は次のとおりです。

良い= 1350000ドル

悪い= 260000ドル

結果に割り当てられた確率は、良い場合は0.6、悪い場合は0.4です。

ここで、地理的セグメンテーションの結果を次の方法で計算します。

良い= 0.6 * 1350000 = 810000ドル

悪い= 0.4 * 260000 = 104000ドル

ここで、次の方法で、2つのセグメンテーションから1つのセグメンテーションを選択する決定を行うための2つの結果を分析します。

人口統計セグメンテーションの場合:

良い= 840000-40000 = $ 800000

モデレート= 475000-40000 = 435000ドル

悪い= 30000-40000 = $(10000)

同様に、地理的セグメンテーションの場合:

良い= 810000-70000 = $ 740000

悪い= 104000-70000 = $ 340000

計算からわかるように、人口統計セグメンテーションを選択すると、最大推定利益は800000ドルになります。人口統計セグメンテーションでは、製品が市場で成功しなかった場合、損失が発生する可能性があります(10, 000)。

地理的セグメンテーションを選択すると、最大推定利益は740000ドルになります。地理的セグメンテーションでは、製品が市場で成功しなかった場合、利益が少なくなります(S 340000)。 したがって、製品のマーケティングには損失を伴わないため、地理的なセグメンテーションを使用することをお勧めします。

 

コメントを残します