Предсказуемые продажи. Основные методы прогнозирования продаж. Использование Пакета аналитических инструментов

Ошибка многих бизнесменов — ведение продаж вслепую. Они не делают никаких прогнозов продаж, оценивая лишь итоги отчетного периода. Такая схема напоминает американские горки: то пик, то длительное затишье.

Почему так делать не стоит?

• Если не составлять прогноз продаж, персонала падает. Нет ориентира к чему стремиться.
• Любая цифра оценивается по принципу «хоть что-то».
• Нет духа конкуренции, нет лидеров, на которых необходимо равняться.

Чтобы достигать целей, их, прежде всего, надо ставить. Чтобы увеличить выручку, нужно составить прогноз. Главное, чтобы желаемый рост был реалистичен. Практика показывает, что цифры прогноза достигаются тогда, когда запланированные показатели отличаются от реальных возможностей ваших продавцов не более чем на 30-35%.

Обратите внимание на следующие способы составления прогноза:

1. Плюс 10% от достигнутого

Этот способ знаком тем, кто изучал советскую экономику и ее методику прогнозов. Основной смысл этого метода — в прогнозировании показателей на 10-15% выше, чем было достигнуто за предыдущий отчетный период.

Этот метод хорошо работает, когда в вашей компании уже выстроена система продаж, и у каждого менеджера установлены минимально допустимые показатели эффективности.

Однако при этом методе важно установить реальные возможности ваших продавцов. Чтобы прогноз имел вызов, а не содержал показатели нижней планки допустимого.

2. Равнение на лучших

Это популярный мотиватор достижения поставленных целей. Основная суть метода заключается в том, чтобы показать, что если кто-то смог оправдать ожидания прогноза продаж, то смогут и другие.

Однако в качестве ориентира на цифры в прогнозе этот метод не всегда бывает эффективным. Как минимум, потому что в любом отделе продаж есть «локомотивы» и «кандидаты на увольнение». Поэтому, чтобы прогноз был более реальным и оправданным, нужно ориентироваться на нечто среднее между результатами этих двух категорий.

3. Смотрим на конкурентов

Делать прогноз, исходя из собственных достижений, логично, но периодически необходимо сравнивать себя с конкурентами, чтобы выйти на лидирующие позиции.

Это отличный способ делать прогноз продаж, если у вас есть доступ к информации о конкурентах. К их стратегии, бизнес-процессах, закупочных ценах, скидках, и о многом таком, о чем не пишется в коммерческих предложениях и не рассказывается на сайте.

Достать эту информацию можно разными способами. В том числе, проводя партизанские методы работы. Например, позвонить конкуренту под видом покупателя и посмотреть, как выстроена у него цепочка работы с клиентом.

4. Поощряем свои желания

Один из методов составления прогноза продаж заключается в том, что вы отталкиваетесь от ваших реальных желаний. Пусть даже это не соответствует здравому смыслу. Но вы ставите себе за цель определенные цифры и подбираете методы его реализации.

5. Ориентируемся на свою воронку продаж

Этот метод можно применять при прогнозе, если у вас есть замеры результатов всех этапов продаж. Т.е. вы знаете все цифры, которые влияют на продажи в вашем бизнесе.

Чтобы получить все необходимые показатели — проанализируйте работу своего отдел. Для составления прогноза необходимы цифры за период 2-3 месяца.

Какую информацию вы должны анализировать:

• сколько времени в среднем тратится на один холодный звонок,
• сколько времени в среднем тратится на сбор информации о потенциальном клиенте,
• сколько надо сделать звонков, чтобы по цепочке добраться до лица, решения,
• сколько встреч реально может провести в день один менеджер,
• какой процент встреч заканчивается заказом,
• количество повторных продаж,
• средний чек.

Имея на руках эти цифры, вы можете составить реалистичный прогноз.

Как декомпозировать план

Необходимо определиться с целями, которые вы ставите в прогнозах. Дальше важно декомпозировать их на задачи для каждого сотрудника.

Поэтому, составляя прогноз продаж, разбейте общее видение на конкретные направления, с которыми нужно работать для достижения результата.

Необходимо составить следующие планы:

• По новым клиентам;
• По новым продуктам;
• По увеличению доли в текущих клиентах;
• По из различных каналов;
• По оттоку клиентов;
• По невозврату дебиторской задолженности (если есть такая проблема).

Каждую цифру в плане разбейте еще по следующим направлениям:

• По регионам;
• По отделам;
• По сотрудникам;
• По месяцам/дням;
• По промежуточным показателям эффективности с учетом показателей по в воронке (текущая и новая клиентская база).

Чем точнее и детальней вы раздробите цифры в каждом плане, тем вероятней осуществление прогноза.

Пример декомпозиции

Приведем пример декомпозиции прогноза продаж до уровня ежедневных показателей для каждого сотрудника. Но прежде, чем сделать это, убедитесь, что коммерческая структура работает оптимально. Необходимо провести небольшой аудит по 4 направлениям.

Клиенты. Нужно провести сегментацию текущей базы покупателей, чтобы выявить основные целевые группы и сосредоточиться на работе с наиболее рентабельными.

Каналы. Проанализируйте конверсию каждого из них с учетом средней стоимости лида и прекратите вкладывать в то, что не приносит результата.

Сотрудники. В отделе должны остаться работать только самые лучшие кадры. Отсев произойдет автоматически, если вы внедрите 2 принципа:

• принцип «сложного оклада», в котором бонусная часть за выполнение прогноза продаж составляет не менее 50%;
• принцип «больших порогов», который регулирует выплату бонусов: не выполнил до 80% плана – не получил бонус, 80-100% — плюс 1 оклад, перевыполнил план – плюс 2 оклада.

Продукты. Избавьтесь от неликвидных и низкомаржинальных продуктов. Это предотвратит расход ресурсов.

Опираясь на оптимально настроенную систему приступайте к декомпозиции, следуя плану ниже.

1. Определите прогнозную цифру прибыли. Посмотрите на прибыль предыдущих периодов. Исключите разовые сделки. Учтите влияние маркетинга и сезонность.

2. Зная свою маржинальность, по доле прибыли вычислите выручку.

3. Разделите выручку на средний чек и получите примерное количество сделок, которые нужно заключить, чтобы достичь поставленной прибыли.

4. Используя показатель конверсии из заявки в покупателя, просчитайте количество лидов.

5. По промежуточной конверсии в воронке рассчитайте общее количество действий, которые необходимо совершить в рамках бизнес процесса. Речь идет о звонках, встречах, презентациях, повторных звонках, высланных коммерческих предложениях, выставленных счетах.

6. Как только у вас будут количественные показатели каждого этапа, разделите их на количество рабочих дней прогнозного периода (чаще всего принято говорить о месяце).

Таким образом, вы выясните что и сколько должен делать каждый продавец, чтобы в итоге весь отдел закрыл план к концу месяца. Контролируйте выполнение этих показателей на ежедневной основе.

Мы уже разобрали, что такое временной ряд и функцию тренда. Теперь подробнее разберемся с терминологией и остановимся на одной из моделей временного ряда.

Из чего состоит временной ряд

Уровни временного ряда (Yt) представляют из себя сумму двух компонент:

1. Регулярную составляющую
2. Случайную составляющую

В свою очередь регулярная составляющая состоит из:

1. Тренда
2. Сезонности
3. Циклической составляющей

Однако, в модели необязательно наличие всех этих компонент сразу.

Случайная компонента отражает влияние случайных возмущений на модель, которые по отдельности имеют незначительное воздействие, но суммарно их влияние ощущается.

То есть, в общем случае временной ряд представляет из себя наличие четырех составляющих:

1. Тренд (Tt)
2. Сезонность (St)
3. Цикличность (Ct)
4. Случайные возмущения (Et)

Циклическая компонента, по сравнению с сезонностью, имеет более длительный эффект и меняется от цикла к циклу. Поэтому, ее обычно объединяют с трендом.

Виды моделей временного ряда

Обычно, выделяют две модели временного ряда и третью — смешанную.

При выборе необходимой модели временного ряда смотрят на амплитуду колебаний сезонной составляющей. Если ее колебания относительно постоянны, то выбирают аддитивную модель . То есть, амплитуда колебаний примерно одинакова:

Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель временного ряда, которая ставит уровни ряда в зависимость от значений сезонной компоненты.

Построение этих моделей сводится к расчету тренда (Tt), сезонности (St) и случайных возмущений (Et) для каждого уровня ряда (Yt).

Алгоритм построения модели

1. Выравниваем ряд с помощью скользящей средней, то есть сглаживаем ряд и отфильтровываем высокочастотные колебания.
2. Рассчитываем значение сезонной компоненты St.
3. Рассчитываем значения Tt с использованием полученного уравнения тренда.
4. Используя полученные значения St и Tt, находим прогнозные значения уровней временного ряда.
5. Оцениваем качество модели.

Реализация на практике

Итак, мы имеем на руках данные о продажах за 2016 и 2017 год и хотим спрогнозировать продажи на 2018 год.

Шаг 1

Следуя нашему алгоритму, мы должны сгладить временной ряд. Воспользуемся методом скользящей средней. Видим, что в каждом году есть большие пики (май-июнь 2016 и апрель 2017), поэтому возьмем период сглаживания пошире, например, месячную динамику, т.е. 12 месяцев.

Удобнее брать период сглаживания в виде нечетного числа, тогда формула для расчета уровней сглаженного ряда:

yi — фактическое значение i-го уровня ряда,

yt — значение скользящей средней в момент времени t,

2p+1 — длина интервала сглаживания.

Но так как мы решили использовать месячную динамику в виде четного числа 12, то данная формула нам не подойдет и мы воспользуемся этой:

Иными словами, мы учитываем половины от крайних уровней ряда в диапазоне, в остальном формула не претерпела больше никаких изменений. Вот ее точный вид для нашей задачи:

Сглаживаем наши уровни ряда и растягиваем формулу вниз:

Сразу можем построить график из известных значений уровня продаж и их сглаженной. Выведем ее уравнение и значение коэффициента детерминации R^2:

В качестве сглаженной я выбрала полином третьей степени, так как он лучше всего описывал уровни временного ряда и имел наибольший R^2.

Шаг 2

Так как мы рассматриваем аддитивную модель вида:

Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда и значениями скользящей средней St+Et = Yt-Tt, так как Yt и Tt мы уже знаем.

Используем оценки сезонной компоненты (St+Et) для расчета значений сезонной компоненты St. Для этого найдем средние за каждый интервал (по всем годам) оценки сезонной компоненты St.

Средняя оценка сезонной компоненты находится как сумма по столбцу, деленная на количество заполненных строк в этом столбце. В нашем случае оценки сезонной составляющей расположились в строках без пересечений, поэтому сумма по столбцам состоит из одиночных значений, следовательно и среднее будет таким же. Если бы мы располагали периодом побольше, например с 2015, у нас бы добавилась еще одна строка и мы смогли бы полноценно найти среднее, поделив сумму на 2.

В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем интервалам должна быть равна нулю. Поэтому найдя значение случайной составляющей, поделив сумму средних оценок сезонной составляющей на 12, мы вычитаем ее значение из каждой средней оценки и получаем скорректированную сезонную компоненту, St.

Шаг 3

Теперь рассчитываем значения уровня тренда T(t) по тому уравнению, которое мы получили при построении сглаженного тренда на первом шаге.

T(t) = - 23294 + 34114 * t - 1593 *t^2 + 26,3 *t^3

Вместо t используем значения из столбца Период из соответствующей строки.

Шаг 4

Имея рассчитанные значения S(t) и T(t) мы можем рассчитать прогнозные значения уровней ряда Y(t). Для этого накладываем уровни сезонности на тренд.

Теперь построим график известных значений Y(t) и спрогнозированных за 2018 год.

Вот мы и нашли спрогнозированные значения уровней продаж на 2018 год. Значения отражают возрастающую тенденцию и сезонные пики. Конечно, эти данные не дают 100% точности, ведь существует множество внешних воздействий, которые могут изменить направление тренда, поэтому к прогнозным значениям обычно строят доверительный интервал, это такой коридор, внутри которого могут колебаться прогнозные значения с заданной вероятностью (чаще всего выбирают 95%). Но об этом я расскажу в следующей статье.

Шаг 5

Осталось оценить точность модели. Для этого будем использовать среднюю ошибку аппроксимации, которая поможет рассчитать ошибку в относительном выражении. Иными словами, это среднее отклонение расчетных значений от фактических, которое вычисляется по формуле:

yi — спрогнозированные уровни ряда,

yi* — фактические уровни ряда,

n — количество складываемых элементов.

Итак, рассчитываем ошибку аппроксимации для нашего случая. Так как в основе нашего тренда лежит полином третьей степени, прогнозные значения начинают хорошо повторять фактические значения к концу 2016 года, думаю, я думаю, поэтому корректнее было бы рассчитать ошибку аппроксимации для значений 2017 года.

Сложив весь столбец с ошибками аппроксимации и поделив на 12, получаем среднюю ошибку аппроксимации 4,13%. Это значение меньше 15% и можем сделать вывод об адекватности модели.

Не забывайте, что прогнозы не бывают точными на 100%. Любые неожиданные внешние воздействия могут развернуть значения уровней ряда в неизвестном направлении 🙂

Цели и задачи прогнозирования объемов сбыта

Обладая информацией о продажах, накопленной в информационной системе, мы можем намного точнее подходить к определению стратегических целей и планов продаж, в том числе в разрезе разных групп продуктов, регионов и т. п.

Прогнозирование является «обоюдоострым» процессом. Результаты прогнозирования могут быть использованы как для улучшения качества принимаемых решений, так и для различных «политических игр», присущих, к сожалению, многим компаниям. Поэтому сначала осторожно обсудим основополагающие вопросы.

Для чего прогнозируют продажи.

Понимание целей такого нетривиального процесса, как прогнозирование, позволит значительно упростить этот процесс и повысить его точность. Поэтому давайте отбросим все стереотипы, оставшиеся со времен вуза или последнего общения с консультантами, и попробуем честно ответить на данный вопрос.

Не надо путать прогноз и план. Прогноз продаж - это величина объема продаж, которую возможно достигнуть при выполнении неких условий или при реализации некоторых событий. Данная величина может использоваться для уточнения плана продаж.

План продаж - это величина объема продаж, которую необходимо достигнуть, выполнив некоторые действия. На план продаж «завязано» практически все планирование в компании, он часто используется в расчетах мотивационных схем, нередко на него ориентируются акционеры и инвесторы.

Прогнозов может быть сколь угодно много, и они используются для поддержки принятия управленческих решений. План, как правило, один, и он напрямую или опосредованно определяет многие управленческие решения.

Результаты прогнозирования нужны для решения следующих задач.

1. Составление финансового плана и бюджета компании - в его доходной части. Объективная информация о планируемых доходах позволит более эффективно использовать финансовые ресурсы, которые доступны компании. Не следует думать, что план доходов определяет, когда и на что компания сможет потратить средства. На самом деле план доходов позволит более эффективно спланировать расходы, чтобы привлекать меньше заемного капитала и (или) выгодно реинвестировать свободные финансовые ресурсы. Если две последние мысли не очевидны для вашей компании, то вам стоит обратить внимание на необходимость внедрения технологий финансового менеджмента

Составление плана производства и закупок - данные планы связаны не только с необходимыми расходами, но и с планированием потребности в персонале, оборудовании, оптимизации производственного плана, экономии за счет снижения цен закупок, минимизации складских запасов и т. п.

2. Составление плана и бюджета продвижения - обеспечение необходимого объема продаж требует привлечения определенного количества клиентов, для чего необходимо провести ряд маркетинговых мероприятий, каждое из которых обладает определенным сроком воздействия (в течение которого вы получите основную отдачу) и стоимостью.

4. Мотивация сотрудников - в большинстве компаний мотива ция сотрудников, занимающихся продажами, и высшего руковод ства компании привязана к объему продаж. Соответственно, люди будут планировать свои личные доходы, опираясь на план продаж.

Если ни одна из этих задач не актуальна для вашей компании и вы не можете сформулировать ни одной другой веской причины, по которой вам необходимо прогнозировать продажи, не прогнозируйте их. Вы сэкономите много времени и ничего, очевидно, не потеряете. Ни в коем случае не стоит прогнозировать просто «ради интереса». Прогнозирование всегда строится на предпосылках, которые часто до конца понимает только тот специалист, который считает прогноз, а «пользователи» прогноза редко знакомятся с этими предпосылками, даже если они хорошо описаны. Редкий директор удержится, от вопроса к руководителю отдела сбыта типа: «А вот тут ваш стажер напрогнозировал с помощью какой-то новейшей математической модели, что вы можете продавать в два раза больше. Так, может, стоит поднять план на следующее полугодие?» Последствия такого вопроса очевидны.

Что нужно для прогнозирования продаж. Итак, вы ответили себе на основной вопрос: зачем? - и пришел к выводу, что прогнозирование продаж необходимо вашей компании. Чтобы составление прогнозов не оказалось дорогостоящей? но бесполезной затеей и приносило компании реальную пользу, не обходимо грамотно организовать этот процесс. Кто должен заниматься прогнозированием, и кому это противопоказано.

Заниматься прогнозированием должны те люди, которые:

1) хорошо разбираются в продажах, рыночной ситуации и методах прогнозирования (потому что выполнять данную работу, не понимая сути прогнозируемого процесса и методов обработки данных, практически бессмысленно - это все равно что считать среднюю температуру по больнице);

2) заинтересованы (замотивированы) в том, чтобы результат был предельно объективным.

Для сотрудников каждого уровня существуют свои задачи прогнозирования.

Иными словами, заниматься прогнозированием должны те, кто в дальнейшем будет отвечать за результаты прогноза.

Для решения задач в сфере продаж более логично прогнозировать именно возможности вашей компании по продаже - ваш прогноз будет более точен, так как вы можете основывать его на накопленных реальных данных о результатах и процессах продаж, характеристиках ваших клиентов (средний размер заказа, частота покупок и т. п.).

Прогнозировать потенциальный объем потребления со стороны клиентов - скорее маркетинговая задача. При выполнении такой работы вы определите, что потенциально могли бы продавать в разы больше, и, сравнив свой прогноз с текущей статистикой по сбыту, сможете выделить сегменты клиентов, где уровень потребления вашей продукции сравнительно низок. Прежде чем включать в бюджет маркетинга затраты на продвижение в эти «депрессивные» сегменты, а в план продаж - повышение объема продаж этим клиентам, необходимо выяснить, по каким причинам уровень потребления так низок. Чтобы получить более объективный ответ, можно даже сделать несколько тестовых продаж в данных сегментах. Вполне возможно, что вы никак не сможете переломить существующие причины или для вас это будет чрезвычайно дорого, а значит, об этих сегментах можно забыть.

Как вы видите, в обоих случаях выбор предмета прогнозирования определяется целями:

1)оперативная цель - уточнение плана продаж (прогнозируем объем продаж нашей компании);

2)стратегическая цель - поиск потенциалов продвижения (прогнозируем возможный объем потребления).

А если ваша компания - монополист, что тогда? Значит, вам всего лишь будет проще прогнозировать объем продаж. Но прогнозировать надо все равно, потому что на объем ваших продаж могут повлиять следующие факторы:

1) изменения в законодательстве, действия антимонопольного комитета и другие решения государственных органов;

2) уровень спроса на товары-заменители. Например, если вы монополист в области стеклянной тары для пива, то вполне возможно, что ваш объем продаж снизится из-за широкого использования алюминиевых банок;

3) снижение доходов населения и соответственно изменение той части дохода, которая идет на потребление вашей продукции.

Более того, в случае монополии прогнозирование становится даже более важным, так как позволяет точнее оценить объем спроса и снизить общие затраты компании, необходимые для выполнения соответствующего объема заказов.

В какой момент надо прогнозировать.

С точки зрения устоявшихся правил работы компании ответ на этот вопрос может быть очевиден: результаты прогнозирования должны быть готовы к моменту, когда будет обсуждаться план компании по сбыту, или, например, к собранию совета директоров. Иными словами, к тем датам, когда на основе данной информации будут приниматься управленческие решения.

С другой стороны, понятно, что прогнозировать продажи на следующий год, не имея окончательных данных по текущему, может быть довольно проблематично, но планы по сбыту обычно принимаются еще в текущем году, а значит, и прогнозы нужны тогда же.

Наиболее правильным будет регулярное прогнозирование, по крайней мере, один раз в месяц, если используемое вами программное обеспечение не позволяет делать это автоматически в любой момент. Выполняя такую работу часто, вы в первую очередь сможете изучить особенности тех методов, которые будете использовать. В результате вы либо сможете скорректировать их, либо будете точно понимать, какова ошибка каждого из методов.

Допустимый уровень точности.

В статистике применяются уровни точности 90, 95, 99 %, но это все не для вас. Вы делаете прогноз не ради хорошей отметки, и полученный результат вам никто не даст сравнить с правильным ответом. Так зачем вы это делаете?

Скорее всего, по результатам прогнозирования вы сможете уточнить план продаж и дать свои оценки того, насколько реальная цифра будет отклоняться от плановой. Далее важно определить, как конкретно эта информация будет использоваться в компании. Все понимают, что выполнить планы с точностью до процента практически невозможно, так как реальность все равно преподнесет много незапланированных сюрпризов. В связи с этим очень важно иметь информацию о том, какие требования к точности прогноза предъявляют его потенциальные пользователи - другие подразделения компании.

Вполне вероятно, что по части значений будет требоваться более высокая точность, чем та, которой возможно достичь с помощью прогнозирования. В этом случае необходимо по каждому конкретному вопросу согласовать дату уточнения прогноза на основе более свежей информации, чтобы заказчик прогноза смог скорректировать свои действия.

Есть ли смысл занижать прогнозы

Прогнозирование – это очень важный элемент практически любой сферы деятельности, начиная от экономики и заканчивая инженерией. Существует большое количество программного обеспечения, специализирующегося именно на этом направлении. К сожалению, далеко не все пользователи знают, что обычный табличный процессор Excel имеет в своем арсенале инструменты для выполнения прогнозирования, которые по своей эффективности мало чем уступают профессиональным программам. Давайте выясним, что это за инструменты, и как сделать прогноз на практике.

Целью любого прогнозирования является выявление текущей тенденции, и определение предполагаемого результата в отношении изучаемого объекта на определенный момент времени в будущем.

Способ 1: линия тренда

Одним из самых популярных видов графического прогнозирования в Экселе является экстраполяция выполненная построением линии тренда.

Попробуем предсказать сумму прибыли предприятия через 3 года на основе данных по этому показателю за предыдущие 12 лет.

Способ 2: оператор ПРЕДСКАЗ

Экстраполяцию для табличных данных можно произвести через стандартную функцию Эксель ПРЕДСКАЗ . Этот аргумент относится к категории статистических инструментов и имеет следующий синтаксис:

ПРЕДСКАЗ(X;известные_значения_y;известные значения_x)

«X» – это аргумент, значение функции для которого нужно определить. В нашем случае в качестве аргумента будет выступать год, на который следует произвести прогнозирование.

«Известные значения y» — база известных значений функции. В нашем случае в её роли выступает величина прибыли за предыдущие периоды.

«Известные значения x» — это аргументы, которым соответствуют известные значения функции. В их роли у нас выступает нумерация годов, за которые была собрана информация о прибыли предыдущих лет.

Естественно, что в качестве аргумента не обязательно должен выступать временной отрезок. Например, им может являться температура, а значением функции может выступать уровень расширения воды при нагревании.

При вычислении данным способом используется метод линейной регрессии.

Давайте разберем нюансы применения оператора ПРЕДСКАЗ на конкретном примере. Возьмем всю ту же таблицу. Нам нужно будет узнать прогноз прибыли на 2018 год.

Но не стоит забывать, что, как и при построении линии тренда, отрезок времени до прогнозируемого периода не должен превышать 30% от всего срока, за который накапливалась база данных.

Способ 3: оператор ТЕНДЕНЦИЯ

Для прогнозирования можно использовать ещё одну функцию – ТЕНДЕНЦИЯ . Она также относится к категории статистических операторов. Её синтаксис во многом напоминает синтаксис инструмента ПРЕДСКАЗ и выглядит следующим образом:

ТЕНДЕНЦИЯ(Известные значения_y;известные значения_x; новые_значения_x;[конст])

Как видим, аргументы «Известные значения y» и «Известные значения x» полностью соответствуют аналогичным элементам оператора ПРЕДСКАЗ , а аргумент «Новые значения x» соответствует аргументу «X» предыдущего инструмента. Кроме того, у ТЕНДЕНЦИЯ имеется дополнительный аргумент «Константа» , но он не является обязательным и используется только при наличии постоянных факторов.

Данный оператор наиболее эффективно используется при наличии линейной зависимости функции.

Посмотрим, как этот инструмент будет работать все с тем же массивом данных. Чтобы сравнить полученные результаты, точкой прогнозирования определим 2019 год.

Способ 4: оператор РОСТ

Ещё одной функцией, с помощью которой можно производить прогнозирование в Экселе, является оператор РОСТ. Он тоже относится к статистической группе инструментов, но, в отличие от предыдущих, при расчете применяет не метод линейной зависимости, а экспоненциальной. Синтаксис этого инструмента выглядит таким образом:

РОСТ(Известные значения_y;известные значения_x; новые_значения_x;[конст])

Как видим, аргументы у данной функции в точности повторяют аргументы оператора ТЕНДЕНЦИЯ , так что второй раз на их описании останавливаться не будем, а сразу перейдем к применению этого инструмента на практике.

Способ 5: оператор ЛИНЕЙН

Оператор ЛИНЕЙН при вычислении использует метод линейного приближения. Его не стоит путать с методом линейной зависимости, используемым инструментом ТЕНДЕНЦИЯ . Его синтаксис имеет такой вид:

ЛИНЕЙН(Известные значения_y;известные значения_x; новые_значения_x;[конст];[статистика])

Последние два аргумента являются необязательными. С первыми же двумя мы знакомы по предыдущим способам. Но вы, наверное, заметили, что в этой функции отсутствует аргумент, указывающий на новые значения. Дело в том, что данный инструмент определяет только изменение величины выручки за единицу периода, который в нашем случае равен одному году, а вот общий итог нам предстоит подсчитать отдельно, прибавив к последнему фактическому значению прибыли результат вычисления оператора ЛИНЕЙН , умноженный на количество лет.

Как видим, прогнозируемая величина прибыли, рассчитанная методом линейного приближения, в 2019 году составит 4614,9 тыс. рублей.

Способ 6: оператор ЛГРФПРИБЛ

Последний инструмент, который мы рассмотрим, будет ЛГРФПРИБЛ . Этот оператор производит расчеты на основе метода экспоненциального приближения. Его синтаксис имеет следующую структуру:

ЛГРФПРИБЛ (Известные значения_y;известные значения_x; новые_значения_x;[конст];[статистика])

Как видим, все аргументы полностью повторяют соответствующие элементы предыдущей функции. Алгоритм расчета прогноза немного изменится. Функция рассчитает экспоненциальный тренд, который покажет, во сколько раз поменяется сумма выручки за один период, то есть, за год. Нам нужно будет найти разницу в прибыли между последним фактическим периодом и первым плановым, умножить её на число плановых периодов (3) и прибавить к результату сумму последнего фактического периода.

Прогнозируемая сумма прибыли в 2019 году, которая была рассчитана методом экспоненциального приближения, составит 4639,2 тыс. рублей, что опять не сильно отличается от результатов, полученных при вычислении предыдущими способами.

Мы выяснили, какими способами можно произвести прогнозирование в программе Эксель. Графическим путем это можно сделать через применение линии тренда, а аналитическим – используя целый ряд встроенных статистических функций. В результате обработки идентичных данных этими операторами может получиться разный итог. Но это не удивительно, так как все они используют разные методы расчета. Если колебание небольшое, то все эти варианты, применимые к конкретному случаю, можно считать относительно достоверными.

Условное форматирование (5)
Списки и диапазоны (5)
Макросы(VBA процедуры) (63)
Разное (39)
Баги и глюки Excel (3)

Прогноз продаж в Excel

Скачать файл, используемый в видеоуроке:

Статья помогла? Поделись ссылкой с друзьями! Видеоуроки

{"Bottom bar":{"textstyle":"static","textpositionstatic":"bottom","textautohide":true,"textpositionmarginstatic":0,"textpositiondynamic":"bottomleft","textpositionmarginleft":24,"textpositionmarginright":24,"textpositionmargintop":24,"textpositionmarginbottom":24,"texteffect":"slide","texteffecteasing":"easeOutCubic","texteffectduration":600,"texteffectslidedirection":"left","texteffectslidedistance":30,"texteffectdelay":500,"texteffectseparate":false,"texteffect1":"slide","texteffectslidedirection1":"right","texteffectslidedistance1":120,"texteffecteasing1":"easeOutCubic","texteffectduration1":600,"texteffectdelay1":1000,"texteffect2":"slide","texteffectslidedirection2":"right","texteffectslidedistance2":120,"texteffecteasing2":"easeOutCubic","texteffectduration2":600,"texteffectdelay2":1500,"textcss":"display:block; padding:12px; text-align:left;","textbgcss":"display:block; position:absolute; top:0px; left:0px; width:100%; height:100%; background-color:#333333; opacity:0.6; filter:alpha(opacity=60);","titlecss":"display:block; position:relative; font:bold 14px \"Lucida Sans Unicode\",\"Lucida Grande\",sans-serif,Arial; color:#fff;","descriptioncss":"display:block; position:relative; font:12px \"Lucida Sans Unicode\",\"Lucida Grande\",sans-serif,Arial; color:#fff; margin-top:8px;","buttoncss":"display:block; position:relative; margin-top:8px;","texteffectresponsive":true,"texteffectresponsivesize":640,"titlecssresponsive":"font-size:12px;","descriptioncssresponsive":"display:none !important;","buttoncssresponsive":"","addgooglefonts":false,"googlefonts":"","textleftrightpercentforstatic":40}}