Методики прогнозирования продаж на месяц

     Модель  № 3

       

    где   - время, в днях;

                 - константы уравнения регрессии;

                 - искомое уравнение тренда;

          

          

          

          

          

          

            
 

 
 

Рисунок 3.11- Динамика фактического и модельного значения продаж для модели №3 (сверху) и график ошибок (снизу) 

(время  – в днях, значения – в кг.) 

     Оценка  дисперсии уменьшилась в 1,5 раза ( ), коэффициент детерминации равен R=0.697.

     На  графике ошибок явно видны «особые» периоды. Это Новый год, пасха  и перегруз в конце месяца. Введем специальные функции, отвечающие за каждый период. Тем самым попытаемся улучшить тренд и уменьшить сумму квадратов ошибок. Вид функции «новый год» возьмем из главы 3.3 (рис. 3.6). 

     Модель  № 4

     Используем  недельные данные.

     

    где   - время, в неделях;

                 - константы уравнения регрессии;

                 - искомое уравнение тренда;

           - функция «новый год»;

          

          Рисунок 3.12- Графическое представление функции «Новый год» для модели №4 

           - функция «пасха»;

          

          Рисунок 3.13- Графическое представление функции «Пасха» для модели №4 

           - функция «перегруз».

     

          Рисунок 3.14- Графическое представление функции «Перегруз»

          для модели №4

 

Рисунок 3.15- Динамика фактического и модельного значения продаж для модели № 4 (сверху) и график ошибок (снизу) 

 (время – в неделях, значения – в кг.) 

     Оценка  дисперсии уменьшилась в 2,27 раза ( ). Значительно улучшился коэффициент детерминации (R=0.889). Тренд в «особых» периодах хорошо ложится на фактические данные. Для анализа динамики «внутри» недели применим эту методику для каждого дня недели в отдельности. 

     Модель  № 5

Модель продаж по понедельникам.

    где   - время, в неделях;

                 - константы уравнения регрессии;

                  - искомое уравнение тренда;

           - функция «новый год»;

          

          Рисунок 3.16- Графическое представление функции «Новый год»

          для моделей № 5-11 

           - функция «пасха»;

          Рисунок 3.17- Графическое представление функции «Пасха»

          для моделей № 5-11 

           - функция «перегруз».

          Рисунок 3.18- Графическое представление функции «Перегруз»

          для моделей № 5-11 
 
 

Рисунок 3.19- Динамика фактического и модельного значения продаж для модели № 5 (сверху) и график ошибок (снизу) 

 (время – в неделях, значения – в кг.) 
 

     Модель  № 6

Модель продаж по вторникам.

, 
 

 

Рисунок 3.20- Динамика фактического и модельного значения продаж для модели № 6 (сверху) и график ошибок (снизу)

(время  – в неделях, значения –  в кг.) 
 
 

     Модель  № 7

Модель продаж по средам.

 
 

 

Рисунок 3.21- Динамика фактического и модельного значения продаж для модели № 7 (сверху) и график ошибок (снизу) 

 (время – в неделях, значения – в кг.) 

     Модель  № 8

Модель продаж по четвергам.

, 

 

Рисунок 3.22- Динамика фактического и модельного значения продаж для модели № 8 (сверху) и график ошибок (снизу) 

 (время – в неделях, значения – в кг.)

     Модель  № 9

Модель продаж по пятницам.

  

 

Рисунок 3.23- Динамика фактического и модельного значения продаж для модели № 9 (сверху) и график ошибок (снизу) 

 (время – в неделях, значения – в кг.) 
 

     Модель  № 10

Модель продаж по субботам.

 

Рисунок 3.24- Динамика фактического и модельного значения продаж для модели № 10 (сверху) и график ошибок (снизу) 

 (время – в неделях, значения – в кг.) 

     Модель  № 11

Модель для  всех воскресений.

  

 
 

Рисунок 3.25- Динамика фактического и модельного значения продаж для модели № 11 (сверху) и график ошибок (снизу) 

(время  – в неделях, значения – в кг.) 
 

       Из  всех перечисленных выше моделей  выберем наилучшие по критерию минимума оценки дисперсии. Это модель № 4 (недельный прогноз) и модели №№ 5-11 (прогноз по дням недели). По этим моделям построим прогноз и коридор ошибок в соответствии с формулами 2.7-2.10.

       Проанализировав динамику продаж с 02.01.2006г. по 25.04.2007г., построим по выбранной методике прогноз на месяц май. На рис.3.26 приведен прогноз по дням недели с коридором ошибок. Сравним прогнозные значения с реальными данными. Среднее значение фактических продаж за май составляет 4 684 кг.,  а по прогнозу 4 358 кг. Можно сделать вывод, что отклонение незначительное.

       На  рис.3.27 приведен недельный прогноз  на май с коридором ошибок и  фактическим значением продаж. Сравним прогнозные значения с реальными данными. Среднее значение фактических продаж за май составляет 32 394 кг.,  а по прогнозу 29 765 кг.

 

Рисунок 3.26- Динамика фактического и прогнозного значения продаж для моделей № 15-11 (время – в днях, значения – в кг.) 

Рисунок 3.27- Динамика фактического и прогнозного значения продаж для модели № 4 (время – в неделях, значения – в кг.) 

       На  предприятии, для которого строился прогноз, при прогнозировании допускается отклонение от фактических данных на 15%. Проверим наши модели. Отклонение прогноза по дням недели составляет от 2% до 60%. Отклонение недельного прогноза – от 3% до 14%. Таким образом, можно сделать вывод, что модель №4 лучше, чем модели №№ 5-11.

       Для того, чтобы перейти от недельного прогноза к прогнозу по дням, можно воспользоваться моделью №3, в которой найдены коэффициенты каждого дня. Если значение каждого коэффициента поделить на сумму всех коэффициентов, то можно найти вес каждого дня недели.

       Таблица 3.4 Веса каждого дня недели

 

      Прогнозные  значения на обоих графиках ниже, чем  реальные данные. Тем самым, можно  предположить, что при помощи новой  методики можно будет избежать перегруза  в конце месяца.

      Обычно от перегруза «избавляются» при помощи акций (например, «2+1»). Например, в апреле вследствие акции предприятие понесло убыток 46 320 рублей.

    Результатом внедрения модели плана продаж является экономия денежных ресурсов предприятия  вследствие точного планирования объема продаж.

    По  итогам года экономия может составить  555 840 рублей.

    Таким образом, внедрение модели является целесообразным с экономической  точки зрения.

 

4 ТЕХНИКО-ЭКОНОМИЧЕСКОЕ ОБОСНОВАНИЕ  

4.1 Планирование НИР 

      В данной части дипломного проекта проведено технико-экономическое обоснование (ТЭО) научно-исследовательской работы (НИР). Для этого был составлен перечень этапов и работ по выполнению НИР, проведено распределение исполнителей по видам работ, оценены общие затраты на проведение разработки. Также определена экономическая эффективность работы [18]. 

4.1.1  Организация и планирование этапов и работ по выполнению НИР 

      Планирование  работ по выполнению НИР требует  создания календарного плана. Необходимо рационально спланировать работу, выявить основные этапы и определить их последовательность, и только затем приступать к выполнению намеченных задач. При составлении плана предполагаемых работ использовался ленточный (линейный) метод планирования.

      Планирование  комплекса предполагаемых работ с использованием линейного метода ведется в следующем порядке:

• Составляется перечень работ;
• Осуществляется загрузка исполнителей;
• Определяется трудоемкость работ;
• Строится ленточный график.

      Организация и планирование процесса написания  дипломной работы при традиционном методе планирования предусматривает следующие этапы работ:

• подготовительный;
• исследование и анализ предметной области;
• теоретические и экспериментальные исследования;
• оформление пояснительной записки.

      Для выполнения работы должны быть задействованы исполнители. Ими могут быть:

• руководитель проекта;
• исполнитель.

      Для участников проекта необходимо определить их загрузку.