PARDAVIMO APIMČIŲ PROGNOZAVIMAS

5074 0

PARDAVIMO APIMČIŲ PROGNOZAVIMAS

SALES VOLUME FORECASTING

Baigiamasis bakalauro darbas

Įstaigų vadybos studijų programa

Įstaigų finansų prognozavimo ir valdymo pakraipa

Katedros vedėjas

Prof. habil. dr. N. Paliulis

Vadovė

As. N. Jurkenaitė

Vilnius 2005

Turinys

Įvadas

Šiandienos Lietuvoje nedaugelis įmonių atlieka prognozavimą arba atlieka šią procedūrą tik formaliai, mažai dėmesio skiria analitinės informacijos svarbai priimant sprendimus. Dažnai neįvertinama prognozavimo svarbą (nesuvokiama, kad prognozės turės didelę įtaką įmonės tolimesniai veiklai). Pvz. turėdami patikimus planus, prognozes, projektus, galėsime parengti gerą verslo planą, kuris apibrėž kiek finansinių išteklių mums reikės.

Tiek užsienio autoriai, tiek ir lietuvių autoriai, raašydami apie prognozavimą, mažai dėmesio skiria prognozavimo taikymo būtinumui ir praktinio pritaikymo perspektyvų klausymų nagrinėjimui.

Temos aktualumas. Gyvendami nuolat kintančiame pasaulyje kaip niekad vadybininkams svabru numatyti ateities tendencijas ir būsimą įvykių eigą. Kai vadybininkai gali prognozuoti ateities įvykius ir jų poveikius, jie sugeba juos valdyti (kontroliuoti) ir pakrypti į gerąją pusę. Tikriausiai kiekvienas vadybinkas paklaustas, ką jis labiausiai trokštų pasaulyje, atsakytų, kad jis norėtum kiekvieną dieną žinoti kitos dienos (savaitės, mėnesio, metų ir t.t.) laikrasčio naujienas. Toks noras tikriausiai atspindi daugumos žmonių svvajonę. Kas nenorėtų sužinoti ateitį, nors trumpai į ją pažvelgti? Kas nenorėtų sužinoti kas atsitiks po vienerių arba penkerių metų? Tikriausiai visi mes to troškiame. Tikrasis vadybininkas eikvoja daug laiko ir energijos, prognozuodamas ateitį [12; p.152].

Daugelis vadybininkų supranta, kad priimtus sprendimus re

eikia prognozuoti prieš įgyvendinant juos. Be istorinių įvertinimų, visi kiti sprendimai yra skirti ateičiai ir turi būti prognozuojami: tiek paprasti asmeniniai sprendimai (pvz., kurią valandą rytoj keltis), tiek esminiai sudėtingi sprendimai (pvz., ar statyti naują gamyklą). Norint priimti sudėtingus sprendimus, reikia atlikti daugelio ekonominių veiksnių analizę ir strategines prognozes. Klaidinga nuomonė, kad prognozavimas atima daug vėrtingo laiko ir brangiai kainuoja įmonei, nes atsiradus nenumatytoms sąlygoms, įmonė gali patirti daug daugiau nuostolių ir net bankrutuoti.

Todėl šiandienos patyrę vadybininkai žiūri tolimai į priekį ir neleidžia jų verslo įmonėms žlūgti arba būti nukonkuruotiems. Jie iš visų jėgų stengiasi sumažinti neapibrėžtumus ir rizikos laipsnį, priimant ateities sprendimus. Tokie vadybinkai ne tik kruopsčiai renka aktualią informaciją ir duomenis apie savo įmonės vidinę ir išorinę aplinką, beet nuolatos tobulina prognozavimo metodiką, remiantis naujaisia informacija. Ne daugelis iš jų sutiks su pasakymu, kad viskas yra neprognozuojama. Tarp tokių neprognozuojamų dalykų galėtų būti dolerio kurso nestabilumas, energijos, kūro kainų kaita, vis augantis konkurentų skaičius, technologijos naujienos, pirkėjų skonio kaita, dažnas įstatymų keitimas ir t.t. Toks neapibrėžtumas, didelis rinkos segmentavimas, vis didėjanti kokybės paklausa, prekių ir paslaugų įvairovė, sudėtingas prasiveržimas į rinką sutrumpina įmonės gyvavimo ciklą ir diktuoja griežtas „žaidimo“ taisykles. Verslo pasaulys darosi vis dinamiškesnis: komunikacijos srautai vis greitėja, tr
ransporto paslaugos tampa lankstesnės, o visuomenė vis išrankėsnė (klientai nori gauti vis geresnės kokybės produkciją greičiausiu laiku). Savalaikė informacija tampa pagrindiniu įmonės resursu.

Įmonės, kurios pelningai veikia šiandien, yra lanksčios ir greitai prisitaikančios įmonės. Jų vadybinkai tikriausiai pasakytų, kad išlieka ne stipriausi, bet sugebančios greičiausiai prisitaikyti prie rinkos pokyčių. Jie tikriausiai sugeba neprognozuojama padaryti prognozuojamu ir pakrypti sau naudinga kriptimi.

Tačiau dauguma vadybininkų nenori žiūrėti į priekį daugiau kaip kelioms dienoms ar savaitėms. Jie daugiau yra suinteresuoti į artimą perspektyvą ir trumpalaikį (momentinį) pelną. Iš tikrųjų dažnai nėra prasmės bandyti nuspėti tolimą ateitį, tačiau neabejotinai reikia planuoti artimą ateitį.

Prognozavimas susijęs su bet kokia pastanga (kokybine ar kiekybine) numatyti ateitį ir dažnai remiasi praeities patirtimi. Įmonėje prognozavimas dažniausiai atliekamas numatyti būsimas pasekmes, vidinės bei išorinės įmonės aplinkos tendencijas ir taip sumažinti riziką, darydami strateginius sprendimus [19; p.51].

Reikšmingas etapas kiekvienos organizacijos valdyme yra planavimas ateičiai, sistemingas raidos numatymas. Iš tikrųjų, ilgalaikė organizacijos sekmė tampriai susijusi su tuo kiek gerai vadovai sugeba numatyti ateitį ir vystyti atitinkamą strategiją. Sveikas protas, intuicija ir bendros situacijos ekonomikoje žinojimas gali duoti vadovui apitikrią idėją ar „jausmą“, kas gi atsitiks ateityje. Tačiau, dažnai yra sudėtinga pagrįsti šį „jausmą“ tiksliais skaičiais, kaip pavyzdžiui ateinančių metų pardavimų apimtimi arba kitų metų žaliavų pr
rodukcijos vienetui kaštais.

Įsivaizduokime, kad turime numatyti pardavimo apimtį ateinantiems metams. Gamybos planas, žaliavų įsigijimo planas, atsargų politika priklauso nuo to, kokius įvertinimus mes numatysime. Blogų įvertinimų rezultatas bus blogas planavimas ir padidės įmonės kaštai. Kaip gi turime numatyti (prognozuoti) pardavimo apimtis?

Literatūra lietuvių kalba yra labai paviršutiniška, nesigilinama į prognozavimo subtilybes, nurodomi tik bendri prognozavimo metodai, neatskleidžiant jų privalumų bei trukūmų. Taip pat pasigendama konkrečių rekomendacijų, kurį prognozavimo modelį geriau taikyti konkrečiu atveju, palikdami šį klausimą spręsti vadovybei.

Temos aktualumas pabrėžia dar ir tai, kad mūsų šalies ekonomika dar nepasižymi dideliu stabilumu, egzistuoja didelis neapibrėžtumas, rizikos laipsnis. Todėl realiai neįsigilinant į perspektyvas ateityje, remiantis šiandieninę padėtimi, dažnai įmonės bankrotuoja. Įmonės pastoviai sprendžia dilemą ar skirti daugiau pinigų prognozavimo tikslumui patobulinti, ar užpirki papildomų atsargų nenumatytiems atvejiems.

Kuo didesnis netikrumas, tuo svarbiau yra planuoti ir prognozuoti, kadangi pirmiausias planavimo ir prognozavimo tikslas yra identifikuoti ateities poreikius ir pabandyti paveikti ateities įvykius. Planavimas ir prognozavimas leidžia vadybininkams paruošti pagrindus ateities veiklai, o ne rizikuoti nieko neveikiant, tiesiog naivai tikintis, jog pasiseks.

Pagrindinis tikslas – remiantis literatūros analize, įvertinti pagrindinius prognozavimo metodus, jų būtinybę praktiniame pritaikyme bei pasiūlyti AB „Rokiškio sūris“ pardavimų prognozavimo metodiką, (atsižvelgiant į skirtingo laiko horizonto istorinių duomenų analize bei pailiustruoti prognozavimo metodikos praktinį pritaikymą) remiantis turimų istorinių du
uomenų analize.

Uždaviniai:

1. Apžvelgti pagrindinius (pardavimų) prognozavimo metodus, išskyrti jų taikymo ypatumus;

2. Išanalizuoti skirtingo laiko horizonto istorinius AB „Rokiškio sūris“ pardavimo duomenis, bei remiantis šita informacija pasiūlyti prognozavimo metodus skirtingiams laikotarpiams;

3. Pasiūlyti AB „Rokiškio sūris“ prognozavimo metodiką, atsižvelgiant į laiko horizontą;

4. Pailiustruoti pardavimų prognozavimo metodikos praktinį pritaikymą.

5. pasiūlyti patobulinti ilgalaikį pardavimų prognozavimą.

6. išskyrti iš laiko eilutės trendą, sezoninę komponentę, bei pasinaudoti šiomis reikšmėmis prognozėms rengti;

7. Pasiūlyti trendo ekstrapoliavimą ir daugianarė regresinė analizė ilgalaikėms prognozėms sudaryti;

8. Pasiūlyti AB „Rokiškio sūris“ prognozvimo metodiką.

1. Prognozavimo metodai

1.1. Prognozavimo esmė

Prognozavimą ir planavimą negalime tapatinti, nors šitos sąvokos labai susiję. Prognozavimas numato ar planuoja kas atsitiks ateityje, atsižvelgiant į esamą padėtį, tuo tarpu planavims apibrėžia etapus, kaip mes pasieksime užsibrėžtus tikslus [29; p.102].

Prognozavimas apibrėžia tam tikras praktines kiekybines prielaidas formuluojant planus. Prognozavimas yra planavimo proceso pagrindas. Iš tikrųjų, kai tik įmonės tikslai yra žinomi, iš karto formuojamos būtinos prielaidos reikalingos jiems pasiekti ateityje. Vis besikeičiančios rinkos sąlygos neišvengiamai daro įtaką įmonės tikslams, skatina nuolatos koreguoti esamus ir būsimus veiksmus. Prielaidos, kurios nusako kas atsitiks ateityje, tampa struktūra kitam etapui planavimo procese – pripažinti, įvertinti, parinkti tinkamus veiksmus, kad sėkmingai įvykdyti įmonės iškeltus tikslus. Aišku, kuo geresnis įmonės sugebėjimas prognozuoti ateitį, tuo didesnė tikimybė, kad jos planavimo prielaidos bus tikslenės ir yra didesni šansai parinkti tinkamus veiksmus, kurie turės didelį pasisekimą ateityje [12; p.152].

Bendros ekonominės prognozės – planai kas atsitiks ateityje – pirmiausia daromi planavime. Paskui prognozuojamos tendencijas įmonės viduje: tiriama įmonės produkcijos rinkos segmentas, tiksliniai klientai, bei svarstomos galimybes praplėsti rinkos dalį, užimti lyderystės poziciją.

S. Martišiaus teigimu, prognozavimas yra veikla, susidedanti iš daugelio tyrinėjimų, kurių bendras tikslas – gauti informaciją apie nagrinėjamo proceso ateitį. Prognozė – tai yra visi sprendimai apie būsimą nagrinėjamo proceso eigą, gauti atsižvelgiant į turimą praktinį patyrimą ir padarytas teorines prielaidas [ 9; p.3]. S. Martišius atkreipia dėmesį, kad prognozavimo nereikia tapatinti su spėjimu ar pranašavimu. Pranašavimas – tai subjektyvus sprendimas apie ateitį, nepagrįstas nei loginiu požiūriu, nei analitiniais skaičiavimais. Tai ne moksliniu būdu gauti sprendimai apie ateiteį, ar jie išsipildys – tikimybių ir sėkmės dalykas [9; p.4].

Šiuolaikinė rinka – tai vieta, kur dažniausiai konkuruoja ne prekės, o planavimo sistemos, įmonės sugebėjimai iš didžiulio informacijos srauto daryti teisingas išvadas ir priimti tinkamus sprendimus, o taip pat greitai reaguoti į rinkos pokyčius ir atitinkamai pakoreguoti savo veiksmus. Planavimo elementai liečia visas įmonės veiklos sritis (pvz. gamybos, marketingo, finansų, pardavimo ir t.t.). Be plano tuščių formalumų virsta kontrolė, sunku suderinti veiksmus įmonės viduje, sudėtinga išlaikyti vienų krypčių prioritetą. Taigi prognozės planuojant vaidina labai svarbų vaidmenį.

Prognozavimas yra būdas panaudoti praeities patirtį ir dabarties prielaidas ateičiai spėti [4; p.46]. Prognozavimas leidžia vadybininkams numatyti ateitį, įvertinti svarbiausius pokyčius ir atitinkamai planuoti. Suprasdami ir žinodami prognozavimo tikslumo ribojimus, verslininkai gali priimti geresnius sprendimus ir sudaryti tikslesnius planus [8; p.5]. Realus prognozių numatymas ir jų ribotumo supratimas yra efektyvaus prognozavimo metodų taikymo vadyboje pagrindas.

Kelias į sėkmingą planavimą ir prognozavimą eina per kruopščią istorinių faktų analizę kartu su protingu ateities tendencijų ir įmonės galimybių interpretavimu. Prognozavimas nėra vien mokslas, tai yra dar ir menas, nes netgi patys patyrę prognozuotojai prisipažįsta, kad kartais jiems tiesiog pasiseka, kad jų prognozės išsipildo.

Apibendrindami galime pasakyti, kad prognozavimas yra įvairių sprendimų priėmimo ir valdymo pagrindas. Jis padeda sumažinti neapibrėžtumą ir parengti efektyvią įmonės veiklos programą. Kadangi prognozės daro įtaką daugeliui vadovų sprendimų, ypač svarbu, kad įmonės personalas būtų susipažinę su naudojamais prognozavimo metodais, suprastų jų taikymo svarbą ir prisidėtų prie bendro įmonės tikslo. Prognozavimas nėra tikslus mokslas, todėl neverta tikėtis, kad jis padės gauti teisingus visų iškylančių problemų sprendimus. Mano diplominis darbas, remiantis AB „Rokiškio sūrio“ pavyzdžiu, padės dalinai atsakyti į daugelį klausimų, atskleis prognozavimo metodų subtilybes ir padės apsispręsti kokį prognozavimo metodą pasirinkti vienoje ar kitoje situacijoje.

1.2. Pardavimo apimčių prognozavimas

Norint kuo geriau patenkinti vartotojų poreikius ir būti konkurencingiems rinkoje, reikia taip pat prognozuoti ir pardavimus. Pardavimų prognozė nustato numatomas metines ir mėnesines pardavimų apimtis (vienetais) irarba pajamas iš pardavimų (litais) per planavimo laikotarpį. Pardavimų prognozė yra pradinis rinkos segmento planavimo proceso taškas, ir ją reikia atlikti, kad būtų galima nustatyti tokius dalykus:

1. Išlaidas, susijusias su pardavimo ir marketingo sprendimais;

2. Kiek žmonių ir kokių mašinų, įrengimų bei kitų aktyvų reikės, ir kaip visa tai bus organizuota.

Pardavimo prognozavimas yra efektyvus, jei atitinka tris sąlygas:

1. Pasirenkamas tinkamas prognozavimo metodas;

2. Nustatomi ir įvertinami veiksniai, darantys įtaką pardavimui;

3. Prognozavimas atliekamas glaudžiai bendradarbiaujant su žmonėmis, kurie susiję su pardavimu [10; p.31].

Tikslios pardavimo prognozės leidžia geriau patenkinti vartotojų poreikius, operatyviai reaguojant į įmonės išteklius, paklausos kitimą ir tobulinti personalo valdymą, optimizuoti atsargų kiekį, suderinus su tiekėjais užsakymų apimtis ir pristatymo grafikus [10; p.31].

Žymiausi prognozavimo problemų analitikai S.C.Wheelwright ir S.Makridakis skiria šešias planavimo ir sprendimų situacijų charakteristikas, svarbias nustatant efektyvaus prognozavimo reikalavimus, tuo tarpu ir pardavimo apimčių prognozavimą [13; p.32].

Laiko horizontas. Vadybininkas privalo nustatyti prognozės laiko periodą. Prognozavimo metodo pasirinkimas priklauso nuo pasirinkto laiko horizonto. S.C.Wheelwright ir S.Makridakis prognozės laikotarpius skirsto į: labai trumpą (iki 1 mėn.), trumpą (1 – 3 mėn.), vidutinį (3 mėn. – 2 metai) ir ilgą (ilgiau nei 2 metai) [9; p.778]. Nors laiko trukmė yra skirtinga kiekvienoje iš šių keturių kategorijų, būtina apibrėžti keletą tendencijų. Tai užtikrintų prognozių atitikimą planuojamam laiko horizontui. Pavyzdžiui, netinka augimo lygio kilimą 3 mėnesių laikotarpiu pritaikyti 10 metų realizacijos apimčiai nustatyti, tačiau tiktų pritaikyti ketvirtam mėnesiui arba kitų metų pirmam ketvirčiui realizacijos apimčiai nustatyti.

Detalizvimo lygis. Daugelis įmonių, norėdami lengviau įgyvendinti savo tikslus, juos detalizuoja. Įmonės gali turėti bendrą planavimo skyrių, užsiimantį bendru visos veiklos planavimu, bei kitus organizacijos elementus (pvz., gamybos planavimo skyrių), darančius atskirų gaminių grupių prognozes. Pasirenkant specifinių situacijų prognozavimo metodus, reikia įsitikinti, ar reikalingas detalizavimo lygis bus naudingas sprendimams priimti. Pavyzdžiui, bendram planavimo skyriui įdomu žinoti bendrą gamybos tendenciją, o gamybos vadybininkas, planuodamas savaitinę gamybą, atkreips didelį dėmesį į pavienių gaminių prognozes. Paprastai didesnį detalizavimo lygį gali užtikrinti kompiuterizuotos prognozavimo procedūros, tačiau ne kiekviena įmonė gali sau leisti jos įsigyti.

Gaminių skaičius. Kartais įmonėms reikia priimti sprendimus dėl kelių šimtų ar tūkstančių gaminių. Tokiomis situacijomis efektyviausias būdas yra taikyti paprastas taisykles, kurios tinka kiekvienam gaminiui. Naudoti tos pačios prognozės negalime, jeigu labai skiriasi gaminių skaičius.

Kontrolė ir planavimas. Reikia kaip galima greičiau nustatyti keletą alternatyvų, kada ir kaip valdymas gali tapti nebekontroliuojamas. Prognozavimo metodai leidžia kuo greičiau sureaguoti į nustatytas alternatyvas. Žiūrint iš planavimo pocizijų, teigiama, kad esantys reiškiniai pasikartos ir tęsis ateityje. Todėl svarbiausia – nustatyti šiuos reiškinius ir būti pasiruošę, kad jie pasikartos ateityje.

Situacijos stabilumas. Ilgainiui pastovių situacijų prognozavimas skiriasi nuo besikeičiančių situacijų numatymo. Kai situacija stabili, taikomi kiekybiniai prognozavimo metodai, periodiškai patikrinant aplinkybių atitikimą. Besikeičiančiomis sąlygomis vien kiekybinių metodų neužtenka, reikia taikyti metodus, kurie galėtų ištisai atspindėti naujausius rezultatus ir informaciją.

Planavimo procedūros. Naujas prognozavimo metodas paprastai keičia įmonės planavimo ir sprendimų priėmimo procedūras. Šiems pokyčiams dažniausiai priešinamasi, nes iškyla papildomų sunkumų dirbant su naujovėmis. Norint efektyviai taikyti prognozavimo metodus labai svarbu pirmiausia tobulinti ir modernizuoti artimiausius planavimo procedūroms metodus. Šiuo atveju pasikeitimai turi įvykti palaipsniui.

Pardavimo apimčių prognozavimas didžiąja dalimi remiasi praeities ekstrapoliavimu į ateitį, o tai reiškia, kad pardavimo vadybininkai tikisi, kad pareities pardavimų tendencijas tęsis ir ateityje. Prognozavimas atsako į klausimą „o kas jeigu“? Pasirenkant tinkamą pardavimo strategiją bei taktiką tikslinga yra palyginti kelias strategijas bei taktikas ir įvertinti kurį duos didžiausią pardavimų pelną ir užtikrins auksčiausią pajamų lygį. Pardavimų prognozavimas taip pat yra reikšmingas sudarant biudžetą, nes jie apibrėžia prognozinį pardavimų bei reikalingų atsargų lygį. Visos pajamų pro formos suvestinės remiasi pardavimų prognozėmis.

1.3. Pagrindiniai prognozavimo metodai

Prognozvimo metodų svarba nuo šeštojo dešimtmečio nuolatos didėjo tiek Vakarų Europoje, tiek JAV. Tyrinėtojai skiria penkis pagrindinius šio spartaus didėjimo veiksnius. Pirma, įmonės ir jų aplinka tampa vis sudėtingesnė, todėl verslininkams vis sunkiau įvertinti visų veiksnių įtaką be sisteminės pagalbos (t.y. be prognozavimo metodų). Antra, įmonės tampa vis stabilesnės, o asmeninių sprendimų mastas ir reikšmė taip pat didėja. Trečia, aplinka labai greitai keičiasi, todėl prognozvimas tampa vienu iš geriausių būdų nustatyti ir analizuoti naujus aplinkos ryšius. Ketvirta, sisteminiams sprendimams priimti reikia tiksliai ir aiškiai paskirstyti individualius veiksmus. Formalūs prognozvimo metodai yra vienas iš būdų tuos veiksmus įvertinti. Penkta – ir galbūt svarbiausia – prognozavimo metodai sukurti tam, kad juos taikytų įmonių darbuotojai, o ne šios srities ekspertai. Kompiuterinių programų kūrimas smarkiai išplėtė prognozavimo metodų taikymo galimybes [8; p.6].

P.Wilson savo knygoje „The Barclays guide to financial management for the small business“ teigia, kad yra du pagrindiniai prognozavimo metodai. Pirmas remiasi istoriniais finansiniais duomenimis, atsižvelgiant į ateinančio laikotarpio verslo planus, esamus ir būsimus veiksmus darančius poveikį paklausos lygiui (tokius kaip konkurencija ir kiti išoriniai veiksniai), bei į galimus įmonės veiklos ateities kaštus. Antrasis metodas daugiau ar mažiau ignoruoja istorinę informaciją (arba suteikia jai palyginti mažą reikšmę) ir remiasi pardavimų tikslų ir planuotų išlaidų lygių pasiekimu, esant numatytam pelno dydžiui arba esant veiklos lūžio taško lygiui (paprastai per pirmuosius trejus įmonės gyvavivimo metus) [6; p.57].

Yra skirtingų prognozavimo metodų ir kiekvienas autorius juos klasifikuoja įvairiai. Tačiau dažnaiusiai autoriai prognozavimo metodus skirsto į dvi stambias grupes: kokybinius ir kiekybinius metodus (žiūr.1 priedą.).

Prognozavimas – kiekybinės ir kokybinės analizės procesas, kuriuo siekiama numatyti galimas prognozuojamo objekto (proceso) būsenas ateityje arba tokių būsenų pasiekimo ateityje alternatyvius kelius (būdus) [5; p.18]. Prognozavimo metodai priklausomai nuo to, kokia informacija jie grindžiami, skirstomi į dvi grupes: kokybinius (arba nuomonės) ir kiekybinius prognozavimo metodus.

Kiekybiniai prognozavimo metodai pagrįsti praeities duomenų analize, kurių remiantis sudaromi atitinkami modeliai. Kiekybinė prognozė naudojama įsitikinus, kad praeityje buvusi tendencija gali tęstis ir ateityje, kai pakanka informacijos statistiškai patikimoms priklausomybėms ir tendencijoms nustatyti [4; p. 46]. A.Vasiliauskas savo knygoje tokį metodą vadina moksliniu prognozavimu [5; p.19]. Jo teigimu, jis remiasi analize, tyrimais ir eksperimentais. Taikant šiuos metodus, galima išvengti nukrypimų dėl individualių savybių, šališkumo, kas būdinga kokybiniam prognozavimo metodui. Kiekybiniai prognozavimo metodai yra klasifikuojami kaip laiko eilutės metodai ir priežastiniai (regresiniai) metodai. Laiko eilutės metodai yra toliau klasifikuojami kaip trendo ekstrapoliavimas, klasikinis išskaidymas, išlyginimo metodai (slenkantis vidurkis, eksponentinis išlyginimas). Kokybiniai prognozavimo metodai susideda iš ekspertų nuomonės, rinkos tyrimų ir Delfi metodo (žiūr.1 priedą.).

Kokybiniai metodai dažnai vadinami subjektyvus metodai, prognozuojant remiasi „jautrią“ informaciją (personalo nuomonę, nuojautas, ketinimus, nuotaikas). Kokybiniai prognozavimo metodai visada susiję su ekspertiniais įvertinimais. Kai kurie autoriai jį dar vadina intuityviniu prognozavimu. Jis naudojamas tuomet, kai nėra galimybių arba per daug sudėtinga taikyti kiekybinius metodus. Jo pagrindas kompetetingų žmonių (ekspertų) nuomonės. Naudojant kokybinius metodus didėja personalo motyvacija, atsiranda galimybė ištirti pirkėjo ketinimus, galima sudaryti prognozes per labai trumpą laiką. Šiame metode dažnai naudojama Delfi technika kaip daugiažingsnis procesas, kurio tikslas – suformuoti bendrą ekspertų nuomonę.

Svarbu pripažinti, kad visi prognozavimo metodai neišvengiamai yra ekstrapoliaciniai (t.y. išvados, gautos stebint vieną reiškinio dalį, išplečiamos ir kitoms dalims). Kokybiniai metodai apima prognozes, grindžiamas nuomonėmis, o kiekybiniai skirstomi į prognozavimo metodus, remiantis praėjusių laikotarpių duomenimis (duomenų sekų analizė), ir į aiškinamuosius, tarpusavio ryšių radimo metodus (asociatyvus prognozavimas) [8; p.10]. Praktiškai naudojami tiek kokybiniai, tiek kiekybiniai prognozavimo metodai. Kartais jie naudojami greta, kas leidžia tik papildyti vienam kitą.

Prognozavimo rezultatas yra trumpalaikės, vidutinės trukmės ir ilgalaikės prognozės. Tai dažniausiai priklauso nuo mūsų pasirinkto prognozavimo metodo patikimumo lygio, praeities duomenų aktualumo dabarčiai bei mūsų analizuojamo produkto gyvavimo stadijos. Dažnai pasirinkti tą ar aną prognozavimo metodą, sąlygoja įmonės tikslai, ką mes norime pasiekti darant prognozinius veiksmus.

Taigi, kurį metodą pasirinkti priklauso nuo prieinamų prognozuojamų duomenų ir nuo laiko horizonto, kuriam darysime prognozavimą. Iš vienos pusės, jeigu prognozuojame kitai savaitei, tai didelė tikimybė, kad dabartinė tendencija tęsis ir artimoje ateityje. Čia puikiai tiktų kiekybinis prognozavimo metodas, kuris panaudoja istorinius duomenius prognozei. Iš kitos pusės, įsivaizduokite, kad turite numatyti laikotarpį, kada jau veikianti technologija susidėvės. Žinoma, praeities duomenis negalės parūpinti naudinga informacija apie prognozuojamą susidėvėjimą. Tokie prognozavimai remsis ekspertų nuomonėmis ir įvertinimais apie technologijos būklės kitimą. Abu du šie pavyzdžiai parodo esminį skirtumą tarp šių dviejų požiūrių į prognozavimą [2; p.331].

Taigi strategiškai prognozuojant visiškai naują produktą arba kitus kintamuosius, kuriems istoriniai duomenys neprieinami, dažnai naudojamas kokybinis prognozavimas. Kada istoriniai duomenys yra prieinami, trendo projektavimas arba regresiniai modeliai yra naudingi metodai, ypač jeigu prognozuojame ilgam laikui. Vidutinės trukmės prognozavimui, ypač jeigu yra sezoniniai svyravimai, būtų pats tinkiamiausias klasikinis laiko eilutės išskaidymas [2; p.332]. Didinant ateities numatymo patikimumą, patartina naudoti prognozavimo metodų derinius.

1.4. Kiekybinis prognozavimas pagrįstas laiko serijomis

1.4.1. Laiko eilučių komponentės

Kiekybiniai prognozavimo metodai remiasi istorinių duomenų analize, kurie vadinasi laiko eilutės analizė. Laiko eilutė – duomenys, užrašyti vienodais laiko tarpais. Norint atvaizduoti laiko eilutėje duomenų elgesį dažnai naudinga įsivaizduoti laiko eilutę, susidedančią iš atskirų komponenčių – trendo, ciklinės, sezoninės ir nereguliarios. Ji rodo kintamojo kitimą laike. Šio metodo iliustracija galėtų būti pardavimo apimties, pelno, produkcijos, našumo, darbo užmokesčio ir pan. analizė. Laiko eilutės analizė padeda duomenis išskaidyti, kad būtų galima nustatyti, ar yra dėsningumų. Esamų dėsningumų pagrindu galima numatyti būsimos tendencijos [3; p.159].

Dažniausiai duomenys fiksuojami grafiškai, o paskui analitikai įvertina grafiką. Tikėtina, kad laiko eilutės, atvaizduotos grafiškai, atitiks vieną iš pirmo paveikslo modelių.

1 Pav. Dažniausi laiko eilučių modeliai [3; p.160]

Reikia pastebėti, kad visais atvejais laiko eilutėje egzistuoja tendencija (didėjimo, pastovi arba mažėjimo) ir svyravimai apie ją. Eilutėse su impulso ir žingsnio atvejais įvyko ypatingas įvykis, kuris pakėlė eilutę į aukštesnį lygį, nors galima manyti, kad antruoju atveju įtakos turėjo laikinas veiksnys, pavyzdžiui, užgaida [3; p.159].

Svarbiausia duomenų sekos analizėje – nustatyti duomenų sekos pobūdį. Analizuojant praėjusių laikotarpių duomenis pirmiausia bandoma išryškinti trendą arba kitaip tariant tendenciją.

Trendo komponentė. Trendas – nuolatinio ilgalaikio reiškinio kitimo tendencija. Analizuojant laiko eilutes, matavimai daromi kiekvieną valandą, dieną, savaitę ir t.t. Nors laiko eilučių duomenys paprastai turi atsitiktinius svyravimus, laiko eilutės parodo nuoseklų pasikeitimą prie santykinai aukštesnių ar žemesnių reikšmių ilgesniame laiko tarpe. Šis laipsniškas laiko eilutės pasikeitimas, kurį sąlygoja ilgalaikiai veiksniai, tokie kaip, pavyzdžiui, populiacijos pasikeitimas, populiacijos demografinių charakteristikų pasikeitimai, technologijos pasikeitimai, pasikeitimai vartotojų prioritetuose vadinamas laiko eilutės trendu [2; p.335].

Trendas gali būti tiesinis didėjimas arba tiesinis mažėjimas, gali būti netiesinis (mažas augimas, stiprus, staigus augimas ir vėl lėtas augimas), o gali ir nebūti trendo (tiesė, lygiagreti X ašiai) [2; p.335].

Ciklinė komponentė. Daugelis laiko eilučių turi ciklišką elgesį su reguliariu stebėjimo taškų pasirodymu aukščiau ir žemiau trendo linijos. Yra paplitusi nuomonė, jog ši laiko eilučių komponentė dažnai atspindi ciklišką judėjimą ekonomikoje. Pavyzdžiui, vidutinės infliacijos laikotarpis, einantis po greitos infliacijos laikotarpio gali daryti įtaką daugėlio laiko eilučių svyravimui nuosekliai didėjančio trendo atžvilgiu (pvz. namų, gyvenamojo ir kito ploto nuoma ir pan.) [2; p.336]. Ciklinė komponentė gali parodyti įmonės augimo, klestėjimo, brandos ir nuosmukio stadijos [21; p.779].

Sezoninė komponentė. Jeigu trendas ir ciklinė laiko eilučių komponentė pastebima analizuojant daugiamečius praeities duomenų kitimus, tai kai kurios laiko eilutės turi reguliarius svyravimus, susiję su metų laikais, savaitės dienomis arba dienos valandomis [3; p.159]. Sezonai pasirenkami pagal daugelį aplinkybių: pradedant nuo vidinių (vadovybės sprendimo) iki išorinių veiksnių (oro sąlygos).

Nereguliari komponentė. Atsitiktiniai svyravimai yra nereguliarūs ir traktuojami kaip liekamieji, gauti išskyrus kitas svyravimų rūšis [3; p.159]. Tai paaiškinama atsitiktiniais pokyčiais laiko eilutėje. Nereguliarios komponentės priežastis yra trumpalaikių, nesikartojančių ir nenumatytų veiksnių poveikis laiko eilutei. Šios komponentės, paaiškinamos atsitiktiniais laiko eilutės pokyčiais, todėl jos yra neprognozuojamos ir nekontroliuojamos. Mes negalime numatyti jos poveikių laiko eilutei ateityje. Dėl nereguliarių svyravimų, prognozės niekada nebus 100 procento tikslios, o tai priverčia pastoviai rizikuoti priimant svarbius sprendimus perspektyvai.

Reikia pabrėžti, kad dažnai visa seka sunkiai suprantama, labai sunku išmatuoti elementų tarpusavio ryšius, darančius įtaką kitiems duomenų sekos elementams. Todėl šiuo metodu stengiamasi tik nuspėti, kas atsitiks, o nesistengiama išsiaiškinti, kodėl taip atsitiks. Atliekant dinamikos eilučių analizę, siekiama šiuos elementus išskirti ir vėliau tokio išskyrimo pagrindu prognozuoti. Palyginti su kitais kiekybiniais metodais, jos taikyti yra labai paprasta ir tai neužima daug laiko. Remiantis duomenų sekos analize, taikomi šie pagrindiniai prognozavimo metodai: trendo projektavimas, išlyginimo metodas, laiko eilutės išskaidymas.

1.4.2. Laiko eilutės išskaidymo metodas

Yra daugybė įvairių prognozavimo metodų ir dažnai sunku apsispręsti, kokį prognozavimo metodą pasirinkti. Prognozavimo metodo pasirinkimas dažnai priklausa nuo laiko eilutės pobūdžio.

Įprastas būdas parodyti laiko eilutę yra pavaizduoti ją grafiškai, kur laikas yra X ašyje, o pardavimų duomenys Y ašyje. Laiko eilutė yra trendo komponentės, sezoninės komponentės, ciklinės komponentė ir atsitiktinės komponentės (kuri neturi nei trendo nei sezoninės elgsenos) suma. Būtent taip yra sugeneruota laiko eilutė, naudojant adytivujį (arba sumos) modelį:

(1)

čia Xt – laiko eilutė, t – laikas, Tt – trendo komponentė, St – sezoninė komponentė, Ct – ciklinė komponentė, Rt – atsitiktinė komponentė [2; p.879]. Kiekvienas sumos modelio komponentas yra absoliutus dydis (pvz. trendas yra 10 vnt., cikliškumas – 15 vnt., sezoniškumas – 5 vnt.) [8; p.28].

Naudojant šį modelį sezoninės komponentės poveikis laikui t yra suma St ir laiko eilutės absoliutus dydis. Tokiu būdu laiko eilutė pasikelia ar nusileidžia tokiu dydžiu, kuris priklauso nuo sezono. Kiekvieno laikotarpio prognozė lygi trendas plius arba minus vidutinis sezoninis svyravimas. Toks paprastas požiūris veiksmingas tik tada, kai komponentės ( Tt, St, Ct ir Rt) viena nuo kitos nepriklausomos [3; p.162].

Kitas alternatyvus modelis, kuris gali būti tinkamas prognozuojant laiko eilutę yra multiplikatyvusis (arba sandaugos) modelis, kuriuo matematinė išraiška atrodytų taip [2; p.879]:

(2)

Sandaugos modelyje tik trendas nusakomas kaip komponentas, visi kiti komponentai – koeficientai arba procentai, lyginant pagal trendą (pvz., cikliškumas sudaro 1,5 trendo ir sezoniškumas – 0,5 arba cikliškumas yra 50% auksčiau trendo, o sezoniškumas 50% žemiau trendo) [8; p.28]. Multiplikatyvusis modelis teigia, kad tam tikros sezoninės komponentės poveikis yra sandauga St ir laiko eilutės dydžio. Laiko eilutė kyla aukštyn ir žemyn trendo tokiu „santykiu“, kuris priklauso nuo sezono. Multiplikatyvusis modelis tinkamas naudoti tada, kai trendas ir sezoninė komponentė didėja arba mažėja vienodai. Jis dažnai naudojamas pardavimo duomenims analizuoti, nes didėjant pardavimo apimtims, skirtumas tarp sezonų didės taip pat [14; p.879]. Šis modelis naudojamas tada, kai komponentės sąveikauja tarpusavyje. Pavyzdžiui, didesnė trendo reikšmė gali sukelti didesnius sezoninius svyravimus. Norint tai atspindėti, skaičiuojami ne absoliutūs sezoniniai svyravimai, o santykiniai [3; p.164].

Antrame paveiksle nubraižytos laiko eilutės su vienodu trendu, bet skirtingomis sezoninėmis komponentėmis.

2 pav. Adityvusis ir multiplikatyvusis modelis [3; p.164]

Reikia pastebėti, kad sezoninis „elgesys“ kartojasi, naudojant adityvųjį modelį, o naudojant multiplikatyvųjį modelį sezoninė komponentė didėja kartu su trendu.

Reikia pastebėti, kad dauguma autorių supaprastina šiuos modelius, pašalinant ciklinę komponentę [14; p.879]. Tokiu atveju adytivusis modelis atrodytų taip:

(3)

O multiplikatyvusis modelis taip:

(4)

Kaip jau kalbėjome anksčiau, ciklinė komponentė atspindi svyravimus, kurie kartojasi nereguliariai ir neprognozuojamai. Jų atsiradimą ir trukmę sąlygoja verslo ciklai ir kitos dažnai neprognozuojamos priežastys [21; p.779]. Kita problema būtų, kad norint nustatyti ciklinę komponentę, reikia mažiausiai 6-7 užbaigtų laiko eilutės ciklų, o kai kuriems ciklams tai reikštų 140 metų laiko eilutė [20; p.338]. Dėl tokių priežasčių labai sunku nustatyti ir įvertinti ciklinę komponentę, todėl adytivusis ir multiplykativusis modelis yra supaprastinamas.

Laiko eilutės Xt išskaidymas į Tt, St, Rt, ir Ct, jeigu įmanoma, komponentes, leidžia koreguoti sezoninius duomenis ir daryti prognozavimus perspektyvai.

1.4.3. Išlyginimo prognozavimo metodai

Analizuojant praėjusių laikotarpių duomenų sekas dažnai būna tam tikras skaičius atsitiktinumų. Atsitiktiniai nuokrypiai atsiranda dėl santykinai nesvarbių veiksnių įtakos, o juos tiksliai nustatyti yra gan problematiška [8; p.22]. Naudojant slenkančio vidurkio metodą, mes galime išskirti iš mūsų duomenų kai kuriuos viršutinius ir apatinius “pikus”, t.y. išlyginti mūsų dinamikos eilutę ir gauti duomenis artimas trendui. Kiekviena reikšmė, gaunama šiuo metodu, iš tikro yra keleto praeities laikotarpių (pvz., metų, ketvirčių, savaičių ir t.t.) vidurkis.

Terminas slenkantis vidurkis naudojamas todėl, kad po kiekvieno stebėjimo įvertinamas naujas vidurkis, jis patikslinamas ir naudojamas kaip prognozė [8; p.22]. Slenkančio vidurkio metodo esmė yra laiko eilutės pasirinkto laikotarpio reikšmių vidurkio skaičiavimas. Šis vidurkis ir naudojamas kaip prognozė naujam eiliniam laikotarpiui.

Slenkantis vidurkis skaičiuojamas taip:

(5)

čia – t+1 laikotarpio prognozė, i – laikotarpis, Xi – i laikotarpio reikšmė, N – pasirinkto laikotarpio skaičius [9; p.59].

Svarbus klausimas skaičiuojant prognozavimo metodus yra prognozavimo tikslumas. Kiekvienas prognozuotojas stengiasi, kad prognozavimo paklaida būtų kuo mažesne, o prognozavimo patikimumas kuo didesnis. Vienas iš galimų prognozavimo matų galėtų būti paprasta prognozavimo klaidų suma per visus laikotarpius. Tačiau jei paklaidos yra atsitiktinės ir dalis jų neigiami skaičiai, tai jų suma gali gautis artima nuliui nepriklausomai nuo individualių paklaidų dydžių.Todėl tikslinga naudoti antrą prognozavimo mato skaičiavimą, taip vadinama, vidutinę kvadratinę paklaidą (ang. MSE – mean squard error) arba vidutinę absoliutąją paklaidą (ang. MAE – mean absolute error) [14; p.871].

Kaip žinome, kiekvienas prognozavimas turi paklaidą, kurį yra skaičiuojama:

(6)

kur et – paklaida, t – laikas, Xt – faktinė reikšmė, Ft – prognozė.

Blogas prognozavimas yra tada, kai yra didelė paklaida, geras prognozavimas turi mažą paklaidą, tuo tarpu didesnį patikimumą. Todėl yra protinga naudoti tokį kriterijų, remiantis paklaidomis e2, e3, .en, palyginti skirtingus prognozavimo metodus.

Vidutinę kvadratinę paklaidą paskaičiuojama pagal formulę:

(7)

Vidutinę absoliutąją paklaidą paskaičiuojama pagal formulę:

(8)

kur – absoliuti paklaidos vertė, kuri ignoruoja minuso ženklą, n – paklaidų skaičius [14; p.872].

Vienas iš didžiausių skirtumų tarp MSE ir MAE yra tas, kad MSE matas daugiau paveiktas dėl didelių prognozes paklaidų negu MAE, kurių paklaidos mažesnės (taip yra todėl, kad MSE skaičiuoja paklaidų kvadratus). Koks gi tikslumo matas yra geresnis prognozavimo ekspertai iki šiol nepriėjo prie bendros išvados, tačiau jie vienas kitam neprieštarauja, todėl nesvarbu MSE ar MAE bus taikomas prognozavimo metodo paklaidai matuoti [2; p.354].

Skaičiuojant slenkančius vidurkius, labai svarbu pasirinkti tinkamą laikotarpį N. Paėmus per ilga laikotarpį N (didelis reikšmių skaičius), prognozės labai lėtai reaguos į pasirinkto laikotarpio pardavimo apimties kitimo krypties pasikeitimus, o per trumpas laikotarpis verčia prognozes pernelyg jautriai reaguoti į mažiausius pasikeitimus [10; p.46].

R.Š.Žvinkys knygoje „Prognozavimo metodai, jų ypatumai ir taikymas“ [8; p.22] teigia, kad slenkantis vidurkis geriausiai tinka 1-3 mėnesių vidurkių prognozei. Žinoma galima skaičiuoti ir daugiau mėnesių vidurkius, tačiau pabrėžtina, kad įtraukta papildoma reikšmė didina prognozės paklaidą.

Tačiau daugelis autorių siūlo išbandyti įvairių laikotarpius N, imant praeities faktinius duomenis, kada prognozuojamo laikotarpio pardavimo apimtis jau žinomos. Taip klaidų ir bandymų metodu gavus mažiausią paklaidą, parinksime geriausią laikotarpį N. Jei, ilginant laikotarpį N, paklaida mažėja labai nežymiai, vadinasi papildomai įtrauktos reikšmes nepagerina prognozavimo tiklsumo, ir tai daryti nereikšminga [10; p.46]. Tada, jei mes darome prielaidą, kad ilgis, buvęs geras praeityje bus geras ir ateityje, mes galime prognozuoti laiko eilutės eilinę reikšmę naudodami būtent šį, minimizuojantį vidutinę kvadratinę arba absoliutąją paklaidą, ilgį.

Slenkančio vidurkio metodas iš esmės yra išlyginamasis, leidžiantis išskirti trendą iš esančių aplink jį svyravimų. Šis metodas neabejotinai labai naudingas sudarant pardavimo prognozes. Tačiau gauti gana tikslią prognozę slenkančio vidurkio metodu nėra paprasta, nes slenkančio vidurkio reikšmių skaičius turi taip atitikti ciklus, kad kiekvienas vidurkis apimtų tiek pakilimus, tiek nuosmukius. Kai trendas gana pastovus, reikia pasirinkti didesnį reikšmių skaičių, tačiau jeigu manoma, kad gali pakisti tiriamų duomenų struktūra arba pobūdis, reikia pasirinkti mažesnį slenkančio vidurkio reikšmių skaičių. Slenkantis vidurkis geriausiai tinka trumpalaikėms prognozėms, kai situacija yra gan stabili, nes prognozavimas atliekamas ekstrapoliuojant praeities duomenis į ateitį, išlyginant atsitiktinius svyravimus.

Kitas išlyginimo prognozavimo metodas yra eksponentinis išlyginimas. Eksponentinis išlyginimas tai tokia prognozavimo technika, kai prognozei naudojamas svertinis visų laiko eilutės reikšmių vidurkis. Eksponentinio išlyginimo modelis yra toks [2; p.351]:

Ft+1 = Ft + α (Xt – Ft ) (9)

Ft+1 – laiko eilutės prognozė laikotarpiui t+1,

Xt – aktuali laiko eilutės reikšmė laikotarpyje t,

Ft – laiko eilutės prognozė laikotarpiui t,

α – išlyginimo konstanta ( 0 ≤ α ≤1).

Eksponentinio išlyginimo pranašumai: gana paprasta procedūra ir nedidelis praeities duomenų skaičius, būtinas skaičiavimams. Jei vieną kartą išlyginimo konstanta buvo parinkta, tai tik reikšmė paskutiniaisiais metais ir prognozė tiems patiems metams reikalingi prognozės paskaičiavimams atlikti ( žiūr. formulę (7)).

Kaip matome iš 7 formulės, nauja prognozė Ft+1 yra lygi prieš tai buvusiai, paskutiniąjai prognozei Ft plius tam tikras „reguliatorius“, kuris šiuo atveju yra sandauga: konstantos α ir artimiausios, paskutiniosios prognozavimo paklaidos (Xt – Ft) . Taigi, t+1 laikotarpio prognozė skaičiuojama pataisant t laikotarpio prognozę tam tikra prognozės paklaidos dalimi.

Šiame metode labai svarbu parinkti tinkamą išlyginimo konstantą α, nuo jos priklausys ar bus blogas ar geras prognozavimas. Jei laiko eilutė labai besikeičianti, svyruojanti ir turi esminę atsitiktinę komponentę, tai pageidautina maža išlyginimo konstantos reikšmė. Pagrindas tokiam pasirinkimui yra tas, kad didelė prognozės klaidos dalis paaiškinama, apsprendžiama atsitiktiniais svyravimais, todėl nenorime “persistengti” ir “nureguliuoti” prognozę perdaug greitai. Pakankamai stabilioms laiko eilutėms su santykinai mažais atsitiktiniais svyravimais tiktų didesnės išlyginimo konstantos reikšmės. Tai leidžia greitai reguliuoti prognozę, kai yra prognozės klaida ir todėl leistina reaguoti greičiau, kad pakeisti situaciją [2; p.356].

Yra ir kitas būdas parinkti tinkamą α reikšmė – išnagrinėti kiek gerai skirtingos α reikšmės prognozavo praeityje. Kaip žinome, tai mes galime padaryti pasitelkus į pagalbą populiariausius palyginimo kriterijus: vidutinę kvadratinę paklaidą MSE ir vidutinę absoliutųjį paklaidą MAE [14; p.871]. Reikia pastebėti, kad yra tik N – 1 paklaidų, taip atsitiko todėl, kad negalime padaryti prognozę X1 faktiniai reikšmei, nes neturime Xt-1 reikšmę ir Ft-1.

Išlyginimo metodai dažnai naudojami trumpalaikėms prognozėms. Trumpalaikis prognozavimas dažnai naudojamas pavieniams produktams, norint sukurti detaliuosius gamybos planus arba kruopsčiai parengti darbo instrukcijas darbuotojams. Per trumpąjį laikotarpį trendas, sezoninė, ciklinė komponentės nėra labai svarbūs. Tokie metodai tinkami pakankamai stabilioms laiko eilutėms, kurios neturi pastebimai išryškinančio trendo, ciklinių arba sezoniių svyravimų.

1.4.4. Trendo ekstrapoliavimo metodas

Tendencijų (trendo) ekstrapoliavimo metodas paprasčiausiai įtraukia praeities duomenų išplėtimą ateičiai ir dažniausiai apima praeities pardavimų grafinius pavaizdavimus.

Trendo modeliai skirti kiekybinių rodiklių dinamikos dėsningumų analizei. Kiekybinių rodiklių dinamiką atspindi laiko eilutė – rodiklių reikšmių skirtingiems laiko periodams seka. Laiko eilutei būdingas evoliuciškumas ir ją galima apibendrinti funkcijos nuo laiko parametro pavidalu, kuri vadinama trendo funkcija [5; p.18].

Plačiausiai naudojama regresijos forma – tiesinis ryšys tarp prognozuojamo ir dar vieno kintamojo. Kalbėdami apie paprastąją tiesinę regresiją, turime omeny tiesinio ieškomo (priklausomo) kintamojo Y ir lemiančio (nepriklausomo) kintamojo X tarpusavio ryšį. Teisinės regresijos lygtis parodyta 8 formulėje [8; p.31].

(10)

čia: Yt – ieškomas (priklausomas) kintamasis t laikotarpiu, a ir b – lygties koeficientai, Xt – nepriklausomas (lemiantis) kintamasis [9; p.192].

Tiesinės regresijos koeficientai a ir b paskaičiuojami mažiausiųjų kvadratų metodu:

; (11)

(12)

čia: N – reikšmių skaičius, ir – Xt ir Yt kintamųjų sumos [9; p.193].

Laiko eilutė išvedama grafiškai taip, kad jos taškai būtų nukrypę minimaliai. Lygties koeficientas b reiškia tiesės pasvyrimo kampą arba parodo keik pakis Y, jeigu X padidės vienu vienetu. Koeficientas a yra lygus ieškomam kintamajam (Y), jeigu jis yra nuo nieko nepriklausomas (jeigu X = 0), t,y, yra taškas, kur linija kerta Y ašį. Kai tik koeficientai nustatyti sudaroma regresijos lygtis.

Šis metodas ypač rekomenduotinas įmonėms, kurioms netinka pardavimų suskirstymas pagal prekių bei klientų grupes. Čia pardavimų prognozės neišvengiamai turi remtis pardavimų tendencijomis, kurios gaunamos iš praeitų metų pardavimų duomenų, ir gali būti taikomos ateities pardavimams prognozuoti. Ekstropoliavimo metodo trukūmas yra jo prielaida, kad visos svarbios sąlygos išliks santykinai pastovios. Šių sąlygų pokyčiai iškraipo numatomą tendenciją. Todėl patartina pardavimų prognozės gaunamos šiuo metodu atitinkamai pritaikyti prie vidaus ir išorinių sąlygų pasikeitimų. Ekstrapoliavimo metodą gana lengvai pritaikyti, reikia turėti tik duomenys apie pardavimus per keletą pastarųjų metų. Tačiau toks metodas visiškai netinka, kai yra daromos pardavimų prognozės naujai įmonei, kai dar nėra praeities duomenų, arba tais atvejais, kai pardavimų duomenys buvo fiksuojami nereguliariai, dėl ko sunku įžvelgti tendencijas.

1.5. Priežastiniai arba regresiniai kiekybiniai prognozavimo metodai

Priežastiniuose ar regresiniuose prognozavimo metoduose, pardavimai yra daugiau nei vien tik laiko funkcija, nes į modelį yra įtraukiami papildomi kintamieji. Priežastiniuose metoduose taikomi matematiniai priežasties ir padarinio (pavyzdžiui, kainų ir pajamų arba paklausos) ryšio modeliai. Jų tikslas – nustatyti vieną ar kelis kintamuosius, kurie, kaip manoma, turi įtakos prognozuojamo kintamojo pokyčiams. Nustatant statistinį priklausomojo ir nepriklausomojo kintamojo, pavyzdžiui, pardavimo apimties ir reklamos išlaidų ryšį, įmanoma numatyti vieno kintamojo tendencijas, remiantis kito kintamojo tendencija [3; p.159].

Regresinės analizės uždavinys yra formuojamas taip: rasti analitinę išraišką, fiksuojančią rezultatinio rodiklio ir lemiančių veiksnių priklausomybę, ir gautos regresijos lygties pagrindu įvertinti veiksnių įtaką rezultatinio rodiklio kaitai [5; p.18].

Paprasčiausias sudėtinės regresinės analizės pavyzdys – dviejų nepriklausomų kintamųjų priklausomybė. Stiklo fabriko metinė pardavimo apimtis priklauso ne tik nuo namų statybos plėtros, bet ir nuo automobilių pramonės vystymosi spartos. Tiek namams, tiek automobiliams reikalingi langų stiklai. Elementariausia matematinė sudėtinės regresijos išraiška yra tokia:

(13)

čia: Y – metinės pardavimo apimties prognozė, X1 – namų statybos kontraktų skaičius per metus, X2 – per metus pagamintų automobilių skaičius, a, b1, b2 – lygties koeficientai [13; p.167].

Norint grafiškai pavaizduoti šį metodą, reikia persikelti į trimatę erdvę Y, X1, ir X2. Lygties koeficientai a, b1 ir b2 randami mažiausiųjų kvadratų metodu.

Regresiniai modeliai tokiu būdu leidžia analizuoti priežasties-pasekmės ryšius, susijusius su prognozuojamu objektu (procesu). Regresinių modelių panaudojimo prielaidos glaudžiai siejasi su koreliacinių modelių taikymo prielaidomis. Kaip žinome, tarp dviejų atsitiktinių dydžių egzistuoja koreliacinė priklausomybė, jeigu vieno dydžio matematinis vidurkis kinta priklausomai nuo kito dydžio matematinio vidurkio kaitos. Sujungiant kelias regresijos lygtis, sudaromi sudėtingesni regresiniai modeliai tokie kaip regresijos lygčių sistemos [5; p.18]. Tokios sudėtingos regresijos lygtis įtraukia dažniausia daug reikšmingus nepriklausomus kintamuosius, kurie atspindi demografinę, ekonominę, socialinę, politinę ir t.t. aplinką. Regresiniai modeliai leidžia atsakyti į klausimus „o kas jeigu.?“, iškylančius prognozavimo procese.

Rengiant tinkamą prognozavimo regresinę lygtį, reikia atlikti nemažai procedūrų. Pirmiausia vadybininkas turėtų apibrėžti, kodėl ši prognozė reikalinga ir kaip ji bus panaudota (pvz., padės planuoti įmonės lėšų naudojimą reklamai, prekybinėms nuolaidoms ir pan.). Vėliau reikia gerai susipažinti su situacija, ją aprašyti ir identifikuoti visus priklausomus ir nepriklausomus kintamuosius ir tik po to sudaryti sudėtinę regresiją (įtraukiama keletas tikėtinų regresinių lygčių) [8; p.34]. Būtinai reikia atlikti prognozavimo kontrolę, kai tik prognozavimo rezultatai gauti jie palyginami su faktinėmis duomenimis. Tokiu būdu užtikrinamas gryžtamasis ryšis ir nuolatos tobulinama regresinę lygtis.

Kaip matome, regresinei analizei atlikti reikia labai daug stebėjimų, norint sudaryti reikšmingą lygtį. Nepriklausomus veiksnius reikia įvertinti anksčiau, nei pradedama prognozuoti, o tam reikia atlikti nemažai papildomo darbo, kuriuo dažniausiai vadybininkai vengia. Dėl to gali atsirasti nemažai netikslumų prognozuojant. Tačiau reikšmingai sudaryta regresinė lygtis suteikia galimybę koreguoti jau esančius prognozavimo metodus bei būti alternatyviniu prognozavimo metodu. Pagrindinis sudėtinės regresinės analizės pranašumas – aiškinamasis metodas, leidžiantis įvertinti bet kokius tiesinius priklausomų ir nepriklausomų kintamųjų tarpusavio ryšius. Didinant šio metodo efektyvuma, patartina nepertraukiamai tirti situaciją ir, jei situacija pasikeitė, rinkti naują duomenų seką ir iš naujo parengti regresijos lygtį, nes kintamųjų tarpusavio ryšiai gali keistis.

1.6. Kokybiniai prognozavimo metodai

Sparčiai keičiantis ekonominėms ir politinėms sąlygoms dažnai reikalingi duomenys gali būti pasenę, o nauja informacija dar nebus prieinama. Praėjusių laikotarpių duomenų gali visai nebūti arba prognozė turi būti parengta labai greitai ir nėra laiko rinkti bei analizuoti kiekybinių duomenų. Visais šiais atvejais remiamasi vyraujančia nuomone ir grindžiama patirtimi [8; p.11].

Prognozavimas, kuris remiasi vien istorinėmis duomenimis, yra nepakankamai tikslus prognozei atlikti. Produktų ar paslaugų paklausa priklauso nuo įvairių veiksnių, tokių kaip palūkanos normos, infliacijos, kitų ekonomikos sąlygų. Konkurentų veiksmai ar valstybės reguliavimai taip pat turi įtakos prognozavimui. Tokie ir kiti panašūs veiksniai negali būti fiksuojami praeityje ir ekstrapoliuojami ateičiai. Dėl šių priežasčių naudojamas kokybinis prognozavimas.

Vieni iš daniausiai naudojamų kokybinių metodų yra ekspertų nuomonė, rinkos tyrimai ir Delfi metodas. Įmonė turi nuspręsti ar ji prognozuos savo jėgomis ar pasitelks į pagalbą ekspertus iš šalies. Atsakymas priklauso nuo to, kokiais finansiniais resursais disponuoja įmonė, ar įmonė turi pkankamai kvalifikuotą personalą šiam darbui atlikti, ar įmonė turi sukaupusi adekvačią informaciją, kurią galėtų panaudoti prognozuodama pardavimų apimtis, kiek kruopšti analizė turi būti atlikta ir t.t.[15; p.176].

Ekspertų nuomonė remiasi kompetetingo personalo sprendimais ir nuomonėmis, kuriuos jie priima remiantis savo patirtimi ir žiniomis. Pavyzdžiui, pardavėjai, kurie tiesiogiai kontaktuoja su pirkėjais, sugebės geriausiai įvertinti jų pirkėjų paklausą kitam laikotarpiui. Įmonės pardavimo vadybininkai vėliau galės apdoruoti, atrinkti ir paversti šią informaciją bendresnėmis prognozėmis [2; p.333].

Suprantama tokios prognozės stipriai priklauso nuo pardavėjo žinių apie klientus ir jų poreikius bei pardavėjo sugebėjimo atlikti objektyvius įvertinimus. Kadangi ateinančių metų agento veiklos vertinimas priklauso nuo pardavimo skaičiaus lyginant su prognoze, kurią jis pateikė, todėl šiuo atveju objektyvumas gali būti abejotinas [1].

Nors tokie prognozavimai yra labai netikslus, tačiau jie nebrangiai kainuoja palyginus su kitais metodais. Taikant šį metodą, pardavėjai įtraukiami į planavimo procesą, o tai didina jų motyvciją [16; p.88].

Rinkos tyrimai remiasi apklausomis, anketomis, telefoniniais arba asmeniniais pokalbiais, kurių tikslas – surinkti daugiau informacijos apie rinką. Rinkos tyrimai dažniausiai naudojami strateginiame planavime – pavyzdžiui, surinkti informaciją apie visiškai naują produktą. Plačios statistinės analizės dažnai taikomos, norint hipotezes apie pirkėjų elgesį įvertintos kokybinio metodo pagrindu. Tokie tyrimai brangiai kainuoja dėl didelių darbo kaštų, pašto išlaidų, mažų atsiliepimų, sudėtingo informacijos apdorojimo ir t.t. [2; p.333]. S.L.Montgomerey pažymi šio metodo pranašumą – atsiranda puiki galimybė ištirti vartotojų norus ir ketinimus, jų pasikeitimo priežastis. Be to, galima sužinoti geras ir blogas savo naujausių gaminių savybes bei priežastis, kodėl vartotojai pirks prekes ar jų nepirks [17; p.271].Tokie tyrimai nėra visiškai tikslus. Apklausos, anketos, pokalbiai pasako apie potencialių pirkėjų ketinimus, kurie nėra labai patikimas tikro elgesio rodiklis, ypač kai kalbama apie plataus vartojimo prekes. Šie duomenys yra labiau patikimesni, kai mes prognozuojame pramoninių prekių pirkimus. Tačiau jeigu minėtų trūkumų pavyksta išvengti, apklausa gali suteikti įmonei daug naudingos tiek prognozavimo, tiek produkto kūrimo ir rėmimo informacijos.

Trečias metodas, kuris remiasi subjektyve nuomone, vadinamas Delfi metodu. Taikant delfį metodą, atskiri įmonės vadovai pateikia savo subjektyvinius įvertinimus apie tikėtinus pardavimus prognozuojamam periodui. Vėliau vadovų atskiros prognozės yra kombinuojamos į vieną bendrą prognozę. Toks metodas turi “grįžtamąjį ryšį” kai kiekvienam dalyviui leidžiama pakoreguoti savo prognozę, išgirdus suvestinę prognozę. Vadovai atlieka savų prognozių koregavimus nebendraudamas su kitais įmonių nariais, taip siekiama išvengti „daugumos nuomonės“ poveikio. Procedūra yra kartojama tol, kol pasiekiamas susitarimas [1].

Delfi metodas yra naudingas ilgalaikiam prognozavimui ir prognozuoti technologinius pokyčius [2; p.333]. Jo tikslas – numatyti, kada įvyks tam tikras įvykis. Jis nėra visiškai tikslus, nes klausimai gali turėti dviprasmiškų frazių, todėl prognozė, padaryta remiantis grupės narių pasiektu susitarimu, gali būti klaidinga. Anonimiškumas taip pat gali mažinti atskaitomybę, siekiant asmeninių tikslų.

Kokybiniai metodai priklauso nuo žmonių nuomonės bei patirties ir tinka tada, kai :

• Trūksta duomenų arba jie apskritai negalimi ;

• Duomenis galima naudoti ribotai dėl pernelyg ilgo laikotarpio.

Šių procedūrų pranašumas tas, kad jos gali būti taikomos situacijose, kai praeities duomenys nepasiekiami arba netinkami prognozėms daryti (pvz., naujam produktui įvesti į rinką, pristatnt naują prekę). Ypač šie metodai padeda numatyti technikos ir technologijos gyvavimo stadijos. Šiuo metodu gautų rezultatų tikslumas įvairus, o išlaidos nedidelės (jeigu įmonė naudojasi savo personalo paslaugomis). Dar vienas šio metodo pranašumas yra tas, kad prognozę galima sudaryti per trumpą laiką. Trūkumas – labai brangus ekspertų iš šalies laikas ir dažnai nelengva apibendrinti kiekvieno jų prognozę kol pasiekamas bendras susitarimas.

1.7. Prognozavimo metodo pasirinkimas ir taikymas praktikoje

Yra daug įvairių metodų, kurių pagalba mes galime prognozuoti savo pardavimus. Norint sėkmingai parinkti tinkamą prognozavimo metodą reikia atlikti tam tikrus etapus:

1. Išankstinis duomenų tyrimas;

2. Parinkti kiekybinį ir/arba kokybinį prognozavimą;

3. Įvertinti ir apibrėžti galutinį prognozavimą;

4. Kontrolė ir grįžtamasis ryšys.

Trečias paveikslas pavaizduoja šitą nuoseklų procesą.

Istoriniai duomenys

Kompetetingų žmonių įvertinimas Grįžtamasis ryšys

3 pav. Prognozavimo metodo taikymas praktikoje [2; p.362]

Pirmas žingsnis sėkmingame prognozavime yra apibrėžti prognozavimo tikslą. Pavyzdžiui, jeigu prognozavimas reikalingas, kad finansų skyrius nustatyti kapitalo investavimo strategijas, tada ilgas (2-5 metų) laiko horizontas reikalingas. Tokios prognozes turi būti daromos bendram pardavimo kiekiui, kadangi tokios prognozes dažniausiai būna tikslesni negu prognozes skirtingiems produkcijos grupėms kartu sudėjęs. Kita vertus, pardavimo skyrius, kuriam reikalingi prognozes, kad įsigyti žaliavą ir sudaryti tikslius planus, reikalingos trumpalaikės pardavimo prognozes pagal produkcijos grupes.

Jeigu istoriniai duomenys prieinami, jie pirmiausia turi būti nubraižyti per tam tikrą laiko horizontą, naudojant “išsibarstymo” diagramą. Tada mes jau galime svarstyti: Ar yra didėjimo ar mažėjimo tendenciją? Ar yra reikšmingas svyravimas virš ar žemiau trendo? Ar galime mes laiko eilutės „viršūnių“ (arba kontūrų) reikšmes paaiškinti? Ar yra kokie nors sezoniškumo požymiai? Atskymai į šiuos klausimus padės prognozuotojams išsirinkti tinkamą metodą.

Pasirinkti vieną ar kitą prognozavimo metodą taip pat priklauso nuo:

• Kiek jūs turite laiko prognozei atlikti;

• Tikslumo lygio, kurį jūs norite turėti;

• Jums reikalingų duomenų pobūdžio;

• Turimų įmonės lėšų prognozei atlikti;

• Kompiuterinių programų turėjimo;

• Prognozuotojų gebėjimo naudoti atitinkamus metodus ir t.t.

Svarbu atsižvelgti ir į prognozavimo horizontą, nes vieni metodai labiau tinka trumpalaikiam, o kiti ilgalaikiam prognozavimui (žiūr. 1 lentelę).

1 lentelė. Įvairių veiksnių ryšys su prognozavimo laiko horizontu [9; p.8]

Veiksnys Prognozavimas

Trumpalaikis Vidutinis Ilgalaikis

1. Metodo tipas Slenkantieji vidurkiai,

eksponentinis išlyginimas Sezoninis prognozavimas, regresija

Kokybiniai metodai

2. Kartotinumas Dažnas Nelabai dažnas Retas

3. Valdymo sudėtingumas Mažas Vidutinis Didelis

4. Prognozavimo kaštai Maži Vidutiniai Dideli

Kaip tik metodas yra parinktas, darome prognozę. Sėkmingai parinktas prognozavimo metodas remiasi kiekybinio ir kokybinio prognozavimo metodų kombinacija. Tam tikros žinios apie: būsimą verslo padėtį, konkurencingą strategiją, suplanuotą rėmimo programą, kainų pokyčius arba kokybės patobulinimus, neabėjotinai pakoreguos kiekybinį prognozavimą. Tokiu būdu kiekybinis prognozavimas dažnai pakeičiamas, atsižvelgiant į vadovybės įvertinimus.

Kai tik prognozavimo metodas įgyvendintas, prognozės turi būti tikrinamos, lyginant su faktinėmis duomenimis. Toks grįžtamasis ryšys informuoja kaip reikėtų sureguliuoti prognozę atsižvlegiant į besikeičiančios aplinkos sąlygos. Tai galėtų būti priežastis pakeisti įmonėje jau nusistovėjusį kiekybinį metodą arba galbūt pabrėžti didesnę kokybinio metodo svarbą.

Prognozavimo metodo efektyvumas didžiąja dalimi priklauso nuo realiai gerai įgyvendintos informacinės sistemos įmonėjė, kaip teisingai ji parenka ir apdoruoja duomenis reikalingos tolesniam prognozavimui. Į tai turėtų būti atsižvelgta projektuojant ir naudojant prognozvimo metodą įmonėje.

Atskomybė už prognozavimą paprastai priklauso marketingo ir pardavimo (arba inventorizavimo) personalui, tačiau kada visi įmonės skyriai yra įtraukti į prognozavimo procesą, tada prognozavimas gerėja ir veikia sklandžiau [18; p.56].

Taigi, prognozavimo metodai turi būti parenkami, atsižvelgiant į prognozavimo periodą, turimą informaciją, aplinkos pokyčius, prognozės vertę, įmonės prognozės tikslus. Vadybinkams svarbiausias kaštų ir tikslumo veiksnys. Mat dėl netikslaus prognozavimo atsirandantys nukrypimai kartais gali kainuoti daugiau negu tiksli prognozė. Vadybininko nuomone, tai turi būti optimali kaštų ir tikslumo funkcija [8; p.36]. Vadybininkai dažniausiai naudoja kelius prognozavimo metodus, norint gauti nepriklausomas prognozes, nes tai leistų labiau pasitikėti jų rezultatais. Ir tuo atveju, jeigu tarp prognozių iškyltų prieštaravimų, būtinai reikia papildomai tirti situaciją. Todėl ypač svarbu užtikrinti gryžtamąjį ryšį prognozavime, kuris leistų greitai reguoti į aplinkos pokyčius ir koreguoti esamas prognoze remintis dabartine padėtimi, o ne aklai ektrapoliuoti praeitį.

2. Prognozavimas, remiantis AB „Rokiškio sūrio“ pardavimo duomenimis

2.1. Vidutinės trukmės prognozavimas, naudojant laiko eilutės išskaidymą

Šitos dalies tikslas – peržiūrėti aktualius AB“Rokiškio sūris“ pardavimo duomenis per paskutiniuosius 8 metus, nustatyti bendrą pardavimų lygį, o taip pat pamatyti ar yra didėjimo (ar mažėjimo) tendencija (trendas) ir pasiūlyti prognozavimo metodus. Kai peržiūrėsime praeities duomenis ir suvoksime jų „elgesį“, geriau sugebėsime numatyti būsimuosius pardavimus.

Yra tokie duomenų sekos išskaidymo etapai. Pirmas – surenkama atitinkama laiko eilutė. Antras etapas – pavaizduojama laiko eilutė. Trečias – nustatomas trendo komponentas. Tą galime padaryti pasinaudojus slenkančio vidurkio metodu arba tiesine regresija. Ketvirtu etapu nustatomas sezoninis komponentas ir randami sezoniškumo indeksai. Teorinėje dalyje išsiaiškinome, kad norint rasti cikliškumo komponentę, reikia turėti gana daug praėjusių laikotarpių duomenų, be to, cikliškumo komponentė yra neprognozuojama ir nereguliari. Dėl tokių priežasčių analizuojant laiko eilutę, aš apsiribosiu trendo išryškinimu ir sezoniškumo indeksų skaičiavimu. Penktas etapas būtų, remiantis ankstesniais žingsniais parengti norimo laikotarpio prognozė [22; p.202].

Taigi, remiantis AB “Rokiškio sūrio” pavyzdiu suskaidysiu laiko eilutę į atitinkamas komponentes, kad būtų lengviau ištirti ją ir nustatyti joje didėjimo ar mažėjimo tendenciją, sezonius svyravimus ir pasinaudojus informacija, padaryti laiko eilutes prognozes perspektyvai.

Remiantis AB „Rokiškio sūrio“ pavyzdžiu, išanalizuosiu pardavimo duomenis per paskutiniuosius 8 metų ketvirčius ( žiūr. 2 lentelę). Pasirinkau 8 metų laikotarpį todėl, kad būtų akivaizdžiau matyti sezoniniai svyravimai, taip mums lengviau bus pastebėti sezoninius svyravimus ir įvertinti jų įtaką laiko eilutei. Kadangi analizuojame sezonų įtaką pardavimams, tai literatūroje patartina imti mažiausiai 3 metų laikotarpį laiko eilutę, norint patikimai nustatyti sezoninių indeksų vertes [22; p.122]. Kaip žinome, pardavimai gali būti išreikšti vienetais arba vertine išraiška, pasirinkau pardavimus išreikštus tūkst. Lt., nes pardavimų pajamos per metus kinta daugiau, negu jų kiekis ir todėl man bus lengviau analizuoti sezonų įtaką pardavimams[22; p.203]. AB „Rokiškio sūris“ pardavimų pajamos suskirsčiau sezononais ir kad būtų akivaizdžiau pateikiu duoeminis 2 lentelėje.

2 lentelė. AB „Rokiškio sūris“ pardavimo duomenys (tūkst. Lt) per paskutiniuosius 8 metų ketvirčius.

Ketvirčiai/

Metai 1 ketvirtis 2 ketvirtis 3 ketvirtis 4 ketvirtis

1998

1999

2000

2001

2002

2003

2004

2005 54 48 41 65

77 72 55 62

78 88 66 63

82 99 84 75

91 96 105 89

84 72 68 81

97 99 106 108

110

Naudinga pavaizduoti laiko eilutę grafiškai, nes vizualiai galima pamatyti ilgalaikį trendą, sezoninius svyravimus ir daugybę atsitiktinių svyravimų [22; p.202]. Todėl 2 lentelės duomenis pavaizduojame grafiškai (žiūr. 4 pav.).

4 pav. AB „Rokiškio sūris“ pardavimų duomenys per 1998-2005m.ketvirčius

Pavaizdavę laiko eilutę grafiškai, galime pastebėti, kad ji reguliariai svyruoja per metus. Toks laiko eilutės elgesys vadinamas sezoniškumu. Iš 4 paveikslo akivaizdu, kad laiko eilutė turi ir sezoninę komponentę ir didėjimo trendą.

Taigi po to, kai pavaizdavome AB „Rokiškio sūrio“ laiko eilutę grafiškai ir pamatėme, kad laiko eilutė turi akivaizdus svyravimus ir didėjimo su laiku ilgalaikį trendą, reikia rasti paiškinimus tokiam laiko eilutės elgesiui. Laiko eilutę galėsime paiškinti tik tuo atveju, jeigu ją suskaidysim į atitinkamas komponentes ir įvertinsim jų poveikį laiko eilutės elgesiui [20; p.325].

Norint atskirti sezoninę komponentę nuo laiko eilutės, visų pirmą reikia rasti trendą. Yra tris būdai, kuriais remiantis mes galime rasti trendą. Grafinis duomenų pavaizdavimas galėtų padėti mums pasirinkti tinkamą būdą paskaičiuoti trendą. Jeigu svyravimai neryškus ir panašus į liniją, tai regresinį trendą tikslinga pasirinkti. Tačiau jeigu svyravimai panašus į kreivę, tada slenkančio vidurkio metodas būtų tinkamesnis. Trečias , tačiau nepatikimas būdas, būtų trendo radimas „iš akies“. Norint rasti trendą „iš akies“, reikia turėti supratimą, kur mūsų nuomone grafike trendas turėtų būti. Tokį metodą dažniausiai atlieka keletą žmonių, kiekvienas atskirai braižo, jo manymu geresiai atspindintį trendą liniją, ir vėliau jie diskutuoja kurio trendas yra geriausias [20; p.325]. Mano manymu, toks trendo radimo metodas nėra efektyvus ir adekvatus realiai padėčiai, be to jis atima daug laiko, kas ypač reikšminga prognozavime.

Remiantis 4 paveikslu, manau, kad pats tinkiamiausias būdas, norint apibrėžti ir kiekybiškai įvertinti sezoninę komponentę ir atskirti trendą, yra slenkančio vidurkio metodas. Slenkančio vidurkio metodas suteikia galimybę pašalinti sezoninę komponentę ir tokiu būdu nustatyti laiko eilutės trendą. Remiantis sezoniškumo įvertinimais kontroliuojama gamybą, poreikiui esant, samdomi laikini darbuotojai, nustatoma atitinkama atsargų valdymo politika. Paslaugų ar prekių sektoriuje sezoniškumas galėtų nustatyti kada įvyks paklausos bumas, vadovybė savo ruožtu galės būti pasiruošusi tokiai situacijai [20; p.317].

Norint pašalinti sezoninę komponentę ir tokiu būdu nustatyti laiko eilutės trendą, reikia sukurti naują laiko eilutę, taip vadinama slenkančio vidurkio laiko eilutę. Slenkantis vidurkis padės išskyrti trendą iš laiko eilutės. Kadangi išsiaiškinome, kad norint įvertinti sezoniškumą, tikslinga duomenis analizuoti ketvirčiais, todėl skaičiuosime keturių ketvirčių slenkančius vidurkius, t.y. N=4 pagal formulę (5), kur t – ketvirtis, Xt –faktiniai ketvirčių reikšmės. Skaičiavimo rezultatai pateikti suvestinėje lentelėje (žiūr.3 lentelę).

3 lentelė.Centralizuoto slenkančio vidurkio skaičiavimas, naudojant AB „Rokiškio sūris“ 1998 m.-2005 m. ketvirčių pardavimų duomenis, tūkst. Lt

t Xt Keturių ketvirčių slenkantis vidurkis Centralizuotas slenkantis vidurkis t Xt Keturių ketvirčių slenkantis vidurkis Centralizuotas slenkantis vidurkis

1 54 15 84 87.25 86.125

2 48 52 16 75 86.5 86.875

3 41 57.75 54.875 17 91 91.75 89.125

4 65 63.75 60.75 18 96 95.25 93.5

5 77 67.25 65.5 19 105 93.5 94.375

6 72 66.5 66.875 20 89 87.5 90.5

7 55 66.75 66.625 21 84 78.25 82.875

8 62 70.75 68.75 22 72 76.25 77.25

9 78 73.5 72.125 23 68 79.5 77.875

10 88 73.75 73.625 24 81 86.25 82.875

11 66 74.75 74.25 25 97 95.75 91

12 63 77.5 76.125 26 99 102.5 99.125

13 82 82 79.75 27 106 105.75 104.125

14 99 85 83.5 28 108

29 110

Reikia pastebėti, kad skaičiuojant slenkantį vidurkį, naujos reikšmės užrašomos ties dviejų ketvirčių reikšmės vidurio. Egzistuoja taisyklė, kad slenkantis vidurkis turi būti centre. Tokia problema neiškyla, kai slenkantis vidurkis apima nelyginį laikotarpių skaičių. Tačiau, analizuojant dinamikos eilutes, dažniausiai susiduriama su lyginiu laikotarpių skaičiumi, ir tuomet atsiranda centrinės reikšmės problema [3,160]. Remiantis 3 lentelės slenkančio vidurkio duomenimis paskaičiuosime centralizuotus slenkančius vidurkius, sudėsime du slenkamuosius ribinių ketvirčių vidurkius (žiūr. 3 lentelę).

Pavyzdžiui, skaičiuojant pirmą reikšmę slenkančio vidurkio eilutėje, užrašėme ją ties antro ir trečio ketvirčio, o paskutinę reikšmę ties 27 ir 28 ketvirčio. Tokiu būdu slenkančio vidurkio eilutė bus keturių laikotarpių reikšmių trumpesne už istorinę laiko eilutę.

Kadangi, skaičiuojant slenkantį vidurkį, skaičiuojąme keturių viena po kito nuosekliai einančių reikšmių vidurkius (kiekviena reikšmė iš skirtingo sezono), galima teigti, kad nauja centralizuota slenkanti eilutė dabar neturi sezoninės komponentės. Taip pat, kadangi skaičiavome vidurkį, tai atsitiktiniai svyravimai irgi išsilygina laiko eilutėje. Tai galima pavaizduoti grafiškai (žiūr.5 pav.), ir kaip matyti mums puikiai pasisekė išskyrti trendą iš laiko eilutės.

5 pav. Keturių ketvirčių centralizuotas vidurkis (pagal 2 lentelės duomenis)

Skaičiuojant slenkantį vidurkį, svarbu pasirinkti tokį vidurkio laikotarpį, kuris apimtų ciklą (sezoną). Parenkant lyginį laikotarpių skaičių (pvz. metų ketvirčius N=4 arba metų mėnesius N=12), jį reikės „centruoti“ , t.y. skaičiuoti atitinkamo slenkančio vidurkio vidurkį, kaip mes ir padarėm 3 lentėleje, tačiau skaičiuojant nelyginį vidurkio laikotarpį, tai daryti nereikia, paprastas slenkantis vidurkis ir bus eilutės trendas.

Gana pagrįstai manyti, kad sezoninė komponentė bus vienoda kiekvienais metais, t.y . sezoniniai svyravimai vienodai kartuosis per metus. Taigi galima užrašyti tokią lygybę S1 = S5 = S9 = ., S2 = S6 = S10 = .ir taip toliau. Tokiu atveju, įvertinti sezoninės komponentės, St, dažnai vadinami sezoniniais indeksais. Sezoniniai indeksai matuoja kiekvieno sezono poveikį eilutei ir gali būti naudojami, sudarant laiko eilutės prognozės [14; p.885].

Remiantis 4 paveikslo duomenimis, mes išsiaiškinome, kad AB „Rokiškio sūrio“ laiko eilutė turi didėjimo trendą ir sezoninę komponentę, todėl būtų tikslingą, skaičiuojant sezoninius indeksus, taikyti multiplikatyvųjį modelį (žiūr. 4 formulę).

Mes galime paskaičiuoti sezoninius indeksus pasitelkus į pagalbą centralizuotą slenkantį vidurkį. Paskaičiuotas centralizuotas slenkantis vidurkis įvertina Tt komponentę kiekvienu laiko tarpui, todėl, jeigu mes padalinsime laiko eilutė Xt iš trendo eilutės (centralizuoto slenkančio vidurkio), mes gausime įvertintos St ir Rt komponentės kombinaciją.

(14)

4 lentelė pavaizduoja šiuos skaičiavimus, remiantis AB „Rokiškio sūrio“ įvertinta trendo eilute.

4 lentelė. Sezoniniai indeksai kiekvienam laikotarpiui t (skaičiuojant multiplikatyvuoju modeliu)

t Xt Centralizuotas slenkantis vidurkis (Tt) Sezoninė-atsitiktinė komponentė Xt/Tt=St×Rt

1 54

2 48

3 41 54.875 0.7472

4 65 60.75 1.0700

5 77 65.5 1.1756

6 72 66.875 1.0766

7 55 66.625 0.8255

8 62 68.75 0.9018

9 78 72.125 1.0815

10 88 73.625 1.1952

11 66 74.25 0.8889

12 63 76.125 0.8276

13 82 79.75 1.0282

14 99 83.5 1.1856

15 84 86.125 0.9753

16 75 86.875 0.8633

17 91 89.125 1.0210

18 96 93.5 1.0267

19 105 94.375 1.1126

20 89 90.5 0.9834

21 84 82.875 1.0136

22 72 77.25 0.9320

23 68 77.875 0.8732

24 81 82.875 0.9774

25 97 91 1.0659

26 99 99.125 0.9987

27 106 104.125 1.0180

28 108

29 110

Norint rasti sezoninį indeksą kiekvienam ketvirčiui (sezonui), reikia paskaičiuoti kiekvieno ketvirčio sezoninių indeksų vidurkį. Perrašome 4 lentelės turinį į keturių stulpelių lentelę, kur eilutės bus atitinkami metai, o stulpeliai – metų ketvirčiai, kaip ir parodyta 5 lentelėje, ir paskaičiuojame sezoninius indeksus.

5 lentelė. Sezoniniai indeksai kiekvienam sezonui (skaičiuojant multiplikatyvuoju modeliu)

Ketvirčiai/

Metai

1 2 3 4

1998 0.7472 1.0700

1999 1.1756 1.0766 0.8255 0.9018

2000 1.0815 1.1952 0.8889 0.8276

2001 1.0282 1.1856 0.9753 0.8633

2002 1.0210 1.0267 1.1126 0.9834

2003 1.0136 0.9320 0.8732 0.9774

2004 1.0659 0.9987 1.0180

Vidurkiai 1.064298 1.069171 0.92009546 0.937246

Taigi indeksas pirmam sezonui yra 1.0643, indeksas 2 sezonui – 1.0692 ir taip toliau. Tai reiškia, kad, naujai reikšmei atsiradus pirmame sezone, jos reikšmė bus apie 6% didesnė negu, jeigu nebebūtų sezoninio poveikio, o antrame sezone apie 7 % didesnė [14; p.887].

Liuse‘as Swift‘as knygoje „Mathematics and Statistics for Business Management and Finance“ [l4; p.887] siūlo dar patobulinti multiplikatyvuosius sezoninius indeksus taip, kad jų vidurkis būtų 1. Toks pataisymas, dar vadinamas normalizavimu, reikalingas turint paskaičiuotus sezoninius indeksus. Taikant multiplikatyvųjį modelį sezoninių indeksų vidurkis turi būti lygus 1, t.y. jų suma turi būti lygu 4. Tai būtina atlikti, jeigu sezoniniai indeksai panaudojami norint įvertinti sezoniškumo poveikius [2; p.346]. Pavyzdžiui, remiantis 5 lentelės duomenimis, suma visų sezoninių vidurkių yra 3.99081. Mes norėtum, kad jų suma būtų 4, taigi jeigu mes padauginsime kiekvieną indeksą iš , mes tą pasėksime. Pakareguoti indeksai būtu pateikti 6 lentelėje.

6 lentelė. Multiplikatyvūs sezoniniai indeksai

Sezonas 1 2 3 4

Miltiplikatyvūs sezoniniai indeksai 1.06675 1.07163 0.9222142 0.9394

Kai sezoniškumo indeksai paskaičiuoti, jie gali būti panaudojami, koreguojant laiko eilutę, atsižvelgiant į sezoniškumą. Tokią sezoniškai pakoreguotą laiko eilutę gausime padalinę kiekvieną laiko eilutės laikotarpio reikšmę iš atitinkamo sezoniškumo indekso kaip ir parodyta 7 lentelėje [14; p.890].

7 lentelė. Sezoniškai pakoreguota (įvertinta) laiko eilute

t Xt Sezoniniai indeksai Sezoniškai įvertinta laiko eilutė Xt Pakalaida Kvadratinė paklaida

1 54 1.0667 50.6211 3.3789 11.4170

2 48 1.0716 44.7915 3.2085 10.2948

3 41 0.9222 44.4582 -3.4582 11.9593

4 65 0.9394 69.1928 -4.1928 17.5797

5 77 1.0667 72.1819 4.8181 23.2137

6 72 1.0716 67.1872 4.8128 23.1633

7 55 0.9222 59.6391 -4.6391 21.5210

8 62 0.9394 65.9993 -3.9993 15.9944

9 78 1.0667 73.1194 4.8806 23.8206

10 88 1.0716 82.1177 5.8823 34.6019

11 66 0.9222 71.5669 -5.5669 30.9902

12 63 0.9394 67.0638 -4.0638 16.5145

13 82 1.0667 76.8691 5.1309 26.3264

14 99 1.0716 92.3824 6.6176 43.7931

15 84 0.9222 91.0851 -7.0851 50.1990

16 75 0.9394 79.8379 -4.8379 23.4050

17 91 1.0667 85.3059 5.6941 32.4225

18 96 1.0716 89.5829 6.4171 41.1792

19 105 0.9222 113.8564 -8.8564 78.4360

20 89 0.9394 94.7409 -5.7409 32.9583

21 84 1.0667 78.7439 5.2561 27.6262

22 72 1.0716 67.1872 4.8128 23.1633

23 68 0.9222 73.7356 -5.7356 32.8969

24 81 0.9394 86.2249 -5.2249 27.2995

25 97 1.0667 90.9305 6.0695 36.8389

26 99 1.0716 92.3824 6.6176 43.7931

27 106 0.9222 114.9408 -8.9408 79.9371

28 108 0.9394 114.9665 -6.9665 48.5325

29 110 1.0667 103.1171 6.8829 47.3749

Suma 937.2523

Vidurkis 32.31904341

Kaip matyti iš 6 paveiklo sezoniškai įvertinta laiko eilutė mažai skiriasi nuo laiko eilutės kontūrų.

6 pav. Sezoniškai įvertinta laiko eilutė

Kaip tik multiplikatyvuoju metodu sezoniniai indeksai nustatyti, jie gali būti taikomi laiko eilutės reikšmėms sezoniškai įvertinti. Sezoniai indeksai gali suteikti įmonei vertingą informaciją. Pvz., kaip matome iš 7 lentelės, didžiausi sezoniai indeksai yra pirmame ir antrame ketvirtyje, o tai reiškia, kad pirmame ir antrame ketvirtyje įmonė gauna didžiausius pardavimų pajamos, kurie vidutiniškai 7 procentu viršyja vidutinę metinę pardavimų apimtį. Turint tokią informaciją AB „Rokiškio sūris“ galės atsižvelgama į sezoninius indeksus kontroliuoti savo produkcijos gamybą (pvz., didinti ir mažinti pardavimo kiekius, samdyti ar atleisti papildomą personalą, pasirūpinti paildomu transportu ar galbūt kaip tik sumažinti transportavimo išlaidas ir t.t.).

Galima daryti prielaidą, kad tas pats trendas ir toks pats sezoniškumas tęsis ir toliau, todėl, naudojant laiko eilutės suskaidymą, galima daryti prognozes [14; p. 896].

Mūsų atveju trendas buvo skaičiuojamas slenkančio vidurkio metodu, tačiau tokio trendo skaičiavimo būdo trūkumas yra tas, kad jį negalime ekstrapoliuoti į ateitį. Todėl būtų tiklinga skaičiuoti regresinį trendą, norint prognozuoti į ateitį. Regresinis trendas išreikštas regresine lygtimi.

Pardavimo apimtis, išreikšta kaip laiko funkcija, užrašoma taip (žiūr. formulę (10)):

(15)

Mūsų atveju Xt – laikotarpis, Yt – pardavimai, tūkst. Lt. t ketvirtyje, t-ketvirtis. Tiesinės regresijos koeficientai a ir b paskaičiuojami mažiausiųjų kvadratų metodu (žiūr.formules (11), (12)):

; (16)

(17)

8 lentelė. Koeficientams paskaičiuoti reikalingi skaičiavimai (duomenys paimti iš 2 lentelės)

Xt Yt Xt×Yt X2

1 54 54 1

2 48 96 4

3 41 123 9

4 65 260 16

5 77 385 25

6 72 432 36

7 55 385 49

8 62 496 64

9 78 702 81

10 88 880 100

11 66 726 121

12 63 756 144

13 82 1066 169

14 99 1386 196

15 84 1260 225

16 75 1200 256

17 91 1547 289

18 96 1728 324

19 105 1995 361

20 89 1780 400

21 84 1764 441

22 72 1584 484

23 68 1564 529

24 81 1944 576

25 97 2425 625

26 99 2574 676

27 106 2862 729

28 108 3024 784

29 110 3190 841

Suma 435 2315 38188 8555

;

Pažymėdami laiko eilutę kaip Y kintamąją, o laiką kaip X kintamąją ir remiantis 8 lentelės skaičiavimais sudarysime tiesinę regresiją, kurios lygtis bus:

Y = 54.239+1.7059 ×X (13)

Grafiškai tiesinę regresijos lygtis atrodys šitaip (žiūr. 7 pav.).

7 pav. Regresinis trendas

Norint prognozuoti laiko eilutės išskaidymo metodu, mums reikia rasti visus laiko eilutės prognozinės komponentės multiplikatyvuoju metodu ir jos visos padauginti viena iš kitos. Priminsime, kad multiplikatyvus modelis atrodo taip:

(14)

Tt komponentės prognozę paskaičiuosime pagal tiesinę regresijos lygtį, kurį mes jau radome: Y = 54.239 + 1.7059 × X .

St komponentės įvertinsime pagal atitinkamus multiplikatyvuosius sezoninius indeksus, kuriuos mes jau paskaičiavome. Jos dar karta pateiksime 9 lentelėje.

9 lentelė. Multiplikatvūs sezoniniai indeksai

Sezonas 1 2 3 4

Miltiplikatyvūs sezoniniai indeksai 1.06675 1.07163 0.9222142 0.9394

Nereguliari komponentė Rt savo elgesiu yra neprognozuojama, todėl geriausia jos prognozė yra 1. Toks įvertinimas yra kaip veikianti hipotezė, kuri teigia, kad Rt=1, kadangi vidutinė atsitiktinės komponentės vertė turi būti lygu 1, norint kad multiplikatyvusis modelis pilnai veiktų, o reikšmės butų atsiiktinės [20; p.336].

Mes jau žinome eilutės reikšmės 1-29 ketvirčiams, taigi galime padaryti prognozes 30, 31 ir 32 laikotarpims (2005 metams II, III ir IV ketvirčiui).

Remiantis multiplikatyvuoju modeliu, reikšmių tvarka 30 ketvirčiui būtų:

Mūsų prognozė T30 būtų 54.239 + (1.7059 × 30) = 105.416 tūkst. lt. Kadangi 30 ketvirtis yra antras metų ketvirtis, tai mūsų prognozė S30 komponentei būtų 1.0560 (žiūr. 9 lentelę). Taigi galime suskaičiuoti prognozę X30, kurį būtų:

105.416 × 1.07163 × 1 = 111.3192 tūkst. Lt

Taip pat paskaičiuosime prognozės X31 ir X32 laikotarpiams, kurie yra:

(54.239 + (1.7059 × 31)) × 0.9222142 × 1 = 98.789 tūkst. Lt

(54.239 + (1.7059 × 32))× 0.9394 × 1 = 102.233 tūkst. Lt.

Tokios vidutinės trukmės prognozes galėtų būti panaudojamos AB „Rokiškio sūris“ bendram gamybos planavime. Tokios prognozės, kaip taisyklė, apibrėžtos mėnesiais, ketvirčiais ir padėda vadybininkams priimant tokius sprendimus, kaip, pavyzdžiui, prekių atsargų lygis, papildomų pamainų būtinumas, žmogiškųjų resursų kaita. Tokios prognozės galėtų būti naudojamos kaip alternatyvos kitiems prognozavimo metodams, kai laiko eilutė pasižymi akivaizdžiais sezonin

iais svyravimais.

2.2. Trumpalaikis prognozavimas, naudojant eksponentinį išlyginimą

Eksponentinis išlyginimas vienas iš paprasčiausių prognozavimo metodų. Tačiau jo ypatumas yra tas, kad jis tinkamas tik tokiu atveju, kai laiko eilutė neturi nei trendo nei sezoniškų svyravimų. Jis dažnai naudojamas numatyti produkcijos paklausą kitam laikotarpiui [14; p.868].

Prognozuojant eksponentinio išlyginimo metodu, prognozes paprastai daromos kitai dienai, kitai savatei, kitam mėnesiui. Šitas metodas galėtų būti naudingas, kai įmonei reikia labai skubiai ir be didelių laiko ir finansinių sąnaudų padaryti apytikslią prognozę. Tokiam prognozavimui reikalinga tik tai dvi reikšmės (paskutinės faktinės ir prognozinės reikšmės) prognozavimui paskaičiuoti.

Kaip jau išsiaiškinome teorinėje darbo dalyje, α išlyginimo konstantos reikšmė svyruo nuo 0 iki 1. Maža α reikmę (artima 0) panaudoti naudinga, kai pirminė laiko eilutė yra gana nepastovi ir nelygi, o „naujas“ stebėjimas nėra labai reikšmingas tolesniam prognozavimui. Didelė α reikšmė (artima 1) tinka tuo atveju, kai laiko eilutė yra pakankamai lygi, o nauja prognozė yra reikšminga perspektyvai numatyti. Analziuojant laiko eilutę, reikia išsiaiškinti kokio pobūdžio yra mūsų laiko eilutę ir kokia α reikšmė būtų tiklsinga panaudoti mūsų eilutės išlyginimui. Tokia informacija gali būti kaip vienas iš α parinkimo kriteriju. Kadangi jau anksčiau išsiaiškinome, kad AB „Rokiškio sūris“ pardavimai paveikti sezoniniais svyravimais, tai tikslinga būtų naudoti mažą išlyginimo konstantą, taikant eksponentinio prognozavimo metodą.

Remiantis AB“ Rokiškio sūris“ duomenimis, panagrinėsime prognozines pardavimo apimtis mėnėsiais per 2004 m.-2005 m., naudojant eksponentinio išlyginimo metodą (α = 0.2, α = 0.8). Skaičiavimams panaudosime formulę (9), kur Xt – pardavimai, tūkst. Lt., t – mėnuo (žiūr.10 lentelę).

10 lentelė. Eksponentinis prognozavimas su α = 0.2, α = 0.8, remiantis AB „Rokiškio sūris“ pardavimo apimtimis (tūkst. Lt)

t Xt Ft (α = 0.2) et = Xt – Ft MSE MAE Ft (α = 0.8) et = Xt – Ft MSE MAE

2004 metai 1 22 22.00 – – – – – – –

2 20 22.00 -2.00 4.00 2.00 22.00 -2.00 4.00 2.00

3 23 21.60 1.40 1.96 1.40 20.40 2.60 6.76 2.60

4 25 21.88 3.12 9.73 3.12 22.48 2.52 6.35 2.52

5 27 22.50 4.50 20.21 4.50 24.50 2.50 6.27 2.50

6 23 23.40 -0.40 0.16 0.40 26.50 -3.50 12.24 3.50

7 25 23.32 1.68 2.81 1.68 23.70 1.30 1.69 1.30

8 16 23.66 -7.66 58.65 7.66 24.74 -8.74 76.39 8.74

9 29 22.13 6.87 47.25 6.87 17.75 11.25 126.61 11.25

10 21 23.50 -2.50 6.26 2.50 26.75 -5.75 33.06 5.75

11 19 23.00 -4.00 16.01 4.00 22.15 -3.15 9.92 3.15

12 24 22.20 1.80 3.24 1.80 19.63 4.37 19.10 4.37

2005 metai 13 16 22.56 -6.56 43.04 6.56 23.13 -7.13 50.78 7.13

14 19 21.25 -2.25 5.06 2.25 17.43 1.57 2.48 1.57

15 26 20.80 5.20 27.05 5.20 18.69 7.31 53.51 7.31

16 29 21.84 7.16 51.28 7.16 24.54 4.46 19.92 4.46

17 23.27 28.11

Suma 296.71 57.10 429.07 68.16

Vidurkis 19.78 3.81 28.60 4.54

Pavyzdžiui darbar yra 2 mėnesio pabaiga. Pirmo mėnesio pabaigoje AB „Rokiškio sūris“, gaminanti pieno produktus, numatė, kad pardavimai antram mėnesiui sudarys 22 tūkst. Lt, tuo tarpu pardavimai antram mėnesiui buvo 20 tūkst. Lt. Turint šiuos duomenys (X2 = 20 tūkst. Lt, o F2 = 22 tūkst. Lt) įmonė gali paskaičiuoti prognozę trečiam mėnesiui, naudojant bet kokį α (0 ≤ α ≤ 1) išlyginimo konstantą. Taip, turint nedidelį duomenų skaičių, įmonė gali kiekvienam kitam mėnesiui prognozuoti savo pardavimus, be didelių laiko ir finansinių sąnaudų, kas yra ypač aktualu ką tik pradedančiai verslą įmonei arba jau veikiančiai rinkoje, tačiau įsiskverbiančiai į naują rinkos šaką ir neturinčiai pakankmai daug faktinių duomenų.

Žemiau pateiktas grafikas (remiantis 10 lentelės duomenimis), kad būtų akivaizdžiau matyti, kaip pasirinkdami vieną ar kitą išlyginimo konstantą, svyruoja mūsų prognozavimai, tuo tarpu ir prognozavimo tikslumas.

7 pav. Eksponentinis išlyginimas, naudojnt α = 0.2 ir α = 0.8 išlyginimo konstantą

Reikia pastebėti, kad prognozavimas gautas panaudojant α = 0.2 daugiau išlygina laiko eilutę negu panaudojant α =0.8 išlyginimo konstantą. Tai piuikiai matyti iš 7 paveikslo. Taip atsitiko todėl, kad α = 0.2 eilutė mažiau paveikta kiekvienu stebėjimu, negu α = 0.8, tačiau reikia pastebėti, kad prognozinės eilutės yra lygesnės ir pastovesnės negu pirminę laiko eilutę.

Yra ir kitas būdas pasirinkti tinkamą α reikšmę – išnagrinėti kiek gerai skirtingos α reikšmės prognozavo praeityje. Kaip jau žinome, tai mes galime padaryti pasitelkus į pagalbą populiariausius palyginimo kriterijus: vidutinę kvadratinę paklaidą MSE ir vidutinę absoliutąją paklaidą MAE [14; p.871].

Kaip matyti iš 10 lentelės, kai α = 0.2, MSE = 19.78, MAE = 3.81, o kai α = 0.8, MSE = 28.60, MAE = 4.54. Taigi galima prieiti prie išvados, kad MSE ir MAE kriterijai naudojant α = 0.2 yra mažesni, todėl prognozė yra tikslense. Tačiau šio atveju mes lyginome tik tai dvi išlyginimo konstantos, taigi teigti, kad α = 0.2 yra geriausia yra per anksti. Kaip visi nauji stebėjimai bus jau žinomi (taps istorinėmis duomenimis), būtų gerai patikrinti visas išlyginimo konstantas, kad įsitikinti, kuria α reikšmė duoda geriausius prognozavimo rezultatus. Tačiau J.R.Evans, D.R.Anderson, D.J.Sweeney, T.A.Williams knygoje „Applied Production and Operations Management“ siūlo prisitaikantį eksponentinį išlyginimą, kuris remiasi nuolatiniu tobulinimu [2; p.357].

Prisitaikantis eksponentinis išlyginimas yra modifikuotas eksponentinis išlyginimas, kuris jautriai reaguoja į staigius trendo pokyčius. Kad būtų geriau suprantama kitaip užrašysime eksponentinio išlyginimo formulę:

(16)

Sakykime, kad vietoj α = 0.2, mes sukursime trys prognozavimo scenarijus su α = 0.15, α = 0.2, α = 0.25, t.y. pagrindinė α reikšmė 0.2, o kitos α=0.2 ± 0.5. Pasinaudojus 10 lentelės duomenimis, mes gauname tokias lentelės.

11 lentelė. Laikotarpio t = 1 prognozės skaičiavimas, naudojant modifikuotą eksponentinę konstantą :

α Prognozė

0.15 0.15×(22) + 0.85×(22) = 22

0.2 0.2×(22) + 0.8×(22) = 22

0.25 0.25×(22) + 0.75×(22) = 22

Šitu atveju, visos trys prognozės yra vienodos. Todėl mes kartojame tai kitam laikotarpiui.

12 lentelė. Laikotarpio t = 2 prognozės skaičiavimas, naudojant modifikuotą eksponentinę konstantą :

α Prognozė Xt – Ft

0.15 0.15×(20) + 0.85×(22) = 21.7 -1.7

0.2 0.2×(20) + 0.8×(22) = 21.6 -1.6

0.25 0.25×(20) + 0.75×(22) = 21.5 -1.5

12 lentelės prognozės yra skirtingos. Mes naudojome F3 = 21.6 (atitinkamai mūsų pradinei reikšmei α = 0.2) kaip prognozė, bet kai X3 tampa žinoma, mes pasirenkam tokią α reikšmę, kuri duoda mažiausią paklaidą.

3 laikotarpyje faktinė reikšmė laiko eilutėje yra 23. Naudojant α = 0.25, prognozė gauname su mažiausia paklaida. Todėl prognozuojant 4 laikotarpiui, naudosime būtent šią išlyginimo konstantą (α = 0.25) kaip pagrindą ir sukursime dar dvi papildomos prognozes, naudojant α = 0.25 ± 0.5. Tokiu būdu gausime sekančias prognozes.

13 lentelė. Laikotarpio t = 3 prognozės skaičiavimas, naudojant modifikuotą eksponentinę konstantą

α Prognozė Xt – Ft

0.2 0.2×(23) + 0.80×(21.6) = 21.88 1.12

0.25 0.25×(23) + 0.75×(21.6) = 21.95 1.05

0.3 0.3×(23) + 0.70×(21.6) = 22.02 0.98

Mes naudojame F4 = 21.95. Kai X4 = 25, mes pasirenkame α = 0.3 kaip pagrindą tolemesniam prognozavimui ir tęsiam šitą procesą tokiu pat būdu. Pateikiame mūsų skaičiavimo rezultatus suvestinėje 14 lentelėje.

14 lentelė. Prognozavimas, naudojant prisitaikančią išlyginimo konstantą

t Xt Ft

(α = 0.2) et = Xt – Ft MSE MAE Ft (naudjant prisitaikančią išlyginimo konstantą) et = xt -Ft MSE MAE

1 22

2 20 22.00 -2.00 4.00 2.00 22.00 -2.00 4.00 2

3 23 21.60 1.40 1.96 1.40 21.60 1.40 1.96 1.4

4 25 21.88 3.12 9.73 3.12 21.95 3.05 9.30 3.05

5 27 22.50 4.50 20.21 4.50 22.87 4.13 17.06 4.13

6 23 23.40 -0.40 0.16 0.40 24.32 -1.32 1.74 1.32

7 25 23.32 1.68 2.81 1.68 23.79 1.21 1.46 1.21

8 16 23.66 -7.66 58.65 7.66 24.33 -8.33 69.39 8.33

9 29 22.13 6.87 47.25 6.87 20.17 8.84 78.06 8.835

10 21 23.50 -2.50 6.26 2.50 25.02 -4.02 16.16 4.02

11 19 23.00 -4.00 16.01 4.00 22.61 -3.61 13.03 3.61

12 24 22.20 1.80 3.24 1.80 20.26 3.74 13.99 3.74

13 16 22.56 -6.56 43.04 6.56 22.88 -6.88 47.33 6.88

14 19 21.25 -2.25 5.06 2.25 17.72 1.28 1.64 1.28

15 26 20.80 5.20 27.05 5.20 18.74 7.26 52.71 7.26

16 29 21.84 7.16 51.28 7.16 24.91 4.09 16.73 4.09

17 23.27 28.59

Suma 296.71 57.10 344.56 61.16

Vidurkis 19.78 3.81 22.97 4.08

Kaip matome iš lentelės kai α = 0.2 MSE ir MAE yra mažesnė, negu prognozuojant prisitaikančia konstanta. Todėl galima teigti, kad α = 0.2 yra geriausia prognozuojant eksponentinio išlyginimo metodu.

Grafiškai galima matyti akivaizdų skirtumą prognozuojant su α = 0.2 ir prisitaikančia konstanta.

8 pav. Prognozavimas, naudojant prisitaikančią išlyginimo konstantą

Eksponentinio išlyginimo metodas yra labai naudingas, paprastas trumpalaikis prognozavimas. Tačiau jo trūkumas yra tas, kad jis atsilieka nuo laiko eilutės, kuri turi, pavyzdžiui, ryškių sezoninių svyravimų arba trendą su žingsniu. Jeigu norime panaudoti šį prognozavimo metodą, atsižvelgiant į sezoniškumą, tada reikia sezoniškai įvertinti laiko eilutė [28; p.203].

Kadangi iš 8 paveikslo matome, kad pardavimai turi ryškių svyravimų, tada darome prielaidą, kad sezoniškumas yra reikšmingas įmonei. Tokiu atveju kaip patobulinimą norečiau pasiūlyti, kiekvienai naujai eksponentinio išlyginimo prognozei pritaikyti sezoniškumo indeksus, kuriuos mes apskaičiavome anksčiau.

Pavyzdžiui, prognozę 2005 metams 5 mėnesiui, naudojnt eksponentinį išlyginimą (α = 0.2) yra

23.27 tūkst. Lt (žiūr.14 lentelę). 5 mėnesis yra antrame ketvirtyje, taigi yra tikimybė, kad sezoniškumas pasikartosis tokiu pat intensyvumu ir šiais metais, taigi:

23.27 × 1.0560 = 24.57 tūkst. Lt.

Mano manymu tokia prognozė būtų tiklesnė. Padaryti prognozę 6, 7 mėnesiui 2005 metams mums trukdo faktinių duomenų nebuvimas, taigi eksponentinis prognozavimas yra trumpalaikis prognozavimas.

Trumpalaikį prognozavimą naudinga taikyti individualiems produktams, kad galima būtų sudaryti detaliuosius gamybos planus arba darbuotojų reikalavimus. Per trumpą laikotarpį sezoninė, ciklinė ir atsitiktinė komponentės nėra labai reikšmingos. Toks prognozavimas tinka daugiau visiškai stabilioms laiko eilutėms ir tokio prognozavimo tikslas dažniausiai būna „išlyginti“ laiko eilutės atsitiktinę komponentę.

2.3. Ilgalaikis prognozavimas, ekstrapoliuojant trendą

Ilgalaikės prognozės paprastai naudojamos verslo planavimo tikslams ir kaip galimybė apibrėžti ilgalaikės investavimo strategijos reikalavimus. Įrenginių dydis produkcijai apdoruoti, įrangos kiekis reikalingas įsigyti, personalo apmokymas būsimiems poreikiams atsiradus, viskas priklauso nuo gerai parengto prognozavimo [2; p.337].

Kaip žinome, ekstrapoliacija vadinamas reiškinio plėtros pagrindinės tendencijos pratęsimas į ateitį. Toks pratęsimas galimas tik tuo atveju, kai sąlygos, lėmusios plėtros tendenciją praeityje ir lemiančios dabartyje, iš esmės nesikeis ir ateityje.

Ekstrapoliaciją lengviausia atlikti žinant regresinį trendą, t.y. lygtį, išreiškiančią tiriamųjų rodiklių priklausomybę nuo laiko. Įrašius į šią lygtį atitinkamas laiko charakteristikos vertes, gaunami būsimi laiko eilutės lygiai [25; p.169].

Šitame skyriuje mes pamatysime kaip reikėtų prognozuoti laiko eilutės reikšmes, kuri turi ilgalaikį tiesinį trendą. Panagrinėkime AB „Rokiškio sūris“ pardavimo duomenis per paskutiniuosius 7 metus, kurie patekti 15 lentelėje.

15 lentelė. AB „Rokiškio sūris“ pardavimo duomenys per paskutininiuosius 7 metus

Metai

t Pardavimai, tūkst. Lt

1998 1 208

1999 2 224.573

2000 3 308.732

2001 4 351.043

2002 5 374.15

2003 6 363.843

2004 7 387.28

Grafiškai AB „Rokiškio sūris“ pardavimo duomenys per paskutiniuosius 7 metus atrodytų taip.

9 pav. Pardavimo duomenis per paskutiniuosius 6 metus

Kaip matome iš 9 paveikslo yra didėjantis pardavimo trendas. Mes negalime norėti, kad laiko eilutės trendas sektų kiekvieną svyravimą aukštyn ir žemyn. Geriau, trendas atspindi laipsnišką laiko eilutės kitimą, šiuo atveju – didėjimą [2; p.338]. Po lentelės ir grafiko duomenų peržiūrėjimo mes tikriausiai sutiksime, kad tiesinis trendas galėtų užtikrinti tinkamą ilgalaikio laiko eilutės kitimo aprašymą.

Tiesinę trendo funkciją, kurios pagalba paskaičiuosime pardavimo apimtis, užrašysime taip:

(17)

mūsų atveju: Xt – laikotarpis, Yt – pardavimai, tūkst. Lt. t laikotarpiu, t – metai.

Norint apibrėžti tiesinę trendo funkciją, naudojamas mažiausių kvadratų metodas, kuris žinomas kaip regresinė analizė. Mažiausių kvadratų metodas nustato koeficientų reikšmes, kurios sumažino iki minimumo prognozinių paklaidų kvadratų sumą. Remiantis Gauss-Markov teorema, mažiausių kvadratų metodas efektyviausiai įvertina tiesinius parametrus [23; p.173]. Norint paskaičiuoti a ir b reikšmes sudarysime papildomą 16 lentelę. (koeficientus paskaičiuosime remiantis formulėmis (11), (12)).

16 lentelė. Skaičiavimai reikalingi koeficientams nustatyti

Xt Yt Xt×Yt Xt2

1 208 208 1

2 224.573 449.146 4

3 308.732 926.196 9

4 351.043 1404.172 16

5 374.150 1870.75 25

6 363.843 2183.058 36

7 387.280 2710.96 49

28 2217.621 9752.282 140

Įstatę 16 lenelės reikšmės į formules (11), (12), mes gausime tokias koeficientų reikšmes.

;

Todėl:

Yt = 190.832 + 31.493×Xt (18)

b koeficientas, kuris lygu 31.493 parodo, kad per paskutiniuosius 7 metus AB „Rokiškio sūris“ patyrė vidutiškai apie 31.493 tūkst. Lt pardavimo augimą per metus. Jeigu mes padarysime prielaidą, kad paskutiniųjų 7 metų pardavimo trendas yra geras pagrindas daryti perspektyvines prognozes, tada formulė (18) galėtų būti panaudota, ekstrapoliuojant laiko eilutės trendą. Pavyzdžiui, įstatykime t=8 į formulę (18), tada 2005 metų trendo ekstrapoliavimas T8 būtų:

T8 = 190.832 + 31.493×8 = 442.776 tūkst. Lt

Taigi naudojant tik tai trendo komponentę, mes prognozuojame 2005 metams 442.776 tūkst. Lt pardavimo pajamų.

Su Excel funkcija patikriname mūsų regresijos lygtį ir paskaičiuojame determinacijos koeficientą D, kuris lygis R2 (žiūr. 9 paveikslą). D yra patikrinimo matas, kuris procentaliai pasako kiek priklausomas kintamasis (pardavimai) paaiškinamas nepriklausomu kintamųjų (metai), o taip pat yra standartinės paklaidos matas, kuris įvertina kintamųjų paklaidas (skirtumai tarp faktinių ir prognozuojamų pardavimų ) [26; p.189]. Tai reiškia, kad nepriklausomas kintamasis (metai) 86% paaiškina regresijos lygtį (atspindi situaciją), 14% regresijos lygties yra nepaaiškinama, tai ir bus mūsų standartinė paklaida.

Ekstrapoliuojant trendą į ateitį, mes darome prielaidą, kad padėtis ateityje išliks tokią patį, tačiau taip rėtai atsitinka. Todėl siūlyčiau šitą metodą papildyti subjektyviais dabartinės ir ateities situacijos įvertinimais ir daugianare regresine analize. Daugianarė regresinė analizė galėtų numatyti būsimą ekonominę, demografinę, socialinę ir kitą įmonei reikšmingą aplinką ateityje.

3. Pasiūlyta prognozavimo metodika AB“Rokiškio sūris“

Yra ypatingai sunku pasakyti koks prognozavimo metodas yra geras, o koks blogas, todėl, kad sekmė dažnai priklauso nuo netikėtų aplinkybių. Prognozavimo metodo pasirinkimas dažniausiai priklauso nuo tokių veiksnių: laiko horizontas, kiek kainuos, kiek laiko užims parengti prognozę, produkcijos nepastovumas.

Suvestinėje 17 lentelėje aš pateikiau AB „Rokiškio sūrio“ prognozines reikšmes, remiantis laiko horizontu. Kaip matome prognozinės reikšmės yra užrašytos su paklaidų intervalais, norint padidinti prognozinių metodų patikimumą. Kiekvienas prognozavimo metodas turi paklaidos ribas ir į tai tūri būti atsižvelgta.

17 lentelė. Metodo pasirinkimas atsižvelgiant į laiko horizontą (prognozavimas 2005 m.)

Metodas Laiko horizontas Pardavimų prognozės, tūkst. Lt.

Laiko eilutės išskaidymas Vidutinės trukmės II ketvirtis 111.3192 ± 32.319

III ketvirtis 98.789 ± 32.319

IV ketvirtis 102.233 ± 32.319

Eksponentinis išlyginimas Trumpalaikis Gegužės mėnesiui 24.57 ± 19.78

Trendo ekstrapoliavimas Ilgalaikis 2005 metai 435.129 ± 60.918

Mano paskaičiuotos reikšmes bei atlikta analizė gali suteikti reikšmingą informaciją AB „Rokiškio sūrio“ prognozuotojams. Visų pirma ji galėtų supaprastinti kiekybinių metodų rutiną ir pasikartojimą. Kadangi aš paskaičiavau ilgalaikį bei vidutinės trukmės regresinį trendą, tai įmonė įstačiusi į šias lygtis atitinkamą laikotrpį (ketvirtį, metų laikotapį) gali gauti pardavimų prognozes, bei atsižvelgiant į mano paskaičiuotas paklaidas orientuotis kokiu tikslumu galima taikyti šitą metodą. Taip pat aš atlikau praėjusių pardavimo duomenų analizę, tokia analizė galėtų pasakyti įmonei apie bendras įmonės tendencijas praeityje, bei numatyti jų tendencijas ateityje.

Kai įmonė įvertins pardavimų tendencijas ateityje, remianti mano apskaičiuotais regresijos lygtimis, siūlyčiau jai pritaikyti sezoniškumo indeksus, pasinaudojus multiplikatyvuoju metodu. Multiplikatyvusis metodas geriausiai tinka AB „Rokiškio sūrio“ laiko eilutės pobūdžiui, nes kiekvienas komponentas saveikauja tarpusavyje ir įtakoja vienas kitą.

Įmonė nustačiusi, kad nori padaryti prognozavimą kitam mėnesiui (trumpalaikis prognozavimas), gali pasinaudoti eksponentinio išlyginimo metodu. Kadangi kaip išsiaiškinome anksčiau, turint tik tai dvi reikšmes, prognozinę ir faktinę, galima padaryti eksponentinio išlyginimo prognozavimą. Vienintelis sunkumas su šiuo metodu yra parinkti tinkamą išlyginimo konstantą α, kurios reikšmė gali svyruoti nuo -1 iki 1. Todėl aš palengvinau šitą uždavinį AB „Rokiškio sūris“, kadangi klaidų ir bandymo metodu paskaičiavau, o taip pat taikant prisitaikančios konstantos metodą, kad α=0.2 geriausiai tinka (turi mažiausia MSE) prognozuoti AB „Rokiškio sūrio“ mėnesinius pardavimus. Taip įmonė pasinaudojusi eksponentinio išlyginimo metodo formulę (9) ir mano jau paskaičiuota α=0.2, galės prognozuoti kitam mėnesiui. Taip pat aš paskaičiavau sezoniškumo indeksus, į kurios siūlau atsižvelgti AB „Rokiškio sūris“ vadybinkams, įvertinant jų sezoniškumo poveikį pardavimams.

Jei AB „Rokiškio sūris“ nusprendė prognozuoti ketvirčiais, tada siūlau taikyti multiplikatyvųjį modelį. Siūlau supaprastintą multiplikatyvųjų modelį, kur ignoruojama ciklinė komponentė. Atsitiktinės komponentės Rt prognozinė reikšmė siūlau taikyti lygi 1. Tačiau jei įmonė sugeba įvertinti ciklinės bei atsitiktinės komponentės poveikį, ji gali papildyti multipliktyvujį modelį šiomis reikšmėmis (žiūr. formulę (2)). Taip AB „Rokiškio sūris“ turint apskaičiuota regresinį lygtį, kur nepriklausomas kintamasis yra ketvirtis ir paskaičiuoti kiekvienam sezonui indeksus gali rognozuoti pardavimus ketvirčiams, atsižvelgiant į sezoniškumą.

Norint prognozuoti tolimą ateitį siūlau AB „Rokiškio sūris“ taikyti regresiniį lygtį, kur Xt yra metų laikotarpis. Taip įmonė gali apytikriai įžvelgti būsimų pardavimų tendencijas.

Atsižvelgiant į laiko horizontą siūlau AB „Rokiškio sūris“ taikyti tokią prognozavimo metodiką.

S1 S2 S3 S4

1.06675

1.07163 0.9222142 0.9394

10 pav. Pasiūlyta prognozavimo metodika AB „Rokiškio sūris“

Pasirenkant tinkamą sau prognozavimo metodą AB „Rokiškio sūris“ neturėtų atsižvelgti vien tik į laiko horizontą. Būtina atsižvelgti į visus reikšmingus įmonei veiksnius (pvz., laiko sąnaudas, kaštus, prognozuotijų profesionalumo lygį ir t.t.), įvertinti jų svarbą ir reikalingumą.

Kai AB „Rokiškio sūris“ pasirinko prognozavimo metodą, siūlau įdiegti tokią prognozavimo sistemą, kuri pavaizduota 11 paveiksle.

11 Pav. Prognozavimo sistema

Tokią prognozavimo sistema pratęsia mano analizę. Kai tik įmonė parinko sau tinkamą kiekybinį prognozavimą, ji turi pasitelkti į pagalbą ekspertų nuomonę įmonės viduje arba reikalui esant pasamdyti tyrimo įmonę iš šalies. Tokie specialistų įvertinimai galėtų papildyti bei pakoreguoti kiekybinę prognozę, atsižvelgiant į reikšmingus aplinkybių veiksnius. Taip pat siūlau įmonei sudaryti reikšmingą daugianarę regresinę lygtį, kuri įtrauktų pagrindinius įtaką nepriklausomajam kintamajam darančius veiksnius. 2 priede aš siūlau savo daugianarę regresinę lygtį, kuri atsižvelgia į įtakojančius pardavimus veiksnius. Tačiau tokia lygtis galėtų įtraukti ir socialinius, ekonominius, demografinius kintamuosius, tai priklauso nuo prognozuotojo stebėjimų. Jis turi tiksliai apibrėžti tos labiausiai darančius įtaką veiksnius.

Kaip prognozavimo metodas kiekybiškai ir kokybiškai įvertintas, įmonė daro prognozavimus. Reikia pastoviai kontroliuoti prognozavimą, o tai reiškia, kad kai tik prognozinės reikšmės yra žinomos, jos turi būti lyginamos su faktinėmis reikšmėmis. Taip įmonėje užtikrinamas gryžtamasis ryšis, pastoviai tobulinant prognozavimo meodiką.

Kadangi ilgalaikiam prognozavimui aš pasiūliau tik tai ilgalaikio trendo ekstrapoliavimą, tai manau, kad toks prognozavimas yra labai rizikingas, norint tiksliai įvertinti prognozines pardavimų reikšmes.

Patobulinant ilgalaikį prognozavimą, norėčiau pasakayti, kad būtų protingai įmonei ne tik sujungti vieną iš kiekybinių prognozavimo metodų (atsižvelgiant į tam tikrus veiksnius) su kokybinių prognozavimo metodų, tačiau taikyti keletą kiekybinių prognozavimo metodų vienodam laiko horizontui. Kai darome trumpalaikius ar vidutinės trukmės prognozavimus toks būtinumas neiškyla, nes didelė tikimybė, kad prognozę pasitvirtins. Tačiau kai darome ilgalaikį prognozavimą toks „aklas“ ekstrapoliavimas tampa vis abėjotinu, norint tiksliai įvertinti pardavimo apimtis.

Pavyzdžiui, darome prielaidą, kad AB „Rokiškio sūris“ nori numayti pardavimo apimtis 2005 metams. Įmonė nori padaryti greitą ir efektyvią prognozę ekstrapoliuojant praeities pardavimų tendenciją į ateitį. Tokiu atveju siūlyčiau įmonei paskaičiuoti prognozinius pardavimus, remiantis keletais prognozavimo metodais, o paskui jos sujungti į vieną bendrą prognozę.

Tokią praktiką plačiai taiko vadybinkai diversifikuojant įmonės akcijų paketą, norint sumažinti riziką. Taigi būtų išmintinga paskaičiuoti vidutinę prognozę, remiantis įvairiais prognozavimo metodais. Taikant keletą metodų kombinaciją yra patikimiau negu taikant vieną prognozavimo metodą ir turint keletą nepanaudotų atsarginių alternatyvių metodų. Tokiu būdu galima sumažinti vienų prognozavimo metodų trūkumus, pasinaudojus kitų prognozavimo metodų pranašumais.

Siūlyčiau sujungti tokius kiekybinio prognozavimo metodus: slenkančio vidurkio, eksponentinio vidurkio, trendo ekstrapoliavimo metodą. Remiantis 9 paveisklo grafiku ir 11 lentelės duomenimis paskaičiuosime kiekvieno iš jų prognozines reikšmes 2005 metams.

Eksponentiniam išlyginimo metodui siūlyčiau taikyti išlyginimo konstantą lygi 0.8, kadangi sudarant ilgalaikę prognozę mums svarbiau yra bendrą pardavimų tendenciją, o ne sezoniniai svyravimai. Kuo didesne yra α tuo išlygimo efektas yra mažesnis, tuo didesnė tikimybė, kad mes nenureguliuosime reikšmingas komponentes.Taigi norint paskaičiuoti eksponentinio išlyginimo metodu, mums užteks tik tai dviejų reikšmių: praėjusio laikotarpio prognozės bei faktinės reikšmės. Kadangi mes neturime 2004 m. prognozines reikšmės, perkelsim 2003 metų faktinę reikšmę (X2003) į 2004 metų prognozę (F2004). Tokiu atveju, turime X2004 = 387.28 tūkst. Lt. ir F2004 =363.843 tūkst. Lt. Remiantis formulę (9), paskaičiuosime F2005.

F2005 = 363.843 + 0.8× (387.28 – 363.843 ) = 382.593 tūkst. Lt.

Naudojant slenkančio vidurkio metodą paskaičiuosiu visų 7 metų vidurkį t.y. N=7. Darome prielaidą, kad visų 7 metų duomenys yra reikšmingi prognozei, todėl į jos visos atsižvelgiama vienodai (t.y. suteikiamas vienodas lyginamąsis svoris). Taigi remiantis formulę (5) mūsų prognozę 2005 metams bus:

316.803 tūkst. Lt.

Remiantis formulę (18), mes išsiaiškinome, kad naudojant regresinį trendą, prognozę 2005 metams sudarys 442.776 tūkst. Lt.

Taigi remiantis mūsų skaičiavimais, pateiksime apibendrintą skaičiavimo rezultatų lentelę ir paskaičiuosime ilgalaikių prognozavimų reikšmių vidurki. 18 lentelėje pateikti kelių prognozavimo metodų rezultatai bei paskaičiuotas bendrų prognozių vidurkis.

18 lentelė. Ilgalaikių prognozavimo metodų suvestinė lentelė: AB „Rokiškio sūris“

Metodas Prognozė 2005 metams

(Pardavimai, tūkst. LT)

Slenkantis vidurkis 382.593

Eksponentinis išlyginimas 316.803

Trendo ekstrapoliavimas 442.776

Vidurkis 380.724

Taigi, tokia AB „Rokiškio sūrio“ pardavimų reikšmė, 308.724 tūkst. Lt., 2005 metams bus geresnė prognozė, negu skaičiuojant tik tai vieno metodo prognozę.

Yra daugybe variantų kaip galima patobulinti ir papildyti prognozavimo metodus, viskas priklauso nuo įmonės konkrečių tikslų bei konkrečios situacijos. Tačiau norint sumažinti prognozavimo riziką, reikia pastoviai tirti situaciją bei pylditi esamų prognozavimo metodų spragas. Žinant vienų prognozavimo metodų trūkumus, jos galime papildyti kitų metodų privalumais ir taip išlikti rinkoje ar net išlošti iš to.

Negalime teigti, kad vieni metodai yra geri, o kiti blogi. Nėra vienos bendros visiems metodikos kaip reikia prognozuoti, kad numatyti ateitį. Prognozavimas daugiau menas, nei mokslas. Mokslas remiasi pastoviais ir nenuginčijamais gamtos dėsniais, teorėmomis, taisyklėmis ir t.t., o prognozavimas pastovių informacinių srautų įvertinimais [27; p.90]. Jam reikia turėti tam tikrų sugebėjimų bei ne tik gerai orientuotis esamoje padėtyje, bet ir „nujausti“ ateitį. Ateities numatytimas remiasi ir praeities patirtimi, kur prognozuotojai mokasi iš savų klaidų.

Mano parengta metodika AB „Rokiškio sūris“ padės greitai parengti tinkamą prognozę remiantis norimu laiko horizontu. Apskaičiuoti sezoniškumo indeksai padės įmonei iš anksto įvertinti sezoninį poveikį, bei būti pasiruošiusi tokiems pardavimų pokyčiams. Taigi pasinaudojus tokią informaciją AB „Rokiškio sūris“ galės kontroliuoti savo pardavimų atsargas, atsargų politiką, vidinę įmonės politiką ir apskaitos politiką ir t.t.

Tokius sezoninius indeksus siūlau pritaikyti ir prognozuojant mėnesiams, atitinkamai žiūrint kokiame ketvirtyje yra tas mėnuo. Nės sezoniškumo poveikis vienodu stiprumu veiks kiekvieną jame esantį mėnesį.

Ekstrapoliuojant praeitį ilgesniam laiko tarpui, neapibrėžtumas didėja, todėl prognozuotojams kartais užtenka žinoti bendras (apibendrintas) tendencijas ir nešvaistyti daug laiko bei lėšų bandant detaliai ją apibrėžti, nes tai yra kartais yra beprasmiška bei neefektyvu. Todėl norint bent kiek sumažinti ilgalaikio prognozavimo riziką, siūlau ją diversifikuoti, taikant kelių metodų kombinaciją.

Prognozavimas niekada nebus 100 proc. tikslus koks profesionalus ir patyręs bebūtų prognozuotojas, nes pasaulyje, dėje, daug dalykų priklauso ne nuo mūsų, o jos identifikuoti ir juolab prognozuoti neįmanoma.

Išvados ir pasiūlymai

1. Prognozavimas yra svarbus visose organizacijios srytyse. Ilgalaikiai, vidutinės trukmės, trumpalaikiai sprendimai pastoviai priimami ir visi jie remiasi prognozavimo išvdomis bei įvertinimais. Prognozavimas yra pagrindas valdymo sprendimams priimti todėl, kad ateities projektavimas nustato kur sprendimai yra reikalingi, apibrėžia kur alternatyvos reikšmingos ir pagaliau nustato kuris alternatyvinis sprendimas turi būti parinktas. Pardavimo apimčių prognozes yra ypač reikšmingos pardavimų vadybinkams, nes remiantis prognozėmis jie valdo ir kontroliuoja pardavimus. Pardavimų prognozes taip pat yra pradiniai duomenis, kurie reikalingi finansiniams, prekybos, rėmimo, įrenginių planams apibrėžti. Labai svarbu numatyti ateitį, nustatant keltą tikėtinų ateities „scenarijų“. Vadybinkai turi numatyti jų produkcijos ir paslaugų paklausą, tikėtiną technologinį patobulinimą jų valdymo procesams kainų tendencijas, sprendimų reakcijas. Vadybinkai pastoviai svarsto galimybes, kurių prielaidas yra prognozavimas.

2. Visi prognozavimo metodai yra ekstrapoliaciniai, kurie remiasi prielaidą, kad padėtis paeityje tęsis ateityje. Kai kuriems laiko eilutėms toks prognozavimas bus veiksmingas, bet kai kuriems praeities įvertinimas nėra reikšmingas.

3. Yra daugybė prognozavimo metodų, nes prognozavimas yra ypatingai sunkus uždavinys kiekvienoje įmonėje. Kas atsitiks ateityje dažniausiai priklauso nuo gausybę neprognozuojamų veiksnių. Be to tokie veiksniai kaip pakankamas reikšmingų duomenų turėjimas, tikslumas, laiko ir finansų sąnaudos reikalingos prognozavimui daro įtaką priimant kokį prognozavimo metodą pasirinkti.

4. Kiek kiekybiniai tiek kokybiniai prognozavimo metodai reikalingi, kad padaryti veikšmingūs sprendimus. Situacijose, kai turksta istorinių duomenų prognozėms parengti, reikšmingas yra kokybinis prognozavimas. Tačiau kai įmonė turi didelę duomenų bazę, ji sugebės kiekybiškai įvertinti savo tendencijas.

5. Aš parodžiau, kad, norint paaiškinti laiko eilutės „elgesį“ (pobūdį), tikslinga suskaidyti laiko eilutę į atskiras komponentes: trendą, ciklišką, sezoninę, atsitiktinę. Pašalinant šios komponentes ir išmatuojant jų akivaizdų poveikį, galima prognozuoti laiko eilutės būsimas reikšmes.

6. Jeigu laiko eilutė parodo tik ilgalaikį trendą, tada tikslinga taikyti regresinė analizė, ekstrapoliuojant trendą. O kada trendas ir sezoninės komponentės poveikiai yra reikšmingi, multiplikatyvusis laiko eilutės išskaidymas galėtų būti panaudotas, kad atskirti dviejų veiksnių poveikius ir parengti geresnį prognozavimą.

7. Išlyginimo metodai galėtų būti panaudoti laiko eilučių prognozėms, kurie neturi nei trendą, nei sezoniškumo, nei cikliškumo poveikį. Pritaikant šį metodą laiko eilutei su sezoniškumu, reikėtų eksponentinio išlyginimo laiko eilutę padauginti iš sezoniškumo indekso, nes eksponentinis metodas panaudoja svertinius laiko eilutės reikšmių vidurkius prognozei parengti ir tokiu atveju išlygina mums reikšmingus sezoninius svyravimus.

8. Regresijos analizė taikoma kaip priežastinis prognozavimo metodas. Priežastinis prognozavimo metodas susieja laiko eilutės reikšmę (priklausomąją kintamąjį) su kitais nepriklausomais kintamaisiais, kurie paiškina laiko eilutės elgsenos priežastį.

9. Patartina pastoviai derinti kelius prognozavimo metodus, juos tarpusavyje lyginti bei daryti bendrą prognozę. Taip galime sumažinti riziką bei padidinti prognozavimo patikimumą.

10. Prognozės turi būti vadovybės kontroliuojamos ir analizuojamos. Prognozavimo paklaida yra tikslumo matas, kuris padėda prognozuotojams įvertinti prognozavimo metodo tikslumą. Prognozavimo reikšmė visada turi būti užrašoma su paklaidos riba, t.y. vadinama patikimumo intervalu. Kuris prognozavimas yra geriausias taps akivaizdu tik po laiko, kai bus galima palyginti faktinius pardavimo apimtis su prognozuojamais.

Literatūra:

1.spigliukas.topcities.com/papke/vu_studijos/ marketingas_files/pronozav%20tarpt_rinku_tyrim.htm – 101k –

2.J. R. Evans, D. R. Anderson, D. J. Sweeney, T. A. Williams. Applied Production and Operations Management. Seceond Edition. London: West Publishing Company, 1987. 660p.

3.Bruce R., Jewell. Integruotos verslo studijos. 2000. 478 psl.

4.Neverauskas B.Rastenis J.Vadybos pagrindai.Kaunas.Technologija.2001.143 psl.

5.Vasiliauskas A.Strateginis valdymas.Vilnius.Enciklopedija.2002.383 psl.

6. Wilson P.„The Barclays guide to financial management for the small business“:UK:Oxford, 1991m.207 psl.

7.Palubinskas G.T.Strateginis planavimo procesas.Kaunas:Technologija.1997m.208psl.

8.Remigijus Š.,Žvinkys J.Prognozavimo metodai, jų ypatumai ir taikymas.Vilnius.Vilniaus universiteto leidykla.1996.67psl/

9.S.Martišius.Elemtarūs prognozavimo metodai ir modeliai.Vilnius:Mintis, 1974.163p.

10.J.Bučiūnienė.Pardavimo valdymas.Kaunas:Technologija,2002.205p.

11.T.M.Cook, R.A.Russell. Introduction to Management Science. New York: Prentice-Hall, 1981.525 p.

12.A. G. Bedelan. Management. Second Edition. London: The Gryden Press. 1989, 671p.

13.R. E. D. Woolsey, H. F. Swanson. Operations Research for Immediate Aplication: A Quick and Dirty Manual. New York: Harper and Row. 1975, 173p.

14.L.Swift. Mathematics and Statistics for Business, Management and Finance. Londos: Press LTD, 1997. 930p.

15.V. Rutkauskas, P. Stankevičius. Finansų analizė, valdymas ir prognozavimas. Vilnius: Vilniaus pedagoginio universiteto leidykla. 2004, 301p.

16.J. Morell. Management Decisions and The Role of Forecasting. Harmonsdsworth, Midd‘x: Penquin Books. 1972, 377p.

17. K. W. Shilit. The Enterpreneur‘s Guide to Preparing a Winning Business Plan and Raising Venture Capital. New Yersey: Prentice-Hall. 1990, 472p.

18. O. L. Wight. Production and Inventory Management in the Computere Age. USA: Cahners Publishing Co. 1974, 489p.

19. G. A. Cole. Strategic Management. Second edition. London: Ashford Colour Press. 1997, 247p.

20. J. Curwin, R. Slater. Quantitative Methods for Business Decisions. London: International Thomson Business Press. 1996, 667p.

21. J. L. Kenkel. Introductory Statistics for Management and Economics. USA: Duxbury publication. 1981, 848p.

22. E. Turban, J. R. Meredith. Fundamentals of Managemnt Science. Fifth Edition.USA: Irwin, 1991, 1004p.

23. E. Mansfield. Basic Statistics. Problems, Exerceses and Case Studies. New York: W.W. Norton&Company. 1986, 208p.

24. C. M. Crawford. New Products Mnagement. Third Edeition. USA: Irwin. 1991, 564p.

25. E. Bagdonas. Socialinė statistika. Kaunas: Technologija. 2004, 215p.

26. D. R. Lehmann, R. S. Winer. Product Management. USA: Irwin. 1194, 437p.

27. J. B. Dilworth. Production and Operations Management. Third Edition. Third Edition. USA: Random House. 1985, 701p.

28. L. Oakskott. Essential Quantitative Methods for Business, Management and Finance. London: Macmillan Press. 1988, 297p.

29. J. Kinard. Management. USA: D.C. Heath and Company. 1988, 547p.

1. Lizingo rūšys ir jų taikymo ypatumai

1.1.Lizingo samprata ir pagrindinės charakteristikos

Kaip alternatyva bankinėms paskoloms išsivysčiusiose Vakarų Europos šalyse ir jau Lietuvoje plačiai paplitusi nauja finansavimo rūšis yra lizingas.

Lizinginės operacijos finansiškai padeda to norinčioms įmonėms. “Ekonominiu požiūriu lizingas – tai ilgalaikis kreditas prekine forma, kai išnuomotos priemonės savininkas už suteiktą daiktinę paskolą gauna palūkanas [1, 257 ]”.

“Lizingas (išperkamoji nuoma) yra tam tikra verslo kreditavimo sistema, jungianti ilgalaikės nuomos ir įmonės kreditavimo elementus. Lizingas apibūdinamas kaip ūkinė veikla, kai sutartiniais pagrindais ūkio subjektas perleidžia teisę naudotis tam tikru kilnojamuoju turtu fiksuotam laikotarpiui kitam ūkio subjektui, ir už šią teisę pastarasis periodiškai moka sutartyje numatytus nuomos mokesčius. Lizingo sutartį iš vienos pusės sudaro bankas arba lizingo kompanija, o iš kitos – ūkio subjektas – lizingo gavėjas. Pastarasis už teisę nuomoti moka iš anksto sutartą pinigų sumą, o praėjus tam laikui grąžina naudotą turtą arba jį išsiperka. Lizingo sutartyje paprastai nurodoma, kad lizingo gavėjas prisiima visą riziką bei nuostolius, susijusius su lizingo objektų gedimu, vagystėmis ar kitais praradimais [2, 134]”.

Lizingo objektas ir subjektas. Lizingo objektu gali būti įvairios paskirties kilnojamasis ir nekilnojamasis turtas: pastatai, žemės sklypas, pramoniniai ir kiti įrengimai, kompiuterinė ir informacinė technika, orgtechnika, parduotuvių įranga ir apipavidalinimas, žemės ūkio mašinos, automobiliai, sunkvežimiai, lėktuvai ir t.t.

“Lizingo objektas išnuomojamas skirtingam laikotarpiui. Nuoma gali būti:

– trumpalaikė (iki vienerių metų);

– vidutinė (nuo vienerių iki trejų metų);

– ilgalaikė (daugiau nei treji metai).

Per visą nuomos laikotarpį nuosavybės teisę į nuomos objektą išlaiko lizingo davėjas[4, 53]”.

“Lizingo subjektas. Klasikiniam lizingui būdinga trišalė sutartis, t.y. kai sandoryje dalyvauja trys šalys – lizingo davėjas nuomotojas, lizingo gavėjas nuomininkas ir objekto gamintojas tiekėjas.

Svarbiausias vaidmuo lizingo operacijoje tenka nuomotojui lizingo davėjui. Sudaręs su lizingo gavėju lizingo sutartį, lizingo davėjas nuperka įrangą, mašinas, pastatus ar kitą materialųjį turtą ir, įrašęs juos į savo balansą, išnuomoja lizingo gavėjui už tam t

. . .

UAB “Hanza Lizingas” siūlo juridiniams asmenims tokius finansinius sprendimus:

• lengvųjų automobilių, keleivinių ir krovininių mikroautobusų lizingą išperkamosios nuomos ir veiklos nuomos būdu;

• paslaugų lizingą (transporto priemonių parko valdymas);

• ūkinių transporto priemonių ir autobusų lizingą;

• komercinės paskirties nekilnojamojo turto lizingą;

• gamybinės, medicinos, kompiuterių ir kt. įrangos lizingą;

• žemės ūkio technikos lizingą;

• faktoringą, leidžiantį išvengti debitorinių įsiskolinimų [10].

3. UAB “ Hanza Lizingas” taikymo perspektyvos

Kiekvienos šalies klestėjimo pagrindas – efektyvus finansinių institucijų ir įmonių funkcionavimas, jų abipusis bendradarbiavimas. Tačiau, kaip rodo praktika, šių institucijų darnaus veikimo ne visada pavyksta pasiekti dėl jų interesų nesutapimo: klientai nori gauti kapitalo už minimalias palūkanas, tuo tarpu bankai, lizingo kompanijos nori gauti kuo didesnius procentus. Todėl manau, kad spartesnius augimo tempus pasieks ne tos lizingo kompanijos, kurios stengsis didinti savo apimtis, o tos, kurios sugebės diversifikuoti savo veiklą ir suderinti savo bei klientų norus.

Prieš keletą metų daugelis Lietuvoje net nebuvo girdėję apie lizingą. Iš atliktos UAB “Hanza Lizingas” portfelio analizės pagal turto rūšis matome, kad lengvųjų automobilių ir kitų transporto priemonių finansavimas sudaro apie du trečdalius lizingo bendrovės finansuojamų projektų vertės. Automobilių prekybos atstovybių Lietuvoje darbuotojai taip pat tvirtina, kad suaktyvėjusi lizingo bendrovių veikla smarkiai padidino naujų automobilių paklausą.

Pastaruoju metu vis daugiau žmonių perka naujus automobilius ir, pagal statistiką, kas trečias lengvasis automobilis Lietuvoje yra įsigytas pagal išperkamosios nuomos sutartį.

Vis populiaresnė Lietuvoje tampa ir nekilnojamo turto išperkamoji nuoma, nes procedūra yra žymiai paprastesnė nei gaunant bankinę paskolą, be to nereikalaujama užstato (šiuo atveju užstatas yra pats išperkamosios nuomos objektas).

Šiandien daugelio įmonių sėkmė priklauso nuo galimybės investuoti į naują įrangą ar technologijas. Dažnai net didžiausios įmonės negali vystyti ir plėsti savo verslo dėl apyvartinių lėšų trūkumo. Lizingas padeda įmonei sutaupyti apyvartinių lėšų ir optimaliau valdyti finansinius išteklius.

“Palyginus bankininkystės rinkas visose Baltijos šalyse, didžiausias augimo potencialas yra Lietuvoje. Indėliu suma vienam Lietuvos gyventojui 2002 metų pabaigoje buvo du kartus mažesnė negu Estijoje, o paskolų – mažesnė daugiau kaip 3 kartus. Tuo pačiu metu varžybos dėl kainų – tiek mažmeniniame sektoriuje (būsto kreditavimas), tiek verslo sektoriuje – Lietuvoje tapo žymiai agresyvesnės. Viena Lietuvos rinkos ypatybių yra santykinai didelė Vyriausybės skola, taigi ji nepatenka į paskolų portfelio dalį. Kartu su Lietuvos Vyriausybės vertybiniais popieriais Grupės paskolų (įskaitant lizingo) santykis su indėliais Lietuvos rinkoje yra 89 proc., iš kurių 24 proc. sudaro Vyriausybės skola. Estijoje ir Latvijoje tokie santykiai yra atitinkamai 104 proc. ir 92 proc. 2001 metais buvo daug dirbama siekiant stabilizuoti rinkos pozicijas bei sustabdyti rinkos dalies mažėjimą. 2002 metais dėmesio centre buvo aktyvūs pardavimai. Būsto paskolos, ir ne tik jos, pradėtos siūlyti tiems tiksliniams gyventojams, kurių pajamos yra aukštesnės nei vidutinės. Siekiant paskatinti vartojimą 2002 metu rugsėjo mėnesį pradėtos leisti atnaujinamojo kredito korteles. Per 2002 metu keturis mėnesius tokių kortelių buvo išleista 8334. Mažmeninių paskolų portfelis 2002 metais išaugo 78 proc. (iki 351 milijonų litų), banko rinkos dalis šiame segmente išsiplėtė 1 proc. (iki 28,7 proc.) Išaugus mažmeninėms paskoloms, privačių asmenų paskolos 2002 metais sudarė 22,3 proc. bendro paskolų portfelio, metu pradžioje tesudarė 14,3 proc. Tai geras ženklas stiprinant paskolų portfelio rizikos profilį ir produktyvumą. Optimizuojant darbą su verslo klientais, sujungus darbo valdymą su stambiomis, vidutinėmis ir smulkiomis įmonėmis, pasiekta dar geresnių veiklos rezultatų: juridinių asmenų paskolų portfelis padidėjo 26 proc., o per tą patį laikotarpį rinka augo 16 proc. Aukštas likvidumo rodiklis, didelė klientų bazė ir paskirstymo tinklas suteikia gerą pagrindą tolimesniam paskolų portfelio didinimui Lietuvoje [10] ”.

2003 m. bankas įvykdė visus akcininkų numatytus uždavinius. Tikime, kad rinkai augant tiek mažmeniniame, tiek verslo klientų sektoriuose, su gerai parengta banko darbuotojų komanda bei integruotais IT sprendimais turi pakankamas prielaidas išlaikyti iškovotas konkurencines pozicijas. 2003 metai yra svarbūs bankui ruošiantis naujai ekonominei erai, prasidėsiančiai Lietuvai įstojus į Europos Sąjungą. Į ES stojančiose šalyse lizingo reikšmė vis didėja, nes lizingo naudojimas skatina naujos įrangos ir paslaugų įdiegimą Jos pradžia daugeliui šiandieninių klientų ir pačiam bankui yra svarbi, įgyvendinant dar aukštesnius ir ambicingesnius tikslus, stiprinant novatoriškiausio banko vardą Lietuvoje.

UAB “Hanza Lizingas” misija yra nuolat didinti savo įmones vertę. Lizingo bendrovė stangiasi kuo labiau prisitaikyti prie besikeičiančios rinkos aplinkos, siūlyti tinkamiausius, taupančius laiką ir gerinančius kasdienį gyvenimą finansinius sprendimus. Institucijos geriausią darbą garantuoja stipri darbuotojų motyvacija.

UAB “Hanza Lizingas” vizija – iki 2004 metų tapti pirmaujančia finansine bendrovė Lietuvoje.

Ryžtinga UAB “Hanza Lizingas” grupės veikla ir augantis tarptautinis pripažinimas – tai verslininkiškos dvasios, atvirumo naujovėms, kokybės siekimo ir aukštų techninių standartų rezultatas.

UAB “Hanza Lizingas” orientuoja savo veiklą į smulkias bei vidutines įmones, taip pat į tuos gyventojus, kurių perkamoji galia yra didesnė už šalies vidurkį. Tačiau būdamas universalus bankas, jis aptarnauja visas klientų grupes.

Be to, nors UAB “Hanza Lizingas” vidaus rinką sudaro Baltijos šalys, savo paslaugas ji teikia ir tam tikrų klientų segmentams Rusijoje, ateityje ji planuoja klęsti savo veiklą Rytų Europoje.

Santykių su klientais srityje finansinė bendrovė vertina ilgalaikę partnerystę, o tai yra labai svarbu norint ilgai išsilaikytis rinkų sąlygomis, bei pritraukti daugiau klientų. Tikime, kad augančios konkurencinės kovos fone pagrindinis UAB “Hanza Lizingas” pranašumas, kurį turi šiandien ir gali išlaikyti ateityje – finansinių paslaugų lengvo pasiekiamumo, klientų pažinimo, technologijų patikimumo ir darbuotojų pasirengimo kurti sprendimus klientams kompleksas. UAB “Hanza Lizingas”strategija – sugebėjimas teikti visas finansines paslaugas vienoje vietoje.

Santykių su klientais valdymas – labai svarbus sėkmės elementas. Į tai turi būti pastoviai atsižvelgiama ypač kai su savo klientais UAB “Hanza Lizingas” tiesiogiai bendrauja mažiau, jiems ėmus intensyviau naudotis nuotoliniais kanalais. UAB “Hanza Lizingas” privalės ypač stengtis, kad jų turimų duomenų apie klientus bazė sukurtų kuo didesnę vertę. Finansinė bendrovė sieks visais atvejais, susijusiais su bet kokia banko ir kliento sąveika, identifikuoti bendrą kliento paveikslą. Taip galės rasti ir pasiūlyti labiausiai tinkamus finansinius sprendimus.

Naudojimasis praktinėmis kreditavimo žiniomis ir įgūdžiais padeda UAB “Hanza Lizingas” suprasti klientų poreikius, o turėdami geriausias praktines žinias jie galės palaikyti geresnę nei bendroje rinkoje paskolų “portfelio” kokybę.

Šiuo metu pagrindinis rinkos plėtros variklis UAB “Hanza Lizingas” yra kredito portfelio augimas.

Centralizuota IT plėtra ir valdymas, suderintas su Baltijos šalių bankinių produktų plėtra, įgalina UAB “Hanza Lizingas” veikti efektyviau visose trijose šalyse.

Norėdami savo gausiems klientams pateikti geriausius finansinių klausimų sprendimus, UAB “Hanza Lizingas” jiems siūlo paprastų ir lengvai naudojamų standartizuotų paslaugų pasirinkimą.

UAB “Hanza Lizingas” klientai gali patogiai naudotis banko finansinėmis paslaugomis, konsultacijomis bei pardavimo centrų paslaugomis per platų ATM tinklą, internetu, telefonu ir per mobilų banką.

Galima išskirti tokius UAB “Hanza Lizingas” prioritetus ateičiai:

• išlaikyti esamą padėtį lengvųjų ir komercinių automobilių rinkoje;

• padidinti pramonės rinkos dalį finansuodami pramonę ( daugiau akcentuoti dėmesį į ūkio sektorį ir finansuoti statybą );

• padidinti lenvatinių paskolų portfelį iki 40%;

• tobulinti aptarnavimo sektorį ir didinti klientų pasitenkinimą.

Turėdami tokį padėtį Lietuvoje, gali teigti, kad yra dvi plėtojimo galimybės mūsų šalyje:

1) kaip valstybinė priemonė smulkiam, vidutiniam ir prioritetiniam verslui remti;

2) kaip finansinių lėšų pritraukimo priemonė.

1) Ši galimybė yra paremta valstybės programomis, kuriose numatomos lengvatos lizinguojamą turtą įsigyjančioms smulkioms įmonėms. Kadangi beveik visos Lietuvos rinkoje veikiančios lizingo bendrovės lėšas turtui pirkti skolinasi iš bankų ir moka už jas palūkanas, tai žemesnių palūkanų paskolos leistų sumažinti ir lizingo mokėjimų sumą. Šiuo metu Lietuvos lizingo bendrovės negali pasiūlyti žemesnių palūkanų šalies verslo subjektams kaip tik todėl, kad yra pačios priverstos mokėti aukštas paskolų palūkanas. Vyriausybės sutikimas suteikti paskolas lizingo kompanijoms žemesnėmis nei rinkos palūkanomis galėtų būti prielaida šio mechanizmo apimtims padidinti ir palengvinti finansinių lėšų pritraukimą smulkiam ir vidutiniam verslui.

2) Turėdami galvoje teiginį apie finansinių lėšų pritraukimą, norėjau pabrėžti, kad reikalingos priemonės patiems lizingo davėjams finansuoti lizingo sandėrius. Lietuvoje paskolų palūkanos yra sąlyginai aukštos. Užsienio šalyse (D.Britanijoje, Prancūzijoje, JAV ir kt.) lizingo sandėriai yra finansuojami išleidžiant rinkos vertybinius popierius. Tokia priemonė lizingo davėjams yra gera dėl kelių priežasčių:

• sandėrio rizika perkeliama investuotojams;

• maksimizuojami tam tikro turto pinigų srautai;

• diversifikuojami finansavimo šaltiniai;

• lizingo davėjai gali nepaisyti bankų apribojimų;

• daug efektyvesnis turto įsipareigojimų valdymas dėl sureguliuoto sandėrių

finansavimo;

• pigesni finansavimo kaštai;

Pasinaudojus tokiomis priemonėmis, lizingo įtaka Lietuvos ekonomikai būtų didesnė. Kitoks lizingo sandėrių finansavimas sumažintų lizingo palūkanas ir mechanizmas taptų patrauklesniu. O mažesnių palūkanų normų poveikis ekonomikoje visada sąlygoja verslo plėtojimąsi, darbo vietų skaičiaus didėjimą ir pajamų augimą.

Išvados ir pasiūlymai

1. Lizingas[11, 211]:

• ilgalaikė išperkamoji nuoma;

• įrengimų nuoma, dažnai siekiant išvengti greitai moraliai senstančia įrangos pirkimo ( dalinis lizingas );

• vieniems skolinama viena įrangos dalis, o kitiems – kita ( finansinis lizingas );

• ilgalaikės įrangos nuomos sutartis, apskaišiuojant jų faktinį susidėvėjimą ( operatyvinis lizingas );

• daugkartinio nuosavybės išnuomojimo forma, trumpesniam laikotarpiui, nei jos funkcionavimo trukmė ir dažniausiai neskaičiuojant nusidevėjimo.

2. Lizingo operacijos stiprina ekonomikos sektorių, sukurdamos sąlygas strategiškai svarbių šakų vystymuisi, stimuliuoja kapitalo atėjimą į gamybinę sferą;

3. Finansinį lizingą efektyvu taikyti labai aukšto technologinio lygio šakose.

4.Taikant operatyvinį lizingą nuomojamojo turto savininkas gali nuomoti tą patį turtą daugelį kartų, tačiau neperleidžia nuomininkui nuosavybės teisių į nuomojamą priemonę. Visą riziką ir naudą, susijusią su nuosavybės teisėmis, savininkas pasilieka sau.

5. Taikant grąžintiną lizingą – įmonė parduoda savo kilnojamąjį ar nekilnojamąjį turtą lizingo kompanijai, tuo pat metu sudarydama su ja lizingo sutartį savo buvusio turto ilgalaikei nuomai. Taigi turto pardavėjas ir toliau naudojasi buvusiu turtu, bet jau lizingo pagrindais, kartu gaudamas iš pirkėjo pinigų sumą, numatytą objekto pardavimo-pirkimo sutartyje.

6. Dažniausiai rizika lizingo gavėjui kyla dėl to, kad lizingo objektas areštuojamas, lizingo davėjas pristato žemos kokybės lizingo objektą, lizingo davėjas per daug padidina lizingo objekto vertę ir pan.

7. UAB “Hanza Lizingas” – universalus bankas, jis aptarnauja visas klientų grupes.

Pasiūlymai:

1. Pagrindinis nustatomas apribojimas – lizingas, kaip sutarties forma, gali būti naudojama tik verslo tikslais. Fiziniai asmenys netenka teisės su lizingo bendrove pasirašyti tipinę lizingo sutartį. Gyventojas, norėdamas įsigyti turtą vartojimo tikslais, galės tai padaryti pagal kitokią sutartį – išperkamosios nuomos, vartojimo kredito. Vartojimo kredito objektu negali būti nekilnojamasis turtas, esama apribojimų išsimokėjimo laikui bei sumai.Reglamentuojant lizingo sutartį neišvengta tokių nuostatų, kurių taikymas suvaržys pasirinkimo galimybes, vers ieškoti aplinkinių kelių sutartims sudaryti, nepagrįstai ribos dviejų subjektų susitarimo laisvę. Todėl siūlyčiau šiuo apribojimo panaikinimą.

2. Kiekvienos šalies klestėjimo pagrindas – efektyvus finansinių institucijų ir įmonių funkcionavimas, jų abipusis bendradarbiavimas. Tačiau, kaip rodo praktika, šių institucijų darnaus veikimo ne visada pavyksta pasiekti dėl jų interesų nesutapimo: klientai nori gauti kapitalo už minimalias palūkanas, tuo tarpu bankai, lizingo kompanijos nori gauti kuo didesnius procentus. Todėl manau, kad spartesnius augimo tempus pasieks ne tos lizingo kompanijos, kurios stengsis didinti savo apimtis, o tos, kurios sugebės diversifikuoti savo veiklą ir suderinti savo bei klientų norus.

3. Paprastai palūkanos už nuomą yra apylygės ar kiek aukštesnės nei paskolos, o esant vienodai palūkanų normai, visiškai yra tas pats imti kreditą ir pirkti ilgalaikį turtą ar įsigyti pastarąjį išperkamosios nuomos būdu.

4. Nereikėtų susižavėti patraukliais bendrovės skelbimais spaudoje, kadangi juose ne viskas pasakoma apie būsimąjį sandėrį. Klientui nepalankios detalės, galinčios jį net priversti persigalvoti, paaiškėja tik prieš pasirašant sutartį su lizingo bendrove. Todėl klientams siūlyčiau pradinio pokalbio metu su šių finansinių institucijų darbuotojais įsiaiškinti visas sutarties dėtales.

Literatūra

1. Vaškelaitis V. “Piniginiai atsiskaitymai: teorija ir praktika”:Mokėjimo priemonės ir technologijos, atsiskaitymų rizika ir jos valdymas. Vilnius:Eugrimas, 2001. 433 psl.

2. Juozaitienė L. ”Įmonės finansai”:Analizė ir valdymas. Šauliai: Šiaulių universiteto leidykla. 2000. 177psl.

3. Dainauskienė I. ”Lizingas”. Vilnius: LII. 1996. 253 psl.

4. Прилуцкий Л.Н.“Финансовый лизинг”: Правовые основы, экономика, практика.Мocква.1997. 470 с.

5. http://www.lease.lt/index.htm.

6. Maldiekienė A.”Išmokite skaičiuoti savo pinigus”.Vilnius:Tylo alba.2002. 285 psl.

7. Sūdžius V. “Pardavimų valdymas: principai ir praktika.”. Vilnius:Pačiolis. 2002.

8. Lizingas: Lietuvos Bankininkystės, Draudimo ir Finansų instituto seminaras [Vilnius, 1997 m. rugpjūčio 25-27 d.]. Vilnius.1997. 90psl.

9. Ruchovienė D. “Alternatyvios įmonės veiklos finansavimo rūšys – lizingas ir faktoringas” // Ekonomika ir vadyba 97: Tarptautinės konferencijos pranešimų medžiaga. KTU.Kaunas.1997. 356 psl.

10. http://www.lizingas.lt.

11. Buračas A.“ Bankininkystės ir komercijos terminų žodynas”.1 dalis. VilniusKaunas.1997.454 psl.

Join the Conversation

×
×