Страница 4 из 6
За всеми вышеперечисленными расчетами стоят два предположения. Первое состоит в том, что рациональные индивиды, формируя свои ожидания, используют всю доступную им информацию. Под этим понимается, что они ведут себя в соответствии с моделями, прогнозирующими их будущие действия. И возможность непредсказуемых потрясений означает, что их поведение будет соответствовать расчетной модели лишь в среднем. Люди всегда будут допускать ошибки, но если они совершаются независимо от информации, доступной всем, и к тому же не зависят одна от другой, то нет причин думать, что эти ошибки приведут к смещению общего тренда в ту или иную сторону. Единственный возможный источник односторонней интерпретации фактов лежит в самой модели.
Второе предположение гласит, что Вселенная стабильна (линейна) во времени. Взятые вместе, оба предположения задают уровень информированности и предсказуемости, достаточный, чтобы ваши математические ожидания оказались в среднем верными. Для изменения ожиданий никаких оснований нет. Если вы думаете, что в дальнейшем ваши ожидания изменятся, значит, вы их уже изменили и поэтому в будущем их не измените. Например, текущая цена акций зависит от сегодняшних ожиданий относительно того, какой эта цена будет в будущем.
Прогнозировать можно практически всё. Продажи, денежные потоки, результат встречи, выбор потребителя, температуру воздуха, осадки. Хорошим прогноз считается если он сбывается с хорошей приемлемой точность. Под точностью прогнозы в компаниях представляют зачастую не в виде конкретной цифры, а в определённом диапазоне, то есть с погрешностью. И приемлемой точностью считается если прогноз попал в этот диапазон.
В компаниях, чтобы уменьшить ошибку при прогнозировании делают прогноз по среднему. Такой метод использует плановый отдел, когда вообще не знает о влияющих факторах. К примеру, как заложить сумму незапланированных расходов на будущий год? Для этого берут предыдущие периоды и выводят среднее значение, которое и закладывают на будущие незапланированные расходы.
Когда у аналитиков компании нет каких-либо показателей по рынку, то существует два варианта их получить – либо заказать дорогостоящие исследования, либо использовать так называемый метод Ферми. Этот метод служит для приблизительных расчётов «чего угодно» при минимальных начальных знаниях. Поэтому практически всегда прогнозисты используют именно его.
Суть метода Ферми состоит в том, чтобы за очень короткое время провести быстрые приблизительные расчёты, не имея при этом никаких точных данных. Существует история о том, как Ферми рассказывал своим студентам об определении числа настройщиков пианино в Чикаго. Как можно определить количество данных настройщиков? Студенты начинали с того, что у них не было никаких данных для расчета количества настройщиков пианино в Чикаго. Конечно, можно было просто пересчитать всех настройщиков, прочитав объявления или узнать в каком-нибудь агентстве, выдающем лицензии на такие услуги. Но Ферми предложил своим студентам решать задачи тогда, когда проверить результат будет не так просто. Его целью было продемонстрировать, что они всё-таки знают что-то об искомой величине.
Для начала он просил определить другие значения, имеющие отношение к пианино и настройщикам показатели – тоже неизвестные, но более простые для оценки. Это были численность населения Чикаго (в 1930-1950-х годах составляла более 3 млн. человек), среднее число человек в одной семье (два или три), процент семей, регулярно пользующихся услугами настройщиков пианино (максимально каждая десятая, минимально каждая тридцатая семья), требуемая частота настройки (в среднем, вероятно, не менее раза в год), число пианино, настраиваемых настройщиком в день (четыре или пять инструментов с учетом затрат времени на дорогу), а также число рабочих дней настройщика в году (скажем, 250).
Затем Ферми брал эти данные и высчитывал по следующей формуле:
Число настройщиков пианино в Чикаго = (Численность населения/Число членов одной семьи) х Процент семей, пользующихся услугами настройщиков х Число настроек в году/ (Число пианино, настраиваемых одним настройщиком за день х Число рабочих дней в году).
В зависимости от цифр, подставляемых в это уравнение, получался ответ в интервале от 20 до 200. Когда эту цифру сравнивали с реальной, которую можно было узнать из телефонного справочника, она была ближе к реальной, чем думали студенты. Правильный ответ составлял примерно 50 человек.
Полученный интервал значений выглядит слишком широким. Но в его защиту приводят то, что он даёт хоть какое-то значение в сравнении его с изначальной позицией, которую занимали студенты «неужели это вообще можно определить?»
Данный метод позволял производившим расчёты людям понять, откуда берётся неопределённость. Какие переменные характеризовались наибольшей неопределённостью – процент семей, регулярно пользующихся услугами настройщиков пианино, частота настроек, число инструментов, которые можно настроить за день, или что-то ещё? Самый крупный источник неопределённости указывал на то, какие измерения позволят максимально снизить её.
Поиск ответа на «вопрос Ферми» не предполагает проведения новых наблюдений и поэтому не может считаться измерением. Это скорее оценка того, что вам уже известно о проблеме, это способ позволяющий несколько приблизиться к цели.
Этот способ является основополагающим для маркетологов и различных прогнозистов. Если они не владеют знаниями по определённому вопросу, то они задают себе вопрос: что же всё-таки известно о проблеме? И затем оценивают имеющуюся количественную информацию о предметах, которые выглядят для них неизменяемыми. Логика действий при использовании метода Ферми заключается в следующем утверждении: вы многое не знаете, но что-то же вы всё-таки знаете.
Существенным недостатком этого метода является критерий отбора. Разбежность значений у каждого человека будет очень большой. Величина, которая для одного человека кажется похожей на правду и приемлемой для другого может быть в десятки раз больше. А если этот расчет проводится в команде из нескольких людей, то это предполагает высокую конфликтность между участниками со всеми вытекающими последствиями в будущем.
Если же влияющие факторы известны аналитикам, то самым используемым методом для прогнозирования является регрессионный анализ. Он учитывает для будущего прогноза множество факторов, таких как: тренд, сезонность, ёмкость рынка, активность конкурентов и прочее. Но даже при таком подходе важным недостатком является то, что прогноз формируется на основе статических моделей. А из этого в последствии всплывает множество факторов, дающих погрешность в прогнозе. Аналитики при этом, чтобы подстраховать себя, заранее предупреждают, что статическая модель не будет корректной, а поэтому необходимы будут ручные корректировки. И затем начинают постоянно править свой же прогноз до периода его окончания. Тем самым фактически расписываясь в изначальной неправильности собственного прогноза. Руководству компании в этом случае приходится принять определённое допускаемое значение отклонения от прогноза, которое закладывает аналитик изначально.
Ошибки прогноза и последующие правки очень дорого обходятся компаниям и порождают высокую конфликтность в компании. Допустим, в производственной компании, спрогнозировали количественный показатель продаж, и далее под него подключается уже вся цепочка компании – на его основе составляется план закупок и план производства. Эти планы формируют затратную часть расходов на осуществление заданного плана продаж и исходя из них строятся планы с целевыми показателями для подразделений. А на их основе уже рассчитываются и оцениваются показатели эффективности (КРI) того или иного подразделения или сотрудника.
План продаж формирует прогноз доходов и из разницы дохода и затратной части формируется прогноз финансовых результатов, прибыли. Далее на основании этого формируется итоговое бюджетирование.
Как видим, вся будущая деятельность компании привязана к прогнозу. А если прогноз ошибочный, то в последующем возможна реализация нескольких негативных вариантов развития событий. Перечислю пару таких вариантов: