اموزش پیش بینی فروش یکی از بهترین مدل ها/ استانداردها/ابزارهای مهندسی صنایع می باشد و همچنین کاربرد بسیاری در بازار کار مهندسی صنایع دارد. آموزش روشهای پیشبینی فروش یکی از مهمترین سرفصل ها در دوره های آموزشی مهندسی صنایع می باشد.
پیشبینی فروش فرایند برآورد فروش آتی است. پیش بینیهای دقیق فروش، شرکتها را قادر میسازد تا تصمیمات کسب و کار آگاهانه و پیشبینی عملکرد کوتاه مدت و بلند مدت را فراهم کنند. شرکتها میتوانند پیش بینیهای خود را بر اطلاعات فروش گذشته، مقایسه های صنعت و روندهای اقتصادی متمرکز کنند. پیش بینی فرآیندی نامطمئن است که به معنای تخمین چگونگی امری است که در آینده رخ خواهد داد.
پیشگویی و پیشبینی
پیشگویی عموما براساس تجربیات افراد است و بسته به میزان تجربه و اطلاعات فرد از موضوع، صحت پیشگویی متغییر است. هرچقدر میزان دانسته ها و تجربیات بیشتر باشد درستی تخمین روند یک موضوع در آینده بیشتر است. به همین دلیل بهتر است از تجربیات افراد مختلف استفاده گردد.
پیشبینی تخمین آینده براساس اطلاعات گذشته است. درواقع پیشبینی براساس معیارهای کمی از داده های به وقوع پیوسته در گذشته است.
روشهای مختلفی برای پیشبینی وجود دارد که براساس بعضی عوامل مانند افق زمانی برای پیشبینی، صحت داده ها، دردسترس بودن داده ها، میزان بودجه، انعطاف پذیری شرکت و… روش مناسب انتخاب میگردد.
روشهای کیفی پیشبینی نظر سنجی از فروشندگان، تحقیقات بازار، توافق جمعی (توافق تیم اجرایی)، انتظارات مصرف کنندگان و روش دلفی است.
روش دلفی
در این روش برای پیشبینی از متخصصان و کارشناسان استفاده میگردد. ابتدا گروهی از کارشناسان و صاحب نظران (که میتوانند عضو سازمان نباشند) انتخاب میشوند و بوسیله پرسشنامه نظرات آنان در مورد موضوع مربوطه گردآوری میشود. سپس نظرات مختلف توسط یک فرد هماهنگ کننده به اطلاع سایر اعضای گروه رسانده میشود و نظرات جدید، اصلاح یا تعدیل شده مجددا جمع آوری میگردد. به این ترتیب همه اعضای گروه از اطلاعات و نظرات یکدیگر مرتبا مطلع میشوند و به اظهار نظر جدید می پردازند(در صورت لزوم) از آنجا که در روش دلفی نظرات بصورت کتبی و انفرادی اعلام میشود، افراد گروه تحت نظر اکثریت قرار نمیگیرند و آزادانه نظر واقعی خود را ابراز مینمایند. با ادامه جریان ارسال اطلاعات و نظرخواهیهای جدید، فرد هماهنگ کننده میتواند براساس نظرات جمع آوری شده، نتیجه ای را برای پیشبینی بدست آورد. برای موارد آماری و در صورت دور بودن نظرات معمولا روش محاسبه میانگین نظرات پیشنهاد میشود.
روش سریهای زمانی
در این روش ها داده های گذشته را اساس پیشبینی آینده قرار میدهیم. به عبارت دیگر فرض ما بر این است که در آینده کوتاه مدت یا میان مدت میتوان روند گذشته را ملاک پیشبینی قرار داد. اگرچه اطلاعات گذشته راهنمای خوبی برای آینده است، اما به علت تغییراتی که در طول زمان رخ میدهد، این روش به طور دقیق نمیتواند آینده بلندمدت را آنچنان که اتفاق خواهد افتاد، پیشبینی کند. کارایی این روش زمانی بیشتر میشود که مقادیر واقعی دوره های گذشته وابسته به متغییر زمان (t) باشد. هرسری زمانی از 4 جز تشکیل شده است:
1.عامل روند(T): اگر تقاضای محصول در هرسال نسبت به سال قبل افزایش یا کاهش داشته باشد، این تغییرات نشان دهنده تغییرات روندی در تقاضای محصول است.
2.عامل فصل (S): الگوی تغییرات منظم افزایشی یا کاهشی در طول یک دوره زمانی مشخص از بازه پیشبینی است. که میتواند ساعت، روز، هفته، ماه، فصل و یا سال باشد
3.عامل دوره ای(C): تغییرات موجی شکل در داده ها برای مدت بیش از یک سال است.
4.عامل تصادفی(I): تغییرات بیقاعده، نامنظم و ناگهانی کوچک در تقاضا به عنوان تغییرات تصادفی درنظر گرفته میشوند
روش آخرین دوره (Naive Approach)
در این روش تقاضای واقعی دوره قبل، پیشبینی تقاضای دوره آینده درنظر گرفته میشود. این روش تغییرات فصلی را درنظر نمیگیرد. برای شرایطی که تقاضای واقعی در دوره های گذشته تقریبا یکنواخت و با ثبات است، مناسب است.
روش میانگین ساده (Simple Average)
در این روش میانگین مقادیر مربوط به فروش دوره های قبل به عنوان پیشبینی تقاضای دوره بعد تلقی میشود. این روش تغییرات فصلی را درنظر نمیگیرد.
این روش سطح تغییرات تصادفی را هموار کرده، ولی در عین حال بطور کامل در مقابل روند تقاضا عکس العمل مناسب نشان نمیدهد.
میانگین مقادیر فروش واقعی چند دوره قبل (k)، پیشبینی تقاضای دوره بعد را تشکیل میدهد. تعیین میزان k بستگی به ارزش اطلاعاتی دوره های گذشته دارد. به همین دلیل پیشبینی فروش دوره بعد تنها تحت تاثیر دوره قبل است. که میتواند n دوره قبل باشد. آمار فروش جدیدتر، جایگزین آمار فروش قدیمیتر شده و میانگین به سمت جلو حرکت میکند. به همین علت این روش میانگین متحرک نامیده میشود. این روش برای تقاضای کالاهای فصلی استفاده میگردد.
روش میانگین متحرک وزنی (Weighted Moving Average)
در روش میانگین متحرک و میانگین ساده، داده های دوره های مختلف ارزش یکسانی داشتند. در صورتی که ممکن است داده های دوره های نزدیکتر ارزش بیشتری نسبت به داده های دوره های دورتر داشته باشد. برای رفع این مشکل از روش میانگین متحرک وزنی استفاده میشود. در این روش برای تقاضای واقعی دوره های مختلف، وزن های متفاوت (ضرایب ارزشی متفاوت) قایل میشویم. بدین ترتیب تمام دوره ها در پیشبینی آینده تاثیر یکسان نخواهد داشت. این ضرایب برحسب تجربه بدست میآید. معمولا ضرایب مربوط به دوره های نزدیکتر را بزرگتر و ضرایب مربوط به دوره های دورتر را کوچکتر در نظر میگیرند.
روش هموارسازی نمایی ساده (Simple Exponential Smoothing)
این روش کاربرد فراوانی برای پیشبینی تقاضا در آینده دارد. در این روش مانند روش میانگین متحرک وزنی به داده های دوره های مختلف، وزنهای متفاوتی داده میشود، که این وزن ها از یک تصاعد هندسی نزولی پیروی میکنند. در این روش به مقدار تقاضای آخرین دوره حداکثر وزن داده میشود و هرچه به دوره های عقبتر برمیگردیم، وزنها بصورت نمایی کاهش میابند. در این روش برخلاف روش میانگین متحرک وزنی تنها به تعدادی از دوره های گذشته اکتفا نمیشود، بلکه تمام دوره ها در محاسبه پیشبینی در نظر گرفته میشود.
هرچقدر α به صفر نزدیکتر باشد، نشان دهنده بی ارزش بودن داده های اخیر فروش واقعی است و هرچقدر به 1 نزدیکتر شود، نشان دهنده بارزش بودن داده های فروش واقعی است.
نکته: در این روش برای پیشبینی تقاضای دوره دوم از فروش واقعی دوره اول استفاده میگردد.
روش هموارسازی نمایی با اصلاح روند (Trend Adjusted Exponential Smoothing)
وقتی در فروش واقعی افزایش روند (روند صعودی) وجود داشته باشد، از روش هموارسازی نمایی با اصلاح روند استفاده میشود. این روش با افزودن ضریب هموارسازی روند به روش نموهموار ساده به دنبال اصلاح روند است. بنابراین همواره بیش از روش نمو هموار ساده است.
روش رگرسیون خطی
روش حداقل مجذورات به عنوان تابعی است که در آن زمان به عنوان متغیر مستقل تعریف شده و متغیر وابسته آن میزان تقاضا (فروش) میباشد.
چنانچه نمودار تقاضای دوره های گذشته دارای روند بوده و نوسان آن حول یک خط باشد، میتوان با استفاده از روش حداقل مجذورات به پیشبینی تقاضا برای آینده پرداخت. در صورتی که دو شرط استفاده از این روش برقرار باشد، n سال آینده را میتوان پیشبینی نمود.
در صورتی این روش پیشبینی کارایی دارد که دو شرط زیر در داده ها و شرایط محیطی برقرار باشد:
شرایط حاکم بر محیط ثابت بوده و تغییر ناگهانی اقتصادی، سیاسی، اجتماعی و… رخ ندهد.
هرچقدر به 1 نزدیکتر باشد، نشاندهنده همبستگی قویتر بین متغییرهاست. یعنی متغییر پیشبینی کننده، پیشبینی قویتری برای متغییر پیشبینی شونده ارائه میدهد.
مدلهای شبیه سازی
مدلهای پویایی هستند که معمولاً با استفاده از رایانه حل میشوند. در این مدلها پیشبینی کننده فرضیات خود را درباره متغیرهای درونی و محیط بیرونی در مدل لحاظ کرده و تأثیر آنها را درتقاضای آینده مشاهده مینماید. بسته به متغیرهای موجود در مدل پیشبینی ممکن است پیشبینی کننده به طرح پرسشهایی بپردازد.
اندازه گیری دقت روشهای پیشبینی
از آنحاییکه روشهای مختلف پیشبینی دارای دقتهای متفاوتی هستند، برای انتخاب روش مناسب میتوان میزان دقت روشها را بررسی نمود. یکی از روشها محاسبه اندازه خطای روش یا مدل پیشبینی است. بعضی از روشهای اندازه گیری خطا عبارتند از:
روشی که دارای کمترین خطا باشد از دقت بیشتری برخوردار است و میتواند به عنوان روش مناسبتر انتخاب شود.
امیدواریم مقاله آموزش روشهای پیشبینی فروش برای شما در بازار کار مهندسی صنایع مفید واقع گردد در صورت نیاز به مشاوره با شماره های ٠٢١٧٧٢٩٧٩٠١ و ٠٢١٧٧٢٩٨۶٨٢ تماس حاصل فرمایید.
Warning: strlen() expects parameter 1 to be string, object given in /home/iehouseo/domains/iehouse.org/public_html/wp-includes/formatting.php on line 3557
سلام ، اگه ممکن منبعی را معرفی بفرمایید ، که موارد با جزئیات در آن مطرح شده باشند .