ВВЕДЕНИЕ
Прогнозы спроса важны для самых базовых процессов в любой организации. Для планирования и предоставления продуктов и услуг необходимо знать, что ждет нас в будущем.
Тем не менее, прогноз спроса важен для планирования всех бизнес-решений: продаж, финансов, управления производством, логистики, а также маркетинга. Возможность предсказать будущие покупки важнее для маркетинга, чем для других областей социальных наук.
Это определит, какой подход - качественный/оценочный или количественный. Существуют области знаний, в которых ведется поиск путей совершенствования методов вынесения суждений. Одним из них являются оперативные исследования. В этой области сочетаются количественные и качественные методы, такие как Дельфи, опросы о намерениях покупателей, а также комбинация индивидуальных прогнозов.
Целью данной теоретической работы является обзор литературы по прогнозированию спроса. Основное внимание в этом обзоре уделяется:
- модели прогнозирования спроса в маркетинге ;
- различные классификации и подходы этих моделей;
- проблемы прогнозирования на основе больших данных/компьютеров;
- виды данных, используемых в моделях прогнозирования спроса в маркетинге;
- пробелы в исследованиях по прогнозированию спроса в маркетинге.
Выбор метода обычно основывается на знакомстве, а не на том, что более важно соответствующие исследуемому рынку или данным. Таким образом, при выборе метода важно учитывать не только характеристики исследуемого рынка, но и характеристики имеющихся данных. Первый критерий выбора метода связан с объемом имеющихся объективных данных.
Это определит, какой подход - качественный/оценочный или количественный. Существуют области знаний, в которых ведется поиск путей совершенствования методов вынесения суждений. Одним из них являются оперативные исследования.
В этой области сочетаются количественные и качественные методы, такие как Дельфи, опросы о намерениях покупателей, а также комбинация индивидуальных прогнозов.
СТАТИСТИЧЕСКИЕ/МАТЕМАТИЧЕСКИ-ОРИЕНТИРОВАННЫЕ МЕТОДЫ ОЦЕНКИ СПРОСА
Системы спроса можно разделить на две категории: спрос в пространстве характеристик и спрос в пространстве продуктов.
Спрос в пространстве характеристик предполагает, что потребители выбирают продукцию по группам характеристик. Эти модели являются гибкими и, как правило, превосходят модели систем пространственного пространства изделий.
Проблема заключается в предположении, что потребители выбирают не более одного товара. В рамках пространственной системы характеристик модели дискретного выбора более популярны в научной литературе.
Модели дискретного выбора популярны в маркетинге, потому что "большая часть микроданных в маркетинге включает в себя выбор потребителей из фиксированного набора альтернатив в рамках определенной категории".
С другой стороны, спрос в товарных пространствах предполагает, что потребители определяют сначала по категориям, затем по сегментам и, наконец, по брендам. Поэтому в эти модели сгруппированы продукты, а не характеристики. Примерами являются: модели линейных расходов; модель Роттердама; модель Транслога.
С другой стороны, продукты необходимо классифицировать по сегментам, которые зачастую трудно обосновать. Также предполагается, что потребители покупают ряд товаров всех марок, когда потребители, в действительности, могут потреблять более одного бренда, но не все.
МЕТОДЫ СПРОСА, ОСНОВАННЫЕ НА БОЛЬШИХ ДАННЫХ / ИНТЕНСИВНЫЕ КОМПЬЮТЕРНЫЕ МЕТОДЫ
Методы, применяемые для прогнозирования спроса, связаны со следующими характеристиками переменных и наборов данных, которые стали доступны маркетологам. Поскольку данные сканера позволили маркетингу применять структурированные причинно-следственные модели в таких областях, как транспорт и экономика, большие данные позволяют применять методы машинного обучения.
Большие данные больше касаются новых типов переменных, размера используемых наборов данных, а также различных применяемых методов.
С большими массивами данных и большим количеством различных атрибутов, применяемых в прогнозных исследованиях, "анализ с использованием традиционных статистических методов нецелесообразен или даже невозможен из-за компьютерных ограничений".
Компьютерные интенсивные методы, применяют статистические алгоритмы и алгоритмы машинного обучения в следующих целях: выявление достоверной, новой и потенциально полезной прогнозной информации из больших массивов данных по неструктурированным проблемам. Они создаются в различных областях, таких как статистика и машинное обучение.
Статистика является интеллектуальной базой этих приложений, "поскольку понятие нахождения полезных моделей на основе данных для прогнозирования уже давно является статистической задачей".
ЗАКЛЮЧИТЕЛЬНЫЕ ЗАМЕЧАНИЯ
Как следует из названия данной теоретической работы, основное внимание было уделено методам прогнозирования спроса, типам данных и будущим исследованиям в области маркетинга. Для этого мы описали классификацию моделей прогнозирования спроса в маркетинге.
Они были разделены на два подхода: статистический/математический и метод, основанный на больших массивах данных/интенсивных компьютерах. Были сделаны два раздела для обсуждения методов, основанных на статистике/математике: один - на бумаге, а другой - на практике.
Затем были представлены типы данных, используемые в моделях прогнозирования спроса в маркетинге. Они подразделяются на следующие категории: данные о твердой собственности, которые состоят, главным образом, из данных сканеров; бесплатные публичные данные, полученные в режиме онлайн из уст в уста и в ходе переписи населения; рыночные исследования, доступные на коммерческой основе; и первичные данные, главным образом результаты экспериментов и обследований.
В последней части раздела обсуждался вклад больших массивов данных в исследования прогнозирования спроса.