К глубокому сожалению топ-менеджеров и собственников компаний, аналитические прогнозы продаж никогда не будут настолько точными, как того хотелось бы. Многие генеральные директора часто задаются вопросом: «Почему подготовленные аналитиками (финансовым или коммерческим директором) прогнозы бывают столь ошибочными?» Ответ прост и лежит на поверхности. В большинстве компаний добиться высокого уровня точности при построении прогнозов продаж нельзя как минимум по четырем причинам, причем только одна из них не поддается управленческому воздействию.
- Встречаются значительные недоработки в программном обеспечении, применяемом при построении прогнозов (наличие математических ошибок, ограниченный функционал и т.д.).
- Неквалифицированные, неопытные или немотивированные аналитики не способны построить качественную модель прогноза.
- Наличие внутри компании скрытых политических течений во многом «загрязняет» входящие информационные потоки модели прогнозирования, уступая место амбициям и собственным интересам участников процесса, которые, как правило, используют результаты прогноза продаж для выдачи желаемого за действительное.
- Волатильность рынков — внешний фактор, на который руководство компании повлиять не может. Да и цель прогнозирования в целом сводится к «предугадыванию» будущего состояния рынка и использованию информации о его состоянии, что может придать компании ощутимое конкурентное преимущество. Именно волатильность препятствует построению прогнозов продаж до желаемой степени точности, и если остальные факторы можно постепенно минимизировать (совершенствование алгоритмов программного обеспечения, обучение персонала, выстраивание корпоративной культуры и т.д.), то волатильность не поддается воздействию руководства компании.
Итак, достоверность результатов прогноза продаж во многом зависит от применяемого в расчетах программного обеспечения, квалификации и мотивации персонала, наличия политических течений внутри компании и волатильности рынков. Сам процесс ухудшения качества (достоверности) бизнес-прогнозов можно отразить следующим образом (см. рис. 1).
Очень часто руководители компаний, вместо того, что бы осознать объективно существующие ограничения экономико-математических моделей прогнозирования продаж, решают инвестировать крупные суммы в разработку такого программного обеспечения, которое будет давать более точный результат, и тем самым проблема неточности прогнозов самоликвидируется. Но это ошибочная точка зрения и неэффективное вложение средств. По крайней мере, мне еще не приходилось видеть или слышать о существующем программном обеспечении, дающем точные результаты на волатильных рынках.
Программное обеспечение, независимо от того, насколько оно совершенное, мощное и дорогое, и ни один аналитик, какой бы талантливый он ни был, не могут гарантировать высокую точность прогнозов продаж. Цель прогнозирования должна состоять в том, чтобы составить настолько точные прогнозы, насколько это возможно в данное время. Например, если нас попросят предсказать, орел или решка выпадет на монете, то мы будем правы примерно в 50% случаев (в зависимости от количества попыток.) Не имеет значения, что наш руководитель хочет, чтобы мы достигли 95-ти процентной точности и что наши усилия финансируются миллионами рублей на новые компьютеры и программное обеспечение. Точность прогноза, в конечном счете, ограничена природой предсказываемого события. Инвестиции в совершенствование данной модели прогнозирования (разработку программного обеспечения, квалификацию сотрудников) окупятся до предела точности в 50% и не более.
Но, как ни странно, в существующей бизнес-практике большинство компаний не в состоянии достигнуть и того уровня точности прогнозов, который обусловлен природой прогнозируемых процессов. Ниже рассмотрены несколько наиболее распространенных ошибок, которые негативно влияют на результаты прогнозов продаж.
Чрезмерная политизация процесса построения прогноза
Результаты прогноза продаж могут быть значительно искажены в связи с возможностью влияния на модель (читай: на аналитика) высшего руководства, которое может преследовать собственные интересы. Чем тщательнее продуман алгоритм модели прогнозирования продаж на предмет сведения к минимуму влияния человеческого фактора, тем объективнее, а следовательно, качественнее и достовернее будут результаты такого прогноза.
Те должностные лица, у которых есть доступ к самому процессу построения прогноза, вполне могут использовать этот факт для извлечения собственной выгоды. При интерпретации результатов всегда следует учитывать, кто являлся инициатором и разработчиком прогноза и какие заявленные и незаявленные цели они могут преследовать.
К примеру, менеджер проекта, отвечающий за разработку нового продукта, вполне может несколько исказить входящие данные с целью построения благоприятного прогноза продаж (ведь он может быть заинтересован в том, чтобы направление, которое он разрабатывает, не лишилось финансирования). Практически у каждого участника прогноза есть свой интерес — и эти интересы должны быть понятны лицу, принимающему решение.
Выбор модели прогнозирования, «вписывающейся в историю»
Следующей распространенной ошибкой при построении модели прогнозирования продаж является тот факт, что в 99% случаев руководители требуют от аналитиков протестировать разработанную модель на исторических данных. Логика таких руководителей предельно ясна: если модель покажет приемлемый результат при прогнозе на какой-либо уже известный период времени, то это хорошая и, главное, работоспособная модель, результатам расчетов которой можно смело доверять. К примеру, при необходимости построить прогноз на 2021 г. такой руководитель просит протестировать модель при построении прогноза на 2020 г., используя данные за предыдущий период времени. Если результаты расчетов прогнозной модели «совпадают» с фактическими данными 2020 г., руководитель зачастую делает вывод о надежности данной модели и дает поручение использовать ее на уровне компании. Но ведь задача — построить прогноз на будущее, а не на прошлое.
Или же руководитель делает выбор прогнозных моделей из нескольких разработок, и та модель, которая ближе всего соответствует «новейшей истории», выбирается и используется для создания прогнозов продаж на будущее. Цель разработки модели не в том, чтобы соответствовать истории, а в том, чтобы найти соответствующий алгоритм для прогноза будущего поведения. Приспособить модель к истории легко, практически каждый может сделать это, и всегда возможно найти модель, которая имеет совершенное соответствие с историей. Однако даже если модель имеет совершенное приспособление к истории, нет никакой гарантии, что она будет выдавать достоверные прогнозы или вообще являться подходящей для прогнозирования продаж будущих периодов.
Сверхприспособление финансовых моделей к волатильному поведению рынка вместо выработки системного и структурированного алгоритма математической модели является распространенным заблуждением и способствует подаче ложных сигналов при принятии управленческих решений.
Из-за приспособления прогнозных моделей к историческим данным в головах аналитиков и топ-менеджмента часто укореняется следующее заблуждение: «Ошибка исторического соответствия модели = точность прогноза». Неопытные аналитики и те, кто не имеет отношения к прогнозам продаж, возможно, предполагают, что образцовое соответствие истории указывает на то, как точно модель будет предвидеть во времени. Так, если ошибка исторического соответствия составляет 20%, то и ошибка будущих прогнозов составит 20%. Это неверное предположение. По многим причинам точность прогноза продаж почти всегда будет хуже, чем соответствие модели истории. Например, мы, выбрали модель, которая соответствует истории, но не учитывает структурные изменения, произошедшие сравнительно недавно и которые во многом будут определять поведение рынка в будущем. Или мы конкретизировали модель, которая правильно выражает поведение участников рынка, однако, с другой стороны, это поведение может измениться в будущем. Всякий раз при разработке прогностической модели следует фокусировать свое внимание на результатах будущих исследований, а не на точности соответствия истории.
Несоответствующее ожидание точности прогноза
Как я уже отметил, точность прогноза в конечном итоге ограничивается природой поведения процессов. Если природа динамики прогнозируемого нами процесса устойчива, без ярко выраженных колебаний, необъяснимых взлетов и падений, то мы в состоянии прогнозировать этот процесс вполне точно с помощью простых методов. Если поведение изучаемого процесса неустойчиво и характеризуется высокой волатильностью, то наши шансы на точный прогноз заведомо низки — независимо от того, сколько времени и денег мы будем инвестировать в разработку прогноза. Самые высокотехнологичные экономико-математические методы в мире не позволят предсказать непрогнозируемое поведение, и остается только смириться с этой действительностью.
Многие руководители продолжают расходовать инвестиционные ресурсы на разработку прогнозов крайне нерациональным образом, пытаясь добиться все более точного результата.
В такой ситуации для большинства компаний лучшим инструментом прогнозирования продаж будет являться применение так называемой «наивной» модели. Данная модель предполагает, что последний временной период прогнозируемого показателя лучше всего описывает будущее состояние. В основу этой модели заложен принцип «Завтра будет как сегодня». Ждать от нее точного прогноза не стоит, т.к. она не учитывает закономерности прогнозируемого процесса, не отражает сезонные колебания и тренды. Более точные результаты могут быть получены при помощи прогнозирования методами среднего и скользящего среднего. Это также простые модели. Принцип модели простого среднего: «Завтра будет как в среднем за последнее время». Преимущества такого подхода по сравнению с «наивной» моделью заключаются в том, что при усреднении сглаживаются резкие необоснованные изменения прогнозируемого показателя. Для повышения точности прогноза можно использовать скользящее среднее. Смысл данного метода заключается в том, что модель «видит» только ближайшее прошлое (ограничиваем временной период определенными рамками) и прогноз строится только на этих наблюдениях. Ввиду того, что бизнес, будучи сложной организационной структурой, подвержен инерции, эти модели дают вполне приемлемый результат.
С точки зрения разработки и дальнейшего сопровождения, предложенные модели прогнозирования являются наименее затратными. В данном случае потребуется всего лишь квалифицированный аналитик и набор достоверных исторических данных прогнозируемого направления продаж. По нашим оценкам, «наивная» модель прогнозирования достигает приемлемого уровня точности примерно в 60% случаев. Применение метода скользящего среднего дает точность прогноза в 60–85% случаев. Именно эта точность и будет служить в будущем основанием для принятия решения о разработке более дорогостоящих моделей прогнозирования продаж. Повторю еще раз, что для большинства компаний верность прогноза в 60%–85% случаев является приемлемой, и если такие простые методы прогнозирования могут обеспечить формирование необходимого блока информации для принятия решения, зачем тратить огромные суммы на инвестирование в разработку более точной модели? Тем более что каждый последующий процент точности обходится организации намного дороже предыдущего.
Игнорирование того факта, что предельная точность прогноза всегда ограничена, может изрядно деморализовать как аналитиков, так и высшее руководство компании. Как уже упоминалось выше, точность бросания монеты составляет 50 процентов, поэтому не имеет никакого смысла ставить перед собой цель достигнуть 60-процентной точности в прогнозировании этого явления. Это же относится и к прогнозу спроса (в целях оптимизации складских запасов), и к прогнозу цен на факторы производства, и т.д. В то время как руководство компании хочет добиться 90-процентной точности прогноза, сам характер прогнозируемого показателя, возможно, является таким, что точность в 90 процентов недостижима.
Требуемая точность прогнозирования часто определяется на основе «интуитивного видения». Например, в российской бизнес-практике совсем не редкость, когда руководство требует от аналитического подразделения точности по всем прогнозам продаж не менее 80%. Но насколько это возможно по всему ассортименту и направлениям деятельности компании?
Целевая достоверность прогнозов должна быть достижима и основываться на стратегии развития организации или требованиях собственника бизнеса. Не имеет никакого смысла устанавливать нереалистичные (например, «точность прогноза должна составлять 99,9%») или чересчур общие цели прогнозирования (например, «общее увеличение точности прогнозов»). Если требования к точности прогнозов продаж завышены, это может деморализовать ваших аналитиков или, в худшем случае, толкнуть их на обман. Если же требования установлены на столь низком уровне, что даже простая «наивная» модель способна с легкостью дать требуемый результат, то ваши аналитики будут просто бездельничать, а точность прогнозирования будет достигнута сама собой.
Модель прогнозирования должна четко увязываться с необходимым уровнем точности исходя из целей компании. Возможно, для многих организаций на данном этапе единственное разумное требование состоит в том, чтобы превзойти «наивную» модель или, по крайней мере, не уступить ей. Вы улучшаете прогноз не только в том случае, если делаете его более точным и менее необъективным, но и в том случае, если используете для его построения меньше ресурсов, сделав процесс прогнозирования продаж более автоматизированным. Хорошо автоматизированный алгоритм прогноза может быть очень эффективным инструментом в операционной, финансовой и инвестиционной деятельности компании.
Иногда требуемая точность прогнозирования основывается на результатах бенчмаркинга, что подразумевают идентификацию «лучшего в отрасли» прогноза продаж. Однако закладывание в модель прогноза требуемой точности на основе показателей бенчмаркинга может сыграть с компанией злую шутку. Такая практика способна загубить даже изначально жизнеспособный и достоверный прогноз продаж.
Использование в прогнозах данных бенчмаркинга
Сегодня аналитики могут получить исходные данные из нескольких источников, например, специализированных журналов, профессиональных объединений, научных исследований, аналитических материалов консалтинговых и инвестиционных компаний — т.е. выполнить прогноз на основе бенчмаркинга. Однако есть множество причин, по которым я не рекомендую прогнозировать продажи таким образом, и основная из них заключается в том, что общеотраслевые критерии развития далеко не всегда соответствуют целям прогноза вашей организации.
Если вы все-таки решились делать прогноз на основе бенчмаркинга, прежде всего задайтесь следующими вопросами.
- Можно ли доверять данным исследований? Базируются ли эти данные на строгих аудитах компаний или же только на опросниках? Отвечая на вопросы анкеты, знают ли опрашиваемые ответы заранее или отвечают на них сами?
- Все ли организации в исследовании предполагают один и тот же горизонт прогнозирования? Используют ли они одни и те же показатели? Даже по показателям могут получиться очень разные значения для тех же данных.
- И напоследок самое главное: насколько значимо сравнение вашей компании с отраслевыми показателями? Ведь наверняка каждая из опрошенных организаций ведет диверсифицированный бизнес, и ваше пересечение с ней в какой-либо сфере все-таки не будет отражать реального положения дел.
Думаю, теперь понятно, почему прогнозы продаж на основе бенчмаркинга не могут быть достоверными. Рассмотрим следующий пример.
Результаты сравнительного исследования компаний отрасли Z показали, что компания N имеет самую лучшую бизнес-аналитику в части построения прогнозов продаж. Данный факт привлекает к компании N внимание множества ученых и консультантов, которые изучают процесс прогнозирования в ней и публикуют множество отчетов, статей, книг о ее достижениях. Другие предприятия читают эти исследования и начинают копировать описываемую в них практику. Но вот незадача: внедрив принципы прогнозирования компании N, многие из них все равно не могут улучшить свои прогнозы. В чем дело? Неужели все ученые и консультанты обвели нас вокруг пальца? По истечении какого-то времени представитель компании N, ученые и консультанты говорят о том, что у компании N есть существенное допущение, которое делает прогнозы приемлемыми для руководства (например, требование к точности на уровне 60% вполне приемлемо или сама суть прогнозируемого явления не волатильна и, следовательно, легко поддается прогнозу). Используй данная организация другую методику или подними она требование к точности прогноза до 80%, или изменись волатильность прогнозируемого явления — и ее прогнозы уже не были бы лучшими в отрасли. Применение другими компаниями так называемых «лучших практик» N во многом могли ухудшить их собственные прогнозы.
Этот пример не надуманный. Многие организации, которые уже разработали собственные алгоритмы прогноза продаж, но в силу каких-либо причин не уверены в их достоверности, могут значительно их ухудшить, обратившись к «лучшим методам прогнозирования» компании N.
Следует игнорировать бенчмаркинг для прогнозирования экономико-производственных показателей. Бенчмаркинг говорит о том, каких показателей могут достичь «лучшие в своем классе» предприятия, но они не говорят о реальных перспективах их развития. Возможно, они находятся на вершинах списков только в силу специфического «уклада» бизнеса (поддержка со стороны административного ресурса и т.д.), а совсем не потому, что их бизнес-процессы достойны восхищения. Без абсолютной ясности (которой никогда нет) относительно принципов работы компаний отрасли использование бенчмаркинга при прогнозировании продаж неуместно и не должно браться за основу.
Игнорирование факторов сезонности при прогнозировании продаж
Прогнозирование спроса в значительной степени зависит от волатильности (изменчивости) самого спроса. Когда спрос гладок и стабилен, его можно точно прогнозировать с помощью простых методов. Когда спрос хаотичен и случаен, то неразумно ожидать точных прогнозов. Правило: чем меньше волатильность, тем достовернее прогноз.
На рисунке ниже представлено сравнение точности прогноза (от 0 до 100 процентов по горизонтальной оси) к нестабильности структуры продаж (по данным коэффициента вариации — среднего квадратического отклонения) вдоль вертикальной оси. Для прогнозируемых явлений спроса с большим показателем среднеквадратического отклонения (вариации) точность прогноза не является достоверной.
Практика построения прогнозных моделей на основе высоковолатильного спроса на прогнозируемый продукт говорит о том, что самое оптимальное средство получить достоверный прогноз в такой ситуации — это применение относительно простых моделей прогнозирования. Но, к сожалению, большинство аналитиков предпочитают усложнять хорошие модели прогнозирования добавлением в них изменчивого параметра спроса, что во многом дестабилизирует расчеты.
Думаю, что все специалисты по продажам знакомы с «толчком конца квартала» (или любого другого отчетного периода): в конце квартала компании делают все возможное, чтобы достичь краткосрочной цели продаж. Анализ спроса для большинства товаров говорит о том, что потребление постоянно остается относительно стабильным (за исключением особых факторов, таких как праздники, распродажи и т.д.). Поэтому показатели продаж в данном случае (максимизация по итогам отчетного периода) могут ввести аналитика в заблуждение. В данном случае достаточно точный прогноз можно обеспечить только с помощью среднего показателя (например, методом скользящего среднего). Для компании здесь имеется явный плюс: прогнозирование методом скользящего среднего легче и дешевле. «Наивную» модель прогнозирования для прогноза спроса использовать нельзя.
Таким образом, при прогнозировании продаж аналитику важно знать о наличии (применении в бизнес-практике организации) разного рода стимулов (или создании стимулов), которые могут поощрять скачкообразный спрос на продукцию компании.
Оптимистичные ожидания при прогнозе вывода на рынок нового продукта
Прогнозирование продаж нового продукта (услуги), который только готовится к выходу на рынок, — самый сложный блок бизнес-прогнозирования, но почему-то руководство компаний априори уверено в успехе, хотя бизнес-практика и говорит о том, что это далеко не всегда так. В силу того, что аналитики не располагают набором исторических данных по сбыту этого продукта в прошлом, прогноз во многом основывается на экспертном суждении. Как правило, его готовит лицо, ответственное за разработку и вывод этого продукта на рынок. Прогноз, подготовленный таким лицом, наверняка будет позитивным, причем целью такого оптимистичного прогноза зачастую является вовсе не оправдание вложенных в разработку средств, а преодоление внутрикорпоративных преград, сдерживающих развитие данного направления.
Другая распространенная опасная практика обоснования прогноза для нового продукта — ссылка на продукты, созданные и выведенные на рынок в прошлом, которые чем-либо похожи на новый (т.е. прогнозирование по аналогии). Несомненно, этот подход логичен и может применяться, но только почему-то аналогию проводят именно с теми продуктами, которые были хорошо приняты рынком, не упоминая при этом те, которые потерпели фиаско. Основывая прогноз исключительно на успешных продуктах-аналогах, в модель закладываются неоправданно оптимистичные ожидания, что плохо отражается на точности прогнозирования.
Хотя есть десятки доступных методов, направленных на улучшение точности прогнозирования нового продукта, самое главное — помнить о факторах неопределенности и вероятном диапазоне результатов. Слишком большая уверенность в точности прогноза продаж нового продукта может привести к рискованным бизнес решениям, а ведь именно этого и следует избегать. Тем не менее, метод прогнозирования на основе аналогии может быть полезен во многих ситуациях. Он дополняет суждение эксперта за счет обработки исторических данных. Кроме того, при наличии автоматизации процесса прогнозирования можно довольно быстро найти оптимальный продукт-аналог на основе заданных аналитиком критериев поиска. Этот метод помогает понять риски, которые будут сопутствовать выпуску новинки.
Аналитикам стоит особо отметить точность прогнозов вывода на рынок нового товара или услуги. В данном случае целесообразно говорить о некотором диапазоне прогнозируемого параметра: объем продаж (в штуках или в рублях), срок окупаемости и т.п. Также при построении модели прогнозирования не будет лишним выполнить анализ чувствительности спроса на новый продукт к изменению ключевых параметров внешней и внутренней среды, таких как цена, затраты на продвижение, факторы государственного регулирования и проч.
Стратегическое заключение
Экспертные оценки (или просто субъективное мнение руководителя) всегда будут большой составной частью прогнозирования продаж — хотя бы потому, что на сегодняшний день компьютер не в состоянии сказать нам, какая из инновационных технологий «выстрелит» в следующем году. Однако экспертам нужна помощь, чтобы не отклониться от рационального решения. Несмотря на то что структурированный подход к разработке алгоритма построения модели прогнозирования может быть использован для создания бизнес-прогнозов на уровне компании, он также имеет большое значение при оценке обоснованности прогнозов, которые предоставляются из других источников (как правило, это инвестиционные, рейтинговые и консалтинговые агентства). И не стоит возлагать большие надежды на программное обеспечение. Главная задача программы моделирования — выполнить трудоемкие вычислительные работы и постараться сделать этот процесс настолько автоматизированным, эффективным и объективным, насколько это возможно. Тем не менее, принятие решения всегда остается за руководителем.
Спасибо Вам за то, что дочитали мою статью до конца. Ставьте ЛАЙКИ, пишите КОММЕНТАРИИ и подписывайтесь на МОЙ КАНАЛ!
