Top 3 des techniques de prévision de la demande | Produits | Économie

Les points suivants mettent en évidence les trois principales techniques de prévision de la demande. Les techniques comprennent: 1. Méthodes d'enquête 2. Méthodes de sondage d'opinion 3. Méthodes statistiques.

1. Méthodes d'enquête :

Dans le cadre des méthodes d'enquête, des enquêtes sont menées sur les intentions des consommateurs, les opinions d'experts, des enquêtes sur les projets de gestion ou les marchés. Les données obtenues par ces méthodes sont analysées et des prévisions à la demande sont établies. Ces méthodes sont généralement utilisées pour prévoir la demande à court terme.

Enquête auprès des consommateurs :

La méthode de prévision de la demande par enquête auprès des consommateurs implique l’interview directe des consommateurs potentiels. L'intervieweur contacte simplement les consommateurs et leur demande combien ils seraient disposés à acheter pour un produit donné à différents niveaux de prix.

L'enquête auprès des consommateurs peut prendre toute forme:

une. Dénombrement complet

b. Enquête par sondage, ou

c. Méthode d'utilisation finale

une. Méthode complète d'énumération:

Dans l’enquête de dénombrement complet, tous les consommateurs du produit sont contactés et invités à indiquer leur projet d’achat de la production en question pour la période de prévision.

La prévision de la demande pour la «consommation totale du recensement» est obtenue simplement en ajoutant la demande prévue de tous les consommateurs:

DF = Id 1 + ID 2 + ……… .. ID n … (2.1)

Où,

FD = prévision de la demande pour tous les consommateurs

ID 1 = demande prévue du consommateur 1.

ID 2 = demande prévue du consommateur 2.

La demande probable de tous les consommateurs est résumée pour obtenir la prévision des ventes. Cette méthode facilite la collecte d'informations de première main et est exempte de biais. La méthode a aussi son lot d'inconvénients. Cette méthode ne peut être appliquée qu'aux produits dont les consommateurs sont situés dans une région donnée. Si les consommateurs du produit sont largement dispersés, cette méthode s'avère coûteuse et prend du temps. L'estimation de la demande par cette méthode peut ne pas être fiable car les consommateurs n'ont pas réfléchi à l'avance à ce qu'ils feraient dans ces situations hypothétiques.

Aussi:

(i) Les consommateurs peuvent ne pas être conscients de leur demande exacte et donc ne pas être en mesure ou désireux de répondre aux questions;

(ii) les consommateurs peuvent donner des réponses hypothétiques à des questions hypothétiques;

(iii) leurs réponses peuvent être biaisées en fonction de leurs propres attentes concernant les conditions du marché;

(iv) leurs plans peuvent être altérés par des modifications des facteurs non inclus dans le questionnaire, et

(v) Lorsque nous en arrivons aux effets de la publicité sur demande, les problèmes d'une telle approche par interview directe deviennent encore plus évidents.

b. Méthode de sondage:

Des données utiles pour prévoir la demande peuvent également être obtenues à partir d’enquêtes sur les plans de consommation. Contrairement à la méthode de dénombrement complet, dans le cadre de la méthode d'enquête par sondage, seuls quelques consommateurs potentiels du marché pertinent sélectionnés selon une méthode d'échantillonnage appropriée sont interrogés. L'enquête peut être réalisée par interview directe ou par questionnaire envoyé aux consommateurs de l'échantillon.

La demande totale peut être prévue à l'aide de la formule suivante:

Où,

N la population de consommateurs

n échantillon enquêté.

Ensuite, la demande probable exprimée par chaque unité sélectionnée est additionnée pour obtenir la demande totale pour la période de prévision. La demande totale de l'échantillon est ensuite multipliée par le rapport entre le nombre d'unités consommatrices dans la population et le nombre d'unités consommatrices dans l'échantillon. Si l'échantillon sélectionné est suffisamment représentatif de la population, ses résultats sont plus susceptibles d'être similaires à ceux de la population. Cette méthode est plus simple, économique et rapide par rapport à l’enquête de dénombrement complète.

Bien que les enquêtes sur la demande des consommateurs puissent fournir des données utiles pour la prévision, leur valeur dépend fortement des compétences de leurs auteurs. Les enquêtes significatives nécessitent une attention particulière à chaque phase du processus. Les questions doivent être formulées avec précision pour éviter toute ambiguïté. L'échantillon de l'enquête doit être correctement sélectionné pour que les réponses soient représentatives de tous les clients. Enfin, les méthodes d’administration des enquêtes devraient produire un taux de réponse élevé et éviter de fausser les réponses des personnes interrogées. Des questions mal formulées ou un échantillon non aléatoire peuvent donner des données de peu de valeur.

Même les enquêtes les plus soigneusement conçues ne permettent pas toujours de prédire la demande des consommateurs avec une grande précision. Dans certains cas, les répondants n'ont pas suffisamment d'informations pour déterminer s'ils achèteraient un produit. Dans d'autres situations, les personnes interrogées peuvent être pressées par le temps et ne pas vouloir réfléchir à leurs réponses.

Parfois, la réponse peut refléter un désir (conscient ou inconscient) de se mettre sous un jour favorable ou d'obtenir l'approbation de ceux qui mènent l'enquête. En raison de ces limitations, les prévisions reposent rarement entièrement sur les résultats d’enquêtes auprès des consommateurs. Ces données sont plutôt considérées comme des sources d'informations supplémentaires pour la prise de décision.

c. Méthode d'utilisation finale:

La méthode de prévision de la demande d'utilisation finale comporte une quantité considérable de valeurs théoriques et pratiques. Cette méthode implique une enquête auprès des entreprises de toutes les industries utilisant le produit et prévoit la vente du produit considéré sur la base d'une enquête sur la demande des industries utilisant ce produit comme produit intermédiaire. La demande du produit final est la demande d'utilisation finale du produit intermédiaire utilisé dans la production de ce produit final.

La méthode de prévision de la demande d'utilisation finale comprend quatre étapes d'estimation distinctes:

(1) Obtenir des informations sur les utilisations potentielles du produit en question.

(2) Déterminer les «normes» techniques de consommation appropriées pour chaque utilisation du produit à l'étude.

(3) Pour l'application des normes, il est nécessaire de connaître les niveaux de production souhaités ou ciblés des industries individuelles pour l'année de référence, ainsi que l'évolution probable d'autres activités économiques utilisant le produit et les objectifs de production probables.

(4) Enfin, le contenu par produit de l'article pour lequel la demande doit être prédite est agrégé, ce qui donne l'estimation de la demande pour le produit dans son ensemble pour l'année terminale en question.

Ainsi, l'estimation de la demande d'utilisation finale d'un produit intermédiaire peut impliquer de nombreuses industries de produits finis utilisant ce produit chez nous et à l'étranger. Une fois que la demande de biens de consommation finale, y compris leurs exportations nettes d'importations, est connue, il est possible d'estimer la demande du produit utilisé comme produit intermédiaire dans la production de ces biens de consommation finale à l'aide de coefficients entrées-sorties. Les tableaux d'entrées-sorties contenant les coefficients d'entrées-sorties pour des périodes données sont disponibles dans tous les pays, que ce soit par le gouvernement ou par des organismes de recherche.

Sauf dans le cas des produits intermédiaires, la prévision de la demande par la méthode d'utilisation finale n'est ni souhaitable ni réalisable. En outre, à mesure que le nombre d'utilisateurs finaux d'un produit augmente, il devient de plus en plus gênant d'utiliser cette méthode. Cette méthode est très utile pour les industries qui sont en grande partie des produits de producteurs, comme l'aluminium.

Pour faire des prévisions à l'aide de cette méthode, il est nécessaire d'établir un calendrier de la demande globale probable d'intrants par les industries consommatrices et divers secteurs. Dans cette méthode, les changements technologiques, structurels et autres, susceptibles d'influencer la demande, sont pris en compte dans le processus même d'estimation. Cet aspect de l'approche finale est d'une importance particulière.

Avantages de la méthode d'utilisation finale:

(1) Il est utile d’estimer la demande future d’un produit industriel de manière très détaillée par types et par taille. En examinant le modèle d'utilisation actuel de la consommation du produit, l'approche d'utilisation finale offre toutes les possibilités de déterminer les types, catégories et tailles susceptibles d'être demandés à l'avenir.

(2) La méthode permet de localiser et de déterminer à tout moment à l'avenir où et pourquoi la consommation réelle a dévié de la demande estimée. Des révisions appropriées peuvent également être apportées de temps en temps sur la base de cet examen.

2. Méthodes de sondage d'opinion :

Les méthodes de sondage d'opinion permettent d'estimer la demande en utilisant les opinions de ceux qui possèdent une connaissance du marché, tels que des experts et consultants en marketing professionnels, des représentants commerciaux et des dirigeants. Le jugement collectif de personnes bien informées peut constituer une source d'informations importante.

En fait, certaines prévisions reposent presque entièrement sur les opinions personnelles de décideurs clés. Ce processus peut impliquer que les gestionnaires se concertent pour élaborer des projections basées sur leur évaluation des conditions économiques auxquelles l'entreprise est confrontée. Dans d'autres circonstances, le personnel des ventes de l'entreprise peut être invité à évaluer les perspectives futures. Dans d'autres cas encore, des consultants peuvent être employés pour élaborer des prévisions en fonction de leur connaissance du secteur.

Ces méthodes incluent:

je. Opinion d'experts:

Le chercheur identifie les experts du produit pour lequel une prévision de la demande est en cours d’essai et les interroge sur la demande probable du produit au cours de la période de prévision. Cette méthode consiste à obtenir des vues des vendeurs et / ou du personnel de gestion des ventes. Il y a beaucoup de variations.

La vision combinée de la force de vente quant aux prévisions de ventes futures peut être obtenue en examinant attentivement les niveaux de direction successifs et les estimations de ventes futures soumises individuellement par les vendeurs. Une autre méthode consisterait à ne s’appuyer que sur les connaissances spécialisées des responsables des ventes de la société pour établir les prévisions des ventes.

Les avantages de cette méthode consistent à:

(a) Cette méthode utilise des connaissances spécialisées des personnes les plus proches du marché;

(b) offre à la force de vente une plus grande confiance dans l'établissement de quotas de vente;

c) Plus grande stabilité grâce à la magnitude de l'échantillon;

d) La responsabilité des prévisions incombe à ceux qui sont censés produire des résultats.

Les inconvénients avancés sont les suivants:

(a) Les vendeurs sont des estimateurs médiocres trop optimistes;

(b) Les vendeurs ignorent souvent les grandes tendances de l’économie et ne peuvent prévoir les tendances à long terme;

(c) le temps de la force de vente est ainsi réduit pour le travail principal de vente; et;

(d) Les vendeurs peuvent intentionnellement sous-estimer la demande si des quotas sont définis sur la base de ces informations.

ii. Méthode Delphi:

La méthode Delphi est un processus facilité d’obtention d’un consensus au sein d’un groupe de participants anonymes. Le facilitateur envoie un questionnaire de prévision à chaque membre du groupe Delphi. L'anonymat est essentiel dans cette méthode pour empêcher quelques membres du groupe de dominer la décision. Lorsque le questionnaire est renvoyé, les réponses sont résumées statistiquement, puis renvoyées au groupe. Chaque membre de Delphi a le choix de modifier ses réponses précédentes en fonction des réponses du groupe. Il s'agit d'un processus répétitif qui se poursuit jusqu'à l'obtention d'un consensus.

La méthode Delphi est utilisée pour les nouveaux produits ou pour les prévisions à très long terme. Cependant, il s’agit d’un processus fastidieux qui dépend fortement de la qualité des questionnaires. De plus, les participants peuvent fournir des réponses inadéquates car il n’ya pas de responsabilité.

Selon la méthode Delphi, les avis des experts sont recueillis et des efforts sont faits pour les faire correspondre. Cela se fait en rassemblant les experts, en organisant des réunions et en établissant une fourchette étroite pour la prévision, en essayant de donner directement la prévision de l’intervalle et en atteignant un point en altérant l’évaluation globale du chercheur ou du coordinateur du projet. exercice de prévision.

Généralement, la prévision passe par les étapes suivantes:

(i) Il est demandé à tous les experts du produit de donner leurs estimations individuelles pour la demande probable.

(ii) Si la différence de prévisions est significative, les experts sont invités à une conférence sur le sujet, présentent le problème en ce qui concerne les différences entre leurs estimations. En discutant, en convainquant les autres et en étant convaincu, en échangeant des points de vue avec des collègues, des efforts sont déployés pour réduire les limites de la demande probable.

(iii) Si la plage de variations est encore large, l'exercice continue jusqu'à ce que le coordinateur soit en mesure d'arriver à une plage acceptable.

(iv) Déclarez la plage ainsi obtenue en tant que prévision de la demande d'intervalle pour le produit pour la période pour laquelle elle est effectuée.

(v) Prenez une moyenne simple des valeurs inférieure et supérieure de la prévision et déclarez le point de prévision pour la variable en cours de prévision.

L'utilisation de la technique Delphi peut être illustrée par un exemple simple. Supposons qu'un groupe de six experts externes soit chargé de prévoir les ventes d'une entreprise pour l'année suivante. Travaillant de manière indépendante, deux membres du comité prévoient une augmentation de 8%, trois membres une augmentation de 5% et une personne ne prévoit aucune augmentation des ventes. Sur la base des réponses des autres personnes, chaque expert est ensuite invité à établir une prévision de vente révisée. Certains parmi ceux qui s'attendent à une croissance rapide des ventes peuvent, selon l'avis de leurs pairs, présenter des prévisions moins optimistes lors de la deuxième itération.

Inversement, certains de ceux qui prédisent une croissance lente peuvent ajuster leurs réponses à la hausse. Toutefois, certains membres du panel peuvent décider qu’aucun ajustement de leurs prévisions initiales n’est justifié. Supposons qu'un deuxième ensemble de prévisions du groupe d'experts inclue une estimation d'une augmentation des ventes de 2%, une de 5%, deux de 6% et deux de 7%.

Les experts sont à nouveau informés des réponses de chacun et invités à examiner leurs prévisions plus en profondeur. Ce processus se poursuit jusqu'à ce qu'un consensus soit atteint ou jusqu'à ce que de nouvelles itérations ne génèrent que peu ou pas de changement dans les estimations des ventes. La méthode Delphi est assez bonne mais elle pourrait être fastidieuse et coûteuse.

Dans les situations où le nombre d'experts n'est pas trop important et qu'ils coopèrent, et que le chercheur dispose des fonds nécessaires et de l'autorité nécessaire pour effectuer la tâche, la méthode Delphi pourrait convenir à la prévision de la demande.

La technique Delphi présente l'intérêt de permettre aux différents membres du panel d'évaluer leurs prévisions. Implicitement, ils sont obligés de se demander pourquoi leur jugement est différent de celui des autres experts. Idéalement, ce processus d'évaluation devrait générer des prévisions plus précises à chaque itération. L'utilité de l'opinion d'un expert dépend de la compétence et de la perspicacité des experts employés pour faire des prévisions.

Un problème avec la méthode Delphi peut être sa dépense. Souvent, les personnes les plus compétentes du secteur sont en mesure de demander des honoraires élevés pour leur travail en tant que consultants. Ils peuvent être employés par l'entreprise, mais ils ont d'autres responsabilités importantes, ce qui signifie qu'il peut y avoir un coût d'opportunité significatif pour les impliquer dans le processus de planification.

De plus, les experts ne veulent pas être influencés par les prédictions des autres membres du panel. Bien que les prévisions des experts ne soient pas toujours le produit de «données concrètes», leur utilité ne doit pas être sous-estimée. En effet, les connaissances de ceux qui sont étroitement liés à une industrie peuvent être très utiles pour la prévision

iii. Enquêtes sur les plans de gestion:

Les enquêtes sur les plans de gestion peuvent constituer une source importante de données pour les prévisions. La raison de mener de telles enquêtes est que les plans constituent généralement la base des actions futures. Par exemple, les budgets de dépenses en capital des grandes entreprises sont généralement planifiés longtemps à l’avance. Ainsi, une enquête sur les plans d'investissement de ces sociétés devrait fournir une prévision raisonnablement précise de la demande future de biens d'équipement.

iv. Expériences de marché:

Des expériences de marché (réelles ou simulées) sont réalisées pour générer des prévisions de la demande. Un problème potentiel avec la méthode d’enquête est que les réponses à l’enquête peuvent ne pas se traduire par un comportement réel du consommateur. Les consommateurs ne font pas nécessairement ce qu'ils disent qu'ils vont faire. Cette faiblesse peut être partiellement surmontée par le recours à des expériences de marché conçues pour générer des données avant l'introduction à grande échelle d'un produit ou la mise en œuvre d'une politique.

L'expérience de marché peut être réalisée sous deux formes:

a) Marché de test:

Afin de mettre en place une expérience de marché, l'entreprise sélectionne d'abord un marché test pouvant être constitué de plusieurs villes, d'une région du pays ou d'un échantillon de consommateurs pris sur une liste de diffusion. L'expérience peut intégrer un certain nombre de fonctionnalités telles que l'évaluation de la perception d'un nouveau produit par le consommateur sur le marché du test. Dans d'autres cas, des prix différents pour un produit existant peuvent être définis dans différentes villes afin de déterminer l'élasticité de la demande. Une troisième possibilité serait un test de la réaction du consommateur à une nouvelle campagne de publicité.

Les gestionnaires doivent prendre en compte plusieurs facteurs lors de la sélection d'un marché test. L'emplacement doit être de taille gérable. Si la zone est trop vaste, il peut s'avérer coûteux et difficile de mener l'expérience et d'analyser les données. Deuxièmement, les résidents du marché test doivent être représentatifs de la population globale des États-Unis en termes d'âge, d'éducation et de revenu, sinon les résultats pourraient ne pas être applicables à d'autres régions. Enfin, il devrait être possible d’acheter de la publicité destinée uniquement aux personnes testées.

b) Essais de laboratoire:

Une autre façon de mener une expérience de marché est la clinique du consommateur ou une expérience de laboratoire contrôlée. Ici, les consommateurs ont de l'argent pour acheter dans un magasin déterminé des produits à prix, emballages, étalages etc. variables, et la réactivité des consommateurs à ces variations est étudiée. Ainsi, l'expérience de laboratoire donne les mêmes résultats que l'expérience de marché.

Les expériences de marché présentent un avantage par rapport aux enquêtes dans la mesure où elles reflètent le comportement réel des consommateurs, mais elles ont toujours des limites. Un problème est le risque impliqué. Sur les marchés tests où les prix augmentent, les consommateurs peuvent passer aux produits de leurs concurrents. Une fois l'expérience terminée et le prix réduit à son niveau d'origine, il peut être difficile de reconquérir ces clients.

Un autre problème est que l'entreprise ne peut pas contrôler tous les facteurs qui affectent la demande. Les résultats de certaines expériences de marché peuvent être influencés par le mauvais temps, les conditions économiques changeantes ou les tactiques de la concurrence. Enfin, étant donné que la plupart des expériences ont une durée relativement courte, les consommateurs peuvent ne pas être parfaitement au courant des modifications de prix ou de publicité. Ainsi, leurs réponses peuvent sous-estimer l’impact probable de ces changements.

Limites:

Les méthodes d’expérimentation du marché présentent certaines limitations sérieuses qui réduisent considérablement la fiabilité de la méthode:

je. Les méthodes expérimentales étant très coûteuses, les petites entreprises ne peuvent se les payer. Etant une affaire coûteuse, les expériences sont généralement réalisées à une échelle trop petite pour permettre une généralisation avec un haut degré de fiabilité.

ii. Les méthodes expérimentales sont basées sur des conditions contrôlées à court terme qui peuvent ne pas exister sur un marché non contrôlé. Par conséquent, les résultats peuvent ne pas être applicables aux conditions incontrôlables du marché à long terme.

iii. Les changements de conditions socio-économiques intervenant pendant les expériences sur le terrain, tels que les grèves ou les licenciements locaux, les programmes publicitaires des concurrents, les changements politiques, les catastrophes naturelles, peuvent invalider les résultats. Bricoler avec les augmentations de prix peut entraîner une perte permanente de clients au profit de marques concurrentes qui auraient pu être essayées.

Malgré ces limitations, toutefois, la méthode expérimentale du marché est souvent utilisée pour fournir une autre estimation de la demande, ainsi que pour vérifier les résultats obtenus à partir d'études statistiques. En outre, cette méthode génère des coefficients d'élasticité nécessaires à l'analyse statistique des relations de la demande.

3. Méthodes statistiques :

Nous avons discuté des méthodes d'enquête et expérimentales de prévision de la demande. Ces méthodes sont plus appropriées pour estimer la demande d’un produit à court terme.

Dans cette section, les méthodes statistiques dépendant de séries chronologiques et de données transversales et appropriées pour la prévision de la demande à long terme ont été abordées:

Voici les principales méthodes statistiques:

je. Méthodes de projection de tendance

ii. Méthodes barométriques, et

iii. Méthodes économétriques

je. Méthodes de projection de tendance :

La projection de tendance est l'une des techniques de prévision de la demande les plus largement utilisées. Une tendance dans la série chronologique d'une variable est son changement à long terme? Cette méthode nécessite des données chronologiques longues et fiables. Cette méthode suppose que les facteurs responsables des tendances passées de la variable à projeter continueront de jouer leur rôle à l'avenir de la même manière et dans la même mesure que par le passé pour ce qui est de la détermination, de l'ampleur et de la direction de la variable. Il peut y avoir des tendances linéaires ou non linéaires dans la demande d’un produit.

Généralement, les tendances linéaires et la tendance du taux de croissance constant sont utilisées pour prévoir la demande future. Ces méthodes suppriment le besoin d'études de marché coûteuses car les informations nécessaires sont souvent déjà disponibles avec l'entreprise. Comme la méthode ne révèle pas de relation de cause à effet, elle a été considérée comme une «approche naïve».

Malgré cela, «l’adoption d’une telle approche n’a rien d’encombrant. Cela ne représente qu’un des nombreux moyens permettant d’avoir un aperçu de ce que pourrait être l’avenir et de déterminer si les projections réalisées avec ces moyens sont considérées comme les plus appropriées dépendra beaucoup de la fiabilité des données antérieures et du jugement qui sera rendu. être exercé dans l'analyse finale. "

Pour prévoir la demande à l'aide de méthodes de projection de tendance, il est nécessaire de disposer de données chronologiques sur les ventes. Dans le cas d'entreprises bien établies ayant une longue expérience professionnelle, ces données sont disponibles dans les registres des ventes. Les nouvelles entreprises peuvent obtenir les données nécessaires auprès des entreprises existantes appartenant au même secteur.

Trois techniques importantes de projection de tendance basées sur des données chronologiques sont décrites ci-dessous:

(i) Méthode graphique, d'inspection ou à main levée:

Selon cette méthode, un graphique des données historiques de la variable en cours de prévision est établi, puis extrapolé visuellement jusqu’à la période de prévision. Enfin, la valeur de la variable dans la période de prévision est lue à partir du graphique pour obtenir la prévision requise.

Sur la figure 2.1, les ventes en milliers d'unités sont indiquées sur l'axe des Y et le temps à partir de 1994 jusqu'en 2001 sur l'axe des X. Les données de vente sont tracées sur le graphique et les points tracés sont reliés par une ligne. Ensuite, une ligne avec une distance minimale entre les points est dessinée. En prolongeant la ligne de tendance, nous pouvons prévoir une vente approximative pour 2005 ou 2007.

Bien que cette méthode soit simple et économique, les prévisions obtenues souffrent toutefois de la subjectivité et de la partialité personnelle de l'analyste dans l'extrapolation de la courbe. Cependant, étant donné que les données historiques ne contenant aucune variable lorsque tracées sur le graphique reposent généralement sur une courbe lisse, l'extrapolation ne serait jamais unique et la méthode souffrirait toujours de la subjectivité.

La technique graphique est expliquée à l'aide de l'illustration suivante:

Illustration:

À l’aide de la méthode main libre ou graphique, ajustez une tendance linéaire aux données chronologiques suivantes sur les ventes d’une entreprise.

En choisissant une échelle appropriée, les années sont marquées en abscisse et les valeurs de vente correspondantes en ordonnée. Les points ainsi obtenus sont ensuite reliés par une ligne droite indiquant le comportement des valeurs de vente sur la période donnée. Ensuite, nous traçons une ligne droite à travers les points de données réelles pour lisser les données de la série chronologique afin d’obtenir la tendance. Le comportement des données réelles et la courbe de tendance sont illustrés à la Fig.2.1.

ii) Méthode d’ajustement des tendances ou méthode des moindres carrés:

Selon cette méthode, l'extrapolation des données historiques est tentée par l'estimation d'équations de tendance alternatives.

Une équation de tendance est une équation dans laquelle la variable sous-estimée est faite simplement en fonction du temps:

Cette technique utilise des formules statistiques pour trouver la courbe de tendance qui "correspond le mieux" aux données disponibles. " La ligne de tendance est l'équation d'estimation qui peut être utilisée pour prévoir la demande en extrapolant la ligne pour l'avenir et en lisant les valeurs de ventes correspondantes sur le graphique.

Tendance linéaire:

L'équation de tendance linéaire estimative des ventes s'écrit comme suit:

Ventes = a + b (numéro d'année)

Ou S = a + bT.…… (2.3)

où, a et b sont calculés à partir de données passées et

T est le numéro de l'année pour laquelle la prévision est requise.

L'illustration suivante explique comment la prévision de la demande est réalisée à l'aide de la méthode des moindres carrés.

Illustration:

Les registres des ventes d’une société hypothétique révèlent les données suivantes

Estimez les ventes pour les années 2003 et 2005.

Solution- Pour trouver les valeurs de a et b dans l'équation de tendance S = a + b

nous devrons résoudre les deux équations normales, à savoir.

En substituant les valeurs ci-dessus dans les deux équations normales, on obtient

270 = 6a + 36b

1, 784 = 30a + 286b

Nous résolvons ces équations pour a et b.

a = 1, 53 et

b = 6, 8.

Ainsi, l’équation de tendance devient S = 1, 53 + 6, 8T.

Les années 2003 et 2005 correspondent aux années 14 et 16. En substituant ces valeurs à T., les ventes de ces années sont exprimées en R. 96.73 crores et Rs. 110.33 crores respectivement.

La méthode des tendances est essentiellement une méthode objective. L'équation de tendance donnée ci-dessus suppose qu'il existe un changement linéaire (ou proportionnel) des ventes dans le temps. En fait, l'équation de tendance peut prendre une forme linéaire ou non linéaire.

Tendance non linéaire:

La fonction exponentielle décrit le mieux les nombreuses séries chronologiques concernant les activités commerciales et économiques affichant une croissance initiale constante et ne s'approchant pas d'une certaine limite supérieure.

La forme exponentielle de l’équation peut prendre les formes suivantes:

Nous pouvons maintenant appliquer la procédure habituelle d’ajustement de la tendance linéaire. Enfin, les valeurs de a et b peuvent être déterminées en prenant respectivement les antilogarithmes de a et b, c.-à-d.

a = antilog a et b = antilog b

Mettre ces valeurs estimées de a et b dans l’équation (2.4). nous obtenons la tendance exponentielle requise.

Illustration:

Les bénéfices d’une entreprise pour cinq ans se terminant en 2001:

Trouvez les valeurs de tendance pour 1997 - 2001 en utilisant une équation de la forme

Y = abX

Solution:

L'équation à ajuster est Y = abX

ou Log Y = log a + T log b

y = A + BX

où Y = log Y, A = log a et B = log b

Les valeurs de a et b peuvent être obtenues à partir des équations normales suivantes:

Sy = Na + bS X

SXy = aSX + bSX2… (2.7)

Ajustement de la tendance exponentielle:

Mettre les valeurs du tableau en 2.2

5, 06803 = 6A A = 1, 1397 a = antilog (1, 1339) = 13, 79

4, 7366 = 10A B = 0, 4737 b = antilog (0, 4737) = 2, 977

En mettant les valeurs de a et b dans (2.2), la tendance ajustée est

Y = (13, 79) (2, 997) x, où X = (x - 1999)

Pour le calcul des valeurs de tendance, nous utilisons l'équation 2.6

y = 1, 1397 + 0, 4737 X

Ainsi, dans le tableau ci-dessus, les valeurs de tendance de 1997 à 2001 ont été calculées. Double-log tendance du formulaire.

La tendance à double log de l’équation est utilisée lorsque le taux de croissance augmente.

L'équation est écrite comme suit:

Y = aTb… (2.8)

Ou sa double forme logarithmique

Journal Y = journal a + b journal T… (2.9)

Tendance polynomiale de la forme

Y = a + bT + cT2… (2.10)

Dans ces équations, Y est variable (peut être les ventes), T est le temps, a, b et c sont des constantes et e = 2, 718. Une fois que les paramètres de l'équation sont estimés, il devient facile de prévoir la demande pour le moment à venir.

De même, nous pouvons construire des équations de tendance pour les polynômes de degrés supérieurs à trois, mais elles sont rarement utilisées dans les prévisions commerciales. En cas de tendance polynomiale du second degré, la pente dS / dT change de direction (de positive à négative, ou inversement) une seule fois. De même, dans le cas de la tendance polynomiale du troisième degré, la pente ne change de direction que deux fois.

Le choix de la meilleure ligne de tendance parmi les diverses équations de tendance linéaires et non linéaires dépend des considérations théoriques et de la pertinence empirique. Une fois que la décision est prise concernant l’équation la plus appropriée pour une donnée de vente donnée, la prévision peut être faite en ajustant l’équation aux données.

(iii) lissage exponentiel:

Si la variable sous-estimée ne suit aucune tendance spécifique, la méthode de la tendance est inappropriée. La méthode de lissage serait plus utile. Il existe des versions de la méthode de lissage - lissage simple (moyennage) et lissage pondéré. Une caractéristique de cette méthode est que chaque observation a le même poids.

Dans le lissage simple, une moyenne simple du nombre spécifique d'observations (appelé «ordre») est utilisée, tandis que dans le dernier cas, une moyenne pondérée est extraite. Etant donné que les observations plus récentes contiennent des informations plus précises sur l’avenir que celles du début de la série pour estimer l’avenir, la pondération est préférée au lissage simple et les pondérations sont attribuées par ordre décroissant au fur et à mesure observations au passé. Par exemple, l'historique des ventes des trois derniers mois peut être plus pertinent pour la prévision des ventes futures que les données des ventes des dix dernières années.

Le lissage exponentiel est une technique de prévision chronologique qui donne plus de poids aux observations les plus récentes.

La première étape consiste à choisir une constante de lissage, ±, où 0 <± <1.0.

S'il y a n observations dans une série chronologique, les prévisions pour la période suivante n + 1 sont calculées en tant que moyenne pondérée de la valeur observée de la série à la période n et de la valeur prévue pour cette même période.

La formule de la moyenne pondérée peut être écrite comme suit:

Où,

F n + 1 est la valeur prévue pour la période suivante,

X n est la valeur observée pour la dernière observation, et

F n est une prévision de la valeur de la dernière période de la série chronologique.

Les valeurs prévues pour F et toutes les périodes antérieures sont calculées de la même manière. Plus précisément,

Pour la deuxième observation, t = 2 et aller à la dernière.

La constante de lissage exponentielle choisie détermine le poids attribué aux différentes observations de la série temporelle. À ± 1, 0, les observations les plus récentes prennent plus de poids. Par exemple, si ± = 1.0, alors (1- ±) = 0. En revanche, les valeurs plus faibles pour ± donnent plus de poids aux observations des périodes précédentes.

Par exemple, si les ventes d’une entreprise au cours des dix dernières semaines sont indiquées ci-dessous:

En supposant que F 2 = F 1 = X 1 . Si ± = 0, 20, alors

F 3 = 0, 20 (430) + 0, 80 (400) = 406, 0 et

F 4 = 0, 20 (420) + 0, 80 (406) = 408, 8

Les valeurs prévues pour différentes valeurs de ± peuvent être calculées.

Il convient de noter que les données lissées montrent beaucoup moins de fluctuation que les données de vente initiales. Notez également que lorsque ± augmente, les fluctuations du F augmentent, car les prévisions accordent plus de poids à la dernière valeur observée dans la série temporelle.

Toute valeur de ± peut être utilisée comme constante de lissage. Les critères de sélection de la constante pourraient être le jugement intuitif de l'analyste concernant le poids à accorder aux points de données les plus récents. Mais il existe également une base empirique pour choisir la valeur de ±.

Ainsi, la méthode de lissage exponentiel permet de donner plus de poids aux données les plus récentes lors de l'analyse de données chronologiques. De plus, à mesure que des observations supplémentaires deviennent disponibles, il est facile de mettre à jour les prévisions. Il n'est pas nécessaire de réestimer les équations, comme ce serait le cas avec l'équation de tendance. Cependant, cette méthode ne fournit pas de prévisions très précises s’il existe une tendance significative dans les données. Si la tendance temporelle est positive, les prévisions basées sur le lissage exponentiel seront probablement trop basses, tandis qu'une tendance temporelle négative entraînera des estimations trop élevées. Le lissage exponentiel simple fonctionne mieux lorsqu'il n'y a pas de tendance temporelle perceptible dans les données.

ii. Prévisions barométriques :

Trend projection and exponential smoothing use time series data for forecasting the future. In the absence of a clear pattern in a time series, the data are of no avail for forecasting. An alternative approach is to find a second series of data that is correlated with the first. A time-series that is correlated with another time-series is called an indicator of the second series. As meteorologists use barometer to forecast weather, economists use economic indicators as a barometer to forecast trends in business activities.

Barometric method of forecasting was first developed and used in the 1920s by the Harvard Economic Service, failed to predict the Great Depression of the 1930s, but revived, refined and developed further in the late 1930s in the US by the National Bureau of Economic Research (NBER). Initially, the technique was developed to forecast the general trend in overall economic activities, but it can be applied to forecast prospects of demand for a product. The technique identifies relevant economic indicators on the movement of which future trends are forecast.

The barometric forecasting technique identifies the relevant economic indicators, constructs an index of these indicators and observing movements of the index forecasts future trends.

Two techniques are discussed for barometric forecasting:

1. Leading Indicators, and

2. Composite and Diffusion Indices

1. Leading Indicators Method :

This method involves three steps:

je. Identification of the leading indicator for the variable under forecasting.

ii. Estimation of the relationship between the variable under forecasting and its leading indicator.

iii. Derivation of forecasts

Three types of economic indicators are identified for constructing the index:

une. Leading Indicators,

b. Co-Incidental Indicators

c. Lagging Indicators.

une. Leading Indicators:

If changes in one series consistently occur prior to changes in another series, a leading indicator has been identified. The leading indicators move up or down ahead of some other indicators. Leading indicators are of primary interest for the purposes of forecasting.

As a meteorologist makes use of changes in barometric pressure for weather forecast, leading indicators can be used to predict variations in general economic conditions. Movement in the capital formation, new orders for durable goods, new building permits, corporate profits after tax, index of the prices of input, change in the value of inventories, requests for loans from financial institutions and change in bank rate are examples of leading indicators.

b. Co-Incidental Indicators:

If two data series increase or decrease at the same time, one series may be regarded as a coincident indicator of the other series. In other words, the co-incidental economic indicators move up or down simultaneously with the level of economic activity.

Gross national product at constant prices, rate of employment, sales by different sectors, the rates at which commercial banks accept deposits from and lend to the private sector are more or less the coincident series with regard to the Bank rate, rate of employment in non-agricultural sectors are the examples of co-incidental series.

c. Lagging Indicators:

The lagging indicators follow a change after some time lag. NBER identified some of the lagging indices such as rate for short-term loans, outstanding loans, labour cost per unit of manufactured output and the rate at which private money lenders accept deposits and lend to individuals is lagging series with reference to both the Bank rate and commercial banks' deposit and lending rates.

It is not that for every variable there is a leading variable but for some they do exist. Thus, through this kind of search, one may be able to find an appropriate leading variable for the variable. If no such variable is available, this method of forecasting is also not available. Leading indicators can be used as inputs for forecasting aggregate economic variables such as GNP, aggregate consumers' expenditure, aggregate capital expenditure, etc.

The value of leading indicators method depends on the accuracy of the indicator, adequacy and constancy of lead- time, the reason as to why one series predicts another and the cost and time necessary for data collection

2. Diffusion Indices:

The construction of an index improves the barometric forecasting. Such indices represent a single time series made up of a number of individual leading indicators. The purpose of combining the data is to smooth out the random fluctuations in each individual series and the resulting index provides more accurate forecasts.

The index is a measure of the proportion of the individual times series that increase from one month to the next. For example, if eight of the indicators increased from June to July, the diffusion index for July would be 8/11 or 72.7 percent. When the index is over 50 percent for several months, it can be forecast that economic conditions have begun to improve. As the index approaches 100 percent, the likelihood of improvement increases. On the other hand, if less than 50 percent of the indicators exhibit an increase, a downturn is indicated.

However, the technique suffers from several weaknesses:

une. The prediction record of this technique is far from perfect.

b. On several occasions indices have forecast recessions that have not occurred. The lead- time also varies from variable to variable.

c. While this approach signals the likely direction of changes in economic conditions, it says little about the magnitude of such change. As such it provides only a qualitative forecast.

ré. Also strenuous efforts have been made to identify indicators of general economic conditions the managers of individual firms may find it difficult to identify leading indicators that provide accurate forecasts for their specific needs.

Despite these limitations, the use of indices improves the accuracy of barometric forecasting.

iii. Econometric Methods :

The most popular method of demand estimation among economists is perhaps the regression method that employs both the principles of economic theory and appropriate statistical methods of estimation. It requires historical data (time series and/or cross section) on the variable under forecasting and its determinants.

In other words regression analysis denotes methods by which the relationship between quantity demanded and one or more independent variables (like income, price of the commodity, prices of related goods, advertisement expenditure) is estimated. It includes measurement of error that is inherent in the estimation process.

This method involves four steps:

(a) Identification of the variables that influence the demand for the good whose function is under estimation.

(b) Collection of historical/cross section data on all the relevant variables.

(c) Choosing an appropriate form for the function.

(d) Estimation of the function.

(i) Simple Linear Regression:

Simple regression analysis is used when the quantity demanded is estimated a function of a single independent variable such as price. In case of linear trend in the dependent variable, we can fit a straight line to the data, whose general form would be, for example,

Sales = a + b. Prix

Fitting of the straight -line regression equation can be done either graphically or by least squares method.

In the least squares method of estimating regression line,

S = a + bP, … (2.13)

We have to find the values of the constants, a and b by solving the two linear equations:

SS= na + Sb P

SPS = SPa+ bS P2 … (2.14)

The table 4.4 provides sales data at different price levels for a hypothetical company:

Substituting the values of in the two least square equations, and solving the equations we get the values of terms a and b.

a=64.94

b=1.53

The regression equation can therefore be written as

S= 64.94 +1.53 P … (2.16)

If we assign the values to P, we can get the corresponding estimated sales.

(ii) Multivariate Regression:

Multiple linear regression generates a forecast by linking two or more independent variables to the demand for a product. For example, sales of ice cream may be dependent on the price that is charged for the product, the temperature, and the number of hours of daylight. A model would be developed which described this relationship. Given a specific price, a temperature, and a number of daylight hours, a demand forecast for ice cream will be generated.

Estimation of the parameters of an equation with more than one independent variable is called multiple regressions. In principle, the concept of estimation with multiple regression is the same as with simple linear regression, but the necessary computations can be much more complicated. For an equation with three or more independent variables, the time required to calculate the values and likelihood of an arithmetic error make manual computation impractical. Consequently, virtually all regression analysis involving multivariate equations uses computers.

Because most economic relationships involve more than a simple relationship between a dependent and a single independent variable, multiple regression techniques are widely used in economics. For example, the demand for a product usually depends on more than just the price of the good. Other variables, such as income and prices of other goods can also have an influence.

Thus, a simple regression equation involving only quantity and price would be incomplete and probably would result in an incorrect estimation of the relationship between quantity and price. This is because the effects of other variables omitted from the equation are not taken into account. Similarly, a regression equation that included only the rate of output as the determinant of costs could generate inaccurate results because other factors, such as input prices, also affect costs.

With multiple regression, it is important that the user understands how to interpret the estimated coefficients of the equation. For example, it is assumed that costs are a function of output and price of labor. Thus the multiple regression equation can be written as:

Y = A + bX + cZ, … (2.17)

Where Y is the total cost

X is output,

Z is the price of labor

a, b, c, are the coefficients to be estimated.

The coefficients of X and Z indicate the effect on total cost of a one-unit change in each variable, holding the influence of the other variable constant. For example, b shows the change in total costs for a one-unit change in output, assuming that the price of labor stays the same. The coefficient of Z estimates the effect of a unit change in labor price, assuming that the rate of output is unchanged.

The multi-variable regression equation is used where demand for a commodity is deemed to be the function of many variables or in cases in which number of explanatory variables is greater than one.

The procedure of multiple regression analysis may be described as follows:

je. Specify the independent variables that are supposed to explain the variations in the dependent variable. For example the demand for the product will be explained by the variables that are generally taken to be the determinants of demand viz., price of the product, prices of related good, consumer's income and their tastes and preference.

For estimating the demand for durable consumer goods, (eg refrigerators, house, scooters), the other variables which are considered are availability of credit and prevailing rate of interest. For estimating demand for capital goods, the relevant variables are additional corporate investment, rate of depreciation, cost of capital goods, cost of other inputs, market rate of interest etc. These variables are treated as independent variables.

ii. The second step is to collect time-series data on the independent variables.

iii. Specify the form of equation that can appropriately describe the nature and extent of relationship between the dependent and independent variables.

iv. The final step is to estimate the parameters in the chosen equations with the help of statistical techniques.

The form of equation and the degree of consistency of the explanatory variable in the estimated demand function determines the reliability of the demand. The greater the degree of consistency, the higher is the reliability of the estimated demand and vice versa.

Linear Function:

When the relationship between demand and its determinants is' linear the most common form of equation for estimating demand is as follows:

Dx = a + bPx + cPy + dY+ jA … (2.18)

where Dx = quantity demanded of commodity x; P= price of commodity X, Y= consumer's income; P= price of the substitute; A= advertisement expenditure; a is constant (the intercept), and b, c, d, and j are the parameters expressing the relationship between demand and Px, , Py, Y and A respectively.

In a linear function, quantity demanded changes at a constant rate with respect to change in independent variables Px, Y, Py and A. The regression coefficients are estimated by using the least square method and then, the demand can be easily forecast.

Simultaneous Equations:

The simultaneous equations method, also called the complete system approach to forecasting, is the most sophisticated econometric method of forecasting. It involves specification of a number of economic relations, one each for behavioral variable- estimation and solution of which yield the forecasting equations similar to the estimated regression equation.

One outstanding advantage of this method is that in this method we estimate the future values only predetermined variables, unlike regression equation where the value of both exogenous and endogenous variables have to be predicted. The method suffers from the demerit of complexity.

 

Laissez Vos Commentaires