Организация маркетинга

Кроме того, множественная регрессия может использоваться для определения относительной важности независимых переменных.

Поскольку независимые переменные имеют различные размерности, проводить их сравнение прямым образом нельзя. Например, нельзя прямым образом сравнивать коэффициенты b для размера семьи и величины среднего для семьи дохода.

Обычно в данном случае поступают следующим образом. Делят каждую разницу между независимой переменной и ее средней на среднее квадратическое отклонение для этой независимой переменной. Далее возможно прямое сравнение полученных величин (коэффициентов). Чем больше абсолютная величина коэффициентов, тем большей относительной важностью, влиянием на результирующий прогнозируемый показатель обладают переменные величины, которые характеризуют данные коэффициенты.

Многие данные маркетинговых исследований представляются для различных интервалов времени, например на ежегодной, ежемесячной и другой основе. Такие данные называются временными рядами. Анализ временных рядов направлен на выявление трех видов закономерностей изменения данных: трендов, цикличности и сезонности.

Тренд характеризует общую тенденцию в изменениях показателей ряда. Те или иные качественные свойства развития выражают различные уравнения трендов: линейные, параболические, экспоненциальные, логарифмические, логистические и др. После теоретического исследования особенностей разных форм тренда необходимо обратиться к фактическому временному ряду, тем более что далеко не всегда можно надежно установить, какой должна быть форма тренда из чисто теоретических соображений. По фактическому динамическому ряду тип тренда устанавливают на основе графического изображения, путем осреднения показателей динамики, на основе статистической проверки гипотезы о постоянстве параметра тренда.

В табл. 7.1 приводятся данные объема продаж велосипедов определенной компании за 17 лет.

Необходимо определить прогнозную оценку объема продаж на восемнадцатый год.

Представив в графическом виде данные табл. 7.1, можно с помощью метода наименьших квадратов подобрать прямую линию, в наибольшей степени соответствующую полученным данным (рис. 7.1), и определить прогнозную величину объема продаж.

В то же время более внимательное рассмотрение рис. 7.1 позволяет сделать вывод о том, что не все точки близко расположены к прямой. Особенно эти расхождения велики для последних лет, а верить последним данным, видимо, следует с достаточным основанием.

В данном случае можно применить метод экспоненциального сглаживания, назначая разные весовые коэффициенты (большие для последних лет) данным для разных лет [10], [25]. В последнем случае прогнозная оценка в большей степени соответствует тенденциям последних лет.

Циклический характер колебаний статистических показателей характеризуется длительным периодом (солнечная активность, урожайность отдельных культур, экономическая активность). Такие явления, как правило, не являются предметом исследования маркетологов, которых обычно интересует динамика проблемы на относительно коротком интервале времени.

Сезонные колебания показателей имеют регулярный характер и наблюдаются в течение каждого года. Они и являются предметом изучения маркетологов (спрос на газонокосилки, на отдых в курортных местах в течение года, на телефонные услуги в течение суток и т.д.). Поскольку выявленные закономерности носят регулярный характер, то их вполне обоснованно можно использовать в прогнозных целях.

В отличие от прогноза на основе регрессионного уравнения прогноз по тренду учитывает факторы развития только в неявном виде, и это не позволяет «проигрывать» разные варианты прогнозов при разных возможных значениях факторов, влияющих на изучаемый признак. Зато прогноз по тренду охватывает все факторы, в то время как в регрессионную модель в лучшем случае невозможно включить в явном виде более 10--20 факторов.

Временные ряды помимо простой экстраполяции могут использоваться также в целях более глубокого прогнозного анализа, например объема продаж. Целью анализа в данном случае являются разложение временного ряда продаж на главные компоненты, измерение эволюции каждой составляющей в прошлом и ее экстраполяция на будущее. В основе метода лежит идея стабильности причинно-следственных связей и регулярности эволюции факторов внешней среды, что делает возможным использование экстраполяции. Метод состоит в разложении временного ряда на пять компонент:

структурная компонента, или долгосрочный тренд, обычно связанный с жизненным циклом товара на исследуемом рынке;

циклическая компонента, соответствующая колебаниям относительно долгосрочного тренда под воздействием среднесрочных флуктуаций экономической активности;

сезонная компонента, или краткосрочные периодические флуктуации, обусловленные различными причинами (климат, социально-- психологические факторы, структура нерабочих дней и т.д.);

маркетинговая компонента, связанная с действиями по продвижению товара, временными снижениями цен и т.п.;

случайная компонента, отражающая совокупное действие плохо изученных процессов, непредставимых в количественной форме.

Для каждой компоненты рассчитывается параметр, основанный на наблюдавшихся закономерностях: долгосрочном темпе прироста продаж, конъюнктурных флуктуациях, сезонных коэффициентах, специфичных факторах (демонстрации, мероприятия по стимулированию сбыта и т.п.). Затем эти параметры используют для составления прогноза.

Понятно, что такой прогноз имеет смысл как краткосрочный, на период, в отношении которого можно принять, что характеристики изучаемого явления существенно не изменятся. Это требование часто оказывается реалистичным вследствие достаточной инерционности внешней среды.

К числу главных ограничений экстраполяционных методов следует отнести следующие.

Большинство прогнозных ошибок связано с тем, что в момент формулирования прогноза в более или менее явной форме подразумевалось, что существующие тенденции сохранятся в будущем, что редко оправдывается в реальной экономической и общественной жизни.

Так, в 40-х годах нашего века американские специалисты предсказывали: производство легковых автомобилей в США достигнет насыщения и будет составлять 300 000 штук в месяц. Но уже в 1969 г. их в США производилось более 550 000 штук. В настоящее время эта цифра возросла еще в 1,2--1,3 раза.

В 1983--1984 гг. на американский рынок были введены 67 новых моделей персональных компьютеров, и большинство фирм рассчитывало на взрывной рост этого рынка. По прогнозам, которые давали в то время маркетинговые фирмы, число установленных компьютеров в 1988 г. должно было составить от 27 до 28 миллионов. Однако к концу 1986 г. было поставлено только 15 миллионов, поскольку условия использования компьютеров радикально изменились, а этого никто не предвидел.

Эти ошибки в прогнозах носили не математический, а чисто логический характер: ведь при прогнозировании использовались временные ряды, достаточно хорошо отражающие имеющийся в то время статистический материал.

Развитие общества определяется очень большим числом факторов. Эти факторы сильно связаны между собой, и далеко не все они поддаются непосредственному измерению. Кроме того, по мере развития общества порой неожиданно начинают вступать в действие все новые и новые факторы, которые раньше не учитывались.

Временные ряды могут становиться ненадежной основой для разработки прогнозов по мере того, как экономика приобретает все более международный характер и все в большей степени подвергается крупной технологической перестройке. В связи с этим необходимо в первую очередь развивать способности предвидения, что подразумевает хорошее знание ключевых факторов и оценку чувствительности фирмы к внешним угрозам.

Вышеназванное ни в коей мере не умаляет значимости экстрополяционных методов в прогнозировании. Как и любые методы, их надо уметь использовать. Прежде всего экстраполяционные методы следует применять для относительно краткосрочного прогнозирования развития достаточно стабильных, хорошо изученных процессов. Прогнозный период времени не должен превышать 25--30% от исходной временной базы. При использовании уравнений регрессии прогнозные расчеты следует проводить для оптимистических и пессимистических оценок исходных параметров (независимых переменных), получая таким образом оптимистические и пессимистические оценки прогнозируемого параметра. Реальная прогнозная оценка должна находиться между ними.

В ряде случаев прогнозную оценку, полученную на основе экстраполяционных методов, используют как индикатор желательности получения определенной величины прогнозируемого параметра. Предположим, что была получена прогнозная оценка величины спроса на какой-то товар. Она говорит о том, что при тех же условиях внешней среды, структуре и силе действия исходных факторов величина спроса к определенному моменту времени достигнет такой-то величины. Менеджерам, которые используют результаты данного прогноза, следует ответить на вопрос: «А устраивает ли нас данная величина спроса?» Если «да», то надо приложить максимум усилий, чтобы все сохранить без изменения. Если «нет», то необходимо использовать внутренние возможности (например, провести дополнительную рекламную компанию) и постараться повлиять на определенные факторы внешней среды, поддающиеся косвенному воздействию (например, повлиять на деятельность посредников, пролоббироавть изменение определенных тарифов, импортных пошлин). Вся эта деятельность направлена на обеспечение получения желаемой величины спроса.

7.3 Прогнозирование спроса и объема продаж на основе статистических методов

В методологически правильной постановке прогнозирование спроса -- это искусство оценки будущего спроса при предположении об определенном поведении покупателей в заданных условиях. Прогнозирование спроса в данном случае должно осуществляется в три этапа. Вначале разрабатывается прогноз внешней среды, затем -- прогноз развития данной отрасли, наконец, разрабатывается прогноз величины спроса на товары конкретной компании. Такие комплексные, тем более аналитические модели, разработать и реализовать чрезвычайно сложно, поэтому на практике получили применение более простые статистические модели.

Обычно в данном случае речь идет о прогнозировании на основе статистических данных по объему продаж для конкретной компании или конкретного рынка величины текущего рыночного спроса на определенный товар. В литературе, в которой приводятся результаты использования тех или иных статистических моделей, очень часто не делается различия между разными видами спроса, и его прямым образом отождествляют с объемом продаж.

Простейшими методами прогнозирования спроса на основе статистической маркетинговой информации являются экстраполяционные методы, основанные на анализе временных рядов.

Анализ временных рядов применительно к прогнозированию величины спроса представляет собой разбиение данных об объеме продаж в прошлом на компоненты, характеризующие тренды, циклы, сезонные и случайные изменения, выявление причин изменения спроса в прошлом с последующим переносом полученных закономерностей на будущее. (Пример получения прогнозных оценок объема сбыта велосипедов на основе анализа тренда рассматривался выше.)

7.3.1 Метод экспоненциального сглаживания

Ниже рассматривается пример применение метода экспоненциального сглаживания при прогнозировании объема продаж, дающего возможность получить более точные оценки по сравнению с простым анализом трендов [14].

Метод экспоненциального сглаживания используется для краткосрочного прогноза и основан на средневзвешенном значении продаж по определенному числу прошедших периодов. При этом наибольшие весовые коэффициенты придаются позднейшим продажам. Прогнозное значение рассчитывается по формуле

Константа сглаживания выбирается аналитиком итеративным способом в интервале от 0 до 1. Ее значение мало при малых изменениях продаж и приближается к 1 в случае сильных флуктуаций.

Существуют компьютерные программы для определения этой константы.

В качестве примера рассмотрим данные табл. 7.2. Проведена сезонная коррекция данных, с тем чтобы найти оптимальное значение константы сглаживания. С целью проверки предсказательной силы модели привлечены данные за 1992 г. Чтобы предсказать продажи в первом квартале 1992 г., нужно располагать сглаженными оценками продаж за предыдущие периоды. Например, сглаженная оценка за первый квартал 1988 г. соответствует

Квартальные продажи с коррекцией влияния сезонности

Это очень большая погрешность, что может быть объяснено малым значением константы а в условиях быстрого роста продаж. Если выбрать для а значение 0,80, то сглаженные продажи в 1991 г. составят 128,6, а ошибка прогноза не превысит 1,1%, что значительно лучше.

Существуют и более сложные методы сглаживания, использующие несколько констант сглаживания. Их обзор дан в книге [42].

Главная слабость этих методов в том, что они не позволяют действительно «предсказать» эволюцию спроса, поскольку неспособны предвидеть какие-либо «поворотные точки». В лучшем случае они способны быстро учесть уже произошедшее изменение. Поэтому их называют адаптивной прогнозной моделью.

Тем не менее для многих проблем управления такой «апостериорный» прогноз оказывается полезным при условии, что имеется достаточно времени для адаптации и факторы, определяющие уровень продаж, не подвержены резким изменениям.

7.3.2 Модифицированный метод парной регрессии

Рассмотрим на примере выявления перспективного спроса на грузовики во Франции использование модифицированного метода парной регрессии [2].

Перспективный спрос на грузовики был выявлен с помощью модели, которая по сравнению с традиционными методами прогнозирования (экстраполяция тенденций, интуиция) обладает рядом преимуществ, так как позволяет:

а) легко изменять с учетом новой информации первоначальные прогнозы;

б) объяснить большую часть расхождений между прогнозами и реальностью по мере реализации первых;

в) получить результат независимо от субъекта, занимающегося прогнозированием, т.е. данный метод почти не оставляет места для субъективизма.

Статистические данные были взяты из ежегодно публикуемых Национальным институтом статистики и экономических исследований Франции новых номеров регистрации автомашин. Механографический код позволяет разделить на 6 классов все автомашины, рассматриваемые в этом исследовании:

Тракторы грузоподъемностью более 10т

На рис. 7.2 показано изменение в регистрации новых грузовиков во Франции за 13 лет до проведения исследования.

Следует отметить, что при проведении подобных исследований базовый период времени должен быть достаточно длительным, чтобы отразить возможно большее число «инцидентов», связанных с колебаниями конъюнктуры, встречающимися на протяжении жизни товара.

Здесь кривая, отображающая общее число зарегистрированных машин, возрастает весьма хаотично. Колебания общих продаж вызваны не только изменениями темпа экономической активности, но также и важными изменениями в распределении рынка среди различных категорий машин.

Эти явления обусловливают бесполезность попыток оценить общие тенденции рынка: например, при помощи простой экстраполяции. Однако предложенный метод прогнозирования помогает преодолеть эти трудности. С одной стороны, он позволяет путем введения общей расчетной единицы произвести сравнение между сбытом грузовиков разных категорий, а с другой стороны, связать полученные колебания в числе ежегодных регистрации с общими экономическими показателями.

Для того чтобы сравнивать грузовики разных модификаций, нужно найти переменную, которая могла бы выразиться в величине, общей для всех машин. В качестве такой переменной рассматривалась тонна полезного груза, т.е. единица грузоподъемности; эта переменная характеризуется тем, что может легко использоваться в торговом обороте, так как продажная цена грузовика относительно тонны полезного груза практически является постоянной для всех грузовиков.

На основе этой переменной был рассчитан показатель I t характеризующий число регистрации за год в тыс. т полезного груза. Этот показатель вычисляется на основе регистрации и средней величины грузоподъемности по классу тоннажа. Указанные вычисления представляют собой довольно трудную задачу, поскольку работа должна быть сделана с помощью сходных статистических данных по каждому типу грузовика.

Независимая переменная определена с помощью агрегированных показателей национальных счетов: валовой национальный продукт, валовые вложения в основной капитал, национальный доход... Таким образом, выбор экономического показателя (независимая переменная) был сделан с учетом, с одной стороны, природы самого товара (грузовик можно рассматривать как промежуточный продукт в производственном процессе или же как инвестиционный товар), с другой стороны, интенсивности связей между переменной величиной и экономическим показателем.

Рис. 7.3, Изменение числа регистрации в зависимости от избранного экономического показателя

На рис. 7.3 были перенесены данные о регистрации (в тоннах полезного груза) за годы с 1-го по 13-й в зависимости от выбранного экономического показателя (в постоянных ценах 7-го года). Обе переменные тесно связаны, и вычисление методом наименьших квадратов дает коэффициент корреляции 0,964.

Итак, данные об осуществленных регистрациях распределены вокруг прямой, выраженной уравнением

где I t -- число регистрации года в тыс. т полезного груза (в соответствии с замечанием, сделанным ранее, I t пропорциональна сумме продаж грузовиков, что, таким образом, предполагает одинаковую размерность обоих членов уравнения), а E t обозначает выбранный экономический показатель года в млрд. новых франков.

Связь между I t и E t тесная, но существуют и значительные расхождения (более чем на 10%) за некоторые годы, и желательно улучшить это соотношение. На рис. 7.3 видно, что эта связь подчиняется «закону» циклических колебаний относительно общей прямой, а именно: точка, соответствующая первому году, находится над прямой; точки 2, 3, 4, 5 -- под прямой; точки 6, 7, 8 -- над прямой; точки 9, 10, 11, 12 -- под прямой; точка 13 -- над прямой.

Эта констатация заставляет ввести в модель дополнительную переменную, позволяющую отразить эти колебания. Было рассмотрено два решения.

Первое -- принимать в расчет «цикл грузовика». После периода, в течение которого новые поступления в парк превышают среднюю норму, наступают годы, когда поступления ниже нормы, т.е. покупатели, по-видимому, реагируют с некоторой отсрочкой (в 3--4 года) на избыточное или недостаточное оснащение грузовиками.

Избранная модель предполагает учет циклической составляющей при расчете уравнения регрессии, соответствующего наилучшей корректировке. Вот это уравнение: у = 2,99х -- 83,0 с коэффициентом корреляции для 9 точек, равным 0,989.

Второе -- ввести в модель коэффициент «акселерации», отметив, что поступления в парк выше нормы тех лет, когда увеличение экономического показателя само выше средней величины. На практике это соответствует следующему явлению: покупатели грузовиков, реагируя на колебания экономики, по-видимому, склонны преувеличивать реальные тенденции -- как в период роста (повышенное число регистрации в год 8-й и в год 13-й), так и и период спада (слабый сбыт в 3, 5 и 10-м годах).

Используемый показатель равен тогда уже не E t , но

Соответствующее уравнение регрессии при той же системе обозначений, что и раньше, будет

Коэффициент корреляции, рассчитанный для 13 точек, будет г= 0,989.

В дальнейшем была использована модель с «циклом», т.е. метод вычисления с учетом данных регистрации за годы, предшествующие изучаемому году; а также модель с «акселератором», т.е. метод вычисления, вводящий экономический показатель в виде

Результаты, полученные при помощи этих двух методов, проиллюстрированы на рис. 7.4.

Результаты этого сравнения показывают, что относительные расхождения между рассчитанными и реально наблюдаемыми величинами обычно ниже 5% и достигают величин между 5 и 10% лишь в периоды резкого изменения конъюнктуры: 5, 8, 9, 11-й годы.

Рис. 7.4. Сравнение числа реальных регистрации грузовиков с числом регистрации, рассчитанным по модели

Кривые, отражающие колебания рассчитанного числа регистрации, отражают колебания кривой реальных регистрации и сглаживают лишь резкие изменения.

Расчет общего перспективного сбыта грузовиков грузоподъемностью более 3 т производился в два этапа;

расчет перспективной регистрации на среднесрочный период в тоннах полезного груза;

переход от оценок грузоподъемности к оценкам численности машин.

Период, избранный для прогнозирования на среднесрочный период регистрации в тоннах полезного груза, -- это год плюс пять. Применение описанных моделей для прогнозирования возможно лишь тогда, когда некоторые гипотезы проверены. Имеются в виду структурные гипотезы, предполагающие в будущем постоянство связей, наблюдаемых в прошлом между переменной, требующей объяснений, и переменными, при помощи которых ее объясняют. Это гипотезы, касающиеся транспортного законодательства (согласование железнодорожного и транспортного законодательства, технические характеристики, определенные Правилами дорожного движения), изменений в распределении грузопотоков между автомобильным, железнодорожным и водным транспортом, и, естественно, политические или экономические события. Изучение этих вопросов позволяет более точно прогнозировать развитие рынка грузовых машин.

Оценка регистрации числа грузовиков в будущем основывалась на том, что средний размер полезного груза грузовиков и тракторов грузоподъемностью более 3 т регулярно повышался от года 1-го до года 13-го. С одной стороны, это объясняется техническим прогрессом, который позволяет конструкторам получать все более и более высокие значения отношения полезного груза к общему весу; с другой стороны -- стремлением заказчиков получать машины все большей мощности.

Однако грузоподъемность машин ограничена требованиями Правил дорожного движения.

Эти соображения позволили оценить средние величины полезного груза машин, которые будут зарегистрированы в ближайшие 5 лет, и выработать для автомобильной промышленности производственную политику на средний срок, уточнить типы и количество техники, которую надо изготовить.

7.3.3 Динамическая модель множественной регрессии

В порядке ознакомления с возможностями использования при проведении маркетинговых исследований более сложных методов математической статистики рассмотрим динамическую модель множественной регрессии, используемую для оценки и прогнозирования спроса на большегрузные транспортные средства на европейском рынке [45]. Была выбрана следующая функция спроса:

Спрос = F (производство, учетная процентная ставка, цена, погрешность),

где спрос ( Q ) -- ежемесячный объем заказов на грузовики грузоподъемностью 15 т и выше;

производство -- месячный индекс промышленного производства;

процент -- гарантированная месячная учетная процентная ставка по государственным обязательствам;

цена -- индекс цены на дизельное топливо.

Рассматриваемая модель является динамической; она следующим образом описывает структуру реакции рынка:

переменная «производство» (Пр) вводится в форме модели с запаздыванием, описываемым убывающим геометрическим распределением с коэффициентом переноса при переходе от t к t -- k , равным 0,4557;

переменная «процент» входит в модель с запаздыванием, равным восьми месяцам; это указывает на то, что время проявления эффекта изменения процентной ставки составляет восемь месяцев (уровень задержки был определен экспериментально);

переменная «цена», аналогичным образом, действует с запаздыванием, равным восьми месяцам;

член «погрешность» также имеет динамическую структуру в том смысле, что представляет собой взвешенную сумму трех погрешностей по указанным переменным ( U ) и чисто случайной составляющей (е).

Уравнение спроса, полученное числовым методом по критерию максимального правдоподобия, имеет вид

Качество модели оценивается с помощью обычных статистических показателей. Коэффициент детерминированности равен в данном случае 0,865. Все значения t -критериев, измеряющих точность коэффициентов регрессии, являются значимыми на уровне 5% и выше.

Поскольку речь идет об эластичности, коэффициенты допускают прямую интерпретацию. Так, например:

кумулятивный общий эффект переменной «промышленное производство» равен 3,2114; это означает, что рост промышленного производства на 1% приводит к росту числа заказов на 3,2%;

эффект понижения учетной процентной ставки на 10% приводит, с восьмимесячным запаздыванием, к повышению спроса на грузовики на 1,9%;

эффект повышения цены дизельного топлива на 10% через восемь месяцев приводит к падению спроса на грузовики на 4,8%.

Сравнение наблюдаемых и рассчитанных по модели объемов продаж показало высокую ее точность, что позволило ее использовать в целях прогнозирования объема продаж большегрузных транспортных средств.

7.3.4 Метод ведущих индикаторов

Ведущие индикаторы -- показатели или их временные ряды, изменяющиеся в том же направлении, что и исследуемый показатель, но опережая его по времени, например, рост показателей жизненного уровня опережает показатель роста спроса. Таким образом, изучая динамику изменения показателей жизненного уровня, можно сделать выводы о возможном изменении показателя спроса на определенную продукцию.

При оценке рыночного потенциала территорий, зон, регионов или стран часто используют индикаторы покупательной способности. Цель при этом состоит в измерении привлекательности рынка по средневзвешенному значению трех ключевых компонентов любого потенциала рынка, т.е.:

количества потребляющих единиц;

покупательной способности этих потребляющих единиц;

готовности этих потребляющих единиц к расходам. Статистические индикаторы этих трех переменных определяются для выбранной территориальной базы (страна, область, район, город), после чего определяется средневзвешенный индекс для каждой зоны. Существует два подхода к его определению: использовать стандартный индекс покупательной способности (ИПС), который предлагают фирмы по изучению рынка, или построить индекс специально для анализируемого сектора или гаммы товаров.

Стандартные ИПС обычно основаны на трех следующих индикаторах:

Весовые коэффициенты в этой формуле соответствуют используемым в американском журнале « Sales Marketing Manadgment », который ежегодно публикует ИПС для различных регионов США. Эти коэффициенты определены эмпирически с использованием регрессионного анализа и в основном применимы к товарам массового спроса. Аналогичные индексы публикуются и в Европе, например изданиями «Чейз Эконометрикс» (для регионов ЕС) и «Бизнес Интернэшнл» для 117 стран во всем мире. В случае необходимости можно применять другие коэффициенты.

Специальные индексы ИПС основываются на тех же составляющих потенциала рынка, но используют индикаторы, лучше адаптированные к исследуемой области деятельности, с дополнительным привлечением индикаторов, характеризующих местные условия. Пример такого индекса приведен в табл. 7.3.

Таблица 7.3

Оценка продаж безалкогольных напитков по территориям

Исследуется рынок безалкогольных напитков. Индикаторы, использованные для расчета ИПС, -- это число семей с детьми, уровень дохода и число отелей, ресторанов и кафе. Индекс ИПС рассчитывается как средневзвешенное значение этих трех индикаторов (выраженных в процентах) по каждой из 14 территорий. Его предсказательная способность проверена сопоставлением индекса ИПС с объемом продаж по каждой территории. ИПС согласно таблице применен для оценки проникновения марки А на каждую территорию. Чтобы оценить потенциал каждой территории, сначала рассчитывают «наблюдаемую» долю рынка, которую сравнивают с «ожидаемой», рассчитанной как произведение ИПС и ожидаемого объема продаж марки по всей стране. Показатель эффективности позволяет оценить масштабы проникновения марки с учетом дополнительных факторов типа остроты локальной конкуренции, срока присутствия на территории и т.д.

Индекс такого типа можно также применять для распределения расходов на маркетинг между различными территориями.

7.3.5 Использование кривых жизненного цикла

Для прогнозирования развития спроса и определения потенциала рынка может использоваться кривая жизненного цикла.

В этом случае в качестве потенциала рынка рассматривается рыночный спрос товара, вступившего в фазу зрелости своего жизненного цикла.

Из результатов изучения жизненного цикла обычно вытекают рекомендации по выработке маркетинговых стратегий, комплекса маркетинга и организации маркетинговых служб.

Однако, несмотря на популярность теории жизненного цикла продукта, нет свидетельств, подтверждающих, что большинство продуктов проходят типичный четырехфазовый цикл (раздел 1.2.1). Нет также свидетельств того, что поворотные моменты различных фаз жизненного цикла в той или иной степени предсказуемы. Кроме того, в зависимости от того, какой смысл вкладывается в понятие «продукт», можно рассматривать различные типы кривых жизненного цикла.

Прежде всего следует помнить, что исследование рынка начинается не с продукта, а с потребностей потребителей. Например, потребители испытывают потребность в транспорте (рис. 7.5). Подобные потребности могут оставаться постоянными, расти от столетия к столетию и никогда могут не достичь фазы падения.

Потребность в транспорте конкретизируется в спросе на определенные технологические способы ее удовлетворения (от кареты с лошадьми до автомобиля и других современных транспортных средств). Жизненный цикл технологических способов, хотя и короче, чем потребностей, но может быть чрезвычайно продолжительным. (В целях упрощения на рис. 7.5 изображены только отдельные кривые жизненных циклов.)

Технологические способы могут реализовываться с помощью различных конкретных технико-технологических решений. Например, в автомобилях могут использоваться паровые, поршневые, турбинные, электрические двигатели, которые также имеют свой жизненный цикл. Радиопередающие устройства последовательно использовали электронные лампы, полупроводники, интегральные схемы. Под каждой такой кривой скрыта серия кривых жизненного цикла отдельных технико-технологических новшеств, скажем, различных типов двигателей внутреннего сгорания. Эти кривые жизненного цикла могут быть очень короткими и, несомненно, они имеют тенденцию к укорачиванию.

На следующем уровне дезагрегирования менеджеры компании делают выбор конкретных типов выпускаемых продуктов: здесь расположены кривые жизненного цикла продукта, изготовленного на основе технологии, которой располагает данная компания. Например, компания предлагает автомобиль определенного типа, в основу которого положены определенные технико-технологические решения. В рамках продукта определенного типа существуют конкретные виды продукта, например определенные модели марки «Шевроле», которые имеют свой жизненный цикл, обычно самый короткий. Однако могут быть и исключения. Например, марки «пепси», «кола» остаются на рынке в течение нескольких поколений, поскольку компании меняют технологическую, дизайнерскую и обслуживающую составляющую своего предложения, сохраняя основные качества марки. Правда, говоря в данном случае о длительном жизненном цикле указанных марок, следует иметь в виду, что в границах марки менялся ассортимент, каждая составляющая которого имела более короткий жизненный цикл.

Для правильной ориентации в перспективности определенного продукта нужно уметь ориентироваться во всех составляющих жизненного цикла потребностей, а изучая жизненный цикл продукта, надо четко знать, о каком уровне дезагрегироваиия понятия «продукт» идет речь.

Применение модели жизненного цикла продукта подразумевает способность формулировать прогнозы качественного или количественного характера относительно эволюции начального спроса на рынке определенного товара. Эти данные определяются экспертным путем или исходя из изучения статистики изменения объема реализации во времени. В последнем случае можно воспользоваться 5-образными кривыми. Наиболее известной кривой данного типа является логистическая кривая.

Логистическая кривая описывается следующей зависимостью:

где у -- величина спроса в момент времени t ;

Q -- предел роста, в нашем случае -- рыночный потенциал;

а -- безразмерная константа;

b -- константа, имеющая размерность: единица на время. При t = - ? у = 0. При t = + ? у = Q .

Изменение значения а означает сдвиг кривой вправо или влево. Константа b задает наклон кривой.

Логистическая кривая имеет форму латинской буквы S , положенной на бок, отчего еще называется эсобразной кривой. Она имеет два перегиба: от ускоряющегося роста к равномерному (вогнутость) и от равномерного роста в середине периода к замедляющемуся (выпуклость) (рис. 7.6).

С помощью такой кривой возможно описать насыщение определенного рынка каким-то товаром, скажем, телевизорами. Сначала медленный, но все ускоряющийся рост доли семей, имеющих телевизор, затем рост равномерный (примерно от 30--40% семей до 70--80%). Затем рост доли семей, имеющих телевизор, замедляется по мере приближения доли к 100%. Если принять, что y min = 0 , а Q = 100%, или 1, то логистическая кривая описывается формулой:

Если прежний опыт доказывает, что спрос на начальных стадиях жизненного цикла изучаемого товара изменяется согласно логистической кривой (до момента достижения своего максимального значения), то, взяв текущее значение спроса ( Q t , можно рассчитать предельную величину спроса или потенциал рынка. Константы а и Ь в данном случае также могут быть рассчитаны [22].

Кроме того, задаваясь величиной рыночного потенциала, определенной в результате проведения специальных маркетинговых исследований, можно определить динамику величины текущего спроса. В этом случае полная кривая может быть экстраполирована на основе очень короткого временного ряда. Решающий момент, конечно, состоит в том, подчиняется ли изменение спроса изучаемого товара логистической кривой.

Библиография

Акофф Р., Сасиени М. Основы исследования операций. М., Мир, 1971.

Арман Дайан и др. Маркетинг. М.» Экономика, 1993.

Бешелев С.Д. Математико-статистические методы экспертных оценок. М., Статистика, 1974.

Бешелев С.Д., Гурвич Ф.Г. Экспертные оценки. М., Наука, 1973.

Голубков Е.П. Использование системного анализа в отраслевом планировании. М., Экономика, 1977.

Голубков Е.П. Какое принять решение? Практикум хозяйственника. М., Экономика, 1990.

Голубков Е.П. Маркетинг: стратегии, планы, структуры. М., Дело, 1995.

Гофман К.Л., Комков Н.И., Миндели Л.Э. Планирование и управление научными исследованиями. М., Наука, 2001.

Дружинин Н.К. Математическая статистика в экономике. М., Статистика, 1971.

Елисеева И.И., Юзбашев М.М. Общая теория статистики. М., Финансы и статистика, 1996.

Исследование рынка. Серия «Искусство управления приватизированным предприятием». М., Дело, 1996.

Ковалев А.И., Войленко В.В. Маркетинговый анализ. М., Центр экономики и маркетинга, 1996.

Кэндел М. Ранговые корреляции. М., Статистика, 1975.

Ламбен Жан-Жак. Стратегический маркетинг. Санкт-Петербург, Наука,1996.

Ларичев О.И. Человеко-машинные процедуры принятия решений. -- «Автоматика и телемеханика», 1971, №12.

Ли Якокка. Карьера менеджера. М., Прогресс, 1990.

Лисичкин В.А. Отраслевое научно-техническое прогнозирование (вопросы теории и практики). М., Экономика, 1971.

Проблемы планирования и управления. Опыт системных исследований. Под редакцией Голубкова Е.П. и Жандарова А.М. М., Экономика, 1987.

Рабочая книга социолога. М., Наука, 1977.

Райхман Э.П., Азгальжлв Г.Г. Экспертные методы в оценке качества товаров. М., Экономика, 1974.

Роджерс Френсис Дж. I ВМ. Взгляд изнутри: человек--фирма-маркетинг. М., Прогресс, 1990.

Янч Э. Прогнозирование научно-технического прогресса. М., Прогресс, 1974.

Aaker David A., Myers John G. Advertising Management. Prentice-Hall International, Inc., 1987.

Bovee C. L.,, Thill J. V., Dovel G. P., Wood M. B. Advertising Excellence. McGraw-Hill, 2005.

Burns Alvin C., Bush Ronald F. Marketing Research. New Jersey, Prentice Hall, 1995.

Christopher Martin, McDonald Malcolm H. B. Effective Marketing Management. Cranpield School of Management, 1986.

Consumer Market Research Handbook, 3rd ed., R. Worcester and J. Downham, eds., McGraw book Co., 1986.

Cooper Robert G. Why New Industrial Products Fail: Industrial Marketing Management, 1005.

Dalkey N. The Delphy Method: an Experimental Study of Group Opinion. RAND Memo EM-5888-PR, 1969.

Dibb S., Simkin L., Pride W., Ferrell 0. Marketing. Concepts and Strategies. Houghton Mifflin Co., 2009.

Dolan Robert J. Conjoint Analysis: a Managers Guide. Harvard Business School, 1990.

Doyle Peter. Marketing Management and Strategy. Prentice Hall, 1994.

Eldon Y. LI, Raymond McLeod, JR., John C. Rogers. Marketing Information Systems in the Fortune 500 Companies: Past, Present, and Future--Journal of Management Information Systems / Summer 1993, vol. 10, Nol, pp. 165-192.

Eskin G. J. A Case for Test Market Experiments. Journal of Advertising Research, 15, April, 2005, pp. 27--33.

Ettenson Richard G., Wagner Janet. Evaluation the Effect of Country of Origin and «Made in USA» Compaign: A Conjoint Approach. In:Journal of Retailing, vol. 64, no. 1, Spring, 2008.

Gordon John S., Arnold Jack R. Profitable Exporting. A Complete Guide to Marketing your Products Abroad. John Wiley and Sons, 1998.

Green Paul, Srinivasan V. Conjoint Analysis in Cosumer Research:Issue and Outlook. In: Journal of Consumer Research, vol. 5, September, 1998.

Hopkins David. The Marketing Plan. The Conference Board, Jnc. 1994.

Kotler Philip, Armstrong Gary. Principles of Marketing. Prentice Hall, 2009.

Kotler Philip. Marketing Management. Analysis, Planning, Implementation, and Control. Prentice Hall, 1991.

Lash M. J. The Complete Guide to Customer Service. New York, John Wiley and Sons, 2009.

Markidakis S., Wheelwright S. C. Forcasting Methods for Management, New York, John Wiley and Sons, 1993.

McDonald Malcolm .H. B. Marketing Plans, 2nd edition, Heinemann Professional Publishing, 1989.

Morgensztern A. Un synthese des travaux sur la memorisation des messages publicitaer. Dan: Piquet S. La publicite, nerf de la communication, Paris, Les Editions d'Organisation, 2003.

Peeters R. Total Truck Demand in Europe: A Case Study, Louvain-la-Neuve, IAG, 1992.

Perspectives a long terme de 1'industrie automobile mondiale. OECD, Paris, 1993.

Porter M. E. Competitive Strategy. New York, The Free Press, 1980.

Robinson P. J. Application of Conjoint Analysis. In: Montgomery D. B., Wittink D. R., eds. Market Management and Analysis (Cambridge, Mass.: Marketing Science Institute, 1980).

Robock Stefan H., Simmonds Kenneth. International Business and Multinational Enterprises. Fourth Edition. JRWIN, Homewood, 1989.

The Marketing Book. Ed. by Baker Michael J. Heinemann Professional Publishing, 2000.

Weitz Barton A., Wensley Robin. Readings in Strategic Marketing. The Dryden Press, 1988.

Wittink D. R., Walsh J. W. Conjoint Analysis: Its Reliability, Validity and Usefulness. Sawtooth Conference Proceedings, April, 2009.

Размещено на Allbest.ru