Управление организациями сферы услуг

часто составляется и анализируется сразу несколько сценариев, включая крайние (оптимистический и пессимистический) и наиболее вероятные. Существуют различные технологии реализации метода сценариев, среди которых – получение согласованного мнения экспертов, повторяющаяся процедура независимых сценариев, матрицы взаимодействия и др. [Литвак, 2000]. Общим недостатком метода сценариев является возможное возникновение неопределенности, связанной с субъективностью оценок экспертов, участвующих в разработке сценария.

Метод Дельфи – это пошаговая процедура, направленная на формирование группового мнения экспертов. Экспертиза проводится в несколько туров. В первом туре организующая экспертизу аналитическая группа направляет экспертам, которые могут находиться на значительном расстоянии друг от друга, специально разработанные для реализации целей и задач экспертизы анкеты. Заполненные экспертами анкеты передаются обратно аналитической группе, которая их обрабатывает. Во втором туре экспертам рассылается определенная информация об итогах первого тура – крайние оценки с их обоснованиями, некоторые показатели, рассчитанные аналитической группой (такие как, например, средняя оценка, разброс оценок), а также предлагается с учетом полученной информации повторно ответить на вопросы анкет. Эти анкеты заполняются и снова передаются аналитической группе, которая опять обрабатывает полученные результаты. Далее при необходимости проводится еще несколько аналогичных туров, пока не будет получен согласованный прогноз.

К достоинствам метода Дельфи можно отнести отсутствие конформизма, что связано с анонимным характером процедуры экспертизы, наличие обратной связи, а также возможность получения количественной информации по результатам статистической обработки ответов экспертов. В качестве недостатков следует отметить относительно высокую стоимость, сложность организации экспертизы, ее длительность, субъективность восприятия и интерпретации вопросов экспертами, их возможное стремление располагать свои оценки ближе к среднему без особой аргументации.

Программное прогнозирование как метод использует принципы метода Дельфи, а также метода оценки и пересмотра планов PERT (Project Evaluation and Review Technique), применяемого для сетевого планирования и управления проектами. С помощью метода программного прогнозирования определяется вероятность наступления анализируемых событий и оценивается ожидаемое время их наступления.

Количественные методы прогнозирования включают причинно-регрессионные модели, а также моделирование временных рядов.

При использовании причинно-регрессионных моделей анализа предполагается, что прогнозируемый показатель зависит от одной или нескольких переменных, определяемых наиболее значимыми факторами, воздействующими на спрос на услуги. Это могут быть расходы на рекламу, устанавливаемые цены, продажи конкурентов и прочие рассмотренные выше факторы макро-, мезо– и микроуровней.

К причинно-регрессионным моделям относятся методы простого и множественного регрессионного анализа. Например, простая линейная регрессия определяется как линейный тренд. Для его расчета может быть применен метод наименьших квадратов, который заключается в подборе прямой линии так, чтобы разброс имеющихся значений показателя по обе стороны от нее был наименьшим. Минимизируется сумма квадратов вертикальных расстояний между линией и каждым фактическим наблюдением (6-1):

у = a + b • х, (6-1)

где у – расчетное прогнозируемое значение показателя (зависимая переменная);

x – факторный признак, определяющий прогнозируемое значение показателя (независимая переменная);

a – отрезок, отсекаемый прямой на оси ординат (определяется по формуле (6- 2));

b – коэффициент регрессии (определяется по формуле (6-3)).

а = yср – b • xср, (6-2)

где yср – среднее значение у; xср – среднее значение х.

где n – количество имеющихся фактических данных или наблюдений.

Для расчета коэффициентов а и b можно воспользоваться программой MS Excel (Сервис ? Анализ данных ? Регрессия).

Спрос, как правило, зависит от нескольких факторов, которые могут быть учтены при помощи метода множественного линейного анализа, когда в уравнении регрессии фигурирует более чем одна независимая переменная. Ниже представлено многофакторное уравнение множественной регрессии:

у = а + b1 • х1 + b2 • х2 + ... + bm • хm , (6-4)

где m – количество независимых переменных (факторных признаков).

Одной из проблем, которая может возникнуть при использовании метода регрессионного анализа, является необходимость определения значений независимых переменных. Для целого ряда факторов это представляет определенную сложность, особенно для факторов макро– и мезоуровней. Кроме того, важным условием адекватного применения регрессионных методов является относительная стабильность среды функционирования сервисной организации. Однако могут появиться новые значимые факторы, измениться характер воздействия существующих и т. п. В такой ситуации между спросом и факторами, его определяющими, возможно, установится совсем другая зависимость по сравнению с прогнозируемой.

Другой группой количественных методов прогнозирования являются методы анализа временных рядов, которые также имеют ограниченную область применения.

Временной ряд состоит из последовательности равномерно распределенных во времени (с интервалом в сутки, неделю, месяц и т. д.) статистических данных по прогнозируемому показателю.

Основная предпосылка при прогнозировании с помощью временных рядов состоит в том, что будущее значение прогнозируемого показателя находится в зависимости только от его прошлых значений, а другие факторы, кроме фактора времени, во внимание не принимаются. Поэтому использование этой группы методов оправдано лишь в условиях сохранения существующих тенденций изменения прогнозируемого показателя и отсутствия влияния новых факторов или изменения действующих.

К методам прогнозирования с помощью временных рядов относятся следующие: «наивный» метод; скользящие средние и его модификации – метод взвешенной скользящей средней и экспоненциальное сглаживание; экстраполяция; прогнозирование на основе сезонных колебаний (см., например: [Стивенсон, 1998; Хаксевер, Рендер, Рассел, Мердик, 2002; Эддоус, Стэнсфилд, 1997; Fitzsimmons J., Fitzsimmons М., 2006]).

«Наивный» метод основывается на предположении, что спрос в следующий период будет равен спросу в последний период времени. Если для данных временного ряда характерны сезонность или тренд, то прогнозируемое значение рассчитывается с учетом соответствующей поправки. Этот метод практически не требует каких-либо затрат, для него характерны быстрота и простота реализации, однако точность его невысока.

Метод скользящих средних предполагает расчет прогнозного значения на основе усреднения нескольких последних показателей. По мере поступления новых данных значения средних обновляются, как показано в формуле (6-5):

Ft+1 = (Dt + Dt-1 +... + Dt-n+1) / n, (6-5)

где Dt, Dt-1, и т. д. – фактическое значение прогнозируемого показателя в периоде t, t-1 и т. д.;

Ft+1 – прогнозируемое значение показателя в периоде t