Sunteți pe pagina 1din 17

PREVIZIUNEA VÂNZĂRII MĂRFURILOR

Preocuparea constantǎ a factorilor de conducere a oricărei firme cu activitate de producţie pentru


studiul vânzărilor potenţiale ale produselor fabricate derivǎ din unul din obiectivele fundamentale ale
activităţii economice, maximizarea profiturilor. Este evident cǎ unul dintre cei mai importanţi factori ai
mărimii profitului este volumul vânzărilor (alături de preţul de vânzare unitar, structura costurilor de
producţie, etc.).

METODE SI TEHNICI DE PREVIZIUNE


Analiza seriilor dinamice (cronologice)
O secvenţă de date de observaţie, în mod obişnuit ordonată în timp, este denumită serie de
timp, sau serie dinamică. Datele se referă la valori discrete măsurate la intervale egale de timp.
Metodologia care se ocupă cu analiza unor astfel de date se numeşte analiza seriilor de timp sau
analiza seriilor dinamice. Caracteristica esenţială a acestui tip de analiză (care o diferenţiază de
alte analize statistice) este recunoaşterea implicită a importanţei ordinii de apariţie a înregistrărilor.
Reprezentarea grafică a unei serii de timp evidenţiază cele mai importante caracteristici ale
datelor acesteia:
prezenţa/absenţa tendinţei,
caracterul sezonier,
existenţa unor discontinuităţi, etc.

In funcţie de posibilitatea agentului decizional/cercetătorului de a acţiona asupra factorilor din


mediul intern şi extern organizaţiei şi de a le influenţa evoluţia se pot identifica:
- factori interni – asupra cărora o organizaţie poate acţiona prin intermediul deciziilor sale:
gestiunea propriilor resurse, etc.
- factori externi – care nu pot fi controlaţi prin acţiune conştientă: evoluţia contextului internaţional
(evoluţia preţurilor materiilor prime de bază sau a energiei), creşterea veniturilor populaţiei şi
comportamentul investiţional, cadrul macroeconomic general (dinamica principalilor indicatori
macroeconomici) etc.
Încercarea de a lua în considerare aceşti factori (controlabili sau nu) conduce la utilizarea unor metode
diferite de previziune:
- de judecată - se bazează pe estimări subiective, mai degrabă decât pe date; sunt folosite pentru
prognoze pe termen lung (mai ales când intervin factori externi) sau atunci când nu există date
istorice sau acestea sunt limitate;
○ exemple: părerea experţilor, metoda Delphi, analogii istorice
- cauzale – pentru care este posibilă identificarea unor relaţii funcţionale de tipul
Y=f(x1, x2, …, xn) unde Y variabila dependentă este exprimată în funcţie de nivelul factorilor
explicative/independenţi (x1, x2, … xn);
○ exemple: analiza de regresie multiplă, analiza corelaţiei
- bazate pe serii de timp – în cazul în care evoluţia curentă a unui indicator (de ex., volumul
producţiei industriale sau ratei inflaţiei) depinde de nivelul anterior (în ipoteza păstrării unui
comportament inerţial al fenomenului): Yt  f ( Yt 1 ,Yt  2 ,...)
○ exemple: mediile mobile, ajustare, metode de decompoziţie, Box-Jenkins
- econometrice – în cazul unor ecuaţii simultane sau sisteme de ecuaţii ce descriu în formă
matematică diferite legităţi economice şi pentru rezolvarea cărora este necesar un set de date
iniţiale.

1. Metode de extrapolare
- sugerează dezvoltarea inerţială (prelungirea în viitor) a unor elemente ale proceselor şi fenomenelor
economice;
- pot fi aplicate cu rezultate bune numai dacă procesul la care se referă prezintă un caracter de
repetabilitate, cu aceeaşi intensitate a dinamicii;
- Limite:
- oferă numai o imagine orientativă asupra perspectivei de evoluţie dacă se recunoaşte
faptul că viitorul nu reproduce fidel stările şi evoluţiile din trecut;
- se poate folosi cu succes numai pentru procesele economice ce evoluează fără
discontinuităţi majore;
- riscul şi incertitudinea impun considerarea în prelucrarea rezultatelor extrapolării cu
metode adiţionale; pentru ca rezultatele să fie cât mai plauzibile se recomandă operarea
pe orizonturi de prognoză cât mai scurte.

Extrapolarea analitică:
 utilizează drept bază informaţională iniţială un şir de date;
 Seria poate fi extrapolată pe baza unei funcţii matematice a evoluţiei indicatorului în timp.
 Ideea de bază - considerarea seriei de date ca o succesiune de valori măsurată ale unei funcţii
dependente de timp y=f(t), funcţie care ar urma să fie determinată cu aproximaţie prin metode
matematice.
Extrapolarea fenomenologică
Spre deosebire de extrapolarea analitică, extrapolarea fenomenologică utilizează drept bază
informaţională iniţială nu un şir de date (seriile de date disponibile sunt relativ scurte), ci ipoteze legate de
structura fenomenului investigat. Formal, deosebirea dintre extrapolarea analitică şi cea fenomenologică
constă în modul diferit de identificare al clasei de funcţii care descrie tendinţa de variaţie a fenomenului
investigat.
Acest tip de extrapolare este utilizat cu precădere în cazul în care seriilor de date disponibile sunt
relativ scurte; se porneşte de la emiterea unor ipoteze asupra indicatorilor ce caracterizează fenomenul sau
procesul. Considerând că procesul este descris de funcţia f :    de clasă C2 (care este continuă şi
derivabilă pe mulţimea numerele reale  ), atunci indicatorii de caracterizare a fenomenului sunt:
- viteza de evoluţie (de variaţie);
- ritmul de creştere;
- coeficientul de elasticitate a funcţiei în raport cu t;
- coeficientul de elasticitate a vitezei de variaţie în raport cu momentul t.
O primă metodă constă în utilizarea experienţei empirice sau a unor rezultate deja obţinute în
domeniul în care se efectuează cercetare; există astfel, tipuri de curbe asociate unor tipuri de fenomene.
Mai folosite sunt curbele liniare cu plafonare, curbele exponenţiale (cu şi fără plafonare) şi curbele în
formă de S. O altă metodă constă în identificarea unor legi de variaţie ale fenomenului urmărit şi în
descrierea evoluţiei pe baza acestei legi.

2. Metode de ajustare
Ajustarea unei serii temporale = operaţiunea de înlocuire a valorilor observate ale variabilei studiate
cu alte valori, noile valori sunt calculate prin metode adecvate cu scopul de a pune în evidenţă
componentele considerate esenţiale ale seriei de date: trendul, fluctuaţiile ciclice, sezoniere, neregulate
 sunt aplicabile în previziunile pe termen scurt,
 cele mai utilizate: mediiler mobile, ajustarea/nivelarea exponenţială.

Metoda nivelării exponenţiale (Brown)


În cazul seriilor de date cu caracter staţionar pentru care nu se înregistrează trend şi variaţii
ciclice sau sezoniere se poate utiliza modelul lui Brown de nivelare exponenţială în jurul mediei.
Nivelarea exponenţială se bazează pe relaţia:

Noua previziune = vechea previziune + α (observaţia cea mai recentă – vechea previziune)
Ft+1 = Ft +  * et = Ft +  * (Yt - Ft) sau Ft+1=  * Yt + (1 - ) * Ft
unde:
Ft+1, Ft - prognozele corespunzătoare momentelor t+1, respectiv t;
Yt - nivelul indicatorului real la momentul t,
et - eroarea de ajustare; e t  Yt  Ft ,
α este probabilitatea de a face o eroare de prognoză (constantă de nivelare).
Constanta α determină modul în care observaţiile trecute sunt netezite pentru obţinerea predicţiei, ia valori
în [0, 1]. Alegerea lui  influenţează acurateţea prognozei.

► Dacă seria de timp este una puternic oscilantă şi conţine o substanţială variabilitate aleatoare
înseamnă că, pentru ca previziunea să fie cât mai apropiată de realitate este necesar a fi folosită o
pondere mică α.
► Pentru serii stabile, cu variabilitate aleatoare redusă, constantele α mai mari sunt preferate (au
avantajul că în cazul producerii unor erori de previziune însemnate pot ajusta fără întârziere
previziunea, conferind astfel acesteia o capacitate de reacţie rapidă la schimbările de condiţii).

Pentru determinarea celei mai potrivite valori a coeficientului de nivelare se poate folosi tehnica
simulării (testări succesive), generându-se valori în intervalul [0,1]. Pentru fiecare valoare se va calcula
un indicator de eroare (suma erorilor pătratice S, de exemplu) şi se va alege valoarea  pentru care:
n
S e
t 1
t
2
 min , unde n reprezintă numărul observaţiilor reale ale indicatorului previzionat, t  1,..., n .

In modelul ajustării exponenţiale simple, notaţiile şi formulele folosite sunt:


F(t) =  x(t) + (1-  )F(t-1)

unde:  este constanta de ajustare, 0    1, iar F(0) = x(1).


x(t): valoarea reala a indicatorului la momentul t, t=1,...,T;
F(t): valoarea ajustată la momentul t;

Calculul erorilor de prognoză se realizează cu ajutorul indicatorilor:


e(t) = x(t) - f(t)
 Eroarea cumulată de prognoză CFE (Cumulative Forecast Error) =  e(t), t=1,...,n
unde n este numărul gradelor de libertate;
 Media abaterilor absolute MAD (Mean Absolute Deviation) =  e(t) / n , t=1,...,n
 Media erorilor pătratice MSE (Mean Square Error) = Σ e(t) ² / n , t=1,...,n
 Media erorilor procentuale MAPE (Mean Absolute Percent Error) = 100 * | e(t)| /x(t) /n ,
pentru t=1,...,n
 „semnalul de urmărire” Tracking Signal (TS) = CFE / MAD.
În general, se consideră că pentru TS > 5 (în valoare absolută) se poate pune în evidenţă o
tendinţă reală de creştere/descreştere a datelor seriei dinamice. Deoarece TS arată tendinţa erorilor
de prognoză, cele mai bune rezultate se obţin pentru TS apropiat (în modul) de 0 şi se recomandă ca
TS  k  1,25  1 unde k  2 (limită maxim acceptabilă).
2

Pentru metodele de ajustare, alegerea formei particulare (cu un singur parametru  , cu doi
parametri  ,  sau cu trei parametri  ,  ,  ) se poate face, într-un mod aproximativ prin reprezentarea
grafică a seriei de date:
- dacă pentru seria de date reprezentată se poate pune în evidenţă o tendinţă liniar crescătoare sau
descrescătoare se alege modelul cu trend (cu doi parametri  ,  );
- dacă pentru seria de date se pot evidenţia variaţii sezoniere se va alege modelul de ajustare cu
sezonalitate (cu doi parametri  ,  );
- în situaţia în care, în mod simultan se pot observa o componentă de tip trend şi variaţii sezoniere se
poate alege modelul de ajustare trend -sezonalitate (se folosesc trei parametri  ,  ,  ).

3. Metode de decompoziţie (bazate pe descompunerea componentelor)

Metodele de descompunere (decompoziţie) presupun identificarea, în mod separat, a componentelor


tipice (caracteristici) în variaţia unei serii dinamice şi prognoza acestora izolată:
 tendinţa generală Tt ;
 mişcarea ciclică C t ;
 fluctuaţii sezoniere S t ;
 variaţii neregulate (perturbatoare) Rt .
Trendul (Tt) defineşte tendinţa generală a evoluţiei fenomenului indicatorului Yt desfăşurată pe o
perioadă lungă de timp. Această componentă poate fi relevată ca unică, în cazul seriilor ale căror
diferenţe finite sunt constante, sau ca componentă fundamentală ce poate fi izolată de celelalte
componente, în cazul seriilor de timp decompozabile. Identificarea trendului se poate efectua
reprezentând grafic, la scară termenii seriei SAU analitic, prin încercarea mai multor funcţii dintre
care se alege cea cu “deviaţia standard minimă” (diferenţa între valorile reale ale seriei introduse în
calculator şi valorile ajustate cu funcţiile matematice menţionate).
Variaţia ciclică (Ct) se manifestă prin oscilaţii relativ ample ale indicatorului sau fenomenului
analizat, iar durata ciclului se poate observa în perspectiva mai multor ani. Oscilaţiile sunt generate
de alternanţa perioadelor de creştere, cu perioadele de stagnare, precum şi de alte cauze generale sau
locale.
Variaţia sezonieră (St) apare ca urmare a influenţelor sezonale din timpul perioadei previzionate.
Are oscilaţie mai frecventă decât componenta ciclică. Uneori variaţia sezonieră este generată de
anotimpuri şi comportamentul oscilant în funcţie de acestea sau de obiceiuri, tradiţii sau fenomene
sociale.
Variaţia aleatoare (Rt) se produce fără a avea cauze speciale care să o determine în mod
previzibil sau cauzal şi fără posibilitatea de a i se atribui un model de repetare sistematică.
Ca metodologie de evaluare, previziunea pe baza seriilor decompozabile comportă etape succesive, astfel:
- Trendul se poate identifica grafic, în urma trasării curbei evoluţiei valorilor Xi ale seriei, sau analitic,
prin încercarea mai multor funcţii, dintre care se alege cea care asigură deviaţia standard minimă; în
ambele cazuri, pentru determinarea parametrilor funcţiei se apelează la metoda celor mai mici pătrate;
- Componentele ciclică sau sezonieră se determină prin metodele indexării.
Compunerea acestor elemente este posibilă în două moduri în cazul evaluării nivelului indicatorului
prognozat, şi anume:
în formă aditivă: Yt  Tt  C t  S t  Rt , unde S, C, R sunt exprimate ca valori absolute
în formă multiplicativă: Yt  Tt  C t  S t  Rt unde S, C, R sunt exprimate ca % sau proporţii.
Alegerea unei anumite forme este influenţată de modul de variaţie a factorilor ciclici şi sezonieri la
modificările valorilor seriei dinamice:
- modelul aditiv: când factorii componenţi sunt independenţi (ex.: mărimea variaţiei sezoniere nu e
afectată de valoarea tendinţei); variaţiile sezoniere şi cele ciclice nu sunt proporţionale cu mărimea
valorilor din seria de date (în această situaţie, amplitudinea variaţiilor sezoniere este aproximativ
constantă în timp)
- modelul multiplicativ: utilizat în mod frecvent când caracteristicile interacţionează (în care variaţiile
sezoniere cresc proporţional cu trendul).
modelul aditiv modelul multiplicativ

valoare
valoare

timp
timp
ANALIZA DE REGRESIE ŞI DE CORELAŢIE

Efectuarea de prognoze economice privind valorile variabilei endogene Y în funcţie


de diferitele valori exogene X presupune acceptarea ipotezei că legitatea de dependenţă
dintre Y şi X este corect specificată şi identificată, având un caracter de relativă stabilitate
şi repetabilitate.
Prin analiza regresiei se înţelege o clasă de metode prin care, folosind o ecuaţie de
regresie determinată pe baza unor date experimentale, pot fi estimate (previzionate)
valorile unor variabile date, presupunând cunoscute ori previzionate valorile altor
variabile.
Analiza corelaţiei are ca obiectiv evaluarea gradului de interdependenţă (asociere)
între variabilele considerate într-un model de regresie, în particular între variabila
dependentă şi cele independente (obiectiv care se realizează prin estimarea coeficienţilor
de corelaţie şi a coeficientului de determinare).

Studiu de caz: Previziunea vanzarii marfurilor - metoda


ajustarii exponentiale simple

Compartimentul de desfacere al S.C. Farmec S.A. care realizează produse pentru


îngrijirea tenului efectuează un studiu privind evoluţia vânzărilor pentru produsul cremă
cu lăptişor de matcă pentru următorul trimestru. Din analiza datelor disponibile pe ultimele
10 trimestre s-a observat că valoarea vânzărilor variază de la un trimestru la altul conform
datelor din tabelul 1.
Tabelul 1
Trimestrul Valoarea vânzărilor (mil.lei)
1 205
2 198
3 225
4 174
5 184
6 208
7 185
8 178
9 214
10 186
?
?

Dorind să se realizeze un nou program de promovare a produselor pentru trimestrul


următor, compartimentul de desfacere solicită estimarea vânzărilor pe baza datelor
înregistrate în perioada trecută, în ipoteza că nu se poate identifica o anumită tendinţă
(ciclică sau sezonieră) în evoluţia vânzărilor.
***
Metoda bazata pe serii de timp – Metoda BROWN
(ajustarea exponentiala simpla)
Ft 1    Yt  (1  )  Ft ,

în care:
Ft , Ft 1 prognozele corespunzătoare momentelor t, respectiv t+1,
Yt valoarea vânzărilor efective la momentul t, t  1,..., n .

Determinarea a valorii constantei de nivelare  ,   [0, 1]

- se poate folosi tehnica simulării, generându-se valori în intervalul [0,1].


Pentru fiecare valoare se va calcula suma erorilor pătratice S (ca exemplu de
indicator care apreciază calitatea şi acurateţea unei metode de previziune) şi se va
n
alege valoarea  pentru care S   e t 2  min , unde n reprezintă numărul
t 1
observaţiilor reale ale indicatorului previzionat, iar et  Ft  Yt , t  1,..., n .

O modalitate intuitivă de determinare a valorii  se poate deduce enumerând valori


predeterminate ale acestui coeficient în intervalul [0, 1] şi calculând pentru fiecare
coeficient suma abaterilor pătratice.
In tabelul 2 sunt prezentate şirul valorilor ajustate, prognoza pentru trimestrul următor şi
n
suma S   et2
t 1
Tabelul 2 Valori ajustate ( Ft , t  1,...,10 ) şi valoarea prognozei F11

 =0,1  =0,2  =0,3  =0,4  =0,5  =0,6  =0,7  =0,8  =0,9


1 205,000 205,000 205,000 205,000 205,000 205,000 205,000 205,000 205,000
2 205,000 205,000 205,000 205,000 205,000 205,000 205,000 205,000 205,000
3 203,600 205,600 202,900 202,200 201,500 200,800 200,100 199,400 198,700
4 206,370 207,880 209,530 211,320 213,250 215,320 217,530 219,880 222,370
5 203,133 201,104 198,871 196,392 193,625 190,528 187,059 183,176 178,837
6 201,219 197,683 194,409 191,435 188,812 186,611 184,917 183,835 183,483
7 201,897 199,746 198,486 198,061 198,406 199,444 201,075 203,167 205,548
8 200,208 196,797 194,440 192,836 191,703 190,777 189,822 188,633 187,054
9 197,987 193,037 189,508 186,902 184,851 183,111 181,546 180,126 178,905
10 199,588 197,230 196,856 197,741 199,425 201,644 204,264 207,225 210,490
11 198,229 194,984 193,599 193,044 192,712 192,257 191,479 190,245 188,444
S 3190,12 3190,12 3375,51 3652,45 3999,99 4412,86 4890,996 5434,97 6743,69

Se poate observa că cele mai mici valori ale sumei abaterilor pătratice indică faptul că
 se situează în intervalul [0,1; 0,2]. Se continuă acordarea unor valori în acest
interval identificat anterior (în tabelul 3 se dau valori în intervalul [0,1; 0,2] prin
metoda mijlocului intervalului). Se apreciază că  = 0,132 este cea mai potrivită
valoare pentru criteriul considerat.
Tabelul 3
t Valori ajustate ( Ft , t  1,...,10 ) şi valoarea prognozei F11
Yt  =0,1  =0,2  =0,15  =0,125  =0,1375  =0,132
1 205 205,000 205,000 205,000 205,000 205,000 205,000
2 198 205,000 205,000 205,000 205,000 205,000 205,000
3 225 203,600 205,600 203,950 204,125 204,037 204,076
4 174 206,370 207,880 207,107 206,734 206,919 206,838
5 184 203,133 201,104 202,141 202,642 202,393 202,503
6 208 201,219 197,683 199,420 200,312 199,864 200,060
7 185 201,897 199,746 200,707 201,273 200,982 201,108
8 178 200,208 196,797 198,351 199,239 198,785 198,982
9 214 197,987 193,037 195,298 196,584 195,927 196,212
10 186 199,588 197,230 198,103 198,761 198,412 198,560
11 - 198,229 194,984 196,288 197,466 196,705 196,902
S 3190,127 3190,127 3148,060 3145,028 3144,818 3144,466

Forecast Result
Actual Forecast Forecast CFE MAD MSE MAPE Tracking
Data by Error (%) Signal
SES
1 205
2 198 205 -7 -7 7 49 3,53 -1
3 225 204,076 20,92 13,92 13,96 243,40 6,41 0,99

4 174 206,838 -32,83 -18,91 20,25 521,71 10,56 -0,93

5 184 202,503 -18,50 -37,41 19,81 476,88 10,44 -1,88

6 208 200,060 7,93 -29,47 17,44 394,10 9,11 -1,69

7 185 201,108 -16,10 -45,58 17,21 371,67 9,04 -2,64

8 178 198,982 -20,98 -66,56 17,75 381,47 9,43 -3,74

9 214 196,212 17,78 -48,78 17,76 373,33 9,29 -2,74

10 186 198,560 -12,56 -61,34 17,18 349,38 9,01 -3,57

11 196,902

CFE = -61,343 MAD=17,1826 MSE=349,385 MAPE=9,0156


Trk.Signal = -0,570065 R-square = 0,2071447 Alpha=0,132 F(0)=205
Previziunea vânzărilor cu ajutorul metodelor de decompoziţie

Societatea comercială Stil-Lux comercializează produse de sticlărie pentru menaj;


pe baza datelor din ultimii 3 ani asupra volumului de vânzări trimestriale (tabelul 6) se
cere să se efectueze prognoza acestui indicator pentru următoarele 4 trimestre pentru
fundamentarea planului curent de investiţii:
Tabelul 6

Anul Trimestrul I Trimestrul II Trimestrul III Trimestrul IV

1998 4000 4200 5600 5900


1999 5200 5700 7200 9500
2000 4750 5200 6900 9500
2001 5900 6300 8250 ?
2002 ? ? ?

I. Metodele de descompunere (sau decompoziţie) presupun identificarea, în mod separat,


a componentelor tipice în variaţia unei serii dinamice şi prognoza acestora izolată:
- tendinţa generală Tt ;
- mişcarea ciclică C t ;
- fluctuaţii sezoniere S t ;
- variaţii neregulate (perturbatoare) Rt .

Compunerea acestor elemente este posibilă în două moduri în cazul evaluării nivelului
indicatorului prognozat, şi anume:
- în formă aditivă: Yt  Tt  Ct  S t  Rt
- în formă multiplicativă: Yt  Tt  Ct  S t  Rt .

Alegerea unei anumite forme este influenţată de modul de variaţie a factorilor ciclici
şi sezonieri la modificările valorilor seriei dinamice; dacă variaţiile sezoniere şi cele
ciclice nu sunt proporţionale cu mărimea valorilor din seria de date, se recomandă
forma aditivă (în această situaţie, amplitudinea variaţiilor sezoniere este aproximativ
constantă în timp, spre deosebire de cazul multiplicativ, în care variaţiile sezoniere
cresc proporţional cu trendul).
MSS1 PHASE 1
- MEASURE COMBINED TREND AND CYCLICAL VARIATION
Tabelul 7
PERIOD VALUE MOVING VERAGE CENTERED MOVING AVERAGE
1 4,000.00
2 4,200.00
3 5,600.00
4 5,900.00
5 5,200.00 4,925.00
6 5,700.00 5,225.00 5,075.00
7 7,200.00 5,600.00 5,412.50
8 9,500.00 6,000.00 5,800.00
9 4,750.00 6,900.00 6,450.00
10 5,200.00 6,787.50 6,843.75
11 6,900.00 6,662.50 6,725.00
12 9,500.00 6,587.50 6,625.00
13 5,900.00 6,587.50 6,587.50
14 6,300.00 6,875.00 6,731.25
15 8,250.00 7,150.00 7,012.50
16 7,487.50 7,318.75

PHASE II - SEPARATING THE TREND EFFECT (T)


NOTE: The trend line is assumed to be linear.
The Estimated Regression Equation is: Te = 5300+186.0795 X
PHASE III - COMPUTING THE CYCLE (C)
C = Centered Moving Average ( CMA)/Trend (T)
Tabelul 8
CMA Period Trend (T) C=CMA/T
1 5,486.08 0.93
2 5,672.16 0.95
3 5,858.24 0.99
4 6,044.32 1.07
5 6,230.40 1.10
6 6,416.48 1.05
7 6,602.56 1.00
8 6,788.64 0.97
9 6,974.72 0.97
10 7,160.80 0.98
11 7,346.88 1.00

1
Se foloseşte programul MSS (The Management Science System)
PHASE IV - COMBINED SEASONAL (S) AND RANDOM (R) VARIATIONS S*R = Original
Values/CMA
Tabelul 9
PERIOD VALUE S*R
1 4,000.00
2 4,200.00
3 5,600.00 1.1034
4 5,900.00 1.0901
5 5,200.00 0.8966
6 5,700.00 0.8837
7 7,200.00 1.0521
8 9,500.00 1.4126
9 4,750.00 0.7170
10 5,200.00 0.7894
11 6,900.00 1.0251
12 9,500.00 1.3547
13 5,900.00 0.8061
14 6,300.00
15 8,250.00

PHASE V - COMPUTE THE SEASONAL INDEX (S)


Tabelul 10
MEDIAL ADJUSTED SEASONAL
QUARTER AVERAGE AVERAGE MED.AVG. INDEX
1 0.80656 0.80615 0.79630 79.630
2 0.83655 0.83655 0.82633 82.633
3 1.06019 1.05205 1.03920 103.920
4 1.28581 1.35472 1.33817 133.817

PHASE VI - MEASURING RANDOM (UNEXPLAINED) VARIATIONS (R)


Tabelul 1 1
CMA PERIOD RANDOM VARIATION
1 1.06182
2 0.81460
3 1.12590
4 1.06946
5 1.01237
6 1.05565
7 0.90039
8 0.95528
9 0.98640
10 1.01237
11 1.01237
MINIMUM VALUE:0.81460
MAXIMUM VALUE: 1.12590

E1. Măsurarea trendului şi a variaţiei ciclice (efectul combinat Tt  C t ).


- metoda mediilor mobile (medii mobile din 4 termeni, având în vedere
sezonalitatea preconizată pe trimestre). Deoarece în calculul mediilor ( MM i , i  1,...,12 ) se
foloseşte un număr par de termeni, se calculează mediile mobile centrate
MMC k , k  1,...,11 (corespunzătoare poziţiilor termenilor reali din seria dinamică).
în tabelul 7 (coloana Moving Average) s-au calculat:
Y1  Y2  Y3  Y4 4000  4200  5600  5900
MM 1    4925 etc.
4 4
şi, în tabelul 7), coloana Centered Moving Average:
MM1  MM 2 4925  5225
MMC1    5075
2 2
E2. Separarea tendinţei;
 x k  yk  nx  y
- prin analiza de regresie, potrivit căreia T  a bx pentru care b ,
2 2
 xk  n  x
1 n 1 n
a  y b x şi x  x , y  y , y k  MMC k , x k  k , k  1,...,11, n  11 .
n k 1 k n k 1 k
Ecuaţia de regresie liniară pentru trend este:
T=5300+186.079*x (coloana Trend din tabelul 8) în care
T1  5300  186.079  1  5486.079 ,
E3. Calculul variaţiilor ciclice
MMC k
Ck  k  1,...,11 (coloana C=CMA/T din tabelul 8):
Tk
MMC1 5075
C1    0.93
T1 5486.08
E4. Măsurarea efectului combinat al sezonalităţii şi perturbaţiilor întâmplătoare ( Sk  R k
)
Yk
Sk  R k  k  1,...,11 (tabelul 9, coloana S*R) relaţie potrivit căreia
MMC k
Y1 5600
S1  R 1    1.1034 (s-a considerat termenul real din seria dinamică
MMC1 5075
corespunzătoare primei medii mobile centrate calculate; doi termeni reali Y1 , Y2 nu au
corespondent pentru MMC).
E5. Calculul variaţiilor sezoniere ( S k ) unde se pot calcula mediile aritmetice simple
pentru fiecare trimestru (coloana Average din tabelul 10, sau linia S din tabelul de calcul
8):
S  R  S7  R 7  S11  R11 0.8966  0.7170  0.8061
SI  3 3   0.8065 (corespunde sezonalităţii
3 3
primului trimestru, pentru care valorile S k  R k se citesc din tabelul 5 în care S 3  R3  0.8966 ,
S 7  R7 , S11  R11 sunt asociate trimestrului I) şi
S  R  S8  R 8 0.8837  0.7894
S II  4 4   0.8365 sau
2 2
S 2  R2  S 6  R6  S10  R10 1.0901  1.4126  1.3547
S IV    1.2858 .
3 3

- se recalculează aceste medii după eliminarea celei mai mici şi a celei mai mari
valori din şirul S k  R k folosit pentru calculul fiecărei medii (coloana Medial
Average din tabelul 10 sau linia SM din tabelul de calcul 12).
Pentru SM I , din coloana corespunzătoare trimestrului I, din tabelul de calcul 12, se
observă că cea mai mică valoare este 0.7170, iar cea mai mare este 0.8966.
SM I  S11  R 11  0.8061 , SM II  S II , SM III  S 4  R 4  1.0520
(s-au eliminat din calculul mediei, valorile minimă (1.0251) şi maximă (1.1034) din
coloana trimestrului III din tabelul 5);
SM IV  S10  R10  1.3547 (s-au eliminat din calculul mediei, valorile minimă (1.0901) şi
maximă (1.4126) din coloana trimestrului IV din tabelul 12).

Se calculează apoi mediile ajustate (coloana Adjusted Med.Avg. din tabelul 1.40 sau
linia SA din tabelul 1.42):
4 4
SA I  SM I  0.80615   0.7963
SM1  SM 2  SM 3  SM 4 4.0494
4 4
SA II  SM II  0.8365   0.8263 etc.
SM1  SM 2  SM 3  SM 4 4.0494
care permit apoi calculul indicatorilor de sezonalitate (coloana Seasonal Index din tabelul
10): SI I  SA I  100  79.630 etc.
Tabelul 12
Anul Trimestrul Trimestrul Trimestrul III Trimestrul IV
1998 -I -II 1.1034 1.0901
1999 0.8966 0.8837 1.0521 1.4126
2000 0.7170 0.7894 1.0251 1.3547
2001 0.8061 - - -
S 0.8065 0.8365 1.0601 1.2858
SM 0.8061 0.8365 1.0520 1.3547
SA 0.7963 0.8263 1.0392 1.3381
S R
E6. Determinarea variaţiilor întâmplătoare: Rk  SA
k k
(coloana Random variation din
trim

tabelul de rezultate 11):


S1  R1 1.1034 S R 1.0901
R1    1.0618 , R2  2 2   0.8146 etc.
SAIII 1.0392 SAIV 1.3381
E7. Prognoza pentru următoarele 4 trimestre:
se calculează tendinţa (cu x k = 12, 13, 14, 15 deoarece k=1 a corespuns trimestrului
III/1998 pentru calculul primei medii mobile centrate MMC sau CMA care a permis
calculul ecuaţiei de regresie pentru tendinţă):
T16  5300  186,079  12  7532.948 ,
T17  5300  186,079  13  7719.027 ,
T18  5300  186,079  14  7905.106 ,
T19  5300  186,079  15  8091.185
apoi se face ajustarea sezonalităţii:
T16  S16 = 7532.948 * SAIV = 7532.948 * 1.338=7532.948
T17  S17 =7719.027 * SA = 7719.027 *0.7963=6188.661
I
T18  S18 =7905.106 * SAII = 7905.106 *0.8263=6532.118
T19  S19 = 8091.185* SA
III = 8091.185*1.0392=8408.359.
Pentru calculul prognozei se estimează apoi componentele ciclice (C) şi variaţiile
aleatoare (R) pentru a multiplica valorile T*S obţinute anterior. Este etapa cea mai dificilă
a metodologiei de calcul şi se bazează pe formularea unor ipoteze de evoluţie a
indicatorului studiat (în acest exemplu, vânzările).
- folosind estimarea pe baza mediei aritmetice simple (tabelul 13):
1.07  0.97
CI   1.02
2
0.93  1.1  0.97
C II   1, etc.
3
Tabelul 13
Variaţii Trimestrul Trimestrul II Trimestrul Trimestrul IV
ciclice I III
1998 - - 0.93 0.95
1999 0.99 1.07 1.10 1.05
2000 1.00 0.97 0.97 0.98
2001 1.00 - - -
Cprev 0.9966 1.0200 1.0000 0.9933

Se pot calcula valorile prognozate pentru cele 4 trimestre (IV/2001 şi I, II, III/2002)
incluzând factorul de sezonalitate corepunzător:
T16  S16  C16 = 10079.084*0.9933 =10011.554
T17  S17  C17 = 6188,661*0.9966 = 6167.195
T18  S18  C18 = 6532.118*1.0200 = 6662.760
T19  S19  C19 = 8408.359*1.0000 = 8408.359

Pentru estimarea variaţiilor întâmplătoare (pe baza datelor din tabelul 11, coloana
Random variation), se grupează valorile R pe intervalele:
0,80001-0,90000 (cu o singură valoare în acest interval),
0,90001-1,00000 (s-au înregistrat 3 valori),
1,00001-1,10000 (6 valori),
1,10001-1,20000 (1 valoare).
Pe baza numărului de valori R situate în cadrul fiecărui interval se calculează
probabilităţile relative şi cele cumulate (tabelul 14).
Tabelul 14
Intervale Nr. Probabilită Probabilită Interval numere
valor ţi relative ţi cumulate aleatoare
i
0,80001-0,90000 1 0,09 0,09 0,000-0,090
0,90001-1,00000 3 0,27 0,36 0,091-0,360
1,00001-1,10000 6 0,55 0,91 0,361-0,910
1,10001-1,20000 1 0,09 1,00 0,911-1,000

Se generează apoi 4 numere aleatoare NA


(de exemplu, în EXCEL, folosind funcţia RAND());
fie acestea: 0.862, 0.203, 0.400, 0.251.
Acestor numere li se asociază valorile
RNA1=1.0911, RNA2=0.9415, RNA3=1.0071, RNA4=0.9593

obţinute prin interpolare (pentru orice număr aleator situat în intervalul 0.091-0.360,
ecuaţia de interpolare este RNA  0.3717  NA  0.8661 , iar pentru intervalul 0.361-0.910,
ecuaţia este RNA  0.1819  NA  0.9344 ).

Din compunerea tuturor componentelor ajustate (T, S, C, R) ale seriei de date, se


calculează valorile prognozate:
- pentru trimestrul IV/2001 F16 = T16  S16  C16 * RNA1=10011.554*1.0911=10923.606
Observaţie: Indiferent de numărul aleator generat, se poate estima un interval de valori
pentru F16 , şi anume: 10011.554*0.8146 = 8155.4151 şi 10011.554* 1.1259 = 11272.013
unde 0.8146, respectiv 1.1259 sunt cea mai mică şi cea mai mare valoare R (din tabelul
11).
Prognozele pentru celelalte perioade (anul 2002) sunt:
- pentru trimestrul I: F17 = 6167.195*0.9415 =5806.414 mil.u.m.

- pentru trimestrul II: F18 = 6662.760*1.0071 =6710.465 mil.u.m


II. Pentru metodele de ajustare, alegerea formei particulare (cu un singur parametru  ,
cu doi parametri ,  sau cu trei parametri  ,  ,  ) se poate face, într-un mod
aproximativ prin reprezentarea grafică a seriei de date:
- dacă pentru seria de date reprezentată se poate pune în evidenţă o tendinţă liniar
crescătoare sau descrescătoare se alege modelul cu trend (cu doi parametri ,  );
- dacă pentru seria de date se pot evidenţia variaţii sezoniere se va alege modelul de
ajustare cu sezonalitate (cu doi parametri ,  );
- în situaţia în care, în mod simultan se pot observa o componentă de tip trend şi variaţii
sezoniere se poate alege modelul de ajustare trend-sezonalitate (se folosesc trei
parametri , ,  ).

10000
9500
9000
8500
8000
Vanzari

7500
7000
6500
6000
5500
5000
4500
4000
3500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Trimestre

Date re ale Pre viziuni


Figura 12