ROCSANA

BUCEA- SIMULĂRI DE MARKETING

MANEA- STUDII DE CAZ EXCEL
ȚONIȘ

[Type the document subtitle] | Rocsana

Contents
Chapter 1 Conceptele folosite în simularea de marketing - metodă eficientă pentru asistarea deciziei de
marketing ................................................................................................................................................ 4
1.1 Caracteristicile şi avantajele simulărilor de marketing .................................................................... 4
1.2 Clasificarea tehnicilor de simulare de marketing ............................................................................ 6
1.3 Etapele derulării unei simulări de marketing................................................................................... 8
1.4 Fundamentarea deciziei de marketing în funcţie de calitatea informaţiilor deţinute ......................... 9
Chapter 2 Modele de simulare de marketing .......................................................................................... 12
2.1 Generarea numerelor şi a variabilelor aleatoare ............................................................................ 13
2.2 Metoda de simulare Monte Carlo ................................................................................................. 14
2.1.1.Exemple de utilizare a metodei Monte Carlo: ........................................................................ 14
2.2.1 Lansarea unui produs pe piaţa – studiu de caz........................................................................ 16
2.3 Metoda arborelui decizional ......................................................................................................... 16
2.3.1 Simularea determinării strategiei de distribuţie optime........................................................... 17
2.4 Jocuri strategice ........................................................................................................................... 20
2.4.1 Studiu de caz – politica de promovare ................................................................................... 21
2.4.2 Studiu de caz - mixul de marketing...................................................................................... 21
Chapter 3 Modele economico-matematice pentru utilizarea resurselor întreprinderii .............................. 22
3.1 Metode de simulare prin analiza What-If ...................................................................................... 22
3.1.1 Estimarea bugetului de marketing prin tehnica valorii scop (Goal Seek) ................................ 23
3.1.2 Estimarea costului total de marketing prin tehnica scenariilor ................................................ 24
3.2 Metoda de simulare prin analiza conjugată ................................................................................... 24
3.2.1 Proiectarea unui studiu de analiză conjugată .......................................................................... 25
3.2.2 Folosirea datelor colectate într-o analiză conjugată pentru simulare ....................................... 26
3.2.3 Transformarea preferinţelor clienţilor în alegeri ..................................................................... 26
3.2.4 Funcţii de utilitate asociate procesului decizional în simularea de marketing .......................... 27
3.2.5 Simularea optimizării mixului de marketing cu ajutorul analizei conjugate ............................ 29
3.3 Metoda de simulare utilizând lanţurile Markov............................................................................. 31
3.3.1 Previziunea cotei de piaţă a unor produse concurente ............................................................ 32
3.4 Metoda de simulare utilizând Solver ............................................................................................ 33
3.4.1 Modele de logistică a produselor ........................................................................................... 33

2
 3.5 Analiza situaţiei comenzilor primite de la diferiţi clienţi prin metoda vectorilor spectrali .............. 35
3.6 Analiza Bayesiana - Decizii în condiţii de risc şi incertitudine ...................................................... 36
3.6.1 Studiu de caz – Alegerea strategiei de produs ........................................................................ 36
3.6.2 Studiu de caz – Alegerea strategiei de preţ ............................................................................ 37
3.7 Analiza drumului critic –Metoda Branch &Bound ........................................................................ 38
Chapter 4 Previziunea de marketing....................................................................................................... 42
4.1 Seriile de timp dinamice (cronologice) ......................................................................................... 44
4.1.1 Studiu de caz - Previziunea vânzărilor - Metoda BROWN (ajustarea exponenţială simplă) ... 48
4.1.2 Studiu de caz - Previziunea vânzărilor - Metoda de decompoziţie .......................................... 50
4.2 Analiza de regresie şi de corelaţie ................................................................................................ 56
Chapter 5 Proiectarea şi realizarea simulărilor de marketing utilizând Markstrat .................................... 61
5.1 Prezentarea produsului software Markstrat .................................................................................. 61
5.1.1 Avantajele oferite de Markstrat ............................................................................................. 62
5.1.2 Scenariile Markstrat .............................................................................................................. 63
5.1.3 Analiza comparativă a situaţiilor iniţiale ale firmelor ............................................................. 66
5.1.4 Etapele clasice ale unui scenariu folosind Markstrat .............................................................. 72
5.1.5 Lista parametrilor a căror valoare poate fi modificată ............................................................ 75
Chapter 6 Lista figurilor ........................................................................................................................ 78
Chapter 7 Lista tabelelor........................................................................................................................ 79
Bibliografie ........................................................................................................................................... 80

Capitolul 1

3
 Chapter 1 Conceptele folosite în simularea de marketing - metodă eficientă pentru
asistarea deciziei de marketing
1.1 Caracteristicile şi avantajele simulărilor de marketing

Cuvinte cheie: simulare de marketing, model, model de simulare, variabile de intrare, variabile
de ieşire.
Obiectivele învăţării:
- Înţelegerea conceptului de simulare;
- Determinarea situaţiilor în care se foloseşte simularea pentru investigarea fenomenelor de
marketing;
- Înţelegerea conceptului de model de simulare;
- Determinarea avantajelor şi dezavantajelor utilizării simulării pentru investigarea fenome-nelor
de marketing;
- Cunoaşterea caracteristicilor ce stau la baza evaluării tehnicilor de simulare;
- Cunoaşterea principalelor tipuri de metode de simulare;
- Cunoaşterea etapelor ce se parcurg în procesul de realizare a experimentelor de simulare;
- Înţelegerea modului de fundamentare a deciziei de marketing în funcţie de calitatea informaţiilor
deţinute.

Din punct de vedere etimologic noţiunea de simulare semnifică capacitatea de a reproduce,

reprezenta, imita ceva.
Simularea de marketing constituie o modalitate de obţinere a informaţiilor utilizată în cercetările
de marketing alături de cercetarea directă şi de experiment. Simularea de marketing permite înţelegerea
evoluţiei fenomenelor de marketing, previzionarea acestora, identificarea şi măsurarea relaţiilor de
cauzalitate dintre variabilele investigate. Pe baza rezultatelor obţinute în urma simulării se adoptă o
anumită decizie de marketing, alegându-se cea mai oportună soluţie dintre variantele descoperite.
Simularea utilizează modele statistico-matematice sau cibernetice, grafice, etc. surprinzând
relaţiile de cauzalitate existente între fenomene, locul şi comportamentul studiat.
În literatura de specialitate “simularea, este o tehnică de realizare a experimentelor cu calculatorul
electronic, care implică utilizarea unor modele matematice şi logice care descriu comportarea unui sistem
real de-a lungul unei perioade mari de timp”1
Modelul oferă marketerului repere riguroase pentru alegerea celei mai bune soluţii de utilizare a
resurselor (materiale, umane, financiare) în concordanţă cu cererea curentă şi potenţială, cu anumite
restricţii de timp şi politici la nivel macro şi microeconomic, în vederea obţinerii celui mai mare profit.
“Modelul este o reprezentare izomorfă a realităţii care oferă o imagine intuitivă, dar riguroasă, în
sensul structurii logice a fenomenului studiat, şi permite descoperirea unor legături şi legităţi greu de
stabilit pe alte căi.”2

1
Raţiu – Suciu, Camelia, Modelarea & simularea proceselor economice – Teorie şi practică, Ediţia a patra, Editura
Economică, Bucureşti, 2005, p. 38.
2
Idem, p.26

4
 Scopul unui model economico-matematic este acela de a determina valorile unor variabile
dependente, de ieşire în funcţie de valorile variabilelor independente, de intrare (controlabile), luând în
calcul interdependenţele dintre acestea, şi influenţa mediului extern, pentru maximizarea performanţei.
Modelele economico-matematice care pot fi:
- deterministe – sunt cele care oferă soluţia optimă;
- stochastice - sunt cele care oferă soluţia optimă cu o anumită probabilitate.
În cazul în care interdependenţele ce stau la baza determinării valorilor variabilelor de ieşire în
funcţie de valorile variabilelor de intrare, dată fiind complexitatea lor, nu pot fi descrise şi rezolvate
printr-un model analitic necesitând utilizarea calculatorului electronic, modelul economico-matematic
devine model de simulare. Comparativ cu celelalte modele, modelul de simulare simplifică într-o mai
mică măsură realitatea.3

Avantajele oferite de simulările de marketing sunt:

posibilitatea de a testa oricâte variante de acţiune, într-un interval de timp mic, asupra unui
sistem de testare S’ foarte asemănător cu cel original S, fără a produce efecte nedorite în
sistemul original, fără a determina modificări în evoluţia reală a fenomenelor investigate;
datorită utilizării tehnicii de calcul pentru simulare se pot concepe modele foarte complexe, cu un
număr mare de variabile analizate, cu un număr mare de valori pe care le iau variabilele, din care
recurge un grad ridicat de fezabilitate, după cum vom observa în studiile de caz din acest
material;
produsele software dedicate oferă o bază solidă pentru fundamentarea deciziilor, în timp real, dar şi
în procesul de instruire a marketerilor;
posibilitatea de previziune a evoluţiei fenomenelor de marketing;
oferă mai multe variante strategice, dintre care se poate alege cea mai oportună în condiţiile unui
mediu schimbător, oferind marketerilor o flexibilitate ridicată în adaptarea deciziilor la condiţiile
de piaţă;
pentru participanţii la joc rezultatul obţinut în urma simulării poate reprezenta opţiunea strategică de
urmat într-o situaţie viitoare;
permite o pregătire psihologică a participanţilor, care îşi vor asuma decizii mai corecte şi mai rapide
în situaţii excepţionale.

Dezavantajele simulărilor de marketing sunt:

dificultatea alegerii sau conceperii modelelor de simulare care să reprezinte fidel fenomenul
analizat;
anumiţi factori ce influenţează fenomenul nu sunt cuantificabili, deci nu pot fi introduşi în
model;
implică specialişti cu experienţă în domeniu pentru alegerea variantei optime, dintre cele
oferite de calculator;
în anumite cazuri necesită resurse financiare importante şi chiar reţele de calculatoare cu resurse
distribuite;

3
Laura Timiras, 2007, p. 5 disponibil online la: http://www.scribd.com/doc/41020717/Simulări-de-Marketing

5
 nu permit extrapolarea rezultatelor asupra altor fenomene;
proiectanţii nu dispun de suficiente metode cantitative care să le permită cuantificarea
influenţei tuturor factorilor care concură într-o situaţie de marketing dată.

Situaţii de aplicare a simulărilor de marketing:4

cunoaşterea şi înţelegerea interdependenţelor dintre variabilele de marketing, estimarea valorilor
anumitor variabile precum şi a formei funcţionale a legăturilor dintre variabilele modelului;
evaluarea şi previzionarea consecinţelor diferitelor acţiuni (adoptarea anumitor strategii, tactici de
marketing), fără însă ca, pe parcursul experimentării să intervină schimbări în evoluţia sistemului
real;
verificarea şi / sau demonstrarea într-un timp scurt a avantajelor şi riscurilor anumitor acţiuni care
în condiţiile reale s-ar produce după perioade lungi de timp;
determinarea acelor alternative decizionale care duc la soluţii optime sau suboptime (ce pot duce
aproximativ la cea mai bună rezolvare a problemei decizionale);
studierea fenomenelor de marketing recursive (anumite schimbări ale fenomenului cercetat au
repercusiuni asupra altor fenomene). De exemplu: schimbări la nivelul unei anumite verigi din
lanţul de distribuţie poate declanşa modificări în amontele traseului ducând la amplificarea
consecinţelor acţiunii întreprinse;
studierea efectelor decalate în timp ale anumitor acţiuni întreprinse, ce nu pot fi exprimate prin
intermediul modelelor analitice;
studierea proceselor de tranziţie (de exemplu studierea evoluţiei în timp a percepţiilor
consumatorilor faţă de anumiţi stimuli);
realizarea de teste de senzitivitate, respectiv studierea modului în care fenomenele de marketing
sunt influenţate de variaţia anumitor variabile externe;
mai buna structurare a problemei cu care se confruntă decidentul şi fundamentarea căilor de
rezolvare a acesteia.

1.2 Clasificarea tehnicilor de simulare de marketing

Criteriile după care se clasifică simulările de marketing sunt:

sfera de cuprindere a activităţilor de marketing;
tipul modelului utilizat;
mijloacelor de tratare a informaţiilor
natura algoritmilor utilizaţi
dependenţa dintre participanţi
raportul de simulare
precizia rezultatelor

După criteriul sferei de cuprindere a activităţilor de marketing din cadrul firmelor

simulate, deosebim:

4
Idem, p.9

6
 SM generale, care se adresează sistemului în întregime;
SM parţiale, care simulează o activitate de marketing (evaluarea rezultatelor lansării
unui nou produs pe piaţă)

În funcţie de tipul modelului utilizat pentru realizarea simulării întâlnim:

SM analogică – face analogii cu alte sisteme (fizice, biologice etc.);
SM numerică – este cea mai frecvent utilizată şi se bazează pe modele matematice pentru
reprezentarea fenomenelor investigate. (tehnica Monte Carlo, simularea de tip „joc” şi tip
Forrester;)
SM hibridă, care reprezintă o îmbinare între elementele celor două tipuri de simulare
prezentate anterior.

În funcţie de mijloacele de tratare a informaţiilor există:

SM computerizate, în care se apelează la programe software de simulare care
implementează algoritmi matematico-economici pentru prelucrarea datelor;
SM manuale, în cazul jocurilor coordonate de un manager.

După natura algoritmilor utilizaţi simulările se clasifică în

SM deterministă (dirijată) – parametrii modelului sunt cunoscuţi cu certitudine; această
simulare oferă soluţia optimă;
SM întâmplătoare – cel puţin una dintre variabilele modelului ia valori aleatoare sau
pseudoîntâmplătoare;
SM deterministă cu perturbaţii întâmplătoare – modelul conţine variabilele deterministe
şi variabile aleatoare (care explică o mică pondere din evoluţia fenomenului).

În funcţie de dependenţa dintre participanţi, simulările de marketing se grupează în:

SM interactive, în care acţiunile unui participant influenţează rezultatele şi acţiunile
celorlalţi participanţi;
SM non-interactive - opusul celei anterioare.

În funcţie de raportul de simulare există:

SM în timp real – pentru simulare se alocă acelaşi interval de timp necesar fenomenului
real să se producă. Ne se aplică în cercetările de marketing;
SM în pseudotimp – timpul de simulare alocat este mult mai redus decât timpul în care
fenomenele s-ar produce în realitate.

Precizia rezultatelor permite împărţirea simulărilor în:

SM fundamentate matematic – se bazează pe metode statistico-matematice şi pe teoria
probabilităţilor, modelul fiind precis şi permite estimări ale erorilor asociate modelului;
SM interactivă euristică – modelul nu este foarte precis.

7
 Previziunea de marketing se realizează5 prin
1. Modele cantitative care sunt
- metode de analiză a seriilor temporale asupra cărora se aplică media aritmetică simplă,
media mobilă de lungime k, media mobilă exponenţială de lungime k, sporul mediu, indicele
mediu, metoda nivelării exponenţiale, metoda descompunerii seriilor temporale, metoda
Winter, metoda Holts, modelul Box-Jenkins, funcţii de tendinţă, modele ARIMA;
- modele de analiza regresională (simplă, multiplă, nonliniară, logaritmică, etc.), modele
autoregresive multivariate/vectoriale (VAR) , modele de corecţie;
- inteligenţa artificială (reţele neuronale şi algoritmi genetici);
- prognoza structurii unor fenomene prin Lanţuri Markov;
- algoritmi complecşi utilizaţi în modelele de optimizare a stocurilor.
2. Modelele calitative - consultări ale clienţilor importanţi, metode particulare de analiză:
simulare prin roluri, grupuri de interacţiune (Brainstorming, Delphi etc.), anchete statistice, metode bazate
pe analizele experţilor.
Metoda adoptată se alege în funcţie de faza ciclului de viaţă al produselor.

1.3 Etapele derulării unei simulări de marketing

Simulările de marketing se aplică asupra unor sisteme utilizate în cercetările de marketing în mai
multe etape.
1.3.1. Componentele sistemelor de simulare de marketing

Un sistem tipic de simulare, utilizat în cercetările de marketing, este format din următoarele
elemente:
modelul: metoda Monte Carlo, algoritm simplex, lanţuri Markov, metoda celor mai mici
pătrate, arborele de decizie, algoritmi genetici, Hurwiz etc.
jucătorii (participanţii);
datele de intrare, sunt întâmplătoare sau deterministe care înregistrează valori discrete
care se schimbă în permanenţă în cadrul ciclului de simulare şi parametri de intrare care
înregistrează valori constante de-a lungul ciclului de simulare
datele de ieşire – sunt variabilele dependente de influenţa valorilor variabilelor de
intrare, a parametrilor de intrare; dependenţa dintre variabile va fi reflectată de algoritmul
ce stă la baza modelului de simulare.
variabile perturbatoare – sunt variabilele necontrolabile care pot influenţa rezultatele
simulării şi a căror apariţie poate fi previzibilă sau aleatoare
variabile intermediare – sunt variabile care reflectă starea unei componente a
sistemului la un anumit moment dat.

5
Mihaela Stet - Metode de previziune în canalul logistic - http://www.ecr-
uvt.ro/Simpozion_ECR_2009/Materiale_simpozion/15.15_15.30_stet_mihaela.pdf

8
 1.3.2. Etapele simulărilor de marketing

Descrierea generală a simulării. În această etapă sunt prezentate participanţilor obiectivele

jocului, sistemul şi modul de funcţionare al sistemului simulat, ipoteze ce urmează a fi confirmate sau
infirmate şi acţiunile care vor fi desfăşurate în vederea simulării
Formarea grupelor. Fiecare simulare va avea propriile criterii de selecţie a participanţilor, date
de scopul şi caracteristicile jocului, precum şi de preferinţele şi specializarea participanţilor.
Jucătorii pot forma una sau mai multe grupe, conduse de un participant căruia i se va atribui
funcţia de manager de marketing. Grupele pot conlucra sau pot lucra independent în cadrul jocurilor
concurenţiale.
Specialiştii în domeniu formează grupa (scenariilor) care va stabilii situaţiile ce urmează a fi
simulate, care va furniza informaţiile necesare şi suficiente adoptării deciziilor şi va atrage atenţia asupra
punctelor critice ale sistemului sau formelor de manifestare a hazardului.
Aceste grupe pot fi conduse de persoane cu aptitudini organizatorice, care vor stabili
regulamentul de desfăşurare a simulării, va provoca la discuţii participanţii în vederea obţinerii cât mai
multor informaţii şi vor verifica corectitudinea deciziilor adoptate de jucători.
Asistenţa tehnică este oferită de către specialiştii care instalează software-ul suport al
simulării, actualizează şi întreţine colecţiile de informaţii, produsele program elaborate etc.
Instruirea jucătorilor. Pe lângă regulile jocului şi atribuţiile fiecăruia, participanţilor li se prezintă
şi resursele materiale şi umane de care dispun la momentul iniţial, direcţiile de utilizare ale acestora,
limitele în care se încadrează posibilităţile de atragere de noi resurse, restricţiile impuse de joc. În unele
cazuri deciziile vor fi luate în condiţii de risc sau incertitudine şi atunci se specifică probabilităţile de
realizare a unor evenimente.
Adoptarea deciziilor de către jucători. Participanţii vor lua decizii folosind algoritmi proprii sau
bazându-se pe experienţa anterioară în domeniu (analogie cu o situaţii similare din trecut). Se urmăreşte
chiar obţinerea de noi algoritmi pentru rezolvarea problemei, în vederea obţinerii celei mai bune soluţii.
Jocul se poate relua după adoptarea primelor decizii şi evaluarea acestora de către coordonator.
Astfel la fiecare iteraţie participanţii pot continua strategia aleasă dacă au obţinut rezultate bune sau pot
căuta noi variante de rezolvare a problemei.
Evaluarea deciziilor adoptate se face ţinând cont de perturbaţiile care au avut loc în cadrul
simulării, evaluând consecinţele acestora asupra evoluţiei sistemului simulat.
Comunicarea rezultatelor. Se face după fiecare iteraţie şi când se optează pentru încheierea jocului,
caz în care scopul jocului a fost atins sau a fost depăşită limita de timp.
Bilanţul jocului se face după calculul diferitelor funcţii de performanţă şi utilitate (Kobb Douglas,
volumul profitului, cota de piaţă, notorietatea mărcilor promovate etc.) acordând un calificativ global
fiecărui jucător astfel încât să-l stimuleze în aplicarea cunoştinţelor asimilate.

1.4 Fundamentarea deciziei de marketing în funcţie de calitatea informaţiilor deţinute

În simulările de marketing alegerea unei variante (soluţii) în detrimentul celorlalte este

determinată de factori de natură economică, dar şi psihologică, sociologică, politică etc. Astfel

9
decizia va fi influenţată de context (precizia, completitudinea şi oportunitatea informaţiilor,
restricţiile de timp, riscul asumat) şi de competenţele manageriale ale decidenţilor (abilitatea
de a analiza şi interpreta corect informaţiile, modul de percepţie a realităţii, etc.).
În funcţie de calitatea informaţiilor deţinute se pot lua decizii în condiţii de:
certitudine – decidentul lucrează cu variabile controlabile, cunoaşte evoluţia
fenomenului, cunoaşte alternativele posibile, deci va şti ce algoritm să aplice
pentru a rezulta soluţia cea mai bună.
Exemple de metode de optimizare a deciziilor sunt: metoda utilităţii globale şi
metoda ELECTRE, metoda aditivă, algoritmul lui Deutch- Martin, tabelul
decizional, simularea decizională.
incertitudine - decidentul lucrează cu un număr mare de variabile, unele
necontrolabile, sau parţial controlabile, intuind doar parţial evoluţia fenomenului;
decidentul nu poate identifica toţi factorii relevanţi de influenţă şi probabilitatea
ca aceştia să determine anumite evenimente; decidentul nu poate stabili
probabilitatea de apariţie a stării condiţiilor obiective; se utilizează matricea
decizională, cu cele 5 variante de decizie:

Vi= varianta decizională

Cj= starea condiţiilor obiective
Rij= consecinţa decizională aferentă variantei i şi stării j

1. Tehnica pesimistă (A. Wald)- maximizarea avantajelor în condiţiile cele mai

nefavorabile; V opt = max i (min j Rij)
2. Tehnica optimistă - maximizarea avantajelor în condiţiile cele mai favorabile
V opt = max i (max j Rij)
3. Tehnica optimalităţii - V opt = max i [a* Rij1+(1-a)* Rij0], unde a este coeficientul de
valori care atestă starea de optimism sau pesimism, cuprins în intervalul [0,1] şi
Rij1 = utilitatea maximă a variantei i
Rij0 = utilitatea minimă a variantei i
4. Tehnica proporţionalităţii (Bayes-Laplace) - când media aritmetică a utilităţilor este
cea mai avantajoasă;
V opt = max i (sum Rij /n), unde n = numărul stării condiţiilor obiective.

10
 5. Tehnica minimizării regretelor (L. Savage) - se alege varianta pentru care regretul de
a nu fi ales varianta optimă este minim; rij= max(Rij) - Rij

risc – decidentul lucrează cu variabile necontrolabile, a căror evoluţie este dificil

de previzionat; în acest caz decidentul foloseşte în algoritmi probabilităţile
estimate ale acţiunilor, determinate de influenţa factorilor relevanţi; se vor emite
mai mute soluţii alternative şi se estimează probabilitatea ca acestea să conducă
la atingerea obiectivelor; se foloseşte tehnica arborelui decizional (simularea
Monte Carlo în cadrul arborelui), metoda speranţei matematice.

Modelele de fundamentare a deciziei se pot clasifica astfel:

a) modele deterministe, când deciziile se iau în condiţii de certitudine, când se cunosc toate
elementele care influenţează decizia. Dintre acestea amintim programarea matematică, analiza drumului
critic (A.D.C.), analiza numerică rezolvarea unor probleme de maxim sau minim;
b) modele probabilistice, când deciziile se iau în condiţii de incertitudine sau risc, în care nu se
cunosc împrejurările, acestea fiind aleatoare şi/sau concurenţiale. Dintre modelele probabilistice amintim:
- modelele bazate pe probabilităţi obiective (teoria firelor de aşteptare, lanţurile Markov) şi
subiective (analiza bayesiana).
- modelele bazate pe teoria matematică a jocurilor strategice, pentru decizii în condiţii de risc.

11
 Chapter 2 Modele de simulare de marketing

Cuvinte cheie: generarea numerelor aleatoare, simularea Monte Carlo, distribuţii de

probabilitate, arborele decizional, jocuri strategice.
Obiectivele învăţării:
- Înţelegerea conceptului de număr aleator;
- Cunoaşterea metodelor de generare a numerelor aleatoare;
- Înţelegerea şi asimilarea etapelor de aplicare a metodei Monte Carlo;
- Cunoaşterea tipurilor de distribuţii de probabilitate ce pot fi asimilate metodei Monte Carlo;
- Înţelegerea avantajelor şi a situaţiilor în care se poate aplica metoda Monte Carlo;
- Înţelegerea conceptului de arbore de decizie;
- Determinarea situaţiilor în care se folosesc arborii de decizie şi a modului de aplicare;
- Înţelegerea conceptului de joc strategic;
- Înţelegerea conceptului de situaţie conflictuală;
- Determinarea situaţiilor în care se folosesc jocurile strategice şi a modului de aplicare.

Modelele de simulare de marketing sunt utilizate frecvent în analiza riscurilor cu care se

confruntă companiile în desfăşurarea activităţii lor.
Analiza riscurilor unei companii presupune identificarea ameninţărilor la care este expusă,
estimarea probabilităţii de materializare pentru fiecare ameninţare şi estimarea impactului pe care îl
poate avea ameninţarea asupra activităţilor organizaţiei.
Astfel riscul se evaluează în funcţie de probabilitatea de apariţie a evenimentului (a ameninţării)
şi impactul apariţiei evenimentului. Produsul dintre probabilitate şi impact determină funcţia riscului:
Risc = f(probabilitate, impact). Modificarea într-un sens (crescător, descrescător) a uneia dintre cele două
elemente va determina o modificare în acelaşi sens (al creşterii sau al descreşterii) a riscului. Aceste
modificări se pot observa în figura 2.1.

12
 scazut mediu ridicat
3 6 9

IMPACT
2 4 6

1 2 3

scazută medie ridicată

PROBABILITATE

Fig. 2-1. Funcţia riscului: corelaţia dintre impact şi probabilitate

Metodele care permit măsurarea impactului efectelor riscului folosesc indicatori de nivel de tip
cantitativ sau calitativ. Indicatorii cantitativi dau nivelul gravităţii şi consecinţelor financiare asociate
riscului, permiţând evaluarea financiară a eventualelor pagube. Indicatorii calitativi se referă la relaţia
dintre costuri şi gestiunea riscului.
Tehnicile cantitative utilizate în analiza riscului sunt:
simularea Monte Carlo,
analiza de senzitivitate şi
metoda arborilor de decizie.
Modelele de simulare rezultate în urma aplicării acestor tehnici urmăresc determinarea
probabilităţii de a îndeplini obiectivele stabilite, a riscului la care se expune un proiect, determinarea
costurilor, a activităţilor şi a factorilor neprevăzuţi, care pot afecta reuşita proiectului.

2.1 Generarea numerelor şi a variabilelor aleatoare

Simularea de marketing este un proces complex care foloseşte modele matematice şi teoria
statistică pentru analiza şi interpretarea cât mai corectă a datelor. Pentru anumite sisteme şi/sau modele nu
se cunosc valorile unor parametri şi/sau variabile de intrare. În acest caz se apelează la generarea de
numere aleatoare prin intermediul calculatorului, datorită vitezei mari de generare şi a numărului acestora,
care trebuie să fie mare. Pentru anumite aplicaţii poate fi necesară generarea a 1000 de numere aleatoare.
Alte metode de a genera numere aleatoare sunt prezentate mai jos, dar acestea sunt foarte costisitoare sub
aspectul timpului.
Un număr aleator este acela care s-a obţinut astfel încât valoarea sa nu poate fi prevăzută
anticipat. Definim o secvenţă de numere aleatoare n1,nr2, ... în intervalul [a,b] dacă nu există nici o
corelaţie între diferitele numere din cadrul secvenţei. Numerele sunt aleatoare cu distribuţia P(x) dacă
probabilitatea de a găsi numărul ni în intervalul [xi, xi+1] este P(x)dx. 6
În Excel numerele aleatoare se generează cu funcţia random RAND() sau RANDBETWEEN
(top, down), pentru a specifica limitele între care să se afle numerele generate aleator. Datorită

6
Raţiu – Suciu, Camelia, Modelarea & simularea proceselor economice – Teorie şi practică, Ediţia a patra, Editura
Economică, Bucureşti, 2005

13
algoritmilor folosiţi pentru generarea acestor numere, caracterul lor aleator este uşor afectat, ele devenind
pseudoaleatoare.

2.2 Metoda de simulare Monte Carlo

Simularea Monte Carlo este o tehnică matematică computerizată care permite specialiştilor să
aprecieze riscul în analiza cantitativă şi luarea deciziilor. Simularea Monte Carlo furnizează factorilor de
decizie, o serie de rezultate posibile şi probabilităţile de apariţie a acestora. Metoda indică posibilităţile
extreme (rezultatele posibile în cazul celui mai pesimist scenariu sau a luării celei mai conservatoare
decizii), dar şi toate consecinţele posibile pentru deciziile mai inovative.
Simularea Monte Carlo permite analiza riscului prin construirea de modele ale rezultatelor
posibile substituind o serie de valori, o distribuţie de probabilitate, pentru orice factor cu o incertitudine
inerentă. Calculează rezultatele în mai multe etape, de fiecare dată folosind un set diferit de valori
aleatoare care respectă funcţiile de probabilitate. În funcţie de numărul de incertitudini, precum şi de
intervalele asociate acestora, o simulare Monte Carlo ar putea implica mii sau zeci de mii de recalculări
înainte de a oferi un răspuns final plauzibil. Simularea Monte Carlo produce distribuţii probabile ale
soluţiilor (ale valorilor rezultat).
În timpul unei simulări Monte Carlo, valorile sunt luate la întâmplare din distribuţia de
probabilitate aleasă la început. Fiecare set de eşantioane este numit o iteraţie, iar rezultatul prelucrării
acestuia se înregistrează. Simularea Monte Carlo face acest lucru de sute sau mii de ori, rezultatul fiind o
distribuţie de probabilitate a rezultatelor posibile. În acest fel, simularea Monte Carlo oferă o imagine
mult mai cuprinzătoare a ceea ce se poate întâmpla şi cât de probabil este să se întâmple.
Simularea Monte Carlo presupune utilizarea unui model probabilist care se asociază sistemului
simulat. Acest model implică generarea unor variabile aleatoare, care urmează a fi legate funcţional de
soluţie. În urma mai multor experienţe pe model se alege soluţia optimă.
Simularea Monte Carlo este dedicată analizei şi simulării fenomenelor foarte complexe cu un
număr mare de variabile, parametri, cu relaţii complexe între componente, cu factori perturbatori etc.,
oferind o soluţie mai generală.
În cadrul acestei metode fenomenul real este înlocuit cu un eşantion reprezentativ, care poate
forma o imagine suficient de clară şi adecvată asupra ansamblului. Fenomenului real îi este asociat un
proces stohastic de calcul. Asupra datelor se vor aplica diferite calcule aritmetice ce rezultă din relaţiile
logice ale modelului economico-matematic. Cu alte cuvinte metoda Monte Carlo se poate asocia unor
modele matematice precum metoda lanţurilor Markov sau unor tehnici folosite în teoria deciziilor
multidimensionale etc.

2.1.1.Exemple de utilizare a metodei Monte Carlo:

Multe companii mari, precum General Motors, Procter and Gamble, firmele de pe Wall Street,
folosesc simularea Monte Carlo ca un instrument important pentru luarea deciziilor. În acest sens putem
exemplifica:

14
 estimarea randamentului mediu şi a gradul de risc al produselor noi - pentru a
determina produsele care vor intra pe piaţă;
prognoza venitului net, estimarea costurilor structurale, a costurilor de achiziţie,
determinarea sensibilităţii venitului net la diferiţi factori de risc (cum ar fi modificările ratei
dobânzii şi fluctuaţiile cursului de schimb);
determinarea cantităţii optime a materialelor de producţie care ar trebui să se
regăsească în produsul final;
stabilirea preţului derivativelor financiare complexe şi determinarea riscului
portofoliilor de investiţii;
determinarea a cât de multe unităţi din fiecare linie de produse ar putea fi comandate
de furnizori pe unitatea de timp;
alegerea celei mai bune opţiuni dintre 2 sau mai multe variante: a prelungi un
contract sau a amâna un proiect;
stabilirea strategiilor optime de investiţii pentru pensie.

Etape de lucru

Prezentăm în continuare etapele de lucru în realizarea unei simulări Monte Carlo:

1. se determină variabilele sau componentele cele mai semnificative ale modelului şi se
determină o măsură a eficacităţii pe care o au variabilele modelului studiat. Cu cât numărul
acestora este mai mare, cu atât problema este mai greu de rezolvat, iar rezultatele sunt mai susceptibile
de erori.
2. se desfăşoară seria de observaţii (într-un număr mare, de ordinul miilor) - pentru fiecare
variabilă studiată în parte se înregistrează câte un interval de valori ale variabilei şi frecvenţele
corespunzătoare de apariţie;
3. se schiţează distribuţiile de probabilitate cumulată ale modelului; se trasează grafic,
eventual, curbele de frecvenţe cumulate pentru fiecare variabilă aleatoare;
4. se alege o metodă de generare a numerelor aleatoare/pseudoaleatoare, astfel încât distribuţia de
probabilitate să reprezinte bine seria, iar numerele să fie cuprinse în intervalul sau gama de valori reale
ale variabilelor studiate;
5. se stabilesc şirurile de numere aleatoare care sunt într-o corespondenţă directă cu
distribuţiile de probabilitate cumulată ale fiecărei variabile, astfel încât pentru fiecare variabilă
întâmplătoare se asociază valori simulate (sau virtuale) ale variabilei studiate;
6. pentru valorile alese se caută prin interpolare valorile corespunzătoare pentru variabilele de
interes;
7. se calculează valoarea variabilă funcţională de performanţă; se studiază valorile obţinute
calculând media aritmetică (şi/sau modul, mediană, amplitudine) / abaterea standard/ dispersi
/coeficientul de variaţie (ponderea abaterii standard din valoarea medie a unei repartiţii/serii de variaţie);
8. dacă abaterea standard este mare (mai mare decât gradul de precizie impus) se măreşte
numărul de observaţii asupra fenomenului studiat n → N .
9. Pe baza rezultatelor obţinute se ia o decizie cu privire la soluţia optimă.

15
2.2.1 Lansarea unui produs pe piaţa – studiu de caz

În urma unui studiu de piaţă o companie care doreşte să lanseze un nou produs pe o piaţă
considerată stabilă obţine următoarele informaţii:
- volumul vânzărilor (V) poate varia în timp între 150 şi 415 mii bucăţi, cu probabilităţile de
realizare menţionate în matricea de mai jos:
150 248 320 415 
 
V =  0.1 0.18 0.2 0.52  ;

- preţul unitar al produsului (P) pe care clienţii ar fi disponibili să îl plătească poate varia între 38
şi 44 RON cu probabilităţile de plată menţionate în matricea de mai jos:
 38 40 42 44 
 
P=  0.1 0.4 0.35 0.15 
- costul unitar pe produs (Cv) previzionat poate varia între 18 şi 23 RON, cu probabilităţile de
 18 20 23 23 
 
realizare menţionate în matricea de mai jos Cv=  0 .15 0 .3 0 . 4 0 . 15 ;
- costurile fixe previzionate (CF) în urma cercetării de piaţă pot varia între 3788 şi 4918, cu
 3788 4658 4788 4918
 
probabilităţile de realizare menţionate în matricea de mai jos – CF=  0. 2 0 .45 0.25 0.1 .
Pentru a estima profitul se foloseşte formula: Pr= V*(P- Cv)-CF

Compania este interesată de aflarea răspunsurilor la următoarele întrebări:

1. Care va fi profitul mediu?
2. Care este probabilitatea de a înregistra pierderi din vânzarea produsului?
3. Care este probabilitatea de a înregistra profituri mai mari de 1000 um?
4. Care este probabilitatea de a pierde mai mult de 2000 um?
Răspunsul la aceste întrebări se va poate afla aplicând tehnica simulării Monte Carlo.

2.3 Metoda arborelui decizional

Arborii de decizie reprezintă o metodă simplă, dar relevantă de analiză a variabilelor multiple,
care se aplică în situaţii decizionale foarte complexe, în care sunt implicate evenimente aleatoare
succesive.
Arborii de decizie oferă capabilităţi unice de a completa şi substitui:
• forme tradiţionale de analiză statistică (cum ar fi regresia liniară multiplă),
• o varietate de instrumente de data mining şi tehnici (cum ar fi reţelele neuronale),
• forme recent dezvoltate de raportare şi analiză multidimensionale din domeniul business
intelligence

16
 Arborii de decizie permit reprezentarea sub formă de diagramă a unor evenimente viitoare
previzionate care condiţionează decizia. Practic se reprezintă grafic toate combinaţiile posibile ale
variantelor decizionale şi ale stărilor sistemului în fiecare moment de timp. Deciziile sunt influenţate de
evenimente aleatoare a căror probabilitate poate fi anticipată. Reprezentarea vizuală a tuturor
variantelor posibile facilitează luarea deciziilor, în timp real şi foarte uşor.
Arborii de decizie au la bază algoritmi care identifică diferite moduri de segmentare a
unei serii de date, rezultând ramurile arborelui. Arborele este format din noduri de tip decizie, de
tip eveniment/incertitudine sau noduri finale şi ramuri de tip stări ale sistemului şi de tip variante
decizionale. Orice nod al arborelui, cu excepţia rădăcinii are un singur nod ascendent şi unul sau mai
multe descendente. Pentru calculul valorilor asociate fiecărui nod se aplică procedura "rollback”,
maximizându-se speranţa matematică, calculându-se întâi valorile nodului final şi apoi valorile asociate
nodurilor intermediare şi respectiv iniţial.
Se va alegere varianta căreia îi corespunde cel mai mare profit aşteptat sau cea mai mică pierdere
posibilă, cu cea mai mare speranţă matematică.
Pentru a crea un arbore de decizie se parcurg etapele7:
1. se descrie problema, evenimentele posibile care influenţează alternativele decizionale;
2. se reprezintă nodurile decizionale, variantele decizionale şi evenimentele care influenţează
consecinţele acestora;
3. se determină consecinţele decizionale ale fiecărei opţiuni;
4. se determină posibilităţile de apariţie şi manifestare a evenimentelor.
Speranţa matematică pentru fiecare consecinţă şi variantă decizională se calculează după
formula:
n
Sm=∑piRi
i=1

în care: Sm - speranţa matematică; pi - probabilitatea de apariţie a evenimentelor; Ri -rezultatul

fiecărei variante.
Se va alege ca soluţie optimă varianta cu speranţa matematică cea mai mare (în cazul unor valori
pozitive). De acurateţea estimării probabilităţilor de apariţie a evenimentelor depinde luarea unei decizii
corecte şi fundamentate.
Arborele de decizie se poate reactualiza de mai multe ori pe parcursul desfăşurării evenimentelor
în funcţie de materializarea proceselor de decizie, a stărilor sistemului iniţial descrise care devin sau nu
reale.

2.3.1 Simularea determinării strategiei de distribuţie optime

7
Alexandru Căpățînă, Rozalia Nistor, Simulări de marketing – Suport de curs, Editura EUROPLUS
Galaţi, 2010, ISBN 978-973-1950-99-0

17
 O firmă doreşte să aducă pe piaţa românească noi gadget-uri IT. Firma ia în considerare două
modalităţi de desfacere: vânzarea prin propriile magazine de desfacere ce vor fi localizate în principalele
oraşe ale ţării sau vânzarea prin reţeaua de hipermagazine CORA, care ar genera un venit sigur de
378.000 EURO. Totodată, top managementul firmei analizează oportunitatea unui studiu de piaţă realizat
de o firmă de consultanţă de renume din Bucureşti, al cărui preţ ar fi de 4.000 EURO şi care ar oferi date
extrem de importante privind şansele de succes ale produselor pe piaţă. Specialiştii din cadrul firmei au
determinat trei posibilităţi de manifestare a produselor pe piaţă, probabilităţile asociate acestora precum şi
veniturile estimate în fiecare caz (tabelul 2.8).

Tabelul 2-1. Strategie de distribuţie – Posibilităţile de manifestare a produselor pe piaţă

Situaţii posibile Probabilităţi de Venituri estimate

pe piaţă manifestare (mii EURO)
SP1 0.6 898
SP2 0.25 578
SP3 0.15 415

SP1 - acceptarea rapidă produselor Wisegadget pe piaţă;

SP2 - vânzări în cantităţi medii ale produselor WISEGADGET pe piaţă;
SP3 - vânzări slabe ale produselor WISEGADGET în condiţiile unei concurenţe agresive.
Se identifică următoarele tipuri de strategii disponibile:
testare prealabilă a pieţei apelând la serviciile firmei de consultanţă şi apoi
alegerea fie a vânzării prin reţeaua CORA, fie prin propriile magazine de desfacere;
vânzarea prin reţeaua CORA, fără o testare prealabilă a pieţei, care îi aduce un
venit sigur de 378.000 EURO, eforturile de comercializare asumându-şi-le reţeaua de
hipermagazine CORA;
vânzarea prin propriile magazine de desfacere, fără un studiu prealabil al pieţei.
Studiul firmei de consultanţă determină probabilitatea de 0,6 ca piaţa să fie favorabilă lansării
noilor produse şi de 0,4 ca aceasta să fie nefavorabilă aducerii pe piaţa românească a produselor
WISEGADGET. De asemenea, aceasta furnizează top managementului companiei probabilităţile de
realizare simultană a variantelor strategice. (tabelul 2.9)

Tabelul 2-2. Posibilităţile de realizare simultană a variantelor strategice

18
Stări posibile Piaţă Piaţă Probabilităţi
pe piaţă favorabilă nefavorabilă absolute
SP1 0.4 0.15 0.55
SP2 0.14 0.14 0.28
SP3 0.06 0.11 0.17
Probabilităţi
0.6 0.4 1
absolute

19
 Fig. 2-2. Arborele decizional aferent celor 3 strategii de desfacere propuse de S.C. WISEGADGET
S.R.L.

Strategia optimă este aparent testarea prealabilă a pieţei urmată de desfacerea prin magazine
proprii care generează un venit mediu estimat de 775 mii EURO (VMA8), dar trebuie să ţinem seama şi
de costul serviciului de consultanţă de 4.000 EURO. Desfacerea prin reţeaua CORA ar aduce un venit
sigur, de 378 mii EURO, dar este mult mai mic decât în celelalte două cazuri. Diferenţa de venit estimat
între primele două opţiuni strategice este nesemnificativă şi, în acest caz un manager orientat spre piaţă,
spre client, va alege cu siguranţă prima alternativă strategică (testarea pieţei şi alegerea variantei de
desfacere prin magazine proprii) fundamentând-şi deciziile pe baza studiului de piaţă.

2.4 Jocuri strategice

Teoria jocurilor studiază modelele matematice ale situaţiilor conflictuale (competitive). În practica
economică apar adeseori astfel de situaţii: aspectele concurenţiale dintre firme, campaniile de reclamă şi
publicitate de promovare pe piaţă a produselor şi serviciilor etc.
O situaţie conflictuală este caracterizată prin existenţa a doi sau mai mulţi participanţi (decidenţi)
şi a unui ansamblu de alternative (căi de acţiune), dintre care ei trebuie să aleagă liber una sau mai multe,
cu anumite probabilităţi, în conformitate cu un anumit obiectiv (scop).
Situaţia conflictuală în care participanţii urmăresc fiecare un anumit scop, sunt independenţi în
alegerea acţiunilor proprii, dar dependenţi prin rezultatele determinate de ansamblul acţiunilor este
formalizată în modelul de joc.8
Participanţii folosesc strategii inteligente pentru atingerea unor obiective contrare precum: maximizarea
câştigului, respectiv minimizarea pierderii.
Cu alte cuvinte în cadrul jocurilor strategice sunt luate în calcul toate acţiunile participanţilor şi
regulile pe care aceştia le respectă astfel încât valorile să fie repartizate între jucători, în vederea
câştigului. Fiecare jucător îşi alege propria strategie, regulă de decizie, pentru a face cea mai bună alegere
dintre variantele posibile, în funcţie de distribuţia de probabilitate a acţiunilor.
În teoria jocurilor se postulează următoarele ipoteze:
- fiecare participant poate să aleagă dintre strategiile definite;
- participanţii cunosc variantele strategice ale adversarilor;
- rezultatul jocului se va materializa printr-o pierdere sau un câştig;
În numeroase cazuri alegerea strategiei celei mai potrivite dintr-un număr de variante posibile se poate face
prin folosirea unei formulări matriceale a problemei: fiecare linie/coloană va reprezenta o strategie (fie Ai, i =
1,…m, respectiv Bj, j = 1, ..., n, aceste strategii), iar criteriul de decizie va fi dat de regula de alegere a strategiei.9

8
O. A. Blăjină, Produse software aplicate în programarea matematică şi teoria jocurilor, Ed. Albastra, Cluj-
Napoca, 2006 ISBN: 973-650-188-4, pg. 35
9
Camelia RATIU-SUCIU, Florica LUBAN, Daniela HINCU, Nadia ENE, Modelarea şi simularea
proceselor economice

20
2.4.1 Studiu de caz – politica de promovare
Pe piaţa bunurilor de larg consum există două firme concurente A şi B, care urmăresc să câştige un număr
cât mai mare de clienţi.
În acest sens firma A are în vedere mai multe strategii de acţiune.
- iniţierea unei campanii de publicitate online (PayPerClick) - strategia A1;
- discount-uri la ocazii speciale (strategia A2);
- sponsorizarea unor evenimente în folosul comunităţii (strategia A3).
Firma B urmează să aleagă una dintre strategiile de acţiune:
- intensificarea campaniei de publicitate la radio şi TV (strategia B1);
- sponsorizarea unui eveniment cultural de renume (strategia B2);
- asocierea produsului cu un eveniment pozitiv: la fiecare achiziţionare a unui pachet turistic se va
primi produsul gratuit (strategia B3);
- organizarea de tombole şi oferirea de cupoane promoţionale (strategia B4).
În tabelul 2.10. sunt prezentate informaţiile referitoare la probabilităţile ca unii dintre cumpărătorilor să
alegă produsele unei firme, deşi anterior cumpărau de la concurenţă: de exemplu, când firma A alege strategia A3 şi
firma B, strategia B2, se preconizează că 4% dintre clienţii firmei A îşi vor schimba decizia de cumpărare în
favoarea produselor firmei.

Tabelul 2-3. Probabilităţile ca unii dintre cumpărătorilor să alegă produsele unei firme, deşi
anterior cumpărau de la concurenţă

Strategii B1 B2 B3 B4
A1 -2 1 1 -3
A2 1 3 4 5
A3 2 -4 4 2

Cerinţe:
Luând în calcul estimările redistribuirii clienţilor de la o firmă la alta, marketing managerul fiecărei firme
doreşte să ştie dacă strategia aleasă va fi câştigătoare sau nu şi care dintre strategii maximizează propriului interes.

2.4.2 Studiu de caz - mixul de marketing

Pe piaţa bunurilor de larg consum există două firme concurente A şi B, care urmăresc să câştige un număr
cât mai mare de clienţi.
În acest sens firma A are în vedere mai multe strategii de acţiune.
- investiţie în creşterea calităţii produsului (strategia A1);
- extinderea distribuţiei produsului în adâncime (strategia A2);
- reducerea preţului la jumătate la al doilea produs cumpărat (strategia A3).
Firma B urmează să aleagă una dintre strategiile de acţiune:
- extinderea relaţiilor publice - strategia B1;
- creşterea cantităţii de produs, menţinând preţul constant (strategia B2);
- distribuirea produsului prin intermediul reţelelor de supermarket (strategia B3);
- realizarea unui produs îmbunătăţit (strategia B4).

21
 Reorientarea cumpărătorilor de la o firma la alta ca urmare a practicării strategiilor amintite este prezentată
în matricea de mai jos. De exemplu, când firma A alege strategia A1 şi firma B, strategia B1, se preconizează că 1%
dintre clienţii firmei A îşi vor schimba decizia de cumpărare în favoarea produselor firmei.
Cerinţe:
Marketing managerul doreşte evaluarea rezultatelor aplicării fiecărei strategii şi determinarea punctelor de
echilibru ale jocului matriceal.

Chapter 3 Modele economico-matematice pentru utilizarea resurselor întreprinderii

Cuvinte cheie: analiza What-If, tehnica valorii scop, tehnica scenariilor, analiza conjugată,
lanţurile Markov, simulare Solver, metoda vectorilor spectrali, analiza Bayesiana, decizii în condiţii de
risc şi incertitudine, analiza drumului critic (metoda Branch&Bound).

Obiectivele învăţării:
- Cunoaşterea tipurilor de analiză What-If şi a situaţiilor în care se aplică;
- Asimilarea metodei de aplicare a analizei What-If (tehnica valorii scop, tehnica scenariilor,
tabelul de date);
- Determinarea tipurilor de probleme care se pot rezolva cu instrumentul Solver;
- Cunoaşterea metodei de utilizare a instrumentului Solver;
- Înţelegerea conceptului de analiză conjugată;
- Determinarea situaţiilor în care se foloseşte analiza conjugată şi a modului de aplicare a
acesteia;
- Determinarea situaţiilor în care se folosesc lanţurile Markov în simularea de marketing şi a
modului de aplicare a acestora;
- Înţelegerea metodei vectorilor spectrali, a algoritmului de calcul şi a situaţiilor în care se aplică;
- Cunoaşterea modelelor Bayesiene, a condiţiilor în care se aplică şi a metodei de aplicare.
- Asimilarea metodei de aplicare a analizei drumului critic (metoda Branch&Bound).

3.1 Metode de simulare prin analiza What-If

Analiza what-if este o modalitate rapidă de a schimba valorile elementelor unei formule de calcul,
astfel încât să rezulte multiple soluţii, dintre care se alege cea optimă. Analiza permite calculul unei
valori finale (dată de funcţia obiectiv) pe baza unei formule, pentru care se modifică un parametru ce
depinde de formula respectivă. Astfel în foaia de calcul Ms Excel variabilele formulei pot forma un tabel.
Se va urmării cum se modifică valoarea formulei, dacă se schimbă valoarea uneia sau mai multor
variabile.
Mediul Excel permite trei tipuri de analiză what-if:
tehnica valorii scop (Goal Seek)
tehnica scenariilor (Scenarios)
tabelul de date (Data Table)

22
3.1.1 Estimarea bugetului de marketing prin tehnica valorii scop (Goal Seek)

Tehnica valorii scop (Goal Seek), face parte din analiza “What If” („Ce ar fi dacă...?”) din Excel,
alături de simularea prin intermediul scenariilor şi a tabelului cu date. Această tehnică permite calcularea
unei valori finale (scop sau obiectiv) furnizate de o formulă, pentru care se modifică un parametru ce
depinde de formula respectivă. Utilizând căutarea tip "rezultat" se poate ajusta o estimare pentru a se
ajunge la o concluzie referitoare la o expresie relativă sau absolută (procentaj sau valoare) pentru un buget
sau o variantă de simulat (Ionescu, 2004).
Din meniul Data-What If se alege opţiunea Goal Seek care deschide fereastra Goal Seek ce
conţine mai multe câmpuri de completat (Fig. 3.2):
Set cell - reprezintă celula scop sau obiectiv - valoarea din această celulă va fi ajustată automat la
o valoare corespunzătoare;
To value - reprezintă celula ce conţine valoarea la care se doreşte a se ajunge;
By changing cell - reprezintă celula ce conţine valoarea care se va modifica pentru a ajunge la
valoarea menţionată anterior.
Problema se va formula astfel: „cu cât (sau la cât) ar trebui modificat un parametru (By changing
cell) pentru ca o valoare scop (Set Cell) să atingă un prag specificat (To value)?".
Celula al cărei conţinut va fi modificat (By changing cell) trebuie să conţină o valoare care
participă în mod nemijlocit la formarea rezultatului şi nu o formulă, în timp ce valoarea scop sau obiectiv
(Set cell) trebuie să conţină în mod obligatoriu o formulă.

Studiu de caz- Bugetul de marketing

Exemplul următor ilustrează un buget de marketing. Se calculează bugetul total de marketing în

cazul modificărilor cu diferite valori a cheltuielilor cu comunicarea.(fig.3.1)
Pentru a alege o variantă de buget prin modificarea unui parametru ce poate schimba rezultatul
final o companie poate aplica tehnica valorii scop (Goal Seek). În cazul în care compania doreşte
studierea efectului modificării mai multor parametrii asupra rezultatului final/variantei de buget se poate
folosi tehnica scenariilor (Scenarios) din cadrul analizei “What If”.

23
 Fig. 3-1. Datele problemei pentru simularea bugetului de marketing

3.1.2 Estimarea costului total de marketing prin tehnica scenariilor

În cazul problemei anterioare pentru a obţine mai multe variante de buget se aplică tehnica
scenariilor.
Scenariile reprezintă simulări ale diferitelor situaţii posibile, ce sunt reflectate prin mai multe
valori pe care le pot lua celulele care conţin variabilele modificabile. Deci, spre deosebire de tehnica Goal
Seek, în această analiză se folosesc mai mulţi parametrii, care i-au valori într-o mulţime fixă. Numărul de
elemente ale mulţimii determină numărul de situaţii cărora li se asociază scenariul.
Scenariul permite calculul unei valori finale (dată de funcţia obiectiv) pe baza unei formule,
pentru care se modifică mai mulţi parametrii ce depind de formula respectivă. Prin intermediul scenariilor
se testează şi vizualizează diferite ipoteze analizând şi comparând rezultatele obţinute în cazurile
evaluate.10

La problema anterioară se vor modifica valorile mai multor celule şi se vor crea 2 scenarii: unul
optimist şi altul pesimist.

3.2 Metoda de simulare prin analiza conjugată

Analiza conjugată (Analiza conjoint) se foloseşte pentru analiza şi previziunea

comportamentului consumatorului în legătură cu produsele noi ce urmează a fi lansate pe piaţă

10
Previzionarea unor valori cu ajutorul analizei What – If, http://ro.scribd.com/doc/6886836/18/Scenariu

24
sau cu îmbunătăţiri aduse produselor existente. Analiza conjugată grupează preferinţele
clienţilor pentru produsele şi serviciile analizate având ca şi criterii atributele produsului/
serviciului. Grupele obţinute se pot recombina pentru a previziona preferinţele clienţilor pentru
orice combinaţie a valorilor atributelor.
Analiza conjugată se foloseşte pentru a previziona cota de piaţă posibilă sau profitul
generat de introducerea unui nou produs pe o piaţă în care sunt prezente produsele
competitorilor.
Analiza conjugată se foloseşte pentru a proiecta un concept de produs optim şi pentru a
identifica segmentele de piaţă care l-ar putea aprecia.
Proiectarea unei analize conjugate implică trei etape:
1. Proiectarea instrumentului de colectarea a datelor
2. Colectarea datelor de la consumatori
3. Analiza datelor şi simularea răspunsului pieţei.

3.2.1 Proiectarea unui studiu de analiză conjugată

În cadrul acestei etape se stabilesc atributele după care clasifică produsele, pentru a
obţine un set de pachete de produse pentru care să putem obţine evaluarea pe ansamblu a
clienţilor. Fiecare client îşi va exprima preferinţa pentru fiecare atribut al produsului, acordându-i
o cotaţie corespunzătoare.
Dacă luăm exemplul unei salopete pentru bebeluşi marca BabyBoo, aceasta are 4
atribute, cu câte 3 variante fiecare, ajungându-se la 34 = 81 de combinaţii posibile (produse
diferite):
1. VARIANTE DE PRODUS: VP1 –bumbac 100%, VP2 - poliester 100%, VP3 - poliester 50%
şi bumbac 50%.
2. VARIANTE DE PREŢ: P1 - 15 RON, P2 - 10 RON, P3 – 20 RON.
3. MODALITĂŢI DE DISTRIBUŢIE: D1 – online, D2 – hipermagazine, D3 – Mall.
4. TEHNICI DE PROMOVARE: PR1 – cupoanele de reduceri online, PR2 - carduri de
fidelitate, PR3 – discount-uri sezoniere sau cu alte ocazii
De cele mai multe ori este dificil de evaluat utilitatea fiecărui produs diferit şi de ales
produsul cu utilitate maximă. În aceste cazuri se aleg eşantioane reprezentative.
În literatura de specialitate se afirmă că un număr mediu de 16 profile de produse pentru a
obţine evaluările participantului sunt suficiente. Pentru fiecare produs, se poate stabili, valoarea
minimă pentru utilitate (de ex. 0) şi valoarea maximă (de ex. 100). În unele cazuri se pot obţine
produse nerealiste, care vor fi înlocuite cu alte combinaţii (de exemplu salopeta din bumbac
100% să aibă cel mi mic preţ).
Pentru a face o analiză conjugată se pot utiliza diferite instrumente de colectare a datelor,
precum:

25
 Clienţii vor acorda un calificativ pentru fiecare tip de produs, într-un interval de la 0 la
100, pentru a reflecta preferinţa lor pentru acel produs (instrument utilizat în studiul
de caz de mai jos).
Clienţii vor sorta un set de carduri, fiecare conţinând o descriere a unui produs.
Prezentarea unei secvenţe de produse, câte două la un moment dat. Clienţii vor acorda
100 de puncte diferenţiat între aceste două produse.
Oferirea unui set de produse dintre care clienţii vor alege un singur produs.
Fiecare din aceste metode de culegere a datelor are asociat un set de costuri şi beneficii.

3.2.2 Folosirea datelor colectate într-o analiză conjugată pentru simulare

Pentru a crea o funcţie de valoare a unui atribut pentru fiecare participant i se utilizează
regresia cu variabile dummy, conform modelului:
K MK
R = ∑ ∑ a x +ε unde,
ij ikm jkm ij
k = 1m = 1
j - concept de produs supus studiului
Rij - ratingul furnizat de respondentul i pentru produsul j
aikm - valoarea asociată nivelului m (m=1,2,3,...Mk) pentru atributul k
Mk - numărul de nivele ale atributului k
K - numărul de atribute
Xjkm - variabila dummy care ia valoarea 1 dacă nivelul m al atributului k este prezent la
produsul j şi valoarea 0 altfel
ε - termenul eroare, cu distribuţie normală de medie 0 şi dispersie σ 2 , pentru orice i şi j.
ij
Se poate apela la o scală de la 0 la 100 pentru analiza mai facilă a valorilor aikm obţinute
din regresie (cel mai mic nivel preferat pentru fiecare atribut va lua valoarea 0 şi combinaţia
maximă de produse preferate se va limita la 100). In acest caz utilitatea produsului j pentru
consumatorul i are valoarea:
K MK
U = ∑ ∑ a~ x
ij ikm jkm
k = 1m = 1
Analiza conjugată permite extinderea rezultatelor obţinute pe un eşantion reprezentativ de
respondenţi pentru a evalua succesul probabil al unui produs nou, simulare ce ia în calcul diverse
condiţii de piaţă.

3.2.3 Transformarea preferinţelor clienţilor în alegeri

În literatura de specialitate transformarea preferinţelor clienţilor în cea mai probabilă

realizare se face în general pe baza regulii utilităţii maxime şi a regulii utilităţii distribuite.

26
 1. Regula utilităţii maxime: clientul alege produsul cu cea mai mare valoare a utilităţii.
Pentru a determina cota de piaţă a unui produs se face raportul dintre numărul de clienţi
care oferă cea mai mare utilitate pentru produs şi la numărul de clienţi din eşantion. Se va lua în
calcul şi probabilitatea de a achiziţiona fiecare alternativă, pentru fiecare client, care se
determină ca pondere în volumul total de achiziţii pe care clientul i le face din categoria de
produse:
I

∑w p i ij
Mj = J
i =1
I
, unde
∑∑
j =1 i =1
wi pij

I reprezintă numărul de clienţi care participă la studiu;

J reprezintă numărul de produse alternative disponibile la alegerea clientului;
mj reprezintă cota de piaţă a produsului j;
wi reprezintă volumul relativ de achiziţii realizate de clientul i, în volumul mediu de
achiziţii realizat de toţi clienţii;
pij reprezintă proporţia de achiziţii pe care clientul i o face din produsul j (sau, echivalent,
probabilitatea ca clientul i să aleagă produsul j o singură dată).

1. Regula utilităţii distribuite porneşte de la principiul ca utilitatea unui produs şi

probabilitatea ca acesta să fie cumpărat sunt proporţionale şi de acelaşi sens. Astfel cu cât
utilitatea unui produs este mai mare, cu atât probabilitatea ca el să cumpere acel produs este mai
mare. Deci, fiecare produs este achiziţionat în funcţie de importanţa deţinută în preferinţele
u
consumatorului. pij = ij , pentru alternativa j din setul de produse J, iar u ij este utilitatea
∑ uij
j

estimată a produsului j de clientul i.

Demersul descris anterior poate fi aplicat pe un singur segment de piaţă. În cazul unei
pieţe cu mai multe segmente se poate aplica metoda segmentării post-hoc. pentru identificarea
segmentelor de consumatori cu o anumită structură a preferinţelor.

3.2.4 Funcţii de utilitate asociate procesului decizional în simularea de marketing

În literatura de specialitate sunt prezentate următoarele tipuri de funcţii de utilitate:
Într-un sistem de axe de coordonare (c,u), funcţia de utilitate va trece prin punctele
(0,0) şi (1,1), fiind o funcţie monoton crescătoare. Trendul funcţiei depinde de aversiunea la risc
a decidentului, astfel:
I. trend liniar;
II. curbă convexă;
III. curbă concavă;

27
 IV. curbă parţial convexă, parţial concavă.

11
Fig. 3-2. Funcţii de utilitate asociate unui proces decizional

În cazul I, decidentul este neutru faţă de risc, probabilităţile de a pierde sau a câştiga
fiind egale (50%).
În cazul II, decidentul are aversiune mică faţă de risc, deoarece utilitatea acţiunilor
cu valori mari este deosebit de ridicată (specific jocurilor de noroc). Probabilitatea ca
evenimentul pozitiv să se întâmple este mică, riscul fiind mare. Este asociată riscului de a
pătrunde pe o nişă de piaţă. Este asociată şi deciziilor care cresc competiţia.
În cazul III, decidentul este prudent, are aversiune mare faţă de risc, mai ales când
supraevaluează pierderile mari şi subevaluează câştigurile mari.
Aversiunea faţă de risc se întâlneşte atunci când se duce o politică de investiţii limitate în
acţiuni promoţionale, când se lucrează cu desfacere asigurată pe bază de precomenzi, când se
contractează produse la anumite termene, se asigură o stabilitate a poziţiei concurenţiale
întrucât o echipă care participantă la simulare nu doreşte spre exemplu să atace liderul (fapt ce
presupune asumarea unui risc important).14
Cazul IV este format dintr-o succesiune a cazurilor II şi III, fiind cel mai des întâlnit în
practică, deoarece majoritatea decidenţilor manifestă în unele situaţii aversiune mică faţă de
risc, iar pentru alte situaţii aversiune mare faţă de risc.

11
Alexandru Căpăţînă, Rozalia Nistor, SIMULĂRI DE MARKETING, Editura EUROPLUS Galaţi, 2010, ISBN
978-973-1950-99-0

28
3.2.5 Simularea optimizării mixului de marketing cu ajutorul analizei conjugate

Firma BabyBoo intenţionează lansarea unui salopete de copii pe o nouă piaţă. Acest produs a fost
prezentat unui eşantion format din 1.200 clienţi potenţiali (părinţii copiilor), cărora le-au fost adresate 4
întrebări referitoare la variante de mix de marketing (model, preţ, distribuţie, promovare) concepute de
firmă în vederea lansării cu succes a produsului pe piaţă.
VARIANTELE MIXULUI DE MARKETING sunt (fig.3.14):
1. VARIANTE DE PRODUS
Subiecţilor chestionaţi le-au fost prezentate trei modele de produs:
VP1 – o salopetă confecţionată din bumbac 100%, disponibilă în diferite culori şi
modele, care a fost preferată de 40% dintre cei intervievaţi. Clienţii care au preferat acest tip de salopetă
au afirmat că produsele din bumbac 100% oferă confort în utilizare, mai ales pentru pielea sensibilă a
bebeluşilor.
VP2 - o salopetă confecţionată din poliester 100%, disponibil în diferite culori şi modele,
preferată de 38% dintre clienţii potenţiali. Clienţii au afirmat că acestea sunt mult mai uşor de utilizat
(spălat, calcat, rezistă mai mult în timp, etc.).
VP3 - o salopetă confecţionată din material poliester 50% şi bumbac 50%, disponibilă în diferite
culori şi modele, preferată de 22% dintre cei chestionaţi. Clienţii afirmă ca acest tip de salopetă reprezintă
o îmbinare fericită a celor două tipuri de material, oferind produsului rezistenţă în timp, fără să afecteze
confortul bebeluşului.
2. VARIANTE DE PREŢ
Subiecţilor chestionaţi le-au fost prezentate trei variante de preţ:
P1 - un preţ de vânzare la client de 15 RON, considerat un preţ mediu, ales de 25% dintre cei
chestionaţi.
P2 - un preţ de vânzare la client de 10 RON, prin care se urmăreşte atragerea clienţilor sensibili la
preţ, ales de 55% dintre cei chestionaţi.
P3 - un preţ de vânzare la client de 20 RON, care vizează atragerea clienţilor cu venituri ridicate,
care asociază marca BabyBoo cu produse de calitate ridicată, ales de 20% dintre cei chestionaţi.
3. MODALITĂŢI DE DISTRIBUŢIE
Subiecţilor chestionaţi le-au fost prezentate trei metode de distribuţie:
D1 – prezentarea şi cumpărarea produsului online, cu furnizarea acestuia la domiciliu. Oferă
clienţilor un grad sporit de confort în achiziţionare. Prin această metodă clientul salvează timp: nu se
deplasează la magazin, poate face comparaţii între o gamă foarte mare de produse, din orice zonă
geografică, şi preţurile lor). De asemenea clientul salvează bani: pe traseul producător - client nu se
interpun intermediari care să-şi ridice preţul produsului cu adaosuri comerciale, dar se plăteşte
transportul. Varianta aceasta este preferată de 37% dintre clienţii potenţiali.
D2 - prezentarea şi cumpărarea produsului din reţelele de hipermagazine (ex.: METRO,
CARREFOUR, CORA, etc.), preferate de 22% dintre cei intervievaţi. Clienţii din această categorie nu au
încredere în securitatea plăţilor online şi vor să atingă produsul înainte de cumpărare, considerând că
salvează timp, cumpărând produsul alături de alte bunuri alimentare.

29
 D3 - prezentarea şi cumpărarea produsului magazine tip Mall, preferată de 41% dintre cei
chestionaţi. Alegerea produsului reprezintă o modalitate plăcută de petrecere a timpului liber pentru
clienţii cu această opţiune.
4. TEHNICI DE PROMOVARE
Subiecţilor chestionaţi le-au fost prezentate trei metode de promovare:
PR1 – posibilitatea de a achiziţiona produsul online la preţuri preferenţiale utilizând cupoanele de
reduceri tip Groupon, Vulping, etc. Achitând anticipat o sumă mică pentru cupon clientul va primii
reduceri de până la 75% din preţul produsului. Această metodă este apreciată de 35% dintre cei
chestionaţi
PR2 - oferirea unor carduri de fidelitate clienţilor, oferite mai ales de reţelele de hipermagazine.
Aceste carduri permit acumularea unor puncte care apoi se pot transformă în bani sau se pot alege alte
produse de contravaloarea punctelor. Această metodă este apreciată de 38% dintre cei chestionaţi.
PR3 – discount-uri sezoniere sau cu alte ocazii (sărbătorirea a unui anumit număr de ani de la
deschiderea magazinului, eliminarea produsului de pe piaţă, etc.), preferate de 27% dintre cei
chestionaţi.

Metoda analizei conjugate presupune alegerea unui eşantion reprezentativ din numărul total de
combinaţii posibile, în cazul de faţă 81 (3x3x3x3). Fiind doar 81 de combinaţii posibile şi utilizând foaia
Ms. Excel am calculat utilitatea globală a fiecărei combinaţii înmulţind utilităţile individuale ale celor 4
variabile de mix.

Fig. 3-3. Datele de intrare – optimizarea mixului de marketing

Teoretic mixul de marketing optim este dat de mixul cu utilitatea cea mai mare (preferat de
majoritatea celor intervievaţi
Alegerea finală va aparţine specialiştilor compartimentului de marketing, în urma determinării
costurilor fiecărei variante de marketing mix, alegere ce va fi transmisă spre aprobare managerului
general.

30
3.3 Metoda de simulare utilizând lanţurile Markov

În simulările de marketing lanţurile Markov se folosesc adesea pentru previziunea cotelor de

piaţă ale unor produse concurente pe un anumit orizont de timp, cât şi pentru determinarea stării de
echilibru, moment în care clienţii nu mai trec de la o marcă la alta, rămânând fideli unei singure mărci.
Previziunea cotei de piaţă se va face pe baza preferinţelor şi a gradului de satisfacţie a clienţilor pentru un
anumit produs exprimate în general în urma unui sondaj. Gradul de satisfacţie al clienţilor se măsoară
prin intermediul:
- gradului de fidelitate – care este dat de procentul clienţilor care sunt constanţi în a
cumpăra aceeaşi marcă.
- gradului de atracţie – care este dat de procentul clienţilor care au trecut de la o marcă la
alta; se mai numeşte probabilitate de tranziţie pij; aceste probabilităţi de tranziţie sunt obţinute de
la un panel de clienţi, care participă la mai multe sondaje în timp, pentru a se urmării schimbarea
preferinţelor lor.

Se spune că variabilele aleatoare formează un lanţ Markov dacă pentru orice ,

probabilitatea de a ajunge din starea într-una din stările dintr-o mulţime nu depinde de

traiectoria evoluţiei până la , adică relaţia următoare, conform [Popovici, 2013]:

unde se numeşte probabilitate de tranziţie la pasul n, iar se

numeşte repartiţie iniţială.
Analiza probabilităţilor de tranziţie este importantă mai ales în stadiul de lansare a unei mărci noi,
deoarece permite atât analiza comportamentului după prima cumpărare, cât şi previziunea evoluţiei
acestui comportament.
În literatura de specialitate estimarea statistică a probabilităţilor de tranziţie se poate calcula pe
N ij ( t )
qi j ( t ) =
baza formulei N i ( t − 1 ) , unde
- t=1,2,…,T. mai multe perioade consecutive,
- Ni(t-1) numărul consumatorilor din eşantionul selectat care au cumpărat marca i în perioada t-1,
- Mij(t-1) numărul acelor consumatori din eşantion care au cumpărat marca i în perioada t-1 şi marca
j în perioada t.
Acest raport reprezintă proporţia acelor consumatori care au trecut de la achiziţionarea mărcii i în
q (t )
perioada t-1 la achiziţionarea mărcii j în perioada t. Interpretând raportul ij ca o variabilă aleatoare,
q ij ( t ) = p ij ( t )
se poate dovedi că valoarea medie a acesteia este .

31
 Se spune că este un lanţ Markov omogen dacă probabilităţile de tranziţie
nu depind explicit de n, conform relaţiei:

Lanţurile markoviene pornesc de la ipoteza că un client va tinde să cumpere în prezent, aceeaşi

marcă cumpărată, într-o perioadă anterioară.

Fie matricea probabilităţilor de tranziţie, iar vectorul

probabilităţilor iniţiale ale stărilor, numim π vectorul probabilităţilor limită ale stărilor, iar relaţia

adevărată12 [Popovici, 2013].

Condiţii de aplicare ale unui model markovian sunt :

- ansamblul consumatorilor este omogen din punctul de vedere al alegerii mărcilor
considerate
- probabilităţile de tranziţie să nu se modifice în timp;
- cantităţile achiziţionate într-o perioadă să fie, cel puţin, în medie, aceleaşi pentru toţi
consumatorii;
- numărul total al consumatorilor să fie stabil în timp.
Lanţurile markoviene pornesc de la ipoteza că un client va tinde să cumpere în prezent, aceeaşi
marcă cumpărată, într-o perioadă anterioară.

3.3.1 Previziunea cotei de piaţă a unor produse concurente

O companie producătoare placi de baza pentru calculatoare este interesată în studiul pieţei pentru
una dintre mărcile sale. Informaţiile căutate sunt estimări ale cotei de piaţă în comparaţie cu cele ale unor
mărci concurente (fie acestea desemnate prin B, respectiv C). Pentru acest produs, în oricare din cele trei
mărci, intervalul dintre cumpărări succesive este de aproximativ, o lună, iar studiul de piaţă a relevat
următoarele informaţii referitoare la comportamentul a 10000 de persoane chestionate (tabelul 3.2).

Tabelul 3-1. Date generale – descrierea comportamentului clienţilor

Produs Numărul Schimbarea opţiunii de cumpărare

de clienţilor
marca De la A De la B De la C Total “de la”
A 5200 - 570 380 950
B 3000 700 - 615 1315

12
Popovici Alexandru, Probabilităţi, Statistică şi Econometrie asistate de programul Excel, Ed.
Niculescu, 2013, ISBN: 973-748-722-3

32
 C 1800 200 300 - 500
total 10000 900 870 995 -

Se porneşte de la următoarele date:

Pentru datele numerice din aplicaţia propusă vectorul cotelor iniţiale de piaţă este: S0= (0.52;
0.3; 0.18). Determinarea probabilităţilor iniţiale s-a făcut construind rapoartele de tipul:
5200
= 0.52
10000 pentru cota de piaţă a mărcii A la momentul 0 etc.
Matricea probabilităţilor de tranziţie, calculate după modelul de mai jos, are forma:
 0.8 0.1 0.1 
 
P =  0.2 0.6 0.2 
 0.1 0.2 0.7 
 
Componentele din vectorul starea de echilibru (SE) reprezintă modul de distribuţie a cotelor de
piaţă corespunzătoare produselor concurenţiale analizate în ipoteza că matricea probabilităţilor de
tranziţie nu se va mai modifica pe termen lung (astfel încât între momente diferite de timp clienţii nu vor
mai trece de la o marca la alta).
Vectorul starea de echilibru determină rezolvând ecuaţia: SE=SE*P. Acest vector al
probabilităţilor limită se numeşte stare de echilibru sau stare de stabilitate pentru cele n mărci (deoarece
pe termen lung, probabilitatea ca un consumator să cumpere o marcă dată i tinde să se stabilizeze
apropiindu-se din ce în ce mai mult de probabilitatea pi).
Timpul de recurenţă (TR) reprezintă intervalul de timp între două cumpărări succesive ale
aceluiaşi produs. Valoarea numerică pentru timpul de recurenţă în cazul produsului i se obţine ca
1
TRi =
pi ( S E )
Simulările de marketing cu lanţuri Markov sunt foarte utile pentru previziunea cotelor de piaţă ale
unor produse concurente pe un anumit orizont de timp, cât şi pentru determinarea stării de echilibru,
moment în care clienţii nu mai trec de la o marcă la alta, rămânând fideli unei singure mărci. Astfel,
managerii de marketing îşi pot stabili strategiile de marketing, stabilind în ce produs să investească sau ce
produs poate fi scos de pe piaţă, în funcţie de etapa din ciclul de viaţă în care se află acesta.

3.4 Metoda de simulare utilizând Solver

3.4.1 Modele de logistică a produselor

Distribuţia produselor/serviciilor cuprinde două componente: una comercială dată de circuitul

economic al produselor, de la producător şi până la consumator şi una fizică sau logistica produselor, dată
de lanţul proceselor operative la care sunt supuse produsele în traseul lor spre consumator.
Activităţile logistice13 sunt
proiectarea şi organizarea depozitelor

13
Gh. Pistol, Marketing, Ediţia aV-a, Bucureşti, Ed. Fundaţiei România de Mâine, 2007, ISBN: 973-725-772-7

33
 depozitarea propriu-zisă,
transportul,
stocarea - asigurarea unei aprovizionări curente, adaptate specificului cererii şi cu costuri
cât mai mici posibile, în funcţie de mărimea, frecvenţa şi momentul lansării comenzilor,
mărimea stocului de siguranţă
manipularea - minimizarea costurilor de manipulare şi utilizare eficientă a spaţiilor de
depozitare - stabilirea celei mai bune mărimi a lotului supus unei manipulări, alocarea
spatiilor pentru depozitarea mărfurilor şi pentru manipularea lor, alegerea echipamentelor
de depozitare şi a celor de manipulare manuală, parţial mecanizată sau total mecanizată.
sortarea,
preambalarea,
condiţionarea,
expedierea şi recepţia produselor,
distribuţia inversă- orientarea fluxului spre producător (colectarea de la consumatori şi
distribuitori a unor deşeuri, ambalaje, materiale refolosibile),
fluxurile informaţionale privitoare la logistica produselor
Modelele de distribuţie a produselor conţin algoritmi care se adresează în special logisticii
produselor. Aceste modele permit previziunea stocurilor de produse, calculul costului minim de transport
în funcţie de distanţele care trebuie parcurse, de localizarea depozitelor, de cantităţile cerute, de tipul de
mijloc de transport, de tipul de produs (care necesită condiţii speciale de transport: refrigerare, protecţie la
şoc, la furt etc.). În general produsele foarte voluminoase, foarte grele şi neperisabile sunt transportate cu
mijloace de transport mai ieftine şi mai lente, respectiv pe apă sau pe calea ferată. Produsele care necesită
condiţii speciale de transport sunt transportate cu autovehicule şi pe calea aerului. Se mai poate analiza
activitatea personalului direct implicat în distribuţie.
Pentru previziunea stocurilor de produse se ia în calcul viteza de rotaţie a acestora, importanţa
disponibilităţii lor în stoc. Pentru stocurile de produse cu viteză mare de rotaţie se aplică o distribuţie
normală a cererii, iar pentru cele cu viteză mică o distribuţie Poisson.

Studiu de caz:
Managerul departamentului de marketing se confruntă adesea cu rezolvarea problemelor de
transport, în cazul în care nu apelează la intermediari. Acestea sunt de fapt probleme de programare
liniară pentru care este utilizat algoritmul simplex, de programare liniară cu variabile întregi pentru care
se utilizează metoda branch and bound, sau de programare neliniară pentru care este folosită metoda
generalizată a gradientului redus. SOLVER este un puternic instrument de rezolvare a problemelor de
programare matematică (cu max 200 de variabile), pe baza modelelor construite în EXCEL.14
Aplicaţie:
Prezentăm în continuare rezolvarea unei probleme de transport folosind metoda Solver, din Excel.
Conţinutul problemei este următorul: Trei depozite D1, D2, D3 dispun de anumite cantităţi dintr-un
produs solicitat de patru consumatori C1, C2, C3, C4. Costul cij al transportului unei unităţi de produs de
la depozitul Di la consumatorul Cj cantitatea de produs di disponibilă la depozitul Di, precum şi cantitatea
14
O. A. Blăjină, Produse software aplicate în programarea matematică şi teoria jocurilor, Ed. Albastra, Cluj-
Napoca, 2006 ISBN: 973-650-188-4, pg. 35

34
de produs ci, solicitată de consumatorul Cj (i=1,…3, j=1,…4) sunt trecute în tabelul 3.5. Se urmăreşte
minimizarea costului total de transport.

Tabelul 3-2. Datele problemei

Costuri unitare Necesar

C1 C2 C3 C4 Di
Disponibil D1 6 1 8 1 50
D2 9 7 3 8 10
D3 8 1 8 1 15
Cj 30 15 25 5

Problema de transport este echilibrată. Dacă notăm cu xij cantitatea transportată de la depozitul Di
la consumatorul Cj, modelul matematic este:

min(6x11+ x12+ 8x13+ x14+9x21+7x22+3x23+8x24+8x31+x32+8x33+8x34)

x11+ x12+ x13+ x14 = 50
x21+x22+x23+x24 = 10
x31+x32+x33+8x34=15
x11+ x21+ x31 = 30
x12+x22+x32 = 15
x13+x23+x33 =25
x14+x24+x34 =5
xij >=0, i=1,…3, j=1,…4

3.5 Analiza situaţiei comenzilor primite de la diferiţi clienţi prin metoda vectorilor spectrali

Previziunea situaţiilor comenzilor ce vor fi primite de la diferiţi clienţi pentru o perioadă de câteva luni se
poate realiza prin metoda vectorilor spectrali. Această metodă presupune descompunerea spectrului succesiunii în
timp a unei comenzi conform graficului de livrare, luând în calcul datele istorice privind evoluţia comenzilor.
Metoda vectorilor spectrali urmăreşte un algoritmul de calcul în trei etape:
1. se construieşte matricea extinsă a comenzilor;
2. se stabilesc elementele vectorului spectral. Acesta este un vector coloană, cu proprietatea că suma
elementelor sale este egală cu I. Acest vector reflectă eşalonarea procentuală a valorii comenzilor în
perioade succesive;
3. se înmulţeşte matricea extinsă a comenzilor cu vectorul spectral şi determină valoarea livrărilor de mărfuri
în luni succesive.

Studiu de caz
Firma „WISESOFT." urmează să livreze partenerilor săi produse IT pe bază de comandă, într-o eşalonare
pe trei luni succesive, în proporţie de 30%, 27% şi 43% din totalul comenzii.
Valoarea comenzii în luna de referinţă (decembrie) este de 3518 u.m., iar lunile precedente, de 3228 u.m.
(noiembrie) şi de 3658 u.m. (octombrie).

35
 În lunile următoare emiterii comenzii, valorile comenzilor sunt: în luna ianuarie de 3000 u.m. în luna
februarie de 4018 u.m., în luna martie de 3800 u.m., iar în luna aprilie de 5008 u.m. Marketing managerul urmăreşte
determinarea valorii livrărilor pe luni succesive, începând cu luna decembrie până la lichidarea tuturor comenzilor
emise.

Pentru rezolvarea acestei probleme marketerul va lua în calcul

Valoarea comenzilor încheiate cu acordul unor parteneri - în luni succesive
Eşalonarea procentuală a valorii comenzilor în timp, conform înţelegerii dintre parteneri

3.6 Analiza Bayesiana - Decizii în condiţii de risc şi incertitudine

Modelele Bayesiene se înscriu în categoria modelelor de decizie multicriterială care sunt utile în
cazul problemelor în care intervin puţine variante.
Deciziile de marketing sunt decizii, care de regulă sunt caracterizate de starea de risc sau incertitudine şi au
ca scop final maximizarea profitului sau reducerea costurilor.
Metodele de analiză bayesiană permit stabilirea valorii economice a informaţiei, într-un anumit context
decizional. Dacă valoarea anticipată a deciziei este mai mare în condiţiile fundamentării ei pe baza informaţiilor
rezultate dintr-o cercetare de marketing, decât în absenţa acestora, realizarea cercetării este justificată. Totuşi, în
cazul în care costul cercetării este mai mare decât contribuţia sa la procesul decizional, eforturile de cercetare nu
sunt eficiente şi cercetarea nu va fi proiectată şi realizată. 15
Analiza bayesiană pentru estimarea valorii informaţiilor obţinute din cercetare se poate realiza cu un model
multicriterial care se va rezolva, aşa cum se vede în studiile de caz următoare.

3.6.1 Studiu de caz – Alegerea strategiei de produs

Societatea „Wisesoft" lansează pe piaţă un nou joc pentru telefoanele mobile. Conjunctura pe piaţă poate fi
foarte favorabilă, favorabilă sau nefavorabilă noului produs. Marketing managerul ia în considerare trei variante
posibile de acceptare a produsului pe piaţă:
produsul să fie acceptat uşor pe piaţă şi să se vândă 4000 de licenţe;
produsul să se vândă relativ uşor pe piaţă, 2800 de licenţe;
din produs să se vândă numai 375 de licenţe.
Marketing managerul poate opta pentru dezvoltarea software în una din cele trei filialele ale societăţii F1,
F2, F3 (fig. 3.24). Opţiunile se diferenţiază prin cheltuielile fixe pentru dezvoltarea software şi prin costul variabil
unitar. Se estimează că preţul de vânzare pe piaţă al produsului va fi de 125 u.m, rezultând trei variante posibile de
venit 500.000 pentru cele 4000 de licenţe, 350.000 pentru cele 2800 de licenţe şi 46875 pentru cele 375 de licenţe.

15
Gh. Orzan, Traian Surcel – Sisteme inteligente pentru asistarea deciziilor în marketing bazate pe modele (I),
Revista de marketing online Vol. 1, Nr. 2., http://www.edumark.ase.ro/RePEc/rmko/2/7.pdf

36
 Fig. 3-4. Datele de intrare ale problemei

Marketing managerul doreşte evaluarea consecinţelor economice (costurile de dezvoltare şi profiturile

estimate) pentru fiecare situaţie posibilă în funcţie de ipotezele de acceptare a produsului pe piaţă. El solicită
determinarea celei mai potrivite strategii de dezvoltare a noului software (joc) pentru societatea Wisesoft. În ipoteza
că probabilităţile de manifestare a stărilor naturii nu se cunosc, se vor aplica criteriile Wald, Laplace, Savage, iar
pentru criteriul Hurwicz se va considera a = 0,8.

3.6.2 Studiu de caz – Alegerea strategiei de preţ

O firmă doreşte să sporească profunzimea gamei oferite utilizatorilor prin lansarea pe piaţă a
unui produs nou. Pentru produsul respectiv, marketing managerul trebuie să aleagă una dintre următoarele
variante de lansare pe baza unei strategii de preţ de “smântânire”(v1), preţ mediu (v2), preţ de penetrare
(v3). Pentru fiecare variantă, preţul stabilit are drept consecinţe obţinerea unui anumit profit diferenţiat
în funcţie de reacţia pieţei manifestată prin cerere care poate fi mică, medie, moderată.
Datele problemei sunt prezentate în tabelul 3.7

Tabelul 3-3. Profit înregistrat în funcţie de preţ şi cerere

Profit înregistrat în funcţie de cerere

Mica Moderată Medie
Variante preţ
0.5 0.3 0.2
Preţ de smântânire 380 268 0
Preţ mediu 248 398 -10
Preţ de penetrare 15 45 218

Se calculează matricea consecinţelor înmulţind probabilităţile de producere a consecinţelor

asociate fiecărui nivel al cererii. Apoi se calculează valoarea anticipată însumând pe linie valorile
matricii.
Modelul se poate extinde prin includerea formulelor de calcul specifice deciziilor din
categoria criteriilor Wald, Laplace, Savage, Hurwicz.

37
 3.7 Analiza drumului critic –Metoda Branch &Bound

Se dă un graf G = (V, A) format din muchii (arce) şi noduri (vârfuri). Pe mulţimea arcelor este
definită o funcţie d care identifică drumul cu cel mai redus cost d : A → Q+. Un graf poate fi reprezentat
sub forma unei matrice pătratice n x n, unde n = |V |, având elementele dij formate din ponderile asociate
muchiilor şi care iau valori în mulţimea Q+ ∪ {∞}. Pentru orice element dvv cu v ∈ V, este adevărată

relaţia dvv = ∞ 16. Dată fiind matricea costurilor asociată grafului, dacă dij = dji pentru , spunem că
problema de transport este simetrică17.
Pentru identificarea optimului în problemele de transport folosind arborii de decizie, se dă o
funcţie obiectiv L care trebuie minimizată în raport cu o mulţime de soluţii S aferentă parcurgerii
optimale a grafului. Algoritmul euristic presupune testarea recursivă a rutelor posibile, în raport cu media
simplă a celor mai ieftine perechi de legături aferente muchiilor adiacente tuturor nodurilor grafului,
conform relaţiei:

Dacă C > L(S) atunci trebuie explorate şi alte soluţii posibile în identificarea drumului optim.
În exemplul următor se dă un graf ponderat (fig. 3.30) şi se doreşte stabilirea costului mediu
pentru orice rută aleasă.

Fig. 3-5. Graf ponderat cu cinci noduri

Tabelul 3-4. Costul cel mai mic pentru două legături adiacente

16
http://www.lix.polytechnique.fr/~liberti/teaching/dix/inf431-11/bb-notes.pdf
17
http://www-personal.umich.edu/~murty/614/614slides5.pdf

38
 Nod Costul cel mai mic pentru două Cost
legături adiacente total
a (a,b), (a,d) 11
b (b,c), (b,d) 7
c (c,b), (c,d) 5
d (d,c), (d,b) 6
e (e,b), (e,a) 13
Total 42

Din tabelul 3.9 rezultă că valoarea costului mediu asociat oricărei rute posibile este 42/2, adică
21.18
Se vor testa în continuare rutele posibile în raport cu acest cost mediu. Rezultă că numărul de arce
ponderate luate în calcul este de ordinul 22n(n−1), deci gradul de complexitate al analizei arborescente

binare este , conform19.

Studiu de caz

O firmă de curierat rapid are de livrat colete în patru oraşe. Se doreşte optimizarea costurilor de
transport astfel încât agentul de vânzări să poată vizita fiecare oraş o singură dată pe ruta cea mai scurtă.
Oraşele şi rutele posibile dintre acestea pot fi asimilate unui graf ponderat. Costurile asociate transportului
sunt trecute în matricea drumurilor. Situaţia se reduce la o problemă clasică de transport, ruta optimă
constituind un graf hamiltonian care va fi identificat utilizând algoritmul prezentat anterior.
Pentru verificarea algoritmului se foloseşte software-ul gratuit TSP Solver and Generator (fig.
3.31) [http://tspsg.info/] care va furniza soluţia optimă.

18
http://lcm.csa.iisc.ernet.în/dsa/node187.html
19
http://www.lix.polytechnique.fr/~liberti/teaching/dix/inf431-11/bb-notes.pdf

39
 Fig. 3-6. Interfaţa TSP Solver and Generator

În urma activării butonului Solve va rezulta următoarea soluţie care coincide cu rezultatul obţinut
pe baza algoritmului propriu:

Variant #1 Task
Task:
--- 6 8 5
10 --- 4 9
9 3 --- 2
7 7 5 ---
Variant #1 Solution
Step #1
--- 0 3 0
4 --- 0 5
5 0 --- 0
0 1 0 ---
Selected route with (2;3) part.
1 alternate candidate for branching: (4;1).
Step #2
--- 0 --- 0
--- --- --- ---
5 --- --- 0

40
 0 1 --- ---
Selected route with (4;1) part.
Step #3
--- 0 --- ---
--- --- --- ---
--- --- --- 0
--- --- --- ---
Selected route with (1;2) part.
1 alternate candidate for branching: (3;4).
Optimal path:
City 1 -> City 2 -> City 3 -> City 4 -> City 1
The price is 19 units.

Fig. 3-7. Graf pentru stabilirea traseului optim

41
 Chapter 4 Previziunea de marketing

Cuvinte cheie: pieţe pre-test, pieţe test, metode de previziune de marketing, serii de timp dinamice,
metoda Brown, metoda de decompoziţie, analiza de regresie

Obiectivele învăţării:
- Înţelegerea conceptelor de piaţă pre-test şi piaţă test;
- Cunoaşterea tipurilor de metode de previziune de marketing;
- Înţelegerea conceptului de serii de timp;
- Cunoaşterea metodelor de analiză care se pot aplica asupra seriilor de timp;
- Cunoaşterea etapelor şi a modului de aplicare a metodei Brown;
- Cunoaşterea etapelor şi a modului de aplicare a metodei de decompoziţie;
- Determinarea situaţiilor în care se foloseşte analiza de regresie şi a modului de aplicare.

Previziunea de marketing este adesea folosită pentru a estima tendinţa, ciclicitatea, variaţia sezonieră şi
variaţiile întâmplătoare ale unor serii de timp formate din valorile vânzărilor, cota de piaţă, profitul, numărul de
angajaţi, cheltuieli, venituri etc. pentru o anumită perioadă de timp. Aceste valori sunt influenţate de
modificările demografice, veniturile populaţiei, cultura şi stil de viaţă, dezvoltare tehnologică, factori politici,
factori economici la nivel micro şi macro etc.
Previziunile de marketing se folosesc adesea în ultimele faze ale procesului de dezvoltare a noilor
produse, pentru estimări ale ratei de penetrare a pieţei, a volumului vânzărilor şi a cotei de piaţă.
Astfel au fost dezvoltate modele pentru pieţe pre-test şi modele pentru pieţe test. Cheltuielile cu
cercetarea pentru conceperea unui nou produs şi cheltuielile cu producerea acestuia, sunt ridicate, dar nu trebuie
neglijate nici cheltuielile cu lansarea pe piaţa a unui nou produs. În acest sens se folosesc pieţele test şi pretest.
Pieţele pre-test sunt dedicate produsului prototip, care nu a fost lansat în mod real pe nici o
piaţă şi este posibil chiar ca produsul să nu aibă încă o denumire şi un ambalaj final în vederea comercializării.
Pieţele pre-test sunt formate din eşantioane de posibili viitori clienţi pentru produsul analizat. Aceştia
sunt invitaţi într-un cadru special amenajat pentru a li se prezenta produsul în faza de prototip. Se notează
opiniile acestora referitoare la caracteristicile produsului şi la intenţiile de a cumpăra un astfel de produs. Li se
oferă produsul spre testare la domiciliu şi după un interval de timp (considerat a fi timpul mediu între achiziţii
succesive) se notează din nou opiniile acestora.
Există şi posibilitatea creării unor baze de date cu informaţii referitoare la produsele lansate anterior pe
piaţă: caracteristicile acestora, politici (cei 4 P), atitudinea clienţilor faţă de acestea, cota de piaţă, renumele lor,
etc. Companiile de cercetări de marketing care gestionează aceste baze de date pot compara un nou produs ce
urmează a fi lansat pe piaţă cu cele anterioare, pentru a se previziona evoluţia noului produs pe piaţă. Prin
intermediul modelelor matematice complexe se pot stabili “profile de succes” pentru produse, respectiv
caracteristicile unui astfel de produs să întrunească aşteptările potenţialilor clienţi.
Modele pentru pieţe test
În literatura de specialitate23, pieţele test sunt definite ca pieţe restrânse care includ un număr limitat de
puncte de desfacere sau zone geografice şi au rolul de a evalua performanţa unui produs în condiţii reale de piaţă
precum şi a unor planuri alternative de marketing. Utilizarea unor pieţe test implică, la rândul lor, costuri care
cresc odată cu durata perioadei de testare a produselor, dar şi odată cu creşterea costului de oportunitate de a nu

42
lansa produsul mai devreme. Perioadele lungi de testare dau competitorilor posibilitatea de a evalua produsele
care sunt pe punctul de a fi lansate şi de a lansa mai rapid produse similare care pot fi mai competitive.
Modelul care permite previziunea vânzărilor (depth of repeat models"), presupune analiza vânzărilor
săptămânale. Vânzările care au fost realizate până în săptămâna t, S(t), pentru un anumit produs pot fi
descompuse în:
a. Numărul de achiziţii care reprezintă încercarea produsului (prima achiziţie realizată de un
cumpărător), T(t)
b. Numărul de achiziţii care reprezintă prima repetiţie (achiziţii realizate de cumpărători care
cumpără un produs a doua oară, după ce l-au încercat), FR(t)
c. Numărul de repetiţii ulterioare, AR(t)
S(t) = T(t) + FR(t) + AR(t)
Dacă s-au făcut vânzări sub nivelul aşteptărilor pot exista două explicaţii:
a. Deşi mulţi consumatori încearcă produsul foarte puţini fac o nouă achiziţie pentru că produsul nu
corespunde preferinţelor consumatorilor. Deci produsul trebuie îmbunătăţit pentru a atinge cel
puţin nivelul de satisfacţie aşteptat de consumatori.
b. Foarte putini consumatori încearcă produsul, dar totuşi cei care o fac sunt încântaţi şi achiziţiile
ulterioare sunt ridicate. Deci produsul trebuie mai bine promovat pentru a fi încercat de mai
mulţi consumatori.
Nivelul vânzărilor poate fi reprezentat printr-o funcţie de tendinţă, care poate evolua sub forma
variantelor a (nivelul de repetiţii este ridicat), b (nivelul de repetiţii este mai scăzut) sau c (nivelul de
repetiţii este nul). Se va urmării ca perioada în care produsul să fie testat pe piaţă să fie cât mai mică 20.

În funcţie de numărul de achiziţii observate al unui produs pe o perioadă de probă se va calcula:

1. Numărul total cumulat al primei încercări pentru un anumit produs până în momentul t:

, unde
N - număr de consumatori potenţiali
P(t) - probabilitatea ca un cumpărător să facă prima încercare până în momentul t.

t - variabila timp, în general săptămâni

Pornind de la primele săptămâni (perioada de testare) se face prognoza vânzărilor pentru perioada
următoare. În Ms. Excel se poate folosii funcţia FORECAST pentru a previziona valorile viitoare.
2. Prima achiziţie repetată:

- probabilitatea de a face prima achiziţie repetată în momentul t condiţionată de încercarea

produsului în momentul t0 (probabilitatea de face prima achiziţie repetată după o perioadă de t-t0 săptămâni de la
încercarea produsului)
t-momentul primei repetiţii
t0- momentul încercării produsului

20
Previziune de marketing - http://www.scritube.com/management/marketing/PREVIZIUNE14649.php

43
 T(t0)-T(t0-1) - cu cât a crescut numărul de consumatori care au făcut prima încercare faţă de perioada
anterioară (numărul de consumatori care au făcut prima încercare în săptămâna t0)
3. Repetiţiile ulterioare:

4.1 Seriile de timp dinamice (cronologice)

Seriile de timp sunt valori pe care le iau variabilele discrete la intervale egale de timp. De exemplu cota
anuală de piaţă a unei mărci înregistrată pe perioada 2000-2013 formează o serie de timp, numită şi serie
dinamică.
Pentru seriile de timp, numite şi serii dinamice, este foarte importantă ordinea de apariţie a
înregistrărilor, care influenţează graficul seriei. Caracteristicile unei serii de timp, care vor fi analizate în detaliu
în continuare sunt: tendinţa, ciclicitatea, variaţiile sezoniere şi variaţiile aleatoare. (Fig.4.1.)
În imaginea A din figura 4.1 am reprezentat trendul, ciclicitatea şi sezonalitatea unor serii de timp
abstracte. Imaginile B, C şi D sunt reprezentării a unor serii de timp reale.
Distribuţia valorilor nivelului lunar de CO2 global din atmosferă în perioada 2009-2014 este un bun
exemplu de serie de timp caracterizată de ciclicitate. Se observă şi trendul ascendet al acestuia, spre îngrijorarea
oamenilor de ştiinţă care avertizează asupra poluarii ridicate (B).
Distribuţia valorii tranzacţiilor de pe piaţa imobiliară din Thallahassee, Florida este un bun exemplu de
serie de timp caracterizată de sezonalitate. Se observă valorile crescătoare în lunile de primăvară (Martie,
Aprilie, Mai), valorile foarte mari în lunile de vară (Iunie, Iulie, August) şi valorile descrescătoare în lunile de
toamnă şi iarnă. (C).
Distribuţia valorilor temperaturii din Groenlanda (15.000-0 ani, unde 0 este anul 1950) este un bun
exemplu de serie de timp cu variaţii întâmplătoare. Se observă variaţiile foarte mari din perioada 15.000 –
10.000. (D)
Seriile de timp depind de factori interni şi externi organizaţiei.
Factorii interni sunt în mare măsură controlabili, fiind determinaţi de modul de gestiune a resurselor
organizaţiei. Aceşti factori pot da tendinţa şi eventual variaţiile ciclice ale seriei de timp.
Factorii externi nu sunt controlabili, dar o parte dintre aceştia pot fi intuiţi sau previzionaţi. Aceşti
factori pot de variaţiile sezoniere şi aleatoare ale seriei de timp. De exemplu anumite produse se vând mai bine
în sezonul rece, altele în sezonul cald; preţul petrolului este dat de contextului internaţional; indicatorii macro şi
micro economici pot influenţa puterea de cumpărare a consumatorilor; cataclismele naturale aduc pierderi
majore pentru anumite produse şi pot creşte vânzarea altora (medicamente), etc.

44
 Fig. 4-1. Caracteristicile unor serii de timp reale

În funcţie de gradul de integrare a acestor factori în model rezultă mai metode de previziune:
de judecată – sunt estimări subiective ale experţilor, bazate pe experienţa acestora şi se aplică în
situaţiile în care nu se pot culege date pe un interval de timp relevant pentru analiză
○ exemple: părerea experţilor, metoda Delphi, analogii istorice
cauzale – de tipul regresiei în care o variabilă dependentă este calculată în funcţie de alte
variabile independente, rezultând o ecuaţie de regresie (liniară, pătratică, logaritmică,
multivariată,etc.). Ca exemplu variabila dependentă profit poate fi influenţată de variabilele
independente valoarea vânzărilor şi forţa de vânzare.
○ exemple: analiza de regresie multiplă, modele logistice, analiza corelaţiei
bazate pe serii de timp – se porneşte de la premisa că valoarea curentă a unui indicator (de ex.,
comportamentul de cumpărare al clienţilor) depinde de nivelul anterior al acestuia, pe baza

inerţiei fenomenului: Yt = f ( Yt −1 ,Yt − 2 ,...)

○ exemple: metode de extrapolare, metode de ajustare, mediile mobile, metode de decompoziţie,
Holt-Winters, Box-Jenkins

45
 econometrice – se folosesc date încadrate în modele economice complexe (modelul ISLM,
modelul Cobb-Douglas, etc.), care sunt transformate în formă matematică: sisteme de ecuaţii,
algoritm Simplex,etc.
Cele mai utilizate variabile în previziunile de marketing sunt obţinute din:
Anchete asupra opiniei consumatorilor privind situatia financiară a acestora în următoarea
perioadă, privind tendinţa viitoare a preţurilor de consum, tendinţa viitoare a situaţiei economice de
ansamblu, etc.
Anuare statistice privind creşterea vânzărilor lunare în comerţul cu amănuntul, care denotă o
creştere a puterii de cumpărare. Acesteia i se asociază o ofertă mai bogată (creşterea volumului de
bunuiri şi servicii).

A. Metode de extrapolare
Se extrapolează caracteristicile proceselor şi fenomenelor economice prezente asupra celor viitoare, în
cazul în care se observă că fenomenul manifestă inerţie, este repetabil, cu aceeaşi intensitate a dinamicii.
Rezultatul previziunii nu se va materializa complet pentru că viitorul nu reproduce fidel stările şi
evoluţiile din trecut. De aceea se recomandă realizarea prognozelor pe intervale foarte scurte şi utilizarea unor
metode adiţionale.
Extrapolarea poate fi:
analitică: se analizează un şir de date asupra cărora se aplică funcţii matematice ce exprimă
evoluţia indicatorului în timp.
fenomenologică: se analizează ipotezele referitoare la structura fenomenului investigat. Pe baza
experienţei, se aleg clase de funcţii care descriu tendinţa de variaţie a fenomenului investigat
(liniare, exponenţiale, în formă de S, etc.) sau se identifică legi de variaţie ale fenomenului
urmărit.

B. Metode de ajustare

Ajustarea unei serii temporale presupune înlocuirea valorilor seriei date de variabila studiată cu alte
valori, astfel încât să se scoată în evidenţă trendul, fluctuaţiile ciclice, sezoniere, întâmplătoare ale seriei. Pentru
ajustare se foloseşte metoda mediilor mobile şi ajustarea/nivelarea exponenţială.

Metoda nivelării exponenţiale (Brown)

Metoda R. G. Brown de nivelare exponenţială în jurul mediei se poate aplica în cazul seriilor de date cu
caracter staţionar pentru care nu se înregistrează trend şi variaţii ciclice sau sezoniere21, aplicând relaţia:
Noua previziune = vechea previziune + α (observaţia cea mai recentă – vechea previziune)
Ft+1 = Ft + α * et = Ft + α * (Yt - Ft) sau Ft+1= α * Yt + (1 - α) * 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 = Y t − Ft ,

21
Raţiu-Suciu, C., Luban, F., Hîncu, D.,Ciocoiu, N., Modelare Economică, Ediţia a II - a, Ed. ASE, Bucuresti, 2009.

46
 - α este numită constantă de nivelare şi ia valori în [0, 1]; reprezintă probabilitatea de a face o eroare
de prognoză şi determină modul în care observaţiile trecute sunt netezite pentru obţinerea predicţiei.
Alegerea lui α influenţează acurateţea prognozei. Se va alege o pondere α mică pentru seriile stabile, cu
variabilitate aleatoare redusă şi o pondere α mare pentru seriile de timp puternic oscilante, cu
variabilitate aleatoare puternică. Se mai poate folosi tehnica simulării (testări succesive), generându-se
valori în intervalul [0,1] pentru α. Pentru fiecare valoare se va calcula un indicator de eroare (suma
n
S = ∑
t=1
et
2
→ min
erorilor pătratice S, de exemplu) şi se va alege valoarea α pentru care: , unde
n reprezintă numărul observaţiilor reale ale indicatorului previzionat, t=1,..., n.
- acurateţea metodei este apreciată în funcţie de un indicator mediu de eroare, de exemplu: media

erorii în forma pătratica (MSE –Mean of squared errors) =

Σ[e(t)]² / n , t=1,...,n
- eroarea cumulată de prognoză CFE (Cumulative Forecast Error) = Σ e(t), t=1,...,n
unde n este numărul gradelor de libertate;
- Media abaterilor absolute MAD (Mean Absolute Deviation) = Σ e(t) / n , t=1,...,n
- Media erorilor procentuale MAPE (Mean Absolute Percent Error) = 100 * Σ[| e(t) | /x(t) ]/n ,
pentru t=1,...,n
- Tracking Signal (TS) = CFE / MAD, este semnalul de urmărire. 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 < k ⋅ 1,25 ⋅ 1
TS apropiat (în modul) de 0 şi se recomandă ca 2α unde k ≅ 2 (limită maxim
acceptabilă).
Datele mai vechi ale unei serii participă din ce în ce mai puţin la fundamentarea valorii F t+1.
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:
Seria de date cu tendinţă liniar crescătoare sau descrescătoare se ajustează cu modelul cu trend
(cu doi parametri);
Seria de date cu variaţii sezoniere se ajustează cu modelul de ajustare cu sezonalitate (cu doi
parametri);
Seria de date cu o componentă de tip trend şi variaţii sezoniere se ajustează cu modelul de
ajustare cu trend – sezonalitate (se folosesc trei parametri) sau modelul Holt-Winters.

Metode de decompoziţie (bazate pe descompunerea componentelor)

Metodele de descompunere sau decompoziţie urmăresc analiza separată a caracteristicilor unei serii de
timp: tendinţa (Tt), ciclicitatea (Ct), fluctuaţii sezoniere (St) şi întâmplătoare (Rt).
Trendul (Tt) este dat de curba evoluţiei fenomenului analizat pe o perioadă lungă de timp. Trendul se
poate determina prin încercarea mai multor funcţii, dintre care se alege cea cu deviaţia standard minimă, sau prin
reprezentare grafică. (diferenţa între valorile reale ale seriei introduse în calculator şi valorile ajustate cu funcţiile
matematice menţionate). Se aplică metoda celor mai mici pătrate.
Variaţia ciclică (Ct) este dat de oscilaţii mari ale fenomenului analizat, reprezentând perioadele de
creştere şi stagnare. Durata ciclului se poate întinde pe mai mulţi ani. Acesta se determină prin metoda indexării.

47
Ciclicitatea este dată de indicii de dinamică (bază în lanţ), care anticipează punctele de întoarecere, de schimbare
de trend. Indicii de ciclicitate au un caracter destul de instabil (variaţii puternice de la o perioadă la alta) ceea ce
reduce acurateţea previziunii. Indicii de ciclicitate pot anticipa, în anumite situaţii, punctele de maxim din seria
observată.
Variaţia sezonieră (St) poate fi dată de variaţii ale fenomenului, generată de anotimpuri, de obiceiuri,
tradiţii sau fenomene sociale.
Variaţia aleatoare (Rt) nu se poate previziona, nu ia forma unui model matematic care să se repete,
putând fi determinată de cataclisme sau alte fenomene neaşteptate.
În funcţie de modul de variaţie a factorilor ciclici şi sezonieri la modificările valorilor seriei dinamice se
alege un model aditiv sau multiplicativ22:
Modelul aditiv se aplică 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)
Yt = Tt + Ct + S t + Rt
, unde S, C, R sunt exprimate ca valori absolute.
Modelul multiplicativ este utilizat în mod frecvent când caracteristicile interacţionează (variaţiile
sezoniere cresc proporţional cu trendul).
Yt = Tt ⋅ Ct ⋅ S t ⋅ Rt unde S, C, R sunt exprimate ca procente sau proporţii.

Fig. 4-2. Modelul aditiv şi multiplicativ26

4.1.1 Studiu de caz - Previziunea vânzărilor - Metoda BROWN (ajustarea exponenţială simplă)

O firmă de distribuţie efectuează un studiu privind evoluţia vânzărilor pentru următorul trimestru pentru
unul dintre produsele mai slab vândute. Din analiza datelor disponibile pe ultimele 10 trimestre s-a observat că
valoarea vânzărilor variază de la un trimestru la altul conform datelor din fig. 4.3.

22
Raţiu – Suciu, Camelia, Modelarea & simularea proceselor economice – Teorie şi practică, Ediţia a patra, Editura Economică,
Bucureşti, 2005

48
 Fig. 4-3. Valoarea vânzărilor pe ultimele 10 trimestre

Dorind să se realizeze un nou program de promovare a produselor pentru trimestrul următor, se va face o
estimare a vânzărilor pe baza datelor înregistrate în perioada trecută, în ipoteza că nu se poate identifica o
anumită tendinţă (ciclică sau sezonieră) în evoluţia vânzărilor. Estimarea se va face cu metoda Brown.
Ft+1=α * Yt + (1-α) *Ft, unde:
Ft, Ft+1 sunt prognozele corespunzătoare momentelor t, respectiv t+1,
Yt este valoarea vânzărilor efective la momentul t, t=1,...,n.
Pentru a determina valoarea constantei de nivelare α se foloseşte tehnica simulării, generându-se valori
în intervalul [0,1] şi se calculează pentru fiecare coeficient suma abaterilor pătratice S - indicator care apreciază
calitatea şi acurateţea unei metode de previziune. Se va alege valoarea α pentru care S tinde la valoarea minimă,
n
S = ∑ e t 2 → min
t =1 , unde n reprezintă numărul observaţiilor reale ale indicatorului previzionat, iar et=Ft-Yt,
t=1,...,n.

Pentru a calcula suma abaterilor pătratice se va aplica formula et=Ft-Yt, unde Ft reprezintă prognozele
corespunzătoare momentelor t, calculate anterior, iar Yt reprezintă valoarea vânzărilor efective la momentul t,
respectiv datele de intrare.
Valoarea previzionată pentru următorul trimestru este de 218,35. Aapoi se aplicăformula Ft+1=α * Yt +
(1-α) *Ft.

Ecuaţia de regresie liniară calculată de graficul tip scatter este Y=-6.0933*X+258.96, iar R2 este 0.3044.
Această valoare denotă că doar 30% din variaţia variabilei independente (valoarea vânzărilor) este explicată de
variaţia variabilei dependente (timpul).

49
 4.1.2 Studiu de caz - Previziunea vânzărilor - Metoda de decompoziţie

Managerul unei companii care comercializează componente IT vizează o prognoză a volumului

vânzărilor pentru următoarele 4 trimestre pentru fundamentarea planului curent de investiţii. Pentru acesta se iau
în calcul datele din ultimii 3 ani asupra volumului de vânzări trimestriale (fig. 4.7)

Fig. 4-4. Volumul vânzărilor trimestriale

Problema se va rezolva printr-o metodă de descompunere (sau decompoziţie) care presupune
identificarea, în mod separat, a componentelor tipice în variaţia unei serii dinamice şi prognoza acestora izolată:
tendinţa generală sau trendul Tt, mişcarea ciclică Ct, fluctuaţii sezoniere St, variaţii întâmplătoare, neregulate
(perturbatoare) Rt.
Compunerea acestor elemente este posibilă în două moduri în cazul evaluării nivelului indicatorului

prognozat, şi anume: în formă aditivă: t

Y =T +C +S + R
t t t Y = T ⋅ C ⋅ S t ⋅ Rt . Se
t , sau multiplicativă: t t t

va alege modelul multiplicativ, pentru că care variaţiile sezoniere se modifică proporţional cu trendul.

Se parcurg următoarele etape:

E1. Măsurarea tendinţei generale şi a variaţiei ciclice (efectul combinat Tt*Ct) se face prin metoda
mediilor mobile din 4 termeni, având în vedere sezonalitatea preconizată pe trimestre.
Se continuă algoritmul pentru calcularea mediilor mobile, care este costisitor sub aspectul timpului.
Se calculeaza media mobiăe centrată

E2. Separarea tendinţei efectului de trend (T):

Pentru separarea efectului de trend se aplică un model de regresie liniară asupra mediilor centrate,
obţinute anterior.
∑ x k ⋅ yk − nx ⋅ y
b=
2 2
∑ xk − n ⋅ x
Ecuaţia dreptei de regresie liniară va lua forma T=a+b*x pentru care ,
1 n 1 n
x= ∑ x y= ∑ y
a = y −b⋅x ,
n k =1 k , n k =1 k , y k = MMCk , x k = k , k = 1,...,11, n = 11 .

50
 Tabelul 4-1. Rezultatul regresiei liniare
Regression Statistics
Multiple R 0,890316
R Square 0,792663
Adjusted R
Square 0,769625
Standard Error 329,782
Observations 11

ANOVA
Significance
df SS MS F F
Regression 1 3742029,384 3742029 34,40751 0,000239012
Residual 9 978805,6102 108756,2
Total 10 4720834,994

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Intercept 4396,548 359,8870964 12,21646 6,61E-07 3582,426556 5210,6689
X Variable 1 184,4409 31,44348161 5,865792 0,000239 113,3108121 255,571006

Ecuaţia de regresie estimată va fi: Te = 4396,5+184.44 X

Remarcăm că R2= 0.79. Cu cât R2 ia valori mai apropiate de valoarea 1, cu atât modelul de regresie
ajustează mai bine seria de date.
R2 ajustat=0.76; 76% din varianţa variabilelor independente (timp) asupra variabilei dependente (media
vânzărilor) este explicată de model şi doar 34% din această influenţă nu poate fi explicată de model.
Coeficientul de semnificaţie F (0,000239012) este mai mic decât pragul de sensibilitate 0,01, deci
modelul ajustează corect seria de date. Se poate de asemenea verifica dacă valorile testului F calculat (34,40) şi
tStat (12,21 şi 5,8) sunt mai mari decât valorile tabelare.
Pentru intercept (termenul liber) ipoteza nulă H0 trebuie respinsă pentru că pragul de semnificaţie
p=6,61E-07<0.01. Cu o probabilitate de 95% şi o eroare de 359,8 interceptul este 4396,548. Acesta este cuprins
în intervalul de încredere [3582,43; 5210,67]
Pentru variabila timp ipoteza nulă H0 trebuie respinsă pentru că pragul de semnificaţie p=0,000239 <
0.01. Cu o eroare de 31,44 coeficientul timpului ia valoarea 184,44. Această variabilă poate lua valori în
intervalul de încredere [113,31; 255,57].

E3. Calculul variaţiilor ciclice

MMC k
Ck = k = 1,...,11
Tk
Pentru calculul variaţiilor ciclice se foloseşte formula: (C=CMA/T). Prima
MMC1 5109.5
C1 = = = 1,12
variaţie se calculează cu formula T1 4580.99 .
În ecuaţia de regresie Te = 4396,5+184.44 X se înlocuieşte X cu valori de la 1 la 11 şi se obţine trendul
(T). Ciclicitatea se calculează ca raport între mediile centrate calculate în prima etapa - Centered Moving
Average (CMA) şi Trend (T)

51
 E4. Măsurarea efectului combinat al variaţiilor sezoniere cu cele întâmplătoare Sk*Rk = Valori
originale/CMA.
Yk
Sk ⋅ R k = k = 1,...,11
MMC k
Acest efect se calculează după formula (fig. 4.12) relaţie potrivit căreia
Y1 5632
S1 ⋅ R1 = = = 1.1022
MMC1 5109.5 (s-a considerat termenul real din seria dinamică corespunzătoare primei
medii mobile centrate calculate; doi termeni reali Y1, Y2 nu au corespondent pentru MMC).

E5. Calculul variaţiilor sezoniere (Sk)

Se pot calcula mediile aritmetice simple pentru fiecare trimestru (coloana S*R din fig. 4.12):
S ⋅ R + S7 ⋅ R7 + S11 ⋅ R11 0.8963 + 0.7182 + 0.8061
SI = 3 3 = = 0.8069
Prima medie aritmetică 3 3
corespunde sezonalităţii primului trimestru, în care S3*R3, S7*R7, S11*R11, sunt asociate trimestrului I.

Apoi se recalculează aceste medii după eliminarea celei mai mici şi a celei mai mari valori din şirul
Sk*Rk folosit pentru calculul fiecărei medii. Pentru SMI, din coloana corespunzătoare trimestrului I,, se observă
că cea mai mică valoare este 0.7182, iar cea mai mare este 0.8963, care se vor elimina. Astfel
SM I = S11 ⋅ R 11 = 0 .8061 SM II = S II SM III = S 4 ⋅ R4 = 1.0488
, , (s-au eliminat din calculul mediei valorile
minimă 1.0204 şi maximă 1.1022); SM IV = S10 ⋅ R10 = 1.3598 (s-au eliminat din calculul mediei, valorile minimă
1.0836 şi maximă 1.4145).

Se calculează apoi mediile ajustate ( Adjusted Med.Avg. ).

Prima medie ajustată se calculează după formula:
4 4
SAI = SM I = 0.80617 ⋅ = 0.7956
SM 1 + SM 2 + SM 3 + SM 4 4.0530
SA =
Se continuă algoritmul rezultând valorile SAII = 0,8271, SAIII = 1,035 şi IV 1,3421
Mediile ajustate obţinute permit calculul indicatorilor de sezonalitate (coloana F, Seasonal Index din
fig. 4.13): SI I = SAI ⋅ 100 = 79.562 etc.
Se colectează şi centralizează datele obţinute în etapa a patra şi a cincea .

52
 Fig. 4-5. Variaţii sezoniere şi întâmplătoare

E6. Determinarea variaţiilor întâmplătoare:

S k ⋅ Rk
Rk =
Variaţiile întâmplătoare se calculează cu formula:
SAtrim (coloana Random variation din fig.
S ⋅ R 1.1023 S ⋅R 1.0836
R1 = 1 1 = = 1.0648 R 2 = 2 2 = = 0.8074
4.15): SA III 1 . 0352 , SA IV 1 .3421 etc. Se continuă algoritmul pentru
celelalte perioade, după care se alege valoarea maximă şi minimă a variaţiilor întâmplătoare. Se va calcula
numărul de recurenţe pentru fiecare interval [0,80001-0,900000], [90001-1,00000], [1,00001-1,10000],
[1,10001-1,20000]. Aceste numere se vor folosi în etapa următoare.

E7. Prognoza pentru următoarele 4 trimestre:

Se calculează tendinţa (cu xk= 12, 13, 14, 15 deoarece k=1 a corespuns trimestrului III/2009 pentru
calculul primei medii mobile centrate MMC sau CMA care a permis calculul ecuaţiei de regresie pentru
tendinţă):
T16 = 4396.5 + 184,.44 * 12 = 6609.838 ,
T17 = 4396.5 + 184,.44 *13 = 6794.279
T18 = 4396.5 + 184,.44 *14 = 6978.720
T19 = 4396.5 + 184,.44 *15 = 7163.1613

Apoi se face ajustarea sezonalităţii:

T16 ⋅ S16 SAIV = 6609.838 * 1.3421=8871.1
= 6609.838 *
T17 ⋅ S17
=6794.279 * SAI = 6794.279 *0.7956=5405.72
T18 ⋅ S18 =6978.720 * SAII = 6978.720 *0.8271=5772.11
T19 ⋅ S19
= 7163.1613* SAIII = 7163.1613*1.0352=7415.06

53
 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).
Variaţiile ciclice calculate în a doua etapă se rescriu sub forma tabelului din fig.4.16.

Fig. 4-6. Variaţii ciclice

- folosind estimarea pe baza mediei aritmetice simple (fig.4.16):

1.26 + 1.12 1.12 + 1.29 + 1.11
CI = = 1.1902 C II = = 1.1724
2 , 3 , etc.
Se pot calcula valorile prognozate pentru cele 4 trimestre (IV/2012 şi I, II, III/2013) incluzând factorul
de sezonalitate corespunzător:
T16 ⋅ S16 ⋅ C16
= 8871,1 * 1,1620 =10308,09
T17 ⋅ S17 ⋅ C17
= 5405,72 * 1,1590 = 6265,051
T18 ⋅ S18 ⋅ C18
= 5772,11 * 1,1902 = 6869,742
T19 ⋅ S19 ⋅ C19
= 7415,06 *1,1724 = 8693,105
Pentru estimarea variaţiilor întâmplătoare (pe baza datelor din fig. 4.15, coloana C, 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 (s-au înregistrat 6 valori),
1,10001-1,20000 (s-a înregistrat 1 valoare).
Pe baza numărului de valori R situate în cadrul fiecărui interval se calculează probabilităţile relative şi
cele cumulate (fig.4.17).

54
 Fig. 4-7. Probabilităţile relative şi cumulate pentru fiecare interval

Se generează apoi 4 numere aleatoare NA în EXCEL, folosind funcţia RAND() - fie acestea: 0.862,
0.203, 0.400, 0.251. (fig.4.17)
Acestor numere li se asociază valorile RNA1=1.0912, RNA2=0.9416, RNA3=1.0072, RNA4=0.9594
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 ).
E8. Din compunerea tuturor componentelor ajustate (T, S, C, R) ale seriei de date, se calculează
valorile prognozate:
- pentru trimestrul IV/2012 F16 = T16* S16 * C16* RNA1= 10308*1.0912=11248
Observaţie: Indiferent de numărul aleator generat, se poate estima un interval de valori pentru F16, şi
anume: 10308*0.9559 = 8155.4151 şi 10308* 1.0705 = 11272.013, unde 0.8146, respectiv 1.1259 sunt cea mai
mică şi cea mai mare valoare R (din fig. 4.15).
Prognozele pentru celelalte perioade sunt:
pentru trimestrul I: F17 = 6265.05*0.9416 =5898,5 mil.u.m.
pentru trimestrul II: F18 = 6869.74*1.0072 =6918.9 mil.u.m
pentru trimestrul III: F19 = 8693.10 * 0,9594 =8340,1 mil.u.m

Primele 15 valori din graficul 4.18 sunt preluate din figura 4.8, iar următoarele 3 sunt valorile
prognozate.

55
 Fig. 4-8. Graficul privind previziunea vânzărilor

Pentru metodele de ajustare, alegerea formei particulare (cu un singur parametru α, cu doi parametri α, β
sau cu trei parametri α, β, γ) 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 α, β);
- dacă pentru seria de date se pot evidenţia variaţii sezoniere se va alege modelul de ajustare cu
sezonalitate (cu doi parametri α, γ);
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 α, β, γ).

4.2 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:
Indexul Globalizării KOF 201223 analizează gradul de globalizare economică, socială şi politică a ţărilor
mapamondului pentru perioada 1970-2009.

23
Dreher, Axel; Noel Gaston and Pim Martens, 2008, Measuring Globalization - Gauging its Consequence, New York:

56
 Globalizarea economică (36%) analizează fluxurilor reale şi restricţiile.
Fluxurile reale cuprind: comerţul (%din PIB), investiţiile străine directe, stocuri (% din
PIB), investiţii de portofoliu (% din PIB), impozitele veniturilor cetăţenilor străini (% din PIB)
Restricţiile cuprind: bariere de import ascunse, rate tarifare, taxele pentru comerţ
internaţional (% din veniturile curente), restricţii ale contul de capital
Globalizarea socială (37%) analizează pe baza datelor privind contactul personal, datelor
privind fluxurile de informaţii şi datelor privind proximitatea culturală.
Datele privind contactul personal analizează traficul pe telefon, transferurile (% din
PIB), turismul internaţional, populaţia străină (% din totalul populaţiei), scrisori internaţionale (pe
cap de locuitor)
Datele privind fluxurile de informaţii analizează numărul de utilizatori de Internet (la
1000 de locuitori), de televiziune (la 1000 de locuitori), comerţul cu ziare (% din PIB)
Datele privind proximitatea culturală se referă la numărul de restaurante McDonalds
(pe cap de locuitor), numărul de magazine Ikea (pe cap de locuitor), comerţul cu cărţi (procent din
PIB)
Globalizarea politică (27%) ţine cont de:
Existenţa ambasadelor în ţară
Calitatea de membru în organizaţiile internaţionale
Participarea în Consiliul de Securitate al misiunilor U.N.
Tratatele internaţionale

Datele Indexului Globalizării KOF 2012 pentru România sunt prezentate în fig. 4.5.
Să se analizeze influenţa globalizării sociale şi politice, asupra globalizării economice pentru Romania
între anii 1970-2009, luând în calcul valorile din fig. 4.21

Springer.

57
 Fig. 4-9. Valorile variabilelor incluse în modelul de regresie

Se estimează parametrii şi se analizează bonitatea modelului (testul t, testul F, coeficienţii de

determinaţie).

Rezultatul afişat de Excel:

Correlation:

Globalizare Globalizare Globalizare

economica sociala politica
Globalizare
economica 1
Globalizare sociala 0.96464 1
Globalizare politica 0.805601 0.829335 1

58
 Covarinace:

Globalizare Globalizare Globalizare

economica sociala politica
Globalizare
economica 172.4277
Globalizare sociala 171.4631 183.233
Globalizare politica 168.5279 178.8463 253.80286

Interpretare:
Coeficientul de corelaţie ia valori în intervalul -1 şi 1. În exemplul nostru dacă luăm în calcul câte două
variabile observăm că există o corelaţie directă, puternică şi pozitivă între ele pentru că valoarea coeficientului
de corelaţie se apropie de 1, fiind mai mare decât 0,8. Deci creşterea globalizării sociale şi politice determină
creşterea globalizării economice
Covarianţa denotă gradul de împrăştiere a valorilor celor două variabile faţă de mediile acestora. Pe
măsură ce creşte globalizarea socială şi politică, ecartul (dispersia) creşte. Covarianţa dintre valori este mare.
Pentru realizarea modelului de regresie se porneşte de la ipoteza nulă (coeficienţii variabilelor iau
valoarea zero) H0: coeficienţi = 0. Ipoteza alternativă susţine opusul ipotezei nule H1: coeficienţi#0

Rezultatul afişat de Excel:

Regression Statistics
Multiple R 0.964692
R Square 0.93063
Adjusted R
Square 0.926881
Standard Error 3.595981
Observations 40

ANOVA
Significance
df SS MS F F
Regression 2 6418.658 3209.329 248.1873 3.64E-22
Residual 37 478.4499 12.93108
Total 39 6897.108

Standard Upper
Coefficients Error t Stat P-value Lower 95% 95%
Intercept 5.307323 2.798162 1.896718 0.065693 -0.36229 10.97694
Globalizare
sociala 0.921356 0.075174 12.25635 0.76904 1.073673
Globalizare 0.014763 0.063873 0.231122 0.818493 -0.11466 0.144182

59
 politica

Interpretare:
R2= 0.93 Cu cât R2 ia valori mai apropiate de valoarea 1, cu atât modelul de regresie ajustează mai bine
datele din eşantion. Acesta este cazul problemei noastre.
R2 ajustat=0.92; 92% din varianţa variabilelor independente (globalizare politica şi socială) asupra
variabilei dependente (globalizare economică) este explicată de model şi doar 8% din această influenţă nu poate
fi explicată de model.
Coeficientul de semnificaţie F (3.64E-22) este mai mic decât pragul de sensibilitate 0,01, deci modelul
ajustează corect seria de date. Se poate de asemenea verifica dacă valoarea testul F calculat (248,18) şi tStat (de
exemplu 1,8) sunt mai mari decât valorile tabelare.
Pentru intercept (termenul liber) ipoteza nulă poate fi acceptată pentru că pragul de semnificaţie
p=0.065693>0.05. Cu o probabilitate de 95% şi o eroare mare de 2,79 interceptul este 5.3 Acesta este cuprins în
intervalul de încredere [-0.36229; 10.97694].
Pentru variabila globalizare sociala ipoteza nulă H0 trebuie respinsă pentru că pragul de semnificaţie
p=1.36E-14<0.01. Cu o eroare de 0.075 coeficientul globalizării sociale ia valoarea -0.92. Această variabilă
poate lua valori în intervalul de încredere [0,76; 1,073].
Pentru variabila globalizare politică ipoteza alternativă H1 trebuie respinsă pentru că pragul de
semnificaţie p=0.81>0.01. Cu o probabilitate de 95% şi o eroare de 0.063 coeficientul inflaţiei este 0.014.
Această variabilă poate lua valori în intervalul de încredere [-0,11; 0,14]
Astfel se obţine următoarea ecuaţie de regresie:
globalizare economică= 0,9213* globalizare socială + 0,0147* globalizare politică + 5.3073

Pentru a analiza în continuare modelul se pot aplica testele:

Skewness pentru a verifica gradul de asimetrie,
Kurtosis pentru a verifica tipul distribuţiei (curbă aplatizată, normală, ascuţită),
Wald pentru a verifica dacă termenul liber diferă semnificativ de valoarea doi.
White pentru analiza reziduurilor: Se porneşte de la H0: toţi coeficienţii ecuaţiei de regresie sunt nuli, cu
H1: măcar un coeficient este #0. Varianţa modelului nu este constanta dacă p-value < 0.5. În acest caz eroarea
făcută respingând H0 este mică, iar modelul se caracterizează de heteroscedasticitate. Deci inflaţia şi şomajul ar
influenţa rezidurile, situaţie nefavorabilă.
Durbin-Watson pentru a verifica autocorelarea erorilor. Dacă se valoarea testului este mai mică decât 2
suntem în situaţia unei autocorelări pozitive, dacă această valoare este mai mare decât 4 suntem în situaţia unei
autocorelări negative. Pentru intervalul [2,4] nu există autocorelare, deci modelul este ales bine şi reprezintă fidel
seria de date. În cazul unei autocorelări mici sau a lipsei autocorelării se poate aplica metoda celor mai mici
pătrate, respectiv modelul prezentat anterior. Pentru a elimina autocorelarea se pot elimina anumite variabile din
model şi/sau se pot adăuga alte variabile.
De asemenea se pot calcula estimatorii BLUE (Best Linear Unbiased Estimators), care verifică în ce
măsură sunt îndeplinite proprietăţile de nedeplasare (E(β)= β şi E(α)= α), eficienţă (Var(β)= β şi Var(α)= α) şi
consistenţă (atunci când volumul selecţiei n tinde la infinit, valorile estimatorului sunt din ce în ce mai aproape
de valoarea adevărata a parametrului)
După aplicarea tuturor acestor teste se poate trage o concluzie valoroasă, referitoare la reprezentativi-
tatea modelului.

60
 Din păcate facilităţile oferite Ms Excel nu ne permit calculul tuturor acestor valori şi în acest caz putem
apela la soluţii software precum SPSS şi E-View.

CAPITOLUL II
Chapter 5 Proiectarea şi realizarea simulărilor de marketing utilizând Markstrat

Cuvinte cheie: Markstrat, scenariu, parametri modificabili, scala semantică, harta perceptuală, studii
R&D, marcă, analiza comparativă a situaţiilor iniţiale ale firmelor.

Obiectivele învăţării:
- Familiarizarea cu software-ul de simulare Markstat;
- Cunoaşterea avantajelor oferite de Markstat;
- Cunoaşterea tipurilor de scenarii oferite de Markstat;
- Înţelegerea situaţiilor iniţiale ale firmelor Markstat şi a pieţelor Markstat;
- Cunoaşterea parametrilor ce pot fi modificaţi în simulările Markstat;
- Asimilarea aptitudinilor de a realiza o simulare Markstat.

Simulările de marketing au devenit un instrument mult mai util decât analiza statistică aplicată unei
surse de date ce caracterizează o anumită perioadă scurtă de timp. Astfel managerul de marketing direct trebuie
sa înţeleagă ca măsurarea comportamentului consumatorului de-a lungul timpului furnizează informaţii mai utile
decât analiza comportamentului acestuia în urma unei anumite campanii. 24
Există difeite programe care permit realizarea de simulări de marketing. Dintre acestea amintim
Market2win (http://www.market2win.com/), Insightmaker (http://insightmaker.com/), SPSS (http://www-
01.ibm.com/ software/ analytics/spss/), Markstrat (http://www.markstrat.com/). Pentru acest material am ales
Markstrat.
Pentru cei familiarizati cu programul SPSS, în cartea sa The Definitive Methodology For Predicting The
Future Of Your Online Business, autorul a inclus foarte multe linii de cod SPSS care permit realizarea de
simulări de marketing on-line. Acestea evidenţiază direcţiile de investit pentru ca o companie să fie profitabilă în
viitor.

5.1 Prezentarea produsului software Markstrat

Markstrat este un produs software folosit în simularile de marketing, de către firme de specialitate şi de
catre universităţi. După 30 de ani de experienţă Markstrat raspunde atât cerinţelor manageriale, cât şi celor
educaţionale, de a asimila. Simularea Markstrat permite:

24
Kevin Hillstrom , Online Marketing Simulations: The Definitive Methodology For Predicting The Future Of Your Online
Business, ISBN: 978-144-954-3969
http://www.amazon.com/Online-Marketing-Simulations-Definitive-Methodology/dp/1449543960

61
 Asimilarea, nu doar cunoaşterea, conceptelor de marketing (cota de piaţă, profitabilitatea pe
piaţă pe termen scurt şi pe termen lung, portofolii de produse, segmentarea pieţei, poziţionarea
produselor, barierele la intrarea pe piaţa sau avantajul competitiv, etc), reducând decalajul dintre
practică şi teorie;
Aplicarea strategiei de marketing în urma analizei alternativelor şi nu doar concentrarea pe
elaborarea mixului de marketing;
Aprecierea corectă a rolului şi valorii resurselor de marketing alocate pe termen mai lung,
planificarea de marketing, realizarea planurilor de urgenţă şi de control al activităţilor de
marketing;
Utilizarea adecvată a instrumentelor de cercetare de piaţă (cum ar fi harta perceptuală) şi de
monitorizare în scopul fundamentarii deciziei de marketing.
Implicarea studenţilor în astfel de proiecte de simulare, le oferă acestora o viziune de ansamblu mai
realistă. În acelaşi timp studenţii vor avea acces şi la o viziune detaliată asupra proceselor, propice asimilării
conceptelor. Absolvenţilor li se facilitează integrarea în activitatea de specialitate. Aceştia vor putea evita
greşelile majore de planificare, dacă vor participa la proiecte de marketing.
Pachetul Markstrat este compus din patru programe diferite de software, unul pentru participanţii şi trei
pentru profesori, care pot fi descărcate de la adresa http://web.stratxsimulations.com/.
Markstrat Team Software. Acest software de suport al deciziei este utilizat de către echipele de
management ale firmelor sau de către studenţi: acestea pot simula, afişa şi imprima rezultatele obţinute (sub
forma graficelor, a hărţilor perceptuale, a scalei semantice, etc) şi pot face un plan de marketing pentru a lua
decizii pe baza datelor de intrare.
Markstrat Instructor Software. Profesorii utilizează această interfaţă pentru gestionarea grupelor de
studenţi, oferindu-le cele mai recente rezultate, pentru a citi deciziile lor şi pentru a rula modelul de simulare.
Markstrat Scenario Customizer. Permite profesorilor modificarea unor parametri utilizaţi de modelul
de simulare, precum dimensiunile segmentului de piaţă şi ratele de creştere, etc.
Industrial Markstrat Comparator Tool. Acest instrument este proiectat pentru a ajuta profesorii să
compare datele între domeniile de activitate, între pieţele Markstrat.

5.1.1 Avantajele oferite de Markstrat

În literatura de specialitate sunt descrise ca avantaje oferite de jocurile de simulare: motivarea,

implicarea, feedback-ul, reprezentarea timpului, concurenta, luarea deciziilor integrate şi de grup. Pe lângă
aceste avantaje Markstrat permite aprofundarea cunoştinţelor referitoare la strategia de marketing astfel:
Utilizarea în simulare a perioadele mai lungi, de câte un an, ceea ce permite o evaluare pe
termen lung a strategiilor de marketing.
Accentul pus pe probleme de segmentare şi poziţionare în formularea de strategii de marketing.
Pentru simulare sunt oferite cinci segmente de piaţă cu nevoi şi comportamente diferite (piaţa
numită Sonites de către Markstrat), dar firmele ( sau grupul de studenţi care particilă la
simulare) pot crea o piaţă cu totul nouă (numită Vodites de către Markstrat).
Utilizarea în simulare a hărţii perceptuale pentru reprezatea grafică a similitudinilor dintre mărci
şi a preferinţelor clienţilor. Aceasta este esenţială pentru că permite poziţionarea mărcilor
evaluarea strategiilor de marketing, fiind asociată unui studiu de tip scală semantică.
Studiul privind posibilităţile de a gestiona şi extinde o linie de produse prin modificarea de
mărci existente şi introducerea altora noi.

62
 Permite fiecărei firme să gestioneaze un portofoliu de produse, dezvoltând noi strategii de
produs / piaţa, prin interacţinuea dintre marketing şi R&D (departamentul de cercetare şi
dezvoltare).
Expune distincţia dintre caracteristicile fizice ale produselor specificate de R&D şi
caracteristicile percepute de către consumatori, pe baza datelor obţinute în urma unei cercetări
de piaţă simulate.
Furnizează mai multe studii de cercetare de piaţă, un studiu de benchmarking, un studiu de
notorietate, studii privind intenţiile de cumpărare, obiceiurile de cumpărare, un panou de
consum, un panou de distribuţie, explicaţii semantice, hartă perceptuală, prognoză de piaţă,
estimarea publicităţii concurenţei, estimarea forţei de vânzări a concurenţei, un experiment de
publicitate şi o analiză conjugată.
Se simulează mediu mai dinamic: pieţele vor avea un ciclu de viaţă diferit în funcţie de deciziile
participanţilor la joc.
Se pot aduce modificări mediului economic, prin schimbarea ratelor de creştere PNB, ratei
inflaţiei şi prin controlul preţurilor.
Se poate structura bugetul de publicitate în funcţie de buget de cercetare pentru publicitate şi de
obiectivele perceptuale privind strategia de poziţionare selectată pentru o anumită marcă.
Markstrat lucrează pe baza scenariilor, oferind implicit un număr de 25 de scenarii, care se diferenţiază
în funcţie de numărul de firme concurente, numărul de domenii de activitate, numărul de pieţe. Acestea
vor fi prezentate în continuare. Fiecare echipă va porni de la un astfel de scenariu pe care îl va
customiza în mai multe etape în funcţie de notorietatea şi poziţionarea mărcii, de veniturile disponibile
şi cheltuielile preconizate, de strategiile alese, etc. În cadrul secenariilor se pot aplica formule de
simulare, precum formula pentru calculul bugetului necesar dezvoltării de proiecte de cercetare şi se
poate determinarea evoluţiei firmelor, luând în calcul ratele de creştere ale segmentului de piaţă, nivelul
inflaţiei, etc. Există şi posibilitatea pornirii de la scenarii proprii.

5.1.2 Scenariile Markstrat

Dintre parametii cei mai importanţi asupra cărora Markstrat25 permite customizarea amintim:
Numărul de firme concurente (acesta poate lua valori între 4-6). Fiecare firmă
corespunde unei echipe de participanţi (4-6 jucători-studenţi).
Numărul de domenii de activitate (industrii) şi de firme în cadrul domeniului.
Numărul de pieţe (acesta poate lua valori între 1-2). Piaţa existentă pe care echipele pot
concura se numeşte Sonites, dar acestea au posibilitatea de a crea o nouă piaţă, numită
Vodites.
Canalele de distribuţie Markstrat sunt:
Magazine de specialitate - magazine mici, poziţionate în apropierea clienţilor, oferind
servicii superioare şi expertiză tehnică superioară. In aceste magazine este expusă toată
linia de produse pentru fiecare categorie, inclusiv cele mai scumpe sau cu performanţă
superioară;

25
Ghidul instructorului - Markstrat 2010-06-24

63
 Mall - magazine ce oferă multe tipuri de produse, fară suport tehnic deosebit şi formează
de obicei lanţuri de magazine;
Hipermarket - din aceste magazine se pot cumpăra cantităţi mai mari la preţuri mai mici
din acelaşi produs; oferă foarte multe tipuri de produse, dar în aceste magazine tip
depozit nu se poate găsi întrega linie dintr-un produs; servicii suplimentare sau expertiza
tehnică oferite sunt foarte reduse.
Segmentele de pe piaţa Sonites sunt:
Impătimiţii (Buffs)
Independenţii (Singles)
Profesioniştii (Professionals)
Persoane cu salarii mari (High earners)
Alţii (Others)
Segmentele de pe piaţa Vodites sunt:
Inovatori (Innovs)
Persoane care se adapteaza repede (Adopters)
Urmăritorii (Followers)
Se poate porni de la scenarii în care situaţiile iniţiale ale firmelor pot fi egale sau diferite.
Diferenţele sunt date de punctele slabe, punctele tari, oportunităţile şi ameninţările acestora, respectiv
de portofoliul de produse, de activităţile de cercetare-dezvoltare (R&D), de inventar, de situaţia
financiară, etc.
Prin intermediul Scenariile instrumentului Customizer Scennario profesorul poate crea noi
scenarii iniţiale prin modificarea unor parametri: dimensiunea iniţială a pieţei, ratele de creştere a
segmentelor, etc.

Scenariului de bază implementat în Markstrat se numeşte F5M2A0.

Numele scenariului rezultă din convenţiile Markstrat. F5 înseamnă cinci firme şi M2 două pieţe.
A este un cod de diferenţiere a scenariilor care au acelaşi număr de firme şi pieţe. 0 este un cod pentru
diferenţierea variantelor aceluiaşi scenariu. În cazul acestui scenariu cele cinci firme concurente
pornesc de la situaţii diferite (perioada 0), care presupun confruntarea cu probleme diferite,

Tabelul 5-1. Lista scenariilor de bază furnizate de Markstrat

Situaţia
Nr. iniţială Numele Nr.
Comentarii
Pieţe a scenariului firme
firmelor
F4M2A0 4
SONITES şi

DIFERITĂ
VODITES

F5M2A0 5 Scenariul F5M2A0 va fi descris mai jos

2 pieţe:

F6M2A0 6
F4M2B0 4 Aceste scenarii folosesc mai multi parametrii. Au fost
F5M2B0 5 obţinute prin interschimbarea firmelor, a segmentelor şi

64
 F6M2B0 6 a evoluţiei punctelor ideale
Identic cu F5M2A0, dar nu s-au facut studii în perioada
F5M2A0NS 5
0.
F4M2C0 4
F5M2C0 5
Scenarii de competiţie

F6M2C0 6
F4M2C1 4
EGALA,

F5M2C1 5 Toate firmele pornesc simularea cu acleaşi două mărci.

F6M2C1 6
F4M2C2 4
F5M2C2 5
F6M2C2 6
F4M1A0 4
F5M1A0 5 Identic cu M2A0. Fără piaţa Vodites.
DIFERITĂ
SONITES

F6M1A0 6
F4M1B0 4
F5M1B0 5 Identic cu M2B0. Fără piaţa Vodites.
F6M1B0 6
1 piaţă:

F4M1C0 4
EGALĂ

F5M1C0 5 Identic cu M2C0. Fără piaţa Vodites

F6M1C0 6

Caracteristicile mediului iniţial, de la care firmele pornesc.

În perioada 0, piaţa totală Sonites este egala cu 814.000 de unităţi şi 319.889 de milioane de $.
(tabelul 5.2) Diferenţa dintre mărimile celor cinci segmente nu este foarte mare: cel mai mic segment
are 92.000 de unităţi (Persoane cu salarii mari), iar cel mai mare are 229.000 unităţi (Alţii). Celelalte trei
segmente au valori apropiate (Împătimiţi - 199000 u., Independenţi -141000 u., Profesionişti -153000 u.) Cu
toate acestea, ratele preconizate de creştere variază de la -2,2% la 33,9%. Se observă ca cea mai mare
creştere se aşteaptă de la segmentul Persoane cu salarii mari, urmat de Profesionişti şi Independenţi. Acestor
segmente trebuie să li se acorde o atenţie specială privind calitatea ofertei, mesajul publicitar, promoţii, etc. Din
punct de vedere al profitabilităţii difwerenţele dintre segmente sunt importante: preţurile medii plătite
de segmentele Persoanele cu salarii mari şi Profesionişti ajunge la valoarea de 500 $, urmate preţurile
plătite de segmentele Împătimiţii şi Independenţi, în timp ce segmentul Alţii este cel mai influenţat de
preţ (aproximativ 250 $). Pentru primele două segmente este mai importantă calitatea ofertei şi mesajul
publicitar, iar pentru ultima preţul.
Tabelul 5-2. Segmente de piaţă Sonites furnizate de Markstrat

Persoane
Împătimiţi Independenţi Profesionişti cu salarii Alţii Total
mari
Mărimea unităţi 199 141 153 92 229 814
segmentului (în %
unităţi) Total 24.4 17.3 18.8 11.3 28.2 100

65
 Mărimea $ 88365 50401 75826 46563 58734 319889
segmentului %
(valoric) Total 27.6 15.8 23.7 14.6 18.4 100
Preţ mediu $ $445 $358 $494 $506 $256 $393
Rata de creştere
aşteptată pentru % -2.2 23.6 23.6 33.9 18.4 17
perioada 1

Tabelul 5.3 prezintă obiceiurile de cumpărare ale consumatorilor Markstrat, respectiv preferinţa
acestora pentru unul din cele cele canale de distribuţie în valori procentuale. Consumatorii din
segmentele Împătimiţii şi Profesionişti preferă să facă cumpărături din magazinele de specialitate De
exemplu, acestia nu vor cumpăra un produs IT de la un mall, ci de la reprezentanţă Celelalte trei
segmente tind să achiziţioneze produsele din mall pentru a salva timp. În aceste condiţii alocarea forţei
de vânzări între cele trei canale este dificilă, dar se poate lua în calcul mărimea segmentului şi rata de
creştere a acestuia. Se va aloca întâi forţa de vânzări necesară segmentelor Profesionişti şi Persoane cu
salarii mari, deci în magazine de specialitate Forţa de vânzări rămasă se va aloca apoi segmentelor
Independenţi, Alţii, Impătimiţi, deci în mall şi în ultimul rând în hipermarket.

Tabelul 5-3. Obiceiurile de cumpărare ale consumatorilor Markstrat (valori procentuale)

Persoane cu
Canal Împătimiţi Independenţi Profesionişti Alţii Total
salarii mari
Magazine de specialitate 71.8 40.9 51.3 18.2 20.9 42.2
Mall 25.5 40.9 30.5 50 40.9 36.2
Hipermarket 2.7 18.2 18.2 31.8 38.2 21.6
Total 100 100 100 100 100 100

5.1.3 Analiza comparativă a situaţiilor iniţiale ale firmelor

Instrumente oferite de Markstrat pentru analiza situaţiilor firmelor de pe cele două pieţe pe
durata simulării sunt estimarea performanţei firmelor (benchmarking), sondajul de opinie, panelul de
consumatori, prognoza de piaţă scala semantică, harta perceptuală şi analiza Conjoint.
De obicei poziţia unui produs, a liniei de produse, a mărcii sau a companiei este reprezentată în
raport cu concurenţa lor, pe harta perceptuală. Astfel, în prezent, specialiştii în marketing au alăturat
celor 4P (Produs, Pret, Promovare si Plasament) un al cincelea P: Poziţionarea.
Poziţionarea este ceea ce reuşeşti sa creezi in mintea beneficiarului. Cu alte cuvinte poziţionezi
produsul in mintea beneficiarului.26
Prezentăm în continuare câteva detalii referitoare la harta perceptuală.

26
Al. Ries& Jack Trout - Positioning: The Battle for Your Mind (Paperback), disponibil online la adresa:
http://www.amazon.com/dp/0071373586/ref=rdr_ext_tmb

66
 5.1.3.1 Harta perceptuală

Harta perceptuală este o tehnică grafică folosită în marketing pentru reprezentarea vizuală a
percepţiilor clientilor sau potentialilor clienţi.
Hărţile perceptuale pot avea oricâte dimensiuni, dar cele mai utilizate au două dimensiuni.
Harta perceptuală de mai jos arată percepţiile consumatorilor de diverse automobile pe două
dimensiuni: atractivitate şi per-total. Acest eşantion de consumatori percep mărcile BMW şi SAAB ca
fiind cele mai bune per total, dar din punct de vedere al atractivităţii acestea concurează cu Honda,
Toyota şi G20.

Tabelul 5-4. Gradul de atractivitate al diferitelor mărci de automobile în percepţia

consumatorilor

g20 ford audi toyota eagle honda saab pontiac bmw mercury
Atractivitate 5,6 4 4,6 5,6 4 5,2 5,3 3,9 5,7 3,9
Per-total 6,3 3,9 6 5,5 4 6,5 6,8 3 6,7 4

Datele din tabelul 5.4 sunt reprezentate printr-un grafic tip radar. (fig. 5.1.)
Pe harta perceptuală mărcile alăturate sunt concurenţi direcţi şi sunt percepute de către
consumatori ca fiind similare, din punctul de vedere al caracteristicilor analizate.
Harta perceptuală se foloseşte cu succes pentru analiza poziţionării mărcilor pe piaţă înainte de
introducerea unui nou model. Pentru noul model se poate alege o zonă neacoperită de competitori.
Unele hărţi perceptuale pot utiliza cercuri de diferite dimensiuni pentru a indica volumul de
vânzări sau cota de piaţă a diferitelor produse concurente. Altele afişează, de asemenea, puncte ideale
ale consumatorilor. (fig. 5.2, şi fig. 5.3) Aceste puncte reflectă combinaţii ideale ale celor două
dimensiuni, în percepţia consumatorilor. Segmentele de piaţă sunt date de zonele cu puncte ideale pe
harta percetuală.

67
 Fig. 5-1. Harta perceptuală privind gradul de atractivitate al diferitelor mărci de automobile

Dacă revenim la analiza poziţionării mărcilor în vederea introducerii unui produs nou piaţă
firma poate alege pentru lansare zonele cu o densitate mare de puncte ideale sau, din contră, zonele fără
competiţie. Acestă alegere depinde de resursele financiare ale întreprinderii şi de experienţa anterioară.
O firmă cu resurse financiare importante şi cu experienţă valoroasă poate alege să concureze pe o zonă
cu multe puncte ideale şi cu competiţie mare. O firmă mai mică poate prefera zonele fără competiţie,
ţinânt cont de faptul că vor trebui informaţi consumatorii în privinţa avantajelor oferite de noile
produse. Pe aceste segmente cota de piaţă poate fi mai mică, dacă produsul nu obţine un grad ridicat de
notorietate.
Puncte ideale sau poziţiile concurente pot fi determinate prin scalarea multidimensională. Pot
fi, de asemenea, folosite analiza factorială, analiza discriminant, analiza cluster şi analiza logit.
Anumite tehnici sunt construite pe baza diferenţelor percepute între produse, altele sunt construite pe
baza asemănărilor percepute, iar altele sunt construite pornind de la elasticitatea preţurilor în funcţie de
cerere.27
5.1.3.2 Scalarea semantică

Scala semantică este un tip de scală de atitudine folosita în cadrul unui sondaj de opinie, în care întrebarea
formulată este cuprinsă în intervalul format dintr-o pereche de atribute bipolare - două cuvinte (exemplu: modern - demodat,
foarte favorabil - foarte nefavorabil, foarte important - foarte puţin important, acord total - dezacord total etc.). Intre acestea
se inserează o scală numerică cu trei, cinci sau şapte nivele, respondentul urmând să îşi exprime opinia. Pe acest principiu se
construiesc scala importanţei, scala de apreciere, scala intenţiei de cumpărare, clasificarea mărcilor în funcţie de atribute şi
preţuri. 28
Dintre tipurile de scale semantice amintim scala Likert şi scala Stapel.
Pentru a aprecia care este percepţia consumatorilor privind o marcă luând în calcul patru criterii (calitate, termen de
livrare, garanţii acordate şi preţ) se poare aplica scala Likert. Astfel un eşantion de 1300 de respondenţi este chestionat
privind cele 4 criterii. Fiecare respondent va răspunde cu una dintre formulările acord total, acord, indiferent, dezacord sau
dezacord total în conformitate cu opinia personală privind fiecare din cele 4 criterii.
Astfel dintre cele 1300 de persoane 250 au fost în acord total cu calitatea ridicată a produsului (au considerat
produsul foarte bun şi au acordat 2 puncte pentru acest criteriu), 370 au fost în acord cu calitatea ridicata a produsului (au
acordat 1 punct pentru acest criteriu), 260 au fost indiferente privind calitatea produsului (au acordat 0 puncte pentru acest
criteriu), 220 au fost în dezacord cu calitatea produsului (au scăzut 1 punct pentru acest criteriu) şi 200 de persoane au
considerat produsul foarte prost şi au scăzut 2 puncte pentru acest criteriu. Repartizarea celor 1300 de persoane în funcţie de
opinia personala privind celelalte trei criterii se poate observa în tabelul 5.5
Tabelul 5-5. Scalare semantică - Likert

A B C D E F G H
Acord Dezacord Nota/
1 Criterii total Acord Indiferent Dezacord total criteriu

27
Harta perceptuală – Wikipedia, http://en.wikipedia.org/wiki/Perceptual_mapping

28
Dicționar diferențiala semantică: http://www.iqads.ro/dictionar/diferentiala_semantica

68
 2 Produsul e de calitate superioară 250 370 260 220 200 250 0,19
3 Termenul de livrare este respectat 420 390 240 180 70 910 0,70
Garanţiile acordate sunt
5 corespunzatoare 350 380 290 160 120 680 0,52
5 Preţul este convenabil 230 360 190 330 190 110 0,08
6 Punctaj acordat 2 1 0 -1 -2
7 1300 Perceptia privind marca (G) = 0,375

Percepţia consumatorilor privind calitatea produsului se face prin ponderarea numărului de respondenţi cu
numărul de puncte acordate astfel: 250*2+370*1+260*0+220*(-1)+200*(-2)= 250. Această valoare se împarte la 1300 şi se
obţine ponderea 0,19. Cu alte cuvinte pe o scala de la 1 la 10, calitatea produsului este foarte slaba şi a primit nota 2.
În foaia de Ms. Excel se introduce formula =SUMPRODUCT(B2:F2;B$6:F$6), care se va copia şi pentru celelalte
trei criterii cu funcţia autofill.
Percepţia consumatorilor privind respectarea termenului de livrare este mai bună, aceştia acordând nota 7
(910/1300=0,7). Garanţiile nu sunt corespunzătoare (680/1300=0,52) primind nota 5, iar preţul este considerat foarte mare
(110/1300=0,08) primind nota 1.
Percepţia consumatorilor privind marca, luând în calcul cele 4 criterii se calculează cu ajutorul mediei aritmetice:
(0,19+0.7+0,5+0,08)/4=0,375 În concluzie această marcă este percepută ca fiind slabă, obţinând nota 4.
Se poate repeta scalarea pentru alte 2-3 mărci concurente şi se poate obţine o imagine relevantă privind clasificarea
mărcilor în funcţie de atribute şi preţuri.

5.1.3.3 Evaluarea generală a situaţiilor iniţiale ale celor cinci firme

Per total, situaţiile iniţiale ale celor cinci firme sunt similare din mai multe puncte de vedere
(tabelul 5.6). Astfel în perioada 0 cheltuieli cu publicitatea (4000, respectiv 4 milioane de $), cheltuieli cu
forţa de vânzări (1224, respectiv 1,2 milioane de $) şi buget de marketing alocat pentru perioada 1 (7150,
respectiv 7,1 milioane de $) sunt egale pentru toate cele cinci firme. Observăm că firma cu cea mai mare cotă
de piaţă (25,8%, 80976, respectiv 80,9 milioane de $) este Firma E, datorită valorii mari a încasărilor
(51664, respectiv 51,6 milioane de $) şi valorii mici a cheltuieli totale de marketing ca procent din venituri
(10,1%). Concluzionăm că firmele sunt poziţionate în segmente diferite

Tabelul 5-6. Situaţiile de pornire ale celor cinci firme (perioada 0)

Firma A Firma E Firma I Firma O Firma U

Vânzări cu amănuntul, $ 45664 80976 39089 78774 69721
Cotă de piaţă valorică, %$ 14.50% 25.80% 12.40% 25.10% 22.20%
Sold unitar, u 162 160 154 170 168
Cotă de piaţă unitară, u% 19.80% 19.70% 18.90% 20.90% 20.60%
Venituri, $ 31051 51664 26059 50761 45589
Cheltuieli cu publicitatea, $ 4000 4000 4000 4000 4000
Cheltuieli cu forţa de vânzări, $ 1224 1224 1224 1224 1224
Cheltuieli totale de marketing, %
din Venituri 16.80% 10% 20% 10.30% 11.50%
Contribuţie netă, $ 10276 14698 9907 13937 15045
Buget de marketing în perioada 1 7150 7150 7150 7150 7150

69
 Diferenţele devin deosebit de importante la nivel de mărci individuale (tabelul 5.7). Astfel
preţul cel mai mare este practicat de firma E, marca SELF (550$), adresânduse în special Împătimiţilor,
care asociază preţul mare cu calitatea, urmată de marca SULI (520$) a firmei U, de marca SONO
(510$) a firmei O şi SEMI (495$) afirmei E. Observăm că aceste mărci se adresează în special
segmentelor Profesionişti şi Persoane cu salarii mari. Segmentele Independenţi şi Alţii preferă mărcile SAMA,
SIRO, SIBI, SUSI, care au preţuri mai mici (aproximativ 200$). Cel mai mic preţ este precticat de Firma I,
marca SIRO (210$). Cotele de piaţă în valoare variază între 4 şi 16%, fiecare firmă are o marcă
puternică şi una slabă în ceea ce priveşte cota de piaţă şi contribuţia netă de marketing. Observăm că
anumite mărci se vând mai bine în magazinele de specialitate (SEMI, SELF, SOLD, SONO, SULI), în
timp ce aletele (SALT, SAMA, SIRO, SIBI) se vând mai bine în mall şi hipermarket. Toate acestea
determină strategii de segmentare şi de poziţionare foarte diferite.

Tabelul 5-7. Cotele de piaţă, distribuţia în fiecare dintre cele trei canale şi nivelurile preţurilor
pentru cele cinci firme

Cota de piaţă pe segment (unităţi vândute) Acoperirea distribuţiei

Preţ de
Persoane
vânzare Cota de piaţă Mag.
Împă- Indepen- Profesi- cu Hiper-
Marca cu (total) Alţii specia- Mall
timiţi denţi onişti salarii market
amănuntul litate
mari
$ %U %$ %U %U %U %U %U % % %
SAMA 260 16.2% 10.6% 3.7% 17.0% 0.6% 0.3% 43.1% 20.7% 46.7% 31.1%
SALT 420 4.0% 4.3% 4.9% 10.1% 2.2% 1.3% 1.6% 21.1% 47.1% 29.5%
SEMI 495 14.5% 18.4% 17.6% 7.4% 34.1% 20.2% 0.9% 50.8% 37.4% 25.1%
SELF 550 4.9% 7.0% 11.9% 3.9% 5.4% 1.7% 0.5% 48.1% 35.3% 23.5%
SIRO 210 11.6% 6.1% 3.7% 12.6% 0.6% 0.2% 29.6% 30.1% 42.5% 35.0%
SIBI 340 7.3% 6.3% 6.5% 21.5% 2.3% 0.9% 5.1% 30.3% 41.5% 33.4%
SOLD 510 13.3% 17.3% 12.6% 6.7% 24.0% 38.1% 0.9% 45.5% 36.9% 29.8%
SONO 395 7.4% 7.6% 22.6% 5.0% 4.0% 1.0% 0.8% 45.8% 36.2% 28.9%
SUSI 225 6.7% 3.8% 2.7% 7.6% 0.5% 0.2% 16.2% 38.4% 31.4% 35.8%
SULI 520 14.1% 18.7% 13.7% 8.2% 26.2% 36.1% 1.1% 42.3% 34.2% 38.1%

Nivelul general de cunoaştere a clienţilor a celor 10 mărci disponibile în perioada 0 variază

semnificativ de la 29% la aproape 60%. Variaţiile sunt chiar mai mari la nivel de segment (de exemplu,
în segmentul Alţii, acesta variază de la 27% până la 71%.) În ultima perioadă, firmele au cheltuit
fiecare 4 milioane de $ pentru publicitate, alocate în moduri diferite între cele două mărci lor. Fiecare
marcă are un nivel de inventar diferit. Ar trebui, în special, să fie remarcat faptul că un nivel de
inventar zero, poate reflecta stocul zero, implicând vânzări pierdute, sau poate reprezenta un inventar
minim de sfârşit de an. Acest lucru poate fi uşor de văzut prin compararea nivelului producţiei efective
şi cu cel aţ producţiei planificate. În cazul în care nivelul de producţie reală este mai mic decât
producţia planificata plus ajustarea maxima de 20%, nivelul de inventar zero, nu reprezintă o situaţie de

70
stoc zero.
5.1.3.4 Concluzii privind situaţia iniţială a firmelor în scenariul F5M2A029

Fiecare firmă are diferite puncte forte şi slabe în perioada 0 de simulare din punct de vedere al
caracteristicilor produsului, notorietatea mărcii, poziţionarea, cotele de piaţă, gradul de acoperire al
distribuţiei şi profitabilitatea. Această situaţie de pornire este la nivel global echitabilă pentru toate cele
cinci firme în termeni de dificultăţi şi oportunităţi şi nici una dintre firme nu are un avantaj competitiv
sistematic în Markstrat. Fiecare firmă are o marcă puternică şi una mai slabă.
Dacă se iau în considerare doar mărcile principale Sonites în perioada 0 se ajunge la matricea
din tabelul 5.8. Această matrice arată că există trei grupuri de firme concurente: A şi I, pe de o parte, în
segmentele inferioare, E şi O în segmentele superioare şi U, în toate segmentele. Firmele Markstrat nu
au valorificat încă pe deplin situaţia privind segmentarea pieţei în dezvoltarea strategiilor de marketing.
Se disting două modalităţi de segmentare adoptate de către toate firmele cu excepţia firmei U,
segmentele Independenţii şi Alţii, pe de o parte şi pe de altă parte Împătimiţii, Profesioniştii şi
Persoanele cu salarii mari. Harta perceptuală indică că aceste strategii au vizat cel mai bine segmentele
Profesionişti şi Alţii. Mărcile disponibile în prezent pe piaţă sunt departe de a satisface nevoile
segmentului Împătimiţii, Independenţii şi Persoanele cu salarii mari şi există oportunităţi pentru o mai
bună utilizare a segmentării pe piaţa Sonites.

Tabelul 5-8. Sinteza mărcilor/poziţionării pe piaţă în perioada 0

Firma E Firma O Firma A Firma I Firma U

Împătimiţi SEMI SOLD SULI
SOLD,
Independenţi SEMI SULI
SONO
SOLD,
Profesionişti SEMI SULI
SONO
Persoane cu SIRO,
SAMA SUSI
salarii mari SIBI

Alţii SAMA SIRO SUSI

29
Ibidem 30

71
5.1.4 Etapele clasice ale unui scenariu folosind Markstrat30

În general un scenariu Markstrat conţine 7-8 etape/perioade pe durată cărora firmele concurente pot
evolua diferit, în funcţie de acţiunile pe care le iau participanţii. Cu toate acestea există şi o evoluţie previzibilă
privind problemele cu care se pot confrunta (tabelul 5.9).

Tabelul 5-9. Acţiuni recomandate fiecărei perioade de simulare

Perioada Acţiuni
1 Înţelegerea operaţiilor unei firme Markstrat
2 Analiza studiilor de cercetare de piaţă
3 Iniţierea de proiecte de cercetare şi dezvoltare
4-6 Introducerea de noi mărci pe Pieţele Sonites & Vodites
7-8 Consolidarea mărcii pe pieţele Sonites şi Vodites

PERIOADA 1

În această perioadă este recomandat ca participanţii să se concentreze asupra vânzărilor şi a acţiunilor de

marketing pentru produsele pe care le au deja pe piaţă. Deciziile ar trebui să asigure continuitatea politicilor
firmelor din perioada 0 pentru a evita riscurile viitoare.
Practic studenţii se familiarizează cu analiza prezentată în subcapitolul 5.1.3, pentru a răspunde la
întrebări de genul:
Care a fost dimensiunea bugetului pentru perioada 0 şi cum a fost alocat acesta?
Care este cota de piaţă a firmei, în comparaţie cu a concurenţilor?
Care este poziţionarea mărcilor în raport cu competiţia, având în vedere caracteristicile mărcilor
şi preţurile lor ?
Din care segmente este mai mare probabilitatea să atragă vânzări şi cum ar putea evolua aceste
segmente?
Care sunt previziunile vânzărilor?
Markstrat recomandă:
Să se păstreze acelaşi număr de vânzători şi aceeaşi alocare între canale.
Să se alegă studiile de cercetare de piaţă care vor fi achiziţionate
Să se aloce bugetul rămas la publicitate, cu aceeaşi fracţiune proporţională între cele două mărci
ca în perioada 1
Să se cheltuiască 5-10% din bugetul total de publicitate pe cercetarea privind publicitatea;
Să se stabililească preţurile de vânzare, în funcţie de inflaţie sau de creşterea de 3% a preţului
mediu anual pe piaţa Sonites
Să se estimeze vânzările pe piaţă în perioada 1, presupunând o cotă de piaţă constantă, o creştere
totală de piaţă egală cu cifra medie de 35% în ultimii trei ani şi luând în calcul poziţionarea
asumată de marcă pe segmentele pieţei

30
Ghidul instructorului - Markstrat 2010-06-24

72
 Planificarea producţiei estimate poate fi dedusă din prognoza vânzărilor în concordanţă cu nivelul
stocurilor la sfârşitul perioadei 0. Se observă că firmele au costuri de stocare mai mici decât costurile privind
pierderile de vânzări, fapt care poate determina unele echipe să planifice o producţie prea mare.31

PERIOADA 2

Echipele vor analiza rezultatele studiilor de cercetare de piaţă achiziţionate în perioada 1. În aceste studii
sunt prezentate principalele elemente ale situaţiei pieţei, precum: notorietatea, intenţiile de cumpărare,
obiceiurile de cumpărare, atitudinea consumatorilor, similitudinile între mărci, preferinţele pentru o anumită
marcă şi evoluţia nevoilor pieţei, segmentarea pieţei, modalităţile de distribuţie, acţiunile competitive ale
firmelor, testarea elementelor mixului de marketing şi prognoze de piaţă.
Studenţii pot folosi datele cercetării pentru analiza evoluţiei unor valori critice (pentru a identifica
problemele care pot apărea), pentru descoperirea cauzelor posibile ale apariţiei acestora şi pentru măsurarea
efectelor elementelor mixului de marketing cu scopul stabilirii acţiunilor viitoare.
Problemele de marketing au adesea mai multe cauze. Pentru rezolvarea acestora se poate investiga:
Notorietatea mărcii: Aceasta poate fi reflectată de procentul din fondurile de cercetare alocate
pentru publicitatea privind marca (un procent mic poate fi asociat cu o notorietate scăzută). Se
poate compara acest procent cu cele ale mărcilor concurente (un decalaj mare poate explica
diferenţa de notorietate).
Poziţionarea mărcii: Aceasta este reflectată de hărţile perceptuale, care evidenţiază asemănările
şi deosebirile dintre mărci şi precum şi gradul de preferinţă al consumatorilor. Totuşi pe aceste
hărţi nu este reprezentată dimensiunea "design", care poate fi analizată din analiza de tip scala
semantică.
Intenţiile de cumpărare ale consumatorilor: Aceasta este reflectată de hărţile perceptuale şi de
analiza de tip scala semantică. Uneori o marcă poate fi cumpărată de un anumit doar pentru că
nu există alte mărci care să satisfacă mai bine cerinţele consumatorilor, sau din cauza gradului
de notorietate scăzut al acestora. Se pot astfel descoperi elementele ce pot fi îmbunătăţite la o
anumită marcă, pentru o poziţionare mai bună şi se poate stabili care vor fi investiţiile în
comunicare pentru creşterea notorietăţii.
Disponibilitatea mărcii (coerenţa distribuţiei): Aceasta este reflectată de obiceiurile de
cumpărare ale consumatorilor şi măsura în care forţa de vânzare este alocată eficient astfel încât
să răspundă cerinţelor consumatorilor. Astfel se poate verifica dacă strategia de distribuţie a fost
bine aleasă.
Cota de piaţă: O cotă de piaţă mai mare decât intenţia de cumpărare pentru o anumită marcă
este probabil să fie determinată de lipsa de pe piaţă a mărci concurente. În cazul în care o marcă
nu mai are stocuri, diferenţa dintre intenţia de cumpărare şi cota de piaţă reprezintă o estimare
brută a vânzărilor pierdute (care s-ar fi materializat dacă ar fi existat produse pe stoc).

PERIOADA 3

În acestă etapă studenţii sunt tentaţi să investeasă pentru îmbunătăţirea anumitor caracteristici fizice ale
produsului (unele dintre acestea pot fi neimportante pentru consumatori) şi în îmbunătăţirea performanţei

31
Ghidul instructorului - Markstrat 2010-06-24

73
produsului, fără ca acestea să reflecte cerinţele consumatorilor. Conseciţa investiţiilor neinspirate: produsul nu
va fi acceptat mai bine pe piaţă.
Apoi studenţii trebuie să determine caracteristicile fizice ale mărcilor existente poziţionate cel mai
aproape de zona ţintă pe harta perceptuală pentru stabili caracteristicile fizice ale proiectului de cercetare şi
dezvoltare (ale noului produs sau ale produsului îmbunătăţit) ce urmează a fi lansat. Această analiză trebuie
repetată de fiecare dată când se lansează noi produse sau se aduc îmbunătăţiri produselor, datorită nevoilor în
schimbare ale consumatorilor (puncte segment ideale).
Urmează specificarea costului mediu unitar de producţie la fabricarea primelor 100.000 de unităţi a
marcii cu noile caracteristici. Acest cost trebuie să fie suficient de scăzut pentru a oferi o marjă rezonabilă de
profit, având în vedere preţul de piaţă al mărcii. Totuşi dacă se obţine un cost mic în detrimentul calităţii
produsului, prin afectarea anumitor caracteristice, precum fiabilitatea, produsul poate fi refuzat de piaţă.
Consumatorii asociază preţul foarte mic cu calitatea slabă şi sunt dispuşi să plătească pentru anumite
caracteristici. Firma poate obţine un cost mic prin inovare (ingeniozitate inginerească) şi prin productivitate
ridicate.
Bugetul minim necesar pentru a termina proiectul cu caracteristicile rezultate în urma cercetării într-o
perioadă limitată poate fi calculat de componenta R&D din Markstrat. Studenţii au acces la 5 încercări/simulări
pentru fiecare perioadă, care le permit studenţilor să lanseze produse noi, mai repede.

PERIOADELE 4, 5 ŞI 6

Specificul acestor perioade este dat de elaborarea programelor de marketing pentru introducerea de
mărci noi pe piaţă, întru-un mediu mult mai competitiv, în care resursele alocate trebuie să permită şi menţinerea
mărcilor existente.
Studenţii vor trebui să estimeze cota de piaţă a produsului nou la sfârşitul perioadei de lansare pe piaţă.
Studenţii vor estima nivelul de notorietate a noii mărci în funcţie de publicitatea făcută şi preferinţele
consumatorilor pentru noua marcă în comparaţie cu concurenţa, gradul de acoperire a distribuţiei şi de penetrare
a diferitelor segmente. Consecinţa acestor estimări este o revizuire a obiectivelor şi resurselor alocate pentru
noua marcă.
Pentru introducerea unei noi mărci pe piaţa Sonites pot fi utilizate două tipuri de strategii:
Investiţie mare pentru de notorietate ridicată de la început şi pentru pătrunderea puternică pe
piaţă.
Testarea acceptării pe piaţă a noii mărci şi estimarea cheltuielilor de comunicare minime
implicate. Fără investiţii mari noua marcă va avea notorietate şi cotă de piaţă redusă în prima
perioadă, dar firma va fi în măsură să analizeze dacă marca este poziţionată corect Doar dacă
rezultatul ete pozitiv se poate investi, în caz contrar, se repoziţionează mărci relativ uşor dată
fiind notorietatea scăzută.
Dacă se optează pentru a doua strategie, investiţiile şi planificarea stocurilor sunt mai uşor de
administrat, dar intrarea pe piaţă este mai lentă, permiţând concurenţei să acţioneze.
Pe piaţa Sonites mărci noi vor stimula cererea primară. Este de preferat ca aceste mărci să fie bine
diferenţiate de cele existente şi să fie dedicate în special segmentelor neglijate până în prezent.
Intrarea pe piaţa Vodites este mai riscantă decât introducerea unei noi mărci pe piaţa Sonites în mai
multe privinţe:
cerinţele consumatorilor nu au termeni de comparaţie, deoarece nu există de la început mărcile
Vodites. Astfel determinarea caracteristicilor fizice adecvate pentru proiecte de cercetare şi

74
 dezvoltare în acest stadiu trebuie să se bazeze în mare parte pe judecată şi acestea se pot
schimba pe parcurs;
Previziunile pentru piaţa Vodites pot fi prea optimiste.
Primele companii care lansează mărci Vodites trebuie să dezvolte piaţa, să informeze şi să
instruiască consumatorii.. Ei vor beneficia de "avantajul primului venit", fară concurenţă, în
timp ce companiile venite mai târziu vor beneficia de acces la mai multe informaţii şi o piaţă
mai mare atunci când decid să introducă propria marca Vodites.
Piaţa Vodites este destul de instabilă şi oarecum neprofitabilă în primele perioade de dezvoltare. Fimele
mai sceptice pot să aştepte şi să înveţe din greşelile concurenţilor înainte de a intra pe piaţă. Pe de altă parte, o
intrare prea târzie pe piaţă poate ridica pretenţiile clienţilor sau poate să fie foarte scumpă dacă poziţiile mărcilor
competitive sunt deja bine stabilite.

PERIOADELE 7 şi 8

După ce au lansat o serie de mărci noi, unele firme vor descoperi că au risipit resursele şi că mărcile lor
pierd din cota de piaţă. În timp ce unele firme se preocupă de lansarea de noi produse, se poate schimba
poziţionarea mărcilor pe piaţa Sonites, pot apărea noi lideri de piaţă, sau firme care vor apela la mai multe mărci
pentru a proteja o poziţie într-un segment Alte firme pot încerca să lupte cu liderul sau să-şi consolideze poziţiile
în segmente mai puţin atractive ale pieţei. Alte firme pot urmării creşterea cotei de piaţă prin războiul preţurilor
sau controlul mai bun al canalelor de distribuţie. În această perioadă, piaţa Vodites prezintă o rată mare de
creştere, şi mai multe firme sunt tentate să investească în piaţa Vodites o bună parte din resursele acumulate pe
piaţa Sonites.

PERIOADELE 9 şi 10

Piaţa Vodites a ajuns la maturitate şi este mai sensibilă la preţ. O serie de mărci au poziţii bine stabilite
pe piaţa Vodites, în timp ce celelalte au fost victime ale progresului tehnologic pe o piaţă în creştere rapidă. Este
puţin probabil ca un nou venit să poată intra cu succes pe piaţa Vodites în acest moment, dacă firmele existente
au oferit mărci bine adaptate la nevoile consumatorilor şi dacă firmele au atins un nivel ridicat de productivitate.

5.1.5 Lista parametrilor a căror valoare poate fi modificată

Parametrilor menţionaţi mai jos pot fi modificaţi din cadrul unei interfeţe markstrat. (fig. 5.4)

75
 Fig. 5-2. Panou de bord pentru stabilirea parametrilor

1. NUMĂRUL MINIM DE MĂRCI COMERCILZATE PENTRU STUDIU

2. PARAMETRII EXPERIMENTALI PUBLICITATE ŞI FORŢA DE VÂNZĂRI – se referă la
creşterea forţei de vânzări şi la creşterea bugetului % pentru publicitate.
Cheltuieli experimentale = coeficient * cheltuielile reale
3. PARAMETRII BUGETARI AI URMĂTOAREI PERIOADE
Formula se bazează pe trei parametri: coeficient bugetar pentru următoarea perioadă (δ), bugetul minim
pentru perioada următoare (α) şi buget maxim perioada următoare (β). Bugetul de marketing pentru o anumită
perioadă de timp este legat de contribuţia netă în perioada precedentă aşa cum se observă în formula:
Bugetul perioada următoare = Max [α; Min [β,δ * contribuţie netă]]
Valorile acestor parametri sunt stabilite pentru perioada 0, dar α şi β sunt ajustate automat în timp, în
funcţie de rata inflaţiei.
4. COSTUL DE BAZĂ, COSTUL ANGAJĂRII ŞI CONCEDIERII UNUI AGENT DE
VÂNZĂRI - Costul anual al unui agent de vânzări şi costul angajării/formării sau concedierii unui agent de
vânzări sunt exprimate în $ în perioada 0 şi sunt ajustate în mod automat în timp, în concordanţă cu inflaţia.
Acest cost include salarii şi alte cheltuieli de exploatare.
5. SIMULĂRI ON-LINE R&D
Pentru specificaţiile tehnice ale proiectului furnizate şi costurile de bază, o interogare/simulare oferă o
estimare a bugetului necesar pentru finalizarea proiectului şi o estimare a costului minim de bază. Interogarea
on-line este definită de cinci parametri. Într-o anumită perioadă de timp se pot face maxim 5 interogări on-line.
Rezultatele interogării sunt date instantaneu, dar cu o precizie mai mică. Pentru a se potrivi realităţii,
informaţiile furnizate sunt supra-estimate cu un factor aleator cuprins în [αi,αx] pentru costul de bază şi în
intervalul [βi, βx] pentru bugetul de dezvolatare
6. BUGETUL MINIM PENTRU PROIECTUL R&D

76
 Bugetele minime pentru proiecte R&D pe pieţele Vodites şi Sonites corespund costului iniţierii unui
proiect de cercetare şi dezvoltare (R&D) şi software-ul nu va accepta proiecte R&D, cu bugete sub aceste
niveluri.
7. PROCENTUL MINIM DE A TERMINA CU SUCCES PROIECTUL R&D
Acest parametru corespunde nivelului sub care probabilitatea de finalizare a unui proiect de cercetare şi
dezvoltare este zero. Dacă bugetul solicitat de departamentul R&D pentru un anumit proiect este egal sau mai
mare decât acest parametru (actualizat cu rata inflaţiei), probabilitatea de finalizare a proiectului este mare. Dacă
acest bugetul alocat este mai mic decât bugetul solicitat, probabilitatea de finalizare cu succes a proiectului este
distribuită în mod egal între nivelul minim stabilit ca parametru şi nivelul cerut. De exemplu:
Rata minimă de succes R&D de proiect = 75% (valoarea parametrului în scenariu),
Bugetul solicitat de R&D = K 800$
Bugetul alocat proiectului = K 650$
Buget minim pentru finalizarea cu succes = 800$ x 75% = 600$
Probabilitatea de finalizare cu succes a proiectului = (650$ - 600$) / ( 800$ - 600$) = 25%
In cazul în care nivelul minim este stabilit la 100%, un proiect va fi finalizat cu succes doar în cazul în
care bugetul alocat este egal sau mai mare decât bugetul solicitat.
8. REGLAREA AUTOMATĂ A PLANULUI DE PRODUCŢIE (α)
Planul de producţie al mărcii este ajustat automat la cererea pieţei plus sau minus α%. Dacă π este
planul de producţie şi I inventarul de la începutul perioadei, vânzările reale pot fi între (I+π*(1-α) şi I+π*(1+α)).
9. COEFICIENTUL EFFECTULUI DAT DE EXPERIENTA
Acest parametru indică importanţa experienţ ei (know-how-ului) în producerea mărcii.
10. COEFICIENTUL COSTULUI STOCURILOR ŞI VÂNZARII
Costul deţinerii stocurilor şi costul stocurilor prea mari sunt exprimate ca procent din costul
transferului. În cazul în care costul stocurilor de produse perimate (ca urmare a unei modificări neautorizate ale
produsului, sau din cauza retragerii unui produs de pe piaţă) este de 10%, eliminarea acestor stocuri, va costa
firma 10% din valoarea acestor stocuri pe baza transferului costurilor.
11. VARIAŢIA MAXIMA A PREŢURILOR
Acest parametru specifică modificarea maximă permisă în preţul de vânzare cu amănuntul de la o
perioadă la alta. Scopul său este de a se evita schimbările bruşte nerealiste în deciziile echipei.
12. PARAMETRII ECONOMICI
Această matrice de parametri specifică ratele de creştere PNB şi ratele inflaţiei pe parcursul simulării.
13. DIMENSIUNI MAXIME ALE SEGMENTULUI ŞI RATELE DE CREŞTERE ALE
SEGMENTULUI
Aceşti parametri specifică dimensiunea maximă (în perioada 0) şi rata de creştere intrinsecă a fiecărui
segment al pieţei. Modificările acestor parametri vor modifica atractivitatea relativă a segmentelor de piaţă şi a
pieţei Vodites în comparaţie cu piaţa Sonites.
14. PONDEREA DIMENSIUNI PE SCALA HĂRŢII MULTI-DIMENSIONALE
Aceşti parametri reflectă importanţa relativă a dimensiunilor – ex: accesibilitate, performanţă şi
utilitate în piaţa Sonites - în calculul intenţiilor de cumpărare. Ponderea importantei este definita pe o scară de la
0: importanţă foarte scăzuta la 1000: o importanţă foarte mare.

77
 Chapter 6 Lista figurilor

Fig. 2-1. Funcţia riscului: corelaţia dintre impact şi probabilitate ...................................................................... 13

Fig. 2-11. Arborele decizional aferent celor 3 strategii de desfacere propuse de S.C. WISEGADGET S.R.L..... 20
Fig. 3-1. Datele problemei pentru simularea bugetului de marketing................................................................. 24
Fig. 3-13. Funcţii de utilitate asociate unui proces decizional ........................................................................... 28
Fig. 3-14. Datele de intrare – optimizarea mixului de marketing ....................................................................... 30
Fig. 3-24. Datele de intrare ale problemei......................................................................................................... 37
Fig. 3-30. Graf ponderat cu cinci noduri ....................................................................................................... 38
Fig. 3-31. Interfaţa TSP Solver and Generator .................................................................................................. 40
Fig. 3-32. Graf pentru stabilirea traseului optim ............................................................................................... 41
Fig. 4-1. Caracteristicile unor serii de timp reale .............................................................................................. 45
Fig. 4-2. Modelul aditiv şi multiplicativ26 ......................................................................................................... 48
Fig. 4-3. Valoarea vânzărilor pe ultimele 10 trimestre ...................................................................................... 49
Fig. 4-7. Volumul vânzărilor trimestriale ......................................................................................................... 50
Fig. 4-14. Variaţii sezoniere şi întâmplătoare ................................................................................................... 53
Fig. 4-16. Variaţii ciclice ................................................................................................................................. 54
Fig. 4-17. Probabilităţile relative şi cumulate pentru fiecare interval ................................................................. 55
Fig. 4-18. Graficul privind previziunea vânzărilor ............................................................................................ 56
Fig. 4-21. Valorile variabilelor incluse în modelul de regresie .......................................................................... 58
Fig. 5-1. Harta perceptuală privind gradul de atractivitate al diferitelor mărci de automobile ................. 68
Fig. 5-4. Panou de bord pentru stabilirea parametrilor ...................................................................................... 76

78
 Chapter 7 Lista tabelelor

Tabelul 2-8. Strategie de distribuţie – Posibilităţile de manifestare a produselor pe piaţă ......................... 18

Tabelul 2-9. Posibilităţile de realizare simultană a variantelor strategice ........................................................... 18
Tabelul 2-10. Probabilităţile ca unii dintre cumpărătorilor să alegă produsele unei firme, deşi anterior cumpărau
de la concurenţă ............................................................................................................................................... 21
Tabelul 3-2. Date generale – descrierea comportamentului clienţilor ................................................................ 32
Tabelul 3-5. Datele problemei .......................................................................................................................... 35
Tabelul 3-7. Profit înregistrat în funcţie de preţ şi cerere .................................................................................. 37
Tabelul 3-9. Costul cel mai mic pentru două legături adiacente ........................................................................ 38
Tabelul 4-3. Rezultatul regresiei liniare ............................................................................................................ 51
Tabelul 5-1. Lista scenariilor de bază furnizate de Markstrat ............................................................................ 64
Tabelul 5-2. Segmente de piaţă Sonites furnizate de Markstrat ......................................................................... 65
Tabelul 5-3. Obiceiurile de cumpărare ale consumatorilor Markstrat (valori procentuale) ................................. 66
Tabelul 5-4. Gradul de atractivitate al diferitelor mărci de automobile în percepţia consumatorilor........ 67
Tabelul 5-5. Scalare semantică - Likert ........................................................................................................... 68
Tabelul 5-6. Situaţiile de pornire ale celor cinci firme (perioada 0) .................................................................. 69
Tabelul 5-7. Cotele de piaţă, distribuţia în fiecare dintre cele trei canale şi nivelurile preţurilor pentru cele cinci
firme................................................................................................................................................................ 70
Tabelul 5-8. Sinteza mărcilor/poziţionării pe piaţă în perioada 0....................................................................... 71
Tabelul 5-9. Acţiuni recomandate fiecărei perioade de simulare ....................................................................... 72

79
 Bibliografie

Alexandru Căpăţînă, Rozalia Nistor, Simulări de marketing – Suport de curs, Editura EUROPLUS
Galaţi, 2010, ISBN 978-973-1950-99-0
Brobst, Bob; Bush, Ronald F., Marketing Simulation: Analysis for Decision Making, Editura
Harpercollins College Div, 1991, ISBN: 9780060406295
Dominique M. Hanssens, Leonard J. Parsons, Randall L. Schultz, Market Response Models:
Econometric and Time Series Analysis (International Series in Quantitative Marketing), Kluwer
Academic Publishers, 2003
Dreher Axel, Noel Gaston, Pim Martens, Measuring Globalization - Gauging its Consequence, New
York: Springer, 2008, ISBN 978-0-387-74069-0
Gh. Pistol, Marketing, Ediţia aV-a, Bucureşti, Ed. Fundaţiei România de Mâine, 2007, ISBN: 973-725-
772-7
Ghidul instructorului - Markstrat 2010-06-24:
Jean-Claude Larreche, Hubert Gatignon, Markstrat 3 : The Strategic Marketing Simulation - 3rd edition,
Editura South-Western Publishing Co., ISBN13: 978-0538880893
Johnson Chiri, Cotton Stanley, Global Marketing Services: A Desktop Publishing Simulation, Student
Edition, Editura Glencoe/McGraw-Hill, 1999, ISBN: 978-0028041803
Kevin Hillstrom , Online Marketing Simulations: The Definitive Methodology For Predicting The
Future Of Your Online Business, Editura CreateSpace Independent Publishing Platform, 2009, ISBN:
978-144-954-3969, http://www.amazon.com/Online-Marketing-Simulations-Definitive-Methodology
/dp/1449543960
Luiz Moutinho, Bruce Curry, Fiona Davies, Paulo Rita, Computer Modelling and Expert Systems in
Marketing, Publisher: Routledge, 1995, ISBN: 978-0415089838
O. A. Blăjină, Produse software aplicate în programarea matematică şi teoria jocurilor, Ed. Albastra,
Cluj-Napoca, 2006 ISBN: 973-650-188-4, pg. 35
Popovici Alexandru, Probabilităţi, Statistică şi Econometrie asistate de programul Excel, Ed. Niculescu,
2013, ISBN: 973-748-722-3
Raţiu – Suciu, Camelia, Modelarea & simularea proceselor economice – Teorie şi practică, Ediţia a
patra, Editura Economică, Bucureşti, 2005, p. 38.

80
 Materiale On-line:

Laura Timiras, Simulări de marketing – Suport de curs , 2007, p. 5,

http://www.scribd.com/doc/41020717/Simulări-de-Marketing
Camelia RATIU-SUCIU, Florica LUBAN, Daniela HINCU, Nadia ENE, Modelarea şi simularea
proceselor economice, http://www.biblioteca-digitala.ase.ro/biblioteca/pagina2.asp?id=cap3
Gh. Orzan, Traian Surcel – Sisteme inteligente pentru asistarea deciziilor în marketing bazate pe modele
(I), Revista de marketing online Vol. 1, Nr. 2., http://www.edumark.ase.ro/RePEc/rmko/2/7.pdf
Mihaela Stet - Metode de previziune în canalul logistic - http://www.ecr-
uvt.ro/Simpozion_ECR_2009/Materiale_simpozion/15.15_15.30_stet_mihaela.pdf
Al. Ries& Jack Trout - Positioning: The Battle for Your Mind (Paperback), disponibil online la adresa:
http://www.amazon.com/dp/0071373586/ref=rdr_ext_tmb
Harta perceptuală – Wikipedia, http://en.wikipedia.org/wiki/Perceptual_mapping
Katta G. Murty, Branch and Bound Examples: http://www-
personal.umich.edu/~murty/614/614slides5.pdf
Leo Liberti, Branch-and-Bound for the Travelling Salesman Problem,LIX, Ecole Polytechnique, F-
91128 Palaiseau, France, March 15, 2011http://www.lix.polytechnique.fr/~liberti/teaching/dix/inf431-
11/bb-notes.pdf
Data Structures and Algorithms - Optimal Solution for TSP using Branch and Bound, (Department of
Computer Science and Automation, Indian Institute of Science, Bangalore, India)
http://lcm.csa.iisc.ernet.în/dsa/node187.html
TSP Solver and Generator http://tspsg.info/
Previzionarea unor valori cu ajutorul analizei What – If, http://ro.scribd.com/doc/6886836/18/Scenariu
Previziune de marketing - http://www.scritube.com/management/marketing/PREVIZIUNE14649.php
Markstrat software homepage: http://web.stratxsimulations.com/.
Studiu de caz Markstrat disponibil la adresa: http://www.slideshare.net/phanquang144/markstrat.
Modelarea si simularea proceselor economice, Camelia RATIU-SUCIU,. Florica LUBAN, Daniela
HINCU, Nadia ENE, Biblioteca digitală A.S.E: http://www.biblioteca-
digitala.ase.ro/biblioteca/carte2.asp?id=70&idb=
Simulari On-line: http://insightmaker.com/

81