Documente Academic
Documente Profesional
Documente Cultură
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.
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
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.
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)
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.
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
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:
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
11
Chapter 2 Modele de simulare de marketing
12
scazut mediu ridicat
3 6 9
IMPACT
2 4 6
1 2 3
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.
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.
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
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
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
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).
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.
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.
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.
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).
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.
23
Fig. 3-1. Datele problemei pentru simularea bugetului de marketing
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.
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.
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.
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.
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
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.
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
probabilitatea de a ajunge din starea într-una din stările dintr-o mulţime nu depinde de
31
Se spune că este un lanţ Markov omogen dacă probabilităţile de tranziţie
nu depind explicit de n, conform relaţiei:
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).
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 -
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.
Problema de transport este echilibrată. Dacă notăm cu xij cantitatea transportată de la depozitul Di
la consumatorul Cj, modelul matematic este:
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.
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.
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
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
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.
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
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.
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.
, unde
N - număr de consumatori potenţiali
P(t) - probabilitatea ca un cumpărător să facă prima încercare până în momentul t.
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:
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
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 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
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.
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
va alege modelul multiplicativ, pentru că care variaţiile sezoniere se modifică proporţional cu trendul.
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
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).
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).
52
Fig. 4-5. Variaţii sezoniere şi întâmplătoare
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.
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).
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
Correlation:
58
Covarinace:
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
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
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.
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.
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.
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.
Situaţia
Nr. iniţială Numele Nr.
Comentarii
Pieţe a scenariului firme
firmelor
F4M2A0 4
SONITES şi
DIFERITĂ
VODITES
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,
F6M1A0 6
F4M1B0 4
F5M1B0 5 Identic cu M2B0. Fără piaţa Vodites.
F6M1B0 6
1 piaţă:
F4M1C0 4
EGALĂ
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.
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
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.
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.
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 $) şi valorii mici a cheltuieli totale de marketing ca procent din venituri
(10,1%). Concluzionăm că firmele sunt poziţionate în segmente diferite
69
Diferenţele devin deosebit de importante la nivel de mărci individuale (tabelul 5.7). Astfel
preţul cel mai mare este practicat de firma E, marca SELF (550$), 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
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.
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).
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
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.
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
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
78
Chapter 7 Lista tabelelor
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:
81