При управлении организациями повсеместно используются результаты прогнозирования. Вместе с тем на специалистов в области прогнозирования нередко смотрят как на шаманов. Немногие отчетливо понимают, как создаются прогнозы. И почему они не сбываются.

Что такое прогнозирование

Каждое утро страна замирает перед телевизором в ожидании прогноза погоды, но вечером того же дня можно услышать немало нелестных слов в адрес его авторов. Если бы люди понимали, о чем в действительности идет речь, они относились бы к этой информации совсем по-другому. В бизнесе руководители подразделений, отделов и предприятий также регулярно получают данные тактических и стратегических прогнозов. Но насколько правильно они интерпретируются?

Прогнозирование — одна из ключевых задач при организации ИТ-поддержки хозяйственной деятельности. Если компания планирует количественные или качественные изменения, важно прежде всего определить, справится ли ИТ-инфраструктура с новыми задачами. Инвестировать в ИТ-проект (как правило, это большие деньги), не обладая надежным прогнозом развития бизнеса в будущем, нецелесообразно. Нередко добропорядочные поставщики решают задачи прогнозирования такого рода, опираясь на условия заказчика: сроки, ценовую стратегию и т. д. Чтобы оптимизировать затраты заказчика на ИТ-инфраструктуру, хорошие разработчики или поставщики систем еще на стадии проектирования могут оценить перспективы развития отдельных элементов его бизнеса: клиентской базы, документооборота, логистики, загрузки склада — и предложить наиболее оптимальное для компании решение.

Существует множество примеров неудачного внедрения прогнозирующих систем в бизнес. Так, в 2000 году дефект программы планирования спроса обернулся для Nike потерей финансовых средств, времени и в какой-то степени — утратой престижа.

Характеристики и методы прогнозирования

Существует множество методик прогнозирования: здесь и статистические методы, и экспертные оценки, и моделирование. Основное качество прогноза — его точность — нередко формально характеризуется шириной доверительного интервала для истинных значений прогнозируемой величины при заданной вероятности накрытия истинного значения. Таким образом, интерпретируя результаты прогнозирования, необходимо прежде всего обратить внимание на данную вероятность. Например, если ее величина равна 95%, то в пяти случаях из ста доверительный интервал не накроет истинное значение, то есть прогноз, по сути, будет неинформативным.

Возможные источники ошибок прогнозирования хорошо исследованы и могут быть разделены на регулярные и нерегулярные. Регулярные ошибки связаны с систематической погрешностью измерений или неправильным выбором метода прогнозирования, а нерегулярные (или случайные) ошибки возникают в результате непредвиденных изменений. Методология повышения точности прогноза зависит от выбора начальных данных. Во многих случаях причиной низкой точности являются не методы, а плохое качество данных. Такое вполне естественно, если, например, прогнозы продаж формирует департамент, не имеющий отношения к ним.

В компании Vicor смогли убедиться в этом в самом начале недавнего экономического кризиса. Еще год назад компания применяла систему прогнозирования собственной разработки, созданную в 1993 году. В основе ее лежит модель линейного прогнозирования по результатам предыдущих продаж. При оценке динамики спроса на свою продукцию руководство компании всецело полагалось на данные,

предоставленные этой системой. Но в условиях снижения спроса возникли серьезные проблемы со сбытом и затоваренность склада. Неудачи поставили Vicor перед необходимостью использовать при составлении прогнозов экспертные оценки. Чтобы застраховать себя от неприятных неожиданностей, компания перешла к двухступенчатому процессу прогнозирования, при котором отделы продаж формируют

один прогноз, а модернизированная год назад информационная система прогнозирования — другой. Оба прогноза дополняют друг друга, поскольку отдел продаж весьма консервативен в своих оценках. К тому же в качестве исходной информации для прогнозов начали использовать оперативные данные с кассовых аппаратов.

Чем пользоваться?

Не только сотрудники, непосредственно формирующие прогнозы, но и руководители отделов, и высшее руководство нередко являются причиной ошибок в прогнозировании основных показателей деятельности организации. Все эти люди определяют многие критически важные данные, поступающие в прогностическую модель. Информация о планируемых больших контрактах, о новых технологических линиях и т. д. исходит от руководства. Без этих данных повысить точность прогнозов в условиях экономической нестабильности затруднительно.

Лидерами среди методов прогнозирования являются статистические методы. Основой идентификации, то есть определения структуры и параметров прогностических систем, по-прежнему является метод наименьших квадратов. С его помощью можно восстановить линейную зависимость текущих значений временного ряда от его накопленной истории. К моделям такого типа относятся, например, различные варианты модели «авторегрессии со скользящим средним». Их использование во многих случаях требует наличия научных компетенций у персонала, поэтому на практике они применяются редко. Кроме того, недостатком подобных методов экстраполяции является низкая точность в условиях высокой нестабильности.

Наиболее прогрессивными на сегодняшний день являются методы, основанные на классификации (деревья решений) и нейронных сетях. Но, хотя существуют приложения, автоматизирующие процесс построения подобных моделей (например, NeuroPro, MQL4, Neural Network Wizard, разработки компании StatSoft), прогнозирование такого рода остается математически сложной задачей и доступно только хорошо подготовленным специалистам.

Экспертные методики тоже находят свое применение при построении прогнозов. Для проверки согласованности мнений экспертов применяются ранговые меры оценки силы связи (например, коэффициенты корреляции).

Может ли программа все предсказать?

Для практического построения прогнозов существует множество программных средств. Скажем, в Microsoft Excel имеется развитый функционал для анализа зависимостей и построения прогнозов, включающий в себя построение трендов, сглаживание, выделение сезонных составляющих. Это приложение обеспечивает простой, быстрый и удобный способ построения первых вариантов прогнозов, которые, однако, будут достаточно грубыми. Требуется их серьезная доработка для получения практически значимых результатов. Широкий спектр прогностических возможностей заложен в специальных приложениях: Statistica (StatSoft), IBM SPSS Modeler, Stata (StataCorp), Eviews (QMS) — но это исследовательские программы коробочного типа. Их использование требует специального математического образования.

Пакет Matlab предоставляет возможность, при наличии навыков программирования, решать собственные исследовательские задачи с использованием широкого спектра методов. Ряд программных продуктов масштабов предприятия с возможностью модификации бизнес-модели — SAP APO, ForecastPro, ForecastX, Logility — не требуют глубоких математических знаний при эксплуатации, но их установка, внедрение, доработка и обучение персонала требуют отдельных недешевых проектов.

Некоторые разработчики программного обеспечения создают линейки аналитических средств, адаптированных под разные бизнес-задачи и размер бизнеса. Скажем, «Корпорация Парус» предлагает для широкого круга пользователей «Парус-Аналитику» и «Триумф-Аналитику». Причем предлагается интеграция программных продуктов с решениями для планирования и управления проектами (например, Microsoft Project ).

Не стоит рассчитывать на то, что, установив то или иное приложение, вы получите решение всех проблем по составлению прогнозов. Действительность будет постоянно вносить свои коррективы в вашу аналитическую деятельность. Даже если система прогнозирования предоставляет вам абсолютно точную информацию, что, конечно, на практике невозможно, трудностей не избежать. Информационная система использует архивные данные, на основании которых формулируется предположение о том, что произойдет дальше. Но наступление многих глобальных перемен на рынке, к сожалению, предсказать невозможно — например, резкий рост спроса на дезинфицирующие средства в связи с неожиданно возникшей угрозой эпидемии атипичной пневмонии.

Рецепты

Рецепт прост: для получения практически значимых прогнозов нужно не только использовать программные продукты (как основу), но и обязательно учитывать мнение опытного эксперта, «чувствующего» рынок. Нельзя, повторяя ошибки руководителей Nike, Vicor и др., слишком полагаться на технику, но и пренебрегать многолетними разработками в области математики не стоит — можно пропустить неявную нарастающую тенденцию или не увидеть медленный спад несезонного характера.

В заключение можно дать несколько рекомендаций по применению отдельных методов. Если интересующий горизонт прогнозирования невелик (один — три шага во времени), то подойдут простые методы экстраполяции, некоторые из которых (тренды и сезонности) реализованы в MS Excel. В начале анализа рекомендуется определить, насколько ряд данных стационарен, то есть стабилен и предсказуем. Если речь идет о прогнозировании сложных процессов с большим количеством случайных факторов (курсы валют, мировые цены, котировки акций), то для достижения точного результата (в пределах пятипроцентной ошибки) можно использовать модели Бокса — Дженкинса, ARCH/GARCH-модели и другие подобные, требующие определенных математических знаний от исследователя. Чем серьезнее решение, зависящее от результата прогноза, тем больше методов должно применяться и тем более сложными и точными они должны быть. Но если обстановка стабильна, а прогноз — лишь часть оперативной информации, то можно обойтись более «бюджетными» в смысле времени и денег средствами. Однако следует помнить, что любой метод прогнозирования несовершенен, поскольку он не может описать все многообразие природных и экономических процессов.

Людмила Жукова — старший преподаватель кафедры «Математическая экономика» МИЭМ; lv07@list.ru