pokaż

Zesz yty
Naukowe nr
739
2007
Akademii Ekonomicznej w Krakowie
Mariusz ¸apczyƒski
Katedra Analizy Rynku i Badaƒ Marketingowych
Predykcyjne narz´dzia iloÊciowe
w badaniach rynkowych
i marketingowych
1. Wprowadzenie
Wnioskowanie o przysz∏oÊci zwiàzane jest z takimi poj´ciami, jak projekcja, predykcja i prognoza. Warto na wst´pie uporzàdkowaç terminologi´, która pojawia si´ w pracach statystyków, ekonometryków, analityków i badaczy
rynku oraz specjalistów ds. marketingu i niejednokrotnie mo˝e wprowadzaç
w b∏àd lub prowadziç do pewnych niedomówieƒ i nieÊcis∏oÊci. Przez projekcj´
rozumie si´ przenoszenie „prawid∏owoÊci rozwojowych okresu obj´tego analizà na okres prognozowany”1 przy za∏o˝eniu braku zmian uwarunkowaƒ zewn´trznych. Przyk∏adem projekcji jest ekstrapolacja trendów lub symulacja
procesów, z zastrze˝eniem, ˝e sà to metody krótkookresowego przewidywania
zmian wielkoÊci zmiennej zale˝nej (np. wielkoÊci sprzeda˝y). Uznaje si´, ˝e
projekcja mo˝e stanowiç punkt wyjÊcia do dalszych pog∏´bionych przewidywaƒ d∏ugookresowych.
O ile w przypadku projekcji wyst´puje pewna zgodnoÊç co do znaczenia tego terminu, o tyle w przypadku poj´cia predykcji sytuacja nie jest tak jednoznaczna. Niektórzy autorzy uwa˝ajà, ˝e „predykcja polega na przeniesieniu
pewnych prawid∏owoÊci z okresu przesz∏ego na przysz∏y z równoczesnym
uwzgl´dnieniem zmian warunków towarzyszàcych tym prawid∏owoÊciom”2,
inni zaÊ, ˝e „predykcja to proces ekonometrycznego wnioskowania w przysz∏oÊç”3 lub te˝ „przewidywanie pojemnoÊci rynku w przysz∏ych okresach za `
1
S. Mynarski, Badania rynkowe w warunkach konkurencji, Fogra, Kraków 1995, s. 189.
Ibidem.
3 Z. Paw∏owski, Zasady predykcji ekonometrycznej, PWN, Warszawa 1982, s. 26.
2
Mariusz ¸apczyƒski
54
pomocà Êcis∏ych obliczeƒ ekonometrycznych”4. Pojawiajà si´ równie˝ opinie,
˝e „predykcja jest pewnym typem wnioskowania statystycznego, polegajàcego
na szacowaniu majàcej si´ zrealizowaç (w przysz∏oÊci) zmiennej losowej”5
albo ˝e „predykcja jest budowana na podstawie wykrytych i zanalizowanych
zale˝noÊci mi´dzy przewidywanà wielkoÊcià sprzeda˝y a innymi czynnikami
wp∏ywajàcymi na jej kszta∏towanie si´”6. Dla uproszczenia, w niniejszym artykule przyjmuje si´, ˝e predykcja jest procesem wnioskowania o przysz∏oÊci.
Jest to o tyle uzasadnione, ˝e nawet w przypadku budowy modeli statycznych
mened˝er chce poznaç prawid∏owoÊci na danym rynku, po to, aby w przysz∏oÊci podejmowaç trafniejsze decyzje biznesowe. To wnioskowanie o przysz∏ych
wydarzeniach dokonuje si´ tutaj w sposób poÊredni.
Ostatni z terminów – prognoza – budzi równie˝ wiele wàtpliwoÊci. Szczegó∏owe analizy definicji tego poj´cia mo˝na znaleêç m.in. w artykule Z. Czerwiƒskiego7. Prognozami sà: sàdy o kszta∏towaniu si´ zjawisk ekonomicznych
w przysz∏oÊci, stwierdzenia odnoszàce si´ do okreÊlonej przysz∏oÊci czy te˝
konkretne wyniki wnioskowania w przysz∏oÊç. W niniejszym artykule przyjmuje si´, ˝e prognoza jest wynikiem predykcji. Poniewa˝ predykcja jest procesem, zatem jej synonimem mo˝e byç poj´cie prognozowania. Takie za∏o˝enie
jest zgodne z definicjà M. CieÊlak, która uwa˝a, ˝e „prognozowanie to racjonalne, naukowe przewidywanie przysz∏ych zdarzeƒ”8.
Predykcja ma najcz´Êciej charakter dynamiczny, tzn. uwzgl´dnia zmiany
wartoÊci badanej zmiennej w czasie lub dotyczy przysz∏ych wartoÊci tej zmiennej. Zdarzajà si´ jednak sytuacje, gdy badacz jest zainteresowany budowà modelu statycznego, gdzie przedmiotem badania jest wp∏yw zestawu zmiennych
niezale˝nych na zmiennà zale˝nà. Celem analizy jest wówczas poznanie mechanizmu kszta∏tujàcego zmiennà zale˝nà, bez wybiegania w przysz∏oÊç.
Dodatkowym kryterium podzia∏u modeli predykcyjnych jest fakt w∏àczenia
do analizy innych zmiennych, które uznaje si´ za zmienne objaÊniajàce (niezale˝ne) wzgl´dem prognozowanej zmiennej objaÊnianej (zale˝nej). Mówi si´
wtedy o:
– modelach przyczynowo-skutkowych (a z drugiej strony o modelach trendu i modelach autoregresyjnych)9,
4
E. Garbacik, Ekonomika obrotu towarowego i us∏ug, PWE, Warszawa 1980, s. 281.
D. Witkowska, Podstawy ekonometrii i teorii prognozowania, Oficyna Ekonomiczna, Kraków 2005, s. 183.
6 I. Rutkowski, W. Wrzosek, Strategia marketingowa, PWE, Warszawa 1985, s. 114.
7 Z. Czerwiƒski, Jeszcze raz o prognozach [w:] Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych, red. A. ZeliaÊ, Materia∏y z XXI Ogólnopolskiego Seminarium
Naukowego zorganizowanego przez Zak∏ad Teorii Prognoz Katedry Statystyki AE w Krakowie
(Zakopane, 21–23 IV 1999), Kraków 2000.
8 Prognozowanie gospodarcze, red. M. CieÊlak, Wydawnictwo AE we Wroc∏awiu, Wroc∏aw
1996, s. 15.
9 A. ZeliaÊ, Teoria prognozy, PWE, Warszawa 1997, s. 25 i nast.
5
Predykcyjne narz´dzia iloÊciowe...
55
– technikach analitycznych i ekonometrycznych (a z drugiej strony o technikach badania tendencji rozwojowej)10,
– modelach przyczynowych i regresyjnych (a z drugiej strony o szeregach
czasowych)11,
– prognozowaniu warunkowym (i bezwarunkowym)12.
Modele przyczynowo-skutkowe sà równie˝ nazywane modelami symptomatycznymi, jeÊli zwiàzek mi´dzy zmiennymi niezale˝nymi a zmiennà zale˝nà nie ma charakteru przyczynowo-skutkowego, a jedynie korelacyjny.
Innym kryterium klasyfikacji narz´dzi predykcyjnych jest poziom pomiaru
zmiennej zale˝nej. JeÊli mamy do czynienia ze skalà przedzia∏owà lub ilorazowà, to mówimy o predykcji iloÊciowej i zmiennych prognozowanych, natomiast jeÊli poziom pomiaru tych zmiennych jest nominalny lub porzàdkowy, to
mówi si´ o predykcji jakoÊciowej i zdarzeniach prognozowanych13. W tym
ostatnim przypadku spotyka si´ tak˝e termin „prognoza zjawiska dyskretnego”14. Nale˝y jednak pami´taç, ˝e istnieje równie˝ podzia∏ na metody iloÊciowe i jakoÊciowe, co wynika ze sposobu ich budowy. Wa˝ne jest tutaj rozró˝nienie mi´dzy s∏owem „predykcja” a „metoda”. Mo˝na mieç, przyk∏adowo, do
czynienia z predykcjà iloÊciowà dokonanà za pomocà metody jakoÊciowej.
Metodami iloÊciowymi sà15: modele szeregów czasowych, modele ekonometryczne, modele analogowe, modele zmiennych wiodàcych, modele analizy kohortowej i testy rynkowe. Do grupy metod jakoÊciowych zalicza si´: opinie
sprzedawców, opinie kierownictwa, opinie ekspertów i badania intencji zakupów. Synonimami terminów „metody iloÊciowe i jakoÊciowe” sà:
– metody obiektywne i subiektywne16,
– metody matematyczno-statystyczne i metody niematematyczne (heurystyczne)17.
10
I. Rutkowski, W. Wrzosek, op. cit., s. 120–121.
S. Makridakis, S.C. Wheelwright, Forecasting: Issues and Challenges for Marketing Management, „Journal of Marketing” 1977, October, s. 26‚ 27.
12 Z. Czerwiƒski, Jeszcze raz o prognozach [w:] Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych, red. A. ZeliaÊ, Materia∏y z XXI Ogólnopolskiego Seminarium Naukowego zorganizowanego przez Zak∏ad Teorii Prognoz Katedry Statystyki AE w Krakowie (Zakopane, 21–23 IV 1999), Kraków 2000, s. 149.
13 Z. Paw∏owski, op. cit., s. 27.
14 S. Ostasiewicz, Prognozy zjawisk dyskretnych [w:] Nieklasyczne metody prognozowania,
red. M. CieÊlak, PWN, Warszawa 1983, s. 54.
15 P. Dittmann, Prognozowanie w przedsi´biorstwie. Metody i ich zastosowanie, Oficyna
Ekonomiczna, Kraków 2004, s. 48.
16 S. Mynarski, op. cit., s. 189 i nast. oraz I. Rutkowski, W. Wrzosek, op. cit., s. 118 i nast.
17 A. ZeliaÊ, op. cit., s. 25.
11
Mariusz ¸apczyƒski
56
2. Obszary zastosowaƒ analizy predykcyjnej w marketingu
Analiza predykcyjna odgrywa szczególnà rol´ w badaniach rynkowych
i marketingowych. Obszary marketingu, w których wykorzystywane sà prognozy, przedstawiono na rys. 1. Strza∏ki wyznaczajà mo˝liwà sekwencj´ prowadzonych analiz, przy czym jest to tylko kolejnoÊç sugerowana, uzale˝niona
od okolicznoÊci i potrzeb mened˝erów.
Otoczenie zewn´trzne
Rynek
Dzia∏ania przedsi´biorstwa
(marketing mix)
Dzia∏ania konkurencji
(marketing mix)
Dzia∏ania dostawców,
dystrybutorów i w∏adz
Udzia∏ w rynku
Koszty dzia∏alnoÊci
marketingowej
WielkoÊç sprzeda˝y
Wp∏yw na udzia∏owców
(np. zysk)
Rys. 1. Analiza predykcyjna w marketingu – obszary zastosowaƒ
èród∏o: J.S. Armstrong, R.J. Brodie, S.H. McIntyre, Forecasting Methods for Marketing: Review
of Empirical Research, „International Journal of Forecasting” 1987, vol. 3, s. 337.
Predykcja otoczenia zewn´trznego dotyczy m.in. takich zmiennych, jak: sytuacja ekonomiczna w regionie, tendencje demograficzne, trendy spo∏eczne,
zmiany technologiczne czy ustawodawstwo. Przedsi´biorstwa powinny posiadaç system monitorowania otoczenia, który pozwoli∏by kontrolowaç czynniki
majàce istotny wp∏yw na zmiany sytuacji na rynku. Identyfikacja kluczowych
predyktorów, kierunek ich zmian oraz ciàg∏a obserwacja mogà byç w∏àczone
w system informacji marketingowej firmy. Jednym ze sposobów na w∏aÊciwy
wybór analizowanych zmiennych jest zastosowanie techniki burzy mózgów
w grupie zewn´trznych ekspertów. Pomimo ˝e dobór zmiennych do modelu
mo˝e byç subiektywny, to jednak stosowane tu narz´dzia do budowy tego modelu zaliczane sà do grupy metod matematyczno-statystycznych.
Predykcyjne narz´dzia iloÊciowe...
57
Kolejny obszar zwiàzany jest z prognozami ca∏ego rynku. Ich budowa powinna wyprzedzaç prognozowanie wielkoÊci sprzeda˝y przedsi´biorstwa. Trudno
sobie bowiem wyobraziç, aby mened˝erowie przewidywali sprzeda˝ produktów
danej marki bez znajomoÊci ogólnych tendencji w danej bran˝y. Przewidywanie
zmian w danej bran˝y mo˝e byç dokonywane zarówno z wykorzystaniem metod
jakoÊciowych (metoda delficka), jak i metod iloÊciowych (modele ekonometryczne, których podstaw´ êród∏owà stanowià bazy danych o sprzeda˝y). Te ostatnie
sà przydatne zw∏aszcza w sytuacji, gdy zmiany na rynku sà wzgl´dnie du˝e.
Potrzeba prognozowania dzia∏aƒ przedsi´biorstwa wynika z faktu, ˝e w budow´ i realizacj´ planów marketingowych jest zaanga˝owanych wiele osób. Niewystarczajàce zasoby, niezrozumienie pracowników z ró˝nych dzia∏ów, sprzeciw udzia∏owców lub brak zaanga˝owania kluczowych osób w firmie mogà
przyczyniç si´ do tego, ˝e nawet cenne pomys∏y nie uzyskajà akceptacji, a plan
zostanie odrzucony. W obszarze tym mo˝na zbadaç opini´ najwa˝niejszych
udzia∏owców na temat proponowanych zmian (okreÊliç stopieƒ akceptacji nowych pomys∏ów) albo przeprowadziç wywiady pog∏´bione z pracownikami innych dzia∏ów (oszacowaç, jaki odsetek deklaruje zaanga˝owanie w realizacj´
planu, zidentyfikowaç oczekiwane trudnoÊci w trakcie prac). Zdecydowana
wi´kszoÊç stosowanych tu narz´dzi nale˝y do metod heurystycznych.
Nast´pnym obszarem dzia∏alnoÊci marketingowej przedsi´biorstwa, w którym wykorzystuje si´ prognozy, jest zachowanie konkurentów. Dotyczy to
w szczególnoÊci ich reakcji na zmiany otoczenia zewn´trznego, reakcji na dzia∏ania innych podmiotów rynkowych lub zmian wynikajàcych z dokumentów
planistycznych tych firm. Mimo ˝e próba przewidywania dzia∏aƒ konkurencji
jest bardzo trudna i obarczona du˝ym b∏´dem, mo˝na zastosowaç jednà z nast´pujàcych technik: opini´ ekspertów, wnioskowanie przez analogi´, eksperymenty rynkowe (np. wprowadzenie produktu na próbnym rynku), badania intencji (pytania skierowane bezpoÊrednio do konkurencji), teori´ gier lub
technik´ „odgrywania roli” (psychodram´). Jak ∏atwo zauwa˝yç, ten obszar badawczy zwiàzany jest równie˝ z narz´dziami jakoÊciowymi.
Dzia∏ania dostawców, dystrybutorów, w∏adz i pozosta∏ych udzia∏owców to
kolejny obszar zastosowania narz´dzi predykcyjnych. Predykcja dotyczy reakcji tych grup na planowane zmiany w strategii dzia∏ania firmy. Wykorzystuje
si´ tutaj te same – niematematyczne – techniki, które s∏u˝y∏y przewidywaniu
zachowaƒ konkurentów.
Bardzo wa˝nym obszarem zastosowania technik predykcyjnych jest przewidywany udzia∏ przedsi´biorstwa w rynku, a w szczególnoÊci badanie wp∏ywu instrumentów marketingu mix na zmiany tego udzia∏u. Mo˝na tutaj wyró˝niç trzy podejÊcia do analizy predykcyjnej: badania opinii, systemy eksperckie
i modele ekonometryczne. W pierwszym podejÊciu cz´sto stosowanà metodà
jest badanie intencji zakupu, zw∏aszcza wtedy, gdy przedsi´biorstwo nie dysponuje danymi historycznymi pozwalajàcymi na wnioskowanie przez analogi´.
Mo˝na równie˝ zastosowaç eksperyment rynkowy polegajàcy na porównaniu
wyników sprzeda˝y grupy sprzedawców stosujàcych nowe narz´dzie promo-
58
Mariusz ¸apczyƒski
cyjne z wynikami sprzeda˝y grupy kontrolnej (sprzedawców niestosujàcych tego narz´dzia).
Systemy eksperckie sà programami zamieniajàcymi wiedz´ ekspertów
w danej dziedzinie na obiektywne modele przedstawione w formie zestawu regu∏ typu: „je˝eli warunek, to rezultat”. Zadanie ekspertów polega na opisaniu
regu∏, których u˝ywajà przy budowaniu prognoz. Przyk∏adowe pytania mogà
brzmieç: „Jak zmieni si´ udzia∏ w rynku, jeÊli na skutek wprowadzenia kontroli jakoÊci liczba reklamacji zmniejszy si´ dwukrotnie?” albo: „Jak na zmian´
udzia∏u w rynku wp∏ynie modyfikacja naszego produktu, przy za∏o˝eniu braku
reakcji ze strony konkurentów?”. Sposób ten nazywany jest bootstrappingiem
bezpoÊrednim (direct bootstrapping), w przeciwieƒstwie do bootstrappingu
poÊredniego (indirect bootstrapping) polegajàcego na budowie modeli za pomocà analizy regresji, gdzie zmienna zale˝na to udzia∏ w rynku, a zmienne niezale˝ne to np. instrumenty marketingu mix18. W podejÊciu poÊrednim wiedza
ekspertów zast´powana jest du˝à liczbà przypadków z przesz∏oÊci. Systemy
eksperckie stanowià element hybrydowego systemu informacyjnego wspierajàcego rozwój strategii marketingowych, a ich wykorzystanie w marketingu nie
ogranicza si´ wy∏àcznie do predykcji19.
Trzecie podejÊcie w prognozowaniu udzia∏ów w rynku wià˝e si´ z wykorzystaniem modeli ekonometrycznych. Sposób ten wymaga od badacza dost´pu do
danych historycznych, na podstawie których mo˝na dokonaç uogólnieƒ dotyczàcych skutecznoÊci i wzgl´dnej wa˝noÊci poszczególnych instrumentów marketingu mix. Modele ekonometryczne sà skuteczne dla prognoz krótkoterminowych, jeÊli zmiany strategii (wartoÊci poszczególnych zmiennych niezale˝nych,
np. ceny, wydatków na reklam´ itp.) sà wzgl´dnie du˝e. Zdecydowana wi´kszoÊç wykorzystywanych tutaj narz´dzi pochodzi z grupy metod iloÊciowych.
Bardzo cz´sto predykcja dotyczy nie tyle udzia∏u firmy w rynku, ile stricte
wielkoÊci sprzeda˝y. Stosuje si´ tu zwykle cztery podejÊcia: oparte na opiniach
personelu sprzeda˝owego, oparte na badaniu intencji zakupów konsumentów,
oparte na modelach stosowanych do analizy sprzeda˝y nowych produktów oraz
modele dynamiczne. Ogólnie rzecz bioràc, mo˝na przyjàç, ˝e prognozowanie
wielkoÊci sprzeda˝y jest ÊciÊle zwiàzane z predykcjà ch∏onnoÊci rynku.
W przypadku prognoz budowanych przez personel sprzeda˝owy (hurtowników, detalistów, przedstawicieli handlowych) jest to nie tylko okreÊlenie prawdopodobnych stanów wielkoÊci sprzeda˝y (wzroÊnie, spadnie, nie zmieni si´),
ale podanie konkretnych jej wartoÊci. JeÊli chodzi o badanie intencji zakupów,
to ten nurt badawczy rozwija si´ ju˝ od lat 70. ubieg∏ego stulecia. Z badaƒ
przeprowadzonych przez D.G. Morrisona20 wynika, ˝e:
18 „Bootstrap” to tak˝e termin znany m.in. z takich dziedzin, jak data mining i uczenie si´ maszyn, oznaczajàcy sposób szacowania b∏´du modelu.
19 I. Rutkowski, Zastosowanie hybrydowego inteligentnego systemu informacyjnego w procesie rozwoju strategii marketingowej, „Âwiat Marketingu” 2002, styczeƒ, data dost´pu: 2 marca 2005.
20 D.G. Morrison, Purchase Intention and Purchase Behavior, „Journal of Marketing” 1979,
vol. 43, s. 65–74.
Predykcyjne narz´dzia iloÊciowe...
59
– trafnoÊç predykcji dla dóbr trwa∏ego u˝ytku jest znacznie ni˝sza ni˝ trafnoÊç predykcji dla dóbr nietrwa∏ych,
– odsetek osób deklarujàcych zakup jest tak niewielki, ˝e aby trafnie scharakteryzowaç potencjalnych kupujàcych, nale˝a∏oby dysponowaç bardzo du˝à
próbà (mo˝na wprawdzie zwa˝yç prób´, jednak z poznawczego punktu widzenia jest to zabieg niewystarczajàcy),
– prawid∏owe przeprowadzenie takich badaƒ wymaga Êledzenia losów respondentów i sprawdzenia, czy faktycznie dokonali zakupów (porównaç intencje deklarowane z rzeczywistymi), przy du˝ych próbach jest to bardzo trudne
do zrealizowania (z organizacyjnego punktu widzenia).
Trzecie podejÊcie w predykcji wielkoÊci sprzeda˝y polega na analizowaniu
sprzeda˝y nowych produktów tu˝ po ich wprowadzeniu na rynek. Przez produkt
nowy rozumie si´ produkt zmodyfikowany (np. trzecia wersja Opla Astry) lub ca∏kowicie nowy (np. Fiat Stilo). Stosunkowo popularne sà tutaj komercyjne modele znane z rynków produktów spo˝ywczych, np. ASSESSOR, BASES, NEWS czy
LITMUS. Czwarty sposób prognozowania wielkoÊci sprzeda˝y wià˝e si´ z wykorzystaniem modeli dynamicznych, a w szczególnoÊci analizy trendów. Trzeba
tu tak˝e uwzgl´dniç sk∏adniki szeregu czasowego, jakimi sà wahania cykliczne,
sezonowe i nieregularne sprzeda˝y – odmienne dla ró˝nych bran˝ i produktów.
Wi´kszoÊç wykorzystywanych tu narz´dzi nale˝y do grupy metod iloÊciowych.
Ostatni z obszarów marketingu, w którym cz´sto wnioskuje si´ o przysz∏oÊci, to analiza kosztów dzia∏alnoÊci marketingowej. Szacownie przysz∏ych
kosztów jest niezb´dne np. przy uk∏adaniu planu marketingowego. Przewidywania te oparte sà zazwyczaj na opiniach ekspertów (metody jakoÊciowe) lub
na modelach ekonometrycznych (metody iloÊciowe).
Ogólnie rzecz ujmujàc, wszelkie wysi∏ki zwiàzane z próbà wnioskowania
o przysz∏oÊci majà na celu skuteczniejsze zarzàdzanie przedsi´biorstwem. Predykcja we wszystkich wy˝ej wymienionych obszarach dzia∏alnoÊci marketingowej ma jeden nadrz´dny cel – popraw´ sytuacji finansowej firmy i zapewnienie zysków jej udzia∏owcom.
3. Narz´dzia iloÊciowe do predykcji dynamicznej
Istnieje wiele klasyfikacji dynamicznych modeli predykcyjnych. W literaturze marketingowej omawia si´ modele21:
1) arytmetycznej Êredniej ruchomej (arithmetic moving averages),
2) Êredniej ruchomej dla wahaƒ multiplikatywnych (multiplicative case),
3) z wyg∏adzanà wyk∏adniczo Êrednià ruchomà (exponentially-smoothed
moving averages),
4) adaptacyjnych (adaptive forecasting model),
21 C. Pearce, Prediction Techniques for Marketing Planners, Associated Business Programmes, London 1971, s. 66 i nast.
Mariusz ¸apczyƒski
60
5) liniowych (linear),
6) krzywoliniowych (curvilinear),
7) wyk∏adniczych (exponential type models).
Opisuje si´ równie˝22:
1) modele naiwne – prostych regu∏ach typu: „wielkoÊç sprzeda˝y b´dzie
równa lub wi´ksza o 5% ni˝ w analogicznym okresie w roku ubieg∏ym”,
2) ekstrapolacj´ trendów – liniowych, wyk∏adniczych,
3) wyrównywanie wyk∏adnicze – prognozy otrzymuje si´ poprzez wyrównywanie, uÊrednianie wartoÊci w sposób liniowy lub wyk∏adniczy,
4) dekompozycj´ szeregu – wyodr´bnienie funkcji trendu, wahaƒ cyklicznych sezonowych,
5) filtry (filters) – prognoza jest wyra˝ona za pomocà liniowej kombinacji
przesz∏ych i teraêniejszych wartoÊci z mo˝liwoÊcià adaptacji zmian wartoÊci,
6) ARMA, metod´ Boxa-Jenkinsa – prognoza jest wyra˝ona za pomocà liniowej kombinacji przesz∏ych i teraêniejszych wartoÊci oraz b∏´du.
W polskiej literaturze spotyka si´ równie˝ klarowne, choç nieco rozbie˝ne,
klasyfikacje modeli do analizy szeregów czasowych23. Ogólnie rzecz ujmujàc,
mo˝na podzieliç je na modele24:
1) szeregów czasowych z trendem (analityczne i wyg∏adzania wyk∏adniczego),
2) szeregów czasowych z wahaniami sezonowymi (metoda wskaêników,
metoda iteracyjna, analiza harmoniczna, metoda wyg∏adzana wyk∏adniczego),
3) szeregów czasowych z wahaniami cyklicznymi,
4) autoregresji i Êredniej ruchomej (ARMA i ARIMA).
Wyznaczenie funkcji trendu oznacza wyg∏adzenie szeregu czasowego. Poszukuje si´ tutaj funkcji matematycznej, która najlepiej pasuje do danych. Zadaniem funkcji trendu jest wykazanie pewnych tendencji rozwojowych zjawiska w czasie, np. tendencji sprzeda˝y danego produktu. Stosujàc modele
analityczne trzeba umiej´tnie dobraç postaç funkcji trendu uwzgl´dniajàc specyfik´ rynku, faz´ cyklu ˝ycia produktu i horyzont czasowy prognozy. W przypadku prognoz krótkookresowych mo˝na skorzystaç z funkcji liniowej, wyk∏adniczej, wielomianu stopnia drugiego lub funkcji pot´gowej. W przypadku
prognoz o d∏u˝szym horyzoncie czasowym lepiej stosowaç funkcj´ logarytmicznà, pot´gowà, wielomian odwrotnoÊciowy, wielomian stopnia drugiego,
funkcj´ liniowo-odwrotnoÊciowà bàdê funkcj´ ilorazowà. Ogólnie rzecz ujmujàc, korzystniej jest dobieraç funkcje charakteryzujàce si´ malejàcymi przyrostami zamiast funkcji z rosnàcymi przyrostami. Prognozy sà wtedy bardziej
ostro˝ne i lepiej dostosowane do realiów rynkowych (popyt na dany produkt
z biegiem czasu staje si´ stabilny i nie wzrasta tak szybko jak w fazie wprowadzania go na rynek). Inne podejÊcie w poszukiwaniu funkcji trendu zwiàzane
22
S. Makridakis, S.C. Wheelwright, op. cit., s. 26–27.
Zob. m.in.: D. Witkowska, op. cit., s. 167–177; P. Dittmann, op. cit., s. 72–103; A. ZeliaÊ,
op. cit., s. 25 i nast.; Z. Paw∏owski op. cit.
24 P. Dittman, op. cit.
23
Predykcyjne narz´dzia iloÊciowe...
61
jest z wyg∏adzaniem wyk∏adniczym. Dotyczy to modelu Holta z trendem liniowym, trendu hiperbolicznego (gasnàcego) oraz trendu wyk∏adniczego.
Wahania sezonowe sà wahaniami regularnymi, powtarzajàcymi si´ w okresach krótszych ni˝ rok i zwiàzanymi zazwyczaj ze zmianami pór roku. SezonowoÊç sprzeda˝y wyst´puje w wielu bran˝ach i w zale˝noÊci od typu produktu lub us∏ugi (odzie˝, owoce i warzywa, sprz´t sportowy, wizyty w solarium,
wczasy nad morzem, samochody itp.) „sezon” przypada na innà por´ roku.
Najprostszym sposobem analizy szeregów czasowych z wahaniami sezonowymi jest obliczenie wskaêników sezonowoÊci, które b´dà szacowane inaczej dla
wahaƒ multiplikatywnych, a inaczej dla wahaƒ addytywnych. Mo˝na równie˝
skorzystaç z metody iteracyjnej, która – w du˝ym skrócie – polega na wyeliminowaniu funkcji trendu, obliczeniu wskaêników sezonowoÊci, wyeliminowaniu sezonowoÊci z tego szeregu, ponownym obliczeniu funkcji trendu, jej eliminacji, ponownym obliczeniu wskaêników sezonowoÊci itd., a˝ do chwili,
gdy spadek wartoÊci odchyleƒ przestanie byç istotny. Dwie kolejne metody
analizy szeregów czasowych to analiza harmoniczna (znana dobrze z literatury przedmiotu25) oraz model wyg∏adzania wyk∏adniczego z trendem liniowym
Wintersa. Ogólnie zatem, korzyÊci z wyodr´bnienia wahaƒ sezonowych dotyczà nie tylko poprawy skutecznoÊci dzia∏aƒ marketingowych firmy (np. w∏aÊciwego planowania wydatków na promocj´), ale tak˝e zarzàdzania personelem
(rekrutacji dodatkowego personelu w okresie „sezonu”, organizowania szkoleƒ
dla pracowników i planowania urlopów poza sezonem) czy zarzàdzania przedsi´biorstwem (np. planowania remontów, zakupu maszyn i urzàdzeƒ).
Wahania cykliczne sà to wahania regularne powtarzajàce si´ w okresach
d∏u˝szych ni˝ jeden rok26. Mówi si´ czasem o dwuletnich cyklach owocowych
i trzyletnich cyklach Êwiƒskich, choç nale˝y podkreÊliç, ˝e cyklicznoÊç produkcji (sprzeda˝y) nie dotyczy wy∏àcznie rynku rolnego, a i czas trwania cyklu bywa znacznie d∏u˝szy. Wynika to z faktu, ˝e wahania cykliczne cz´sto zwiàzane
sà z koniunkturà (m.in.: cykle Juglara, Kuznetsa czy Kitchina). Co znamienne,
wahania cykliczne równie˝ mogà byç addytywne i multiplikatywne, a dodatkowo okresy pe∏nej oscylacji mogà si´ ró˝niç mi´dzy sobà. Wyodr´bnianie tych
wahaƒ wymaga od badacza dysponowania obserwacjami z kilkunastu–kilkudziesi´ciu lat. SpoÊród wielu metod wymienia si´ tu m.in. testy parametryczne
i nieparametryczne von Neumanna.
Ostatnia grupa modeli do prognozowania na podstawie szeregów czasowych to modele autoregresyjne i Êredniej ruchomej. Mo˝na je stosowaç do stacjonarnych szeregów czasowych, czyli do takich, w których wyst´pujà jedynie
wahania losowe wokó∏ Êredniej (majà sta∏à wariancj´, a wahania oscylujà wokó∏ pewnego sta∏ego poziomu). W modelach autoregresyjnych (nazywanych
25
S. Mynarski, op. cit., s. 104–107.
Termin „wahania cykliczne” mo˝e byç niejednoznacznie interpretowany. Mimo ˝e niektórzy autorzy (S. Mynarski, P. Dittman, M. Lubiƒski czy D. Witkowska) uwa˝ajà, ˝e sà to wahania
d∏ugookresowe, to jednak w niektórych dziedzinach zdarzajà si´ cykle krótsze.
26
62
Mariusz ¸apczyƒski
w skrócie AR, z ang. autoregressive model) prognozowanà wartoÊç zmiennej
oblicza si´ na podstawie poprzednich wartoÊci tej zmiennej. Autokorelacja polega na za∏o˝eniu, ˝e wartoÊci badanej zmiennej z okresów przesz∏ych i teraêniejszoÊci sà skorelowane z wartoÊciami tej samej zmiennej w przysz∏oÊci.
W modelach Êredniej ruchomej (nazywanych w skrócie MA, z ang. moving
average) wartoÊci zmiennej zast´powane sà Êrednimi arytmetycznymi obliczonymi z okreÊlonego przedzia∏u czasu. Modele te wykorzystuje si´ do prognoz
krótkookresowych, przy czym czasami k∏opotliwe bywa okreÊlenie liczby wartoÊci, z których wylicza si´ tà Êrednià. Po∏àczenie tych dwóch modeli daje popularne i elastyczne narz´dzie zwane ARMA – model autoregresji i Êredniej ruchomej. ARMA powstaje podczas trzyetapowego procesu iteracyjnego, gdzie
najpierw dokonywana jest identyfikacja (ustala si´ rz´dy autoregresji i Êredniej
ruchomej), a dalej estymacja i weryfikacja. Z czasem metoda ta zosta∏a udoskonalona tak, aby mo˝na by∏o jà stosowaç do szeregów niestacjonarnych. Powsta∏ model ARIMA, nazwany równie˝ sca∏kowanym procesem autoregresji
i Êredniej ruchomej.
4. Narz´dzia iloÊciowe do predykcji statycznej
Predykcja statyczna jest bardzo cz´sto wykorzystywana do przewidywania
zachowaƒ nabywczych konsumentów. Jedna z klasyfikacji modeli do przewidywania popytu opiera si´ na kryterium dost´pnoÊci danych. Wyró˝nia si´
4 poziomy analizy27:
– analiz´ na poziomie 1 – dokonywanà wtedy, gdy badacz dysponuje jednorazowym pomiarem wielkoÊci popytu w poszczególnych segmentach,
– analiz´ na poziomie 2 – dokonywanà na podstawie jednorazowego pomiaru oraz danych historycznych o sprzeda˝y danego produktu (danej kategorii
produktów) w poszczególnych segmentach,
– analiz´ na poziomie 3 – dokonywanà wówczas, gdy badacz posiada kilka
pomiarów wielkoÊci popytu z ró˝nych okresów w tych samych segmentach,
– analiz´ na poziomie 4 – dokonywanà na podstawie maksymalnej liczby
(kilkunastu–kilkudziesi´ciu) pomiarów popytu z ró˝nych okresów w tych samych segmentach.
Na poziomie pierwszym zak∏ada si´ niezmiennoÊç nawyków zakupowych
konsumentów. To sprawia, ˝e wszelkie zmiany popytu wywo∏ywane sà przejÊciem konsumentów z jednego segmentu do drugiego, np. z m∏odszej do starszej grupy wiekowej. Wnioskowanie o przysz∏ym popycie ogranicza si´ zatem
do analizy tendencji demograficznych w danej populacji. JeÊli, przyk∏adowo,
prognozy demografów zak∏adajà starzenie si´ spo∏eczeƒstwa, to sam wzrost
27 J.M. McCann, D.J. Reibstein, Forecasting the Impact of Socioeconomic and Demographic
Change on Product Demand, „Journal of Marketing Research” 1985, vol. XXII, s. 416.
Predykcyjne narz´dzia iloÊciowe...
63
liczby osób w podesz∏ym wieku powoduje wzrost popytu na okreÊlone produkty, np. leki czy us∏ugi medyczne.
O ile analiza na poziomie pierwszym jest oparta wy∏àcznie na jednorazowych
danych o popycie i prognozie zmian populacji w segmentach, o tyle analiza na
poziomie drugim wymaga posiadania przez badacza historycznych danych o popycie na dany produkt. Jest to w∏aÊciwie kombinacja predykcji statycznej z dynamicznà. Na tym poziomie analizy zak∏ada si´ ponadto, ˝e zmiany popytu nie
sà wywo∏ywane wy∏àcznie zmianami charakterystyk konsumentów, ale równie˝
dzia∏aniami marketingowymi przedsi´biorstw. Analiza szeregu czasowego
sprzeda˝y danego produktu pozwala uchwyciç wszelkie odchylenia wielkoÊci
popytu spowodowane czynnikami innymi ni˝ demograficzno-ekonomiczne, co
umo˝liwia budow´ trafniejszej prognozy. Na poziomie drugim mo˝liwe jest szacowanie wp∏ywu instrumentów marketingu mix na zmiany popytu.
Na trzecim poziomie analizy predykcyjnej przyjmuje si´, ˝e zmienne objaÊniajàce wielkoÊç i struktur´ popytu w segmentach sà ró˝ne dla ka˝dego z nich.
Oznacza to, ˝e badacz powinien dysponowaç kilkunastoma pomiarami popytu
z ró˝nych okresów, które umo˝liwi∏yby mu uchwycenie tych zale˝noÊci.
W praktyce wiàza∏oby si´ to z koniecznoÊcià posiadania wzd∏u˝nych danych
panelowych, co jest sporym technicznym utrudnieniem. Innà niedogodnoÊcià
jest dost´pnoÊç danych na poziomie segmentów, co wynika z faktu, ˝e informacje o niektórych cechach sà dostarczane wy∏àcznie na poziomie ca∏ego rynku (ca∏ej populacji), np. PKB per capita.
Analiza na poziomie czwartym jest podobna do analizy na poziomie trzecim, z tà ró˝nicà, ˝e dane wymagane do analizy pochodzà z d∏u˝szego okresu.
Liczba pomiarów obejmuje od kilkunastu do kilkudziesi´ciu pomiarów.
Najlepszym sposobem sklasyfikowania narz´dzi do iloÊciowej predykcji
statycznej jest zastosowanie kryterium poziomu pomiaru zmiennych w∏àczonych do analizy. Przejrzyste podzia∏y metod wyst´pujàce w literaturze polskiej28 wzbogacono o dodatkowe narz´dzia z innych dziedzin: uczenia si´ maszyn (machine learning), sztucznej inteligencji, data mining, klasyfikacji
symbolicznej i psychometrii (tabela 1).
Poza klasycznymi statystycznymi metodami, takimi jak: regresja wieloraka,
analiza dyskryminacyjna, ANOVA/ANCOVA, modele LOGIT/PROBIT/TOBIT, w latach 70. ubieg∏ego stulecia pojawi∏y si´ narz´dzia u˝ywane przez psychometryków: analiza conjoint i model strukturalny PLS. Na prze∏omie lat 80.
i 90. ubieg∏ego wieku, na skutek gwa∏townego rozwoju informatyki, zaimplementowano kolejne metody, tzw. narz´dzia data mining, czyli sztuczne sieci
neuronowe oraz drzewa klasyfikacyjne i regresyjne. Z koƒcem lat 90. nastàpi∏
rozwój takich narz´dzi, jak MARS, metoda wektorów noÊnych (SVM) oraz re28
S. Mynarski, op. cit., s. 70; M. Walesiak, Metody analizy danych marketingowych, PWN,
Warszawa 1996, s. 74 oraz A. Bàk, Zale˝noÊci regresyjne w modelach conjoint analysis [w:] Zale˝noÊci przyczynowo-skutkowe w badaniach rynkowych i marketingowych, red. S. Mynarski,
Wydawnictwo AE w Krakowie, Kraków 2002, s. 156.
Mariusz ¸apczyƒski
64
Tabela 1. Klasyfikacja narz´dzi do iloÊciowej predykcji statycznej z punktu widzenia
poziomów pomiaru analizowanych zmiennych
Zmienna zale˝na
Poziom pomiaru
zmiennych
metryczne
– regresja wieloraka
– PLS
– model TOBIT
metrycz- – drzewa regresyjne CART, XAID
ne
– Multivariate Adaptive
Regression Splines (MARS)
– sieci neuronowe (SN), metoda
wektorów noÊnych (SVMa)
Zmienne
niezale˝ne
niemetryczne
a
– regresja wieloraka
– analiza wariancji (ANOVA)
– analiza kowariancji (ANCOVA)
– drzewa regresyjne AID
– Conjoint Analysis
– model TOBIT
– drzewa regresyjne CART, XAID
– Multivariate Adaptive
Regression Splines (MARS)
– sieci neuronowe (SN), metoda
wektorów noÊnych (SVMa)
niemetryczne
– analiza dyskryminacyjna
– modele LOGIT, PROBIT
– drzewa klasyfikacyjne CART,
CHAID, C4.5
– sieci neuronowe (SN), metoda
wektorów noÊnych (SVMa)
– Conjoint Analysis
– modele LOGIT, PROBIT
– drzewa klasyfikacyjne CART,
CHAID, C4.5
– sieci neuronowe (SN), metoda
wektorów noÊnych (SVMa)
– regu∏y koniunkcyjne (np. CEA)
– regu∏y dysjunkcyjne (np. AQ,
CN2, HCV, PVM)
Support Vector Machines
èród∏o: opracowanie w∏asne.
gu∏ dysjunkcyjnych i koniunkcyjnych nale˝àcych do metod stosowanych do
symbolicznej klasyfikacji danych. Ta interdyscyplinarna ró˝norodnoÊç u∏atwia
prac´ badaczy przy budowie modeli predykcyjnych. Jedna z zasad mówi bowiem, ˝e w celu budowy trafnej prognozy nale˝y wykorzystaç kilka metod
i porównaç ze sobà ich wyniki. Dodatkowym u∏atwieniem jest obecnoÊç tych
metod w powszechnie dost´pnych pakietach statystycznych jak: NCSS, SAS,
STATISTICA, SPSS, Statgraphics czy SYSTAT.
5. Podsumowanie
Wyniki badaƒ przeprowadzonych wÊród specjalistów ds. badaƒ marketingowych w Stanach Zjednoczonych pokazujà, ˝e narz´dzia do budowy modeli
predykcyjnych, data mining oraz nowe narz´dzia i modele statystyczne zosta∏y zaliczone do zestawu czynników majàcych istotny wp∏yw na rozwój badaƒ
marketingowych w XXI w.29 W celu poprawy jakoÊci modeli predykcyjnych
29 D. Struse, Marketing Research’s Top 25 Influences, „Marketing Research”, Winter 1999,
Spring 2000, s. 6.
Predykcyjne narz´dzia iloÊciowe...
65
nale˝y jednak prze∏amywaç bariery dzielàce analityków i badaczy oraz kadr´
zarzàdzajàcà przedsi´biorstw.
Poprawa skutecznoÊci predykcji jest zwiàzana nie tylko z lepszym dopasowaniem modelu do danych, ale tak˝e z przezwyci´˝eniem trudnoÊci niezwiàzanych
z samym narz´dziem, a mianowicie trudnoÊci natury technicznej, behawioralnej
i organizacyjnej30. Jednà z barier technicznych jest niepe∏ne wykorzystanie modelu przez mened˝era w procesie podejmowania decyzji. Mo˝e byç to zwiàzane
ze zbyt sformalizowanà postacià rozwiàzania albo zbyt restrykcyjnymi warunkami (np. zasada ceteris paribus w analizie regresji wielorakiej). Pokonanie tej
trudnoÊci jest zadaniem metodologów, którzy nie powinni oczekiwaç, i˝ mened˝erowie zmienià swój sposób rozumowania i dostosujà si´ do niekiedy ma∏o
elastycznych narz´dzi. Drugi problem techniczny dotyczy dost´pu do danych,
a konkretnie, faktu i sposobu ich gromadzenia. Mened˝erowie, którzy sporadycznie korzystajà z narz´dzi predykcyjnych, nie czujà potrzeby zbierania danych historycznych i tworzenia baz danych. Cz´sto wi´kszoÊç dokumentów nie
ma wersji elektronicznej, jest w niekompatybilnych formatach, ma wielu autorów bàdê jest gromadzona w innej postaci ni˝ wymaga tego dane narz´dzie.
Druga bariera dotyczy tzw. trudnoÊci behawioralnych, a oznacza niewystarczajàcà wspó∏prac´ mi´dzy analitykiem a mened˝erem. Konieczne jest jasne
zdefiniowanie celów i priorytetów oraz wiedza i wi´ksze zrozumienie wymagaƒ obu stron. Budowa konkretnego modelu, jego doskonalenie i uczynienie
z jednorazowej analizy predykcyjnej rutynowego procesu w przedsi´biorstwie
to ró˝ne zadania. Jedynie gruntowna znajomoÊç tego przedsi´wzi´cia zapewni
badaczom i mened˝erom w∏aÊciwe wsparcie w realizowaniu zadaƒ.
Trzecia trudnoÊç zwiàzana jest z przeszkodami napotykanymi wewnàtrz organizacji (przedsi´biorstwa). Zdarza si´, ˝e wi´kszà korzyÊç z prognozowania
majà inne komórki organizacyjne firmy, ni˝ zajmujàce si´ marketingiem, podczas gdy inicjatywa budowy modeli predykcyjnych powinna wychodziç w∏aÊnie od specjalistów ds. marketingu. Innà przeszkodà bywa czas, jaki musi
up∏ynàç, aby zweryfikowaç poprawnoÊç prognozy i oceniç, czy wysi∏ek i nak∏ady finansowe z nià zwiàzane by∏y uzasadnione. TrudnoÊç, jaka si´ tu pojawia, wià˝e si´ z nieufnoÊcià mened˝erów i brakiem zrozumienia sformalizowanych procedur prognostycznych.
Literatura
Armstrong J.S., Brodie R.J., McIntyre S.H., Forecasting Methods for Marketing: Review of
Empirical Research, „International Journal of Forecasting” 1987, vol. 3.
Bàk A., Zale˝noÊci regresyjne w modelach conjoint analysis [w:] Zale˝noÊci przyczynowo-skutkowe w badaniach rynkowych i marketingowych, red. S. Mynarski, Wydawnictwo
AE w Krakowie, Kraków 2002.
30
S. Makridakis, S.C. Wheelwright, op. cit., s. 34–35.
66
Mariusz ¸apczyƒski
Czerwiƒski Z., Jeszcze raz o prognozach [w:] Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych, red. A. ZeliaÊ, Materia∏y z XXI Ogólnopolskiego
Seminarium Naukowego zorganizowanego przez Zak∏ad Teorii Prognoz Katedry Statystyki AE w Krakowie (Zakopane, 21–23 IV 1999), Kraków 2000.
Dittmann P., Prognozowanie w przedsi´biorstwie. Metody i ich zastosowanie, Oficyna
Ekonomiczna, Kraków 2004.
Garbacik E., Ekonomika obrotu towarowego i us∏ug, PWE, Warszawa 1980.
Makridakis S., Wheelwright S.C., Forecasting: Issues & Challenges for Marketing
Management, „Journal of Marketing” 1977, October.
McCann J.M., Reibstein D.J., Forecasting the Impact of Socioeconomic and Demographic
Change on Product Demand, „Journal of Marketing Research” 1985, vol. XXII.
Morrison D.G., Purchase Intention and Purchase Behavior, „Journal of Marketing” 1979,
vol. 43.
Mynarski S., Badania rynkowe w warunkach konkurencji, Fogra, Kraków 1995.
Ostasiewicz S., Prognozy zjawisk dyskretnych [w:] Nieklasyczne metody prognozowania,
red. M. CieÊlak, PWN, Warszawa 1983.
Paw∏owski Z., Zasady predykcji ekonometrycznej, PWN, Warszawa 1982.
Pearce C., Prediction Techniques for Marketing Planners, Associated Business Programmes, London 1971.
Prognozowanie gospodarcze, red. M. CieÊlak, Wydawnictwo AE we Wroc∏awiu, Wroc∏aw
1996.
Rutkowski I., Zastosowanie hybrydowego inteligentnego systemu informacyjnego w procesie rozwoju strategii marketingowej, „Âwiat Marketingu” 2002, styczeƒ, data dost´pu:
2 marca 2005
Rutkowski I., Wrzosek W., Strategia marketingowa, PWE, Warszawa 1985.
Struse D., Marketing Research’s Top 25 Influences, „Marketing Research”, Winter
1999/Spring 2000.
Walesiak M., Metody analizy danych marketingowych, PWN, Warszawa 1996.
Witkowska D., Podstawy ekonometrii i teorii prognozowania, Oficyna Ekonomiczna,
Kraków 2005.
ZeliaÊ A., Teoria prognozy, PWE, Warszawa 1997.
Predictive Quantitative Tools in Market and Marketing Research
The aim of this article is to characterise the predictive quantitative tools used in market
and marketing research. After a brief introduction to the issues of prediction, projection and
prognosis, the author identifies the areas in which predictive analysis is used in marketing.
He briefly describes the tools used in dynamic prediction, including timeseries with trends,
series with seasonal fluctuations, and series with cyclical fluctuations. At this juncture, the
author presents the classification of models found in Polish and foreign language literature
on the subject. The second area discussed in the article is tools used in static prediction,
whose classification takes into account the level of measurement of analysed variables. The
list of methods described in the Polish literature is enhanced with tools from several fields,
including machine learning, data mining, psychometry, artificial intelligence and symbolic
classification.