Финансовый контроль и планирование с помощью Excel

перспективной оценкой.

Формула фактически говорит о следующем: "Если известно, каким образом у-

значения в диапазоне А1:А10 соотносятся с х-значениями в диапазоне В1:В10,

то какой результат у-значения мы получим, зная новое х-значение временного

момента, равное 11?". Полученное значение 15,87 является прогнозом на

основе фактических данных на пока еще не наступивший одиннадцатый временной

отсчет.

Кроме того, существует возможность одновременного прогнозирования данных

для нескольких новых временных моментов. Например, введите числа 11 – 24 в

ячейки В11:В24, а затем выделите ячейки С11:С24 и введите с помощью формулы

массива следующее:

= ТЕНДЕНЦИЯ(А1:А10;В1:В10;В11:В24)

Ехсеl вернет в ячейки С11:С24 прогноз на временные моменты с 11 по 24.

Данный прогноз будет базироваться на связи между данными наблюдений базовой

линии диапазона А1:А10 и временными моментами базовой линии с 1 по 10,

указанными в ячейках В1:В10.

Составление нелинейного прогноза: функция РОСТ

Функция ТЕНДЕНЦИЯ вычисляет прогнозы, основанные на линейной связи между

результатом наблюдения и временем, в которое это наблюдение было

зафиксировано. Предположим, что вы составляете линейный график данных, на

вертикальной оси которого отмечаете результаты наблюдений, а на

горизонтальной фиксируете временные моменты их получения. Если эта

взаимосвязь носит линейный характер, то линия на графике будет либо прямой,

либо слегка наклоненной в одну или другую сторону, либо горизонтальной. Это

и будет лучшей подсказкой о том, что взаимосвязь является линейной, и

поэтому в данном случае функция ТЕНДЕНЦИЯ – самый удобный способ

регрессивного анализа.

Однако, если линия резко изгибается в одном из направлений, то это

означает, что взаимосвязь показателей носит нелинейный характер.

Существует большое количество типов данных, которые изменяются во времени

нелинейным способом. Некоторыми примерами таких данных являются объем

продаж новой продукции, прирост населения, выплаты по основному кредиту и

коэффициент удельной прибыли. В случае нелинейной взаимосвязи функция

Ехсеl РОСТ поможет вам получить более точную картину направления развития

вашего бизнеса, чем при использовании функции ТЕНДЕНЦИЯ.

Пример.

Представим, что менеджер по закупкам отдела "Книга-почтой" недавно

разослал клиентам новый каталог, рекламирующий роман, получивший очень

высокую оценку критиков. Менеджер считает, что следует заранее заказать

дополнительное количество экземпляров, чтобы не оказаться в ситуации, когда

книга закончится раньше, чем перестанут приходить заявки на нее, менеджер

начал отслеживать ежедневные заказы на роман, и регистрировать объемы

продаж, как это показано на рис.15.

На рис.15 демонстрируется, каким образом фактические и прогнозируемые

данные фиксируются в стандартном линейном графике. Поскольку линия

имеющихся в наличии товаров резко изгибается вверх, менеджер принимает

решение составить прогноз с использованием функции РОСТ. Как и при

использовании функции ТЕНДЕНЦИЯ, пользователь в данном случае может

генерировать прогнозы, просто подставляя новые-значения-х. Чтобы

спрогнозировать результаты 11 – 13 недель, следует ввести эти числа в

ячейки В12:В14, а затем с помощью формулы массива в диапазон ячеек С2:С14

ввести следующее:

= РОСТ(А2:А11;В2:В11;В2:В14)

В ячейках С12:С14 приведены значения предварительной оценки количества

заказов, которое может ожидать менеджер в последующие три недели при

условии, что текущая тенденция роста останется неизменной. Однако следует

учитывать, что такой оптимистичный прогноз на практике, вероятно,

претерпит определенные изменения. Если при вычислении прогноза количество

планируемых заказов превысит количество клиентов, от него, скорее всего,

следует просто отказаться.

А что было бы, если бы в вышеприведенном примере вместо функции РОСТ

использовалась функция ТЕНДЕНЦИЯ? В этом случае, поскольку аргумент

известные-значения-х носит линейный характер, функция ТЕНДЕНЦИЯ выдаст

линейные значения. Из рис.16 видно, что ряд ТЕНДЕНЦИЯ в столбце С описывает

прямую графика; кривая РОСТ намного точнее отражает тенденцию первых

десяти результатов наблюдений, чем линия ТЕНДЕНЦИЯ.

И все же в функции РОСТ нет ровным счетом ничего магического – просто

она является очень удобным способом получения специфических логарифмических

результатов. Натуральный логарифм не описывает всех нелинейных рядов – он

может спрогнозировать квадратичный тренд или даже кубический. В таких

случаях следует чаще прибегать к помощи функции ТЕНДЕНЦИЯ, поскольку при

этом обеспечивается лучший контроль над вашими прогнозами.

Регрессивный анализ с помощью диаграмм

Иногда возникает необходимость провести регрессивный анализ

непосредственно на графике, без введения в рабочий лист значений для

прогноза. Это можно сделать с помощью графической линии тренда методом, во

многом сходным с методом получения прогноза с применением скользящего

среднего на основе графика.

Постройте диаграмму на основе данных, содержащихся в ячейках А2:А25

(рис.17). Дважды щелкнув мышью на диаграмме, получим возможность ее

редактировать. Щелкнем на ряде нужных данных для его выбора. После этого

выполним следующие шаги.

1. Выберем команду Вставка-Линия тренда.

2. Выберем тип линии тренда Линейная.

3. Щелкнем на корешке вкладки Параметры.

4. В поле Вперед на введем количество желаемых периодов, на протяжении

которых линия тренда будет проложена вперед.

5. При желании, можем установить флажок опции Показывать уравнение на

диаграмме. В результате уравнение для прогноза разместится на графике в

виде текста. Ехсеl может расположить уравнение таким образом, что оно

перекроет некоторые данные графика или линии тренда (либо, частично, само

уравнение). В этом случае выделите уравнение, щелкнув на нем мышью, а

затем перетащите его в другое, более удобное место. б. Щелкнем на кнопке

ОК.

В отличие от линии тренда Скользящее среднее, с помощью линии тренда

Линейная можно вернуть значения прогноза и, если специально указано,

показать их на диаграмме.

Прогнозирование с использованием функции экспоненциального сглаживания

Сглаживание – это способ, обеспечивающий быстрое реагирование прогноза на

все события, происходящие в течение периода протяженности базовой линии.

Методы, основанные на регрессии, такие как функции ТЕНДЕНЦИЯ и РОСТ,

применяют ко всем точкам прогноза одну ту же формулу. По этой причине

достижение быстрой реакции на сдвиги в уровне базовой линии значительно

затрудняется. Сглаживание представляет собой простой способ обойти данную

проблему.

Разработка перспективных оценок с применением метода сглаживания

Основная идея применения метода сглаживания состоит в том, что каждый

новый прогноз получается посредством перемещения предыдущего прогноза в

направлении, которое дало бы лучшие результаты по сравнению со старым

прогнозом. Базовое уравнение имеет следующий вид:

F[t+1] = F[t] + а х е[t],

. t– временной период (например, 1-й месяц, 2-й месяц и т.д.);

. F[t] – это прогноз, сделанный в момент времени t; F[t+1] отражает

прогноз во временной период, следующий непосредственно за моментом

времени t;

. + а – константа сглаживания;

. + е[t] – погрешность, т.е. различие между прогнозом, сделанным в

момент времени t, и фактическими результатами наблюдений в момент

времени t.

Таким образом, константа сглаживания является самокорректирующейся

величиной. Другими словами, каждый новый прогноз представляет собой сумму

предыдущего прогноза и поправочного коэффициента, который и передвигает

новый прогноз в направлении, делающем предыдущий результат более точным.

Использование средства Экспоненциальное сглаживание

Методы прогнозирования под названием "сглаживание" учитывают эффекты

выброса функции намного лучше, чем способы, использующие регрессивный

анализ. Ехсеl непосредственно поддерживает один из таких методов с помощью

средства Экспоненциальное сглаживание в надстройке Пакет анализа.

С помощью средства Экспоненциальное сглаживание можно создать прогнозы,

аналогичные приведенным на рисунке 18.Для вычисления каждого прогноза Ехсеl

использует отдельную, но алгебраически эквивалентную формулу. Оба

компонента – данные предыдущего наблюдения и предыдущий прогноз – каждого

прогноза умножаются на коэффициент, отображающий вклад данного компонента

в текущий прогноз.

Активизировать средство Экспоненциальное сглаживание можно, выбрав

команду Сервис-Анализ данных после загрузки надстройки Пакет анализа.

Пример.

Представим, что вы руководите агентством по прокату автомобилей,

расположенным в районе Скалистых гор. По мере приближения зимы вы начинаете

отслеживать поступление заявок клиентов на транспорт, снабженный

багажниками для перевозки лыж. Через несколько дней после проведения

исследований в вашей местности выпадает очень много снега и, как и

следовало ожидать, количество вышеупомянутых заявок резко возросло. Итак,

на десятый день наблюдения вам нужно узнать, сколько автомобилей,

оборудованных багажником для лыж, необходимо приготовить, чтобы полностью

удовлетворить спрос в одиннадцатый день.

Согласно данному сглаженному прогнозу, для удовлетворения потребностей

клиентов на одиннадцатый день необходимо иметь 16 или 17 автомобилей с

багажниками для лыж. Такая оценка отражает как общий уровень данных базовой

линии, так и увеличение количества заявок, произошедшее на восьмой день

наблюдений. Фактическое число заявок в одиннадцатый день может упасть на

несколько единиц в результате огромного количества причин, начиная от

изменения погодных условий и заканчивая повышением цены на авиабилеты.

Прогноз с использованием сглаживания позволяет наиболее выгодно

сбалансировать "наплыв" заявок со средним показателем количества заявок в

течение всего десятидневного периода.

Необходимо обратить внимание на то, что, отражая повышение в базовой

линии, произошедшее на восьмой день, значение прогноза на девятый день

также увеличивается (см. рис.19).

Чем меньше фактор затухания, тем точнее отражает прогноз последние данные

наблюдений, а чем больше, – тем сильнее будет отставание прогноза от этих

данных. Хорошие результаты получаются тогда, когда последние результаты

наблюдений отражают произвольные (случайные) явления, которые долго не

изменяют общего уровня временного ряда.

Выбор константы сглаживания

Следует избегать использования параметра Фактор затухания, который меньше

значения 0,7. Если создается впечатление, что при большем значении

константы сглаживания средство Экспоненциальное сглаживание действует

значительно лучше, то, вероятнее всего, это происходит благодаря высокому

уровню автокорреляции во временном ряду.

Автокорреляция является очень важным параметром процесса прогнозирования.

Он наблюдается в тех случаях, когда существует зависимость между данными

наблюдений, полученными в определенное время, и данными наблюдений,

полученными на несколько временных периодов раньше. Например, если вы

объедините каждый результат наблюдения с результатом, непосредственно

предшествующим ему, то сможете вычислить корреляцию между этими двумя

наборами данных. Значение корреляции, которое, скажем, не меньше 0,5,

означает высокий уровень автокорреляции во временном ряду.

Определение уровня качества

Как известно, один из путей увеличения дохода состоит в повышении

качества продукции. Если товары имеют одинаковые потребительские

характеристики, но один из них произведен известной фирмой, покупаемость

таких товаров будет выше, нежели товаров, изготовленных менее известными

компаниями. Само собой разумеется, что на продукцию высокого качества

поступает меньше жалоб потребителей, меньше заявок о бесплатном сервисном

обслуживании и гарантийном ремонте. При низком качестве продукции снижается

уровень доходности, и в результате – уменьшается прибыль.

Невозможно отрицать и тот факт, что уровень обслуживания покупателей

также оказывает значительное влияние на коэффициент прибыли. Если

сотрудники отдела обслуживания клиентов слишком много времени уделяют

одному покупателю, это означает, что другие клиенты на время забыты и,

возможно, уже планируют покупку у другого продавца. Если счет-фактура

составлен небрежно или неправильно, это обычно приводит к задержке денежных

поступлений; если отдел сервисного обслуживания заказывает ненужные

запасные части, это неизменно станет причиной увеличения текущих издержек.

Кроме того, если качество закупаемого сырья слишком высоко, то и

себестоимость продукции, скорее всего, будет также слишком высока.

Этими процессами можно управлять с помощью Ехсеl. Единственное, что для

этого еще понадобится, – база данных.

Применение статистического метода управления

В основе СМУ (статистического метода управления – statistical process

control) положена идея, смысл которой заключается в том, что в течение

определенного периода времени можно выполнять наблюдения, снимать

показания и на основе полученных данных определять, не вышел ли данный

процесс из-под контроля. К таким наблюдениям относятся следующие

показатели.

. Количество бракованных единиц продукции, выявленных в течение всего

производственного цикла.

Среднее количество брака в партии готовой продукции.

. Среднее количество запасных частей производимого изделия, которое должно

соответствовать специфике и требованиям стандартов.

Среднее количество ошибок в счете-фактуре.

. Среднее время, в течение которого клиенты ожидают обслуживания.

Средняя пропускная способность компьютерной сети вашего предприятия.

Ключевые фразы: в течение определенного периода времени, средний, выход

из-под контроля. Фраза в течение определенного периода времени означает,

что СМУ основан на повторяющемся процессе, в ходе которого показатели

фиксируются регулярно – еженедельно, ежедневно, почасово и т.д. Выбор

частоты процесса наблюдения зависит от того, насколько точно вы хотите им

управлять.

Если данный процесс статичен и очень важен для успешной деятельности

вашего предприятия, то вы, скорее всего, остановите свой выбор на почасовом

фиксировании данных. Например, если компания производит керамическую

плитку, то цвет глазури при выходе продукции из печи для обжига является

очень важным параметром для клиентов.

Термин средний означает, что СМУ зачастую зависит от выборочного контроля

нескольких единиц продукции в любой момент времени. Предположим, вы решили

проверить счета-фактуры, которые подготавливает отдел счетов дебиторов, на

наличие ошибок. Проверка каждого документа была бы длительным и

дорогостоящим мероприятием; но в то же время, проверяя, скажем, по одному

счетуфактуре в день, вы, скорее всего, не получите более или менее точного

результата.

В подобных случаях СМУ подразумевает произвольную контрольную проверку,

а для оценки процесса за определенный период времени используется средний

показатель этой проверки. Можно, например, производить контрольную проверку

пяти счетов-фактур в день и использовать для расчетов среднее количество

ошибок, выявленных в ходе этой проверки.

Можно также выполнять 100-процентную контрольную проверку. В этом случае

вам придется проверять каждый элемент процесса, например, осуществить

тестирование в производственном цикле каждой единицы продукции после

окончания сборки изделия.

Выход из-под контроля означает, что СМУ оперирует информацией не только о

среднем уровне процесса, а также и о его способности изменяться.

Предположим, вы – начальник отдела обслуживания клиентов компании,

предоставляющей финансовые услуги, и 20 сотрудников вашего отдела

занимаются приемом заказов клиентов по телефону. Вы организовываете

проверку продолжительности шестнадцати телефонных разговоров в день, в

результате которой узнаете, что средняя продолжительность разговора

составляет 2 мин 20 с.

Время (140 с), затрачиваемое на средний телефонный разговор,

представляется вам вполне приемлемым показателем до тех пор, пока вы не

заметите, что 12 разговоров продолжаются меньше 20 минут, а оставшиеся

четыре из них – больше 6 мин каждый. Вероятно, вам захочется выяснить

причину такого расхождения продолжительности разговоров. (Не личные ли это

звонки? А может служащий заставляет ждать клиента, пока сам разыскивает

данные, которые должен иметь под рукой?) Заметьте, что о вышеупомянутом

расхождении в продолжительности разговоров вы не смогли бы узнать, если бы

получили только средний показатель этого значения.

Использование х- и s-диаграмм

Для того чтобы представить данные в наглядной форме, в статистическом

методе управления обычно используются диаграммы (рис.20,21).

Диаграммы статического процесса бывают двух видов: одни отображают

средние показатели процесса (х-диаграммы), а другие – стандартное

отклонение (s-диаграммы).

Стандартное отклонение (standart deviation) – это мера вариации отдельных

показателей относительно среднего показателя. Стандартное отклонение

аналогично понятию диапазона между максимальным и минимальным значениями,

однако имеет более гибкие характеристики: диапазон указывает только

Страницы: 1, 2, 3, 4, 5, 6