बिक्री पूर्वानुमान के शीर्ष 6 तरीके

यह लेख एक संगठन में उपयोग किए जाने वाले बिक्री पूर्वानुमान के शीर्ष छह तरीकों पर प्रकाश डालता है। विधियाँ हैं: 1. सामूहिक राय विधि 2 आर्थिक संकेतक 3. कम से कम चौकों की विधि 4. समय श्रृंखला विश्लेषण 5. बिक्री का तरीका आगे बढ़ना विधि पूर्वानुमान 6. घातीय चिकनाई और चलती औसत विधि।

विधि # 1. सामूहिक राय विधि:

इस तकनीक में पूर्वानुमान उत्पाद के संबंध में सेल्समैन की राय पर निर्भर करता है और अपने संबंधित क्षेत्रों के लिए अगले वर्ष के लिए इसकी मांग का अनुमान लगाता है। इस तथ्य के मद्देनजर कि विक्रेता उपभोक्ताओं के सबसे करीब हैं, वे उत्पाद के बारे में ग्राहक की प्रतिक्रिया के बारे में अधिक ठीक से अनुमान लगा सकते हैं।

ये अनुमान शाखा के बिक्री प्रबंधकों द्वारा प्राप्त किए जाते हैं और वे इन आंकड़ों की समीक्षा करेंगे और व्यक्तिगत सेल्समैन के अपने ज्ञान को प्रतिबिंबित करने के लिए कुछ समायोजन करेंगे।

बाद के कुछ लोगों ने अतीत में प्रदर्शित किया हो सकता है कि वे लगातार आशावादी हैं और उनके अनुमानों को नीचे की ओर संशोधित किया जा सकता है, अन्य को कुछ निराशावादी माना जा सकता है और उनके अनुमानों को ऊपर की ओर संशोधन की आवश्यकता हो सकती है, शेष सेल्समैन यथार्थवादी साबित हो सकते हैं और उनका अनुमान अधूरा रह सकता है।

अनुमानों के इन समायोजित आंकड़ों को अंतिम पूर्वानुमान बनाने के लिए जिम्मेदार एक समिति को उपलब्ध कराया जाता है। इस समिति के सदस्यों में फर्म के बिक्री प्रबंधक, मुख्य अभियंता, उत्पादन प्रबंधक, विपणन प्रबंधक और अर्थशास्त्री शामिल हो सकते हैं। वे कुछ कारकों के प्रकाश में अनुमानों की समीक्षा करेंगे जिनके साथ बिक्री पुरुष और शाखा बिक्री प्रबंधक परिचित नहीं होंगे।

इनमें उत्पाद डिजाइन में अपेक्षित बदलाव, बढ़े हुए विज्ञापन की योजना, बिक्री मूल्यों में प्रस्तावित वृद्धि या कमी, नई उत्पादन तकनीकें शामिल होंगी, जो उत्पाद की गुणवत्ता में सुधार, प्रतिस्पर्धा में बदलाव, आर्थिक स्थितियों में बदलाव जैसे क्रय शक्ति उपभोक्ता, आय वितरण, क्रेडिट, जनसंख्या और रोजगार की स्थिति आदि।

इस प्रकार सामूहिक राय की विधि बिक्री प्रबंधन से जुड़े विभिन्न क्षेत्रों के सेल्समैन और वरिष्ठ अधिकारियों के सामूहिक ज्ञान का लाभ उठाती है।

लाभ:

1. विधि सरल है क्योंकि यह सेल्समैन और वरिष्ठ अधिकारियों के सामूहिक ज्ञान पर आधारित है, जिसमें विभिन्न क्षेत्रों में विशेषज्ञता है और इसके लिए किसी सांख्यिकीय तकनीक की आवश्यकता नहीं है।

2. मांग का अनुमान सेल्समैन के ज्ञान पर आधारित है जो बिक्री के लक्ष्यों को पूरा करने के लिए सीधे जिम्मेदार हैं इसलिए सही हैं।

3. नए उत्पादों को लॉन्च करने के लिए विधि काफी उपयोगी है।

हानि:

1. चूंकि कोई पिछले डेटा और सांख्यिकीय तकनीक का उपयोग नहीं किया जाता है, इसलिए यह विधि केवल अल्पकालिक पूर्वानुमान के लिए उपयोगी है।

2. सेल्समैन भविष्य की बिक्री का अनुमान लगा सकते हैं यदि बिक्री कोटा उनके लिए तय हो।

3. इस पद्धति द्वारा किए गए अनुमान वास्तविक नहीं हो सकते हैं क्योंकि सेल्समैन को आर्थिक परिवर्तनों के बारे में कोई जानकारी नहीं है।

विधि # 2. आर्थिक संकेतक:

बिक्री पूर्वानुमान की यह विधि उन संकेतकों के उपयोग पर आधारित है जो एक निश्चित समय अवधि के दौरान होने वाली आर्थिक स्थितियों का वर्णन करने के लिए काम करते हैं।

इनमें से कुछ आर्थिक संकेतक निम्नलिखित हैं:

1. निर्माण सामग्री की मांग के लिए निर्माण अनुबंध से सम्मानित किया गया।

2. कृषि औजार और अन्य आदानों की मांग के लिए कृषि आय।

3 उपभोक्ता वस्तुओं की मांग के लिए व्यक्तिगत आय।

4. सामान और पेट्रोलियम उत्पादों की मांग के लिए ऑटोमोबाइल उत्पादन / ऑटोमोबाइल का पंजीकरण।

5. रोजगार की स्थिति।

6. सकल राष्ट्रीय आय।

7. उपभोक्ता मूल्य।

8. थोक कमोडिटी की कीमतें।

9. बैंक जमा।

10. औद्योगिक उत्पादन।

11. स्टील का उत्पादन।

12. व्यापार सूची।

इस प्रकार के डेटा को विभिन्न सरकारी एजेंसियों जैसे केंद्रीय सांख्यिकीय संगठन और निजी समूह जैसे व्यापार संघों और व्यावसायिक अनुसंधान संगठनों द्वारा संकलित और प्रकाशित किया जाता है।

यदि उद्यम या संगठन को पता चलता है कि इस तरह के आर्थिक संकेतक के एक या कुछ संयोजन और उसके कुछ उत्पादों की बिक्री के बीच संबंध है, तो बिक्री पूर्वानुमान के लिए इस दृष्टिकोण का उपयोग किया जा सकता है।

इसके अलावा चयनित या प्रासंगिक आर्थिक संकेतक अग्रणी, पिछड़ापन या संयोग साबित हो सकता है।

एक अग्रणी संकेतक वह है जिसका दिया गया मान एक बाद की अवधि में बिक्री को प्रभावित करेगा। उदाहरण के लिए, स्कूल बैग के निर्माता को लग सकता है कि किसी दिए गए वर्ष के दौरान उसकी बिक्री तीन या चार साल पहले पैदा हुए बच्चों की संख्या से प्रभावित है। यह आर्थिक संकेतक का सबसे वांछनीय प्रकार है क्योंकि इसका मूल्य उस समय ज्ञात होगा जब भविष्य की बिक्री का पूर्वानुमान लगाया जा रहा है।

एक लैगिंग संकेतक वह है जिसका दिया गया मान कुछ पूर्ववर्ती अवधि में बिक्री को प्रतिबिंबित करेगा। उदाहरण के लिए, रेगिस्तानी कूलर बॉडीज़ के निर्माता को यह पता लग सकता है कि किसी निश्चित अवधि के लिए निकायों के इन्वेंट्री पर डेटा उनकी बिक्री से संबंधित हैं।

एक संयोग सूचक वह है जिसका किसी निश्चित अवधि के लिए मूल्य उस अवधि में बिक्री को प्रभावित करेगा। उदाहरण के लिए, बेबी मिल्क फीडर के निर्माता यह जान सकते हैं कि किसी निश्चित अवधि के दौरान फीडरों के उत्पादन की मात्रा उसी अवधि के दौरान जनसंख्या वृद्धि दर से प्रभावित होती है। यह संकेतक का कम वांछनीय प्रकार है क्योंकि इसका मूल्य भविष्य की अवधि के लिए अनुमानित होना चाहिए, जिसके लिए बिक्री का पूर्वानुमान लगाया जा रहा है।

बिक्री का पूर्वानुमान कम से कम वर्गों के समीकरण की मदद से किया जाता है।

सीमा:

1. एक उपयुक्त संकेतक खोजने की आवश्यकता। कुछ मामलों में एक दिया गया संकेतक सही हो सकता है, लेकिन अन्य मामलों में कोई एक संकेतक स्पष्ट रूप से लागू नहीं होगा और परीक्षण त्रुटि दृष्टिकोण की आवश्यकता हो सकती है जो थकाऊ और समय लेने वाली है।

2. उपयुक्त संकेतक विचार के तहत उत्पाद या उत्पाद समूह के साथ भिन्न हो सकते हैं।

3. सभी संभावित विकल्पों की जांच के बाद कंपनी को पता चल सकता है कि कोई एकल या समग्र संकेतक उपयुक्त नहीं है। ऐसे मामलों में पूर्वानुमान की इस पद्धति का उपयोग नहीं किया जा सकता है। हालाँकि, फर्म को यह पता चल सकता है कि हालांकि इसकी बिक्री किसी भी आर्थिक संकेतक से संबंधित नहीं है, लेकिन संगठन की बिक्री मौजूद है।

यह तब होगा जब कंपनी की बाजार में हिस्सेदारी व्यापक रूप से घट रही है। सामूहिक राय दृष्टिकोण का उपयोग किया जा सकता है।

4. एक और कठिनाई इस तथ्य से उपजी है कि संबंधित संकेतक एक वार्षिक सूचकांक कह सकता है, जबकि कंपनी महीने के आधार पर एक महीने में बिक्री का पूर्वानुमान लगाना पसंद कर सकती है।

5. इस विधि की एक और सीमा यह है कि यह किसी नए उत्पाद के लिए बिक्री के पूर्वानुमान के लिए खुद को उधार नहीं देता है क्योंकि कोई भी पिछला डेटा मौजूद नहीं है जिस पर सहसंबंध विश्लेषण आधारित हो सकता है।

दो चर के बीच संबंध:

मान लीजिए कि पिछले तीन वर्षों के उत्पादन और विनिर्माण लागत पर उद्योग का रिकॉर्ड है:

यदि हम ऐसे आउटपुट की साजिश करते हैं जो स्वतंत्र चर v / s निर्माण लागत है जो प्रत्येक तीन वर्षों के लिए एक आश्रित चर है।

ग्राफ से पता चलता है कि सभी तीन बिंदु सर्वश्रेष्ठ फिट की एक पंक्ति पर आते हैं। चूंकि लाइन एक सीधी रेखा है, इसलिए उत्पादन उत्पादन और विनिर्माण लागत के बीच एक मजबूत रैखिक सहसंबंध है।

मान लीजिए कि निर्माण लागत निम्न तालिका में बताई गई है।

इस रिश्ते का ग्राफ बिंदीदार रेखा द्वारा दर्शाया गया है। इन बिंदुओं की प्रकृति ऐसी है कि वे सर्वश्रेष्ठ फिट की रेखा पर नहीं आते हैं। हालाँकि वे इसके करीब हैं और हम कह सकते हैं कि डेटा के पहले सेट द्वारा प्रदर्शित किए गए दो चरों के बीच लगभग एक रैखिक संबंध मौजूद नहीं है।

इसलिए हम उत्पादन या उत्पादन के कुछ स्तर के लिए विनिर्माण लागत का सटीक अनुमान लगा सकते हैं। इसी तरह वास्तविक व्यवहार में दो चर के बीच एक वक्रता सहसंबंध हो सकता है।

लाइन को फिट करने की एक अपेक्षाकृत सरल विधि कम से कम वर्गों की विधि है।

कम से कम वर्गों की यह विधि एक समीकरण उत्पन्न करती है जो सर्वोत्तम फिट की रेखा का वर्णन और रेखांकित करती है।

विधि # 3. कम से कम वर्गों की विधि:

कम से कम वर्गों की विधि एक समीकरण प्रदान करती है जो सर्वोत्तम फिट की रेखा की दो विशेषताएं प्रदान करती है। एक सीधी रेखा को दो चीजों के संदर्भ में वर्णित किया जा सकता है, अर्थात इसकी ढलान और Y अवरोधन। Y इंटरसेप्ट दो चर के बीच ग्राफ के Y अक्ष पर बिंदु है जहां रेखा Y- अक्ष को काटती है।

यदि हम रेखा के Y- अवरोधन और ढलान को जानते हैं, तो रेखा का समीकरण सामान्य अभिव्यक्ति से किसी भी रेखा के समीकरण के लिए निर्धारित किया जा सकता है जो निम्नानुसार है:

Y '= mx + a

जहाँ Y 'आश्रित चर का परिकलित मान है जिसका पूर्वानुमान लगाया जाना है।

a = Y सबसे अच्छा फिट की रेखा का अवरोधन।

m = सबसे उपयुक्त की रेखा का ढलान।

x = स्वतंत्र चर का मूल्य दिया गया है, जिस पर निर्भर चर के मूल्य का पूर्वानुमान लगाया जाना है।

इस तरह यह सब केवल यह बताने का कार्य करता है कि रेखा का समीकरण क्या है और समीकरण का निर्धारण तभी किया जा सकता है जब हम पहले से ही लाइन में स्थित हों।

लेकिन आमतौर पर अंक एक सीधी रेखा पर नहीं आते हैं इसलिए हमें तय करना चाहिए कि रेखा कहाँ स्थित होनी चाहिए। इसके लिए सबसे पहले उपयुक्त फिट की रेखा के समीकरण को निर्धारित करना है और फिर इस समीकरण का उपयोग करके लाइन की स्थिति का पता लगाना है।

कम से कम वर्गों की विधि हमें निम्नलिखित अभिव्यक्तियों में उपयुक्त प्रतिस्थापन करके सीधे निर्भर और स्वतंत्र चर के मूल डेटा के साथ काम करके रेखा के समीकरण का पता लगाने में मदद कर सकती है।

∑Y = na + m∑x

∑xY = a∑x + m∑x 2

जहाँ x = स्वतंत्र चर का मान दिया गया है, जो आर्थिक संकेतक हो सकता है।

वाई - इस मामले में उत्पाद की बिक्री हो सकती है जो निर्भर चर के मूल्य को देखते हुए।

n = दी गई युग्मित टिप्पणियों की संख्या।

फिर से: हमारे पास तीन साल के डेटा के पिछले सेट का उपयोग करना है:

, X, ingY, .xY के मानों को प्रतिस्थापित करना

समीकरणों में ∑x और n = 3 (1) और (2)

हमारे पास 18 = 3 ए + 12 मी

80 = 12 ए + 56 मी

एक और मीटर के लिए इन दो समीकरणों को हल करना

हमें एक = 2 ​​मी = 1 मिलता है

रेखा का समीकरण क्योंकि

Y = 1 * × + 2

डेटा के दूसरे सेट के साथ, जहां सहसंबंध हमारे पास इतना लाइनर नहीं है

हमारे पास समीकरणों (1) और (2) में मूल्य को प्रतिस्थापित करना

20 = 3 ए + 12 मी

92 = 12 ए + 56 मी

एक और मी के लिए दो समीकरणों को हल करना

a = 2/3 मीटर = 2/3

रेखा का समीकरण बन जाता है

Y i c = [3 / 2x + 2/3]

इस लाइन के समीकरण को न्यूनतम दो बिंदुओं को खोजने और उन्हें जोड़ने के द्वारा सही स्थिति में खींचा जा सकता है।

कम से कम वर्गों के गुण:

यदि हमारे सभी बिंदु लाइन पर नहीं आते हैं और एक वक्रता संबंधी सहसंबंध का संकेत दिया जाता है जैसा कि हमने डेटा के दूसरे सेट के साथ देखा है, तो हमारे द्वारा दिए गए लाइन के समीकरण में x के दिए गए मूल्यों के प्रतिस्थापन से कम से कम वर्गों की विधि की गणना नहीं होगी। हमारे वास्तविक मूल्यों के बराबर Yc के मूल्य।

यदि हम आउटपुट के हमारे दिए गए मूल्यों को 2, 6, 4 के समीकरण के रूप में प्रतिस्थापित करते हैं (4) तो हम विनिर्माण लागत 4, 10, 6 के वास्तविक मूल्यों को निम्नानुसार प्राप्त नहीं करेंगे:

X = 2 Y c = 3/2 x 2 + 2/3 = 3 c के लिए

X = 6 Y c = 3/2 x 6 + 2/3 = 9 c के लिए

X = 4 Y c = 3/2 x 4 + 2/3 = 6 c के लिए

इस तालिका से दिखाए गए निम्न वर्ग के गुण हैं:

1. विचलन का योग अर्थात, आश्रित चर के वास्तविक और गणना किए गए मूल्यों के बीच अंतर हमेशा शून्य होगा।

2. सबसे कम वर्ग रेखा की दूसरी विशेषता यह है कि चुकता वर्ग का योग न्यूनतम है।

यह इंगित करता है कि यदि किसी अन्य स्थिति में तैयार किया गया है, तो परिणामी विचलन के वर्गों का कुल योग न्यूनतम वर्ग रेखा के साथ प्राप्त राशि से अधिक होगा।

मामले में समीकरणों (1) और (2) ए और एम के लिए हल कर रहे हैं निम्नलिखित अभिव्यक्ति प्राप्त कर रहे हैं।

सहसंबंध गुणांक:

यह न्यूनतम वर्गों द्वारा वर्णित संबंधों की ताकत का मात्रात्मक माप है। सहसंबंध के गुणांक की मात्रा सहसंबंध की डिग्री के साथ भिन्न होगी जो विचाराधीन चर के बीच मौजूद है।

यह सहसंबंध जिस गुणांक से निर्धारित होता है वह अभिव्यक्ति इस प्रकार है:

जहां Y a = विनिर्माण लागत जैसे निर्भर चर के वास्तविक मूल्यों के लिए उपयोग किया जाता है।

Yc = कम से कम वर्गों से प्राप्त आश्रित चर के संबंधित गणना मूल्य।

Y = आश्रित चर के वास्तविक मूल्यों का औसत।

समीकरण (5) में अंश का मान (Y a - Y c ) 2 शून्य से कम कभी नहीं हो सकता क्योंकि यह एक वर्ग योग है। यह अधिकतम शून्य हो सकता है जब आश्रित चर के वास्तविक मान गणना मूल्यों के बराबर होते हैं। उस स्थिति में सभी बिंदु सर्वश्रेष्ठ फिट की रेखा पर स्थित हैं। ऐसे मामलों में अंश शून्य होता है और सहसंबंध का गुणांक अपने अधिकतम मूल्य तक पहुंच जाता है, 1. यह केवल तब होगा जब दो चर पूरी तरह से परस्पर संबंधित हों।

सहसंबंध के गुणांक का न्यूनतम मूल्य शून्य हो सकता है जो दो चर के बीच सहसंबंध की अनुपस्थिति को इंगित करता है।

सहसंबंध के उच्च और निम्न डिग्री के बीच का विभाजन करना मुश्किल है, लेकिन निम्न तालिकाओं में सहसंबंध के गुणांक के आम तौर पर स्वीकृत मूल्य दिए गए हैं।

व्यवहार में r का मान ज्ञात करने के लिए समीकरण (6) का एक अलग रूप प्रयोग किया जाता है।

यह समीकरण हमें मूल डेटा के साथ सीधे काम करके सहसंबंध के गुणांक को चित्रित करने की अनुमति देता है इसलिए यह आर के मूल्य की गणना करने का एक सरल तरीका है।

कम से कम चौकोर विधि का अनुप्रयोग:

उदाहरण 1:

एक फर्म ने पाया कि उसके उत्पाद समूह के रुपये की बिक्री और दिए गए आर्थिक संकेतक के बीच संबंध मौजूद है। विशेष रूप से पिछली बिक्री और आर्थिक संकेतक के संगत मूल्यों के बीच तुलना से पता चलता है:

(ए) दो चर के लिए सहसंबंध के गुणांक के मूल्य की गणना करके रिश्ते की ताकत निर्धारित करते हैं।

(b) कम से कम वर्गों की विधि द्वारा सर्वोत्तम फिट की रेखा के समीकरण का निर्धारण करें।

(ग) यदि भविष्य की अवधि के लिए आर्थिक सूचकांक का मूल्य 112 है, तो उस अवधि के दौरान बिक्री की उम्मीद की जा सकती है। (इंडस्ट्रियल इंजीनियरिंग, आरयू, 1980)

उपाय:

फॉर्म 'के एक रेखीय भविष्यवक्ता मानकर' - mx + a जहाँ m & a स्थिरांक हैं इसके लिए सर्वोत्तम फिट की रेखा होनी चाहिए

∑Y a = na + m∑x ... (i)

∑x Y a = a∑x + m∑x 2 … (ii)

मानों को तालिका से समीकरणों में रखना (i) और (ii)

19.6 = 10 ए + 1025 मी

2067.1 = 1023 ए + 105673 मी

इन समीकरणों को हल करने से हमें मिलता है

a = -7.78

एम = 0.0951

इसलिए सर्वश्रेष्ठ फिट की रेखा का समीकरण है

Y = -7.78 + 0.0951x Ans।

भविष्य की अवधि के लिए जब आर्थिक सूचकांक 112 प्रतिस्थापन x = 112 है

Y = -7.78 + .0951 x 112

= 2.8712 अपेक्षित बिक्री = रु। 28712 | उत्तर:।

संबंध का उपयोग करना।

एकाधिक प्रतिगमन:

पिछले उदाहरण में यह माना गया है कि किसी उत्पाद समूह की बिक्री केवल एक आर्थिक संकेतक के मूल्य पर निर्भर है, हाय कई मामलों में हालांकि उत्पाद या उत्पाद समूहों की बिक्री संकेतकों के संयोजन का एक कार्य हो सकती है।

यदि बिक्री और इन आर्थिक संकेतकों या कुछ अन्य संकेतकों के बीच संबंध रैखिक है, तो इसे निम्न सामान्य रूप के समीकरण के माध्यम से वर्णित किया जा सकता है:

Y '- a + m 1 + m 1 x 1 + m 2 x 2 + m 3 x 3

जिसमें a, m 1, m 2 स्थिर हैं और x 1, x 2, x 3।, चर / संकेतक हैं, जिस पर बिक्री पूर्वानुमान आधारित है। अज्ञात स्थिरांक को एक साथ समीकरणों को हल करके निर्धारित किया जा सकता है। शामिल प्रक्रिया कई प्रतिगमन विश्लेषण है।

विधि # 4. समय श्रृंखला विश्लेषण:

बिक्री पूर्वानुमान की इस पद्धति को आर्थिक संकेतक पद्धति के समान माना जाता है क्योंकि इसमें प्रतिगमन विश्लेषण की भी आवश्यकता होती है। टाइम सीरीज़ एक कालानुक्रमिक डेटा है जिसमें कुछ मात्रा होती है जैसे बिक्री मात्रा या रुपये में बिक्री निर्भर चर और स्वतंत्र चर के रूप में समय।

पूर्वानुमान लगाने से पहले स्थापित संगठन के साथ उपलब्ध इन समय श्रृंखलाओं का विश्लेषण किया जाता है। एक सामान्य तकनीक है जिसे आम तौर पर नियोजित किया जाता है, जिसे "प्रोजेक्ट ट्रेंड" कहा जाता है। इस विधि में ट्रेंड लाइन को कम से कम स्क्वायर विधि द्वारा अनुमानित किया जाता है।

आश्रित चर के रूप को अलग किया जा सकता है:

(ए) लंबी अवधि में परिवर्तन।

(b) अल्प अवधि परिवर्तन।

डेटा की लंबी अवधि की प्रवृत्ति को बदलने के लिए यानी, वृद्धि या कमी को मूल प्रवृत्ति कहा जाता है जो रैखिक या गैर-रैखिक हो सकती है।

छोटी अवधि के परिवर्तन दो प्रकार के हो सकते हैं:

(i) नियमित

(ii) अनियमित

नियमित उतार-चढ़ाव वे होते हैं जो समय के नियमित अंतराल पर होते हैं। ये हो सकते हैं:

(ए) मौसमी बदलाव।

(b) चक्रीय विविधताएँ।

मौसमी बदलाव :

सबसे आम आवधिक रूपांतर मौसमी भिन्नता है जो कुछ समय नियमितता के साथ मौसम की स्थिति, सामाजिक रीति-रिवाजों और त्योहारों आदि में होती है। ये विभिन्न उत्पाद (आमतौर पर उपभोक्ता उपयोग) की बिक्री होती हैं।

चक्रीय विविधताएँ:

ये परिवर्तन समय-समय पर दिखाई देते हैं और कम समय में होते हैं। मौसमी विविधताओं की तरह चक्रीय रूपांतर भी नियमित होते हैं। लेकिन जबकि मौसमी बदलाव एक वर्ष की अवधि के भीतर होते हैं या कम चक्रीय विविधताएं 5 से 10 साल के अंतराल पर दोहराई जाती हैं।

अनियमित रूपांतर:

किसी भी विशेष लय के बिना थ्रेस भिन्नता होती है। वे आकस्मिक और अनियमित फैशन में काम करने वाले कारणों के कारण हो सकते हैं। कारण सूखे, बाढ़, युद्ध, हमले और पृथ्वी के भूकंप आदि हो सकते हैं।

बिक्री के समय श्रृंखला विश्लेषण तकनीक में एक संगठन का पूर्वानुमान कुछ प्रवृत्ति है कि क्या यह पता लगाने के लिए अपनी पिछली बिक्री का विश्लेषण करता है। इस प्रवृत्ति को फिर भविष्य में अनुमानित किया जाता है और परिणामी संकेतित बिक्री को बिक्री पूर्वानुमान के आधार के रूप में उपयोग किया जाता है। यह विधि निम्नलिखित दृष्टांतों की सहायता से स्पष्ट होगी।

मान लीजिए कि पेंटिंग उपकरण का एक निर्माता (पेंट रोलर फ्रेम हो सकता है) अगले साल अपने उत्पाद की बिक्री का पूर्वानुमान लगाने का फैसला करता है। वह पिछले चार / पांच वर्षों के लिए डेटा एकत्र करके शुरू करता है।

निर्माता पिछले अनुभव से जानता है कि मौसमी विविधताओं के कारण उसके उत्पाद की बिक्री में उतार-चढ़ाव होता है। वास्तव में उन्होंने पिछले आंकड़ों से पाया है कि मौसम की स्थिति में सुधार के कारण उत्पाद की बिक्री में वृद्धि के कारण बाजार की मांग वर्ष की पहली तिमाही के दौरान न्यूनतम है।

इसी तरह मौसम की स्थिति और त्योहारों के मौसम में और सुधार के कारण वर्ष की तीसरी तिमाही के दौरान बिक्री में अधिक वृद्धि हुई है। हालांकि कम अनुकूल मौसम स्थितियों के सेट के साथ उत्पाद की मांग चौथी तिमाही में कम हो जाती है।

इन तिमाही रूपांतरों के परिणामस्वरूप कंपनी उत्पादन योजना के उद्देश्यों के लिए तिमाही द्वारा पूर्वानुमान विकसित करने का निर्णय लेती है।

निम्नलिखित दृष्टांतों की मदद से समय श्रृंखला विश्लेषण तकनीक द्वारा बिक्री का पूर्वानुमान स्पष्ट होगा:

उपलब्ध डेटा की सीमित मात्रा के बावजूद। ट्रेंड लाइन के समीकरण का निर्धारण करें। समीकरण के साथ, 4 वें वर्ष के लिए त्रैमासिक बिक्री के रुझान मूल्यों की गणना करें। फिर अपेक्षित मौसमी विविधताओं के लिए प्रदान करने के लिए इन मूल्यों को समायोजित करें। (केयूके (गैर-विभागीय)। मई, 1995, बी.टेक, मई, 1998)

उपाय:

दूसरे शब्दों में, पहली तिमाही में वास्तविक बिक्री की गणना बिक्री का 77% थी।

इसी प्रकार अन्य तिमाहियों के लिए गणना की गई बिक्री इस प्रकार है:

अपेक्षित मौसमी विविधताओं के लिए प्रदान करने के लिए प्रवृत्ति मूल्यों को समायोजित करने के लिए, हम प्रत्येक वर्ष की पहली तिमाही के दौरान पिछली भिन्नता के औसत का पता लगाकर इस ऑफ सीजन समायोजन कारक का परिमाण निर्धारित करते हैं।

चार तिमाहियों के लिए गणना बिक्री मूल्यों के प्रतिशत के रूप में वास्तविक बिक्री।

इस तालिका का अंतिम कॉलम वर्ष के चार तिमाही के लिए मौसमी समायोजन कारक का मान देता है, जैसे ०. of० ९ table, ०.63६६३, १.१२०, १.३० यानी १ सेंट, २ एन डी, ३ आरडी और ४ वें और चार के लिए गणना की गई बिक्री का गुणन। समायोजन कारकों के साथ 4 वें वर्ष के तिमाहियों में विचाराधीन वर्ष के लिए समायोजित बिक्री पूर्वानुमान प्राप्त होंगे।

समय श्रृंखला विश्लेषण के लाभ:

1. यह तकनीक सामूहिक राय विधि और आर्थिक संकेतकों की विधि की तुलना में कम व्यक्तिपरक है क्योंकि इसका आवेदन उपयुक्त संकेतक खोजने के लिए संगठन की क्षमता पर निर्भर नहीं है।

2. सामूहिक राय की विधि और आर्थिक संकेतकों की विधि की तुलना में जो केवल एक वार्षिक पूर्वानुमान प्राप्त कर सकता है जो कि छोटी अवधि में टूट जाना चाहिए, संगठन पिछले साल की बिक्री का विश्लेषण करके साल दर साल की बिक्री का पूर्वानुमान कर सकता है, पिछले महीने का विश्लेषण करके पिछले साप्ताहिक बिक्री का विश्लेषण करके बिक्री या सप्ताह से भी।

समय श्रृंखला विश्लेषण की सीमा:

1. इस तकनीक का उपयोग किसी नए या अपेक्षाकृत नए उत्पाद की बिक्री का पूर्वानुमान लगाने के लिए नहीं किया जा सकता क्योंकि पिछले डेटा या पर्याप्त अतीत के डेटा उपलब्ध नहीं हैं।

2. यदि मांग के स्तर में महत्वपूर्ण उतार-चढ़ाव मौसमी बदलावों के कारण महीने-दर-साल होता है या, एक वर्ष में पूर्वानुमान को समायोजित करने के लिए 12 समायोजन कारकों की आवश्यकता हो सकती है।

3. संगठनों द्वारा किए गए कीमतों, उत्पाद की गुणवत्ता, आर्थिक स्थितियों, विपणन विधियों और बिक्री प्रचार के प्रयासों में परिवर्तन का प्रभाव संतोषजनक तरीके से विधि में शामिल नहीं किया जा सकता है।

विधि # 5. बिक्री के पूर्वानुमान का तरीका

इस पद्धति में पिछली अवधि की संख्या से अधिक पिछली बिक्री का औसत निकालकर बिक्री पूर्वानुमान प्राप्त किया जाता है (वर्ष, महीने या सप्ताह हो सकते हैं)। अधिक अवधि शामिल करने के लिए चलती औसत का विस्तार करने से स्मूथनिंग प्रभाव बढ़ सकता है लेकिन पूर्वानुमान की संवेदनशीलता कम हो जाती है।

लंबी अवधि मांग पैटर्न में होने वाले महत्वपूर्ण परिवर्तनों के लिए बहुत अधिक अवसर प्रदान करती है। इस जोखिम को कम करने के लिए, संगठन तीन महीनों के दौरान छोटी अवधि के दौरान औसत मांग पर अपने पूर्वानुमान को आधार बना सकते हैं। इस तकनीक का अनुप्रयोग निम्नलिखित दृष्टांत से स्पष्ट होगा।

ग्राहकों की संख्या के लिए अन-वेटेड मूविंग एवरेज पर आधारित पूर्वानुमान:

यह पूर्वानुमान दो सप्ताह के बाद के ग्राहकों की औसत संख्या पर आधारित है।

इसलिए 9 वें सप्ताह के लिए अनुचित पूर्वानुमान 512 है। सप्ताह के अंत में 9 वें सप्ताह के लिए पूर्वानुमान वास्तव में 7 सप्ताह, 8 और 9 के दौरान आने वाले ग्राहक की औसत संख्या और इसी तरह होगा। परिणाम ऊपर तालिका में सूचीबद्ध चलती औसत की एक श्रृंखला है।

भारित मूविंग एवरेज:

पूर्ववर्ती भाग में परिकलित मूविंग एवरेज को अन-वेटेड के रूप में जाना जाता है क्योंकि वही वज़न प्रत्येक संख्या को सौंपा जाता है जिसका औसत ज्ञात किया जा रहा है। कुछ उद्यम भारित चलती औसत पर अपने पूर्वानुमान को आधार बनाते हैं।

आइए हम मान लें कि दो सप्ताह के अंतराल के दौरान आने वाले ग्राहकों की संख्या तीसरे सप्ताह के पूर्वानुमान के लिए एक ध्वनि आधार प्रदान करती है और हमें आगे यह मान लेना चाहिए कि पहला सप्ताह दूसरे की तुलना में कम महत्वपूर्ण है और परिणामस्वरूप हम 0.4 से पहले सप्ताह और 0.6 से दूसरे सप्ताह का वजन प्रदान करते हैं। । 9 वें सप्ताह के लिए भारित औसत होगा

0.4 X 549 + 0.6 (474) = 220 + 284 = 504

इसी तरह अन्य हफ्तों के लिए भारित चलती औसत को निम्न तालिका में सूचीबद्ध किया गया है:

ग्राहकों की संख्या के लिए भारित चलती औसत के आधार पर पूर्वानुमान।

चलती औसत विधि के लाभ:

1. यह तकनीक कम से कम वर्गों की विधि की तुलना में सरल है।

2. इस विधि का उपयोग करने वाले लोगों के व्यक्तिगत पूर्वाग्रह से प्रभावित नहीं है।

3. यह चलती औसत की अवधि चक्र की अवधि के बराबर है। चक्रीय भिन्नताएं समाप्त हो जाती हैं।

4. यदि डेटा का चलन यदि किसी रैखिक है तो औसतन डेटा में दीर्घकालिक आंदोलन की एक अच्छी तस्वीर देता है।

5. मूविंग एवरेज तकनीक में लचीलेपन की योग्यता होती है, अगर कुछ साल जोड़ दिए जाएं तो नई स्थितियों को अपनाने के कारण पूरी गणना नहीं बदली जाती है।

मूविंग एवरेज विधि की सीमाएं:

पूर्वानुमान की इस पद्धति की कमियां निम्नलिखित हैं:

1. यह गणितीय संबंधों में नहीं होता है जो बिक्री के पूर्वानुमान के लिए उपयोग किया जा सकता है।

2. कोनों को काटने की प्रवृत्ति है जिसके परिणामस्वरूप सिरों पर डेटा की हानि होती है

3. चलती औसत की अवधि के चयन के लिए देखभाल की बहुत आवश्यकता है क्योंकि चयनित गलत अवधि प्रवृत्ति की सही तस्वीर नहीं देगी।

4. मूल ग्राफ में तेज मोड़ के मामले में, चलती औसत वक्रता को कम करेगा।

5. यह डेटा में छोटे आंदोलन के लिए भी बहुत संवेदनशील है।

विधि # 6. घातीय चौरसाई और चलती औसत विधि:

बिक्री पूर्वानुमान की यह विधि चलती औसत विधि का एक संशोधन है या बेहतर शब्दों में यह पूर्वानुमान की चलती औसत विधि पर एक सुधार है। यह विधि चलती औसत की सीमाओं को खत्म करने की कोशिश करती है और व्यापक अतीत के डेटा को रखने की आवश्यकता को दूर करती है यह मांग पैटर्न में अनियमितताओं को दूर करने की भी कोशिश करता है।

यह विधि अतीत की टिप्पणियों के औसत भार का प्रतिनिधित्व करती है। इस मामले में सबसे हालिया टिप्पणियों को सबसे अधिक वेटेज सौंपा गया है जो कि ज्यामितीय प्रगति में घटता है क्योंकि हम पुरानी टिप्पणियों की ओर बढ़ते हैं।

चूँकि सबसे हालिया टिप्पणियों के कारण जो अधिक-अप-टू-डेट सूचना या श्रृंखला के औसत को प्रतिबिंबित करने की संभावना है, इसलिए उन्हें अधिक वेटेज दिया जाता है, इसलिए यह बिक्री पूर्वानुमान के सबसे सटीक सांख्यिकीय तरीके में से एक बन जाता है। यह विधि एक चालू औसत मांग रखती है और इसे प्रत्येक अवधि के लिए नवीनतम वास्तविक मांग के आंकड़े और औसत के नवीनतम मूल्य के बीच के अनुपात के लिए समायोजित करती है।

जब किसी उत्पाद या सेवा की मांग में कोई रुझान नहीं होता है, तो अभिव्यक्ति का उपयोग करके घातीय चौरसाई विधि के माध्यम से अगली अवधि के लिए बिक्री का पूर्वानुमान लगाया जाता है।

अगली अवधि के लिए पूर्वानुमान = (नवीनतम वास्तविक मांग) + (1 - α) नवीनतम वास्तविक मांग का पुराना अनुमान जहां भारांक कारक के मूल्य का प्रतिनिधित्व करता है जिसे एक चौरसाई कारक कहा जाता है।

यह विधि समीकरण का अनुसरण करती है

F n = F n -1 + α (D n-1 - F n-1 )

जहां F n = अगली अवधि के लिए पूर्वानुमान

एफ एन -1 = पिछली अवधि के लिए पूर्वानुमान

D n-1 = पिछली अवधि में मांग।

यदि ए 1. के बराबर है, तो नवीनतम पूर्वानुमान पिछली अवधि की वास्तविक मांग के बराबर होगा। व्यवहार में, आम तौर पर मान 0.1 और 0.3 के बीच चुना जाता है। पृष्ठ 78 पर बिक्री पूर्वानुमान की चलती औसत विधि के डेटा का उपयोग करके तकनीक के अनुप्रयोग का प्रदर्शन किया जाता है। विधि के आवेदन में, हम 0.10 के मान का उपयोग करेंगे।

समीकरण (7) का उपयोग करते हुए, यदि 3 सप्ताह के लिए वास्तविक मांग 487 है, तो 4 वें सप्ताह के लिए पूर्वानुमान होगा

0.10 (487) + (1.00 - 0.10) 550 = 544

इसी तरह, यदि 4 वें सप्ताह की वास्तविक मांग 528 ग्राहक हैं, तो 5 वें सप्ताह के लिए पूर्वानुमान होगा

0.10 (528) + (1.00 - 0.10) (544) = 542

यदि यह प्रक्रिया पूरे 8 सप्ताह की अवधि के दौरान लागू की गई थी, तो परिणाम निम्न तालिका में दिखाए गए हैं। अनपेक्षित पूर्वानुमान त्रुटि को कॉलम D = B - C. के अंतर्गत भी इंगित किया जाता है, यदि a का मान नहीं दिया गया है; यह एक के अनुमानित संबंध द्वारा निर्धारित किया जा सकता है।

α = 2 / चलती औसत में अवधि की संख्या + 1

समीकरण (7) में जहां तक ​​वजन कारकों का संबंध है, यह एक न्यूनतम मान 0 और अधिकतम मूल्य 1. मान सकता है। अधिक से अधिक मूल्य, हाल के आंकड़ों पर रखा गया वजन अधिक है। जब एक का मान 1 होता है, तो पूर्वानुमान अंतिम अवधि के दौरान अनुभव की गई मांग के बराबर होगा।

हालाँकि उत्पाद से उत्पाद में भिन्नता का मूल्य होता है लेकिन अधिकांश संगठन ने पाया है कि 0 06 से 0.20 के बीच का मूल्य आमतौर पर संतोषजनक साबित होता है।

जब यह पता लगाने का प्रयास किया जाता है कि किसी उत्पाद या सेवा के लिए किस मूल्य का उपयोग किया जाना चाहिए संगठन / उद्यम विभिन्न मूल्यों का चयन कर सकते हैं, इन मूल्यों के उपयोग के साथ पिछले पूर्वानुमानों की जांच करें और भविष्य के उपयोग के लिए अपनाएं जिसमें पूर्वानुमान त्रुटियों को कम किया जाएगा भूतकाल।

इस तरह हम घातीय चौरसाई के विवरण के करीब जाते हैं क्योंकि यह तब लागू होता है जब बिक्री / सेवा में एक प्रवृत्ति उपलब्ध होती है। यदि मामला चलन में है, तो इस तकनीक के साथ एक ट्रेंड एडजस्टमेंट किया जा सकता है, लेकिन इसका अनुप्रयोग थोड़ा मुश्किल हो जाता है।