第六章,市场调研和市场预测(7)

第六章,市场调研和市场预测

许多企业是根据过去的销售业绩，来预测未来销售发展趋势。当然，这首先要通过分析企业历年来的销售数据，以确定具有连续性的因果关系，然后才能用于预测未来销售发展趋势的依据。

某产品历年的销售量（均以时间序列，可以按趋势（Trend）、周期（Cycle）、季节（Season）和意外事件（Erratic events）四个主要因素来分析：

第一个要素是趋势(T），即人口、资金和技术等要素发展变化的基本情况。这可以从过去的销售曲线的变化规律中推测出来，也可看作是过去销售曲线的自然延伸。

第二个要素是周期（C），即经济周期波动的影响。由于经济发展具有一定的周期性，所以剔除周期性的影响对中期预测相当重要。

第三个要素是季节（S），指一年中销售变化的固有模式，如与日、周、月或季节相关的规律性变动。这种变动往往是与气候、假日等时间概念相联系的。季节性模式往往作为短期销售的一种依据。

第四个要素是偶然事件（E），包括风雨等各种自然灾害及动乱等等。这些因素都属于不可抗力的范畴之内。根据历史资料进行预测时，一定要剔除这些偶然因素，以得到规范的销售行为模式。

时间序列分析就是根据以上四个要素（T、C、S、E）分析原始销售数列，再结合这些要素来预测未来的销售量，如某汽车销售商今年已销售出12000辆，现在预测明年的销售量。已知年增长趋势为每年递增5％，估计明年的销量为12600（＝12000*1.05）辆。但由于经济下滑，预计销量仅为正常情况下的80％，即10080（＝12600×0.8）辆。如果每月的销量相等的话，那么月平均销售量应为840（=10080÷12）辆。然而，12月份往往是销售高峰，高于其他月份，季节指数为1.4。所以，预计明年12月份的销售量可能达到1176（＝840×1.4）辆。此外还要预计不会发生社会动乱、各种自然灾害或不可抗力等。

2）因果分析预测法。因果分析预测法是以事物之间的相互联系、相互依存关系为根据的预测方法。因果分析法的主要工具是回归分析技术，因此又称其为回归分析预测方法。

回归分析预测公式为：Ｑ＝f(ｘ１,ｘ２．．．ｘｎ)；通过多元回归分析方法来找到最好的需求方程式。

例：某饮料公司用统计的方式发现，影响饮料需求量的最主要因素是年均温度和人均收入，它的表达方程式为：

c=－145．5＋6.46x1－2.37x2

式中：x1为该地区的温度（华氏）；x2为该地区人均收入（百美元）。

例如，美国新泽西州的年均温度为54，年均收入24，则带入公式可得：

ε=－145.5＋6.46×54－2.37×24=146.6

实际的情况是143，相差不大。

在利用这种方法预测时，首先要确定事物之间相关性的强弱，相关性越强，预测精度越高；反之，预测精度就较差。同时还要研究事物之间的相互依存关系是否稳定，如果不稳定，或在预测期内发生显著变化，则利用历史资料建立的回归模型就会失败。运用回归方程进行分析预测的方法主要有三种：一元回归预测、多元回归预测、自回归预测。

对于大多数企业来说，都要进行市场预测，因为市场需求总是有波动的，处于不稳定状态。因此，对未来需求的预测是否准确，就成为企业经营成败的关键。预测不准确可能造成存货积压或脱销，也可能被迫降价销售，使企业蒙受重大损失。

国外的企业一般采用三段式程序对需求进行预测。首先分析经济形式，根据一系列指标如经济周期、通胀率、失业率、利率、工商投资、政府开支、进出口额等情况的变动，得出对国民生产总值的预测。其次是在此基础上得出该行业市场的预测，在已知的环境和既定营销支出下，预测该行业的销量。最后根据本企业的市场占有率，做出企业的销售预测。