Когда перед аналитиком ставят задачу дать прогноз, одно из самых важных решений, которое он должен принять — это выбор подходящего метода прогнозирования. Жизнь его, конечно, становится значительно легче, если он следует базовым принципам прогнозирования, однако принятое решение может приводить к разным результатам в зависимости от уровня и срока прогнозирования.

Под уровнем прогнозирования мы понимаем место либо в пространственной, либо во временной иерархии. Например, если перед нами стоит задача спрогнозировать объём продаж шляп в магазине «Шляпный мир», что располагается на Большой Морской улице, 60 в Санкт-Петербурге, то скорее всего мы будем иметь дело с нижним уровнем прогнозирования в пространственной иерархии. Уровнем выше находятся продажи шляп во всех магазинах «Шляпный мир» Адмиралтейского района. Ещё выше — продажи по Санкт-Петербургу. И так далее вплоть до границ видимой вселенной. Это пример пространственной иерархии.

Если нас просят дать прогноз продаж шляп на несколько дней вперёд, то мы должны использовать дневные данные, что является нижним уровнем во временной иерархии (уровнем ниже, правда, могут находится часовые, минутные или даже секундные продажи, которые, однако, в случае со шляпами не имеют смысла). Недельные продажи шляп — это более высокий уровень в иерархии. Ещё выше — месячные данные, квартальные, годовые. Это, как вы могли уже догадаться, пример временной иерархии.

Как в пространственной, так и во временной иерархии есть свои особенности. Так на нижних уровнях объёмы продаж подвержены большому влиянию случайности, потому что такие данные отображают низкую инерционность прогнозируемого объекта. В пространстве это объясняется сравнительно малым числом клиентов у магазина, во времени — невысокой частотой покупок в течение выделенного временного отрезка. В связи с этим случайные события, происходящие на этом уровне иерархии, могут приводить к значительным изменениям в объёмах продаж. Например, работы по смене отопительных сетей вдоль Большой Морской улицы могут привести к тому, что число клиентов магазина «Шляпный мир» уменьшится, в результате чего упадут и продажи шляп.

Агрегирование продаж в пространстве или/и во времени позволяет сгладить эту случайность. Данные в таком случае соответствуют более высокой инерционности объекта исследования. Если трубы будут перекладывать в течение недели, то в недельных данных по продажам только одно наблюдение будет серьёзно выбиваться из общей динамики, а после него — начнётся восстановление до прежнего уровня продаж. В пределах Адмиралтейского района спад продаж в одном из отделений сети магазинов будет влиять на общие продажи, но не критично. В рамках города подобное событие может быть и вовсе незаметно.

Каждый из уровней иерархий так же характеризуется и особенностями в принятии управленческих решений. Так для принятия решения об общем объёме выпуска продукции обычно обращаются к высшим уровням иерархии (например, объёмы продаж шляп по городу), а для принятия решения о распределении продукции по магазинам — к более низким.
В случае с временными иерархиями прогнозирование на нижних уровнях нужно для принятия оперативных управленческих решений (нужно ли перераспределять шляпы, не закончится ли их срок годности до продажи), на уровнях выше — для тактических решений (сколько выпускать шляп в следующем периоде), а на самых верхних уровнях — для стратегических решений (стоит ли расширяться, захватывать новые рынки и т.д.).

Стоит однако заметить, что прогнозы полученные на разных уровнях обычно оказываются не согласованными: прогнозируемый объём продаж на верхнем уровне не обязательно равен сумме прогнозируемых объёмов на низких уровнях. Эта проблема может быть решена несколькими методами, о которых мы поговорим, когда доберёмся до иерархического прогнозирования.

Как мы уже заметили ранее применяемые прогнозные методы могут разниться не только в зависимости от уровня в иерархии, но ещё и в зависимости от срока прогнозирования. Существует несколько классификаций прогнозов по сроку прогнозирования, но на практике обычно имеет смысл следующая:

• Краткосрочные,
• Среднесрочные,
• Долгосрочные.

Термины «кратко-», «средне-» и «долго-» не имеют чёткого определения, но как следует из логики наших предыдущих размышлений, должны зависеть от инерционности объекта исследования.

Так краткосрочным можно назвать прогноз, осуществляемый на срок, не превышающий период инерционности объекта исследования. Главное, что характеризует этот тип прогноза — это то, что исследуемый объект сохраняет свою устойчивость. Он не подвержен существенным изменениям и может быть достаточно точно спрогнозирован. Например, объёмы продаж шляп во вторник в магазине на Большой Морской, 60 не должны радикально отличаться от объёмов продаж шляп там же в понедельник (кроме случаев с редкими событиями из разряда «Чёрный лебедь»). А продажи шляп в феврале 2015-го года по Санкт-Петербургу легче спрогнозировать, имея данные вплоть по январь 2015-го года, нежели имея данные только до августа 2014-го года. Прогнозные методы в случае с краткосрочным прогнозированием должны в большей степени учитывать последние полученные данные.

Среднесрочный прогноз — это прогноз на срок, незначительно превышающий период инерционности объекта исследования. В этом случае в динамике показателя может наметиться какая-нибудь тенденция, которую можно выловить и спрогнозировать с помощью математических методов. Например, объёмы продаж шляп в Адмиралтейском районе явно будут иметь сезонность, поэтому при прогнозировании на срок до 12 месяцев, её нужно учитывать. В случае с расширением сети магазинов «Шляпный мир» по Санкт-Петербургу, при прогнозировании объёма продаж на несколько лет вперёд (например, на 3 — 4 года) стоит учитывать наметившуюся тенденцию к росту продаж. Прогнозные методы в этом случае должны брать в расчёт не только последние полученные данные, но и более старые данные, однако предпочтение всё же должно отдаваться первым.

Долгосрочный прогноз — это прогноз на срок, значительно превышающий период инерционности. Здесь уже динамику показателя спрогнозировать становится практически невозможно: за этот срок слишком многое может произойти. Попробуйте, например, спрогнозировать дневные продажи шляп в магазине «Шляпный мир» на Большой Морской, 60 на год вперёд. Или же дать прогноз по месячным продажам шляп по всему городу на срок в 6 лет. За это время может произойти всё, что угодно. Именно поэтому для прогнозирования на долгий срок нужно обращаться к различным сценариям и использовать экспертные методы для выбора оптимистичного, пессимистичного и наиболее вероятного из них.

К сожалению, методы расчёта периода инерционности объекта исследования пока не разработаны, так что его приходится оценивать «на глаз». Более того, период инерционности очевидным образом меняется от одного объекта исследования к другому. Так период инерционности продаж магазина шляп будет отличаться от периода инерционности продаж пассажирских самолётов. Что можно сказать однозначно по поводу периода инерционности, так это то, что он зависит не только от уровня иерархии, но и от типа объекта исследования. Так же можно заключить, что низкая инерционность процесса приводит к увеличению случайности в нём, которая может даже проявляться не только в размере продаж, но и в частоте продаж. Пример процесса с очень низкой инерционностью — целочисленный спрос.

И последнее. Деление на сроки прогнозирования имеет смысл только в случае необратимых процессов. Если перед нами обратимый процесс, то его можно легко спрогнозировать на любой срок, используя стандартные статистические методы — вопрос прогнозирования в таком случае сводится лишь к правильному преобразованию данных и подбору подходящей функции. Однако обратимые процессы встречаются в нашей жизни достаточно редко.