В-третьих, окружающая среда, продукция, внутрифирменные факторы и прочие условия меняются слишком часто, что не позволяет опереться при прогнозировании на репрезентативные выборки исходных данных. При этом подавляющее большинство методов прогнозирования так или иначе использует именно исторические данные.

В-четвертых, грамотное применение научных методов прогнозирования обычно требует специальных знаний, соответствующего образования, умения пользоваться математическим и статистическим аппаратом, прикладными пакетами анализа и т. д.

Какой же точности прогноза удается добиться с помощью используемых на практике методов? Здесь все, как правило, зависит от степени агрегированности показателя. Так, если прогнозировать совокупный общий объем реализации в деньгах - точность прогноза может достигать +-5%. Но если прогнозировать, например, объемы оптовых продаж потребительских товаров по ассортиментным позициям в разрезе регионов - очень высоким результатом считается 40-процентная точность попадания в интервал +-20% в пределах месяца, то есть объем реализации 40% позиций ассортимента угадан с точностью +-20%.

Широко известным является факт значительного роста объемов оптовых продаж к концу месяца. Если сравнивать объемы продаж первой и последней недель внутри месяца - разница может достигать нескольких сотен процентов, тогда как разница между двумя месяцами обычно не так велика.

Чем более агрегированный по объему или по времени показатель анализируется, тем точнее будет прогноз. Со снижением степени агрегированности снижается и польза от статистических методов. Поэтому необходимо искать баланс между детализацией и точностью.

5. Научное прогнозирование и бизнес

Текущий уровень развития средств обработки информации позволяет говорить о возможности массового перехода от отдельных методов прогнозирования к системам поддержки принятия решений, использующим в работе элементы искусственного интеллекта и самообучения. Однако практическая востребованность этих методов вызывает сомнения.

Во-первых, не доказано их преимущество перед человеческой интуицией в условиях бизнеса. Во-вторых, процесс функционирования сложной системы, как правило, недостаточно прозрачен для пользователя, соответственно, результат не вызывает полного доверия. В-третьих, параметры таких систем требуют тонкой настройки и подбора, методы проведения которых практически не формализованы. В-четвертых, комплексные прогностические системы создаются для уникальных условий и редко тиражируются, в связи с чем стоимость их разработки, внедрения и поддержки довольно высока.

Эти и другие причины тормозят проникновение научного прогнозирования в бизнес, фильтрующий все методы на предмет практической пользы и простоты применения. Вне зависимости от их продвинутости - с академической точки зрения.

Заключение

Современная наука предлагает более 150 методов прогнозирования, которые могут быть использованы для целей бизнеса. От простейших приемов усреднения до программно-аппаратных систем поддержки принятия решений. И если практикой применения трендовых моделей и экспертных оценок в экономике сложно кого-то удивить, то новые достижения научной мысли на стыке математики, статистики, информатики и кибернетики продолжают оставаться недостаточно востребованными большинством компаний.

Причин здесь несколько: консерватизм и отсутствие воображения у многих менеджеров, сложность новых концепций прогнозирования и их математического аппарата, неочевидность сравнительной практической пользы от внедрения, нехватка информации о них.

Методы "мягких" вычислений, среди которых можно отметить нейронные сети, генетические алгоритмы и нечеткую логику, существуют уже несколько десятилетий. Но вряд ли многие из читателей смогут вспомнить пример их регулярного использования в бизнесе. Исключением будут разве что компании, чья основная деятельность - активные операции на финансовых рынках, страховщики и некоторые банки.

В научных кругах прогрессивность и практическая польза этих методов не вызывают сомнений, однако теоретикам далеко не всегда удается донести информацию до практиков в доступной форме.

Список литературы

1. Теория прогнозирования и принятия решений: Учеб. пособие. /Под ред. С.А. Саркисяна. - М.: Высшая школа, 2005. - 514с.

2. Титова Т.А. Перспективы развития научного прогнозирования// Экономика и математические методы. – 2008. - №2. – с. 26-29

3. Фейгенберг Дж. Основы научного прогнозирования. /Пер. с нем. – М., 2002. - 245с.

4. Шабанов П.А. Методы научного прогнозирования и их практическое применение. М.: 2007

5. Шукшин С.Н. Прогнозирование как метод научного познания// Экономика и математические методы. – 2008. - №3. – с. 16-22