Metody snižování podnikatelského rizika: Prognózování

9. 4. 2014 | Zdroj: BusinessInfo.cz

Kapitoly článku

Snižovat riziko na únosnou míru ve firmě znamená předvídat, prognózovat a vytvářet varianty možných scénářů vývoje firmy a jejich charakteristik. Tato kapitola se věnuje některým principům předpovídání, respektive prognózování, a představí některé běžné prognostické techniky.

Prognostické metody mají ve firemních procesech snižování rizika nezastupitelné místo, proto je jim věnována značná pozornost. Řada dále uvedených prognostických metod patří do skupiny metod deterministických, které lze použít při snižování rizika rozhodovacích problémů na operativní nebo na střední úrovni řízení. Poněvadž však dílčím cílem této kapitoly je též prezentace expertního systému pro volbu vhodné prognostické metody, jehož báze znalostí zahrnuje i deterministické modely, budou zde probrány i tyto klasické metody.

Snižovat riziko na únosnou míru ve firmě znamená předvídat, prognózovat a vytvářet varianty možných scénářů vývoje firmy a jejich charakteristik (například zisku, nákladů atd.). Mnoho manažerských problémů vzniká v důsledku neznalosti budoucí situace či neznalosti stupně její neurčitosti. Není proto překvapením, že manažeři věnují značnou pozornost metodám, umožňujícím předpovídat budoucí hodnoty řady proměnných, které ovlivňují jejich rozhodování. V této kapitole se budeme věnovat některým principům předpovídání, respektive prognózování, a předvedeme si některé běžné prognostické techniky. Sledované ekonomické (obchodní) proměnné často vykazují vývojové trendy, které jsou předvídatelné. Poznání a kvantifikování vývojových trendů umožňuje manažerům spolehlivěji a efektivněji rozhodovat. Potřeba prognózování má logické zdůvodnění.

 Rostoucí složitost prostředí, ve kterém musí organizace fungovat a prosperovat, vyvolává spolu s měnícími se požadavky zákazníků potřebu vědět, jak se budou vyvíjet klíčové proměnné, na nichž závisí strategie rozvoje a efektivnosti podnikání.

 Prognóza není v literatuře jednoznačně definována; za společný znak všech definic však lze považovat fakt, že prognóza není jakákoliv předpověď budoucího vývoje, nýbrž předpověď, k níž je přiřazena pravděpodobnost jejího uskutečnění.

Sestavení prognózy je zpravidla pracný a náročný proces, pro nějž nelze poskytnout jednoznačný a přesný návod. Smyslem prognózování je především snížení neurčitosti znalostí o budoucnu.

Manažeři jsou přesvědčeni o tom, že používání prognostických metod a technik jim poskytne dodatečné informace, které jim umožní posoudit alternativní možnosti v kontextu s budoucími podmínkami a vyhodnotit budoucí důsledky současných rozhodnutí. Jaké budou důsledky toho, nezmění-li firma svou dosavadní cenovou politiku? Jak se odrazila změna nákladů o pět nebo deset procent v odbytu konkrétního produktu firmy? Můžeme generovat celou řadu otázek, které mohou manažerovi firmy pomoci při rozhodování.

V procesu analýzy vnějšího i vnitřního prostředí firmy umožňuje prognóza lépe identifikovat příležitosti a hrozby, které na firmu působí. Prognóza vývoje prostředí, v němž firma existuje, má při formování strategie firmy a následně i při formování strategických cílů a hierarchie cílů podnikání velký význam. Dobře zpracovaná prognóza vývoje vnějšího a vnitřního prostředí firmy snižuje riziko a snižuje pravděpodobnost neúspěchu v provádění nutných změn ve firmě.

Je důležité si uvědomit význam prognózování v souvislosti s rozhodovacím procesem, jak je naznačeno na obrázku 5.8.

V centru tohoto procesu najdeme rozhodnutí, která musí manažer uskutečňovat. Tato rozhodnutí jsou bezprostředně ovlivňována zvolenou strategií organizace, zaměřenou na dosažení vytčených cílů a s ohledem na její celkové zaměření a priority. Na rozhodnutí mají značný vliv i informace získané pomocí prognostických metod. Tyto metody poskytující informace o budoucích situacích jsou pro manažery nepostradatelné a spolu s dalšími faktory významně ovlivňují jejich rozhodování. Řada prognózovaných informací ovlivňuje i samotnou tvorbu strategie organizace. Organizace však také potřebuje mít k dispozici účinný monitorovací systém, umožňující sledovat skutečný průběh realizace rozhodnutí a porovnat ho s průběhem plánovaným. V případě zjištění odchylek mezi plánovaným a skutečným průběhem realizace rozhodnutí je třeba použít zpětnou informaci pro korigování prognostického postupu. Bez ohledu na to, zda jsou to odchylky malé či velké, bez ohledu na to, co je jejich příčinou, je třeba stanovit nové předpovědi a celý cyklus začít znovu. Jak uvidíte později, neexistuje ideální prognostický přístup, použitelný pro jakoukoli organizaci. Pro prognózování lze použít řadu alternativních metod a záleží na manažerovi, kterou pro daný rozhodovací problém zvolí.

prognozování a rozhodování

Obr. 5.8 Prognózování a rozhodování

Na obrázku 5.9 jsou zobrazeny přístupy, které jsou v prognostické praxi používány nejčastěji. Zásadně lze tyto přístupy rozdělovat podle toho, zda jsou převážně kvalitativníči kvantitativní. Toto rozdělení může být v některých případech zavádějící, protože některé kvalitativní přístupy produkují numerické výsledky, na druhé straně některé kvantitativní přístupy vycházejí ze subjektivních, kvalitativních předpokladů.

Převzato z knihy Řízení rizik ve firmách a jiných organizacích vydané nakladatelstvím Grada v roce 2013

Kvantitativní přístupy

Kvantitativní přístupy je možné rozdělit do dvou základních skupin: na extrapolace trendů a kauzální modely. Metody extrapolace trendů spočívají v analyzování trendů historických údajů, týkajících se určité proměnné, a jejich extrapolování do budoucna. Tento přístup ponechává stranou otázku, co je příčinou určitého průběhu dosavadního i očekávaného trendu sledované veličiny. Tuto otázku řeší kauzální modely, jejichž úkolem je nalézt faktory, který průběh sledovaných proměnných ovlivňují.

Prognostický proces

Nyní si přiblížíme charakteristické prognostické postupy, aplikovatelné v oblasti manažerského rozhodování. Tyto postupy poskytují manažerům představu o budoucím vývoji analyzovaných veličin. Celý prognostický proces, zahrnující předpověď budoucího vývoje, lze shrnout do těchto postupných kroků:

Stanovit účel, respektive cíle prognózy.

  • Určit, jak často a pro které období má být prognóza stanovena.
  • Zvolit vhodnou prognostickou metodu.
  • Shromáždit potřebná data.
  • Stanovit prognózu.
  • Určit spolehlivost a vhodnost prognózy.
  • Sledovat a vyhodnocovat přesnost prognózy.

Tyto kroky si nyní popíšeme podrobněji.

Stanovení účelu, respektive cíle prognózy

Je nezbytné, aby si manažer velmi dobře ujasnil význam prognózy a možnosti jejího využití. Využije-li manažer prognózy přímo pro určení cílových hodnot plánovaných veličin, je to extrémní případ. Dalším extrémem je, slouží-li prognóza pouze jako jedna z podpůrných informací pro manažerské strategické plánování nebo manažerské rozhodování. V každém případě je důležité, aby prognóza představovala dostatečně spolehlivou informaci pro daný účel.

Určení období, pro které má být prognóza stanovena

Jde o proces ve dvou etapách. Nejprve je třeba rozhodnout, pro jak dalekou budoucnost prognózu potřebujeme. Podle okolností se můžeme zaměřit na prognózu krátkodobou (třeba jen na několik hodin dopředu), střednědobou (obvykle na dva až tři roky) nebo dlouhodobou. Dále je třeba určit, jak často má být prognóza vyhotovena. Prognózu je možné vypracovávat pravidelně: například každý den nebo každý týden. Alternativní možností je vyhotovení prognózy pro specifický účel strategického plánu, například jednou za rok.

Stanovení délky časového intervalu prognózování je úkolem velmi složitým a závažným. Autority se v určování optimálních časových délek značně rozcházejí. Všeobecně lze konstatovat, že v každém případě musí být splněna nerovnost tm > tn, kde tm je období minulé, tnje délka prognózovaného časového období. Interval tm,obsahující známá data, musí být větší než interval tn, v němž prognózujeme. Dosud však neexistují kritéria určení, o kolik má být tm větší než tn.

prognozování

Obr. 5.10 Časový interval prognózování

Převzato z knihy Řízení rizik ve firmách a jiných organizacích vydané nakladatelstvím Grada v roce 2013

Volba vhodné prognostické metody

Tu ovlivňuje především stanovisko manažera k uvedeným předchozím problémům. Volba prognostických technik značně závisí na okolnostech, které se daného prognostického problému dotýkají. Potřebuje-li například velká organizace pro potřeby řízení skladových zásob zpracovávat denní prognózy poptávky pro veškeré skladované položky, je třeba, aby byl prognostický model jednoduchý a aby nevyžadoval neúměrné množství vstupních údajů (použijeme například vyrovnání časové řady pomocí přímky či pomocí polynomu n-tého stupně). Jestliže však stejná organizace potřebuje pro plánování rozvoje svých klíčových výrobků znát dlouhodobou prognózu vývoje poptávky (na dva až tři roky dopředu), bylo by použití jednoduchého exponenciálního vyhlazování neadekvátní.

Podle způsobu, jakým trend (časové řady sledované ekonomické charakteristiky) vyrovnáváme, hovoříme o:

  • přímkové (lineární) extrapolaci: f(t) = a1t + a0
  • kvadratické aproximaci: f(t) = a2t2 + a1t + a0
  • extrapolaci obecnější – polynomem k-tého stupně: f(t) = aktk + ak-1tk–1 + … + a1t + a0
  • extrapolaci pomocí jiných křivek: exponenciálou nebo logistickou funkcí

Ve výše uvedených vztazích jsou a0, a1…reálné konstanty, podobně jako parametry s, ab.Stupeň polynomu k je přirozené číslo. Tato logistická funkce[1]se s úspěchem používá zejména při prognózování poptávky po předmětech dlouhodobé spotřeby a při modelování prodeje některých druhů výrobků. Podle typického průběhu se této skupině funkcí též říká tzv. S-křivky.

časové vyjádření vlivu sil

Obr. 5.11 Časové vyjádření vlivu sil, které působí pro změnu a proti ní

Každá S-křivka vymezuje na časové ose pět základních fází působení sil pro změnu a proti ní (například uvedení nového výrobku na trh – konkrétně touto křivkou můžeme modelovat prodej barevných televizorů).

V časovém intervalu T1se začínají formovat síly, které působí pro změnu (zahájení výroby a prodeje barevných televizorů). Jejich prosazení však brzdí staré síly (působící proti změně), které nejsou zcela překonány (například konzervativní povahou spotřebitele, cenou nového výrobku atd.).

V druhém časovém období se síly, působící pro změnu, začínají plně prosazovat a rozhodující měrou ovlivňují další vývoj. Tyto síly působí jako akcelerátory a tempo vývoje se značně urychluje.

Časový interval T3je charakterizován situací, kdy změna plně probíhá, formují se však opoziční síly.

V časovém intervalu T4síly, které působí proti původní změně, nabývají postupně převahu nad silami, které pozbyly svoji progresivnost, čímž se vývojové tendence podstatně zpomalují (například se na trhu objevuje konkurence s technologicky lepším televizorem).

V posledním intervalu T5 opoziční síly získaly rozhodující převahu a zcela utlumily vývoj dosavadních sil. V této fázi se vývoj zpomaluje až zastavuje, a to do doby působení nových sil, které podpoří (kvalitativně jinou) změnu (například zavedení nového televizoru s novou technologií přenosu obrazu).

Do skupiny S-křivek patří též často používaná Gompertzova křivka, která je tvaru:

  • kde koeficient s udává mez saturace (například horní mez prodeje konkrétního výrobku). Při výpočtu parametrů b, cje nejvhodnější logaritmovat původní rovnici Gompertzovy křivky a využít tzv. Kingovy metody.[2]Mezi klady Gompertzovy křivky patří její značná adaptační schopnost; stanovením různých hodnot parametrů s, b, clze přizpůsobovat Gompertzovu křivku daným časovým řadám.

Pro stanovení konstant a0, a1ak polynomu k-tého stupně dnes existuje řada metod. Výpočet konstant polynomu se realizuje na počítači, lze proto použít nejpřesnější (i když při „ručním“ výpočtu nejpracnější) metodu – metodu nejmenších čtverců. Pro ilustraci, jak lze uvedeného programu využít pro stanovení koeficientů aproximačního polynomu k-tého stupně, uvedeme alespoň jeden příklad.

 V tabulce 5.2 jsou pro jednotlivé údaje ti (roky sledovaného období) zaznamenány odpovídající hodnoty yi(údaje o obratu zahraničního obchodu, uvedené v miliardách peněžních jednotek). Tuto empiricky zjištěnou závislost se pokusíme vyjádřit polynomem k-tého stupně.

ti yi ti yi ti yi

1

2

3

4

5

2,1

2,9

4,1

5,8

8,0

6

7

8

9

10 

10,9

14,8

19,8

25,9

33,2

11

12

13

14

15

41,4

50,0

58,6

66,8

74,1

Tab. 5.2 Údaje o obratu zahraničního obchodu (v mld. peněžních jednotek)

Při prvním výpočtu je zvolen koeficient determinace r2 = 0,85. Pro tento koeficient stanovíme stupeň polynomu k = 1. Příslušnou empiricky zjištěnou závislost lze (při zvoleném r2 = 0,85) aproximovat přímkou, přičemž vypočtené hodnoty koeficientů a0a1 jsou: a0 = –14,75; a1= 5,33. Aproximačním polynomem je tedy přímka f(t) = 5,33 t+ 14,75. Je zjevné, že nalezená aproximační funkce neaproximuje danou závislost nejlépe. Proto pro další výpočet stanovíme koeficient determinace r2= 0,95. Výpočtem zjistíme, že stupeň polynomu má hodnotu k = 2 a koeficienty polynomu jsou a0 = 2,334; a1 = – 0,699; a2 = 0,376. Nalezená aproximační funkce má tedy tvar: f(t) = 0,376 t2 – 0,699 t + 2,334.

Lze si ověřit (vynesením funkcí do grafů), že tato funkce aproximuje sledovanou empirickou závislost lépe. V dalším výpočtu může stanovit koeficient determinace r2= 0,98 a vypočteme opět tytéž hodnoty koeficientů (a0= 2,334; a1 = – 0,699; a2 = 0,376). Nemá tedy zřejmě smysl měnit dále hodnoty r2, aproximační polynom má stále stejné koeficienty (a samozřejmě tedy i stupeň). Vypočtené funkční hodnoty f(ti) pro jednotlivé ti (kde i = 1 … 15) pro nalezený polynom f(t) = 0,376 t2 – 0,699 t + 2,334 jsou uvedeny v tabulce 5.3.

Na počítači lze vykreslit experimentálně zjištěnou závislost i její aproximaci. Program nám umožňuje vypočíst funkční hodnoty aproximačního polynomu v dalších předem stanovených bodech. Tímto způsobem můžeme prognózovat vývoj empirické závislosti v předem stanoveném časovém intervalu.

ti yi ti yi ti yi

1

2

3

4

5

2,00

2,91

3,56

5,45

8,08

6

7

8

9

10 

11,45

15,56

20,41

26,00

32,3

11

12

13

14

15

39,41

47,22

55,77

65,06

75,09

Tab. 5.3 Vypočtené funkční hodnoty aproximačního polynomu

Volba vhodné prognostické techniky záleží jenom na jejím účelu a disponibilních údajích. Do značné míry je ovlivňována kvalifikací manažerů, respektive analytiků, kteří prognózy zpracovávají. Těžko lze po někom požadovat, aby pro prognózu využil regresní analýzu, jestliže se s ní dotyčný pracovník dosud neseznámil. Proto také řada organizací nakupuje komplexní dlouhodobé prognózy od různých poradenských firem. I zde je nutné upozornit na to, že nekvalifikovaný manažer může „nakoupenou“ prognózu nesprávně interpretovat a učinit nesprávné rozhodnutí.

[1]    Logistická funkce je též známá pod názvem Verhulstova-Pearlova funkce, Robertsonova funkce atp.
[2]    Ter-Manuelianc, A.: Modelování problémů řízení. Institut řízení, Praha 1977.

Převzato z knihy Řízení rizik ve firmách a jiných organizacích vydané nakladatelstvím Grada v roce 2013

Shromáždění potřebných dat

V této etapě si uvědomíme, že není možné rozhodnout o tom, jaké údaje budete pro stanovení prognózy potřebovat, dokud nevyberete vhodnou prognostickou techniku. Volba prognostické metody totiž do značné míry určuje potřebná data. Model klouzavých průměrů vyžaduje jednoduchou časovou řadu sledovaných údajů, zatímco kauzální regresní model vyžaduje navíc hodnoty nezávisle proměnné. Je však třeba poznamenat, že v mnoha organizacích charakter disponibilních údajů předurčuje volbu aplikovaných prognostických metod. Jednoduše není možné použít prognostickou metodu, i kdyby byla velmi vhodná, nejsou-li pro ni k dispozici potřebné údaje. Proto také disponibilita údajů představuje v současné době jednu z hlavních překážek pro rozvoj a užití prognostických metod v manažerské praxi.

Tvorba prognóz

Samotná tvorba prognóz představuje relativně nejsnadnější etapu prognostického procesu. Snadnost vytváření prognóz je dána především disponibilitou a jednoduchostí použití širokého spektra programových prostředků, které jsou běžnou součástí tabulkových procesorů (například Excel).

Určení spolehlivosti a vhodnosti prognózy

Spolu s určením prognózy je žádoucí určit i její spolehlivost a využitelnost pro daný účel. Spolehlivost prognózy lze posuzovat subjektivně i pomocí určitých statistických ukazatelů. Disponibilní programové prostředky spolehlivost do určité míry vyjadřují. Je to například nám již známý koeficient determinace r2a statistické veličiny MAE (Mean Absolute Error – střední absolutní chyba) a MSE (Mean Squared Error – střední kvadratická chyba). Přesto má subjektivní názor manažerů stále svůj nepopiratelný význam.

Vyhodnocování přesnosti prognózy

V souvislosti s dříve stanovenou prognózou představuje sledování, porovnání a vyhodnocování skutečných údajů v budoucnosti poslední etapu prognostického procesu. Bylo by příliš zjednodušující použít prognózu pro podporu manažerského rozhodnutí a více se již o ni nezajímat. Důležitou součástí prognostického procesu je i následné vyhodnocování z hlediska přesnosti prognóz. Lze téměř s jistotou říci, že prakticky všechny prognózy se budou vzhledem k budoucímu stavu věci jevit do určité míry jako chybné. Z hlediska manažera jsou v tomto smyslu důležité dvě věci: jak velká je chyba prognózy a co je její příčinou. Příčinou může být špatná volba prognostického modelu, nepřesnost použitých údajů či nesprávnost učiněných předpokladů. Pouze následné vyhodnocování kvality prognóz může přispět k dosažení jejich vyšší kvality.

Převzato z knihy Řízení rizik ve firmách a jiných organizacích vydané nakladatelstvím Grada v roce 2013

Tisknout Vaše hodnocení:

Diskuse k článku

+ Nový příspěvek