Расширенное сглаживание. Базовую модель можно расширить так, чтобы она учитывала долгосроч­ные тенденции и сезонный фактор. Соответствующие разновидности метода называют экспоненциаль­ным сглаживанием с учетом тенденций и экспоненциальным сглаживанием с учетом сезонного фактора.

Расширенное экспоненциальное сглаживание включает в расчет тенденции и сезонный фактор, когда конкретное значение этих элементов поддается четкому определению. Формула расширенного экспоненциального сглаживания похожа на базовую формулу, только она содержит три элемента и три константы, представляющие базовый спрос, временною тенденцию и сезонный фактор.

Этот метод тоже позволяет быстро рассчитать прогнозные значения при минимальном запасе дан­ных. Чувствительность метода зависит от значения констант. Чем выше значение константы, тем силь­нее чувствительность к колебаниям объема продаж, однако порой это ведет к их переоценке. Главная особенность расширенного метода — способность напрямую учитывать тенденции и сезонный фактор — составляет его несомненное преимущество, но одновременно и слабость. Этот метод зачас­тую оказывается чрезмерно чувствительным, поскольку не располагает инструментами для придания правильных весов разным элементам прогноза. Такая сверхчувствительность чревата снижением точно­сти прогнозов.

Адаптивное сглаживание. Метод адаптивного сглаживания предполагает постоянный пересмотр выбранных значений альфа-фактора. Коэффициент пересматривают по завершении каждого прогноз­ного периода и определяют то его значение, при котором прогноз был бы безошибочным. Таким образом, субъективная оценка менеджеров отчасти заменяется систематической и последовательной корректировкой альфа-фактора.

Более изощренные разновидности адаптивного сглаживания построены на автоматическом от­слеживании сигналов, предупреждающих о погрешностях и ошибках. Когда обнаруживается сигнал, вызванный слишком большой ошибкой, значение константы автоматически увеличивается, что де­лает прогноз более чувствительным к сглаживанию в предыдущие периоды. Если в последнем пери­оде объем продаж претерпевал значительные изменения, такая повышенная чувствительность умень­шит погрешность прогноза. Когда погрешность прогноза уменьшается, сигнал автоматически воз­вращает константу к ее первоначальному значению.

Метод адаптивного сглаживания облачает свойством самокоррекции, то есть подстраивания соб­ственной чувствительности под текущую ситуацию. Хотя этот метод был специально разработан для систематического преодоления ошибок, его слабость — в склонности к чрезмерным реакциям, ког­да случайная погрешность воспринимается как проявление тенденции или сезонного фактора. Такое ошибочное истолкование может стать причиной роста величины погрешностей в будущем.

Причинно-следственные методы прогнозирования. Эти методы прогнозирования основаны на рег­рессионной оценке объема продаж по каждой единице хранения с учетом влияния независимых факторов. Например, продажа кофе на стадионе во время футбольных матчей обычно есть функция температуры воз­духа. Чем холоднее, тем больше кофе выпивают болельщики.

При выявлении тесной корреляционной связи между двумя переменными (как между температу­рой воздуха и спросом на кофе) прогнозировать будущие события нетрудно. В нашем примере ожида­емый спрос на кофе, чашки, сахар и сливки можно рассчитать заранее, исходя из прогноза погоды. Когда удается найти независимую переменную (факторный признак), причинно-следственные, или регрессионные, методы прогнозирования работают очень хорошо. Но в логистике такие ситуации встречаются не особенно часто. Если прогнозирование спроса на какой-либо продукт базируется на единственном независимом факторе, мы говорим о простом регрессионном анализе. Если же фактор­ных признаков два или больше, применяется так называемая множественная регрессия.