Это методы статистического анализа данных за прошлые периоды, для которых характерны относительно ясные и стабильные тенденции и взаимосвязи. Динамический анализ используют для выявления: (1) систематических колебаний под влиянием сезонных факторов; (2) циклических колебаний; (3) выраженных тенденций; (4) темпов роста в рамках этих тенденций. Методы динамических рядов опираются на предпосылку, что будущее похоже на прошлое, а стало быть, существующая структура спроса сохранится и в будущем. В краткосрочной перспективе такое предположение часто оказывается верным. Поэтому для краткосрочных прогнозов именно эта техника является наиболее подходящей. Но точность результатов здесь напрямую зависит от стабильности мо­дели спроса.

Когда темпы роста или устойчивая тенденция резко меняются, в модели спроса возникает точка перелома. Поскольку методы динамических рядов оперируют данными за прошлые периоды и средне­взвешенными величинами, они обычно не пригодны для выявления точек перелома. Поэтому, когда есть основания ожидать возникновения точки перелома, нужно применять и другие методы прогнози­рования.

Техника динамических рядов включает в себя несколько методов разной степени сложности. Ниже мы рассмотрим четыре из них в порядке усложнения: метод скользящей средней, метод экспоненци­ального сглаживания, метод расширенного сглаживания и метод адаптивного сглаживания.

Скользящая средняя. В прогнозировании по методу скользящей средней используются средние пока­затели продаж за последние периоды. Можно рассчитать средние величины за любое число периодов, но обычно беруг средние за один, три, четыре или двенадцать периодов. Когда используют среднюю за один период, то именно ее значение и служит прогнозной оценкой объема продаж на будущий период. Если нужна скользящая средняя за двенадцать периодов — скажем, месяцев, — то ее вычис­ляют на основе средних каждого из двенадцати последних месяцев. Когда оканчивается очередной месяц, мы берем среднюю за этот месяц и отбрасываем среднюю за первый. Так что данные все время обно&пяются, а количество учитываемых периодов остается постоянным.

Скользящую среднюю легко вычислить, но у этого показателя есть некоторые ограничения. Преж­де всего, он нечувствителен к изменениям, к тому же для составления прогнозов на его основе нужно хранить и постоянно обновлять крупные массивы данных. Если в прошлом объем продаж испытывал значительные колебания, средняя величина не может служить надежной основой для прогноза. Сколь­зящая средняя учитывает только базовый элемент прогноза (базовый спрос) и оставляет в стороне остальные элементы.

Для преодоления этих недостатков был разработан модифицированный метод скользящей средне­взвешенной, в котором больший вес присваивается данным за более поздние периоды. Одна из разно­видностей метода скользящей средневзвешенной — экспоненциальное сглаживание.

Главное преимущество метода в том, что он позволяет быстро рассчитывать новые значения прогнозов, не требуя для этого больших массивов данных за прошлые периоды и обновления информации. Благодаря этому свойству метод экспоненциального сглаживания очень подходит для программирования с применением компьютерных средств. Изменяя значение ко­эффициента сглаживания, можно изучать и изменять чувствительность метода к изменениям.

При использовании метода экспоненциального сглаживания самым ответственным решением яв­ляется выбор значения альфа-фактора. Если он равен 1,0, тогда объем продаж за последний прошед­ший период и есть прогноз на ближайший будущий период. При очень малом значении альфа-факто­ра — скажем, 0,01 — метод становится почти идентичным методу скользящей средней. Когда значе­ние альфа-фактора велико, прогноз оказывается очень чувствительным к изменениям. При низком значении альфа-фактора метод слабо реагирует на изменения, а значит, и на случайные колебания спроса. В то же время этот метод не делает различий между сезонными и случайными колебаниями, а в силу этого не устраняет потребности в экспертных оценках. Выбирая значение альфа-фактора, про­гнозист вынужден находить компромисс между полным отсечением случайных колебаний и высокой чувствительностью прогноза к изменениям спроса.