شما در حال خواندن درس تفاوت روش‌های کمی و کیفی پیش‌بینی تقاضا از دوره‌ی پیش‌بینی تقاضا هستید.

روش‌های کمی و کیفی پیش بینی تقاضا

روش‌های متنوع و زیادی برای پیش‌بینی وجود دارد که به دو دسته‌ی کمّی و کیفی تقسیم می‌شوند. در روش‌های کیفی از تجربیات و دانش نفرات استفاده می‌شود تا اطلاعات گذشته را بررسی کنند، جنبه‌های مختلف را ببینند و وضعیت آینده را پیش‌بینی کنند اما در روش‌های کمّی از روابط ریاضی برای بررسی الگوها و روندها و اطلاعات قبلی استفاده می‌شود.

روش‌های کیفی و کمی پیش‌بینی

شاید در نگاه اول به نظر برسد که پیش‌بینی تقاضا ارتباط زیادی با ریاضیات دارد، اما همیشه‌ این‌طور نیست و خیلی اوقات بر مبنای نظرات تحلیل‌گران انجام می‌شود. مثلاً شاید یک بازرگان پیش‌بینی کند که در سال آینده با کاهش تعرفه‌های وارداتی، تقاضای خرید تلفن‌های ایرانی کم می‌شود یا یک فروشنده‌ی پوشاک بر اساس تجربیات قبلی می‌داند که تقاضا در ماه‌های پایانی سال بیشتر است.

در روش‌های کیفی از نظرات و تجربیات افراد استفاده می‌شود و این ذهن تحلیل‌گر است که پارامترهای مختلف را کنار هم قرار می‌دهد، میان آن‌ها ارتباط برقرار می‌کند، بعضی مسائل را حدس می‌زند و نهایتاً پیش‌بینی می‌کند. اما در روش‌های کمّی اگر داده‌های یکسانی به توابع ریاضی وارد کنیم همواره به نتایج مشابهی می‌رسیم و صرفاً امکان بررسی چند پارامتر مشخص و قابل اندازه‌گیری وجود دارد، یعنی فعل‌وانفعلات اجتماعی و تغییر تعرفه‌های وارداتی و تغییر روابط خارجی و انتخابات و … اثری روی نتایج پیش‌بینی ندارند.

از روش‌های کمی استفاده کنیم یا کیفی؟

هر کدام از روش‌های کمی و کیفی شامل ده‌ها و صدها تکنیک مختلف می‌شوند که کارایی‌شان فرق می‌کند، اما به‌صورت کلّی شرایط زیر حاکم است:

معمولاً روش‌های کمّی برای پیش‌بینی آینده‌ی نزدیک کارایی دارند، اما روش‌های کیفی برای هر دو حالت دور و نزدیک قابل استفاده هستند، در نتیجه برای پیش‌بینی آینده‌ی دور، معمولاً روش‌های کیفی تنها گزینه‌ی قابل اعتماد هستند مگر این‌که تغییرات محیطی (مثلاً نرخ تورم و تغییرات قانون و تحولات اجتماعی و …) بسیار آهسته باشند.

در تکمیل نکته‌ی قبلی می‌توان گفت هر چقدر تغییرات محیط بیشتر باشد، روش‌های کیفی اولویت بیشتری دارند چون تعداد پارامترها زیاد است و معادلات ریاضی امکان تشخیص و بررسی آن‌ها را ندارند اما ذهن انسان از حدسیات و تحربیاتش استفاده می‌کند، پارامترها را به هم ربط می‌دهد و نکات مختلفی را در نظر می‌گیرد تا به جواب برسد.

در روش‌های کمی همه چیز مبتنی بر روابط ریاضی است و اگر اطلاعات کافی نباشند یا در صحت آن‌ها شک داشته باشیم به جواب قابل اعتماد نمی‌رسیم؛ در چنین شرایطی مجبوریم از روش‌های کیفی استفاده کنیم.

مثلاً خاویار همیشه برای ثروتمندان عرضه شده است و اطلاعاتی از فروش آن در قشر متوسط وجود ندارد، پس اگر شخصی تصمیم بگیرد به مردم عادی خاویار بفروشد، احتمالاً برای تعیین حجم عرضه از روش‌های کیفی پیش‌بینی استفاده می‌کند.

در شرایط خاص و فورس ماژور معمولاً از روش‌های کیفی استفاده می‌شود چون جمع‌آوری اطلاعات و تحلیل عددی زمان‌بر است اما فرصت کافی وجود ندارد.

در ادامه به مثال زیر توجه کنید:

اگر خوشبین باشیم، بازار برنج در کشورمان ثبات خوبی دارد چون اصلی‌ترین وعده‌ی غذایی مردم است و تقاضای آن تحت تأثیر شرایط محیطی قرار نمی‌گیرد. از طرفی اطلاعات نسبتاً کاملی از فروش آن در بخش‌های مختلف بازار و ماه‌ها و سال‌های قبلی وجود دارد.

به همین علت شرایط مساعد است تا برای پیش‌بینی تقاضای برنج در ماه‌های آینده (برای یک بخش خاص از بازار) از روش‌های کمّی استفاده کنیم، مثلاً می‌توانیم روند تغییرات مصرف مشتریان را پیش‌بینی کنیم (بر اساس اطلاعات فروش) یا از اطلاعات فروش بنک‌داران استفاده کنیم. اما برای بازه‌ی طولانی، مثلاً چهار سال دیگر، پارامترهای متعددی روی تقاضا اثر می‌گذارند و روش‌های کمی به جواب دقیقی نمی‌رسند. مثلاً ممکن است سلیقه‌ی غذایی مردم تغییر کند، یا واردات برنج تسهیل شود یا هر اتفاق دیگری که عملاً در معادلات ریاضی تعریف نشده‌اند.

شاید نکاتی که گفتیم باعث شود که روش‌های کمی را دست کم بگیرید و ناکارآمد ارزیابی کنید اما در کشف رابطه‌ی پارامترهای قابل اندازه‌گیری (مثلاً تأثیر قیمت محصول روی فروش) توانایی بالایی دارند. ذهن انسان‌ نمی‌تواند هزاران داده را به سرعت مقایسه و بررسی کند اما مدل‌های ریاضی به لطف تکنولوژی‌های دیجیتال این کار را در زمان بسیار کوتاهی انجام می‌دهند و به جواب می‌رسند.

شماره و نام درسی که هم‌اکنون خواندید:

درس دوم. تفاوت روش‌های کیفی و کمی پیش‌بینی از دوره‌ی پیش‌بینی تقاضا

درس اولپیش بینی تقاضا چیست و چه کاربردی دارد؟
درس دومتفاوت روش‌های کمی و کیفی پیش بینی
درس سومروش‌های کیفی پیش‌بینی
درس چهارممقدمه‌ی روش‌های کمی
درس پنجم شناسایی رابطه‌ی ریاضی میان علت و معلول
درس ششمپیش بینی با روش‌های مبتنی بر میانگین
درس هفتمپیش‌بینی با روش هموارسازی نمایی (نمو هموار)
درس هشتمپیش‌بینی داده‌های فصلی
درس نهممعیارهایی برای سنجش دقت پیش‌بینی
درس دهممثال کاربردی از پیش‌بینی با اکسل

0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگوها شرکت کنید؟
در گفتگو ها شرکت کنید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *