4. Подготовка третьей главы работы.

Третья глава является наиболее значимой, поскольку в ней необходимо сформировать и обосновать ряд предложений, которые позволят устранить причины, выявленных во второй главе проблем. Другими словами, наиболее эффективный результат аналитических исследований второй главы - точное определение ключевых проблем и причин их возникновения. После этого должны быть предложены варианты решения этих проблем с прогнозом возможных результатов. Логика построения работы изображена на рисунке 12.

1. Особое значение необходимо придавать сегментированию и выбору сегментов

1. Отсутствует система стратегического управления маркетингом.

3. Отсутствие системы маркетингового контроля.

. 2. Значимость стратегического управления маркетингом

3. Необходимость маркетингового контроля.

3. Формирование системы маркетингового контроля.

2. Совершенствование процесса сегментирования.

1. Формирование системы стратегического планирования .

Рисунок 12. Логика выстраивания материала работы.

Количество параграфов третьей главы определяется количеством разработанных предложений, как правило, их 2-4.

Однако предложить определенный комплекс мероприятий недостаточно, важно оценить возможные результаты от их реализации, т.е. спрогнозировать состояние объекта исследования (по сравнению с текущим состоянием) через определённый интервал времени, необходимый для претворения в жизнь, разработанных предложений. Другими словами, речь идёт об оценке экономической (социально-экономической) эффективности предлагаемых мероприятий. При оценке деятельности государственных (муниципальных) организаций (учреждений) предпочтение может быть отдано социальной эффективности (социальному эффекту).

Ошибка! В названии параграфа речь идёт об оценке экономической эффективности, а результаты представлены только в абсолютных величинах (т.е. показан экономический эффект).

Для решения этой задачи могут быть использованы следующие методы прогнозирования, которые разбивают на две группы:

1. Количественные методы прогнозирования.

Количественные методы можно использовать для прогнозирования, когда есть основания считать, что деятельность в прошлом имела определенную тенденцию, которую можно продолжить в будущем, и когда имеющейся информации достаточно для выявления статистически достоверных тенденций или зависимостей.

Количественные методы прогнозирования:

• анализ временных рядов;

Иногда называемый проецированием тренда, анализ временных рядов основан на допущении, согласно которому случившееся в прошлом дает достаточно хорошее приближение в оценке будущего. Этот анализ является методом выявления образцов и тенденций прошлого и продления их в будущее. Его можно провести с помощью таблицы или графика путем нанесения на координатную сетку точек, соответствующих событиям прошлого, как показано на рисунке 13.

Данный метод анализа часто используется для оценки спроса на товары и услуги, оценки потребности в запасах, прогнозирования структуры сбыта, характеризующегося сезонными колебаниями, или потребности в кадрах.

Рисунок 13. Анализ временных рядов.

(Этот анализ используется для оценки перспектив сбыта и основан на картинах сбыта в прошлом. Отметим, что анализ, отображенный здесь, эквивалентен построению аналоговой модели. На самом деле для выполнения анализа временных рядов требуются расчеты с использованием современных математических методов).

Чем более достоверно предположение о подобии будущего прошлому, тем вероятнее точность прогноза. Таким образом, анализ временных радов, вероятно будет бесполезен в ситуациях с высоким уровнем подвижности или когда произошло значительное, всем известное изменение.

• каузальное (причинно-следственное) моделирование.

Каузальное моделирование — наиболее хитроумный и математически сложный количественный метод прогнозирования из числа применяемых сегодня. Он используется в ситуациях с более чем одной переменной. Уровень личных доходов, демографические изменения и преобладающая ставка процента по закладным, например, влияют на будущий спрос на новые односемейные дома.

Каузальное моделирование — это попытка спрогнозировать то, что произойдет в подобных ситуациях, путем исследования статистической зависимости между рассматриваемым фактором и другими переменными. Каузальная модель может показать, что всякий раз, когда ставка процента увеличивается на 1%, спрос на новые квартиры падает на 5%.

На языке статистики эта зависимость называется корреляцией. Чем теснее корреляция, тем выше пригодность модели для прогнозирования. Полная корреляция (1,000) бывает в ситуации, когда в прошлом зависимость всегда была истинной. Если спрос на цветные телевизоры всегда падал на 10%, когда валовой национальный продукт снижался на 4%, можно с уверенностью утверждать, что тоже самое в подобных обстоятельствах произойдет и в будущем.

Из каузальных самыми сложными являются эконометрические модели, разработанные с целью прогнозирования динамики экономики.