पूर्वानुमान तकनीक

सबसे अधिक इस्तेमाल की जाने वाली पूर्वानुमान तकनीकों में से कुछ इस प्रकार हैं: - 1। मल्टीपल रिग्रेशन एनालिसिस 2. नॉन-लीनियर रिग्रेशन 3. ट्रेंड एनालिसिस 4. डिकम्पोजिशन एनालिसिस 5. मूविंग एवरेज एनालिसिस 6. वेट मूविंग एवरेज 7. एडैप्टिव फिल्टरिंग 8. एक्सपोनेंशियल स्मूथिंग 9. मॉडलिंग और सिमुलेशन 10. प्रोबेबिलिस्टिक मॉडल 11. पूर्वानुमान त्रुटि 12। ऐतिहासिक सादृश्य 13. फील्ड सर्वेक्षण 14. ओपिनियन पोल 15. व्यापार बैरोमीटर 16. समय श्रृंखला विश्लेषण 17. एक्सट्रपलेशन 18. इनपुट-आउटपुट विश्लेषण 19. इकोनोमेट्रिक मॉडल 20. पैनल कंजम्पशन विधि 21. डेल्फी विधि और एक अन्य।

पूर्वानुमान तकनीक: प्रतिगमन विश्लेषण, समय श्रृंखला विश्लेषण, सर्वेक्षण विधि, डेल्फी विधि और संभावित मॉडल

पूर्वानुमान तकनीक - शीर्ष 11 तकनीक

कई तकनीकें हैं जिनका उपयोग पूर्वानुमान के उद्देश्य के लिए किया जा सकता है। हालांकि, समस्या की स्थिति, संदर्भ, आवश्यक परिष्कार की डिग्री, पूर्वानुमान के लिए उपलब्ध समय सीमा, आदि के आधार पर विभिन्न स्थितियों में विभिन्न तकनीकों को लागू किया जाता है।

इन तकनीकों का संक्षिप्त विवरण नीचे दिया गया है:

1. एकाधिक प्रतिगमन विश्लेषण:

इसका उपयोग तब किया जाता है जब दो या अधिक स्वतंत्र चर निर्भर चर के व्यवहार को समझाने में मदद करते हैं। यह माना जाता है कि या तो एक रैखिक या एक गैर-रैखिक संबंध स्वतंत्र और आश्रित चर के बीच मौजूद है। इस तकनीक का उपयोग आमतौर पर मध्यम अवधि के लिए पूर्वानुमान के लिए किया जाता है।

इसका उपयोग यह पहचानने और मूल्यांकन करने के लिए भी किया जाता है कि स्वतंत्र चर को शामिल करने की आवश्यकता है और आश्रित चर के व्यवहार की व्याख्या करने में उनके सांख्यिकीय महत्व के आधार पर, किस चर को बाहर रखा जाना है। चर, जो दृढ़ता से निर्भर चर की व्याख्या करने के लिए जुड़े हुए हैं, उन्हें उन लोगों के मुकाबले बनाए रखा जाता है, जिनका आश्रित चर के साथ अपेक्षाकृत कमजोर संबंध होता है।

2. गैर-रैखिक प्रतिगमन:

गैर-रेखीय प्रतिगमन के तहत कई प्रतिगमन की गणना करते समय, यह माना जाता है कि संबद्ध चर का उनके बीच एक गैर-रैखिक संबंध होता है जैसे घातीय, द्विपद, लघुगणक आदि। इस तकनीक का उपयोग आमतौर पर तब किया जाता है जब समय स्वतंत्र चर होता है।

3. प्रवृत्ति विश्लेषण:

रैखिक और गैर-रेखीय प्रतिगमन से जुड़े प्रवृत्ति विश्लेषण के मामले में, समय को व्याख्यात्मक चर माना जाता है। इस तकनीक का उपयोग मूल रूप से तब किया जाता है जब किसी विशेष व्यवहार और / या पैटर्न को समय के साथ स्थापित किया जाता है। यह तकनीक समय के साथ निर्भर चर पर एकत्रित प्रतिक्रिया डेटा की साजिश को सक्षम करती है।

यह लंबे समय तक चलने वाले सर्वेक्षण के लिए विशेष रूप से मूल्यवान और उपयोगी है और समय के साथ प्रतिक्रियाओं में अंतर को मापने में मदद करता है। समय कारक के संबंध में निर्भर चर पर प्रभाव दैनिक, साप्ताहिक, मासिक, त्रैमासिक, अर्धवार्षिक, और वार्षिक आधार पर विचार के तहत समस्या के आधार पर मापा जा सकता है।

ट्रेंड विश्लेषण संभावित समस्याओं और उत्पादन योजना और नियंत्रण, ग्राहक सेवा गुणवत्ता प्रबंधन, आदि के क्षेत्र में प्रबंधकीय निर्णयों से संबंधित मुद्दों की प्रारंभिक चेतावनी संकेतों की पहचान करने में मदद करता है। यह तकनीक समय के साथ प्रतिक्रिया दरों को बढ़ाने में भी मदद करती है।

4. अपघटन विश्लेषण:

यह एक ऐसी तकनीक है जिसका उपयोग कई पैटर्न की पहचान के लिए किया जाता है जो एक समय-श्रृंखला विश्लेषण में एक साथ दिखाई देते हैं। यह भी डेटा की एक श्रृंखला निश्चित कई पैटर्न में विघटित करने के लिए प्रयोग किया जाता है।

5. मूविंग एवरेज एनालिसिस:

एक चलती औसत पूर्वानुमान पर आने के लिए एक चौरसाई तकनीक है। इस पद्धति का उपयोग दो अलग-अलग तरीकों से किया जा सकता है, अर्थात् सरल चलती औसत (एसएमए) या भारित चलती औसत (डब्ल्यूएमए)। ये एक चर के पिछले मूल्यों के आधार पर भविष्य के मूल्यों का पूर्वानुमान लगाने के लिए उपयोग किया जाता है। भविष्य के लिए पूर्वानुमानों को अपडेट करने के लिए यह विधि अपेक्षाकृत आसान है।

इस प्रकार, समयावधि के लिए सरल चलती औसत उस समय अवधि में मूल्यों के अंकगणितीय माध्य हैं और जो इसके करीब हैं। चलती औसत स्टॉक की कीमतों के पूर्वानुमान के लिए उपयोग किए जाने वाले सबसे सरल, उपयोगी, उद्देश्य और विश्लेषणात्मक उपकरणों में से एक है।

कुछ पैटर्न और संकेतक जो सरल या भारित चलती औसत तकनीक से उभर सकते हैं, कभी-कभी कुछ व्यक्तिपरक हो सकते हैं और इसलिए, विश्लेषक का परिणाम हो सकता है कि पैटर्न वास्तव में उभर रहा है या नहीं।

6. भारित मूविंग एवरेज:

इस पूर्वानुमान तकनीक का उपयोग तब किया जाता है जब एक स्वतंत्र चर के मूल्यों को अलग-अलग भार देने की आवश्यकता के साथ दोहराया पूर्वानुमान की आवश्यकता होती है। यह विधि विभिन्न समयावधियों को समय-समय पर बताकर प्रवृत्ति समायोजन का ध्यान रखती है। जैसा कि इसके विरुद्ध है, एसएमए औसत में उन सभी दिनों के बराबर वेटेज देते हैं जिनकी वास्तविकता में इतनी जरूरत नहीं है।

उदाहरण के लिए, यदि भविष्य के लिए स्टॉक की कीमतों का पूर्वानुमान लगाने के लिए 15-दिवसीय चलती औसत का उपयोग किया जाता है, तो यह स्पष्ट सवाल उठता है कि 15 दिनों के पुराने स्टॉक मूल्य के बराबर वजन मानने के लिए तर्क और तर्क समान रूप से प्रासंगिक है। एक दिन के शेयर की कीमतों को दिया गया वजन।

यह ध्यान रखना महत्वपूर्ण है कि दिए गए समय सीमा, दिनों, पखवाड़े आदि के तहत अधिक हाल के डेटा को उच्च वजन वाले कारकों को निर्दिष्ट करने और समय में पहले के डेटा के लिए छोटे वजन कारकों को देखते हुए, प्रवृत्ति हाल के परिवर्तनों के लिए अधिक उत्तरदायी होगी।

7. अनुकूली छानने:

यह एक विशेष प्रकार की चलती औसत तकनीक है जिसमें पिछली त्रुटियों से सीखना शामिल है। पूर्वानुमान के लिए यह तकनीक प्रवृत्ति, मौसमी और यादृच्छिक कारकों के सापेक्ष महत्व में परिवर्तन का जवाब दे सकती है।

8. घातीय चौरसाई:

यह समय-श्रृंखला पूर्वानुमान के लिए चलती औसत का एक और रूप है। यह तकनीक मौसमी पैटर्न को विकसित करने के लिए सरल और एक प्रभावी तरीका है और पिछली त्रुटियों के लिए समायोजन करने में इनबिल्ट लचीलापन प्रदान करता है। यह उन स्थितियों के मामले में विशेष रूप से उपयोगी है जहां कई पूर्वानुमानों को तैयार करने की आवश्यकता होती है।

यह निर्भर चर के व्यवहार में प्रवृत्ति या चक्रीय भिन्नता की उपस्थिति के आधार पर विभिन्न रूपों का उपयोग करता है। पूर्वानुमान के इस तरीके में हम केवल एक वजन का चयन करते हैं, वह भी सबसे हालिया अवलोकन के लिए। अन्य डेटा मानों के लिए वजन स्वचालित रूप से गणना की जाती है और डेटा बिंदु पुराने हो जाने के कारण घट जाते हैं।

इस तकनीक का प्रमुख लाभ यह है कि यह डेटा स्टोरेज आवश्यकताओं को कम करता है, क्योंकि सभी पिछले डेटा को अगली अवधि के लिए पूर्वानुमान पर पहुंचने के लिए सहेजने की आवश्यकता नहीं होती है। इन सबसे ऊपर, यह अवधारणा में सरल है और इसकी वजन प्रक्रिया की वजह से एक शक्तिशाली तरीका है।

हालांकि, इस पद्धति का प्रमुख नुकसान यह है कि यह दैनिक आधार पर होने वाले काम में होने वाले गतिशील परिवर्तनों के लिए जिम्मेदार नहीं है, इस प्रकार नए घटनाक्रमों की देखभाल के लिए इस पद्धति द्वारा लगातार पूर्वानुमान को अद्यतन करने के लिए आवश्यक बनाता है।

9. मॉडलिंग और सिमुलेशन:

एक मॉडल वास्तविकता का प्रतिनिधित्व करता है जिसमें वास्तविक वस्तुओं और स्थितियों को शामिल किया जाता है जिन्हें विभिन्न रूपों में प्रस्तुत किया जा सकता है। गणितीय मॉडल प्रतीकों और गणितीय संबंधों की प्रणाली द्वारा एक समस्या का वर्णन करते हैं। ये निर्णय लेने के उद्देश्य और मात्रात्मक दृष्टिकोण का एक महत्वपूर्ण हिस्सा हैं।

ये गणितीय मॉडल विकसित करते समय विचार किए गए विभिन्न कारकों में परिवर्तन के प्रभाव का परीक्षण करने में सक्षम हैं। वास्तविकता को दर्शाने वाले गणितीय मॉडल में नियंत्रणीय इनपुट होते हैं, जिन्हें निर्णय चर भी कहा जाता है, और बेकाबू इनपुट मुख्य रूप से पर्यावरणीय कारकों से उत्पन्न होते हैं। निर्णय-निर्माता द्वारा नियंत्रित या निर्धारित किए गए मॉडल के इनपुट को नियंत्रणीय आदानों के रूप में संदर्भित किया जाता है।

अनियंत्रित इनपुट या तो निश्चित रूप से ज्ञात हो सकते हैं या भिन्नता के अधीन हो सकते हैं और अनिश्चितता को शामिल कर सकते हैं। नियतात्मक मॉडल वे हैं जिनमें मॉडल के सभी बेकाबू आदानों को सटीक रूप से जाना जा सकता है। दूसरी ओर, स्टोचैस्टिक या संभाव्य मॉडल वे होते हैं जिनमें अनियंत्रित इनपुट अनिश्चित होते हैं और भिन्नता के अधीन होते हैं।

उदाहरण के लिए, यदि किसी कंपनी के देयता भुगतान और परिसंपत्ति नकदी प्रवाह अनिश्चित हैं, तो व्यवहार को समझने के लिए स्टोचस्टिक मॉडल की आवश्यकता होती है। स्टोचस्टिक मॉडल की विशेषता यह है कि आउटपुट का मूल्य निश्चितता के साथ नहीं पाया जा सकता है।

सिमुलेशन वैकल्पिक पूर्वानुमान विधियों के मूल्यांकन के लिए एक उपयोगी तकनीक है। यह पिछले डेटा का उपयोग करके पूर्वव्यापी तरीके से किया जा सकता है। सिमुलेशन एक वास्तविक दुनिया की स्थिति की नकल करने के लिए संदर्भित करता है, जिसमें गणितीय मॉडल शामिल है जो संचालन को प्रभावित नहीं करता है।

सिमुलेशन की प्रक्रिया में शामिल कदम हैं- समस्या की स्थिति को परिभाषित करना, महत्वपूर्ण चर की पहचान करना, सिमुलेशन मॉडल को विकसित करना, परीक्षण किए जाने वाले चर के मूल्यों को निर्दिष्ट करना, सिमुलेशन मॉडल को चलाना, परिणामों / परिणामों की जांच करना और कार्रवाई के सर्वोत्तम पाठ्यक्रम का चयन करना।

यह एक ऐसा उपकरण है जो व्यापक रूप से अपने लचीलेपन के कारण प्रबंधकों द्वारा उपयोग किया जा रहा है। सॉफ्टवेयर की उपलब्धता ने सिमुलेशन मॉडल का विकास अपेक्षाकृत आसान बना दिया है। यह व्यक्तिगत घटकों के इंटरैक्टिव प्रभाव के अध्ययन की अनुमति देता है, और सबसे ऊपर, जटिल वास्तविक दुनिया की स्थितियों का विश्लेषण करने में मदद करता है जो पारंपरिक क्वांटिक तकनीकों द्वारा हल नहीं किया जा सकता है।

हालांकि, यह जानना महत्वपूर्ण है कि सिमुलेशन मॉडल को विकसित होने में लंबा समय लगता है और वे इष्टतम समाधान उत्पन्न नहीं करते हैं जैसे कि अन्य मात्रात्मक विश्लेषण तकनीकों द्वारा उत्पन्न होते हैं।

सिमुलेशन के मोंटे कार्लो विधि- विचाराधीन प्रणाली में मौका या अनिश्चित तत्व शामिल होते हैं, सिमुलेशन के मोंटे कार्लो विधि, जो यादृच्छिक नमूने के माध्यम से संभाव्य तत्वों पर प्रयोग करने पर निर्भर करती है।

मोंटे कार्लो सिमुलेशन में शामिल चार चरण हैं:

मैं। महत्वपूर्ण चर के लिए संभाव्यता वितरण सेट करें

ii। प्रत्येक चर के लिए संचयी प्रायिकता वितरण बनाएँ

iii। प्रत्येक चर के लिए यादृच्छिक संख्याओं के लिए एक अंतराल स्थापित करें

iv। यादृच्छिक संख्या उत्पन्न करें, और वास्तव में परीक्षणों की श्रृंखला का अनुकरण करें

निश्चित मॉडल- पूर्वानुमान मॉडल जो केवल सबसे अधिक संभावित परिणाम देते हैं, निश्चित मॉडल के रूप में जाने जाते हैं। पूर्वानुमानों पर आने के बाद, कोई भी उन्नत स्प्रेडशीट का उपयोग कर सकता है, यदि विश्लेषण किया जाए। स्वतंत्र चर में परिवर्तन के निहितार्थ और प्रभाव पूर्वानुमान के उद्देश्य के लिए उपयोग किए जाते हैं और निर्भर चर के पूर्वानुमान पर उनके निहितार्थ स्प्रेडशीट / एक्सेल अनुप्रयोगों के साथ बहुत आसान हो गए हैं।

10. संभाव्य मॉडल:

इन मॉडलों में अनिश्चितता शामिल है और उसी से निपटने के लिए मोंटे कार्लो सिमुलेशन तकनीक का उपयोग करें। यह घटनाओं के प्रत्येक सेट के लिए संभावित परिणामों की एक सीमा पर पहुंचने में सक्षम बनाता है।

11. पूर्वानुमान त्रुटि:

सभी पूर्वानुमान मॉडल में एक अंतर्निहित या स्पष्ट त्रुटि संरचना शामिल होती है। पूर्वानुमान का उद्देश्य इस त्रुटि को कम करना है। पूर्वानुमान त्रुटि को वास्तविक या वास्तविक मूल्य और पूर्वानुमान मूल्य या पूर्वानुमानित मूल्य के बीच अंतर के रूप में परिभाषित किया जाता है, जैसा कि भविष्यवाणी मॉडल के अनुसार किया जाता है। भविष्यवाणी की सटीकता के उपायों में से एक का मतलब पूर्ण विचलन (एमएडी) है।

इसकी गणना व्यक्तिगत पूर्वानुमान त्रुटियों के पूर्ण मूल्यों का योग करके की जाती है, जो त्रुटियों की संख्या से विभाजित होती है। पूर्वानुमान की सटीकता के अन्य उपायों का अर्थ है चुकता त्रुटि (MSE) और पूर्ण प्रतिशत त्रुटि (MAPE)। औसत चुकता त्रुटि को चुकता त्रुटियों के औसत के रूप में परिभाषित किया गया है। औसत निरपेक्ष प्रतिशत त्रुटि वास्तविक मूल्यों के प्रतिशत के रूप में व्यक्त त्रुटियों के पूर्ण मूल्यों का औसत है।

पूर्वानुमान की सटीकता काफी हद तक पूर्वानुमान के उद्देश्य के लिए उपयोग किए जाने वाले डेटा की गुणवत्ता, विश्वसनीयता और दक्षता पर निर्भर करती है। डेटा की गुणवत्ता मुख्य रूप से त्रुटियों को कम करने पर निर्भर करती है जो डेटा के संकलन और प्रसारण के समय हो सकती है। इसलिए, यह महत्वपूर्ण है कि सामान्य और स्पष्ट गलतियों की देखभाल के लिए डेटा को संपादित किया जाए।

पूर्वानुमान के लिए किसी भी विधि का उपयोग करते समय, किसी को उपयोग की जाने वाली विधि की गुणवत्ता का आकलन करने के लिए एक प्रदर्शन उपाय का उपयोग करना चाहिए। मतलब निरपेक्ष विचलन और विचरण उपयोग की गई विधि की निर्भरता का आकलन करने के लिए सबसे उपयोगी उपाय हैं। हालाँकि, यह उल्लेख किया जा सकता है कि मानक त्रुटि और नहीं MAD इनफॉरमेशन बनाने में अधिक मदद करता है। त्रुटि विश्लेषण पर पहुंचने के लिए, विचरण को पसंदीदा संकेतक माना जाता है, क्योंकि स्वतंत्र के संस्करण के रूप में, असंबद्ध त्रुटियां एडिटिव हैं जबकि एमएडी एडिटिव नहीं है।

इस प्रकार, यह महसूस करते हुए कि व्यावसायिक गतिविधियों में 'समय धन है', प्रबंधकीय निर्णयों की एक विस्तृत श्रृंखला में गतिशील निर्णय पद्धति का अनुप्रयोग अधिक से अधिक महत्वपूर्ण होता जा रहा है। निर्णय लेने की प्रभावशीलता और दक्षता में सुधार के लिए विभिन्न पूर्वानुमान विधियों के उपयोग की आवश्यकता होती है।

एक उपयुक्त पूर्वानुमान पद्धति का उपयोग विभिन्न कारकों पर निर्भर करता है जैसे कि पूर्वानुमान का प्रारूप आवश्यक, समय सीमा जिसके लिए पूर्वानुमान की आवश्यकता होती है, विश्वसनीय और भरोसेमंद डेटा की उपलब्धता, आवश्यक पूर्वानुमान की सटीकता, विकास की लागत और उपयोग किए गए विधि का संचालन। पूर्वानुमान, परिचालन में आसानी, और सबसे ऊपर, प्रबंधन की समझ, सहयोग, और उपयोग के तरीकों में पूर्वानुमान के महत्व और प्रतिबद्धता।

व्यावसायिक वातावरण में उभरती जटिलताओं की देखभाल के लिए पूर्वानुमान की पद्धति में ग्रेटर परिष्कार को शामिल किया जाना चाहिए। जैसे, निर्णय लेने की गुणवत्ता पूर्वानुमान की सटीकता पर बहुत निर्भर करती है, क्योंकि वे संगठन की सफलता के लिए एक निर्णायक कारक होंगे।

पूर्वानुमान तकनीक - गुणात्मक तकनीक और मात्रात्मक तकनीक

पूर्वानुमान की विभिन्न तकनीकें हैं। हालाँकि, इनमें से कोई भी तकनीक सार्वभौमिक रूप से लागू नहीं है। किसी भी पूर्वानुमान तकनीक की प्रभावशीलता स्थितिजन्य चर पर निर्भर करती है। कई बार पूर्वानुमान करने वालों को कई मौजूदा तकनीकों को एक साथ लागू करना पड़ता है, और इससे वे प्रभावी पूर्वानुमान के लिए एक नई तकनीक विकसित करते हैं।

पूर्वानुमान तकनीकों को मोटे तौर पर वर्गीकृत किया जा सकता है:

1. गुणात्मक तकनीक।

2. मात्रात्मक तकनीक।

1. गुणात्मक तकनीक:

पूर्वानुमान की गुणात्मक तकनीक पूर्वानुमान बनाने के उद्देश्य के लिए फोरकास्टर के व्यक्तिपरक निर्णय, पिछले अनुभव और ज्ञान आदि के उपयोग पर जोर देती है।

मैं। डेलफी तकनीक:

पूर्वानुमान की यह तकनीक पहले विशेषज्ञों के एक पैनल के गठन पर आधारित है जो शारीरिक रूप से एक दूसरे से अलग होते हैं। इस समस्या के पूर्वानुमान के संबंध में गुणात्मक और मात्रात्मक जानकारी प्राप्त करने वाले प्रश्नावली उन्हें वितरित की जाती हैं और उनके द्वारा स्वतंत्र रूप से उत्तर दिया जाता है।

तत्पश्चात, एक फैसिलिटेटर परिणामों का एक सारांश बनाता है, और, इसे उन विशेषज्ञों के सामने प्रस्तुत करता है, जिनके विचारों में अधिकांश विशेषज्ञों की राय से तीव्र विचलन होता है। इसके बाद, आगे के विश्लेषण विशेषज्ञों को अपनी टिप्पणियों को संशोधित करने के लिए कहा जाता है। यह प्रक्रिया बार-बार दोहराई जाती है, जब तक कि आम सहमति नहीं बन जाती।

डेल्फी तकनीक का लाभ इस तथ्य में निहित है कि यह विशेषज्ञों के पैनल को अपने पूर्वानुमानों को लगातार आश्वस्त करने के लिए प्रोत्साहित करता है और इस तरह उन्हें सटीक पूर्वानुमान बनाने में मदद करता है। हालांकि, यह पूर्वानुमान लगाने का एक महंगा तरीका है और विशेषज्ञों को अहंकार समस्याओं के कारण बाद के दौर में अपने पूर्वानुमान पर पुनर्विचार करने के लिए तैयार नहीं किया जा सकता है।

ii। सामान्य ग्रुप तकनीक:

पूर्वानुमान लगाने की इस तकनीक में पूर्वानुमान बनाने के लिए एक बैठक आयोजित की जाती है। प्रत्येक प्रतिभागी को बैठक में दूसरों के सामने अपनी राय व्यक्त करने का अवसर मिलता है। विस्तृत चर्चा के बाद, सुविधाकर्ता प्रत्येक सदस्य को 1 से 10 के पैमाने पर अपनी प्राथमिकता की राय देने के लिए कहता है।

अंत में, आम सहमति तक पहुंचने का प्रयास किया जाता है। यह तकनीक अंतिम कॉल लेने से पहले सभी सदस्यों की सक्रिय भागीदारी को प्रोत्साहित करती है, लेकिन, इससे प्रक्रिया का समय लगता है।

iii। कार्यकारी राय पद्धति की जूरी:

एक संगठन के विभिन्न कार्यात्मक क्षेत्रों के विशेषज्ञों की भविष्यवाणी की इस तकनीक में जो भी जानकारी उनके पास उपलब्ध है, उसके आधार पर अपने पूर्वानुमान देते हैं। इसके बाद, ये विशेषज्ञ अपने कार्यात्मक क्षेत्र से संबंधित पूर्वानुमान को अन्य विशेषज्ञों द्वारा किए गए पूर्वानुमानों के आधार पर संशोधित करते हैं। इसलिए, ऐतिहासिक आंकड़ों की अनुपस्थिति में यह तकनीक समूह प्रयास के माध्यम से सटीक पूर्वानुमान विकसित कर सकती है, और, विभिन्न विशेषज्ञों के सोच प्रयासों को जोड़कर। हालांकि, यह नजरअंदाज नहीं किया जा सकता है कि कुछ शक्तिशाली विशेषज्ञ अपनी दिशा में सभी के पूर्वानुमान को उन्मुख कर सकते हैं।

iv। ऐतिहासिक सादृश्य विधि:

इस पद्धति का उपयोग उन घटनाओं की घटना की संभावना का अनुमान लगाने के लिए किया जाता है जिनमें ऐतिहासिक समानता है। इस तकनीक में, ऐतिहासिक आंकड़ों का विश्लेषण और व्याख्या इस धारणा पर की जाती है कि भविष्य के रुझान पिछले रुझानों का पालन करेंगे। यह तकनीक हालांकि गतिशील उद्योगों के लिए सही पूर्वानुमान लगाने में विफल हो सकती है, जब तक कि, संशोधनों को आगामी वर्षों में अपेक्षित बदलावों को शामिल नहीं किया जाता है।

v। डिडक्टिव विधि:

पूर्वानुमान की इस तकनीक का उपयोग उन उद्योगों के लिए पूर्वानुमान लगाने के लिए किया जाता है जो कम गतिशील होते हैं और जो व्यापार के रुझान को दोहराते नहीं हैं। इस तकनीक में पूर्वानुमान बनाने के लिए केवल वर्तमान डेटा और सूचना का विश्लेषण किया जाता है। इस मामले में पूर्वानुमान लगाने में ऐतिहासिक डेटा का कोई योगदान नहीं है।

vi। सर्वेक्षण विधि:

पूर्वानुमान क्षेत्र की इस तकनीक के तहत उपभोक्ताओं की पसंद, नापसंद, दृष्टिकोण, वरीयताओं आदि के बारे में जानकारी एकत्र करने के लिए सर्वेक्षण किया जाता है। तब एकत्र किए गए गुणात्मक और मात्रात्मक डेटा के गहन विश्लेषण के बाद पूर्वानुमान लगाए जाते हैं।

2. मात्रात्मक तकनीक:

पूर्वानुमान की मात्रात्मक तकनीकें वे हैं जो गणितीय और सांख्यिकीय उपकरणों का उपयोग करती हैं। पूर्वानुमान की ऐसी तकनीकों के आवेदन के लिए उन विशेषज्ञों की मदद की आवश्यकता होती है जिनके पास इस क्षेत्र में पर्याप्त कौशल और ज्ञान है।

मैं। समय श्रृंखला विश्लेषण:

पूर्वानुमान की यह तकनीक सबसे पहले अतीत और वर्तमान के आंकड़ों को व्यवस्थित करती है जो चर से संबंधित कालानुक्रमिक क्रम में पूर्वानुमानित होती है। तब वे चार घटकों में विभाजित हो जाते हैं, अर्थात्, प्रवृत्ति, मौसमी विविधताएं, चक्रीय विविधताएं और यादृच्छिक विविधताएं।

इसके बाद, मौसमी और चक्रीय विविधताओं के कारण समायोजन करने के बाद, एक ट्रेंड लाइन को कम से कम वर्गों की विधि द्वारा लगाया जाता है। इस पूर्वानुमान तकनीक में कम लागत शामिल है और अधिक या कम सटीक पूर्वानुमान देती है, विशेष रूप से लंबी अवधि में।

ii। प्रतिगमन विश्लेषण:

प्रतिगमन विश्लेषण एक सांख्यिकीय तकनीक है जिसका उपयोग कुछ ज्ञात चर के मूल्य के आधार पर कुछ अज्ञात चर के मूल्य की भविष्यवाणी करने के लिए किया जाता है। एक प्रतिगमन समीकरण को तैयार करने के बाद यह संभव है जो दो या अधिक चर के बीच संबंध को दर्शाता है।

iii। इनपुट-आउटपुट मॉडल:

पूर्वानुमान का यह तरीका अर्थव्यवस्था के Leontief के इनपुट-आउटपुट मॉडल पर आधारित है। इनपुट्स और आउटपुट के बीच संबंध को देखते हुए, इस तकनीक का उपयोग करते हुए, आउटपुट के मूल्य का अनुमान लगाया जा सकता है जब इनपुट का मूल्य दिया जाता है और इसके विपरीत। इस तकनीक का व्यापक रूप से सेक्टर-वार पूर्वानुमान और व्यावसायिक घटनाओं के पूर्वानुमान के लिए उपयोग किया जाता है।

iv। अर्थमितीय मॉडल:

पूर्वानुमान मॉडल की इस तकनीक के तहत अर्थशास्त्र, विज्ञान और सांख्यिकी के ज्ञान के साथ पूर्वानुमानित मॉडल विकसित किए जाते हैं। ये मॉडल एक साथ समीकरणों के रूप में हैं जो विभिन्न चर के बीच के संबंध को परिभाषित करता है।

इकोनोमेट्रिक मॉडल की आवश्यकता होती है क्योंकि एक व्यावसायिक संगठन कई चर के प्रभाव में होता है जिन्हें सरल युगपत समीकरणों द्वारा नियंत्रित किया जाना मुश्किल होता है। यह तकनीक महंगी और समय लेने वाली है। इसलिए, छोटी कंपनियां इन मॉडलों का लाभ नहीं उठा सकती हैं।

पूर्वानुमान तकनीक - गुणात्मक और मात्रात्मक तकनीक (उदाहरण के साथ, गणना और सूत्र)

कई पूर्वानुमान तकनीक उपलब्ध हैं, लेकिन प्रबंधक की जिम्मेदारी है कि वह उस समस्या का चयन करें जो कि आवेदन के लिए उपयुक्त है। उसे उस संदर्भ को समझना चाहिए जिसमें पूर्वानुमान विकसित किया जाना है।

तकनीकों को दो व्यापक श्रेणियों में वर्गीकृत किया जा सकता है:

A. गुणात्मक तकनीक:

इसे गैर-सांख्यिकीय तकनीक भी कहा जाता है। यह तकनीक भविष्य की भविष्यवाणी करने के लिए केवल मानवीय निर्णय को रोजगार देती है। स्थिति से संबंधित सभी सूचनाएँ एक तार्किक, निष्पक्ष और व्यवस्थित तरीके से एक साथ लाई जाती हैं।

निम्नलिखित गुणात्मक पूर्वानुमान तकनीक निम्नानुसार हैं:

1. कार्यकारी राय की जूरी:

तथ्यों के बजाय राय के आधार पर यह विधि। इसमें अपेक्षित भविष्य पर प्रबंधकों के एक समूह की राय को समझना और पूर्वानुमान का अनुमान लगाना शामिल है। एक आम सहमति पूर्वानुमान पर पहुंचने के लिए समूह चर्चा में प्रबंधकों के समूह को खुले तौर पर प्रस्तुत किया जा सकता है।

इस तकनीक के फायदे हैं:

(a) मांग पूर्वानुमान विकसित करने के लिए यह एक त्वरित तरीका है।

(b) यह विभिन्न प्रकार के कारकों पर विचार करने की अनुमति देता है जैसे, आर्थिक, प्रतिस्पर्धी वातावरण, तकनीकी और उपभोक्ता प्राथमिकताएँ।

(c) इसमें उन प्रबंधकों के लिए अपार अपील है जो मशीनी पूर्वानुमान प्रक्रियाओं के अपने निर्णयों को प्राथमिकता देते हैं।

फायदे के अलावा, यह तकनीक निम्नलिखित सीमाओं से भी ग्रस्त है:

(ए) इस पद्धति की विश्वसनीयता संदिग्ध है।

(बी) व्यक्तिपरक अनुमानों के आधार पर आसानी से पता नहीं लगाया जा सकता है।

2. डेल्फी तकनीक:

इस पद्धति का उपयोग मेल सर्वेक्षण की सहायता से विशेषज्ञों के एक समूह की राय जानने के लिए किया जाता है।

इस विधि में निम्नलिखित चरण शामिल हैं:

(ए) विशेषज्ञों के एक समूह को मेल द्वारा एक प्रश्नावली भेजी जाती है और अपने विचार व्यक्त करने के लिए कहा जाता है।

(बी) विशेषज्ञों से प्राप्त प्रतिक्रियाओं को विशेषज्ञों की पहचान का खुलासा किए बिना संक्षेप में प्रस्तुत किया जाता है, और पहले दौर में व्यक्त किए गए चरम विचारों के कारणों की जांच करने के लिए एक प्रश्नावली के साथ विशेषज्ञों को वापस भेजा जाता है।

(c) विशेषज्ञों के विचारों में एक उचित समझौता होने तक प्रक्रिया को एक या अधिक राउंड से जारी रखा जा सकता है।

इस तकनीक के निम्नलिखित लाभ इस प्रकार हैं:

(a) यह उपयोगकर्ताओं के लिए समझदारी है।

(b) इसका एक फैंसी नाम है।

(c) यह समूह की बैठकों का सामना करने के लिए पारंपरिक चेहरे की तुलना में अधिक सटीक प्रतीत होता है।

3. दूरदर्शी पूर्वानुमान:

यह विधि व्यक्तिगत अंतर्दृष्टि, निर्णय और भविष्य के विभिन्न परिदृश्यों के बारे में संभावित तथ्यों का उपयोग करती है। व्यक्तिपरक तत्व पूर्वानुमान में प्रवेश कर सकता है और यह काफी हद तक गलत है।

B. मात्रात्मक तकनीक:

इस तकनीक में भविष्य की घटनाओं की भविष्यवाणी के लिए विभिन्न सांख्यिकीय उपकरणों का उपयोग शामिल है। इसे सांख्यिकीय पूर्वानुमान तकनीक भी कहा जाता है।

पूर्वानुमान की विभिन्न मात्रात्मक तकनीकें इस प्रकार हैं:

1. प्रवृत्ति विश्लेषण:

यह विश्लेषण काल के किसी भी माप से संबंधित कालानुक्रमिक रूप से व्यवस्थित डेटा को संदर्भित करता है, अर्थात् दिन, सप्ताह, महीने और वर्ष आदि, और उतार-चढ़ाव के अध्ययन के समय के पारित होने के साथ। विश्लेषण का मुख्य उद्देश्य अतीत की घटनाओं और मूल्यांकन के ज्ञान के आधार पर भविष्य की घटनाओं का अनुमान लगाना है। विश्लेषक भविष्य के अप्रत्याशित खतरों और आकस्मिकताओं के लिए खुद को तैयार करता है।

पिछले डेटा के आधार पर भविष्य का पूर्वानुमान लगाने के लिए ट्रेंड विश्लेषण में उपयोग की जाने वाली कुछ विधियाँ निम्नलिखित हैं:

(i) मूविंग एवरेज मेथड:

इस पद्धति में अगले कुछ वर्षों के लिए वास्तविक आंकड़ों का औसत निकालकर अगले वर्ष के लिए पूर्वानुमान प्राप्त किया जाता है। यदि पूर्ववर्ती तीन वर्षों के आंकड़ों को आगमन के लिए माना जाता है, तो चौथे वर्ष के पूर्वानुमान पर, इसे तीन साल का उदाहरण कहा जाता है -

वर्ष के लिए पूर्वानुमान 22387 है और यदि वर्ष 2004 में हासिल की गई वास्तविक बिक्री 22598 है, तो वर्ष 2005 के लिए तीन साल का औसत औसत तत्काल तीन पूर्ववर्ती वर्षों के दौरान वास्तविक बिक्री का औसत लेने पर आया है -

इस पद्धति का उपयोग तब किया जाता है जब पिछले डेटा में समय के साथ प्रवृत्ति में लगातार वृद्धि या कमी प्रदर्शित नहीं होती है, लेकिन उतार-चढ़ाव दिखाते हैं। यदि पिछले वर्ष का वास्तविक डेटा एक समान अवधि में उतार-चढ़ाव दिखाता है, तो यह समान अवधि चलती औसत की अवधि के रूप में ली जाती है।

यदि पिछले वर्षों का बिक्री डेटा लगातार तीन वर्षों तक स्थिर वृद्धि का संकेत देता है, तो चौथे वर्ष में गिरावट के साथ, पूर्वानुमान के लिए एक चार साल की औसत चलती है।

ii। भारित चलती औसत विधि:

चलती औसत विधि में, पिछले कुछ वर्षों के आंकड़ों के केवल साधारण अंकगणितीय औसत को अगले वर्ष के पूर्वानुमान के रूप में लिया जाता है, लेकिन इस पद्धति में, उनकी अवधि के अनुसार पिछले डेटा को निर्धारित करने के लिए वेटेज आवंटित किया जाएगा।

अधिक हालिया डेटा अधिकतम वजन प्राप्त कर रहा है और इसके विपरीत। पिछले डेटा के लिए उचित वजन तय करना एक मुश्किल मुद्दा है और इसे व्यापक प्रयोग से ही प्राप्त किया जा सकता है।

उदाहरण के लिए -

iii। घातीय चौरसाई विधि:

घातीय चौरसाई विधि की ख़ासियत यह है कि पूर्वानुमानित त्रुटियों के प्रकाश में पूर्वानुमान को संशोधित किया जाता है। यह विधि पिछली समयावधियों के घटते प्रभाव को ध्यान में रखती है क्योंकि हम पिछले आंकड़ों में आगे बढ़ते हैं।

अगली बार अवधि के लिए पूर्वानुमान की गणना निम्न सूत्र का उपयोग करके की जाती है:

जहाँ F (t + 1) = समय अवधि (t + 1) के लिए पूर्वानुमान।

एक्स = चौरसाई कारक जो 0 से 1 के बीच है।

समय अवधि 't' के लिए वास्तविक मूल्य पर,

Ft = समय अवधि के लिए कलाकारों के लिए 't'

वार्मिंग फ़ैक्टर 'x' का मान वार्म अप अवधि के दौरान किए गए अवलोकनों की सहायता से निर्धारित किया जाता है। X का मान जो न्यूनतम माध्य चुकता त्रुटि दिखाता है (MSE) निम्नलिखित संबंधों द्वारा दिया गया है -

जहाँ MSE = मीन चुकता त्रुटि।

अवधि = i के लिए वास्तविक मूल्य।

फाई - अवधि के लिए पूर्वानुमानित मूल्य i

उदाहरण के लिए - वर्ष 2005 के लिए उत्पाद 'ए' की वास्तविक मांग 20500 है। एक्स का मूल्य 0.32 है। वार्मिंग अवधि की औसत मांग 19980 है। 2006 और 2007 की अवधि के लिए पूर्वानुमान की गणना करें यदि 2006 की अवधि की वास्तविक मांग 20200 है।

पिछले वर्ष की अवधि के लिए वास्तविक और पूर्वानुमान की मांग अगले वर्ष (तालिका -1) के पूर्वानुमान की गणना के लिए आवश्यक है।

X = 0.32 का मान

वर्ष 2008 के पूर्वानुमान की गणना के लिए वर्ष 2007 की वास्तविक मांग आवश्यक है।

iv। वक्र फिटिंग या कम से कम वर्ग विधि:

इस पद्धति को प्रवृत्ति मूल्यों की गणना के लिए सबसे अच्छी विधि माना जाता है। इस पद्धति द्वारा जो ट्रेंड लाइन प्राप्त की जाती है उसे टाइन ऑफ बेस्ट फिट कहा जाता है। ' यह रेखा सीधी या परवलयिक वक्र हो सकती है। यदि y = a + bx सबसे अच्छी फिटिंग लाइन के लिए संबंध है, a और b का मान निर्धारित किया जा सकता है (चित्र -1)।

कम से कम वर्ग विधि के आधार पर एक सीधी रेखा की प्रवृत्ति के लिए निम्नलिखित समीकरण का उपयोग किया जाता है

y = ए + बीएक्स

जहां, y = दीर्घकालिक प्रवृत्ति, a, b = निरंतर मान, x = स्वतंत्र चर y चर का मान दर्शाता है जब x = 0, और b, y की रेखा या परिवर्तन की मात्रा का प्रतिनिधित्व करता है, जो y के साथ जुड़ा हुआ है एक्स चर में एक इकाई का परिवर्तन। उदाहरण के लिए, निम्न डेटा से एक सीधी रेखा की प्रवृत्ति को फिट करें और 1998 के लिए प्रवृत्ति मूल्य और बिक्री का पता लगाएं।

अनियमित समयावधि के लिए, यदि विचलन का योग शून्य के बराबर है, तो 'a' और 'b' के मान की गणना प्रत्यक्ष विधि द्वारा की जा सकती है, जो है -

2. प्रतिगमन विधि:

एक प्रतिगमन विधि कई स्वतंत्र चर से निर्भर चर से संबंधित समीकरण है। उदाहरण के लिए, प्रत्याशित बिक्री (निर्भर चर) को उपभोक्ताओं की डिस्पोजेबल आय जैसे स्वतंत्र चर के एक समारोह के रूप में व्यक्त किया जा सकता है, विज्ञापन के पूर्ण उत्पादों के स्तर की कीमत के सापेक्ष मूल्य आदि, और संबंध हो सकते हैं -

Y = a1 + (b1 X1) + (b2 X2) + (b3 X3) + ———— (bn.Xn)

जहां Y 'बिक्री का प्रतिनिधित्व करता है

a, b1, b2 ——- bn निरंतर हैं

X1, X2, X3 ……… Xn स्वतंत्र चर हैं जो आश्रित चर Y को प्रभावित करते हैं। यदि स्वतंत्र चर की संख्या अधिक है तो कई प्रतिगमन विश्लेषण कंप्यूटर की मदद से किए जा सकते हैं।

3. अर्थमितीय विधि:

यह आर्थिक सिद्धांत से व्युत्पन्न आर्थिक संबंधों का गणितीय प्रतिनिधित्व है। उनकी पद्धति का प्राथमिक उद्देश्य मॉडल में शामिल आर्थिक चर के भविष्य के व्यवहार का पूर्वानुमान लगाना है।

पूर्वानुमान तकनीक - ऐतिहासिक सादृश्य, फील्ड सर्वेक्षण, ओपिनियन पोल, बिजनेस ब्रोमेटर्स और कुछ अन्य

पूर्वानुमान की विभिन्न तकनीकें (या विधियाँ) सरल सहज विधि से लेकर अत्यधिक जटिल मॉडल के उपयोग तक की हैं। हालाँकि, किसी भी तकनीक को सार्वभौमिक रूप से लागू नहीं किया जा सकता है। वास्तव में, अधिकांश पूर्वानुमान विभिन्न तकनीकों को मिलाकर बनाए जाते हैं।

प्रमुख पूर्वानुमान तकनीकों की संक्षिप्त चर्चा नीचे प्रस्तुत की गई है:

1. ऐतिहासिक सादृश्य:

ऐतिहासिक सादृश्य पद्धति के तहत, किसी विशेष घटना के संबंध में पूर्वानुमान कुछ अनुरूप स्थितियों पर आधारित होता है। यह विधि रोस्टो द्वारा सुझाए गए आर्थिक विकास के चरणों पर आधारित है। ये चरण पारंपरिक समाज हैं, टेक-ऑफ, टेक-ऑफ, ड्राइव टू मैच्योरिटी, और उच्च जन उपभोग की उम्र के लिए पूर्व शर्त। चूंकि यह सभी अर्थव्यवस्थाओं के लिए सच है, किसी देश की स्थिति को एक विशेष चरण में उन्नत देशों के साथ तुलना करके पूर्वानुमान लगाया जा सकता है जिसके माध्यम से देश वर्तमान में गुजर रहा है।

इसी तरह, यह देखा गया है कि अगर दुनिया के किसी हिस्से में कुछ भी आविष्कार किया जाता है, तो यह निश्चित समय के अंतराल के बाद अन्य देशों में अपनाया जाता है। इस प्रकार, सादृश्य के आधार पर, देश की आर्थिक प्रणाली में घटनाओं की प्रकृति के बारे में एक सामान्य पूर्वानुमान बनाया जा सकता है।

2. फील्ड सर्वेक्षण:

फील्ड सर्वेक्षण संबंधित लोगों से एक पहलू के बारे में जानकारी एकत्र करने का एक तरीका है, उदाहरण के लिए, विभिन्न वस्तुओं पर उपभोक्ताओं के संभावित व्यय के बारे में जानकारी का संग्रह। इस तरह की जानकारी व्यय और उपभोग के विभिन्न मदों के संबंध में उपभोक्ताओं के दृष्टिकोण पर उपयोगी प्रकाश डाल सकती है। ऐसे सर्वेक्षणों के आधार पर, विभिन्न उत्पादों की मांग का अनुमान लगाया जा सकता है। सर्वेक्षण पद्धति मौजूदा और नए उत्पादों दोनों की मांग की भविष्यवाणी के लिए उपयुक्त है।

3. ओपिनियन पोल:

ओपिनियन पोल का आयोजन उस क्षेत्र के जानकार व्यक्तियों और विशेषज्ञों की राय का आकलन करने के लिए किया जाता है, जिनके विचारों का वजन बहुत अधिक होता है। उदाहरण के लिए, कई देशों में चुनाव के परिणामों की भविष्यवाणी करने के लिए जनमत सर्वेक्षण बहुत लोकप्रिय हैं। इसी तरह, बिक्री प्रतिनिधियों, थोक विक्रेताओं या विपणन विशेषज्ञों का एक जनमत सर्वेक्षण मांग अनुमानों को तैयार करने में सहायक हो सकता है या तकनीकी विशेषज्ञों का मत सर्वेक्षण एक प्रौद्योगिकी के जीवन काल का अनुमान लगाने में सहायक हो सकता है।

4. व्यापार बैरोमीटर:

भौतिक विज्ञान में, वायुमंडलीय दबाव को मापने के लिए एक बैरोमीटर का उपयोग किया जाता है। इसी तरह, दो या अधिक अवधियों के बीच अर्थव्यवस्था की स्थिति को मापने के लिए सूचकांक संख्या के रूप में व्यापार बैरोमीटर का उपयोग किया जाता है। ये सूचकांक संख्याएँ रुझान, मौसमी उतार-चढ़ाव, चक्रीय आंदोलनों और अनियमित उतार-चढ़ाव का अध्ययन करने वाली डिवाइस हैं।

ये सूचकांक संख्याएं, जब एक दूसरे के साथ संयोजन में या एक या अधिक के साथ संयुक्त रूप से उपयोग की जाती हैं, तो उस दिशा के बारे में संकेत प्रदान करती हैं जिसमें अर्थव्यवस्था बढ़ रही है। उदाहरण के लिए, निवेश की दर में वृद्धि से अब अर्थव्यवस्था में वृद्धि हो सकती है और कुछ समय बाद उच्च रोजगार और आय को प्रतिबिंबित कर सकता है। उच्च आय उच्च व्यय की ओर ले जाती है, फलस्वरूप उच्च उत्पाद मांग।

5. समय श्रृंखला विश्लेषण:

समय श्रृंखला विश्लेषण में ऐतिहासिक श्रृंखला के विघटन में इसके विभिन्न घटक शामिल हैं, जैसे, रुझान, मौसमी विविधताएँ, चक्रीय विविधताएँ, और यादृच्छिक विविधताएँ। समय श्रृंखला विश्लेषण सूचकांक संख्याओं का उपयोग करता है लेकिन यह बैरोमीटर तकनीक से अलग है। बैरोमीटर की तकनीक में, भविष्य की संकेत श्रृंखला से भविष्यवाणी की जाती है जो आर्थिक परिवर्तन के बैरोमीटर के रूप में काम करती है। समय श्रृंखला विश्लेषण में, भविष्य को अतीत के विस्तार के कुछ प्रकार के रूप में लिया जाता है।

जब किसी समय श्रृंखला के विभिन्न घटकों को अलग किया जाता है, तो किसी विशेष घटना की विविधता, मूल्य कहते हैं, समय की अवधि के बारे में जाना जा सकता है और भविष्य के बारे में प्रक्षेपण किया जा सकता है। एक प्रवृत्ति को समय की अवधि में जाना जा सकता है जो भविष्य के लिए भी सच हो सकता है। हालांकि, समय श्रृंखला विश्लेषण का उपयोग पूर्वानुमान के लिए एक आधार के रूप में किया जाना चाहिए जब डेटा लंबे समय तक उपलब्ध हो और प्रवृत्ति और मौसमी कारकों द्वारा बताए गए रुझान काफी स्पष्ट और स्थिर हों।

6. एक्सट्रपलेशन:

एक्सट्रैपलेशन भी समय श्रृंखला पर आधारित है क्योंकि यह अतीत में एक श्रृंखला के व्यवहारों पर निर्भर करता है और भविष्य में उसी प्रवृत्ति को प्रोजेक्ट करता है। यह विधि अध्ययन के तहत घटना को प्रभावित करने वाले विभिन्न कारकों के प्रभावों को अलग नहीं करती है, लेकिन उनके प्रभावों की समग्रता को ध्यान में रखती है और मानती है कि इन कारकों का प्रभाव एक स्थिर और स्थिर पैटर्न का है और भविष्य में भी जारी रहेगा। चूंकि भविष्य का प्रक्षेपण अतीत पर आधारित है, इसलिए यह आवश्यक है कि किसी श्रृंखला की वृद्धि वक्र को उसके पिछले व्यवहार के बहुत सावधानीपूर्वक अध्ययन के बाद चुना जाए।

7. प्रतिगमन विश्लेषण:

प्रतिगमन विश्लेषण का मतलब दो या अधिक परस्पर श्रृंखलाओं के सापेक्ष आंदोलनों का खुलासा करना है। इसका उपयोग अन्य चर या चर के सेट में निर्दिष्ट परिवर्तनों के परिणामस्वरूप एक चर में परिवर्तन का अनुमान लगाने के लिए किया जाता है। व्यापार में, एक साथ कई कारकों के संचालन के कारण एक स्थिति होती है।

प्रतिगमन विश्लेषण ऐसे कारकों के प्रभावों को काफी हद तक अलग करने में मदद करता है। उदाहरण के लिए, यदि हम जानते हैं कि विज्ञापन व्यय और बिक्री की मात्रा के बीच या बिक्री और लाभ के बीच एक सकारात्मक संबंध है, तो विज्ञापन के आधार पर बिक्री का अनुमान लगाना संभव है या अनुमानित बिक्री के आधार पर लाभ का प्रावधान है, बशर्ते कि अन्य चीजें समान हैं।

8. इनपुट-आउटपुट विश्लेषण:

इस पद्धति के तहत, आउटपुट का पूर्वानुमान इनपुट दिए गए इनपुट पर आधारित होता है यदि इनपुट और आउटपुट के बीच संबंध ज्ञात हो। इसी प्रकार, इनपुट आवश्यकता किसी दिए गए इनपुट-आउटपुट संबंध के साथ अंतिम आउटपुट के आधार पर पूर्वानुमानित की जा सकती है। यह इस तंत्र के कारण है कि तकनीक को इनपुट-आउटपुट विश्लेषण या अंत-उपयोग तकनीक के रूप में जाना जाता है। इस तकनीक का बहुत आधार यह है कि अर्थव्यवस्था के विभिन्न क्षेत्र आपस में जुड़े हुए हैं और इस तरह के परस्पर संबंध अच्छी तरह से स्थापित हैं। इस तरह के संबंधों को गणितीय शब्दों में गुणांक के रूप में जाना जाता है।

उदाहरण के लिए, देश की कोयला आवश्यकता की भविष्यवाणी विभिन्न क्षेत्रों में इसकी उपयोग दर, उद्योग, परिवहन, घरेलू इत्यादि के आधार पर की जा सकती है और भविष्य में विभिन्न क्षेत्रों के व्यवहार के आधार पर की जा सकती है। इस तकनीक से क्षेत्रवार पूर्वानुमान मिलते हैं और बड़े पैमाने पर व्यावसायिक घटनाओं के पूर्वानुमान में इसका उपयोग किया जाता है क्योंकि इसके आवेदन के लिए आवश्यक डेटा आसानी से प्राप्त हो जाता है।

9. अर्थमितीय मॉडल:

अर्थमिति शब्द दो शब्दों 'इकॉनो' और 'मैट्रिक' से बना है, जिसमें आर्थिक मापन के विज्ञान का उल्लेख है। अर्थमितीय विधि में, गणितीय मॉडल का उपयोग चर के बीच संबंध व्यक्त करने के लिए किया जाता है। ये मॉडल एक साथ समीकरणों के एक सेट का रूप लेते हैं।

इन समीकरणों में स्थिरांक समय श्रृंखला के एक अध्ययन द्वारा आये हैं और चूँकि एक व्यावसायिक घटना को प्रभावित करने वाले चर कई हैं, इसलिए किसी विशेष अर्थमितीय मॉडल पर आने के लिए बड़ी संख्या में समीकरण बनाने पड़ सकते हैं। इन समीकरणों को तैयार करना आसान नहीं है लेकिन कंप्यूटरों के आगमन ने इन समीकरणों को बनाना अपेक्षाकृत आसान बना दिया है।

पूर्वानुमान तकनीक - समय श्रृंखला विश्लेषण, प्रतिगमन विश्लेषण, अर्थमितीय मॉडल, एक्सट्रपलेशन और आदि।

व्यापार के पूर्वानुमान के बारे में कोई नई बात नहीं है क्योंकि व्यवसायियों द्वारा सदियों से पूर्वानुमान लगाया जा रहा है। वे भविष्य की घटनाओं की भविष्यवाणी करने के लिए अपने पिछले अनुभव और अंतर्ज्ञान का उपयोग कर रहे हैं। आज भी यह विधि अभी भी व्यापार की दुनिया में लोकप्रिय है। लेकिन हाल के वर्षों में, पूर्वानुमान की नई तकनीक अस्तित्व में आई है क्योंकि पुरानी तकनीक से हमेशा बेतुके निष्कर्ष निकल सकते हैं।

पूर्वानुमान को यथासंभव वैज्ञानिक बनाने का प्रयास किया जा रहा है। प्रत्येक तकनीक का अपना विशेष उपयोग होता है। हर मौके के लिए सही तकनीक का चयन करना चाहिए। पूर्वानुमान की एक विधि का विकल्प निम्नलिखित कारकों पर निर्भर करता है - (ए) ऐतिहासिक डेटा की प्रासंगिकता और उपलब्धता, (बी) पूर्वानुमान का संदर्भ, (सी) सटीकता की वांछित डिग्री, (डी) होने की समय अवधि कवर, (ई) पूर्वानुमान का लागत लाभ, और (एफ) विश्लेषण करने के लिए उपलब्ध समय।

पूर्वानुमान की विभिन्न तकनीकों को दो प्रमुख श्रेणियों में वर्गीकृत किया जा सकता है - (i) मात्रात्मक और (ii) गुणात्मक। मात्रात्मक तकनीक भविष्य की घटनाओं की भविष्यवाणी के लिए डेटा के लिए विभिन्न सांख्यिकीय उपकरण लागू करते हैं। इनमें टाइम सीरीज़ एनालिसिस, रिग्रेशन एनालिसिस, इकोनोमेट्रिक मॉडल और एक्सट्रैपलेशन शामिल हैं।

गुणात्मक तकनीक भविष्य के घटनाओं जैसे कि ऐतिहासिक परिप्रेक्ष्य (व्यावसायिक बैरोमीटर), पैनल सहमति, डेल्फी विधि, आकृति विज्ञान अनुसंधान विधि और प्रासंगिकता ट्री विधि जैसी भविष्य की घटनाओं की भविष्यवाणी करने के लिए मुख्य रूप से मानवीय निर्णय लेते हैं। इन विधियों का उपयोग किया जाता है जहां मात्रात्मक डेटा आसानी से उपलब्ध नहीं होता है। उदाहरण के लिए, मात्रात्मक तरीकों का उपयोग तकनीकी वातावरण का पूर्वानुमान करने के लिए नहीं किया जा सकता है।

पूर्वानुमान के विभिन्न मात्रात्मक और गुणात्मक तरीकों की संक्षिप्त चर्चा नीचे दी गई है:

1. समय श्रृंखला विश्लेषण:

समय श्रृंखला विश्लेषण की पहचान करने और समझाने के लिए सहायता करता है:

(i) डेटा की श्रृंखला में कोई नियमित या व्यवस्थित भिन्नता जो कुछ मौसमों के कारण होती है; तथा

(ii) चक्रीय प्रवृत्तियाँ जो हर दो या तीन साल या अधिक दोहराती हैं।

समय श्रृंखला विश्लेषण की मदद से, एक प्रवृत्ति रेखा को फिट किया जा सकता है (कम से कम वर्गों की विधि का उपयोग करके) जो प्रवृत्ति का सबसे अच्छा संकेतक है। समय श्रृंखला विश्लेषण एक प्रारंभिक अनुमान पूर्वानुमान प्रदान करता है जो अनुभवजन्य नियमितताओं को ध्यान में रखता है जो कि जारी रहने की उम्मीद कर सकते हैं। मौसमी प्रभावों की पहचान करने और मापने के बाद, इन प्रभावों के लिए मूल डेटा को समायोजित किया जा सकता है, प्रवृत्ति और मौसमी रूप से समायोजित डेटा से मिलकर एक नई ऐतिहासिक समय श्रृंखला की उपज।

नई समय श्रृंखला का उपयोग चक्रीय और अवशिष्ट प्रभावों के विश्लेषण और व्याख्या में किया जा सकता है। इस पद्धति की कुछ सीमाएँ भी हैं। चूंकि भविष्य हमेशा अतीत को प्रतिबिंबित नहीं करता है, इसलिए समय श्रृंखला विश्लेषण कई वर्षों की भ्रामक जानकारी दे सकता है।

2. प्रतिगमन विश्लेषण:

प्रतिगमन विश्लेषण वह साधन है जिसके द्वारा हम विभिन्न चर के बीच कई संभावित रिश्तों में से चुन सकते हैं जो पूर्वानुमान के लिए प्रासंगिक हैं। यदि दो चर कार्यात्मक रूप से संबंधित हैं, तो एक का ज्ञान दूसरे के अनुमान को संभव बना देगा।

उदाहरण के लिए, यदि यह ज्ञात है कि विज्ञापन व्यय और बिक्री परस्पर संबंधित हैं, तो हम विज्ञापन व्यय में दिए गए वृद्धि और कमी के साथ बिक्री में संभावित वृद्धि या कमी का पता लगा सकते हैं। प्रतिगमन विश्लेषण पूर्वानुमान लगाने में भी मदद करता है जहां एक आश्रित चर और कई स्वतंत्र चर हैं। कंप्यूटर प्रोग्राम की मदद से रिग्रेशन समीकरणों का अनुमान लगाया जा सकता है जो बहुत जटिल और समय लेने वाले होते हैं।

3. अर्थमितीय मॉडल:

अर्थमिति, आर्थिक प्रमेयों को सत्यापित करने और मात्रात्मक परिणामों को स्थापित करने के लिए आर्थिक आंकड़ों के लिए गणितीय आर्थिक सिद्धांत और सांख्यिकीय प्रक्रियाओं के अनुप्रयोग को संदर्भित करता है। अर्थमितीय मॉडल एक साथ समीकरणों के एक सेट का रूप लेते हैं। कुछ मामलों में समीकरणों की संख्या बहुत बड़ी हो सकती है। इसलिए, इन समीकरणों को हल करने के लिए इलेक्ट्रॉनिक डेटा प्रोसेसिंग उपकरण की मदद ली जा सकती है।

यह इंगित करना भी महत्वपूर्ण है कि एक अर्थमितीय मॉडल के विकास के लिए पर्याप्त डेटा की आवश्यकता होती है ताकि सही रिश्तों को स्थापित किया जा सके। अर्थमितीय मॉडल मात्रात्मक शब्दों में प्रकट करते हैं जिस तरह से किसी समस्या के विभिन्न पहलुओं का परस्पर संबंध होता है। ये मॉडल व्यवहार में बहुत जटिल हैं क्योंकि वे अर्थशास्त्र, गणित और सांख्यिकी के ज्ञान को जोड़ते हैं। इसीलिए, वे छोटे व्यावसायिक घरानों से लोकप्रिय नहीं हैं।

4. एक्सट्रपलेशन:

इस तकनीक का उपयोग बिक्री पूर्वानुमान और अन्य अनुमानों के लिए अक्सर किया जाता है जब अन्य पूर्वानुमान विधियों को उचित नहीं ठहराया जा सकता है। यह पूर्वानुमान का सबसे सरल तरीका है। कई पूर्वानुमान स्थितियों में, यह अधिक उचित रूप से उम्मीद की जा सकती है कि चर अपने पहले से ही स्थापित पथ का पालन करेगा। एक्सट्रैपलेशन कुछ समय श्रृंखला में पिछले आंदोलनों के पैटर्न में सापेक्ष संगति को मानता है।

यदि इस धारणा को लिया जाता है, तो समस्या को उचित प्रवृत्ति वक्र और इसके मापदंडों के मूल्यों को निर्धारित करना है। व्यापार की भविष्यवाणी के लिए कई ट्रेंड वक्र्स उपयुक्त हैं। वे अंकगणितीय प्रवृत्ति, अर्ध-लॉग प्रवृत्ति, संशोधित घातीय प्रवृत्ति, लॉजिस्टिक वक्र आदि शामिल हैं। उपयुक्त वक्र का चयन पूर्वानुमान समस्या के लिए प्रासंगिक अनुभवजन्य और सैद्धांतिक विचारों पर निर्भर करता है।

5. ऐतिहासिक परिप्रेक्ष्य (बिजनेस बैरोमीटर):

ऐतिहासिक परिप्रेक्ष्य तकनीक व्यापार बैरोमीटर का उपयोग व्यापार पूर्वानुमान बनाने के लिए करती है। 'बैरोमीटर' शब्द का इस्तेमाल आर्थिक स्थितियों को इंगित करने के लिए किया जाता है। व्यापार बैरोमीटर, यानी, विभिन्न सूचकांकों के उपयोग के पीछे धारणा यह है कि अतीत के पैटर्न भविष्य में खुद को दोहराते हैं और भविष्य को वर्तमान की कुछ घटनाओं की मदद से भविष्यवाणी की जा सकती है।

पूर्वानुमान में जिन विभिन्न बैरोमीटर का उपयोग किया जा सकता है, उनमें सकल राष्ट्रीय उत्पाद, थोक मूल्य, उपभोक्ता मूल्य, औद्योगिक उत्पादन, मुद्रा आपूर्ति की मात्रा, स्टॉक एक्सचेंज उद्धरण इत्यादि शामिल हैं। इनमें से कुछ सूचकांक संख्याओं को व्यावसायिक गतिविधि के सामान्य सूचकांक में भी जोड़ा जा सकता है। । सामान्य सूचकांक वाणिज्य और उद्योग की सामान्य स्थिति को संदर्भित करता है।

हालांकि, यह समग्र सूचकांक इसके कुछ घटकों में से काफी विपरीत प्रवृत्ति दिखा सकता है। इसलिए, व्यापार पूर्वानुमान के लिए सूचकांक संख्याओं का उपयोग करते समय उचित देखभाल की जानी चाहिए। यदि उपयोग किया जा रहा व्यापार बैरोमीटर विश्वसनीय है, तो यह गलत पूर्वानुमान की संभावना को कम करेगा।

6. पैनल की आम सहमति विधि:

इस पद्धति के तहत, डेटा को एक विशेष समस्या क्षेत्र से संबंधित विशेषज्ञों के एक समूह के लिए खुले तौर पर प्रस्तुत किया जाता है और विशेषज्ञों को एक साथ आमने-सामने चर्चा के लिए लाया जाता है और एक आम सहमति के पूर्वानुमान पर पहुंचा जाता है। एक विशेषज्ञ द्वारा किए गए पूर्वानुमान की तुलना में ऐसा पूर्वानुमान बेहतर साबित होने की उम्मीद है। कई अकेले काम करने से बेहतर पूर्वानुमान निर्धारित कर सकते हैं।

7. डेल्फी विधि:

पूर्वानुमान की समस्या के लिए वैज्ञानिक दृष्टिकोण के कारण इस पद्धति को सम्मानजनकता प्राप्त है। इसका उपयोग उन लोगों के दिमाग की एक व्यवस्थित जांच के लिए किया जाता है, जो प्रासंगिक या संबंधित क्षेत्रों में आवश्यक विशेषज्ञता रखते हैं। इस पद्धति के तहत, एक विशेष समस्या क्षेत्र से संबंधित विशेषज्ञों का एक पैनल तैयार किया जाता है।

इन विशेषज्ञों को आमने-सामने चर्चा में लाने के बजाय, उन्हें अलग रखा जाता है और उनकी पहचान को एक दूसरे से गुप्त रखा जाता है। यह विशेषज्ञों को दूसरों से प्रभावित होने से रोकने और बैंड-वैगन मानसिकता के उद्भव की संभावना को समाप्त करने के लिए किया जाता है।

विशेषज्ञों की राय को सावधानीपूर्वक तैयार प्रश्नावली के लिए अपनी प्रतिक्रिया के माध्यम से हल किया जाता है। एकत्र किए गए उत्तरों का अध्ययन उन प्रश्नों के उत्तरों को अलग करने के लिए सावधानीपूर्वक किया जाता है जिन पर एक आम सहमति बनती है। जो विशेषज्ञ बहुमत की राय से अलग हो गए हैं, उन्हें सर्वेक्षण के पहले दौर के परिणामों को वापस खिलाया जाता है और उनके विचलन के कारणों को बताने का अनुरोध किया जाता है।

इसी तरह, ऐसे प्रश्नों के मामले में, जिन पर व्यापक मतभेद सामने आए हैं, वही प्रक्रिया मतभेदों को कम करने के लिए नियोजित है। जब तक विशेषज्ञ अपने अनुमानों का पुनर्मूल्यांकन नहीं करते हैं, तब तक लगातार प्रतिक्रियाएं और राय की तलाश जारी रहती है और राय का बेहतर अभिसरण उभरता है या कम से कम राय का बिखराव संकुचित हो जाता है। पूर्वानुमान के रूप में अंतिम परिणाम लिया जाता है। यह ध्यान दिया जाना चाहिए कि डेल्फी विधि सभी मामलों में केवल एक ही जवाब नहीं देगी।

8. आकृति विज्ञान अनुसंधान विधि:

"रूपात्मक अनुसंधान पद्धति विकास और बुनियादी तरीकों के व्यावहारिक अनुप्रयोग के साथ खुद को चिंतित करती है जो हमें वस्तुओं, घटनाओं और अवधारणाओं के बीच संरचनात्मक या रूपात्मक अंतर्संबंधों की खोज और विश्लेषण करने और ध्वनि जगत के निर्माण के लिए प्राप्त परिणामों का पता लगाने की अनुमति देगा।" इस पद्धति का उपयोग कम से कम सैद्धांतिक रूप से, सभी संभावित तकनीकी विकल्पों का पता लगाने के लिए किया जाता है जो किसी समस्या के समाधान के लिए प्रासंगिक मापदंडों के चर के विभिन्न क्रमपरिवर्तन और संयोजन से प्राप्त हो सकते हैं।

9. प्रासंगिकता ट्री विधि:

अपने प्रामाणिक आवेदन में, प्रासंगिक वृक्ष विधि का उद्देश्य व्यवसायियों को उद्देश्यों को निर्धारित करने और उन्हें प्राप्त करने के तरीकों की भविष्यवाणी करने में मदद करना है। इस पद्धति के अनुसार, भविष्य के उद्देश्य की व्यवहार्यता को सबसे पहले आंका जाता है, और फिर पीछे की ओर काम करके, उद्देश्य को प्राप्त करने के लिए आवश्यक तकनीकी नवाचारों को खोजने का प्रयास किया जाता है। अपने खोजपूर्ण अनुप्रयोग में, प्रासंगिक वृक्ष विधि निर्णय लेने की निर्णय वृक्ष विधि के समान है। इसका उपयोग विकल्प विकसित करने और कार्रवाई के सबसे अधिक वर्णन पाठ्यक्रम को निर्धारित करने के लिए किया जाता है।