CC BY
55
№1
2006
339.146
ОЦЕНКА ЭФФЕКТИВНОСТИ И СТЕПЕНИ ВЛИЯНИЯ РИСКА МАРКЕТИНГОВЫХ СТРАТЕГИЙ ПРОМЫШЛЕННОГО
ПРЕДПРИЯТИЯ
А си д. г: Л Я КО ВИЧ
Предлагается метод оценка эффективности и степени влиянгш риска маркетинговых стратегий с использованием статистической имитационной модели функционирования промышленного предприятия. Алгоритм реализации этой модели основан на методе статистических испытаний и эвристических процедурах принятия решений. Количественная оценка осуществляется с использованием метода Монте-Карло.
The evaluation procedure of efficíency and degree of risk injluence in marketing strategy with use of statistical imitating model of funct i oning of the industrial enterprise is offered\ The algorithm of real izat ion of this model is hased on a method of statis tic al tests an d heur ¡stic pro с e di t res of de с is i o n -making. Th e qu an titativ e es timat ion is с arried out with use of Monte-Cario method\
В современной литературе вопросам маркетинговой деятельности промышленных предприятий уделяется большое внимание. Анализ существующих подходов к построению аналитического инструментария маркетинга предприятия показывает, что современная теория стратегического маркетинга не располагает моделями и методами, которые носили бы комплексный характер, учитывали альтернативность и неполноту информации, присущие процессам принятия маркетинговых решений, обеспечивали оценивание эффективности и степени влияния риска принимаемых решений [1, 2]. Методы количественного анализа управленческих решений не соответствуют требованиям обеспечения необходимой в практическом маркетинге точности и надежности оценок эффективности и степени влияния риска стратегий. [3]. Предлагается метод оценки эффективности и степени влияния риска маркетинговых стратегий с использованием статистической имитационной модели функционирования промышленного предприятия, отличительной чертой которого является возможность учета стохастичности параметров внешней и внутренней сред промышленного предприятия.
Разработка маркетинговых стратегий промышленного предприятия (рис. 1) может осуществляться с использованием таких методов количественной оценки степени влияния риска, как методы стохастического программирования, дерева решений, теории игр и т.п. Данные методы количественного анализа различных решений в области маркетинговой деятельности промышленного предприятия не соответствуют требованиям обеспечения необходимой точности и надежности оценки эффективности и степени влияния риска стратегий. Точная оценка эффективности и степени риска может быть получена при известном распределении вероятности случайных параметров внешней и внутренней сред промышленного предприятия. Распределение можно получить ia основании статистических данных о функционировании промышленного предприятия и состоянии внешней среды в предыдущие периоды времени. Если на промышленном предприятии не располагают такой статистикой или она недостаточна для надежной оценки параметров распределения исследуемых показателей, то имеет смысл использовать метод Монте-Карло.
№1
2006
Старые товары
Товары
Старые товары для новых потребителей
Новые товары
Номенклатура продукции
А', ы2 N.
\г . N
Уровень риска
О
А/
о
"з
/V,
Затраты
Развитие рынка
Стратегии
Развитие Обработка товара рынка
* • Ч
Диверсификации
= А
I
= В
'э = С
'„ = 2
т
/
Уровень
Системный уровень риска ^ принятия решений: стратегия маркетинга
А
г
» • I ^^ » * Ь * 4
^ I I 5 • • ♦ I I !> » ^ ^^ ^[»^Т1****^
и
с
о
В
Оперативный уровень принятия решений: маркетинг-микс
Затраты
Сегменты
ш
М, м, М, /Л^
М
м
т
Потребители
Сегментация рынка
Уровень риска 1
ЫкМгМгМ сМ
и
Обработка ц с л е в о и рыночной ниши
Обработка всего рынка
Доля рынка
Рис. 1. Схема разработки стратегии маркетинга промышленного предприятия [4]
Метод Монте-Карло представляет собой имитационное моделирование статистического эксперимента с помощью средств вычислительной техники, при этом величины, используемые в процессе моделирования, носят случайный характер. Алгоритм использования метода Монте-Карло в количественном анализе эффективности и степени влияния риска включает в себя построение математической модели выходного показателя функционирования системы как функции входных переменных и параметров систе-
№1
2006
мы. Процедура построения модели заключается в определении включаемых в модель входных и выходных переменных, установлении границ диапазона изменения факторов риска, в выборе вида закона распределения, которому подчиняются случайные входные переменные, и оценке его числовых характеристик, определении функциональной и вероятностной зависимости между переменными [3].
Математическая модель системы имеет вид:
V = / (Л-, а),
где V —выходной показатель функционирования системы; / —функция, устанавливающая связь между выходным показателем и входными переменными через параметры системы; л_ = (л*, —//-мерный вектор факторов риска; а = ) —/»-мерный
вектор параметров системы.
Далее математическая модель пересчитываете^ при каждом новом имитационном эксперименте, в рамках которого значения случайных переменных выбираются на основе генерации «псевдослучайных» чисел, подчиненных заданным законам распределения вероятностей. Результаты всех имитационных экспериментов объединяются в выборку и анализируются с помощью статистических методов с целью получения распределения вероятностей выходного показателя и расчета основных показателей степени влияния риска маркетинговых стратегий промышленного предприятия. Реализуемый при применении метода Монте-Карло комплексный подход к оценке степени влияния риска заключается в том, что представляется возможным анализировать различные измерители риска: распределение вероятностей, оценки математического ожидания, среднеквадра-тического отклонения и коэффициента вариации, вероятности попадания значения выходного показателя в заданный интервал.
Для практического решения задачи по оценке эффективности и степени влияния риска маркетинговых стратегий промышленного предприятия необходимо иметь генератор случайных чисел с достаточно разнообразным запасом законов распределения. Существует достаточно большое количество законов распределения, по обычно используются равномерное, треугольное и нормальное распределения.
Равномерное распределение предполагает, что случайная величина находится в диапазоне с известными фиксированными границами, при этом все значения случайной переменной внутри диапазона равновероятны. Обоснованием применения равномерного распределения можно считать полное отсутствие предположений о фактическом характере распределения. Треугольное распределение применяется в случае, когда имеется достоверная информация относительно минимального, максимального и наиболее вероятного значения переменной. Нормальное распределение применяться тогда, когда существует достоверная информация относительно наиболее вероятного значения переменной.
Общим для приведенных видов распределений является то. что они основаны на допущениях о предполагаемом характере распределения случайной величины: допущения могут основываться как на принципах объективной вероятности, т.е. па основе имеющегося статистического опыта, так и на принципах субъективной вероятности, т.е. на
основе предположении о характере случайных процессов.
Особенностью рассматриваемой задачи по оценке эффективности и степени влияния риска маркетинговых стратегий промышленного предприятия является то. что, с одной стороны, отсутствует возможность корректного исследования характера распределения какой-либо величины из-за отсутствия достаточного объема достоверной ин-
№1
2006
формации; при выборе какой-либо формы распределения вводится допущение, не всегда согласующееся с фактической ситуацией. С другой стороны, имеется некоторая информация о значениях случайной величины, игнорировать которую представляется неоправданным. При такой постановке вопроса корректное решение задачи представляется возможным на основе применения специального вида распределения, которое в [5] называется бета-распределением.
Бета-распределение характеризуется тем, что оно может принимать различные формы в зависимости от значений двух параметров, которые характеризуют уровень информации относительно значений переменной внутри диапазона. Данный вид распределения приобретает особое значение в тех случаях, когда имеется возможность использо-
функция
функции распределения плотности фактиче
форму,
Функция плотности вероятности в случае бета-распределения определяется уравне-
нием:
Р(х)
1
(x-a)p~l(b-x)
<7-1
B(p,q)
ф-а)
p+q-1
, a<x<b , p,q> 0,
где Р(х) —плотность распределения вероятности; B(p,q) —бета-функция; а мальное значение переменной; b — метры распределения.
максимальное значение переменной; р , q
мини-- пара-
Параметры бета-распределения определяются из выражений:
/
Р
а
\
\
Ъ
а
/
i
/
V
JLI, - а
Ь-а
\
/
и2
\
V
ф-а)2
-i
/
у
\
ILLj ~ а Ь-а
\
/
(
Ч
\
¡я, - а
Ъ — а
\
г
1
А
(Я| — а Ъ-а
\
2 /
/
\х2
\
-1
V
ф-а)
J
/
i
ч
\х{ -а Ь-а
\
J
где щ
среднее значение; \х2
дисперсия.
функции бета-распреде
ти от значений определяющих их параметров р я q.
Многообразие форм, которые может принимать данная функция
фактические
ные, делает ее полезной при количественном анализе степени влияния риска маркетинговых стратегий промышленного предприятия.
Имитационное моделирование по методу Монте-Карло может быть использовано
для управления рисками стратегий, для построения оптимизационных моделей управления рисками с целью выбора минимального уровня риска при заданной эффективности стратегии или максимальной эффективности стратегии при заданном предельном уровне риска. Для решения задачи минимизации рисков могут быть применены также и оптимизационные модели, основанные на минимизации затрат на антирисковые мероприятия для заданного уровня риска или минимизации уровня риска при заданной предельно допустимой величине затрат на антирисковые мероприятия [3].
На данный момент российскими программными продуктами, позволяющими проводить количественную оценку степени влияния риска маркетинговых стратегий с использованием метода Монте-Карло, являются аналитические системы «Project Expert» и «Marketing Expert», в которых методы оценки риска реализованы с исполь-
№1
2006
1
О
Л'
0,5
1,0
Рис. 2, Виды функции бета-распределения
зованием имитационных моделей с ограниченными возможностями [6, 7]. Предлагается подход к оценке риска маркетинговых стратегий промышленного предприятия, основанный на применении более мощной по своим возможностям имитационной модели и позволяющий получать более точные оценки риска стратегий за счет повышения адекватности математического описания производственной системы [3]. Разработанная имитационная модель позволяет включать в рыночную структуру промышленного предприятия поставщиков материалов, комплектующих и т.п.; учесть ценовые стратегии предприятий-конкурентов, параметры рынка; строить модель случайного параметра системы с использованием такого вида распределения как бета-распределение. Математическое ожидание, минимальное и максимальное значения выходного показателя определялись с помощью относительных частот распределения, на основе результатов имитационного моделирования. Вероятность недостиже-
и
ния заданного уровня целевого показателя вычислялась с помощью построенной кривой кумулятивной вероятности. Вероятности попадания целевого показателя (случайной величины) в заданные интервалы могут быть определены с помощью оценки относительной частоты попадания в эти интервалы значений, полученных в результате моделирования, но, если интервалы слишком малы, то частоты в них могут обнаруживать незакономерные колебания, что приводит к снижению точности оценок, поэтому применялся более точный метод оценки вероятности, основанный на вычислении определенного интеграла:
Р
а
где а, 3
соответственно нижняя и верхняя границы интервала; Р(у)
функция
распределения случайной величины у ; /(у) — функция плотности распределения слу-
чайной величины V.
№ 1
2006
Таким образом, применение метода Монте-Карло объективно отвечает потребностям современной практики управления маркетинговой деятельностью промышленного предприятия. Предложенный метод оценки эффективности и степени влияния риска
v> VJ
маркетинговых стратегии с использованием статистическои имитационнои модели свидетельствует о получении более обоснованных результатов оценки. Практическое применение вероятностных методов в задачах экономики, организации и управления предприятиями требует выполнения дальнейших исследований закономерностей распределения случайных параметров их конкурентной среды.
СПИСОК ЛИТЕРАТУРЫ
1. Л а м б е н Ж. -Ж, Стратегический маркетинг. Европейская перспектива. — СПб.: Наука, 1996. — 589 с.
2. Ш н а й д е р Д. И. Г. Технологический маркетинг. — М.: «Янус-К», 2003. — 478 с.
3. PesikovE., Fomichev М., Z a i k i n О. Stochastic simulation rnodeling in strategic marketing planning of manufacturing systems. // Proceedings of 3 Conference Francophone de MOdelisation et Simulation' Conception, Analyse et Gestión des Systemes Industriales MOSIM'O1. — Troyes, F ranee, 2001, pp. 317—324.
4. Канчавели А. Д., Колобов А. А., О м e л ь ч e н к о И.Н.идр. Стратегическое управление организационно-экономической устойчивостью фирмы: Логистикоориентированное проектирование бизнеса. /Под ред. А.А. Колобова, И.Н. Омельченко. — М,: Изд-во МГТУ им. Н.Э. Баумана, 2001. — 600 с.
5. Бочаров П.П.,Печинкин А.В. Теория вероятностей. Математическая статистика. — М.: Гардарики, 1998. —328 с.
6. Построение и анализ финансовой модели предприятия с использованием аналитической системы Project Expert: Метод, указания. — М.: Про-Инвест-ИТ, 2001. — 124 с.
7. Кузнецов А. И., О м е л ь ч е н к о И.Н. Технология бизнес-планирования: Учеб. пособие. / Под ред. А. А. Колобова. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. — 192 с.
