برای اینکه بدانیم در هر دوره زمانی چه میزان تقاضا از سوی مشتریان برای دریافت کالا یا خدمات وجود دارد، باید پیش بینی فروش و روش های محاسبه آن را فرا بگیریم.
پیش‌بینی تقاضای کیفی
بینش شخصی: در این روش تنها یک متخصص که با اوضاع آشنا است، پیش‌بینی خود را بر اساس قضاوت شخصی ارائه میدهد. این روش کاملاً به قضاوت یک شخص از لحاظ نظرات شخصی، تعصب، پیش‌داوری، جهل و روحیه وی متکی است. مقایسه روش‌های پیش‌بینی به‌وضوح نشان میدهد که اگر شخصی به اندازه کافی به شرایط مسلط نباشد ولی از روش های رسمی تری برای پیش بینی استفاده کند، پیش بینی بهتری را نسبت به شخصی که با شرایط کاملا آشنا باشد ولی از تجربه و نظرات ذهنی خود برای پیش‌بینی استفاده کند، ارائه خواهد داد. به نظر می رسد بینش شخصی بتواند پیش‌بینی‌های خوبی را ارائه دهد اما معمولا خطای کارشناسان در این حوزه زیاد است. بنابراین ضعف عمده این روش، عدم اعتماد به آن است که البته ممکن است برای تصمیمات جزئی مهم نباشد. اما زمانیکه پیامد خطاها مهم باشند، باید از روشی مطمئن‌تری استفاده شود.
اجماع متخصصان: یک نفر می‌تواند اشتباه کند، اما اجتماع چندین متخصص به آن‌ها امکان میدهد تا آزادانه و صریح نظرات خود را اعلام کنند و با تبادل نظرات موافق و مخالف به یک نظر منطقی‌تری دست یابند. اگرچه این روش از بینش شخصی قابل اطمینان‌تر است، اما اجماع کارشناسان نیز مبرا از مشکل نیست. برخی از مشکلات کار گروهی عبارتند از: کسانی که با صدای بلند فریاد می‌زنند و سعی می‌کنند توجه مافوق یا برخی را جلب کنند و یا افراد به صورت گروهی خوب صحبت نمی‌کنند. به‌طورکلی، اجماع متخصصان بهتر از بینش شخصی است اما نیاز به بررسی دقیق نتایج دارد.
بررسی بازار:بعضی اوقات بهتر است به‌جای نظر کارشناسان، به بازار رفته و از نزدیک با مشتریان مصاحبه شود. به عنوان مثال هنگام راه‌اندازی یک محصول جدید بهتر است نظرات مشتریان بالقوه جمع آوری و تحلیل گردد. بر این اساس باید با بررسی بازار، داده‌ها از یک نمونه مشتریان جمع‌آوری، نظرات آن‌ها تجزیه‌وتحلیل و سپس به استنتاج در مورد جامعه پرداخته می شود. این روش به‌مراتب گران و وقت‌گیر است اما نتایج خوبی خواهد داشت. بااین‌حال، درصورتی‌که نمونه مشتریان به‌درستی انتخاب نشده باشد و یا سؤالات دقیق و مفید نباشند، این روش هم می‌تواند نتایج و پیش بینی ضعیفی حاصل نماید.
قیاس تاریخی: بیشتر محصولات دارای طول عمر محدود هستند و در طی آن تقاضا از یک الگوی مشترک با دوره‌های معرفی، رشد، بلوغ، افول و مرگ پیروی می‌کند. قیاس تاریخی، از سوابق تقاضای یک مورد مشابه که در گذشته معرفی شده است، برای پیش بینی تقاضای کالای جدید استفاده می‌کند. به عنوان مثال یک ناشر با پیروی از این روش می تواند، با پیش فرض الگوی کتاب مشابهی که اخیراً منتشر کرده است، فروش کتاب جدید را پیش‌بینی کند. البته مشکلات عمده این روش یافتن کالایی است که اخیراً معرفی شده و به‌اندازه کافی مشابه و همچنین نمودار چرخه عمر با تقاضای واقعی متناسب باشد.
سری زمانی در پیش‌بینی تقاضای کمی
پیش‌بینی‌های کمی معمولا بر اساس سری زمانی انجام می‌شود. این سری، شامل مجموعه‌ای از مشاهدات در فواصل زمانی منظم است. تقاضای هفتگی برای یک محصول، ارقام بیکاری ماهانه، بارندگی روزانه و آمار سالانه جمعیت نمونه‌هایی از این روش است.
بهترین روش برای شروع تجزیه و تحلیل سری زمانی، ترسیم نمودار است که در یکی از گروه های زیر قرار می گیرد:
سری ثابت نموداری است که در آن تقاضا به صورت افقی باشد و با گذشت زمان تقریباً در یک سطح امتداد یابد. مانند تقاضای نان یا بارندگی سالانه
روند نموداری است که در آن تقاضا به‌طور پیوسته افزایش یا کاهش یابد. مانند تقاضا برای تلفن یا قیمت بنزین
فصلی نموداری است که در آن تقاضا یک حرکت دایره‌ای یا چرخشی دارد. مانند تقاضای بستنی یا برق.
اگر تقاضا از چنین الگوهای ساده ای پیروی کند، پیش‌بینی آسان خواهد بود. اما همیشه بین تقاضای واقعی و الگوهای بیان شده، تفاوت وجود دارد. این اختلافات یک پارازیت تصادفی را تشکیل می‌دهند که بر روی الگوی اصلی قرار می‌گیرد. به عنوان مثال، در یک سری ثابت همه مقادیر دقیقاً مساوی نیستند. سری ثابت زیر یک سری ثابت با مقدار 100 است. لذا داریم:
101 105 93 96 108 103 98 101 91 95 109
تقاضای واقعی = الگوی اصلی + آهنگ تصادفی
اختلال یا پارازیت، یک اثر کاملاً تصادفی است که در اثر عوامل زیادی نظیر متغیر بودن تقاضای مشتری، ساعت کار، سرعت کار، آب‌وهوا، بازرسی های تایید نشده، برهه سال، تأثیرات اقتصادی، خطا در داده‌های موجود، تأخیر در به‌روزرسانی اطلاعات، ارتباطات ضعیف بوجود می آید. این اختلالات اجتناب‌ناپذیر بوده و پیش‌بینی را دشوار می‌کنند. هرچه قدر این اختلالات (پارازیت‌ها) کمتر باشد تقاضای واقعی به الگوی اصلی نزدیک‌تر خواهد شد و می‌توان پیش‌بینی‌های بهتری را ارائه داد. اما اگر این اختلالات بیشتر باشد الگوی اصلی پنهان‌شده و پیش‌بینی بسیار دشوار خواهد شد.
فرض کنید تقاضای هفته آینده برای یک محصول به تعداد 20 واحد پیش‌بینی شود، اگر تقاضای واقعی 22 واحد باشد، غیرمنطقی نخواهد بود چراکه پیش‌بینی ها همیشه دارای خطا هستند.
2 = 20 – 22 : پیش‌بینی – تقاضای واقعی= مقدار خطا
هرچه قدر پیش بینی دقیق تر و مناسب تر باشد، خطای نسبتاً اندکی خواهد داشت. انحراف مقدار پیش بینی نسبت به مقدار واقعی در هر دوره قابل محاسبه است. شاید به نظر برسد که این روش برای محاسبه میانگین خطای بلندمدت نیز مفید است اما مثال زیر نشان میدهد که چنین نیست.
مثال: در جدول زیر خطای هر دوره نسبتا زیاد است درحالیکه خطای سالیانه به دلیل مجموع انحرافات مثبت و منفی صفر شده است.
بنابراین مطابق با جدول فوق یک پیش‌بینی بسیار ضعیف می‌تواند دارای خطای میانگین صفر باشد. میانگین خطا نشان نمی‌دهد که پیش‌بینی‌ها چقدر دقیق هستند، بلکه سمت‌گیری خطاها را نشان میدهد. یعنی اگر میانگین خطا دارای یک مقدار مثبت باشد، پیش‌بینی به‌طور پیوسته بسیار کمتر از تقاضای واقعی است و اگر میانگین خطا دارای یک مقدار منفی باشد، پیش‌بینی به‌طور پیوسته بسیار بیشتر از تقاضای واقعی است. واضح است که معیار دیگری جهت اندازه‌گیری خطاها مورد نیاز است. ساده‌ترین روش درنظر گیری قدر مطلق خطاها و میانگین انحراف مطلق است. در این صورت می توان نشان داد که یک پیش‌بینی به طور متوسط چقدر از مقدار واقعی فاصله دارد. به طور مثال اگر این مقدار برابر با 6 باشد، پیش‌بینی به‌طور متوسط 6 واحد از تقاضای واقعی فاصله دارد. روش دوم محاسبه میانگین خطای مربع با در نظر گیری مربعات خطا است. این مقدار معنای واضحی ندارد، اما برای سایر تحلیل‌ها مفید است که در بخش رگرسیون خطی تشریح شده است.
جدول 1 : نمونه خطای پیش‌بینی
| خطا | پیش‌بینی | تقاضا | فصل |
| 200 | 0 | 200 | 1 |
| 400 | 0 | 400 | 2 |
| 600 | 0 | 600 | 3 |
| 1200- | 2000 | 800 | 4 |
| 0 | 2000 | 2000 | مجموع |
| 0 | 500 | 500 | میانگین |
مثال: تولیدکننده‌ای پیش‌بینی فروش محصولات خود را برای دوره کوتاه‌مدت 6 هفته‌ای محاسبه و تقاضای واقعی خود را نیز ثبت نموده است. انحراف تقاضا را محاسبه و تحلیل نمایید.
| 6 | 5 | 4 | 3 | 2 | 1 | هفته |
| 126 | 114 | 98 | 110 | 121 | 101 | تقاضا |
| 120 | 112 | 104 | 112 | 117 | 107 | پیش‌بینی |
حل: میانگین خطای پیش‌بینی 0.33- انحراف منفی را نشان می دهد، به این معنی که پیش‌بینی‌ها بیشتر از تقاضا بوده است. میانگین قدر مطلق خطا به میزان 4.33 است و نشان می دهد که به‌طور متوسط پیش‌بینی‌ها به میزان 4.33 از تقاضای واقعی فاصله دارند. میانگین مربع خطا نیز به میزان 22 بوده که تفسیر روشنی به دست نمی‌دهد.
| 6 | 5 | 4 | 3 | 2 | 1 | هفته | ||
| 126 | 114 | 98 | 110 | 121 | 101 | تقاضا | ||
| 120 | 112 | 104 | 112 | 117 | 107 | پیش‌بینی | ||
| میانگین | مجموع | |||||||
| 0.33- | 2- | 6 | 2 | 6- | 2- | 4 | 6- | خطا |
| 4.33 | 26 | 6 | 2 | 6 | 2 | 4 | 6 | قدر مطلق خطا |
| 22 | 132 | 36 | 4 | 36 | 4 | 16 | 36 | مربع خطا |
پیش‌بینی فروش علّی
پیش‌بینی علّی به دنبال علت یا رابطه‌ای است که می‌توان از آن برای پیش‌بینی تقاضای موردنظر استفاده کرد. به‌عنوان مثال ممکن است تقاضا وابسته به قیمت باشد. بنابراین می‌توان با یافتن رابطه بین میزان تقاضا و قیمت فروش تقاضای احتمالی با قیمت برنامه‌ریزی‌شده را محاسبه نمود. این نمونه‌ای از یک رابطه واقعی است، جایی که تغییرات در قیمت (یک متغیر مستقل که می‌تواند هر مقدار را به خود اختصاص دهد) باعث ایجاد تغییر در تقاضا می‌شود (یک متغیر وابسته که برای هر مقدار خاص از قیمت ثابت است). پیش بینی تقاضا در این روش بر مبنای رگرسیون خطی محاسبه می شود.