Techniki prognozowania popytu (badania i metody statystyczne)

Głównym wyzwaniem przy prognozowaniu popytu jest wybór skutecznej techniki.

Nie ma konkretnej metody, która umożliwia organizacjom przewidywanie ryzyka i niepewności w przyszłości. Zasadniczo istnieją dwa podejścia do prognozowania popytu.

Pierwsze podejście polega na prognozowaniu popytu poprzez gromadzenie od ekspertów informacji dotyczących zachowań zakupowych konsumentów lub przeprowadzanie ankiet. Z drugiej strony drugą metodą jest prognozowanie popytu przy użyciu danych z przeszłości za pomocą technik statystycznych.

Możemy zatem powiedzieć, że techniki prognozowania popytu są podzielone na metody badań i metody statystyczne. Metoda badania służy zasadniczo do prognozowania krótkoterminowego, podczas gdy metody statystyczne służą do prognozowania popytu w długim okresie.

Te dwa podejścia pokazano na rysunku 10:

Omówmy te techniki (jak pokazano na ryc. 10).

Metoda ankiety :

Metoda ankietowa jest jedną z najczęstszych i bezpośrednich metod prognozowania popytu w krótkim okresie. Ta metoda obejmuje przyszłe plany zakupowe konsumentów i ich intencje. W ramach tej metody organizacja przeprowadza ankiety z konsumentami, aby określić popyt na ich istniejące produkty i usługi oraz odpowiednio przewidzieć przyszłe zapotrzebowanie.

Metoda ankietowa obejmuje trzy ćwiczenia, które pokazano na rysunku 11:

Ćwiczenia przeprowadzone metodą ankietową (jak pokazano na ryc. 11) omówiono w następujący sposób:

ja. Ankieta opinii ekspertów:

Odnosi się do metody, w ramach której eksperci są proszeni o wyrażenie opinii o produkcie. Zasadniczo w organizacji przedstawiciele handlowi działają jako eksperci, którzy mogą ocenić popyt na produkt w różnych obszarach, regionach lub miastach.

Przedstawiciele handlowi są w bliskim kontakcie z konsumentami; dlatego są w pełni świadomi przyszłych planów zakupowych konsumentów, ich reakcji na zmiany rynkowe oraz postrzegania innych konkurencyjnych produktów. Zapewniają przybliżone oszacowanie popytu na produkty organizacji. Ta metoda jest dość prosta i tańsza.

Ma jednak swoje ograniczenia, które omówiono w następujący sposób:

za. Dostarcza szacunków, które zależą od umiejętności rynkowych ekspertów i ich doświadczenia. Te umiejętności różnią się w zależności od osoby. W ten sposób dokładne prognozowanie popytu staje się trudne.

b. Obejmuje subiektywną ocenę asesora, co może prowadzić do przeszacowania lub niedoszacowania.

do. Zależy od danych dostarczonych przez przedstawicieli handlowych, którzy mogą mieć nieodpowiednie informacje o rynku.

re. Ignoruje czynniki, takie jak zmiana produktu krajowego brutto, dostępność kredytu i przyszłe perspektywy branży, które mogą okazać się pomocne w prognozowaniu popytu.

ii. Metoda Delphi:

Odnosi się do grupowej techniki decyzyjnej prognozowania popytu. W ramach tej metody pytania ekspertów są zadawane indywidualnie w celu uzyskania opinii na temat zapotrzebowania na produkty w przyszłości. Pytania te są wielokrotnie zadawane, dopóki nie zostanie osiągnięty konsensus.

Ponadto, w tej metodzie, każdemu ekspertowi dostarcza się informacji dotyczących szacunków dokonanych przez innych ekspertów w grupie, aby mógł on / ona zrewidować swoje szacunki w odniesieniu do szacunków innych. W ten sposób prognozy są sprawdzane przez ekspertów w celu dokładniejszego podejmowania decyzji.

Zawsze ekspert może reagować lub przedstawiać sugestie dotyczące szacunków innych osób. Nazwiska ekspertów są jednak anonimowe, wymieniając się szacunkami między ekspertami w celu ułatwienia rzetelnego osądu i zmniejszenia efektu halo.

Główną zaletą tej metody jest to, że jest ona opłacalna pod względem czasu i kosztów, ponieważ do wielu ekspertów zwraca się w krótkim czasie bez wydawania innych zasobów. Jednak ta metoda może prowadzić do subiektywnego podejmowania decyzji.

iii. Metoda eksperymentu rynkowego:

Polega na gromadzeniu niezbędnych informacji dotyczących obecnego i przyszłego popytu na produkt. Ta metoda przeprowadza badania i eksperymenty dotyczące zachowań konsumentów w rzeczywistych warunkach rynkowych. W tej metodzie niektóre obszary rynków są wybierane z podobnymi cechami, takimi jak populacja, poziomy dochodów, pochodzenie kulturowe i gusta konsumentów.

Eksperymenty rynkowe przeprowadza się za pomocą zmieniających się cen i wydatków, aby rejestrować wynikające z nich zmiany popytu. Wyniki te pomagają w prognozowaniu przyszłego popytu.

Istnieją różne ograniczenia tej metody, które są następujące:

za. Odnosi się do drogiej metody; dlatego mogą nie być dostępne dla małych organizacji

b. Wpływa na wyniki eksperymentów wynikające z różnych warunków społeczno-ekonomicznych, takich jak strajki, niestabilność polityczna, klęski żywiołowe

Metody statystyczne :

Metody statystyczne to złożony zestaw metod prognozowania popytu. Metody te są wykorzystywane do prognozowania popytu w perspektywie długoterminowej. W tej metodzie zapotrzebowanie jest prognozowane na podstawie danych historycznych i danych przekrojowych.

Dane historyczne odnoszą się do danych z przeszłości uzyskanych z różnych źródeł, takich jak bilanse z poprzednich lat i raporty z badań rynku. Z drugiej strony dane przekrojowe są gromadzone poprzez przeprowadzanie wywiadów z osobami i przeprowadzanie badań rynku. W przeciwieństwie do metod ankietowych, metody statystyczne są opłacalne i wiarygodne, ponieważ element subiektywności jest minimalny w tych metodach.

Te różne metody statystyczne pokazano na rycinie 12:

Różne metody statystyczne (jak pokazano na ryc. 12).

Metoda projekcji trendu :

Projekcja trendów lub metoda najmniejszych kwadratów to klasyczna metoda prognozowania biznesu. W tej metodzie do prognozowania popytu wymagana jest duża ilość wiarygodnych danych. Ponadto metoda ta zakłada, że ​​czynniki, takie jak sprzedaż i popyt, odpowiedzialne za przeszłe trendy, pozostaną takie same w przyszłości.

W tej metodzie prognozy sprzedaży są tworzone poprzez analizę przeszłych danych zaczerpniętych z ksiąg rachunkowych z poprzedniego roku. W przypadku nowych organizacji dane o sprzedaży są pobierane od organizacji już istniejących w tej samej branży. Ta metoda wykorzystuje dane szeregów czasowych dotyczące sprzedaży do prognozowania popytu na produkt.

Tabela 1 pokazuje dane szeregów czasowych organizacji XYZ:

Metoda prognozy trendów uwzględnia trzy kolejne metody, które są następujące:

ja. Metoda graficzna:

Pomaga w prognozowaniu przyszłej sprzedaży organizacji za pomocą wykresu. Dane sprzedaży są wykreślane na wykresie, a na wykreślanych punktach rysowana jest linia.

Nauczmy się tego poprzez wykres pokazany na rysunku 13:

Rycina-13 pokazuje krzywą, która jest wykreślana z uwzględnieniem danych sprzedaży organizacji XYZ (Tabela-1). Linia P jest rysowana przez punkty środkowe krzywej, a S jest linią prostą. Linie te zostały przedłużone, aby uzyskać przyszłą sprzedaż w roku 2010, która wynosi około 47 ton. Ta metoda jest bardzo prosta i tańsza; jednak prognozy wykonane tą metodą mogą opierać się na osobistym nastawieniu prognosty.

ii. Metoda trendu dopasowania:

Implikuje metodę najmniejszych kwadratów, w której linia trendu (krzywa) jest dopasowywana do danych szeregów czasowych sprzedaży za pomocą technik statystycznych.

W tej metodzie brane są pod uwagę dwa rodzaje trendów, które wyjaśniono w następujący sposób:

za. Trend liniowy:

Implikuje trend, w którym sprzedaż wykazuje tendencję wzrostową.

W trendzie liniowym dopasowuje się następujące równanie trendu linii prostej:

S = A + BT

Gdzie

S = roczna sprzedaż

T = czas (w latach)

A i B są stałe

B daje miarę rocznego wzrostu sprzedaży

b. Trend wykładniczy:

Implikuje trend, w którym sprzedaż rośnie w ciągu ostatnich lat w tempie rosnącym lub stałym.

Odpowiednie zastosowane równanie trendu jest następujące:

Y = aTb

Gdzie

Y = roczna sprzedaż

T = czas w latach

aib są stałe

Przekształcając to w logarytm, równanie wyglądałoby następująco:

Log Y = Log a + b Log T

Główną zaletą tej metody jest to, że jest łatwa w użyciu. Co więcej, wymagania dotyczące tej metody są bardzo ograniczone (ponieważ wymagane są tylko dane dotyczące sprzedaży), dlatego jest to niedroga metoda.

Jednak ta metoda ma również pewne ograniczenia, które są następujące:

1. Zakłada, że ​​tempo zmian zmiennych w przeszłości również pozostanie takie samo w przyszłości, co nie ma zastosowania w sytuacjach praktycznych.

2. Nie stosuje się w przypadku krótkoterminowych szacunków i gdy tendencja jest cykliczna z dużymi wahaniami

3. Nie mierzy zależności między zmiennymi zależnymi i niezależnymi.

iii. Metoda Boxa-Jenkinsa:

Odnosi się do metody używanej tylko do prognoz krótkoterminowych. Ta metoda prognozuje zapotrzebowanie tylko w przypadku stacjonarnych danych szeregów czasowych, które nie ujawniają trendu długoterminowego. Jest stosowany w sytuacjach, w których dane szeregów czasowych przedstawiają miesięczne lub sezonowe zmiany z pewnymi stopniami regularności. Na przykład tę metodę można wykorzystać do oszacowania prognoz sprzedaży odzieży wełnianej w sezonie zimowym.

Metoda barometryczna :

W metodzie barometrycznej zapotrzebowanie jest przewidywane na podstawie przeszłych zdarzeń lub kluczowych zmiennych występujących w teraźniejszości. Metodę tę stosuje się również do przewidywania różnych wskaźników ekonomicznych, takich jak oszczędności, inwestycje i dochód. Metoda ta została wprowadzona przez Harvard Economic Service w 1920 r., A następnie zmieniona przez National Bureau of Economic Research (NBER) w 1930 r.

Ta technika pomaga określić ogólny trend działalności biznesowej. Załóżmy na przykład, że rząd przeznacza grunty na społeczeństwo XYZ pod budowę budynków. Wskazuje to na duże zapotrzebowanie na cement, cegły i stal.

Główną zaletą tej metody jest to, że można ją stosować nawet przy braku danych z przeszłości. Jednak ta metoda nie ma zastosowania w przypadku nowych produktów. Ponadto traci on swoje zastosowanie, gdy nie ma opóźnienia czasowego między wskaźnikiem ekonomicznym a popytem.

Metody ekonometryczne :

Metody ekonometryczne łączą narzędzia statystyczne z teoriami ekonomicznymi do prognozowania. Prognozy wykonane tą metodą są bardzo wiarygodne niż jakakolwiek inna metoda. Model ekonometryczny składa się z dwóch rodzajów metod, mianowicie modelu regresji i modelu równań równoczesnych.

Te dwa rodzaje metod wyjaśniono w następujący sposób:

ja. Metody regresji:

Zapoznaj się z najpopularniejszą metodą prognozowania popytu. W metodzie regresji funkcja popytu dla produktu jest szacowana, gdy popyt jest zmienną zależną, a zmienne określające popyt są zmienną niezależną.

Jeśli tylko jedna zmienna wpływa na popyt, wówczas nazywana jest funkcją pojedynczej zmiennej popytu. Dlatego stosuje się proste techniki regresji. Jeśli na popyt wpływa wiele zmiennych, wówczas nazywa się to funkcją wielu zmiennych popytu. Dlatego w takim przypadku stosowana jest regresja wielokrotna.

Proste i wielokrotne techniki regresji omówiono w następujący sposób:

za. Prosta regresja:

Odnosi się do badania zależności między dwiema zmiennymi, gdzie jedna jest zmienną niezależną, a druga zmienną zależną.

Równanie do obliczenia prostej regresji jest następujące:

Y = a + bx

Gdzie Y = szacunkowa wartość Y dla danej wartości X

b = kwota zmiany w Y spowodowana zmianą jednostki w X

aib = stałe

Równania do obliczenia aib są następujące:

Nauczmy się obliczać prostą regresję za pomocą przykładu. Załóżmy, że badacz chce zbadać związek między satysfakcją pracownika (grupy sprzedażowej) a sprzedażą organizacji.

Zebrał informacje zwrotne od pracowników w formie kwestionariusza i poprosił ich o ocenę poziomu zadowolenia w skali 10-punktowej, gdzie 10 jest najwyższą, a 1 najniższą. Badacz wziął dane dotyczące sprzedaży dla każdego poszczególnego członka grupy sprzedaży. On / ona bierze średnią miesięczną sprzedaż na rok dla każdej osoby.

Zebrane dane są uporządkowane w tabeli 2:

Średnie obliczenie zadowolenia pracowników (X) i sprzedaży jest następujące:

Jest to równanie regresji, w którym badacz może przyjąć dowolną wartość X, aby znaleźć oszacowaną wartość Y.

Na przykład, jeśli wartość X wynosi 9, wówczas wartość Y oblicza się w następujący sposób:

Y = -1, 39 + 1, 61X

Y = -1, 39 + 1, 61 (9)

Y = 13.

Za pomocą poprzedniego przykładu można stwierdzić, że jeśli pracownik jest zadowolony, wówczas jego / jej wydajność wzrośnie.

b. Wielokrotna regresja:

Odnosi się do badania związku między więcej niż jedną zmienną niezależną i zależną.

W przypadku dwóch zmiennych niezależnych i jednej zmiennej zależnej do obliczenia regresji wielokrotnej stosuje się następujące równanie:

Y = a + b1X1 + b2X2

Gdzie Y (zmienna zależna) = szacunkowa wartość Y dla danej wartości X1 i X

X1 i X2 = Zmienne niezależne

b1 = Kwota zmiany w Y spowodowana zmianą jednostki w X

b2 = Kwota zmiany Y wytworzona przez zmianę jednostki w X2

a, b1 i b2 = Stałe

Równania użyte do obliczenia wartości aib są następujące:

Liczba równań zależy od liczby zmiennych niezależnych. Jeśli istnieją dwie niezależne zmienne, byłyby trzy równania i tak dalej.

Nauczmy się obliczać regresję wielokrotną za pomocą przykładu. Załóżmy, że badacz chce zbadać związek między odsetkiem pośrednim, odsetkiem ukończenia szkoły i percentylem MAT grupy 25 studentów.

Należy zauważyć, że procent pośredni i procent podziałki są zmiennymi niezależnymi, a percentyl MAT jest zmienną zależną. Badacz chce dowiedzieć się, czy percentyl w MAT zależy od procentu pośredniego i ukończenia studiów, czy nie.

Zebrane dane pokazano w tabeli 3:

Równania wymagane do obliczenia regresji wielokrotnej są następujące:

Te równania są używane do ręcznego rozwiązywania równania regresji wielokrotnej. Możesz jednak również użyć SPSS, aby znaleźć regresję wielokrotną.

Jeśli użyjemy SPSS w poprzednim przykładzie, otrzymamy dane wyjściowe przedstawione w tabeli 4:

Tabela 5 pokazuje podsumowanie modelu regresji. W tej tabeli R jest współczynnikiem korelacji między zmiennymi niezależnymi i zależnymi, który w tym przypadku jest bardzo wysoki. Kwadrat R pokazuje, że duża część zmienności modelu wynika z możliwości zatrudnienia w danym stanie. Standardowy błąd oszacowania jest dość niski i wynosi 1, 97. Wskazuje również, że zmienność obecnych danych jest mniejsza.

Tabela 6 pokazuje współczynniki modelu regresji:

Tabela 6 pokazuje, że obliczona wartość t jest większa niż wartość t istotności. Zatem współczynniki pokazują związek przyczynowo-skutkowy między zmiennymi niezależnymi i zależnymi.

Tabela 7 pokazuje tabelę AN OVA dla dwóch badanych zmiennych:

Tabela 7 pokazuje analizę zmienności w modelu. Wiersz regresji pokazuje zmienność występującą z powodu modelu regresji. Jednak wiersz resztkowy pokazuje zmianę, która wystąpiła przypadkowo. W tabeli 7 wartość sumy kwadratów dla rzędu regresji jest większa niż wartość sumy kwadratów dla rzędu resztkowego; dlatego większość odmian jest produkowana wyłącznie na podstawie modelu.

Obliczona wartość F jest bardzo duża w porównaniu do wartości istotności. Dlatego możemy powiedzieć, że procent pośredni i procent ukończenia szkoły mają silny wpływ na percentyl MAT u studenta.

Równania równoczesne:

Zaangażuj kilka równań.

Istnieją dwa typy zmiennych zawartych w tym modelu, które są następujące:

ja. Zmienne endogenne:

Odwołaj się do danych wejściowych określonych w modelu. Są to zmienne kontrolowane.

ii. Zmienne egzogeniczne:

Sprawdź dane wejściowe modelu. Przykładami są czas, wydatki rządowe i warunki pogodowe. Te zmienne są określane poza modelem.

W celu opracowania pełnego modelu najpierw określane są zmienne endogenne i egzogeniczne. Następnie gromadzone są niezbędne dane dotyczące zarówno zmiennych egzogennych, jak i endogennych. Czasami dane nie są dostępne w wymaganej formie, dlatego należy je dostosować do modelu.

Po opracowaniu niezbędnych danych model jest szacowany za pomocą odpowiedniej metody. Wreszcie model jest rozwiązany dla każdej zmiennej endogenicznej pod względem zmiennej egzogenicznej. W końcu dokonano prognozy.

Inne miary statystyczne :

Oprócz metod statystycznych istnieją inne metody prognozowania popytu. Miary te są bardzo specyficzne i stosowane tylko dla określonych zestawów danych. Dlatego nie można uogólnić użycia dla wszystkich rodzajów badań.

Miary te pokazano na rycinie 14:

Różne rodzaje miar statystycznych (jak pokazano na rysunku 14) omówiono w następujący sposób:

iii. Numer indeksu:

Odnosi się do miar zastosowanych do badania wahań zmiennej lub grupy powiązanych zmiennych w odniesieniu do okresu / okresu bazowego. Są one najczęściej używane w badaniach ekonomicznych i finansowych do badania różnych czynników, takich jak cena i ilość produktu. Czynniki odpowiedzialne za problem są identyfikowane i obliczane.

Istnieją głównie cztery rodzaje numerów indeksów, które są następujące:

za. Prosty numer indeksu:

Odnosi się do liczby, która mierzy względną zmianę jednej zmiennej w stosunku do roku bazowego.

b. Złożony numer indeksu:

Odnosi się do liczby, która mierzy względną zmianę w grupie powiązanych zmiennych w odniesieniu do roku bazowego.

do. Numer indeksu cen:

Odnosi się do liczby, która mierzy względną zmianę ceny towaru w różnych okresach.

re. Numer indeksu ilościowego:

Odnosi się do liczby mierzącej względną zmianę fizycznej ilości towarów wyprodukowanych, skonsumowanych lub sprzedanych za towar w różnych okresach.

Analiza szeregów czasowych: Odnosi się do analizy serii obserwacji w okresie równych odstępów czasu. Na przykład analizując rozwój firmy od momentu jej założenia do obecnej sytuacji. Analiza szeregów czasowych ma zastosowanie w różnych dziedzinach, takich jak sektor publiczny, ekonomia i badania.

Istnieją różne składniki analizy szeregów czasowych, które są następujące:

za. Tendencja świecka:

Odnosi się do trendu oznaczonego literą T i występującego przez pewien czas. Świecki trend dla serii danych może być w górę lub w dół. Trend wzrostowy pokazuje wzrost zmiennej, takiej jak wzrost cen towarów; mając na uwadze, że tendencja spadkowa pokazuje fazy malejące, takie jak spadek liczby chorób i sprzedaż konkretnego produktu.

b. Oscylacja w krótkim czasie:

Odnosi się do trendu, który utrzymuje się przez krótszy czas.

Można go podzielić na trzy następujące trendy:

1. Trend sezonowy:

Odnosi się do trendu oznaczonego literą S i pojawia się rok po roku dla określonego okresu. Przyczyną takich trendów są warunki pogodowe, festiwale i inne zwyczaje. Przykładami trendów sezonowych są wzrost zapotrzebowania na wełnę zimą i wzrost sprzedaży słodyczy w pobliżu Diwali.

2. Trend cykliczny:

Odnosi się do trendu oznaczonego literą C i trwa dłużej niż rok. Cykliczne trendy nie mają charakteru ciągłego ani sezonowego. Przykładem trendu cyklicznego jest cykl koniunkturalny.

3. Nieregularny trend:

Odnosi się do trendu oznaczonego przez I, który jest krótki i nieprzewidywalny z natury. Przykładami nieregularnych trendów są trzęsienia ziemi, wybuchy wulkanów i powodzie.

Analiza drzewa decyzyjnego:

Odnosi się do modelu używanego do podejmowania decyzji w organizacji. W analizie drzewa decyzyjnego rysowana jest struktura typu drzewa, aby wybrać najlepsze rozwiązanie problemu. W tej analizie najpierw odkrywamy różne opcje, które możemy zastosować, aby rozwiązać konkretny problem.

Następnie możemy sprawdzić wynik każdej opcji. Te opcje / decyzje są powiązane z węzłem kwadratowym, a wyniki są przedstawiane za pomocą węzła okręgu. Drzewo decyzyjne powinno przepływać od lewej do prawej.

Kształt drzewa decyzyjnego pokazano na rysunku 15:

Pozwól nam zrozumieć działanie drzewa decyzyjnego na podstawie przykładu. Załóżmy, że organizacja chce zdecydować o rodzaju segmentacji w celu zwiększenia bazy klientów.

Ten problem można rozwiązać za pomocą drzewa decyzyjnego pokazanego na rysunku 16:

Na rysunku 16 drzewo decyzyjne pokazuje dwa rodzaje segmentacji, a mianowicie segmentację demograficzną i segmentację geograficzną. Teraz przeanalizujemy wyniki tych dwóch segmentacji. Aby przeanalizować segmentację demograficzną, firma musi ponieść koszty 40 000 S (szacunkowy koszt). Wynik segmentacji demograficznej może być dobry, umiarkowany i zły.

Szacowane przychody prognozowane na trzy lata dla trzech opcji (dobra, umiarkowana i słaba) są następujące:

Dobra = 21500000 $

Umiarkowana = 950000 $

Słaby = S300000

Prawdopodobieństwa przypisane do wyników wynoszą 0, 4 dla dobra, 0, 5 dla umiarkowanego i 0, 1 dla złego.

Teraz obliczamy wyniki segmentacji demograficznej w następujący sposób:

Dobry = 0, 4 * 2100000 = 840000

Umiarkowana = 0, 5 * 950000 = 475000

Zły = 0, 1 * 300000 = 30000

Podobnie w przypadku segmentacji geograficznej poniesiony koszt wynosi 70000 USD (koszt szacunkowy). Wynik segmentacji geograficznej może być dobry i zły.

Szacowane przychody prognozowane na trzy lata dla dwóch opcji (dobra i słaba) są następujące:

Dobra = 1350000 $

Słaby = 260000 $

Prawdopodobieństwa przypisane do wyników wynoszą 0, 6 dla dobrych i 0, 4 dla biednych.

Teraz obliczamy wyniki segmentacji geograficznej w następujący sposób:

Dobra = 0, 6 * 1350000 = 810000 $

Zły = 0, 4 * 260000 = 104000 $

Teraz przeanalizujemy dwa wyniki przy podejmowaniu decyzji o wybraniu jednej z dwóch segmentacji w następujący sposób:

W przypadku segmentacji demograficznej:

Dobra = 840000-40000 = 800000 $

Umiarkowana = 475000-40000 = 435000 $

Zły = 30000-40000 = $ (10000)

Podobnie w przypadku segmentacji geograficznej:

Dobra = 810000-70000 = 740000 $

Zły = 104000-70000 = 340000 $

Jak wynika z obliczeń, jeśli wybierzemy segmentację demograficzną, wówczas maksymalny szacowany zysk wyniesie 800000 USD. W segmentacji demograficznej istnieją szanse na poniesienie strat (10 000), jeśli produkt nie odniesie sukcesu na rynku.

Jeśli wybierzemy segmentację geograficzną, maksymalny szacowany zysk wyniesie 740000 USD. W segmentacji geograficznej osiągnęlibyśmy mniejszy zysk (S 340000), jeśli produkt nie odniesie sukcesu na rynku. Dlatego lepiej jest stosować segmentację geograficzną do marketingu produktu, ponieważ nie wiąże się to z żadną stratą.

 

Zostaw Swój Komentarz