Диплом: Excel - финансовый контроль и планирование - текст диплома. Скачать бесплатно.
Банк рефератов, курсовых и дипломных работ. Много и бесплатно. # | Правила оформления работ | Добавить в избранное
 
 
   
Меню Меню Меню Меню Меню
   
Napishem.com Napishem.com Napishem.com

Диплом

Excel - финансовый контроль и планирование

Банк рефератов / Программирование

Рубрики  Рубрики реферат банка

закрыть
Категория: Дипломная работа
Язык диплома: Русский
Дата добавления:   
 
Скачать
Архив Zip, 75 kb, скачать бесплатно
Заказать
Узнать стоимость написания уникальной дипломной работы

Узнайте стоимость написания уникальной работы

Финансовый контроль и пл анирование с помощью Excel Введение. В люб ом учебнике по планированию вы найдете перечень элементов , необходимых для успешного хозяйственного планирования , вклю чая утверждение основной задачи , разработку с тратегии , целей и тактики . Необходимым условие м определения вышеперечисленных формальных эле м ентов является точное понимание направления развития компании , цель хозяйственной деятельности и способ ее достижения. Неотъемлемой частью этого условия являетс я понимание методов достижения намеченных цел ей и , следовательно , построения ясной картины получ ения прибыли компании . В ходе хозяйственного планирования практически невозможно не принимать во внимание фактор прибыли . Лишь очень немногие компании могут позво лить себе вкладывать капитал без надежды на финансовое вознаграждение . Начиная новое д ело , ну ж но определить свою основну ю цель , например , таким образом : "Обеспечивать клиентов мотоциклами и соответствующим обору дованием высокого качества на конкурентоспособно м уровне и получать при этом максимальную прибыль ". Подавляющее большинство компаний ст ара е тся определить наиболее выгодное соотношение между удовлетворением потребностей клиентов и получаемой в конечном итоге прибылью. В нашем примере намеченная цель являе тся основанием для развития данного бизнеса : обеспечение клиентов высококачественными мото циклами . Причем компания не намерена п роизводить или давать мотоциклы напрокат , а именно продавать их . Кроме того , получать прибыль планируется , продавая мотоциклы по конкурентноспособным ценам , а не продавая спе циализированное оборудование на небольшом с п ециализированном рынке. Несомненно , процесс планирования включает в себя намного больше компонентов , чем пр едусматривается несколькими вышеперечисленными понят иями именно они наиболее ярко демонстрируют , что в основе успешного финансового плани рования лежи т бизнес-планирование . Если не определить точно , чего хотите достичь в результате своей хозяйственной деятельности и каким именно образом намерены это сдела ть , вы не сможете составить конкретных фин ансовых планов. В данной курсовой работе рассматривают ся принципы финансового планирования и составление бюджетов компании , а также описыв ается , каким образом прогноз и перспективные оценки создают единую основу для такого планирования. В подготовке теоретической части данно й работы неоценимую помощь оказали та кие справочные издания по Excel, как работы Ни льсена Д . "Microsoft Excel 97", Колесникова А . "Excel 97", Рогова И . "Excel 97 для пользователя ", Скобара В.В . и Скобара А.В . "Возможности Excel 7.0 для аудитора и бухгалтер а ". В этих работах я почерпнула общи е сведения о финансовом планировани и и об установлении финансового контроля на предприятии . Наиболее интересными в подгот овке практической части работы мне показались следующие книги : Картыгин С.,Тихонов А ., Дол голаптев В ., Ильина М ., Тихонов И . "Электронн ы й офис ", Карлберг К . "Бизнес-анализ с помощью Excel", Карминский А.М . и Нестеров П.В . "Информатизация бизнеса ". Составление бюджета компании и циклы планирования Разработка планов финансовой деятельности предприятия Основной целью финансового планировани я является понимание и прогнозирование финансового будущего вашего предприятия . Финанс овое прогнозирование применяется для перспективн ой оценки бизнес-планов , определения потребностей будущего финансирования и разработки внутрен него текущего бюджета компа н ии . Пр огнозирование финансового будущего компании обыч но осуществляется на основе планов финансовой деятельности . (План финансовой деятельности , п о сути , является просто перспективной оценкой . Например , предварительный баланс отображает ожидаемое состояни е активов и пасси вов предприятия на конец определенного период а .) Планы финансовой деятельности создаются н а основе анализа финансовой деятельности комп ании за предыдущий период , а также при использовании отчетов о доходах и расходах компании за это же врем я , балансо в и др . Существует множество подходов к разработке таких планов , начиная от простых расчетов на салфетке и заканчивая дорого стоящими компьютеризированными комплексами , используе мыми для предсказания финансового будущего пр едприятия . Однако , неза в исимо от п рименяемого подхода , основная цель остается в се той же : разработать реальный и полезный финансовый прогноз финансовой деятельности к омпании. При создании плана финансовой деятельност и необходимо принимать во внимание три ва жнейших аспекта , оказыв ающих влияние на эту деятельность. Традиционно (исторически ) сложившаяся среда и тенденции изменения рынка. Информация о возможных переменах (наприме р , ваш конкурент намерен расположиться в д вух кварталах от вас ). Основные цели бизнеса (вы планируете в ывес ти на рынок новый продукт или же сократить расходы на 5%). Как уже указывалось , существует множество подходов к разработке планов финансовой деятельности компании . Перечисленные выше аспекты подразумевают горизонтальные подходы : они сф окусированы на изменен иях , происходящих с течением времени . Существует также ряд ве ртикальных подходов , при которых внимание сос редоточивается на отдельных промышленных группах. Например , вы хотите определить , насколько выручка за проданный товар в процентном отношении к нетто- продажам вашей комп ании соответствует этому показателю в других компаниях , работающих водной отрасли промышл енности . Преуспевающие компании одной и той же промышленной группы часто характеризуются тем , что основные показатели , подобные этому , у них пример н о одинаковы . Так им образом , сравнение таких данных , рассчитанн ых конкретно для вашего предприятия , со ср едним показателем отрасли промышленности может оказаться весьма полезным . Если вы обнаружи те , что коэффициент соотношения стоимости к продажам по сравн е нию со средн им показателем по отрасли у вас завышен , это , несомненно , должно вызвать тревогу и , вероятно , привести к тому , что вы предпр имете меры по снижению себестоимости товара. Информацию об основных средних относитель ных показателях по разным отраслям пром ышленности может получить каждый желающий . Мо жет случиться и так , что сравнение показат елей вашей компании с этими данными может ввести вас в заблуждение и направить по ложному пути . Предположим , вы работаете в местной телефонной компании . Решив срав н ить результаты деятельности вашей компании со средними показателями других ф ирм , работающих в области телекоммуникаций , вы будете сравнивать свои данные с данными компаний , предоставляющих услуги сотовой свя зи и кабельного телевидения ; провайдерами меж дуг о родней связи ; фирм , предлагающих потребителю услуги высокоскоростных линий , и т.д . Не забывайте , что , скорее всего , фина нсовая структура вышеперечисленных фирм будет значительно отличаться от вашей , поэтому лю бое сравнение может дать неверные результаты . З десь может помочь вертикальный анализ , но и его необходимо проводить с огромной осторожностью. В отличие от вертикального анализа , пр и горизонтальном сравниваются только данные д еятельности вашей компании с учетом их из менения во времени . Фактически , ваша комп ания может рассматриваться в качестве своей же контрольной группы . Хотя этот вид анализа и требует такого же внимания , что и вертикальный , тем не менее он относ ительно прост и может весьма эффективно и спользоваться при планировании финансовых резуль та т ов . В следующем разделе более подробно описывается горизонтальный анализ , базирующийся на прогнозе , составленном ни осн ове степени объема продаж. Прогнозирование на основе дан ных о степени объема продаж Подход к прогнозированию с применением данных об об ъеме продаж основывается на том , что хозяйственная деятельность комп ании часто напрямую связана с объемом дол ларовых продаж . Увеличение объема продаж долж но привести к появлению дополнительных денежн ых средств на банковском счете , возрастанию суммы переме н ных издержек , админист ративных расходов и др . Объем продаж являе тся основой для большинства других показателе й. Метод прогнозирования на основе показател я степени объема продаж включает несколько этапов. 1. Анализ традиционно сложившихся тенденций изменен ия рынка и взаимосвязь финанс овых показателей . (Например , на протяжении неск ольких лет изменяемые издержки составляли в среднем 7% от общего объема продаж .) 2. Составление прогноза относительно исходно го показателя , т.е . объема продаж , на следую щий плановы й период , скажем , на год. 3. Подсчет будущих расходов и доходов на основании их соотношения с объемом продаж на протяжении последних лет . Если в следующем году вы планируете увеличить о бъем продаж на 3%, то разумно запланировать такое же повышение комиссио нного сбора за продажу. 4. Планирование финансовой деятельности комп ании на основе данных о планируемом объем е продаж и расходов. Пример. "Светлана " – это небольшая компания , спец иализирующаяся на тиражировании офисных канцеляр ских принадлежностей и каталого в . Она существует на протяжении восьми лет , с тог о момента , как была зарегистрирована Суховым Александром Николаевичем , который приобрел а ктивы за счет банковского займа и собстве нных капиталовложений . Предположим , что "Светлана " разрабатывает план финанс о вой де ятельности на 1998 год . Это делается с целью предварительной оценки годовых издержек и финансовых результатов будущего года , а так же для определения направления оперативных ре шений , которые придется принимать компании в начале следующего года. Прежде всего следует просмотреть уж е существующие финансовые отчеты компании о линиях тренда , структурах и взаимосвязях показателей . Основу для планового обзора сост авляют методы проведения сводного анализа дох одности и анализ коэффициентов . Например , на рис .1 и 2 изображены соответственно от чет о доходах и расходах компании и б алансо вый отчет компании "Свет лана " за 1995 – 1997 годы. На основании этих рабочих листов спец иалистам "Светланы " следует определить финансовые тенденции (тренд ), структуру и соотношение п оказателей . Хотя в их распоряжении и имеется большое количество различных ана литических методов и показателей , однако при планировании бюджета очень важно сосредоточи ть внимание на исходных аспектах хозяйственно й деятельности , примерами которых могут служ и ть показатели роста прибыли и увеличения оборотного капитала . Итак , специалис т "Светланы " выбирает в качестве исходного показателя рост прибыли и применяет процент от продаж в качестве основного показател я . На рис .3 изображены те же самые фина нсовые отчет ы , что и на рис .1, но уже с разбиением компонентов по объема м продаж . При этом каждый компонент отчета указан не только в денежном выражении , но и в виде процентов от объема пр одаж. Имея в наличии небольшое количество д анных (например , информацию о продажах за три года существования компании ), было бы крайне неразумно планировать рост объема продаж только на их основании . В данном случае можно воспользоваться методом Ехсе l, в основе которого лежат временные выборочн ые "снимки ", например методом скользящего с реднего либо методом , базирующимся на регрессии , скажем , с использованием функц ии ТЕНДЕНЦИЯ или графической линии тренда . Во всех этих случаях вы получите опред еленный ответ , но слишком полагаться на не го не следует. Но чему же верить ? Ответом может с тать возможность обобщения . При проведении анализа , в результате которого собранные данные будут применены для неизвестной ситуац ии (например , для планирования доходов от продаж в следующем году ), вы делаете логич еское предположение , что будущее станет , в осно в ном , повторять прошлое . Если при анализе вы основывались на большом ко личестве исходных данных , это предположение б удет намного более справедливым , чем если бы их было несколько . Если исследовать баз овую линию данных , то вы , вероятно , заметит е , что доход о т продаж прошлых лет служил хорошим основанием для прогноза доходов на последующие годы . Однако , если эта базовая линия слишком коротка (наприм ер , в нашем случае она отражает показатели всех трех лет ), в результате вы можете получить данные о тенденциях , к оторые , несмотря на свою внешнюю правдоподобн ость , уведут вас в совершенно неверном нап равлении. В ситуации , отображенной на рис .1 – 3, следует постараться получить дополнительные д анные , например следующие. Подтверждается ли предположение , что ваше предприя тие будет давать результаты , отслеживаемые вами до сих пор ? Как обстоят дела у ваших конкурентов : они увеличивают или сокращают объемы ? Пр едпринимаются ли ими шаги по перетягиванию ваших клиентов ? Не произошло ли каких-либо технических изменений , ускоряющи х либо тормозящих р азвитие вашего бизнеса ? Каково текущее положение ваших нынешних клиентов : предполагает ли оно , что клиент ы будут покупать вашу продукцию ? И будут ли покупать именно у вас ? Не намерены ли вы начать выпуск н овых видов продукции либо прекра тить выпуск старой ? Каковы тенденции развития рынка сбыта вашей продукции ? Падает или повышается спро с ? Ответы на подобные вопросы в совокупн ости с фактическими результатами прошедших ле т дадут компании "Светлана " разумные основания предполагать , что рост дохода от пр одаж в 1998 году будет несколько выше , чем в 1997 году . Специалисты "Светланы " считают , что для этого существуют следующие причины : у величилась клиентура , сложились более мягкие экономические условия и была успешно проведен а новая рекламная к а мпания. На следующем этапе надо составить про гноз издержек , основываясь при этом на тра диционном процентном показателе объема продаж и применив его к планируемой сумме дох ода в 1998 году . Такой прогноз показан на рис .4. Компоненты , подлежащие изменениям пр и изменении объемов нетто-продаж , имеют процент ные показатели в столбце В . Другие составн ые части , например , исходные товарно-материальные запасы , арендная плата и амортизация , вкл ючаются в пока затели наилучшей оценки в конце предшествующего периода. До си х пор прогнозирование происх одило вполне удовлетворительно , однако , изучив отчеты о доходах и расходах компании з а 1995 – 1997 годы , мы видим тревож ную тенденцию. Основную ч асть дохода "Светлана " получает от тиражирован ия , а это зачастую требует наличия сп ециального запаса бумаги . За три года "Светлана " закупила бумаги в объемах , намного превосходя щих потребности конкретного заказа . Это было сделано с целью снижения переменных издержек , поскольку более крупные закупки означают меньшие зат раты на единицу про дукции . Кроме того , компания рассчитывала , что клиент сделает еще заказ , на выполнение которого и буд ет использован остаток данного товарного запа са. К сожалению , этого не произошло . Товар но-материальные запасы бумажной продукции "Светлан ы " на протяжении в сех трех лет неу клонно возрастали и уже превысили рост об ъема продаж . На рис .3 показано , что товарно-м атериальные запасы к концу года возросли с 92 903тыс.руб . до 129 190 тыс.руб . (другими словами , п очти на 40%), тогда как объем нетго-продаж уве личился с 3 49 595 тыс.руб . до 389 864 тыс.руб .(т.е . всего на 11%). На рис .4 показано , что , если не будут приняты меры , товарно-материальн ые запасы на конец 1998 года составят 136 425 тыс.р уб. Какое же влияние на предварительный б аланс на 1998 год и планирование доход ов и расходов "Светланы " будет иметь изменен ие процедуры закупок ? Специалисты знают , что значительная часть объема их продаж связана со способностью компании предоставлять клиентам услуги по выполнению отдельных заказов . Сорок процентов заказов , полученных компанией , достались ей потому , что она была готова приобрет ать необходимые для выполнения специальных за казов запасы материалов , закупать материалы б ольшими партиями и изменять цену , взимаемую с клиента. Компания не может точно знать , когда ее клиенты на мерены сделать следующи е заказы ( позволяющие "Светлане " использовать уже приобрет ены товарно-материа льные запасы ), но предполагает , что в опред еленный момент это случится . А тем времене м остается лишь один выход : сократить объе мы новых закупок товарно-мате риальных зап асов до тех пор , пока заказы постоянных клиентов не позволят использовать уже имею щиеся запасы материалов . Такой шаг может п ривести к замещению роста уровня товарно-мате риальных запасов. Компании "Светлана " следует предпринять ме ры по расширени ю клиентуры . Однако , ес ли сократятся товарно-материальных запасы , это ограничит способность компании работать по специальным заказам новых клиентов . Таким о бразом , процесс сокращения имеющихся запасов компании до более управляемого уровня непреме нно приве д ет к понижению уровня объема продаж . Разумно ли такое решение ? Проведя исследования , компания "Светлана " у знает , к какому результату приведет сокращени е в 1998 году закупок запасов на 50%, по пред варительным данным – с 97951 тыс.руб . до 98 976 тыс. руб .. Сп ециалисты прогнозируют , что объем нетго-продаж снизится с 411 696 тыс.руб . до 247 018 тыс.р уб .. Большинство издержек , за исключением расхо дов на арендную плату помещения и амортиз ацию оборудования (они обычно не изменяются в зависимости от показателя нетт о -продаж ), сократятся пропорционально этому показателю . Планируемый результат показан на рис . 5 (предварительный отчет о доходах и ра сходах ) и рис .6 (предварительный баланс компании ). При сокращении закупок запасов вдвое объем нетто-продаж снизится на 40%, а чистый доход уменьшится на 92%, т.е . на 69 658 тыс.руб . Это весьма значительные изменения финансового состояния предприятия . Для того чтобы снизи ть расходы на заработную плату в соответс твии с сокращением нетто-продаж , придется увол ить одного служащего – очень серь езный шаг в области кадровой политики для такой небольшой компании , как "Светлана ". В общем и целом издержки будут пр евышать доходы , получаемые от исправления пол ожения дел в товарно-материальных запасах ком пании . Именно такого итога можно ожид а ть , если текущее решение оказывает такое с ильное влияние на методы , применяемые компани ей в работе с клиентами. Делать анализ с помощью Ехсе l достаточ но просто , намного проще , чем принимать от дельное бизнес-решение . Здесь задача заключается в создании раб очего листа , содержащего традиционные данные для отчета о доходах и расходах компании и баланса . После этого получить процентные показатели не соста вит большого труда . Например , чтобы получить значение – 100%, указанное в ячейке G4 (см . ри с . 3), надо ввес т и следующую формулу : = D4/$D$4 Затем следует скопировать эту формулу и вставить ее в ячейки G6:G11 и G13:G23. Абсолютна я ссылка ($D$4) указывает , что знаменателем данной формулы всегда будет значение ячейки В 4, а числитель будет изменяться в зависимости от того , в какую ячейку вставляется эта формула . Так , например , вставив ее в ячейку G6, вы получите следующую формулу : = D4/$D$4. Чтобы получить значение , указанное в с толбце F(см . рис . 3), введите в ячейку F4 следующ ую формулу : =(В 4+С 4+D4)/($В $4+$С $4+$D$4) ' После чего скопируйте и вставьте э ту формулу в ячейки F13:F23. Существует еще одна версия данной формулы : = СРЗНАЧ (В 6/$В $4;С 6/$С $4;D6/$D$4) Если скопировать вторую версию формулы и вставить ее в другие строки листа , она назначит значение , равное каждом у из трех рассматриваемых в данном случае лет . Первая версия формулы присваивает бо льшее значение году , в котором , например , р асходы на рекламу в соотношении с нетто-пр одажами были больше. После ввода этой формулы для проверки влияния изменений объемов нет то-продаж на издержки , чистый доход компании и су мму капитала , потребуется лишь изменить значе ния объема нетто-продаж . Поскольку все остальн ые категории отчета о доходах и расходах компании и ее баланса напрямую зависят от этого показателя , Ехсе l будет из м енять их соответственно. Проведение анализа чувствительнос ти После создания в Ехсе l пред варительного отчета о доходах и расходах компании на следующий год , вы можете воспо льзоваться им для проведения анализа различны х финансовых сценариев . Оценка возможн ых изменений в предварительных финансовых отчет ах может помочь определить возможность и степень будущего риска . Рассматриваемый нами пример с компанией "Светлана " продемонстрировал , что может случиться , если объем продаж снизится на 40%. Выводы в данном с л учае строятся на основе предположения о том , что большинство сумм расходов не пременно изменятся в результате изменений в объемах нетто-продаж. Однако представляется целесообразным внимате льно рассмотреть также и само это предпол ожение . Возможно , вам захоче тся спрогнозир овать , какое влияние может оказать снижение в будущем году суммы выручки на 10% на чистый доход компании . Или вы , например , захотите узнать , сможете ли удержаться в с воей рыночной нише , если один из ваших поставщиков повысит цены на 20%. Есл и вам надо внести какое-либо единичное изменение в план финансовой деят ельности , это удобнее сделать , внеся его н епосредственно в изменяемую ячейку , а не т ратить время на выполнение операций со ср едством Диспетчер сценариев. Например , можно поменять значен ие ячейки С 6 (см . рис .4): = ОКРУГЛ (В 6*$В $1;0) которое равняется 197 951 тыс.руб ., на : = ОКРУГЛ (В 6*$В *1,2;0) которое указывает , что при повышении п оставщиком цены на 20% запланированная сумма рас ходов на закупку товарно-материальных запасов составит 237 54 1 тыс.руб . Результатом этого буде т снижение объема чистого дохода с 75 861 тыс.р уб до 36 271. тыс.руб Это действие может дать вам намного больше информации , чем данные о том , что ваш чистый доход может сократиться почти на 40 000 тыс.руб . Существует и друг ой способ прогнозирования изменений в сумме чист ого дохода : принять во внимание , что повыш ение затрат на закупки товарно-материальных з апасов приведет к снижению этого показателя на 52% (1х 36 271 тыс.руб /75 861 тыс.руб ). Все это док азывает , что чистая пр и быль компан ии очень сильно зависит от цены поставок , – ваш доход практически полностью во власти цен ваших поставщиков. Переходим от планов финансово й деятельности к составлению бюджета компании Предварительный отчет о доходах и рас ходах компании можно п реобразовать в бюджет компании на будущий год . Такой отче т представляет собой прогноз , а бюджет при меняется для планирования , координации и упра вления операциями компании . Периоды времени , н а которые составляется бюджет , могут варьиров аться . В зависимости от таких факт оров , как потребность в информации , структура сбыта (например , сезонные пики и падения в сравнении с тенденциями стабильного сб ыта ), операционные методы и финансовая структу ра , компания может разработать годовой , поквар тальный или помесячный б юджеты. Предположим , что компания "Светлана " хочет составить поквартальный текущий бюджет на 1998 год , основанный на предварительном отчете о доходах и расходах на этот год . Тако й поквартальный бюджет показан на рис .7. Квартальный бюджет , подобно плану фин ансовой деятельности , основывается на пре дположении о том , что основным фактором , в лияющим на расходы предприятия , является объе м продаж . Так получилось , что доходы обсуж даемой нами фирмы имеют несколько сезонный характер : традиционно 20% продаж приходитс я на первый квартал , 40% – на второй , 25% – на третий и 15% – на четвертый . Ч тобы соответствующим образом распределить объем плановых годовых продаж по четырем кварт алам , необходимо ввести следующие данные : в ячейку С 3: = 0,2*В 3 в ячейку D3: = 0,4*В 3 в яче йку Е 3: = 0,25*В 3 в ячейку F3: = 0,15*В 3 Эти формулы распределяют общую сумму запланированного дохода по кварталам с учетом процентных показателей по каждому кварталу за предшествующие годы. Уровень товарно-материальных запасов на н ачало каждого следующе го квартала повторя ет уровень этих запасов на конец предыдущ его квартала. Закупки материалов в течение каждого квартала представляют собой функцию общей сум мы плановых закупок на год и объема н етто-продаж по кварталам . Формула в ячейке С 6 (закупки материал ов в первом кварта ле ) такова : = $В 6*С $3/$В $3 Данная формула представляет объем прогноз ируемых закупок материалов на год (ячейка В 6), распределенный пропорционально ежеквартальному процентному показателю нетто-продаж (ячейка С 3) в объеме годовых нетто-прода ж (ячейка В 3). Используя в формуле смешанные ссылки , копирование и вставку из ячейки С 6 в ячейки D6:F6, можно преобразовать соответствующим о бразом ссылку на квартальные нетто-продажи яч ейки С 3 к ячейкам D3:F3. Товары , готовые к продаже , – это т оварно-мате риальные запасы на начало квар тала плюс закупки , осуществленные в течение данного квартала. Прогнозируемые товарно-материальные запасы на конец квартала основываются на сумме мат ериалов , готовых к продаже , за вычетом сум мы выручки . Выручка также является ф ун кцией нетто-продаж . Например , формула для опред еления количества товаров , готовых к продаже , представленная в ячейке С 9, имеет вид : = $В 9+С $3/$В $3 Следующим планируется объем товарно-материаль ных запасов на конец квартала , который выч исляется по следующе й формуле : = С 7-С 9 Сумма валовой прибыли рассчитывается путе м вычитания суммы выручки из суммы нетто-п родаж . Например , запланированную валовую прибыль в первом квартале получаем с помощью с ледующей формулы : = СЗ-С 9 Ежеквартальные расходы предварительно оце ниваются путем распределения годовых расх одов пропорционально процентным показателям покв артальных нетто-продаж от общей суммы нетто-пр одаж . Так , например , расходы на рекламу в первом квартале можно предварительно рассчитат ь помощью следующей формулы : = $В 12*С $3/$В $3 И опять-таки , при использовании смешанных ссылок эта формула может быть скопирован а и вставлена в остаток диапазона С 15:С 19, после чего значения , содержащиеся в ячей ках , будут откорректированы . Предполагается , что строки 13 и 14, содержащие пок азатели расхо дов на аренду помещения и износ оборудова ния , при изменении объема нетто-продаж остаютс я неизменными ; они предварительно рассчитываются на основе самых последних данных (доступн ых на конец предшествующего периода ). Общие издержки получаются пу тем с уммирования всех расходных статей каждого ква ртала , а сумма налогов предварительно оценива ется как 25% от текущего дохода (валовая приб ыль минус расходы ). Чистый доход рассчитываетс я путем вычитания из суммы валовой прибыл и суммы общих издержек и сум м ы налогов. Теперь предположим , что компания "Светлана " желает равномернее распределять свои операц ии по кварталам . Хотя показатели ежеквартальн ых неттопродаж будут продолжать носить сезонн ый характер , существует возможность получить от клиентов в первом кв артале предвар ительные сметы о планируемых заказах на в торой , третий и четвертый кварталы . В этом случае можно ровнее сбалансировать рабочую загрузку предприятия , что позволит избежать дополнительных расходов на оплату сверхурочн ой работы во время самого н апря женного второго квартала. Согласно предварительной оценке специалистов "Светланы ", эти дополнительные расходы в т ечение года составят около 10 000 тыс.руб .. На р ис .8 представлены результаты , которые можно дос тичь при более равномерном распределении раб очей загрузки по кварталам. Во-первых , закупки товарно-материальных запасов , указанные на рис .3, равномерно распределены между всеми четырьмя кварталами . Это сделан о на основе предположения о том , что з агрузка предприятия будет постоянной , вследствие чего восполнение товарно-материальных запас ов также должно носить постоянный характер. Во-вторых , запланировано снижение расходов по заработной плате с 99 630 тыс.руб до 90 000 тыс .руб . Это означает , что специалисты компании хотят уменьшить расходы на выплату з а выполнение сверхурочных работ . Кроме того , выплаты по заработной плате (см . ри с .8) – также постоянная величина для всех четырех кварталов . Это достигается с помо щью изменения формулы в ячейке С 17: = $G17/4 Данная формула копируется и вставляется в ячейки D17:F17. Выполнение таких корректировок приводит к нижеследующим результатам. В результате экономии выплат за выпол нение сверхурочной работы чистый годовой дохо д возрастает на 7 223 тыс.руб. Суммы чистого дохода по кварталам становятся менее равномерными . Это происходи т потому , что валовой доход в каждом к вартале остается неизменным , а поквартальные расходы снижаются , причем во втором квартале – весьма значительно – почти на 25%. Большинство вычислений измененных итогов 1998 года , указанных в столбце G, представляют собой не что иное , как сумму покварталь ных показателей . К вычислениям товарно-материальны х запасов это , однако , не относится : за начальную сумму товарно-материальных запасов бере тся сумма начальных товарных запасов первого квартала , а в качес т ве показа теля уровня запасов на конец отчетного пе риода – данный показатель на конец четве ртого квартала . Ценой реализации является сум ма уровня запасов на начало отчетного пер иода и закупок . А выручка представляет соб ой разницу между ценой и стоимостью т о варно-материальных запасов на конец отчетного периода. Приведенный выше пример иллюстрирует , как им образом можно применить текущий бюджет для планирования и составления графика рас ходов , что в конечном итоге приведет к повышению доходности вашей компании. Ка мы убедились , простое сокращение издержек н а покрытие расходов по оплате сверхурочной работы служащих может привести к весьма ощутимому повышению чистого дохода предприятия. Однако может оказаться удобным распределя ть чистый доход не только на основани и доли нетто-продаж , выраженной в проц ентах . Предположим , что компания "Светлана " полу чила большой заем , который должна погасить в конце второго квартала . При более рав номерной сбалансированности рабочей загрузки чис тый доход на конец второго квартала пов ы сится с 62% от суммы годового ч истого дохода до 67% от этого же показателя . Однако компании "Светлана " необходимо иметь эту дополнительную сумму раньше , чтобы восп ользоваться ею для погашения займа. Это , конечно , не единственный пример п олучение прибыли ка к результата преобразо вания плана финансовой деятельности предприятия в текущий бюджет . Например , если специали сты планируют , что доход компании в течени е следующего года повысится на 10%, то следов ало бы определить конкретные цели для каж дой номенклатуры продукции на каждый квартал , а то и на каждый месяц . О кончательное повышение может произойти только в декабре , что , вероятнее всего , окажет з начительное влияние на экономическое состояние компании , поскольку в результате этого повы шения могут произойти из м енения с остояния таких важнейших экономических показател ей , как баланс денежных поступлений за дек абрь , уровень товарно-материальных запасов , штат сотрудников предприятия и др . Можно сказать , что составление бюджета – это процесс преобразования планов фин а нсовой деятельности в планы , способные помочь упра влять компанией и максимально увеличивать ее доходы. Сравнение фактических результатов с персп ективными оценками поможет определить , действител ьно ли компания движется в правильном нап равлении по пути дости жения основных целей хозяйственной деятельности и выполнения задач , намеченных этими финансовыми прогнозами . Сопоставление бюджетов поможет сосредоточить внимание на основных возможностях и препят ствиях , встречающихся на этом пути . Например , если поставщи к значительно повышает цены на свои товары , то вы , скорее всего , захотите подыскать другого . Увеличение спроса на продукцию предприятия приведет к тому , что нужно будет повысить продажную цену или внести изменения в график д вижения запасов . Таким образом , б юдже т может служить сигнальным средством для принятия текущих финансовых решений. Приведение бюджета в соответс твие с бизнес-планом Циклы планирования крупных компаний обычн о весьма обширны . Сначала вышестоящее руковод ство разрабатывает многолетние бизне с-планы , затем менеджеры составляют текущие планы д остижения стратегических целей предприятия , после чего для определения количества и качест ва этих планов создаются предварительные отче ты о финансовой деятельности . И , наконец , н а основе предварительных о т четов о финансовой деятельности разрабатываются бюджет ы. Обычно используется три вида бюджетов. Оперативные бюджеты служат для планирован ия доходов и расходов с целью обеспечения достижения запланированного уровня чистого д охода. Кассовые бюджеты прогнози руют денежны е поступления и выплаты в определенный пе риод времени . Кассовые бюджеты помогают опред елить , следует ли заняться поиском инвестиций извне либо каких-либо других источников в нешнего финансирования. Бюджеты капиталовложений представляют заплан иро ванные программы капиталовложений (либо прирост фиксированных активов ) в течение оп ределенного периода. В процессе составления бюджетов скрываетс я множество ловушек . Один из примеров – трата слишком большого количества времени на рассмотрение возможных ре зультатов множества сценариев , различия между которыми совсем незначительны . Такие действия обременитель ны и не слишком повышают качество анализа . Другая ловушка заключается в том , что вы можете позволить проблемам бюджета отвл ечь ваше внимание от основны х з адач хозяйственной деятельности . Следует помнить , что составление бюджета является не цель ю , а средством . Требуется также постоянно следить за выполнением бюджета . При правильно м использовании бюджетов , они могут обеспечит ь компании пути планирования , к о ор динирования и управления ее деятельностью , то гда как неправильное применение может привест и к пустой трате времени и отвлечению внимания от основных направлений развития вашего предприятия. В том случае , если возникает потребнос ть в планах на период , пре вышающий один год , очень удобны многолетние бизнес-пл аны и предварительные отчеты о финансовой деятельности . Например , бизнес-планы полезны , ког да стоит вопрос о том , следует или нет продолжать инвестировать средства в конкретн ое предприятие ; или надо узн а ть прогноз доходов , которые предполагают получить от определенного вида продукции в течени е последующих пяти лет . Долговременные прогно зы зачастую оказывают большое влияние на текущие и финансовые планы . Финансовые планы должны простираться за пределы наи б олее значимого периода планирования вашег о бизнеса. Прогнозирование и перспективы Для оценки будущих доходов на основе показателей прошедших периодов используют ме тод прогнозирования . При этом возникает необх одимость в оценке некоторых количественных ха ра ктеристик , например , таких как распредел ение издержек и количество служащих. К сожалению , многие компании слишком и мпровизируют при составлении прогнозов доходов и не используют новых эффективных способов прогнозирования при планировании своей хозяй ственно й деятельности . С помощью Ехсе l можно прогнозировать изменения многих переменных величин , если , конечно , у вас есть при емлемая базовая линия для составления прогноз а. Если ваш бизнес связан с телекоммуник ациями , то вы , вероятно , станете прогнозировать шири ну полосы частот , необходимую для обеспечения связи ваших пользователей с удаленными компьютерными системами. Если вы управляете определенной производс твенной линией , то наверняка будете прогнозир овать количество единиц продукции , которое пр едполагаете про дать . Такой вид прогноза способен помочь определить ресурсы , необходимые для поддержания деятельности , например , такие как установка оборудования , складские помеще ния и обеспечение технического обслуживания. Если вы являетесь менеджером отдела п о обслужива нию клиентов , то для вас очень важно иметь возможность прогнозировать увеличение количества клиентов . На основании такого прогноза вы можете , например , принять решение о том , что необходимо изменить штат сотрудников , чтобы обеспечить новые по требности фир м ы. Для начала необходимо убедить ся , что базовая линия действительно хороша Базовая линия представляет соб ой числовое выражение результатов наблюдений , проводимых на протяжении длительного периода времени . С точки зрения прогнозирования , сущ ествует четыре важнейших характеристики баз овых линий. Базовая линия включает в себя результ аты наблюдений – начиная самыми ранними и заканчивая последними. Все временные периоды базовой линии и меют одинаковую продолжительность . Не следует смешивать данные , например , за один день со средними трехдневными показателями . На практике незначительные отклонения можно игнор ировать . Например , в феврале и марте разно е количество дней , однако эта незначительная разница в два – три дня обычно не учитывается в базовых линиях , постро е нных на основе ежемесячных резул ьтатов наблюдений. Наблюдения фиксируются в один и тот же момент каждого временного периода . Напри мер , при составлении базовой линии на осно ве еженедельных результатов , следует фиксировать данные только в один и тот же де нь недели. Пропуск данных не допускается . Пропуск даже одного результата наблюдений нежелателен при прогнозировании , поэтому , если в ваши х наблюдениях отсутствуют результаты за незна чительный отрезок времени , постарайтесь восполнит ь их хотя бы приблизительным и данными. Если ваша базовая линия отвечает всем четырем вышеупомянутым требованиям , то у вас гораздо больше шансов составить точный прогноз. Прогнозы с применением метода скользящего среднего Метод скользящего среднего применять дост аточно несложно , од нако он слишком про ст для создания точного прогноза . При испо льзовании этого метода прогноз любого периода представляет собой не что иное , как п олучение среднего показателя нескольких результа тов наблюдений временного ряда . Например , если вы выбрали сколь з ящее среднее за три месяца , прогнозом на май будет среднее значение показателей за февраль , ма рт и апрель . Выбрав в качестве метода прогнозирования скользящее среднее за четыре месяца , вы сможете оценить майский показатель как среднее значение показателей за январь , февраль , март и апрель. Вычисления с помощью этого метода дов ольно просты и достаточно точно отражают изменения основных показателей предыдущего перио да . Иногда при составлении прогноза они эф фективнее , чем методы , основанные на долговрем енных н аблюдениях . Например , вы составляет е прогноз объема продаж давно и хорошо освоенной вашим предприятием продукции , причем средний показатель объема за последних н есколько лет составляет 1000 единиц . Если ваша компания планирует значительное сокращение шта т а торговых агентов , логично предпол ожить , что среднемесячный объем реализации бу дет сокращаться , по крайней мере на протяж ении нескольких месяцев. Если для прогнозирования объема продаж в будущем месяце вы воспользуетесь средним значением данного показателя за послед ние 24 месяца , то , вероятно , получите результат , несколько завышенный по сравнению с фактич еским . Но если прогноз будет составлен на основании данных всего лишь за три п оследних месяца , то он намного точнее отра зит последствия сокращения штата т о рговых агентов . В данном случае прогно з будет отставать по времени от фактическ их результатов всего на один-два месяца , к ак это показано на рис . 9. Разумеется , это происходит потому , что при применении скользящего среднего за три последних месяца каждый из трех показ ателей (за этот временной период ) отвечает за одну треть значения прогноза . При 24-меся чном скользящем среднем показатели этих же последних месяцев отвечают только за 1/24 част ь значения прогноза. Таким образом , чем меньше число резуль татов набл юдений , на основании которых вычислено скользящее среднее , тем точнее он о отражает изменения в уровне базовой лин ии. Пример. Предположим , вы – менеджер отдела обс луживания клиентов фирмы , специализирующейся на разработке программного обеспечения . На днях в ы получили от внештатной сотрудницы сообщение по электронной почте , в котором она известила вас , что в последнее врем я ей постоянно звонят клиенты с жалобами на новые программы вашей фирмы . Вы пр осите ее зарегистрировать все жалобы , поступа ющие в течение д вух недель и сообщить вам результаты. Полученный по истечении этого времени отчет включает ежедневное количество звонков с жалобами на конкретный программный проду кт . Эти данные вы вводите в рабочий ли ст Ехсе l, расположив их в ячейках А 1:А 10, как показано на рис .10. Чтобы понять , существует ли какая-либо определенная тенден ция поступления жалоб , вы создаете на осно ве средних данных о полученных звонках ск ользящее среднее (см . рис .10). Вы решаете воспользоваться трехдневным ск ользящим средним . Почему за тре хдневный период ? Ответ на этот вопрос таков : скол ьзящее среднее за меньший период может не отразить тенденцию , а за более продолжите льный период слишком сгладит ее . Одним из способов создания скользящего среднего в Ехсе l является прямое введение формулы . Т аким образом , чтобы получить трех дневное скользящее среднее количества телефонных звонков , вы вводите : = СРЗНАЧ (А 1:А 3) в ячейку В 4, а затем с помощью средства Автозаполнение копируете и вставляете эту формулу в ячейки В 5:В 10 (см . рис .10). В данном случае (и это видно из рисунка ) показатель скользящего среднего дей ствительно имеет тенденцию к увеличению , поэт ому поставьте в известность о тревожной с итуации руководство отдела тестирования продукци и вашей компании. Составление прогнозов с помощ ью надстроек скользящего среднего Другим способом применения скользящего ср еднего является использование надстройки Пакет анализа . Установить эту надстройку можно сл едующим образом. 1. Выберите команду Сервис-Надстройки. 2 Появится диалоговое окно Надстройки . У стано вите флажок опции Пакет анализа и щелкните на кнопке ОК. 3. При необходимости активизируйте рабочий лист , содержащий данные о вашей базовой линии. 4. В меню Сервис вы обнаружите новую команду Анализ данных . Выберите команду С ервис-Анализ данных. 5. Появитс я диалоговое окно Анализ данных , в котором содержатся все доступные функции анализа данных . Из списка выберит е инструмент анализа Скользящее среднее и щелкните на кнопке ОК. 6. Появится диалоговое окно Скользящее с реднее. 7. В поле Входной интервал набери те данные о вашей базовой линии либо укажите диапазон в рабочем листе , ссылка н а него появится в этом поле. 8. В поле Интервал введите количество месяцев , которые хотите включить в подсчет скользящего среднего. 9. В поле ввода Выходной интервал вве дите адр ес ячейки , с которой хотите начать выход (либо просто щелкните на э той ячейке в рабочем листе ). 10. Щелкните на кнопке ОК. Ехсе l выполняет вместо вас работу по внесению значений в формулу для вычислен ия скользящего среднего . Значения скользящего среднего н ачинаются со значений #Н /Д , которые равны значению указанного вами и нтервала минус один . Это делается из-за не достаточного количества данных для вычисления среднего значения нескольких первых результато в наблюдений . На рис .11 показан результат вы числения с кользящего среднего для д анных , приведенных на рис .9, с интервалом в 3 периода. Как выполнить вычисления с использованием скользящего среднего Ехс е l Как правило , прогноз с применением ско льзящего среднего рассматривается как прогноз на период , непосредст венно следующий за периодом наблюдения . Например , вы вычисляете скользящее среднее доходов от продаж по результатам трех месяцев , и последние дан ные наблюдений в базовой линии включают р езультаты за январь , февраль и март . Средн ее значение этих трех данны х об ычно считаются скользящим средним для апреля , т.е . первого месяца , непосредственно следующег о за результатами наблюдения. Однако надстройка для вычисления скользящ его среднего (линия тренда ) связывает прогноз с конечными результатами наблюдений в ко нкре тном среднем значении . Сравните , напри мер , рис .9, на котором скользящее среднее по лучено путем введения формул непосредственно в рабочий лист , с рис .11, составленным с помощью надстройки для вычисления скользящего среднего . Заметьте , что каждый показатель скользящего среднего на рис . 11 сдви нут на одну позицию по сравнению с ри с .9. Это значит , что в данном примере пр огнозом для третьего периода является значени е 550, т.е . первое вычисленное скользящее среднее. Нелогично рассматривать некое число в качестве прогноза на период , на основ е которого составлялся этот прогноз . В ста ндартной интерпретации значение 550 является прогно зом не на третий , а на четвертый месяц. Удобнее всего вводить формулы вручную . Однако существует и другое решение : когда будет вычислен о скользящее среднее , в ыделите все эти значения и сместите их на одну строку листа вниз . Это действие присоединит прогнозы именно к тем период ам , с которыми они связаны. Составление прогнозов скользящего среднего с помощью диаграмм Вы можете изменить форм у представ ления информации , создав график , в котором данные базовой линии используются для того , чтобы продемонстрировать линию тренда скользящ его среднего . Однако при этом может возник нуть проблема : на графике не показаны факт ические числовые значения ск о льзящего среднего . Кроме того , у него есть еще один недостаток , о котором уже упоминалос ь раньше : прогноз создается на один времен ной период раньше . Причем в этом случае вы не сможете исправить ситуацию , так к ак не существует возможности изменить располо ж е ние линии тренда графика. Если эти недостатки вам не слишком мешают , то можете вычислить скользящее сред нее , выполнив следующие шаги. 1. Выделите данные своей базовой линии. 2. Щелкните на кнопке Мастер диаграмм , расположенной на стандартной панели инструм ентов , либо выберите команду Вставка-Диагр амма-На новом листе . Если вам больше нрави тся первый способ , нажмите и , не отпуская правой кнопки мыши , выделите область на рабочем листе , в которой вам бы хотел ось увидеть график. 3. На первом шаге работы средства Мастер диаграмм проверьте правильность ссылок на ячейки базовой линии и щелкните н а кнопке Далее. 4. На втором шаге выберите тип диагра ммы График и щелкните на кнопке Далее. 5. На третьем шаге выберите вид графи ка , включающий как линии , так и маркеры , нап ример , вид 1, 4 или 5. Щелкните на кно пке Далее. 6. На четвертом шаге установите переключа тель В столбцах опции Ряды данных находят ся . Установите параметры опций Считать стлб . метками оси х или Считать стр . метками легенды . Щелкните на кнопке Далее. 7. На последнем шаге работы мастера определите названия диаграммы и осей , а также необходимость отображения легенды в соответствующих полях диалогового окна . Щелкнит е на кнопке Готово. 8. Если вы решили вставить диаграмму непосредственно в рабочий лист , щелкните на диаграмме дважды , чтобы открыть ее д ля редактирования. 9. Выделите ряд данных диаграммы , а за тем выберите команду Вставка-Линия тренда. 10. В появившемся диалоговом окне Линия тренда щелкните на корешке вкладки Тип . Выберите линию тренда Скользящее сре днее , а затем – необходимые периоды с пом ощью счетчика Точки . Период – это количес тво наблюдений , которое включается в любое вычисление скользящего среднего. 11. Щелкните на кнопке ОК. Закончив выполнение вышеперечисленных действ ий , вы увидите на графике л инию тр енда скользящего среднего (вместе с фактическ ими данными наблюдений ), как это показано на рис .12. Первых несколько показателей скользящ его среднего отсутствуют по той же причин е , по которой средство Скользящее среднее возвращает вместо этих показат е лей #Н /Д . Дело в том , что скользящее сред нее , включающее данные трех предшествующих на блюдений , не может быть вычислено до тех пор , пока не будет закончено наблюдение за третьим периодом. Прогнозирование о помощью фун кций регрессии Ехсе l Простое скользяще е среднее является быстрым , но довольно неточным способом вы явления общих тенденций временного ряда . Пере двинуть границу оценки в будущее по време нной оси можно с помощью одной из фун кций регрессии Ехсе l. Каждый из методов регрессии оценивает взаимосвязь м ежду фактическими данными наблюдений и другими параметрами , которые з ачастую являются показателями того , когда был и сделаны эти наблюдения . Это могут быть как числовые значения каждого результата наблюдения во временном ряду , так и дат а наблюдения. Составл ение линейных прог нозов : функция ТЕНДЕНЦИЯ Использование функции рабочего листа ТЕНД ЕНЦИЯ – это самый простой способ вычисле ния регрессионного анализа . Предположим , результат ы наблюдений внесены в ячейки А 1:А 10, а дни месяца расположены в ячейках В 1:В 10, как на рис .13. Выделите ячейки С 1: С 10 и введите следующую формулу , используя формулу массива : = ТЕНДЕНЦИЯ (А 1:А 10;В 1:В 10) и получим результат , показанный на рис .13. Рассматривая данный метод прогнозирования , следует обратить особое внимание на следую щие мом енты. Каждый результат в ячейках С 1:С 10 п олучится на основе одной и той же фор мулы массива , внутри которой "спрятано " более сложное выражение . В данном случае формула имеет следующий вид : Ячейка С 1: = 9,13 + 0,61*1 Ячейка С 2: = 9,13 + 0,61*2 Ячейка С 3: = 9,13 + 0,61*3 Значение 9,13 представляет собой длину отрез ка , отсекаемого на оси ординат линией прог ноза , т.е . значение прогноза в начальный мо мент . Значение 0,61 равно угловому коэффициенту л инии прогноза , другими словами , значения прогн оза изменяются в результате изменений д ат проведения наблюдений. Поскольку все значения прогноза составляю тся на основе одних и тех же показате лей отрезка , отсекаемого на оси ординат , и углового коэффициента , прогноз не отражает происходящих изменений во временном ряду . Н апример , данные ряда резко изменяются между восьмым (10) и девятым результатами наблюд ений (16). Это изменение влияет на все значен ия прогноза , даже значение прогноза временног о отрезка (2), хотя и располагается на шесть результатов наблюдений раньше , чем это изменение фактически произошло. В данном примере функция ТЕНДЕНЦИЯ вы числяет прогноз , основанный на связи между фактическими результатами наблюдений и числами 1 – 10, которые могут отражать либо первых десять дней месяца , либо первых десять месяцев го да . Ехсе l выражает первый аргумент как аргумент известные значения-у фу нкции ТЕНДЕНЦИЯ , а второй – как аргумент функции известные-значения-х. Уже упоминалось , что регрессивный анализ позволяет производить перспективную оценку б олее удаленного будущего . Одн ако регресси вный прогноз , пример которого приведен на рис .13, распространяется за пределы данных самог о последнего фактического наблюдения . Но на практике желательно составить прогноз хотя бы на первый , следующий за этим , период временного ряда (т.е . на т о т , для которого еще нет результатов наблюдени я ). Дальше описывается , как это можно сдела ть с помощью функции ТЕНДЕНЦИЯ. Применяя данные рабочего листа , представл енные на рис .13, введем в ячейку В 11 число 11, а в ячейку С 11 – следующее : = ТЕНДЕНЦИЯ (А 1:А 10;В 1:В 10;В 11) На рис .14 продемонстрированы описанные выше действия . Первый аргумент – А 1:А 10 – определяет данные наблюдений базовой линии (известные-значения-у ); второй аргумент – В 1:В 10 – определяет временные моменты , в к оторые эти данные были получены (изве с тные-значения-х ). Значение 11 в ячейке В 11 является новым-значением-х и определяет время , которое связывается с перспективной оценкой. Формула фактически говорит о следующем : "Если известно , каким образом у-значения в диапазоне А 1:А 10 соотносятся с х-знач ениями в диапазоне В 1:В 10, то какой резу льтат у-значения мы получим , зная новое х-з начение временного момента , равное 11?". Полученное значение 15,87 является прогнозом на основе фак тических данных на пока еще не наступивши й одиннадцатый временной отсчет. Кроме того , существует возможность одновр еменного прогнозирования данных для нескольких новых временных моментов . Например , введите числа 11 – 24 в ячейки В 11:В 24, а затем в ыделите ячейки С 11:С 24 и введите с помощ ью формулы массива следующее : = ТЕНДЕНЦИЯ ( А 1:А 10;В 1:В 10;В 11:В 24) Ехсе l вернет в ячейки С 11:С 24 прогноз на временные моменты с 11 по 24. Данный п рогноз будет базироваться на связи между данными наблюдений базовой линии диапазона А 1:А 10 и временными моментами базовой линии с 1 по 10, указанными в я чейках В 1:В 10. Составление нелинейного прогноза : функция РОСТ Функция ТЕНДЕНЦИЯ вычисляет прогнозы , осн ованные на линейной связи между результатом наблюдения и временем , в которое это наблюдение было зафиксировано . Предположим , что вы составляете линейны й график данных , на вертикальной оси которого отмечаете р езультаты наблюдений , а на горизонтальной фик сируете временные моменты их получения . Если эта взаимосвязь носит линейный характер , то линия на графике будет либо прямой , либо слегка наклоненной в од н у или другую сторону , либо горизонтальной . Это и будет лучшей подсказкой о том , ч то взаимосвязь является линейной , и поэтому в данном случае функция ТЕНДЕНЦИЯ – с амый удобный способ регрессивного анализа. Однако , если линия резко изгибается в одном из напр авлений , то это озна чает , что взаимосвязь показателей носит нелин ейный характер . Существует большое количество типов данных , которые изменяются во времени нелинейным способом . Некоторыми примерами таких данных являются объем продаж новой проду кции , прирос т населения , выплаты по основному кредиту и коэффициент удельной прибыли . В случае нелинейной взаимосвязи фу нкция Ехсе l РОСТ поможет вам получить боле е точную картину направления развития вашего бизнеса , чем при использовании функции ТЕ НДЕНЦИЯ. Пример. Пре дставим , что менеджер по закупк ам отдела "Книга-почтой " недавно разослал клиен там новый каталог , рекламирующий роман , получи вший очень высокую оценку критиков . Менеджер считает , что следует заранее заказать доп олнительное количество экземпляров , чтобы не о казаться в ситуации , когда книга закончится раньше , чем перестанут приходить заявки на нее , менеджер начал отслеживать ежедневные заказы на роман , и регистриров ать объемы продаж , как это показано на рис .15. На рис .15 демонстрируется , каким образом фактичес кие и прогнозируемые данные фи ксируются в стандартном линейном графике . Пос кольку линия имеющихся в наличии товаров резко изгибается вверх , менеджер принимает ре шение составить прогноз с использованием функ ции РОСТ . Как и при использовании функции ТЕНДЕНЦ И Я , пользователь в данном случае может генерировать прогнозы , просто подставляя новые-значения-х . Чтобы спрогнозировать результаты 11 – 13 недель , следует ввести эти числа в ячейки В 12:В 14, а затем с помощью формулы массива в диапазон ячеек С 2:С 14 ввести с л едующее : = РОСТ (А 2:А 11;В 2:В 11;В 2:В 14) В ячейках С 12:С 14 приведены значения предварительной оценки количества заказов , кото рое может ожидать менеджер в последующие три недели при условии , что текущая тенден ция роста останется неизменной . Однако следуе т учит ывать , что такой оптимистичный п рогноз на практике , вероятно , претерпит опреде ленные изменения . Если при вычислении прогноз а количество планируемых заказов превысит кол ичество клиентов , от него , скорее всего , сл едует просто отказаться. А что было бы , если бы в вышеприведенном примере вместо функции РОСТ и спользовалась функция ТЕНДЕНЦИЯ ? В этом случа е , поскольку аргумент известные-значения-х носит линейный характер , функция ТЕНДЕНЦИЯ выдаст линейные значения . Из рис .16 видно , что ря д ТЕНДЕНЦИЯ в столбце С о п исы вает прямую графика ; кривая РОСТ намного т очнее отражает тенденцию первых десяти резуль татов наблюдений , чем линия ТЕНДЕНЦИЯ. И все же в функции РОСТ нет р овным счетом ничего магического – просто она является очень удобным способом получе ния специфическ их логарифмических результато в . Натуральный логарифм не описывает всех нелинейных рядов – он может спрогнозировать квадратичный тренд или даже кубический . В таких случаях следует чаще прибегать к помощи функции ТЕНДЕНЦИЯ , поскольку при это м обеспечивается лучший контроль над вашими прогнозами. Регрессивный анализ с помощью диаграмм Иногда возникает необходимость провести р егрессивный анализ непосредственно на графике , без введения в рабочий лист значений д ля прогноза . Это можно сделать с помощью графическо й линии тренда методом , во многом сходным с методом получения прогн оза с применением скользящего среднего на основе графика. Постройте диаграмму на основе данных , содержащихся в ячейках А 2:А 25 (рис .17). Дважды щелкнув мышью на диаграмме , получим возмо жност ь ее редактировать . Щелкнем на ря де нужных данных для его выбора . После этого выполним следующие шаги. 1. Выберем команду Вставка-Линия тренда. 2. Выберем тип линии тренда Линейная. 3. Щелкнем на корешке вкладки Параметры. 4. В поле Вперед на введем количе ство желаемых периодов , на протяжении которых линия тренда будет проложена вперед. 5. При желании , можем установить флажок опции Показывать уравнение на диаграмме . В результате уравнение для прогноза разместитс я на графике в виде текста . Ехсе l может распол ожить уравнение таким образом , что оно перекроет некоторые данные графика или линии тренда (либо , частично , само ур авнение ). В этом случае выделите уравнение , щелкнув на нем мышью , а затем перетащите его в другое , более удобное место . б . Щелкнем на кнопке ОК. В отличие от линии тренда Скользящее среднее , с помощью линии тренда Линейная можно вернуть значения прогноза и , если специально указано , показать их на диагра мме. Прогнозирование с использованием функции экспоненциального сглаживания Сглаживание – это способ , обеспечив ающий быстрое реагирование прогноза на все события , происходящие в течение периода про тяженности базовой линии . Методы , основанные н а регрессии , такие как функции ТЕНДЕНЦИЯ и РОСТ , применяют ко всем точкам прогноза одну ту же формулу. По этой при чине достижение быстрой реакции на сдвиги в уровне базовой линии значительно затрудн яется . Сглаживание представляет собой простой способ обойти данную проблему. Разработка перспективных оценок с применением метода сглаживания Основная идея пр именения метода сглаживания состоит в том , что каждый новый прогноз получается посредством перемещения предыдущего прогноза в направлении , которое дало бы лучшие результаты по сравнению со старым прогнозом . Базовое урав нение имеет следующий вид : F[t+1] = F [t] + а х е [t], t – временной период (например , 1-й ме сяц , 2-й месяц и т.д .); F[t] – это прогноз , сделанный в момент времени t; F[t+1] отражает прогноз во временной период , следующий непосредственно за моментом времени t; + а – константа сглаживания ; + е [t] – погрешность , т.е . различие между прогнозом , сделанным в момент време ни t, и фактическими результатами наблюдений в момент времени t. Таким образом , константа сглаживания явля ется самокорректирующейся величиной . Другими слов ами , каждый новый прогноз пред ставляет собой сумму предыдущего прогноза и поправо чного коэффициента , который и передвигает нов ый прогноз в направлении , делающем предыдущий результат более точным. Использование средства Экспоненци альное сглаживание Методы прогнозирования под названием "сглаживание " учитывают эффекты выброса функции намного лучше , чем способы , использующие регрессивный анализ . Ехсе l непосредственно поддерж ивает один из таких методов с помощью средства Экспоненциальное сглаживание в надстр ойке Пакет анализа. С помощью с редства Экспоненциально е сглаживание можно создать прогнозы , аналоги чные приведенным на рисунке 18.Для вычисления каждого прогноза Ехсе l использует отдельную , но алгебраически эквивалентную формулу . Оба компонента – данные предыдущего наблюдения и предыду щ ий прогноз – каждог о прогноза умножаются на коэффициент , отображ ающий вклад данного компонента в текущий прогноз. Активизировать средство Экспоненциальное сгл аживание можно , выбрав команду Сервис-Анализ д анных после загрузки надстройки Пакет анализа . Приме р. Представим , что вы руководите агентством по прокату автомобилей , расположенным в р айоне Скалистых гор . По мере приближения з имы вы начинаете отслеживать поступление заяв ок клиентов на транспорт , снабженный багажник ами для перевозки лыж . Через несколько дней после проведения исследований в вашей местности выпадает очень много снега и , как и следовало ожидать , количество в ышеупомянутых заявок резко возросло . Итак , на десятый день наблюдения вам нужно узнать , сколько автомобилей , оборудованных багажником д л я лыж , необходимо приготовить , чтобы полностью удовлетворить спрос в один надцатый день. Согласно данному сглаженному прогнозу , дл я удовлетворения потребностей клиентов на оди ннадцатый день необходимо иметь 16 или 17 автомоб илей с багажниками для лыж . Такая оц енка отражает как общий уровень данных ба зовой линии , так и увеличение количества з аявок , произошедшее на восьмой день наблюдени й . Фактическое число заявок в одиннадцатый день может упасть на несколько единиц в результате огромного количества причин , н а чиная от изменения погодных усло вий и заканчивая повышением цены на авиаб илеты . Прогноз с использованием сглаживания п озволяет наиболее выгодно сбалансировать "наплыв " заявок со средним показателем количества заявок в течение всего десятидневного пери ода. Необходимо обратить внимание на то , чт о , отражая повышение в базовой линии , прои зошедшее на восьмой день , значение прогноза на девятый день также увеличивается (см . рис .19). Чем меньше фактор затухания , тем точне е отражает прогноз последние данные наблюден ий , а чем больше , – тем сильнее будет отставание прогноза от этих данных . Хорошие результаты получаются тогда , когда последние результаты наблюдений отражают произво льные (случайные ) явления , которые долго не изменяют общего уровня временного ряда. Выбор константы сглаживания Следует избегать использования параметра Фактор затухания , который меньше значения 0,7. Ес ли создается впечатление , что при большем значении константы сглаживания средство Экспонен циальное сглаживание действует значительно лучше , то , вероятнее всего , это происходит благодаря высокому уровню автокорреляции во в ременном ряду. Автокорреляция является очень важным пара метром процесса прогнозирования . Он наблюдается в тех случаях , когда существует зависимость между данными наблюдений , пол ученными в определенное время , и данными наблюдений , полученными на несколько временных периодов раньше . Например , если вы объедините кажд ый результат наблюдения с результатом , непоср едственно предшествующим ему , то сможете вычи слить корреляцию между этим и двумя наборами данных . Значение корреляции , которое , скажем , не меньше 0,5, означает высокий уров ень автокорреляции во временном ряду. Определение уровня качества Как известно , один из путей увеличен ия дохода состоит в повышении качества пр одукции . Если товары имеют одинаковые по требительские характеристики , но один из них произведен известной фирмой , покупаемость та ких товаров будет выше , нежели товаров , из готовленных менее известными компаниями . Само собой разумеется , что на продукцию высокого качества поступает меньше жалоб пот ребителей , меньше заявок о бесплатном сервисн ом обслуживании и гарантийном ремонте . При низком качестве продукции снижается уровень доходности , и в результате – уменьшается прибыль. Невозможно отрицать и тот факт , что уровень обсл уживания покупателей также оказывает значительное влияние на коэффициент прибыли . Если сотрудники отдела обслуживания клиентов слишком много времени уделяют о дному покупателю , это означает , что другие клиенты на время забыты и , возможно , уже планируют пок у пку у другого пр одавца . Если счет-фактура составлен небрежно и ли неправильно , это обычно приводит к заде ржке денежных поступлений ; если отдел сервисн ого обслуживания заказывает ненужные запасные части , это неизменно станет причиной увелич ения текущих изде р жек . Кроме того , если качество закупаемого сырья слишком высоко , то и себестоимость продукции , скорее всего , будет также слишком высока. Этими процессами можно управлять с по мощью Ехсе l. Единственное , что для этого ещ е понадобится , – база данных. Применен ие статистического метода управления В основе СМУ (статистического метода у правления – statistical process control) положена идея , смысл кото рой заключается в том , что в течение о пределенного периода времени можно выполнять наблюдения , снимать показания и на основ е полученных данных определять , не вышел л и данный процесс из-под контроля . К таким наблюдениям относятся следующие показатели. Количество бракованных единиц продукции , выявленных в течение всего производственного цикла. Среднее количество брака в партии готовой продукции. Среднее количество запасных частей произв одимого изделия , которое должно соответствовать специфике и требованиям стандартов. Среднее количество ошибок в счете-фактуре. Среднее время , в течение которого клие нты ожидают обслуживани я. Средняя пропускная способность компьютерной сети вашего предприятия. Ключевые фразы : в течени е определенного периода времени , средний , выхо д из-под контроля. Фраза в течение определенного периода времени означает , что СМУ осн ован на повторяющемся проце ссе , в ходе которого показатели фиксируются регулярно – еженедельно , ежедневно , почасово и т.д . Выб ор частоты процесса наблюдения зависит от того , насколько точно вы хотите им упра влять. Если данный процесс статичен и очень важен для успешной деятельности вашего предприятия , то вы , скорее всего , останови те свой выбор на почасовом фиксировании д анных . Например , если компания производит кера мическую плитку , то цвет глазури при выход е продукции из печи для обжига является очень важным параметром для клиентов. Термин средний означает , что СМУ зачастую зависит от выборочного контроля нескольких единиц про дукции в любой момент времени . Предположим , вы решили проверить счета-фактуры , которые подготавливает отдел счетов дебиторов , на нал ичие ошибок . Проверка каждого документа была бы длительным и дорогостоящим мероприяти ем ; но в то же время , проверяя , скажем , по одному счетуфактуре в день , вы , ск орее всего , не получите более или менее точного результата. В подобных случаях СМУ подразумевает произвольную контрольную п роверку , а для оценки процесса за определенный период в ремени используется средний показатель этой п роверки . Можно , например , производить контрольную проверку пяти счетов-фактур в день и использовать для расчетов среднее количество ошибок , выявленных в хо д е этой проверки. Можно также выполнять 100-процентную контрол ьную проверку . В этом случае вам придется проверять каждый элемент процесса , например , осуществить тестирование в производственном цикле каждой единицы продукции после окончан ия сборки изделия. В ыход из-под контроля означает , чт о СМУ оперирует информацией не только о среднем уровне процесса , а также и о его способности изменяться . Предположим , вы – начальник отдела обслуживания клиентов ком пании , предоставляющей финансовые услуги , и 20 с отруднико в вашего отдела занимаются приемом заказов клиентов по телефону . Вы организовываете проверку продолжительности шестнад цати телефонных разговоров в день , в резул ьтате которой узнаете , что средняя продолжите льность разговора составляет 2 мин 20 с. Время (140 с ), затрачиваемое на средний телефонный разговор , представляется вам впол не приемлемым показателем до тех пор , пока вы не заметите , что 12 разговоров продолжаю тся меньше 20 минут , а оставшиеся четыре из них – больше 6 мин каждый . Вероятно , в ам захочется в ы яснить причину так ого расхождения продолжительности разговоров . (Не личные ли это звонки ? А может служащи й заставляет ждать клиента , пока сам разыс кивает данные , которые должен иметь под ру кой ?) Заметьте , что о вышеупомянутом расхождени и в продолжительнос т и разговоров вы не смогли бы узнать , если бы получи ли только средний показатель этого значения. Использование х - и s-диаграмм Для того чтобы представить данные в наглядной форме , в статистическом методе управления обычно используются диагра ммы (рис .20,21 ). Диаграммы статического процесса бывают дв ух видов : одни отображают средние показатели процесса (х-диаграммы ), а другие – стандар тное отклонение (s-диаграммы ). Стандартное отклонение (standart deviation) – это мера вариации отдельных показателей относите л ьно среднего показателя . Стандартное отклонение аналогично понятию диапазона между максимальны м и минимальным значениями , однако имеет б олее гибкие характеристики : диапазон указывает только разницу между максимальным и минима льным результатами наблюдений, а стандартное отклонение учитывает абсолютно все результат ы наблюдений при определении изменчивости в группе показателей. На горизонтальной оси обеих диаграмм откладывается период времени (час , день , нед еля ), в течение которого был проведен конк ретный за мер результатов . На вертикальной оси хдиаграммы фиксируются средние значения выборочных замеров в конкретный момент в ремени , а на вертикальной оси s-диаграмм – показатели стандартного отклонения контрольного замера , произведенного в определенный момент вр е мени . Эти диаграммы называются х - и з-диаграммами потому , что в стати стике х является символом среднего значения , а s – символом стандартного отклонения. На рис . 22,23 к показателям , приведенным на рис . 20,21, добавлены три дополнительные характери стики. Н а диаграммы , изображенные на рис .22,23, нанесены три линии , позволяющие понять происходящий процесс . Эти горизонтальные линии называются верхним контрольным пределом (ВКП ), центральной линией (ЦЛ ) и нижним контрольны м пределом (НКП ). С помощью данных лини й можно проследить следующие зависи мости. Если слишком большое количество экспер иментальных точек находятся выше ВКП (либо ниже НКП ), это означает , что с процессом происходит что--то неладное. Если ряд экспериментальных точек находитс я между ЦЛ и ВКП (либо ЦЛ и . НКП ), это также означает , что процесс требу ет вмешательства. Если ряд экспериментальных точек имеет тенденцию повышения к ВКП , следует сделать вывод , что протекание процесса затруднено. Вы , конечно , понимаете , насколько полезной может оказаться эта информация . Она указывает не только на вероятность выхода процесса из-под контроля , но и на то , в какой именно момент это началось . С помощью диаграмм можно определить причину возникшей проблемы : возможно , изменение парамет ров процесса происходит всякий р аз при изменении штата (например , при пересм енке ). Причиной также может служить переход на зимнее время (или обратно ), при которо м служащие в течение нескольких дней прив ыкают к новому режиму работы . Появление оп ределенных проблем может быть связано с п он и жением температуры окружающей сред ы , в результате чего отопительная система вашего предприятия начинает работать интенсивнее , что приводит к попаданию большего количе ства пыли на чувствительное производственное оборудование. Но если вам известно о существо вании определенной проблемы , а также в ремя ее возникновения , это может помочь вы явить причину ее появления. Параметр ЦЛ является двойным средним значением . В х-диаграммах каждая точка предста вляет конкретный день , а среднее значение этой точки определяется на основе всех данных наблюдений , зафиксированных в этот день . Средние значения всех дней затем применяются для вычисления общего среднего – это и есть ЦЛ х-диаграммы . ЦЛ для з-диаграмм строится таким же образом , за и сключением того , что вычисления начин а ются со стандартного отклонения на ка ждый день , а затем определяется среднее зн ачение всех этих показателей. Зафиксировать отрицательные значения рассмот ренных выше параметров при реальных наблюдени ях невозможно , но в процессе вычислений с помощью СМУ могу т появиться отрицате льные значения НКП . В некоторых справочниках предлагается отрицательные НКП заменять нуле выми значениями . Чтобы было понятно , что В КП и НКП равноудалены от ЦЛ , на диагра ммах , приведенных в данной главе , допускается отрицательное значен и е НКП. В результате использования метода стандар тного отклонения было выявлено , что при от сутствии каких-либо нетипичных ситуаций в кру пносерийном производстве менее трех десятых о дного процента средних дневных значений измер яемых показателей (0,003) выше ВКП и ниже НКП. Поэтому , если производственный процесс пр отекает в обычном режиме , вы предполагаете , что только один результат наблюдений из 300 будет выходить за контрольные пределы . Есл и же количество этих результатов больше , т о имеются все основания пре дположить , что нормальный ход процесса нарушен. Как правило делают вывод , что данные наблюдений , выходящие за контрольные пределы , являются неудовлетворительными , т.к . постоянство – наиболее приемлемая характеристика процес са . Однако , в более широком плане так ие результаты свидетельствуют о нарушении ход а процесса . Например , вы обнаружили на диа грамме , что один результат наблюдений ниже нижнего контрольного предела . Это значит , чт о степень изменчивости отдельных данных наблю дений , произведенных в этот моме н т , очень низка . Плохо ли это ? На этот вопрос трудно ответить однозн ачно , так как многое зависит от характера процесса . Эго может , например , означать , чт о произошли какие-то изменения в методике фиксирования данных наблюдений . Это может так же означать , что все данные наблюдений были зафиксированы на одном оборудовании (л ибо одним специалистом ), в то время как другие выборки были взяты из результатов наблюдений , произведенных с использованием друг их компонентов процесса . Кроме того , это м ожет быть один из 300 случаев , который случайно вышел за контрольные пределы. Какой бы не была причина , на такие результаты наблюдений следует обратить особо е внимание. Пример. Предположим , ваша компания производит гиб кие диски , а вы занимаетесь контролем емко сти запоминающего устройства – дискет . Ежедневно производится большое количество единиц продукции , и проверка всех дискет практич ески невозможна . Поэтому вы решаете тестирова ть произвольную выборку (например , восемь диск ет ) из ежедневной партии изделий . Вы измер яете емкос т ь дискет в байтах и в результате десятидневных наблюдений получ аете результаты , приведенные на рис .24,25. На рис . 24,25 все выглядит прекрасно : все точки на обеих диаграммах расположены межд у ВКП и НКП , нет серьезных отклонений от центральной линии , и , по всей веро ятности , в полученных данных не просматривает ся никакой опасной тенденции. Теперь предположим , что диаграммы СМУ выглядят так , как показано на рис .26,27. Средний показатель емкости дискет , произв еденных 26/10/94, находится ниже уровня НКП х-диагра ммы (рис . 26,27), а стандартное отклонение д ля показателя.емкости дискет на этот же мо мент на s-диаграмме – намного выше ВКП . Эти две точки называются резко отклоняющим ися значениями , поскольку они лежат за пре делами контрольных значений диаграмм. Что же э то означает для вас ? Поскольку в точке 26/10/94 среднее значение емкос ти дискет понизилось , логично будет предполож ить , что одна (или несколько дискет ) в этот момент имеет относительно небольшую емко сть . Показатель стандартного отклонения в тот же момент в ремени относительно высокий , так как емкость по меньшей мере одной дискеты значительно расходится с п олученным показателем средней ежедневной емкости. Причины таких значений могут заключаться в следующем. Обычный ход производственного процесса в точке 26/ 10/94 был нарушен. Средний результат наблюдений в точке 26/10/94 включал именно тот один из 300 показателей , который случайным образом мог сильно отлич аться от общего среднего показателя процесса. Эти выводы , сделанные на основе получе нных результатов , пр иводят к такому ре шению – следует внимательно проверить произв одственные условия 26/10/94. Данные наблюдений , которые использовались для создания диаграммы на рис . 26,27 приведены в табл . 1. Необходимо заметить , что четвертый результат в строке 26/10/94 (в ыделенный пол ужирным шрифтом ) намного меньше остальных дан ных наблюдений , что привело к уменьшению с реднего значения и к увеличению стандартного отклонения в этот день. Чтобы лучше разобраться в ходе произв одственного процесса , необходимо рассматривать и х - и s-диаграммы (рис . 28,29). В данном случае на х-диаграмме нет ничего необычного , однако стандартное отклонени е в точке 26/10/94 намного выше ВКП . Данные д ля рис .28,29 приведены в табл . 2. Следует обратить внимание на то , что первый и шестой результаты и змерений в строке 26/10/94 (выделены полужирным шрифтом ) соответственно намного ниже и намного выше среднего значения . В среднем показателе это го дня два результата измерений взаимоисключа ют друг друга , но при этом увеличивают изменяемость . Изменяемость с т ановится выше среднего значения , увеличивая при эт ом и показатель стандартного отклонения в этот день . Именно это является доказательст вом того , что ход производственного процесса был нарушен , что в результате привело к снижению показателей емкости запоми н ающего устройства дискет . Следовательно , н еобходимо внимательно исследовать производственный процесс в этот день. Даже если ни х -, ни s-диаграммы не содержат резко отклоняющихся значений , вы в се же можете обнаружить тенденцию , указывающу ю , что следует пров ести исследования п роцесса (рис .30,31). В данном случае обратите внимание на то , что дневное среднее значение емкости дискет постепенно снижается . Вполне возможно , что это происходит вследствие ухудшения операционных параметров какого-либо прибора или каче ства одного из сырьевых продуктов , задействованных в производстве. Желательно использовать одинаковое количеств о наблюдений при выборочных проверках , поскол ьку контрольные пределы диаграмм СМУ весьма чувствительны и изменяются при изменении размеров выборк и . При этом определить , находится ли процесс под контролем , достато чно трудно. Составление р-диаграмм для дих отомий Иногда необходимо произвести б олее общие измерения единицы продукции , нежел и измерение емкости запоминающего устройства гибких дисков . Сущ ествует много характери стик , при наличии которых продукция будет считаться некачественной . Например , в случае г ибких дисков к ним относятся : возникновение дефектных кластеров при форматировании дискет , "заедание " защитной задвижки дискеты и др . Занимаясь к онтролем качества счето в-фактур , составляемых отделом счетов дебиторов , вас не интересует , по какой причине док умент не может быть акцептован , вам лишь необходимо знать , что он не акцептован . В подобных случаях измерения должны основы ваться на принципе ди х отомии , т.е . делении признаков на два класса , наприме р допустимый в сравнении с недопустимым . ( Существуют и другие термины , применяемые для контроля качества : соответствующий требованиям в сравнении с несоответствующим требованиям и бракованный в сравнени и с н ебракованным .) Диаграмма СМУ для такого типа анализа базируется на доле выборки , которая несоо тветствует требованиям . Например , если вы обна ружили , что из 50 счетов-фактур выборки 5 документ ов не соответствуют требованиям , то доля н есоответствия состав ит 0,1. Именно это значе ние отмечается на диаграмме . Такие диаграммы аналогичны х-диаграммам и называются р-диагра ммами (от слова proportion – пропорция ). Когда измерения основаны на дихотомии , аналога s-диаграмм не существует , так как стандартное отклонени е для дихотомии в полной мере представлено самой долей выб орки и определяется следующим образом : s = КОРЕНЬ (р *(1-р )), где р выражает до лю , а корень – квадратный корень . Наприме р , при доле , равной 0,2, стандартное отклонение будет равно : КОРЕНЬ (0,2*(1-0,2 )) = КОРЕНЬ (0,2*0,8) = КОРЕНЬ (0,16) = 0,4 Зная долю , можно автоматически вычислить стандартное отклонение . В таком случае со ставляются только р-диаграммы. В диаграммах такого типа также имеютс я параметры ВКП , НКП и ЦЛ . В данном случае ЦЛ – это общее средне е значение доли продукции , не соответствующей т ребованиям процесса , подобно тому , как ЦЛ на х-диаграммах представляет собой общее сред нее процесса . Параметры ВКП и НКП основыва ются на общей доле , не соответствующей тре бованиям к процессу : они представляют три показателя стандартных отклонений над ЦЛ и под нею . Эти стандартные отклоне ния вычисляются на основе доли , не соответ ствующей требованиям , предъявляемым к процессу , причем во внимание принимаются и размеры выборки. Например , если общая доля несоответст вия составляет 0,2, а размер каждой выбор ки – 50 единиц , то ВКП будет иметь след ующее значение : О ,2 + 3* КОРЕНЬ ((0,2*(1-0,2)/50)) = 0,37 а НКП составит : 0,2 - 3* КОРЕНЬ ((0,2*(1-0,2/50)) = 0,03 Как для х -, так и для s-диаграмм необходимо по возможности сохр анять разм еры каждой выборки постоянными для того , ч тобы НКП и ВКП имели постоянные значения для всех выборок . Если же этого добит ься невозможно , то существуют специальные фор мулы , с помощью которых можно преобразовать параметры ВКП и НКП в константы . Бол е е подробную информацию о таких преобразованиях можно найти в книгах по статистическим методам управления. Определение размера выборки Размер контрольной выборки для х -, s- и р-диаграмм играет важную роль как для точности среднего значения (или доли ), так и для удаленности контрольных пределов от центральной линии . С данной точки зрения , чем больше размер выборки , тем точ нее результаты. Однако , справедливо также и то , что чем больше взятая для контроля выборка , тем выше стоимость проводимого контроля каче с тва . Это имеет большое значение при проведении разрушительного тестирования , в р езультате которого проверенные единицы продукции становятся непригодными для использования . Н апример , ваша фирма производит автомобили , и одной из проверок качества является т е стирование противоударных характеристик передних бамперов . Понятно , что после так ой проверки продать машину будет довольно сложно. Остановитесь на таком размере выборки , который не принесет большого материального ущерба , и при этом будет достаточно вел ик д ля получения наиболее точных резу льтатов . Точной оценки вы достигнете в том случае , если в результате получите 50-проце нтную вероятность выхода процесса из-под конт роля. 50-процентная вероятность может показаться вам недостаточной , однако не забывайте , что в вашем арсенале имеются различные возможности для выявления проблем . Например , в ы контролируете процесс почасово . Если процес с выходит из-под контроля , например , в 10.15, то вы можете обнаружить это в 11.00, 12.00, 13.00 и т.д . При этом вероятность того, что проб лема останется незамеченной , например , в 14.00, сос тавит : 0,5х 0,5х 0,5х 0,5 = 0,0625. Следовательно , в данном случае существует практически 94-процентная ве роятность того , что выход процесса из-под контроля будет обнаружен. В приведенных выше пример ах рассм атривались выборки , включающие 8 контрольных замеро в для s- и х-диаграмм и 50 – для р-диаграм м . В совокупности со стандартным отклонением процесса эти размеры выборок определяли значения параметров ВКП и НКП . Этот процес с можно рассматривать в обр а тном порядке , т.е . начинать с определения ВКП и НКП , на основе чего и получать зн ачение необходимого вам размера выборки . Друг ими словами , вы можете получить ответ на следующий вопрос : "Какая выборка необходима , чтобы параметр ВКП соответствовал определен н ым критериям ?" Предположим , что общая доля несоответстви я для данного процесса составляет 0,1, а доля несоответствия , равная 0,25, в данном случае является неприемлемой . Допустим , вы хотите узн ать об увеличении доли несоответствия с 0,1 до 0,25 с 50процент ной вероятностью . Если с редний показатель несоответствия по процессу увеличивается до 0,25, это может означать , что одна половина выборки больше 0,25, а вторая – меньше . (Предполагается , что брак распреде ляется симметрично относительно среднего показат еля. Это является обычным предположением в статистическом методе управления .) В этом случае вы сможете обнаружить отклонения в среднем значении доли несоответствия процес са с 50-процентной вероятностью , т.е . 50% результато в наблюдений будут превышать значение 0,25. Чтобы уравнять долю несоответствия , ко торую вы хотите обнаружить , следует установит ь значение параметра ВКП на уровне трех стандартных отклонений над ЦЛ . Диапазон изм енений доли несоответствия для обнаружения с заданной вероятностью будет 0,25 – 0,1 = 0,15, на основе чего можно составить сл едующее уравнение для определения размера выб орки : 0,25 – 0,1 = 0,15 = 3* КОРЕНЬ ((0,1*(1-0,1)/N)) где N – размер выборки . Преобразовав э то уравнение , получаем. N = (3/0,15)2*0,1*(1-0,1) N = 36 В общем виде : N=(s/d)2 *р *(1-р ) где d – размер отклонения , который вы хотели бы обнаружить , р – доля несоо тветствия , а s – количество стандартных отклон ений над и под ЦЛ для параметров НКП и ВКП . В нашем примере значения НКП и ВКП вычисляются на основе трех станд артных отклонени й над и под ЦЛ , ср еднее значение доли несоответствия процесса р авно 0,1, а вероятность обнаружения изменения от клонения с 0,1 до 0,25 – 50%. При этих условиях размер каждой контрольной выборки должен с остоять из 36 результатов наблюдений , а формула в рабо ч ем листе Ехсе l примет вид : = (3/0,15)^2*0,1*0,9 Принимая значение показателя вероятности обнаружения доли несоответствия 50%, вы в значит ельной степени упрощаете уравнение , на основе которого вычисляется необходимый размер конт рольной выборки . Если же вы захотите изменить процент вероятности (например , принять 80%), то вам необходимо определить (либо пред положить ) модель распределения брака , сделать ссылку на теоретическое распределение и допол нить уравнение условием , обеспечивающим увеличени е вероятности обнаружения доли несоот ветствия на 30% (т.е . 80%-50%). За дополнительной информа цией по этому вопросу обращайтесь к специ альной литературе по статистическим методам а нализа. Проведение приемочного статистиче ского контроля Приемочный статистический контро ль (acceptance sampling) обеспечивает снижение стоимости закупаемых материалов . Он также позволяет снижать издерж ки , которые вы несете при возврате покупат елем приобретенного товара вследствие брака. Конечно , вам не хочется пок упать материалы либо оборудов ание плохого качества и предлагать клиентам бракованные товары . Однако , как покупатели , так и для продавцы крупных партий продукции обычно считают приемлемым допущение определенной до ли брака в партии товара. Производство любого достаточно крупного к оличес тва товара (например , партии телевиз оров ) без учета определенного процента брака чрезвычайно дорого . Чтобы выпускать продукци ю без брака , производителю пришлось бы обе спечить 100-процентное тестирование произведенной п родукции , так как при любом другом по д ходе существует риск выявления в партии хотя бы одной бракованной единицы . Во-первых , подобное тестирование в крупносери йном производстве не представляется возможным . Во-вторых , даже нулевой результат тестирования не может гарантировать полного отсутствия брака , и , таким образом , производит ель всегда будет нести невозвратимые издержки за продукцию с браком. Известно , что основная цель производства заключается в получении дохода . Для покры тия издержек , понесенных для достижения полно го отсутствия брака в про изведенной п родукции , несомненно придется повысить отпускную цену . При этом вы , как покупатель , мож ете решить закупать товары где-нибудь в др угом месте . Однако , если вы потребуете от нового продавца 100-процентной гарантии качеств а товара , то ему для удов л етво рения ваших требований опять-таки придется по днять цены. Если же вы , выступая в роли покупа теля продукции , соглашаетесь на наличие небол ьшого процента брака в закупаемой вами па ртии , то вполне сможете договориться с пос тавщиком о снижении цены. Правило , выведенное Адамом Смитом , ка к раз и заключается в том , что компром иссное решение достигается тогда , когда участ ники производственной деятельности действуют в своих собственных интересах. Теперь рассмотрим данную ситуацию с т очки зрения производителя . Пре дположим , чт о согласно контракту , заключенному вами (произ водителем ) с клиентом , вам позволяется произво дить товары с неким процентом брака . В этом случае вы можете не тестировать п артию целиком , а проводить лишь выборочное тестирование . При этом вы вправ е ожидать , что расходы , затрачиваемые вами на тестирование , значительно сократятся . Кром е того , если вы будете выпускать продукцию с процентом брака , согласно требованиям к лиента , то снизятся издержки , связанные с возвратом бракованного товара . Это позволи т вам постепенно снизить отпускную цену на продукцию , что , в свою очередь , сохранит ваших клиентов и приведет к росту вашего дохода. Однако , применяя методы статистического к онтроля , не забывайте , что в них присутств ует элемент вероятности . Предположим , что в заключенном с клиентом контракте оговари вается о поставке вами партии товаров , сод ержащей не более 1% брака . При тестировании двадцати единиц продукции вы обнаруживаете вс его один бракованный экземпляр . Насколько точ но полученный результат может гарант и ровать , что общий процент брака всей партии товара составит не более 1%? Каковы должны быть размеры контрольной выборки ? В какой момент следует остановить тестировани е элементов выборки , если бракованное изделие уже выявлено в данной выборке ? Составление графика кривой качества продукции Ход кривой качества продукции демонстриру ет , как на практике действует договор , зак люченный между покупателем и продавцом . В качестве примера может служить кривая , изобра женная на рис . 33. С помощью этой кривой можно опр еделить вероятность того , какая партия товара может быть принята покупателем (верт икальная ось ) при различных процентах брака (горизонтальная ось ). Обратите внимание на т о , что чем меньше показатель фактического брака , тем больше вероятность того , что па р т ия будет принята покупателем . Ви д кривой качества продукции определяется след ующими параметрами. Допустимый уровень качества (ДУК ) (AQL-acceptable quality level) товаров поставщика . ДУК представляет собой ма ксимальный процент брака , который покупатель гот ов принять в качестве среднего пок азателя процесса. Допустимый процент брака в партии тов ара (ДПБВПТ ) (LTPD-lot tolerance perctnt defective) отражает минимальный уровен ь качества , который покупатель готов принять в данной партии продукции. Степень риска поставщика заключается в том , что покупатель может отказаться принять небракованную партию товара вследствие ошибки , допущенной в ходе выборочного контр оля . Степень риска поставщика (рис . 33) представле на расстоянием между верхней горизонтальной л инией и 1 00процентной отметкой. Степень риска покупателя заключается в том , что в результате ошибки , допущенной в ходе выборочного контроля , им будет п ринята некачественная партия товара . Данная с тепень риска представлена на рис . 10.9 в виде нижней горизонтальной л инии. Как покупатель , так и продавец могут получить различную информацию о товаре с помощью следующего. Кривая качества продукции. Размер выборки , необходимый для сдерживан ия риска продавца и покупателя на приемле мо низком уровне. Максимальное количеств о брака в в ыборке , при котором партия не может быть отвергнута (этот показатель обычно отмечается буквой С ). Фактический риск поставщика и фактический риск покупателя при конкретном размере в ыборки и конкретном показателе С. На рис . 34 изображена кривая при п оказателе ДУК , равном 1%, ДПБВПТ – 3%, риске по ставщика – 5% и риске покупателя – 10%. Верхн яя горизонтальная линия отображает риск прода вца : расстояние между этой линией и верхне й точкой вертикальной оси показывает степень вероятности отказа покупат е ля от качественной партии товаров . Нижняя горизонт альная линия отображает риск покупателя : расс тояние между этой горизонтальной линией и нижней точкой вертикальной оси показывает степень вероятности того , что покупателем мож ет быть принята некачественная п арт ия товаров. В верхней части рис . 34 приведены сведен ия о необходимых размерах контрольной выборки (N), и о максимальном количестве брака в выборке , при котором не может быть отве ргнута вся партия (С ). Данная кривая качест ва продукции указывает на то , чт о необходимо произвести контрольную проверку 390 един иц продукции . Если в ходе тестирования дан ного количества экземпляров вы обнаружите , на пример , восемь бракованных единиц товара , то тестирование можно прекратить и сделать вы вод , что вся партия товара с о д ержит слишком много брака. Степень кривизны кривой , изображенной на рис . 34, несколько больше степени кривизны к ривой , показанной на рис . 33. Обычно , чем боль ше размер контрольной выборки , тем с больш ей точностью можно определить , является ли приемлемой и нтересующая вас партия тов ара . Сравните рис . 34 с рис .35, в котором ра змер выборки несколько больше и , соответствен но , больше степень кривизны. Увеличение коэффициента фактического брака в партии продукции с 2% до 3% (рис .34) сопровож дается снижением вероя тности приемки этой партии с 48% до 10%. Увеличение коэффициента фактического брака с 2% до 3% (рис . 35) сопровождается снижением вероя тности приемки партии с 95% до 10%. Поэтому , если вы изменили значение ДУК (например , с 0,01 на 0,02), это означает , что размер контрольной выборки также необходи мо увеличить . Такие действия могут привести к значительным изменениям других параметров . Например , на рис . 34 и 35 размер выборки при этом увеличивается с 390 до 2079. Значение ДПБВПТ также оказывает влияние на разм ер необходимой контрольной вы борки . На рис . 36 изображена кривая качества продукции , построенная на основе тех же ис ходных данных , что и кривая на рис . 10.10, с единственным исключением – вместо значения ДПБВПТ , равного 3%, использовано значение ДПБВП Т , р а вное 4%. Изменения степени риска продавца и по купателя оказывают незначительное влияние на размер статистической выборки . Результат , полученн ый при снижении риска продавца с 10% до 5% приведен на рис . 37, а результат аналогичного снижения риска покупателя – на рис . 38. Обратите внимание , что во всех рассмот ренных ранее ситуациях , чтобы понизить степен ь риска , вам следует улучшить результаты т естирования . Качество результатов тестирования мо жно повысить с помощью увеличения размера выборки . Это приведет к то му , что кривая станет более крутой , а кривизна является наглядным показателем того , насколько хорошо тестирование определит различия между партиями , соответствующими всем необходимым кри териям , и партиями , не отвечающими им . Чем больше это разграничение , т ем в ыше степень защищенности как покупателя , так и продавца. Этими кривыми и итоговыми данными удо бно пользоваться в ходе переговоров между продавцом и покупателем . В роли покупателя вы , возможно , захотите несколько увеличить показатель ДПБВПТ , чтобы сокра тить необ ходимый размер контрольной выборки . Это , в свою очередь , снизит издержки продавца на проведение тестирования , что в итоге приведет к снижению стоимости товара. Выступая в роли продавца , вы можете принять более высокую степень риска , но при этом ка чественная партия товара может быть отвергнута вследствие допущения ошибки при проведении выборочного контроля . Приняв этот дополнительный риск , вы можете сократить издержки на тестирование и про ведение выборочного контроля. Использование функций рабочего листа для контроля качества Программа Ехсе l поможет получить ответы на множество вопросов , возникающих в ходе проведения контроля качества продукции . Для решения этих вопросов очень важно не о шибиться при выборе статистического инструментар ия . С помощью статистического метода упр авления вы сможете выбрать необходимый инстру ментарий для каждого конкретного случая . Выборочный контроль элементов продукции конечной генеральной совокупности Раньше мы рассматривали статис тический Метод управления и приемочн ый статистический контроль в аспекте теоретически бесконечных генеральных совокупностей . Другими словами , размер генеральной совокупности товаро в , выбранных для составления х -, s- и р-диагра мм или кривых качества продукции , не был ограничен. Когда же вы де лаете выборку и з конечной генеральной совокупности , ситуация несколько меняется . С генеральной совокупностью вы обычно имеете дело в том случае , когда тестированию подлежит только конкретная группа (например , изделия определенной партии продукции , торговы й штат вашей ко мпании или реакция клиентов на последнее понижение цены на производимый товар ). Если выборка делается из конечной ген еральной совокупности , то она обычно производ ится без замещения . Другими словами , если вы хотите выбрать две единицы продукци и , то выберите сначала одну , в зате м – вторую , не возвращая при этом пер вую в общий фонд . Предположим , генеральная совокупность состоит из десяти единиц продук ции . Вероятность выбора в ходе контрольной проверки любой единицы составляет 1/10, или 10%. Е сли после проверки экземпляр возвраща ется в общий фонд , вероятность его повторн ого выбора также составит 10%. Если проверенную единицу в общий фонд не возвращают , т о вероятность произвольного выбора второго эк земпляра составит уже 1/9или 11%. Пример. Предполож им , покупатель заказал 200 кофе йных чашек с росписью , существенно отличающей ся от той , которую вы обычно применяли . Эта партия товара будет отличаться от других , поэтому данные 200 чашек составляют коне чную генеральную совокупность . Согласно контракту доп у скается 5-процентный коэффициент брака в партии. Вы планируете произвести выборку размером 20 чашек и забраковать всю партию , если более чем в 5% выборки обнаружите недопустим ые изъяны в росписи . Другими словами , вы забракуете партию , если выборка содержит две (или больше ) бракованные единицы . Какова же вероятность того , что качество всей партии будет соответствовать требуемым критериям и содержать не больше 5% брака ? Чтобы получить ответ на этот вопрос , воспользуйтесь функцией Ехсе l ГИПЕРГЕОМЕТ , испо льзуя следующие аргументы. Число успехов в выборке . В рассматриваемом нами случае этот аргумент будет равен 0 либо 1, т.е . тому количеству чашек с изъянами , при нали чии которого в вашей выборке партия будет принята. Размер выборки . В нашем случае этот аргумент равен 20, т.е . количеству чашек в выборке. Число успехов в генеральной совокупности . В данном случа е этот аргумент будет равен 10. Если бы вы проверяли все 200 чашек , то согласно приня тому показателю приемлемого брака (5%) количество бракованных экземпляро в не должно прев ышать 5 единиц. Размер генеральной совокупности . В данном случае этот арг умент равен 200, т.е . числу "особенных " чашек , к оторые вы изготовили согласно контракту. Функция ГИПЕРГЕОМЕТ возвращает значение в ероятности , при условии существовани я опр еделенного размера выборки и генеральной сово купности , а также конкретного успеха в ген еральной совокупности , вы сможете получить то чное количество успеха . Таким образом , если вы введете = ГИПРГЕОМЕТ (О ;20;10;200) то Ехсе l возвратит значение 0,34. Это означает , что при наличии 10 бракованных чашек в генеральной совокупност и (200 единиц ) существует 34-процентная вероятность обнаружения чашек с дефектами в выборке , состоящей из 20 единиц продукции. Чтобы определить степень вероятности обна ружения одной б ракованной чашки в ваш ей выборке , введите = ГИПЕРГЕОМЕТ (1;20;10;200) и Ехсе l вернет значение 0,40. Это означает , что существует 40-процентная вероятность обнар ужения в выборке только одной бракованной чашки . В сумме эти две вероятности даду т 74%. Таким об разом , вероятность того , чт о во всей партии вы обнаружите 10 бракованн ых чашек намного выше (74%) вероятности того , что этого не произойдет (100% – 74% = 26%). Выборочный контроль элементов продукции бесконечной генеральной совокупности Если вы производи те контроль беск онечной генеральной совокупности , то вас инте ресует значительно большая группа , нежели при проверке конечной генеральной совокупности , т.е . вместо проведения проверки конечной парти и продукции , вам необходимо провести тестиров ание всей про и зводственной линии . Проверяя , например , новый формат счетов-фактур , вы можете испытывать его в течение недели , прежде чем принять окончательно . В данно м случае при осуществлении выборочного контро ля точности заполнения счетов-фактур вы будет е иметь дело с конечной генерально й совокупностью . Если же контроль точности заполнения этих документов производится в рабочем порядке , то вы , скорее всего , будет е рассматривать эту выборку , как сделанную из бесконечной генеральной совокупности. Для составления отчетов в ероятности о выборках такого типа воспользуйтесь фу нкцией Ехсе l НОРМСТОБР. Пример. Предположим , вы занимаетесь прокатом виде окассет . По мере кассеты посмотрит определенн ым количеством клиентов , ее качество ухудшает ся до уровня , при котором вы признаете ее непригодной для дальнейшего проката . Кроме того , некоторые ваши клиенты имеют плохую аппаратуру , что также значительно со кращает срок эксплуатации видеокассеты. Предположим , вы решили , что не менее 85% видеозаписей , составляющих ваши товарно-материальн ые з апасы , должны быть приемлемого кач ества . На каждый рабочий день у вас ес ть определенное (конечное ) количество кассет , н о ваши товарно-материальные запасы могут изме няться вследствие приобретения новых и изъяти я непригодных кассет . Поэтому в данном слу чае г енеральная совокупность записей рассматривается как бесконечная. Тестирование видеозаписей – процесс весь ма длительный , и вам хотелось бы , чтобы размер выборки был поменьше . Грубый метод подсчета , отлично срабатывающий при контроле качества , заключается в проверке того , чтобы оба приведенных ниже уравнения в р езультате дают больше 5: n*p и n*(р -1) где n – размер выборки , а р – вероятность приемлемого элемента в генеральной совокупности . Если ваши записи соответствуют определенному вами критерию (т.е . 85% ка ссе т допустимого качества ), то значение р буд ет равно 0,85. Чтобы убедиться , что и n*р , и n*(р -1) больше 5, показатель n (т.е . размер контро льной выборки ) должен быть не меньше 43. Чтоб ы облегчить обработку данных , остановитесь на 50. Описанный выше грубы й эмпирический метод обусловлен наличием связи между бино миальным и нормальным распределением . Выборочное распределение двоичной переменной (например , бракованный /приемлемый ) аналогично нормальному ра спределению , при котором значения и n*р , и n*(1-р ) боль ш е 5. При проверке произвольно выбранных 50 экзем пляров вы обнаруживаете , что три из них – бракованные , а 47 – приемлемые (т.е . 94% ко нтрольной выборки ). Какова же вероятность того , что , по крайней мере , 85% генеральной совоку пности ваших видеозаписей окаж утся приемл емыми ? Вы хотите принять правильное решение относительно бракованных экземпляров в генеральн ой совокупности видеозаписей с вероятностью 95% с учетом времени , в течение которого произ водится тестирование выборок . Приведенная ниже формула Ехсе l во звращает значение крите рия , который вы хотите получить с заданной вероятностью (этот показатель называется кри тическим значением ); = НОРМСТОБР (0,95) В данном случае Ехсе l возвращает число 1,64. Это критическое значение должно быть н е меньше проверочной ста тистической велич ины при условии , что вы приняли правильное решение. Чтобы получить проверочную статистическую величину , подставьте соответствующие значения в формулу Ехсе l: = (0,9-0,85)/КОРЕНЬ (0,15*0,85/50) и в ответе получите 1,78. В общем виде эта форму ла выглядит следующим образ ом : (х-р )/КОРЕНЬ (р *(р -1)/n) где х представляет собой процент , прие млемый в выборке , р – гипотетический проц ент , приемлемый в генеральной совокупности , n – размер выборки , а знаменателем служит ста ндартное отклонение от показателя р. Поскольку в данном случае проверяемая статистическая величина (1,78) превосходит критическое значение (1,64), то ваши товарно-материальные запа сы видеозаписей являются приемлемыми , по мень шей мере , на 85%. Выборочный контроль брака в элементах продукц ии Чтобы сделать вывод о количестве дефе ктов и разграничить это понятие с количес твом бракованных единиц , во многих случаях удобно использовать функцию Ехсе l ПУАССОН. Пример. Предположим , вы – менеджер отдела пос тавок крупной фирмы – обнаружили , что за по следнее время намного увеличилось количество жалоб на несвоевременную доставку товаров от поставщиков . Проверив некоторые из них , вы приходите к выводу , что постав ки задерживались вследствие наличия ошибок в заказах на поставку (например , из-за непра вильн о го указания цены за единицу продукции , желаемой даты поставки , номеров моделей , а также неточных ссылок на кон тракт и пр .). Вы решаете исследовать некоторую выборку заказов на поставку , чтобы определить , де йствительно ли общий процент брака в кажд ом бланке настолько высок , чтобы стать достаточной причиной для задержек в постав ках. Далее вы решаете , что заказ на пос тавку может считаться приемлемым при общем проценте брака , равном 0,5. Другими словами , ес ли заказ на поставку товара типа А бе зупречен , а заказ на поставку товара типа В содержит только одну ошибку , то во втором заказе должно содержаться дост аточно информации для того , чтобы поставщик все же мог выполнить заказ , либо исправ ить неправильную информацию . Вы также огранич иваете вероятность того , что с редний процент дефекта одного заказа составляет одну вторую дефекта каждого отдельного зак аза до 5%. Затем вы исследуете все неточности в выборке , состоящую из 10 произвольно выбранных заказов на поставку , содержащиеся в них , и обнаруживаете 12 случаев неп равильной информации в выборке . Основываясь на всех этих данных , следует ли вам продолжать надеяться на то , что среднее количество ош ибок во всех ваших заказах на поставку составляет 0,5? Ответить на этот вопрос вам поможет функция ПУАССОН . Для этого введи те в ячейку рабочего листа следующее : 1-ПУАССОН (11;5;ИСТИНА ) и функция возвратит вам значение 0,005. Пе рвый аргумент (11=12 – 1) представляет собой число обнаруженных вами неточностей минус один . Второй аргумент (5) – это количество ошибок , которое вы расс читываете обнаружить в десяти заказах на поставку при условии , что среднее число неточностей было 0,5. Тре тий аргумент , ИСТИНА , определяет форму возвращ аемого распределения Пуассона , т.е . сумму вероя тности для нулевого количества неточностей в документах п люс вероятность одной неточности и т.д. Ранее было решено , что вероятность при нятия неправильного решения составляет 5%, или 0,05. Поскольку число 0,005 значительно меньше числа 0,05, то вы отвергаете предположение , что все заказы на поставку содержат не б олее 0,5 ошибок в каждом . Очевидно , что в данн ой ситуации следует произвести проверку качес тва подготовки вашего персонала к работе с новой системой , а также убедиться , что сама эта система работает правильно. Заключение. Долгосрочные тенденции мирового х озяй ственного развития , отражающие конкретную среду функционирования современного социально-ориентированно го рынка , дают представление об основных п араметрах , формах , закономерностях развития цивили зованной рыночной экономики и о ее механи змах . Ядром долг о срочных тенденций является дальнейшее развитие НТР и переход ее в новое качество-информационную революцию (ИР ) с середины 70-х гг.ХХ-го века. К главным индикаторам информационной экон омики относятся : широкое распространение информационных техно логий в матер иальном и нематериальном производстве , в том числе , в образовании , здравоохранении , науке и т.п .; наличие разветвленных коммуникационных инфор мсетей в национальных и международных масштаб ах , включая системы спутниковой связи , и с оответствующей сети банков данных ; относительно свободная циркуляция информации и ее превращение в главный фактор эк ономического развития. Развитие информационной компоненты экономи ческого роста , движущей силой которой являетс я производство и потребление различной информ ации , означ ает , что совокупное общественно е время , затрачиваемое на производство и п отребление информации , заметно превышает время , расходуемое на производство и обмен матери альной продукцией . В этих условиях закономерн о растет третичный сектор , а сами услуги все бо л ьше приобретают информаци онный характер . Новая техника на базе микр опроцессорной революции ознаменовала наступление высшего этапа автоматизации производства . Если прежде машина заменяла производственные функци и человека , то теперь настала очередь его инте л лекта . Это позволило вывести потенциал нового типа машин за те же сткие пределы , которые создавали для производ ства и управления лимитированные возможности человека по восприятию и переработке информац ии , выработке и осуществлению необходимых реш ений. В дан ной курсовой работе рассмотр ены методы использования имеющихся данных для составления прогнозов будущих доходов и расходов на основе показателя степени объема продаж . Это помогает в разработке планов финансовой деятельности и балансов компании . Планы фина н совой деятельности по зволяют исследовать , какое влияние могут оказ ать изменения условий (либо некоторых аспекто в доходов и расходов ) на операции и пр ибыль предприятия. Текущий бюджет , помогающий планировать и управлять методами ведения бизнеса , основыва етс я на планах финансовой деятельности . Бюджетом можно воспользоваться для разбиения операций и финансовых средств по значимы м временным отрезкам , например , месяцам и кварталам . Это дает дополнительную возможность предвидеть , каким образом изменения-запланир о ванные либо навязанные обстоятельств ами-могут сказаться на финансовой картине пре дприятия. Основным аспектом всего этого процесса является качество прогнозов . Процесс прогнозиро вания опасен и полон ловушек . Чтобы сделат ь более или менее точный прогноз , нео бходима правильно составленная и точная базовая линия данных . Необходимо выбрать наиболее подходящий подход (с применением скол ьзящего среднего , регрессии или сглаживания ). Даже если кажется , что все сделано правильно , необходимо помнить , что условия и меют свойство неожиданно меняться , превращая столь тщательно составленный прогноз в с лепую догадку . Любой прогноз следует рассматр ивать с определенной долей скептицизма . Чем с большим количеством переменных вы работа ете в процессе создания прогноза , тем боль ше у вас шансов увидеть будущее своей фирмы . Изменения в одном прогнозе могут послужить подсказкой того , что другой прогноз также может измениться. Кроме того в работе описаны различные способы построения x- и s-диаграмм для стати стического контроля и p-диагр амм для к онтроля функционирования системой с помощью Excel. На примере емкости гибких дисков , продолжит ельности телефонных разговоров , а также маржи прибыли продаж за день было показано , что x- и s-диаграммы удобно использовать для переменных значений , а p -диаграммы применяются для таких параметров , как проце нт бракованных единиц продукции в партии произведенных товаров либо в формах составляе мых вами документов , которые классифицируются по принципу бракованный /приемлемый . Описанные диаграммы контроля позв о ляют оцени вать характеристики системы во времени. Также рассмотрены кривые качества продукц ии , изучение которых позволяет продавцу снизи ть риск того , что вся партия поставляемых товаров будет отвергнута покупателем из-за несоответствия количества бракованн ых изде лий в статистической контрольной выборке пред ъявляемому качеству партии , т.к . результат пров ерки будет завышен . Будучи покупателем , можно использовать кривые качества продукции для снижения степени риска , заключающейся в т ом , что будет принята нека ч ественн ая партия товара , поскольку количество браков анных экземпляров в выборке будет заниженным по сравнению с фактическими характеристиками всей партии. Оценки общего качества процесса на ос нове статистического выборочного контроля можно осуществлять с п омощью следующих пок азателей. Общий процент бракованных единиц в ко нечной генеральной совокупности . Этот показатель можно оценивать с помощью функции ГИПЕРГ ЕОМЕТ. Общий процент бракованных единиц в бе сконечной генеральной совокупности . Для проведени я таког о анализа нужно воспользоваться функцией НОРМСТОБР. Общий процент брака , содержащийся в ед инице продукции . Для определения точности оце нки этого показателя необходимо воспользоваться функцией ПУАССОН.
1Архитектура и строительство
2Астрономия, авиация, космонавтика
 
3Безопасность жизнедеятельности
4Биология
 
5Военная кафедра, гражданская оборона
 
6География, экономическая география
7Геология и геодезия
8Государственное регулирование и налоги
 
9Естествознание
 
10Журналистика
 
11Законодательство и право
12Адвокатура
13Административное право
14Арбитражное процессуальное право
15Банковское право
16Государство и право
17Гражданское право и процесс
18Жилищное право
19Законодательство зарубежных стран
20Земельное право
21Конституционное право
22Конституционное право зарубежных стран
23Международное право
24Муниципальное право
25Налоговое право
26Римское право
27Семейное право
28Таможенное право
29Трудовое право
30Уголовное право и процесс
31Финансовое право
32Хозяйственное право
33Экологическое право
34Юриспруденция
 
35Иностранные языки
36Информатика, информационные технологии
37Базы данных
38Компьютерные сети
39Программирование
40Искусство и культура
41Краеведение
42Культурология
43Музыка
44История
45Биографии
46Историческая личность
47Литература
 
48Маркетинг и реклама
49Математика
50Медицина и здоровье
51Менеджмент
52Антикризисное управление
53Делопроизводство и документооборот
54Логистика
 
55Педагогика
56Политология
57Правоохранительные органы
58Криминалистика и криминология
59Прочее
60Психология
61Юридическая психология
 
62Радиоэлектроника
63Религия
 
64Сельское хозяйство и землепользование
65Социология
66Страхование
 
67Технологии
68Материаловедение
69Машиностроение
70Металлургия
71Транспорт
72Туризм
 
73Физика
74Физкультура и спорт
75Философия
 
76Химия
 
77Экология, охрана природы
78Экономика и финансы
79Анализ хозяйственной деятельности
80Банковское дело и кредитование
81Биржевое дело
82Бухгалтерский учет и аудит
83История экономических учений
84Международные отношения
85Предпринимательство, бизнес, микроэкономика
86Финансы
87Ценные бумаги и фондовый рынок
88Экономика предприятия
89Экономико-математическое моделирование
90Экономическая теория

 Анекдоты - это почти как рефераты, только короткие и смешные Следующий
- Ты в курсе, что на новой "Ладе-Приоре" с 2014 года будут четыре педали?
- А четвёртая-то зачем?
- Чтобы подушку безопасности подкачивать.
Anekdot.ru

Узнайте стоимость курсовой, диплома, реферата на заказ.

Обратите внимание, диплом по программированию "Excel - финансовый контроль и планирование", также как и все другие рефераты, курсовые, дипломные и другие работы вы можете скачать бесплатно.

Смотрите также:


Банк рефератов - РефератБанк.ру
© РефератБанк, 2002 - 2016
Рейтинг@Mail.ru