1. END -USE analyse

End - use analyse er en prognosemetode som tar sikte på å fremskaffe et kvantitativt uttrykk for historisk og fremtidig forbruk av et produkt eller av en produktgruppe. Analysen går ut på å kartlegge kjøp og forbruket til hver eneste sluttbruker innenfor et avgrenset markedsområde, f.eks. et segment eller cluster. Metoden er derfor først og fremst anvendbar på bedriftsvaremarkedet, og da fortrinnsvis for råvarer og halvfabrikata. Siden metoden går ut på å kartlegge forbruket av produktet hos alle sluttbrukerne, forutsetter at vi har en oversikt over alle sluttkundene. Ønsker man å benytte metoden på forbrukervaremarkedet, kan kan man benytte en end-use analyse ved å trekke ut et representativ utvalg fra de segmentene vi ønsker å prognosere. Tidligere har vi i boken presentert en mengde metoder og informasjonskilder som kan benyttes for å skaffe en oversikt over sluttbrukerne. Noen enkle eksempler på hvordan sluttbrukerne kan oppspores er:

• Identifisere sluttbrukerne ved hjelp av oppslagsbøker eller eksisterende kundedatabase.
• Forfølge visse leveranser gjennom de forskjellige handels- og fordelingsledd frem til sluttforbrukerne
• Analysere bestanddelene i visse produkter som finnes på markedet.
• Intervjue representative utvalg.

Det finnes mange teknikker vi kan benytte oss av for å prøve å kvantifisere forbruket til hver enkelt sluttforbruker. Noen enkle beregningsmetoder er å bygge prognosen på:

1. Faktiske produksjons- og forbruksdata
2. Produksjons- og innkjøpsplaner
3. Produksjonsprogram i de tilfeller dette er tilgjengelige

Målet med end - use analysen er å skaffe data om fremtiden som gjør det mulig å berenge følgende formel:

• Det er en omfattende analyse med mye tallbehandling
• Dataene kan være vanskelig å skaffe til veie
• Det er nødvendig med bransjekunnskap og erfaring for å kunne utføre en god analyse
• Analysen er kostbar

"Idag er resultatet av igår, og imorgen vil bli et resultat av idag" er tankegangen bak en rekke tradisjonelle prognosemetoder. Med trender mener vi utviklingslinjer i et statistisk materiale og kan som metode omfatte alt fra å trekke opp kurver på frihånd i et diagram, til mer kompliserte matematiske beregninger. Kurvefremskrivning vil si at vi kurven/trenden vi fremstiller grafisk eller matematisk forlenges - ekstrapoleres - inn i fremtiden. Den vanligste trendmetoden er tidsrekkeanalyser. En kvantitativ metode hvor vi studerer den historiske utviklingen de siste årene for å finne underliggende mønstre som gjør at vi kan forlenge trende inn i fremtiden. Ved bruk av ulike statistiske metoder prøver man å skille vekk tilfeldige variasjoner, for å komme frem til en signifikant trend. Mønstret man studerer ved i tidsrekkeanalysene er linære og eksponensielle trender, sesongvariasjoner, konjunkurvariasjoner og korrelasjon mellom naboverdi, sett i forhold til det generelle nivået.

Selv om det finnes mange ulike metoder for trendforlengelser og kurvefremskrivninger, kjennetegnes de alle av at arbeidet foregår i følgende trinn:

Dette er kanskje den viktigste delen av prognosearbeidet, og her har vi også de største valgmuligheten. Det enkleste og minst arbeidskrevende er å plotte de historiske data inn i et diagram og tegne opp en kurve. Ved å legge en rett linje på kurven slik at arealet mellom den rette linjen og kurven blir tilnærmet likt på over- og undersiden av den rette linjen, bestemmes så trenden.

Årsaken til at vi gjerne velger å lager et visuelt bilde av utviklingen, skyldes at det er lettere å studere verdiene og trendene når vi har et grafisk bilde av utiklingen. Når vi skal trekke de "store linjer" er tall ofte mer forvirrende, enn oppklarende.

Gjennom å studere kurvenes utvikling i et grafisk diagram prøver vi vanligvis å avdekke følge mønstre i datamaterialet:

• TREND - Hvordan har den langsiktige tendensen vært ? Har det vært en jevn stigning eller nedgang ? Som Vi tidligere har vært inne på finnes de mange forskjellige trender. Hvordan trend har vi med å gjøre ? Trenden tegnes gjerne opp som en rett eller krummet linje avhengig av hvordan stigningskoeffisientene har utviklet seg. Trenden kan beregnes gjennom en regresjonanalyse.

• KONJUNKTURER - Hvilke konjunkturer har påvirket utviklingen ? Med konkjunkturer mener vi svingninger og avvik i en mer langsiktig trendbevegelse. Svingninger som f.eks. dukker opp med noen års mellomrom. Studerer vi salgsutviklingen for en skiprodusent, er det ikke usannsynlig at vi enkelte år finner eksepsjonelt lave salgstall. Salgsnedgang som f.eks. kan skyldes at det ikke kom noe snø det året i viktige segmenter. Alle bedrifter vil ha enkelte år som er spesielt "gode" og "dårlige". Slike svingninger kaller vi konjunkturer, og er i prognose sammenheng "forstyrrelsesledd". Selv om gunstige konjunktursvingninger er positivt for bedriften, er de i prognosesammenheng kun egnet til å komplisere prognose- arbeodet. Dette fordi vi kan risikere å bygge prognosene våre på "topp" eller "bunn" år, istedefor et "normalår", slik pålitelig prognosering krever. For å unngå slike feil, er det påkrevd at vi går langt nok tilbake i tid, slik at vi ikke får korrigert prognosen for konjunktur- og sesongsvingninger ved å trekke en langsiktig trend. Konjunkturer kalles også sykliske svingninger.

• Sesongsvingninger - Sesongsvingninger er regelmessige svingninger som gjentar seg periodisk, f.eks. hvert døgn, uke, måned eller år, og som ikke skyldes tilfeldigheter. Salget at ski og badetøy er skjer f.eks. ikke tilfeldig. De har høysesong, hendholdsvis om vinteren og sommeren.

• Korrelasjon mellom naboverdier - Hvor stor er variasjonene mellom hver enkelt verdi ? Er de generellt liten avstand i datamaterialet eller er variasjonsbredden stor ?