![]() |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
![]() | ![]() |
![]() | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
![]() | ![]() | ![]() | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
![]() | ![]() | ![]() | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Содержание страницы | Идея метода АВС анализа строится на основании принципа Парето: «за большинство возможных результатов отвечает относительно небольшое число причин», в настоящий момент более известного как «правило - 20 на 80». Источник: www.rombcons.ru Анализ CVP Источник: www.rombcons.ru Первый шаг: Провести АВС анализ Источник: www.rombcons.ru Анализ товарного ассортимента по частоте обращений. Тождественен ABC анализу товарных позиций, если в качестве параметра брать число обращений (вне зависимости от размера заказа). Границы групп F, M, R такие же как и в ABC анализе. Названия групп произошли от английских Frequent, Middle, Rarely. Источник: http://ru.wikipedia.org GAP-анализ представляет собой анализ стратегического разрыва («щели»), позво-ляющий определить расхождение между желаемым и реальным в деятельности предприятия. Источник: www.fastpad.ru PEST – Анализ (иногда обозначают как STEP) – это инструмент, предназначенный для выявления политических (Political), экономических (Economic), социальных (Social) и технологических (Technological) аспектов внешней среды которые могут повлиять на стратегию компании. Источник: http://ru.wikipedia.org Анализ параметров системы поисковой оптимизации Интернет-страниц. То же, что и анализ PEST В 1963 году в Гарварде на конференции по проблемам бизнес политики проф. K. Andrews впервые публично озвучил акроним SWOT (Strengths, Weaknesses, Opportunities, Threats), что означает "Сила", "Слабость", "Возможности", "Угрозы". С 1960-х годов и по сей день SWOT анализ широко применяется в процессе стратегического планирования. С появлением SWOT модели аналитики получили инструмент для своей интеллектуальной работы. Известные, но разрозненные и бессистемные представления о фирме и конкурентном окружении SWOT анализ позволил сформулировать аналитикам в виде логически согласованной схемы взаимодействия сил, слабостей, возможностей и угроз. Таблица 1. Матрица SWOT.
Таблица 2. Матрица возможностей.
Таблица 3. Матрица угроз.
Таблица 4. Составление профиля среды.
Таблица 5. Показатели, необходимые для проведения SWOT-анализа.
Для каждого из рассматриваемых рынков или сегментов нужно перечислить наиболее важные (имеющие наибольшее отношение/влияющие на бизнес) элементы по всем четырем категориям: силы, слабости, возможности и угрозы. В каждой из них формулировки должны быть упорядочены по значимости: сначала идет угроза номер один и так далее. SWOT должен быть как можно более сфокусированным: например, если нужно, то для каждого нового рынка или группы покупателей строится отдельная таблица. Нет смысла перечислять все возможное и невозможное.
SWOT-анализ применяется для:
Источник: www.stplan.ru Анализ основных параметров ассортимента выпускаемой или реализуемой продукции и/или услуг. Рассматриваются моментные и динамические характеристики структуры, широты, глубины, насыщенности, высоты и гармоничности. При необходимости производится классификация ассортимента в соответствии с имеющимися классификаторами: по классам, группам, подгруппам, категориям, маркам и т.п. Особо рассматривается анализ структуры и уровня цен на текущий момент и в динамике. Так же, при необходимости, осуществляется сравнительный анализ конкурирующих параметров с основными конкурентами. Обязательно осмысление ассортимента с точки зрения выполнения условий позиционирования и набора потребительских свойств. Способ определения такого уровня выручки от реализации, при котором компания лишь компенсирует постоянные и переменные затраты; состояние, при котором экономическая прибыль равна нулю. Источник: Хелферт Э. Вариационный анализ базируется на двух фундаментальных концепциях: концепции ожидаемых величин и дисперсионном анализе, т.е. концепции средних отклонений от средней величины. В основе вариационного анализа лежат такие базовые понятия статистики, какматематическое ожидание, дисперсия, среднеквадратическое отклонение, коэффициент вариации. Вариационный анализ применим к любым экономическим и неэкономическим понятиям. С помощью вариационного анализа может быть определено распределение риска, т.е. если дварассматриваемых варианта дают одну и ту же границу безубыточности, то с помощьювариационного анализа можно определить, будет или нет не достигнута эта граница. Таким образом, действительно, этот вид анализа дает возможность более точно пределить пределы снижения резервов. Источник: www.miepvuz.ru Анализ взаимной связи двух и более факторов, которые можно количественно определить. Производится, чаще всего, на основе корреляционного и регрессионного видов анализа. При помощи корреляционного анализа определяется наличие и степень взаимосвязи, а посредством регрессионного анализа математически моделируется форма этой связи. Анализ временных рядов - анализ, основанный на предложении, согласно которому случившееся в прошлом служит достаточно надежным указанием на то, что произойдет в будущем. Называется также проектированием тенденций. Источник: http://dic.academic.ru Синонимы: Спектральная обработка, Фурье-анализ, Гармонический анализ, Frequency analysis Основной смысл преобразования Фурье в том, что исходная непериодическая функция произвольной формы, которую невозможно описать аналитически и в общем случае трудная для обработки и анализа, представляется в виде совокупности синусов или косинусов с различной частотой и амплитудой. Иными словами, сложная функция представляется в виде совокупности более простых (разложение). Каждая синусоида (или косинусоида) с определенной частотой и амплитудой, полученная в результате разложения Фурье, называется спектральной составляющей или гармоникой. Спектральные составляющие образуют спектр Фурье. Визуально спектр Фурье представляется в виде графика, на котором по горизонтальной оси откладывается круговая частота, обозначаемая греческой буквой «омега», а по вертикали – амплитуда спектральных составляющих, обычно обозначаемая латинской буквой A. Тогда каждая спектральная составляющая может быть представлена в виде отсчета, положение которого на горизонтальной оси соответствует частоте составляющей, а высота – ее амплитуде. Гармоника с нулевой частотой называется постоянной составляющей (во временном представлении это прямая линия). Даже простой визуальный анализ спектра может много сказать о характере функции, на основе которой он был получен. Интуитивно понятно, что быстрые изменения исходных данных порождают в спектре составляющие с высокой частотой, а медленные – с низкой. Поэтому если в спектре амплитуда составляющих быстро убывает с увеличением частоты, то исходная функция (например, временной ряд) является плавной, без резких колебаний и изменений. И, наоборот, если в спектре присутствуют высокочастотные составляющие с большой амплитудой, то исходная функция будет содержать резкие колебания. Так, для временного ряда это может указывать на большую случайную составляющую, неустойчивость описываемых им процессов, наличие шумов в данных. В основе спектральной обработки лежит манипулирование спектром. Действительно, если уменьшить (подавить) амплитуду высокочастотных составляющих, а затем на основе измененного спектра восстановить исходную функцию, выполнив обратное преобразование Фурье, то она станет боле гладкой за счет удаление высокочастотной компоненты. Для временного ряда, например, это означает убрать информацию об ежедневных продажах, которые сильно подвержены случайным факторам, и оставить более устойчивые тенденции, такие, как сезонность. Можно, наоборот, подавить составляющие с низкой частотой, что позволит убрать медленные изменения, а оставить только быстрые. В случае временного ряда это будет означать подавление сезонной компоненты. Таким образом, манипулируя спектром, подавляя или усиливая составляющие с определенной частотой, можно добиваться желаемого изменения исходных данных. Наиболее часто используется сглаживание временных рядов путем удаления или уменьшения амплитуды высокочастотных составляющих в спектре. Для манипуляций со спектрами используются фильтры – алгоритмы, способные управлять формой спектра, подавлять или усиливать его составляющие. Главным свойством любого фильтра является его амплитудно-частотная характеристика (АЧХ) от формы которой зависит преобразование спектра. Если фильтр подавляет только составляющие с низкой частотой, то такой фильтр называется фильтр нижних частот (ФНЧ). С его помощью можно сглаживать данные, очищать их от шума и аномальных значений. Если фильтр подавляет только составляющие спектра с низкой частотой, то это фильтр высоких частот (ФВЧ). С его помощью можно подавлять медленные изменения, например, сезонность в рядах данных. Кроме этого, используется множество других типов фильтров: фильтры средних частот, заградительные фильтры и полосовые фильтры, а также более сложные фильтры, используемые при сложной обработке сигналов в радиоэлектронике. Подбирая тип и форму частотной характеристики фильтра, можно добиться желаемого преобразования исходных данных путем спектральной обработки. Выполняя частотную фильтрацию данных с целью сглаживания и очистки от шума, необходимо правильно выбрать полосу пропускания ФНЧ. Если ее выбрать слишком большой, то степень сглаживания будет недостаточной, а шум будет подавлен не полностью. Если полоса пропускания будет слишком узкой, то вместе с шумом могут оказаться подавленными и изменения, несущие полезную информацию. Если в технических приложениях существуют строгие критерии для определения оптимальности характеристик фильтров, то в аналитических технологиях приходится использовать в основном экспериментальные методы. Спектральный анализ является одной из наиболее эффективных и хорошо разработанных методов обработки данных. Частотная фильтрация – только одно из его многочисленных приложений. Кроме этого он используется в корреляционном и статистическом анализе, синтезе сигналов и функций, построении моделей и т.д. Источник: www.basegroup.ru - англ. analysis, diachronic; нем. Analyse, di-achronne. Анализ изменений структуры объекта во времени.
Получаемая в результате данного анализа классификация товаров, позволяет определить основные направления развития отдельных товарных групп, выявить приоритетные позиции ассортимента, оценить эффективность структуры ассортимента и пути ее оптимизации. Для анализа используются данные о динамике продаж и себестоимости продукции (включающей только переменные затраты, без учета постоянных затрат). На основе соотношения объема продаж в стоимостном выражении и вклада в покрытие затрат товар относится к одной из 4-групп. Финансовый вклад в покрытие затрат (МДО) = выручка от реализации – переменные затраты. Классификация групп: А — наиболее ценная для предприятия группа; товары, входящие в эту группу могут служить эталонами при выборе нового товара для включения в ассортимент. Необходимо стремиться к увеличению числа товарных позиций в этой группе, так как увеличение продаж именно этих товаров оказывает наибольшее влияние на прибыль предприятия. В1 — следует выявлять пути повышения доходности этой продукции (возможности повышения цен, поиск более выгодных поставщиков для снижения себестоимости и т.д.), так как за счет высоких объемов продаж, даже незначительный рост доходности приведет к ощутимому росту прибыли предприятия в целом. В2 — необходимо искать возможности для увеличения продаж продукции данной товарной группы (проведение промо-акций, реклама и т.д.). Благодаря высокой рентабельности продукции данной группы, темпы роста прибыли предприятия будут выше темпов роста продаж этих товаров. С — наименее ценные для предприятия товары; необходимо рассмотреть возможности замены ряда товаров из этой группы, а также оценить эффективность исключения наименее прибыльных товаров. Источник: www.iteam.ru Анализ изменения одного или более количественно выражаемых показателей во времени. Объектами изучения являются амплитуда (размах), минимальные, средние и максимальные значения, дисперсия, частота и пр. В случае, если подобный анализ приводит к построению статистически достоверной математической модели, появляется возможность для интерполяции и экстраполяции данных. Статистический метод установления структуры связи между результативным и факторными признаками; разложение полной вариации зависимой переменной (полная вариация определяется как сумма квадратов отклонений от среднего) в пропорции, определяемой изменениями отдельных каузальных переменных или их групп плюс необъяснимые или остаточные изменения; может быть основой для проверки гипотез относительно существенности отдельных переменных или их групп в регрессионном анализе. См. также ДИСПЕРСИЯ. Источник: http://slovari.yandex.ru Изучение деятельности фирмы, так как именно уровень издержек в сравнении с издержками у конкурентов предопределяет абсолютную и относительную прибыльность (убыточность) операций данной фирмы. Источник: http://mirslovarei.com Метод статистического исследования, позволяющий с помощью индексов соизмерять сложные социально-экономические явления путем приведения анализируемых величин к некоторому общему единству. В роли соизмерителя могут выступать денежная оценка, трудовые затраты и т.п. Метод применяется для изучения динамики явления, позволяет выявлять и измерять влияние факторов на изменение изучаемого явления. Источник: www.businessvoc.ru Метод выявления групп потребителей, имеющих максимальное число общих черт между собой и минимальное их сходство с другими группами потребителей. Источник: www.ecsocman.edu.ru Оценка конкурентной ситуации, степени конкурентных преимуществ собственной компании и конкурентов. Основная задача заключается в том, чтобы определить возможности и преимущества данной конкурентной ситуации. Источник: www.glossostav.ru Анализ корреляционно-регрессионный Наиболее простым вариантом корреляционной зависимости является парная корреляция, т.е. зависимость между двумя признаками (результативным и факторным или между двумя факторными). Математически эту зависимость можно выразить как зависимость результативного показателя у от факторного показателя х. Связи могут быть прямые и обратные. В первом случае с увеличением признака х увеличивается и признак у, при обратной связи с увеличением признака х уменьшается признак у. Важнейшей задачей является определение формы связи с последующим расчетом параметров уравнения, или, иначе, нахождение уравнения связи (уравнения регрессии). Могут иметь место различные формы связи: прямолинейная параболы второго порядка (или высших порядков) гиперболы показательной функции и т.д. Параметры для всех этих уравнений связи, как правило, определяют из системы нормальных уравнений, которые должны отвечать требованию метода наименьших квадратов (МНК): Другая важнейшая задача - измерение тесноты зависимости - для всех форм связи может быть решена при помощи вычисления эмпирического корреляционного отношения: где - Для определения степени тесноты парной линейной зависимости служит линейный коэффициент корреляции r, для расчета которого можно использовать, например, две следующие формулы: Линейный коэффициент корреляции может принимать значения в пределах от -1 до + 1 или по модулю от 0 до 1. Чем ближе он по абсолютной величине к 1, тем теснее связь. Знак указывает направление связи: «+» - прямая зависимость, «-» имеет место при обратной зависимости. Источник: www.hi-edu.ru Корреляционный анализ, разработанный К.Пирсоном и Дж.Юлом, является одним из методов статистического анализа взаимозависимости нескольких признаков - компонент случайного вектора x. Он применятся тогда, когда данные наблюдений можно считать случайными и выбранными из генеральной совокупности, распределенной по многомерному нормальному закону. Основная задача корреляционного анализа состоит в оценке корреляционной матрицы генеральной совокупности по выборке и определении на ее основе оценок частных и множественных коэффициентов корреляции и детерминации. Парный (частный) коэффициент корреляции характеризует тесноту линейной зависимости между двумя переменными соответственно на фоне действия (при исключении влияния) всех остальных показателей, входящих в модель. Они изменяются в пределах от -1 до +1, причем чем ближе коэффициент корреляции к +1, тем сильнее зависимость между переменными. Если коэффициент корреляции больше 0, то связь положительная, а если меньше нуля - отрицательная. Множественный коэффициент корреляции характеризует тесноту линейной связи между одной переменной (результативной) и остальными, входящими в модель; изменяется в пределах от 0 до 1. Квадрат множественного коэффициент корреляции называется множественным коэффициентом детерминации. Он характеризует долю дисперсии одной переменной (результативной), обусловленной влиянием всех остальных (аргументов), входящих в модель. Анализ взаимовлияния выбранных факторов друг на друга и их влияние на укрупненные экономические показатели. Одна из наиболее распространенных экон. концепций. Принятие решений осуществляется исходя из предельных величин доходов и расходов, т. е. в расчет принимаются максимальные размеры прибыли и издержек, связанных с тем или иным решением Источник: www.cofe.ru Оценка рыночных возможностей компании, других факторов, так или иначе, связанных с рынком, включая оценку внутренней микро и макросреды. Всего того, что может ее интересовать в отношении тактики и стратегии конкурентного поведения на рынке. Источник: www.ecsocman.edu.ru Анализ маркетинговых затрат - анализ стоимостной эффективности различных маркетинговых факторов: ассортиментных групп, методов реализации, сбытовых территорий, участников каналов сбыта, торгового персонала, рекламных средств и видов потребления. Анализ маркетинговых затрат позволяет выявить эффективные и неэффективные затраты, а также внести соответствующие изменения. Источник: www.finam.ru Метод научного исследования свойств объектов на основе использования правил теории матриц, по которым определяется значение элементов модели, отображающих взаимосвязи экономических объектов. Используется в тех случаях, когда главным объектом исследования являются балансовые соотношения затрат и результатов производственно-хозяйственной деятельности и нормативы затрат и выпусков. Источник: http://dic.academic.ru Подход ADL к управлению портфелем использует оценку индустрии и оценку сильной стороны бизнеса компании в качестве параметров. Измерением отрасли является идентификация жизненного цикла отрасли (industry life cycle). Измерением сильной стороны бизнеса является категоризация SBU's (стратегических бизнес единиц) корпорации в одну из 5 (6) позиций конкурентоспособности (competitive position): доминирующая, сильная, благоприятная, надежная, слабая (и нежизнеспособная). Таким образом создается матрица из 5 позиций конкурентоспособности и 4 этапов жизненного цикла. Позиционирование в матрице определяет общую стратегию.
Определение структуры бизнеса в матрице ADL В Матрице ADL, стратег должен определить дискретные бизнес группы путем нахождения общих характеристик среди продуктов и товарных линий, используя следующие критерии в качестве ориентиров: · Распространенные конкуренты · Цены · Клиенты · Качество/вид · Замещаемость · Реализация или ликвидация
Определение этапа жизненного цикла отрасли в Матрице ADL Оценка этапа жизненного цикла отрасли каждой компании производится на основе: · Удельного веса компании на рынке, · Инвестиций, и · Доходности и движения денежной наличности.
Определение конкурентоспособности в Матрице ADL Конкурентоспособность фирмы основывается на оценке следующих критериев: · Доминирующая. Редкий случай, часто результат позиции близкой к монополии или протекционизма. · Сильная. Сильная компания может проводить стратегию, не особо принимая во внимание шаги компаний-конкурентов. · Благоприятная. Отрасль поделена на части. Отсутствие явного лидера. · Надежная. Компания занимает нишу на рынке, благодаря географии или свойствам товара. · Слабая. Бизнес слишком мал, для того чтобы быть прибыльным или выжить в долгосрочной перспективе. Критические недостастки.
Некоторые известные ограничения Матрицы ADL: · Не существует стандартной продолжительности жизненного цикла. · Определение текущей фазы жизненного цикла индустрии трудно. · Конкуренты могут оказывать влияние на продолжительность жизненного цикла. Источник: www.12manage.com Самый известный инструмент управления портфелем. Он основывается на теории жизненного цикла товара . Метод был разработан в начале 70-х Boston Consulting Group. BCG Matrix (Матрица BCG) можно использовать для определения приоритетов в товарном ассортименте (product portfolio) организационной бизнес единицы. Для обеспечения долгосрочного процесса создания ценности компания должна иметь ассортимент товаров - как товаров с высоким потенциалом роста, требующих вложений денежных средств, так и товаров с низким потенциалом роста, поставляющих денежные средства. Матрица Boston Consulting Group содержит два параметра: доля на рынке и рост рынка. Основная идея заключается в следующем: компании выгоднее, когда продукт имеет большую долю на рынке или когда рынок продукта растет быстрыми темпами.
4 СЕГМЕНТА BCG MATRIX (МАТРИЦА BCG) Размещение продуктов в BCG Matrix (Матрица BCG) обеспечивает 4 категории в портфеле компании: · Звезды (Stars) (высокий рост, высокая доля на рынке) · Дойные коровы (Cash Cows) (низкий рост, высокая доля на рынке) · Собаки (Dogs) (низкий рост, низкая доля на рынке) · Вопросительные знаки (Question Marks) (высокий рост, низкая доля на рынке) МАТРИЦА BCG И НЕДИФФЕРЕНЦИРОВАНЫЕ СТРАТЕГИИ Метод Матрица BCG может помочь понять распространенную в стратегии ошибку: недифференцированый подход к стратегии, такой, например, как общие целевые показатели роста (9 процентов в год) или общий возврат на капитал, например, 9.5% для всей корпорации. В таком сценарии: · Бизнес Единицы Дойные коровы (Cash Cows) могут легко достигнуть свои цели прибыли. У их менеджмента простая работа. Высшее руководство получает положительную оценку так или иначе. Более того, им часто позволяется реинвестировать существенное количество денежных средств в бизнес группы, которые находятся в стадии зрелости. · Бизнес Единицы Собаки (Dogs) ведут бесперспективное сражение и, что еще хуже, время от времени делаются инвестиции. Это все тщетные попытки «поправить бизнес». · В результате, все Вопросительные знаки (Question Marks) и Звезды (Stars) получают лишь посредственные инвестиционные средства. Так они никогда не могут стать Дойными коровами (Cash Cows). Эти неадекватные инвестиции пүстая трата денег. Либо эти SBUs (стратегические бизнес группы) должны получить достаточные инвестиционные фонды для того, чтобы достигнуть реального лидирующего положения на рынке и стать Дойными коровами (или Звездами), либо, в противном случае, компаниям следует сокращать капиталовложения. Они могут затем попытаться получить любые возможные средства от Вопросительных знаков, которые не были реализованы. ДРУГИЕ СПОСОБЫ ИСПОЛЬЗОВАНИЯ И ПРЕИМУЩЕСТВА МАТРИЦЫ BCG · Если компания может использовать кривую опыта к своему преимуществу, то она дожна быть способна производить и реализовывать новые товары по цене достаточно низкой для того, чтобы получить лидерство доли на рынке на ранней стадии. Как только она станет звездой, она будет прибыльна. · Модель BCG полезна для менеджеров, чтобы оценить баланс в текущем портфеле фирмы между Звездами (Stars), Дойными коровами (Cash Cows), Вопросительными знаками (Question Marks) и Собаками (Dogs). · Метод BCG применим к большим компаниям, которые стремятся достичь объема и эффекта опыта. · Модель проста и легка для понимания. · Она обеспечивает основание для менеджмента с тем, чтобы принять решения и подготовиться к будущим действиям.
ОГРАНИЧЕНИЯ МАТРИЦЫ BCG Некоторые ограничения матрицы Boston Consulting Group: · Она пренебрегает эффектом синергии между организационными единицами. · Высокая доля на рынке не единственный фактор успеха. · Рост рынка не единственный показатель привлекательности рынка. · Иногда Собаки (Dogs) могут приносить даже больше прибыли,чем Дойные коровы (Cash Cows). · Проблемы получения данных о доле на рынке и росте рынка. · Нет ясного определения того, что понимается под «рынком». · Высокая доля на рынке не обязательно ведет к доходности. · Модель использует только 2 параметра - доля на рынке и темпы роста. Это может спровоцировать менеджмент продвигать определенный продукт или ликвидировать продукт преждевременно. · Бизнес с низкой долей на рынке может также быть прибыльным. · Модель пренебрегает небольшими конкурентами с быстрорастущими долями на рынке. Источник: www.12manage.com Анализ матричный GE - Маккинзи McKinsey Matrix (Матрица McKinsey) более продвинута, чем BCG Matrix (Матрица BCG) в 3 аспектах: 1. Привлекательность рынка (отрасли) используется как параметр привлекательности отрасли (industry attractiveness), вместо роста рынка (market growth). Привлекательность рынка включает больше факторов, которые определяют привлекательность отрасли/рынка, чем только темпы роста рынка. 2. Конкурентное преимущество (Competitive strength) заменяет долю на рынке (market share) в качестве параметра оценки конкурентоспособности SBU. Конкурентное преимущество также включает больше факторов, которые могут определить конкурентное преимущество стратегической бизнес единицы, чем только доля на рынке. И наконец, GE matrix (Матрица GE) работает в формате матрицы 3*3, тогда как BCG Matrix (Матрица BCG) - в формате 2*2. Это также объясняет большую изысканность.
Часто, Стратегические бизнес единицы изображаются в форме кругов в GE matrix (Матрица GE), где: · Размер круга обозначает размер рынка · Размер доли круга представляет долю на рынке SBU · Стрелки представляют направление и движение SBU в будущем
1. Определите движущие факторы каждого параметра. Корпорация должна тщательно определить те факторы, которые важны для общей стратегии. 2. Определите удельный вес каждого фактора. Корпорация должна приписывать относительные удельные весы по важности факторов. 3. Определите показатели для SBU по каждому фактору. 4. Умножьте весы на показатели для каждого SBU. 5. Проанализируйте получаемую диаграмму и проинтерпретируйте ее. 6. Выполните анализ обзора/чувствительности (review/sensitivity analysis). Используйте другие скорректированные весы и показатели (может не существовать никакого консенсуса). Некоторые ограничения Матрицы McKinseyОценка реализации различных факторов. · Агрегирование показателей затруднено. · Ключевая компетенция не представлена. Взаимодействие между Стратегическими бизнес единицами не рассматривается. Источник: www.12manage.com Еще одной моделью стратегического анализа является «матрица направленной политики» (DPM - Direct Politic Matrice), которая была разработана британско-голландской компанией Шелл. Модель Шелл/ДПМ (Shell/DPM) была создана в развитие модели Бостонской консультативной группы (БКГ). Матрица направленной политики имеет внешнее сходство с матрицей «Дженерал Электрик – МакКинзи», но в то же время является своеобразным развитием идеи стратегического позиционирования бизнеса, заложенной в модель БКГ. Матрица Шелл/ДПМ – двухфакторная матрица размером 3x3. Она базируется на оценках как количественных, так и качественных параметров бизнеса.
В модели Шелл/ДПМ по сравнению с моделью «Дженерал Электрик – МакКинзи» сделан больший упор на оценку количественных параметров. С помощью модели Шелл/ДПМ оценивается сразу и поток денежной наличности (матрица БКГ) и отдача от инвестиций (матрица «Дженерал Электрик – МакКинзи»). Также как и в модели «Дженерал Электрик – МакКинзи», здесь могут оцениваться виды бизнеса, находящиеся на разных стадиях жизненного цикла.
Как и для матриц БКГ и "Дженерал Электрик - МакКинзи", для матрицы в литературе выделяются переменные конкурентоспособности компании и привлекательности отрасли, которые используются построении матрицы Шелл/ДПМ и поведении портфельного анализа:
Источник: www.stplan.ru Анализ оборачиваемости включает исследование оборачиваемости активов (постоянных и текущих), текущих пассивов и анализ "чистого цикла". Целью анализа оборачиваемости активов является оценка способности средств предприятия приносить прибыль путем совершения ими оборота по классической схеме "Деньги – Товар – Деньги". Скорость оборота активов находится в прямой связи с показателями рентабельности собственного капитала. Основным показателем, характеризующим оборачиваемость активов, является период оборота – продолжительность одного оборота актива в днях. Оборачиваемость активов (Оа) показывает, сколько раз за период (год) “обернулся” рассматриваемый вид актива (А) Оа = ВР/Аср, где Аср = (Анп + Акп) / 2 ВР – выручка о реализации; Анп и Акп – значение актива на начало и конец периода. Период оборота актива (ПОа) показывает, какова продолжительность одного оборота актива в днях (срок “бездействия”). ПО а = Аср / ВР за день Выручка о реализации за день (ВР за день) рассчитывается делением суммы выручки от реализации за определенный период на продолжительность этого периода. База для определения периодов оборота каждого элемента текущих активов может быть различной, она соответствует экономическому содержанию соответствующих показателей. Для дебиторской задолженности – выручка от реализации, для запасов – общая величина запасов, потребляемых за определенный период, для незавершенного производства и готовой продукции на складе – производственная себестоимость продукции. При этом в расчете не участвуют “запасонеобразующие” элементы из общей величины затрат за период. В частности, период оборота запасов (ПО зап) рассчитывается по формуле ПО зап =ЗАП ср / [(ПостЗ + ПерЗ) – Ам – ЗарПл – Э – КомРасх)за день] ЗАПср – средний объем запасов за период; ПостЗ, ПерЗ – постоянные и переменные затраты, соответственно; Ам – начисленная за период величина амортизационных отчислений (вычисляется из дополнительных данных); ЗарПл – начисленная за период величина заработной платы; Э – затраты на электроэнергию за данный период; КоммРасх – величина коммерческих расходов данного периода. В прилагаемом расчете периоды оборота текущих активов по видам осуществляются по упрощенной формуле, в частности период оборота запасов: ПО зап = ЗАП ср / [(ПостЗ + ПерЗ)за день] Расчет периодов оборота текущих пассивов (ПОтп) осуществляется аналогично. В прилагаемом расчете он производится по упрощенной формуле. ПО тп = Пассив ср / ВР за день Пассив ср – средняя величина того или иного элемента текущих пассивов. Рассчитывается по данным агрегированного баланса как полусумма величин пассива на начало и на конец периода. Так, период оборота кредиторской задолженности составляет: ПО кред = ПредъявлСчета / [(ПостЗ + ПерЗ)за день] ПредъявлСчета – средняя величина кредиторской задолженности. Сумма периодов оборота отдельных составляющих текущих активов, за исключением денежных средств, составляет “затратный цикл” предприятия. Сумма периодов оборота текущих пассивов составляет “кредитный цикл” предприятия. Разность между “затратным циклом” и “кредитным циклом” представляет собой чистый цикл. “Чистый цикл” – показатель, характеризующий финансовую организацию основной производственной деятельности. “Чистый цикл” характеризует часть “затратного цикла (цепочки превращения Деньги 1 – Товар – Деньги 2), непрофинансированного за счет участников производственного процесса Рост данного показателя свидетельствует о росте потребности в финансировании со стороны внешних по отношению к производственному процессу источников (собственный капитал, кредиты). Отрицательное значение “чистого цикла” может означать, что кредиты поставщиков и покупателей с избытком покрывают потребность в финансировании производственного процесса и предприятие может использовать образующийся излишек на иные цели, например, на финансирование постоянного капитала. Источник: www.gkrcb.bashkortostan.ru Анализ пат (Пат - анализ, анализ троп) Регрессионный анализ может быть достаточно полезен для проверки отдельных гипотез и изучения относительного влияния различных независимых переменных. Однако регрессия предлагает такую модель причинных связей, которая не всегда отражает всю сложность окружающего мира. Если нам захочется определить решающие факторы расовой сегрегации в системе общеобразовательных школ, например, мы можем предположить, что школьная сегрегация вызвана сегрегацией в системе расселения (поскольку большинство школ тяготеет к географическим регионам), а она в свою очередь расовыми различиями в доходах. Диаграмма причин, или модель взаимосвязей, построенная по схеме, предложенной в гл. 2, изображена на модели 1. Модель 1. X1 – расовые различия в доходах, Х2 – жилищная сегрегация и Х3– школьная сегрегация Эта простая диаграмма – типичная модель, полученная в результате обычного регрессионного анализа; она показывает, что НП оказывают воздействие на ЗП независимо друг от друга. В реальной же социальной ситуации НП часто влияют друг на друга так же, как и на ЗП. Если вспомнить наш пример, то мало-мальские знания об объекте исследования позволят предположить, что различия в доходах влияют на жилищную сегрегацию так же, как и на школьную сегрегацию, поскольку менее дорогие и более дорогие дома обычно географически тяготеют друг к другу. Признание этого факта означало бы, что мы пересмотрели нашу модель, Можно предположить, что существует последовательное развитие, в [c.454] котором одна НП оказывает воздействие на ЗП исключительно через изменения, вызванные ею в другой НП. Это можно изобразить так: Модель 2 Более глубокое проникновение в предмет может привести к пониманию того факта, что расовые различия в доходе влияют на школьную сегрегацию как прямо, так и через жилищную сегрегацию, поскольку более состоятельные люди могут помещать своих детей в частные школы. Эту информацию можно отразить в модели путем изображения прямых стрелок от X1 к Х3, как в модели 3. Модель 3. Пат-анализ – это способ статистического анализа, которым можно оценить точность таких моделей путем эмпирической оценки прямых и непрямых воздействий одной переменной на другую. Его широко применяют в социальных науках, поскольку он пригоден для решения широкого круга исследовательских задач и имеет то преимущество, что с его помощью можно проверить сразу значительную долю теории, а не проверять каждую гипотезу в отдельности. Наша цель – познакомить вас с основными процедурами пат-анализа и научить читать пат-диаграммы, которые могут встретиться вам в литературе. Мы не станем вникать во все детали, усвоение которых необходимо для более серьезного и глубокого применения этого метода, поэтому вы поступите мудро, если почитаете что-нибудь еще, прежде чем попытаетесь применить пат-анализ для решения сложных исследовательских задач. Рекурсивные и нерекурсивные модели. Пат-анализ начинается с построения концептуальной модели, которая выделяет причинные связи, реально существующие, по мнению исследователя, в окружающем мире. Для пат-анализа модель 3 следует перестроить и представить как модель 4, где величина обозначает те колебания связанных с ними переменных, которые не могут быть объяснены колебаниями других переменных в модели. [c.455] Модель 4 Затем модель представляется в виде математического уравнения. Однако любая модель, в которой НП независимы друг от друга (как в модели 1), не может быть представлена одним уравнением, ее следует описывать несколькими структурными уравнениями. Модель 4 будет представлена следующим набором уравнений: X1 = р1uRu; p в этих уравнениях представляет пат-коэффициенты, которые подытоживают размер или силу воздействия, оказываемого одной переменной на другую при постоянных воздействиях других переменных. Общепринятый способ написания пат-коэффициента – pij, что обозначает направление от переменной j к переменной i. Таким образом, набор данных уравнений говорит о том, что величина X1 целиком обусловлена факторами, лежащими за пределами модели, величина X2 обусловлена X1 и факторами вне модели, и величина X3 обусловлена X1, X2 и факторами вне модели. Такие переменные, как X2 и X3, которые хотя бы частично определены другими переменными данной модели, называются эндогенными, а переменные, полностью обусловленные внешними по отношению к модели факторами, называются экзогенными. Модели подразделяются на рекурсивные и нерекурсивные. Модель рекурсивна тогда, когда все задействованные в ней переменные могут быть расположены так, что первая будет определяться только внешними факторами, вторая – только внешними факторами и первой переменной, третья – только внешними факторами и первой и второй переменными и т.д. Короче говоря, все это означает, что все причинные влияния должны осуществляться в одном направлении без “обратной связи”7. Модель 4 – это пример рекурсивной модели. Если между любыми переменными модели существует обратная связь (взаимная причинность), то она считается [c.456] нерекурсивной. Например, мы могли добавить переменную “род занятий” (X4) к модели школьной сегрегации и заявить, что раздельное обучение ведет к расовым различиям в профессиональных достижениях, а это в свою очередь вызывает различия в доходах, так что модель уже будет выглядеть как модель 5. Модель 5. Эта модель уже не содержит переменных, целиком обусловленных внешними по отношению к ней факторами, и является нерекурсивной. Такие модели требуют особых способов анализа, что лежит за рамками данной книги8. Впрочем, рекурсивные модели вполне можно изучать методами обычной регрессии наименьших квадратов, описанной выше. Если переменные представлены в стандартизованном виде, пат-коэффициенты можно посчитать, как коэффициенты стандартизованной регрессии, производные от регрессии. Использование пат-анализа. Можно проверить эмпирические предположения насчет верности выдвинутых в модели предположений путем подсчета серии регрессий, где каждая эндогенная переменная регрессировала со всеми переменными, которые предположительно на нее влияют. Чтобы пример был чисто гипотетический, возьмем пятипеременную рекурсивную модель, изображенную на модели 6 (остаточное влияние убрано для простоты изображения). Чтобы проверить эту модель, мы определим регрессию X5 на X1 через X4, Х4 на X2 и X3 и X3 на X1. X1 и X3 будем считать экзогенными. Если значение любого из пат-коэффициентов (коэффициентов стандартизованной [c.457] регрессии), полученных при этих расчетах, приближается к 0 или является статистически незначимым, то это свидетельствует о том, что мы неверно построили модель, предположив в ней взаимосвязь, которой на самом деле в данных нет. Кроме этого, можно проверить верность наших предположений относительно отсутствия взаимодействия путем вычисления регрессии между эндогенными переменными и теми, с которыми они, по нашему мнению, не связаны. Например, для проверки модели 6 нам нужно вычислить регрессию X3 на X1 и X4 на X1, чтобы выяснить, не следовало ли изобразить те стрелки, которые мы опустили. Если полученные пат-коэффициенты существенно отличны от 0 (>=0,2, например) и статистически значимы, нам придется заключить, что модель (и наша теория о тех явлениях, которые ею представлены) нуждается в пересмотре. Одним из важнейших достоинств пат-анализа является то, что он облегчает разработку теории тем, что побуждает использовать теорию и анализ данных в плодотворном взаимодействии, где одно дополняет другое. Пат-анализ такого типа позволит судить не только о том, связаны ли переменные в нашей модели именно так, как мы предполагали, но и о том, каково относительное влияние каждой переменной на другие переменные в данной модели. Суммарное воздействие одной переменной на другую равно значению или силе прямой связи между ними плюс значение или сила непрямых связей, существующих между ними. Сила непрямой связи измеряется произведением тех прямых связей, из которых она состоит. Например, в модели 6 общее воздействие X2 на X5 равно р52+(р42 • р54), а общее воздействие X1 на X5 будет равно (p21 • p52) + (p21•р42• p54). Везде, где используются коэффициенты стандартизованной регрессии, можно использовать этот способ сравнения суммарных воздействий разных переменных в рамках одной системы. Знать его крайне полезно, поскольку он может помочь как рядовым гражданам, так и руководителям направить свои усилия именно туда, где [c.458] они будут иметь наибольший эффект. Например, если мы пытаемся убедить людей в необходимости пристегивать ремни, мы можем сначала выяснить, какой из нескольких факторов, определяющих это решение, имеет наибольшее влияние, и затем направить все усилия на изменение именно этой переменной. Пат-анализ может быть также использован для сравнения воздействия переменных в разных системах. Если вернуться к примеру о школьной сегрегации, то можно собрать данные по Антланте, Лос-Анджелесу и Детройту и проверить верность модели 4 по каждому городу. Если мы не стандартизируем данные и используем коэффициенты нестандартизованной регрессии, то мы можем сравнить, скажем, влияние жилищной сегрегации на школьную сегрегацию в каждом из этих городов, чтобы понять, как интересующие нас причинные взаимодействия изменяются от города к городу. Необходимо использовать нестандартизованные коэффициенты, поскольку стандартизация ставит значение пат-коэффициента в зависимость от вариации переменной в данном массиве. Если, например, в одном городе школьная сегрегация проявляется гораздо сильнее, чем в другом, относительный размер коэффициента стандартизованной регрессии будет отражать степень этих различий в разбросе, а не действительную разницу в относительной силе проявления этой переменной в различных городах. Общее правило – использовать стандартизованные коэффициенты при сравнении воздействий разных переменных в рамках одного массива и нестандартизованные коэффициенты при сравнении воздействий одних и тех же переменных в различных массивах9. Считается, что именно нестандартизованные коэффициенты позволяют судить о тех “причинных законах”, которые управляют общественным развитием. Источник: Мангейм Дж.Б., Рич Р.К. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
![]() |