Masarykova univerzita Ekonomicko-správní fakulta. Studijní obor: Podniková ekonomika a management CONTROLLING ODBYTU

Ma sa ryk ova un i verzit a Ekonomicko-správní fakulta Studijní obor: Podniková ekonomika a management

CONTROLLING ODBYTU Sales Controlling Diplomová práce

Vedoucí diplomové práce:

Autor:

Ing. Ladislav ŠIŠKA, Ph.D.

Veronika ŠIMOVÁ

Brno, 2016

J mé no a př íj me ní aut or a:

Veronika Šimová

Náze v d ip lo mo vé pr áce:

Controlling odbytu

Náze v pr áce v a ng ličt ině:

Sales Controlling

Kat edr a:

podnikového hospodářství

Vedo ucí d ip lo mo vé pr áce:

Ing. Ladislav Šiška, Ph.D.

Ro k o bha jo by:

2016

Anotace Diplomová práce „Controlling odbytu“ se zaměřuje na téma prognózování prodeje, jakožto prvotního a zásadního vstupu pro další práci controllingu. Práce se věnuje zhodnocení současného způsobu prognózování ve vybrané společnosti a návrhu metody, která přinese zpřesnění odbytových prognóz. Je zjištěno, že prognózy ve sledované společnosti nejsou v souladu s tím, co doporučuje odborná literatura. Na základě dekompozice časové řady historických prodejů je navrhnuta Holt-Winters metoda a testováním je potvrzeno, že s touto metodou je možné dosáhnout přesnějších predikcí, nežli je dosahováno v současnosti pomocí kvalitativní prognostické metody.

Annotation Thesis “Sales Controlling“ focuses on Sales Forecasting, which is the first and essential input for subsequent controlling work. The goal of the thesis is to analyse current process of sales forecasting in selected company and propose a method that will make the prognosis more accurate. It is found out that forecasting in analysed company is not in compliance with recommendation of reference literature. Based on time series decomposition, Holt-Winters method is selected to make a better forecast and it is proven by statistical testing that this method brings more accurate results than qualitative forecasting method that is currently used.

Klíčová slova Prognostické metody, kvalitativní metody, kvantitativní metody, metoda exponenciálního vyrovnání, Holt-Winters metoda, časová řada, dekompozice, sezónní složka, trend

Keywords Forecasting, forecasting methods, qualitative methods, quantitative methods, exponential smoothing method, Holt-Winters method, time series, decomposition, seasonality, trend

Prohlášení Prohlašuji, že jsem diplomovou práci Controlling odbytu vypracovala samostatně pod vedením Ing. Ladislava Šišky, Ph.D. a uvedla v ní všechny použité literární a jiné odborné zdroje v souladu s právními předpisy, vnitřními předpisy Masarykovy univerzity a vnitřními akty řízení Masarykovy univerzity a Ekonomicko-správní fakulty MU. V Brně dne 9. května 2016

vl a s t n or u čn í p od p i s a u t or a

Poděkování Na tomto místě bych ráda poděkovala Ing. Ladislavu Šiškovi, Ph.D. za jeho cenné rady, připomínky a ochotu poradit při zpracování této diplomové práce. Rovněž bych ráda poděkovala představitelům společnosti, kteří byli ochotni poskytnout mi materiály a informace, bez nichž by tato práce nemohla vzniknout.

OBSAH ÚVOD ............................................................................................................................ - 13 TEORETICKÁ ČÁST .................................................................................................. - 15 1

2

VÝBĚR PROGNOSTICKÉ METODY ................................................................ - 15 1.1

Cíl prognózy ..................................................................................................... - 16 -

1.2

Charakteristika dat a jejich dostupnost ............................................................... - 18 -

1.2.1

Prognózy při nedostupnosti historických odbytových dat ........................... - 18 -

1.2.2

Shrnutí ....................................................................................................... - 22 -

1.3

Časový horizont ................................................................................................ - 23 -

1.4

Frekvence .......................................................................................................... - 24 -

1.5

Shrnutí .............................................................................................................. - 25 -

PROGNÓZOVÁNÍ PRODEJŮ V AUTOMOBILOVÉM PRŮMYSLU ............. - 27 2.1

3

Shrnutí .............................................................................................................. - 29 -

MĚŘENÍ PŘESNOSTI PROGNÓZ ..................................................................... - 30 -

APLIKAČNÍ ČÁST ...................................................................................................... - 32 4

PŘEDSTAVENÍ SPOLEČNOSTI ŠKODA AUTO ............................................. - 32 4.1

Historie vzniku .................................................................................................. - 32 -

4.2

Současnost ........................................................................................................ - 33 -

4.2.1

Finanční výsledky ...................................................................................... - 35 -

4.2.2

Strategie ..................................................................................................... - 37 -

4.2.3

Vlastnická struktura ................................................................................... - 38 -

4.2.4

Výrobní závody.......................................................................................... - 39 -

4.2.5

Organizační struktura ................................................................................. - 41 -

4.3 5

Shrnutí .............................................................................................................. - 41 -

ANALÝZA PROGNÓZOVÁNÍ ODBYTU .......................................................... - 42 5.1

Organizační struktura oblasti Prodej a marketing ............................................... - 42 -

5.2

6

5.2.1

Dlouhodobá prognóza ................................................................................ - 46 -

5.2.2

Krátkodobá prognóza ................................................................................. - 47 -

DISKUZE SOUČASNÉHO ZPŮSOBU VYTVÁŘENÍ PROGNÓZ ................... - 49 6.1

7

Proces prognózování ......................................................................................... - 45 -

Shrnutí............................................................................................................... - 52 -

NÁVRH METODY PRO KRÁTKODOBOU PROGNÓZU ............................... - 54 7.1

Definice a operacionalizace hypotézy ................................................................ - 55 -

7.2

Výběr a aplikace kvantitativní prognostické metody .......................................... - 55 -

7.2.1

Předběžná analýza dat časové řady ............................................................. - 55 -

7.2.2

Rozhodnutí o výběru .................................................................................. - 62 -

7.2.3

Aplikace Holt-Wintersovi multiplikativní metody ...................................... - 62 -

7.3

Měření přesnosti prognóz .................................................................................. - 65 -

7.3.1

Holt-Winters metoda .................................................................................. - 65 -

7.3.2

Kvalitativní metoda subjektivního odhadu .................................................. - 67 -

7.4

Komentář, doporučení ....................................................................................... - 69 -

7.5

Věcné a ekonomické dopady doporučení ........................................................... - 71 -

ZÁVĚR .......................................................................................................................... - 73 SEZNAM POUŽITÝCH ZDROJŮ .............................................................................. - 75 SEZNAM GRAFŮ ......................................................................................................... - 81 SEZNAM TABULEK .................................................................................................... - 82 SEZNAM OBRÁZKŮ ................................................................................................... - 83 SEZNAM POUŽITÝCH ZKRATEK ........................................................................... - 84 SEZNAM PŘÍLOH ....................................................................................................... - 85 -

ÚVOD Aby mohli manažeři vykonávat svou práci, tj. formulovat plány, stanovovat cíle a rozhodovat, potřebují být náležitě informováni a to nejen o současném výkonu společnosti, ale zejména o výkonu budoucím. Znalost budoucího výkonu společnosti je zásadní i pro mnohé další subjekty, tzv. stakeholdery. Vedle například dodavatelů, odběratelů, zákazníků nebo státu jsou to zejména investoři, kteří potřebují informace o budoucím výkonu firmy, aby byli schopní formulovat své stanovisko ohledně perspektivy firmy a výhodnosti investic do ní. Pro investory představuje odhad budoucí prosperity jedno ze základních kritérií při rozhodování, zda investovat či nikoliv. Hlavním nástrojem pro tvorbu komplexního obrazu budoucího stavu společnosti je pro-forma (očekávaná) výsledovka. V podstatě jde o predikci stavu společnosti na konci prognózovaného období. Prvním krokem k vytvoření pro-formy výsledovky bývá odhad budoucích prodejů. Od budoucích prodejů pak závisí plánování výnosů, nákladů a zisku a na jejich základě probíhá tvorba strategických plánů nebo výpočet hodnoty společnosti. Prognóza budoucích prodejů je tak základním kamenem finančního a strategického plánování každé firmy. Proto, aby mohli ať už analytici, investoři nebo samotná firma provést odhad budoucího výkonu nebo budoucí hodnoty společnosti, musejí začít odhadem budoucích prodejů. Z toho důvodu je nezbytně nutné, aby byl tento odhad co možná nepřesnější. Jen tak je možné vyvarovat se rozhodnutím, která mohou mít v případě špatně odhadnutých budoucích prodejů likvidační účinky. Důležitost přesného odhadu budoucích prodejů potvrzují vedle mnohých dalších autorů také Parimit a Arora (2015) a udávají některé konkrétní případy, pro něž je znalost budoucí situace firmy a tedy i budoucích prodejů nezbytná. Jedná se zejména o strategické otázky typu: Jaká má být v následujícím období velikost firmy, abychom byli schopni vyhovět poptávce našich zákazníků? Jaké množství reklamy a podpory prodeje bude potřeba? Bude nutné upravit cenu, a jakým způsobem? S dalšími autory se shodují v tom, že predikce budoucích prodejů je klíčovým vstupem pro finanční a strategické plánování a je nezbytnou součástí manažerské práce. Na základě výše popsaných důvodů nemohou o důležitosti predikce budoucích podejů vzniknout pochybnosti. Otázkou stále zůstává, která z mnohých prognostických metod

- 13 -

a přístupů je pro předpověď budoucích prodejů nejvhodnější, respektive pomocí které z metod lze dosáhnout co možná nejpřesnějších výsledků. Hledáním odpovědí na tuto otázku se v minulosti zabývalo již mnoho autorů. Existuje nespočet empirických výzkumů, jež mají za cíl odhalit vztahy mezi jednotlivými metodami a jejich konkrétním využitím, anebo se snaží zjistit, který přístup se těší největší oblibě mezi uživateli. V zásadě se dá k prognózování přistoupit buďto za pomocí některé z kvalitativních metod, které bývají ve velké míře využívány v podnikové praxi a jsou založeny na subjektivním názoru experta nebo skupiny expertů, anebo za pomocí metod kvantitativních, jež využívají aplikovanou matematiku a statistiku. Při výběru metody pro konkrétní využití však vždy záleží na mnoha okolnostech. Dílčím cílem této práce je pomocí rešerše odborné literatury identifikovat faktory, které výběr vhodné prognostické metody do značné míry ovlivňují. Na základě znalosti těchto faktorů a znalosti vztahů mezi konkrétními metodami a jejich využitím bude možné kriticky zhodnotit současnou praxi v prognózování odbytu ve vybraném podniku a navrhnout zlepšení stávajícího procesu. Hlavním cílem práce je navrhnout konkrétnímu podniku takovou prognostickou metodu, se kterou bude možné dosáhnout v predikování budoucích prodejů lepších výsledků, nežli je dosahováno v současnosti. K tomuto účelu bude nutné nejprve zanalyzovat stávající proces vytváření predikcí budoucích prodejů ve vybraném podniku. Analýza bude provedena za pomocí polostrukturovaných rozhovorů s odpovědnými zaměstnanci firmy. Poté budou z firemních systémů získána data ukazující historické hodnoty prodejů na vybraném odbytovém trhu a ty budou následně porovnány s predikcemi, které byly na toto období pro daný trh ve společnosti vytvořeny. Díky tomu bude možné vyhodnotit, do jaké míry byly predikce úspěšné. Tento výsledek bude srovnán s výsledkem, kterého bude dosaženo pomocí aplikace některé z kvantitativních prognostických metod. Metoda bude vybrána na základě informací obsažených v teoretické části práce.

- 14 -

TEORETICKÁ ČÁST

1 VÝBĚR PROGNOSTICKÉ METODY Před tím, než je zahájen samotný proces prognózování prodejů, je důležité porozumět účelu predikcí. Finney a Joseph (2011) a Robert a Fotios (2015) například hovoří o provedení tzv. auditu současného stavu a požadavků kladených na prognózování. Za pomoci auditu by mělo být odpovězeno na otázky jako: Za jakým účelem má být předpověď provedena? Kdo bude využívat její výsledky? Jaký je horizont plánování? Jakou přidanou hodnotu by přineslo zpřesnění předpovědí? Odpovědi na tyto a podobné otázky do značné míry ovlivňují výběr vhodné prognostické metody a přispívají tak k dosažení požadovaných výsledků. Tato kapitola si klade za cíl upozornit na faktory, které výběr prognostické metody zásadně ovlivňují. Na základě poznatků obsažených v této kapitole bude možné kriticky zhodnotit současný proces prognózování v analyzované společnosti a také vybrat pro analyzovaný podnik jiný, vhodnější přistup. Výběr vhodné metody by podle Makridakise (1998, str. 532) neměl být za žádných okolností založen pouze na tom, jakou daná metoda dosahuje přesnost nebo jak sofistikovaná a komplexní je.

Upozorňuje na tyto faktory, které by měly být při výběru metody

zohledněny: (1) Cíl prognózy – Je cílem pouze předpovědět budoucnost zkoumané proměnné anebo chceme také porozumět vztahům mezi zkoumanou proměnnou a faktory, které ovlivňují její vývoj v čase? (2) Charakteristika dat a jejich dostupnost – Vykazují data časové řady, jejíž budoucnost chceme předpovědět, nahodilý charakter nebo lze vypozorovat určitý trend? Jsou data vůbec k dispozici? (3) Časový horizont – Potřebujeme vytvořit předpověď roční, čtvrtletní, měsíční nebo dokonce denní? (4) Frekvence – S jakou frekvencí se mají prognózy opakovat?

- 15 -

Následující podkapitoly se budou těmto faktorům věnovat blíže, přičemž budou diskutovány názory různých autorů a budou komparovány poznatky z různých výzkumů, které byly na toto téma provedeny. Vše bude provedeno s cílem identifikovat, jak je výběr vhodné metody ovlivněn konkrétní situací a potřebou.

1.1 Cíl prognózy Výběr metody velkou měrou ovlivňuje cíl, kterého chceme předpovědí dosáhnout (Makridakis, 1998). Je nutné si uvědomit, zdali mají být zkoumány faktory, které ovlivňují prognózovanou proměnnou (v našem případě prodeje), nebo nám jde o prosté získání hodnot této proměnné v budoucnu bez vazby na vývoj ovlivňujících faktorů. V prvním případě bychom použili vysvětlující – regresní nebo ekonometrický model, který je schopný měřit působení jednotlivých faktorů na prognózovanou proměnnou. Takový model by dokázal například říci, že pokud zvýšíme marketingovou podporu o 1 %, prodeje se zvýší o 2,5 %, pokud zvýšíme podporu o 5 %, prodeje se zvýší o 12,5 %. Podle vysvětlujícího modelu platí, že jakákoliv změna faktoru působícího na prodeje, ovlivní prodeje samotné a to způsobem, který je předvídatelný. Hindls a kol. (2000) hovoří o využití regresní analýzy například pro odhad průměrné spotřeby či poptávky domácností. Z odhadu poptávky pak lze snadno odvodit odhad budoucích prodejů. Při regresní analýze jde o to, odhalit závislost jedné proměnné (poptávky, prodejů) na jiných proměnných (HDP, konkurence, inflace, atd.). Proměnná, jejíž hodnoty mají být odhadovány, se nazývá závisle proměnná, proměnné, pomocí nichž se tyto odhady provádějí, jsou vysvětlující proměnné. Velikost prodejů zpravidla závisí na velkém počtu činitelů, a proto je účelné zapojit do odhadů větší počet vysvětlujících proměnných - hovoří se pak o vícenásobné regresi. Čím více vysvětlujících relevantních proměnných je přitom do odhadu zahrnuto, tím přesnějších předpovědí lze dosáhnout. Jak ovšem Hindls a kol. (2000) uvádí, zkušenosti z aplikace regresní analýzy ukazují, že není vhodné aplikovat vysvětlujících proměnných příliš mnoho, protože analýza se tak zbytečně komplikuje a výsledky obtížně interpretují. Nejjednodušším z regresních modelů je podle Hindls a kol. (2000) tzv. klasický lineární regresní model, který mimo jiné předpokládá, že regresní funkce je lineární. Jak

- 16 -

ovšem sám autor přiznává, v praxi má smysl použít spíše takové regresní funkce, které jsou nelineární. O těch ale z důvodu jejich složitosti již nepojednává. Využití regresní analýzy může být velmi užitečné, neboť regresní analýza nám umožní porozumět vztahům mezi sledovanou (závisle) proměnnou a ovlivňujícími (vysvětlujícími) proměnnými. Pokud je ale cílem prováděné prognózy pouze zjistit, jak se budou prodeje vyvíjet v budoucnu, je vhodnější použít analýzu časových řad, která je jednodušší a její aplikace se tak stává levnější. Navíc jak uvádí Makridakis (1998), dosahuje v průměru přesnějších výsledků. Metodu časových řad zmiňují v souvislosti s prognózováním prodejů i mnozí další autoři (Arlt, 1999 a Arlt a Arltová, 2009 a Hindls a kol. 2004 a Štědroň a kol., 2012). Tvrdí, že pokud odhadujeme prodej produktu, který se již prodává určitou dobu, můžeme vysledovat vliv různých skutečností na poptávku. Při analýze časových řad se snažíme porozumět principu, kterým jsou generovány hodnoty dané časové řady. Vycházíme přitom z toho, že na základě znalosti principu generování hodnot v minulosti budeme moci určit i budoucí hodnoty této řady. Hindls a kol. (2000, str. 89) definuje časovou řadu jako „posloupnost věcně a prostorově srovnatelných pozorování, která jsou jednoznačně uspořádána z hlediska času.“ Je tedy třeba dávat si pozor, aby ukazatele v časové řadě byly vždy stejně obsahově a prostorově vymezené. K věcné nesrovnalosti může docházet, mění-li se během času způsob zjišťování hodnot. Například v situaci, kdy podnik do objemu prodejů za jednotlivé měsíce dříve zahrnoval pouze prodeje, za které již dostal zaplaceno a v průběhu času začal prodeje počítat z vystavených faktur, by logicky docházelo k věcné nesrovnalosti. Pro splnění podmínky prostorové srovnatelnost je nutné dbát na to, aby se data časové řady vždy vztahovala ke stejným geografickým územím. Rozhodnutí, zdali použít některý z vysvětlujících modelů anebo analýzu časových řad je plně subjektivní a závisí na cíli, který sledujeme. Oba diskutované přístupy mají své výhody i nevýhody. Pokud je cílem odhalení toho, jak se zkoumaná proměnná (prodeje) bude vyvíjet v budoucnu, je vhodnější použít jednodušší analýzu časových řad. Potřebujeme-li zjistit, jak bude zkoumaná proměnná reagovat na změny faktorů, které ji ovlivňují, doporučuje se aplikovat regresní model.

- 17 -

1.2 Charakteristika dat a jejich dostupnost Dalším důležitým faktorem ovlivňujícím výběr prognostické metody je podle Makridakis (1998) charakteristika dat. Při vytváření predikcí je většinou dostupná informace o tom, jak se predikovaná proměnná vyvíjela v minulosti. Každý podnik si vede záznamy o svých minulých prodejích, takže pro něj není složité tato data shromáždit a vytvořit tak časovou řadu. Data časové řady je nutné očistit o sezónní výkyvy a následně určit, zda vykazují určité trendy a vzory nebo zda je jejich vývoj čistě náhodný. Makridakis (1998) říká, že „čím více dominuje náhoda nad trendem, tím výhodnější se stává využití jednodušší metody.“ Pro situaci, kdy jsou analyzovaná data stacionární a nevykazují významný trend nebo sezonalitu, je možné pro prognózu jejich budoucího vývoje využít metodu klouzavého průměru. Pro časové řady bez trendu a bez sezonality je dále možné využít metody exponenciálního vyrovnání. Zatímco metody klouzavých průměrů hodnotí historická pozorování stejnou vahou, metody exponenciálního vyrovnání přidávají exponenciálně se zvyšující váhu nejnovějším pozorováním a zvyšují tak přesnost prognóz. Jinými slovy - posledním dostupným pozorováním je připsána relativně vyšší váha než starším pozorováním. V případě klouzavého průměru jsou všechna historická pozorování hodnocena stejnou vahou. Ale exponenciální vyrovnání využívá jeden nebo více parametrů, které musejí být vypočítány nebo odhadnuty a kterými se určuje, jaká váha bude připsána historickým pozorováním. Metoda exponenciálního vyrovnání byla poprvé představena v roce 1957 profesorem C.C. Holtem a byla konstruována pro nesezónní časovou řadu bez trendu. Metoda jednoduchého exponenciálního vyrovnání byla později Holtem rozšířena tak, aby se dokázala vyrovnat s daty vykazujícími trend. Holtova metoda pro časovou řadu s trendem byla v roce 1960 rozšířena matematikem Wintersem a vznikla tak Holt-Wintersova metoda pro časovou řadu s trendem a sezonalitou (Gelper, 2010).

1.2.1 Prognózy při nedostupnosti historických odbytových dat Všechny doposud diskutované metody jsou založeny na historických datech. Může se ovšem stát, že historická data k dispozici nejsou a odhalení jejich charakteristik je tak nemožné. Toto může platit například pro nově vzniklou firmu, která logicky žádné záznamy o svých

- 18 -

minulých prodejích nemá. Na problém nedostatku relevantních informací může narazit firma také v případě, chce-li predikovat objem budoucích prodejů na trhu, na nějž nově vstupuje. Podobná situace nastává, přichází-li firma na trh s novým výrobkem. Schopnost predikce prodejů u nových produktů ještě před jejich uvedením na trh se v současné době stává velmi klíčovým faktorem, neboť firmy neustále přicházejí s novými výrobky a musejí se tedy potýkat ať už částečným nebo úplným nedostatek dat z minulých prodejů. Vstup s novým výrobkem je mimo jiné provázen také velkou nejistotou, s jakým ohlasem a oblibou bude nový produkt spotřebiteli přijat. Assmus (1984) definoval predikci prodejů nových produktů jako jednu ze stěžejních a nejzodpovědnějším úloh v managementu. Bez předpovědi prodejů není možné udělat zodpovědná rozhodnutí při uvádění produktu na trh, avšak vzhledem ke specifikům předpovědí prodejů pro nové výrobky lze použít pouze určité metody. Otázce, jaké modely jsou pro takovou situaci vhodné a které nikoli se věnuje poměrně velké množství autorů. Modely, které nejsou úspěšné, a tudíž nejsou pro tyto účely používány, popsal například Mahajan (1990). Metody, které lze využít pro předpovědi prodejů nových produktů, rozděluje Kahn (2006) následujícím způsobem: - Metody založené na hodnocení analytiků - Spotřebitelský průzkum trhu - Metody využívající umělou inteligenci. První kategorií metod vhodných pro předpověď prodejů nových výrobků jsou metody založené na sdělení zkušených specialistů ohledně předpovědi budoucích prodejů. Štědroň et al. (2012) řadí k nejznámějším metodám založeným na úsudku specialistů panel expertů, delfskou metodu a metodu analogie. Díky panelu expertů, který integruje velké množství vstupních dat sesbíraných během delšího časového úseku lze získat zprávu, která obsahuje varianty dalšího možného vývoje zkoumané problematiky. Na základě takovéto zprávy pak lze provést odhad budoucích prodejů. Metoda Delphi je založena na anonymním expertním odhadu odborníků, který se provádí v několika kolech. Veškeré odhady expertů musí být doprovázeny argumentací. Metoda analogie pak předpokládá možnost přenosu výsledků z jednoho systému na druhý. Odhady se provádějí na základě výsledků dosažených v situaci podobné té, kterou odhadujeme. Například na základě

- 19 -

vývoje prodejů v období ekonomické recese v jedné zemi lze usuzovat na obdobný vývoj při ekonomickém poklesu ve srovnatelné zemi s podobnou poptávkou. Velkou nevýhodou těchto metod je vysoká závislost na zkušenosti experta a s tím související nepřesnosti předpovědi a odpovídající výše rizika. Navzdory této nevýhodě Sanders a Manrold (2003) na základě několika studií a výzkumů došli k závěru, že manažeři často preferují metody založené na hodnocení experta oproti komplexním a složitějším kvantitativním metodám. Druhá skupina metod - spotřebitelský průzkum trhu - je založena na sběru dat tykajících se trhu a zákazníků, na základě kterých se následně provádí předpověď prodejů. Předpověď prodejů začíná mnohem dříve, než samotné uvedení produktu na trh, jelikož v úvodních fázích návrhu produktu hraje předpověď prodejů silnou roli v úloze pozdějšího úspěchu na trhu. Nejen pro prognózu prodejů nových výrobků lze využít umělou inteligenci (z ang. Artificial Intelligence). V tomto případě se jedná o metody založené na pokročilých algoritmech a statistických výpočtech. Jako hlavní zástupce lze uvést expertní systémy a neuronové sítě, o jejichž použití pro předpovídání budoucích prodejů hovoří Parry a kol. (2011) a Chu a Cao (2011). Výhodou těchto metod je jejich neustálé přizpůsobování a zlepšování predikce s přibývajícími daty z prodejů. S použitím těchto modelů lze dosáhnout velmi vysoké přesnosti předpovědi, ovšem obtížně se aplikují a představují často problém pro reálné použití pro management. Podle Palepau (2013) může být východiskem pro predikci prodejů nových výrobků nebo predikci prodejů nové firmy vstupující na trh i tzv. srovnávací měřítko – jakýsi předpoklad toho, jak se konkrétní ukazatele budou vyvíjet v případě absence detailních informací. Srovnávací měřítko se vypočítá statisticky jako průměrné chování finančních ukazatelů všech firem v daném odvětví. Obvykle platí, že čím míň relevantních informací máme k dispozici, tím větší důraz je kladen na takovéto srovnávací měřítko. Výzkumníci ukázali, že v některých případech jsou srovnávací měřítka dokonce skoro tak přesná, jako předpovědi založené na detailních informacích. Nemělo by docházet k velkým odchylkám mezi předpověďmi založenými na detailní analýze a mezi těmi založenými na srovnání s konkurencí. Snad jen v případě, nachází-li se firma v evidentně nestandardní finanční situaci.

- 20 -

Také Fairfield a kol. (2009) hovoří o užitečnosti využití srovnávacího měřítka a tvrdí, že vývoj objemu prodejů má tendenci se přizpůsobovat průměrnému růstu prodejů v odvětví a že ziskovost se přibližuje k průměru celé ekonomiky. Růst objemu prodejů má sklon k pohybu po určité cestě – firmy, které dosahují nadprůměrných objemů prodeje, mají tendenci přibližovat se v dlouhodobém horizontu k “normálu”, tedy průměru. Posun přitom proběhne během tří až deseti let a “normální” hodnoty růstu objemu prodeje se historicky pohybují mezi šesti a devíti procenty. Stejně tak firmy, které jsou podprůměrné z hlediska objemu růstu prodejů, mají sklon k přiblížení se průměru během několika málo let.

Graf č. 1 - Průměry růstu prodejů pro evropské firmy v období 2002 – 2011

Zdroj: Palepau (2013, str. 243)

Trend přizpůsobovat se průměrnému růstu prodejů v odvětví dokládá graf č. 1. Ten dokumentuje tento efekt po dobu deseti let od roku 2002 do roku 2011. Jako vstupní hodnoty byly použity data o objemech prodejů všech veřejně obchodovatelných firem Evropy z databáze CompustatGlobal. Firmy byly rozděleny podle růstu svých prodejů na začátku sledovaného období do pěti kategorií. První kategorie představuje dvacet procent nejlepších firem, co se týče růstu jejich prodejů. Firmy v druhé kategorii představují dalších dvacet procent nejlepších, zatímco mezi firmami spadajících do poslední kategorie figuruje dvacet procent firem s nejnižším růstem objemu prodejů. Každý rok byly sledovány a zaznamenávány nárůsty prodejů firem v těchto pěti kategoriích až do roku 2011. Výsledky byly zprůměrovány a zakresleny do grafu jako vývoj objemu prodejů každé z kategorií. V grafu je ukázáno, že firmy s vysokým počátečním růstem prodejů zaznamenaly obrovský propad – během pouhých dvou let klesl růst jejich prodejů z počátečních 69 % na asi 19 % - 21 -

a po dobu dalších sedmi let se již nedokázal znovu zvýšit, ale nadále klesal. Naopak u firem, jejichž počáteční meziroční růst prodejů byl velmi nízký, došlo k rapidnímu růstu na asi 10 % během pouhého roku až dvou let. Nakonec se růst jejich prodejů ustálil na asi 9 %. Vysvětlením pro chování, vyobrazené v grafu č. 1 může být skutečnost, že v průběhu existence firmy dochází k nasycení poptávky po jejích produktech a tak růst objemu prodejů postupně klesá s tím, jak firma dospívá. Další příčinou může být konkurence. Vysoké objemy prodejů a vysoký zisk je důvodem vstupu nových konkurentů na trh. Jejich vstup však přebírá část prodejů původní firmy. Proto, i když jsou současné objemy prodejů nadprůměrně vysoké, je nerealistické předpovídat, že tento stav bude udržen nekonečně dlouho. Jak rychle se růst prodejů přiblíží průměru, závisí od konkrétního odvětví, v němž firma působí a také od její konkurenční pozice v rámci tohoto odvětví. Někteří výzkumníci, například Fama a French (2000) nebo Ohlson a Juettner-Nauroth (2005), přesto stále pracují s předpokladem, že růst a ziskovost všech firem se přibližuje průměru stejnou rychlostí. Větší množství akademických pracovníků (Cheng, 2005 a Kothari, 2001) však opakovaně prokázalo, že existují faktory, jako například bariéry vstupu na trh, výnosy z rozsahu nebo odlišné účetní praktiky v jednotlivých odvětvích, ovlivňující délku, během níž se výkon podniku přiblíží průměru. Fairfield a kol. (2009) během svého výzkumu hodnotil a srovnával přesnost předpovědí podle toho, předpokládá-li se, že růst a ziskovost všech firem se přibližuje průměru stejnou rychlostí, anebo zdali se vezmou v úvahu specifika různých odvětví. Co se týče předpovídání prodejů, byly dosaženy přesnější výsledky, rozdělily-li se firmy podle příslušnosti k odvětví. Tento výsledek není překvapující, neboť růst prodejů silně závisí na poptávce po produktu a ta je obecně determinována na úrovni odvětví. Také Gebhardt, Lee a Swaminathan (2001) souhlasí, že model, který pracuje pouze s daty firem náležícími do stejného odvětví, dosahuje lepších výsledků v předpovědi budoucích prodejů. Dá se ovšem konstatovat, že použití takového modelu má smysl pouze v případě, existují-li velké odlišnosti mezi odvětvími jako jsou bariéry vstupu na trh, velikost poptávky nebo podnikatelské riziko.

1.2.2 Shrnutí Tato podkapitola se snažila upozornit na jeden z důležitých aspektů, který ovlivňuje výběr vhodné prognostické metody. Tímto aspektem byl charakter dat a jejich dostupnost. - 22 -

Historická data proměnné, jejíž budoucí vývoj chceme predikovat, mohou být zatížena velkou nahodilostí anebo naopak kopírovat určitý trend. Data je nutno zanalyzovat a tyto trendy odhalit. Znalost charakteristiky dat pak může pomoci rozhodnout, kterou z mnohých prognostických metod aplikovat. Ne zřídka ovšem nastává situace, kdy data dostupná nejsou. V takovém případě lze využít některý z přístupů, jež byly v této kapitole také diskutovány. Je nutné upozornit, že využití těchto přístupů není limitováno pouze na případy, kdy nejsou dostupná historická data. Ukázalo se, že tyto přístupy mohou být velmi užitečné i pro prognózu prodejů v případě, kdy historická data existují. Armstrong (2000) dokonce zjistit, že metody založené na průzkumu kupního chování domácností přinášejí přesnější výsledky nežli metody, které vycházejí z minulých prodejů. Také u srovnávacích měřítek bylo prokázáno, že jejich výsledky jsou skoro tak přesné, jako předpovědi založené na detailních informacích a statistických analýzách. Jejich aplikace je přitom ve srovnání s jinými sofistikovanějšími metodami mnohem jednodušší. Při výběru metody by proto tyto přístupy rozhodně neměly zůstat zcela stranou.

1.3 Časový horizont Na výběr vhodné metody působí vedle cílů, jež sledujeme a vlastností, které sledovaná časová řada vykazuje, také časový horizont dat. Časový horizont může být roční, čtvrtletní, měsíční, týdenní, denní, atd. Výběr časového horizontu zcela závisí na účelu, za jakým má být predikce provedena. Pro účely strategického plánování je například důležitější prognóza ročních prodejů na deset let do budoucnosti, pro operativní rozhodování a plánování výrobních kapacit je vhodné využít prognózu prodejů na jednotlivé měsíce nebo týdny. Časový horizont dat by měl být při výběru vhodné metody vzat do úvahy a to ze stejných důvodů jako charakter dat. Charakter dat a zvolený časový horizont totiž spolu v zásadě souvisejí, a to tak, že se zvyšující se agregací, tedy se zvětšujícím se časovým horizontem se snižuje nahodilost dat a jejich charakter se tak mění. Roční hodnoty prodeje vykazují mnohem menší nahodilost než například hodnoty měsíční, a to díky tomu, že v delším časovém měřítku je nahodilost do velké míry redukována, jinými slovy – fluktuuje okolo nuly.

- 23 -

Pro delší prognostický horizont proto platí stejná pravidla výběru vhodné metody, jako pro pravidelné časové řady, které jsou charakteristické velmi nízkou nahodilostí a naopak se vyznačují určitým trendem. Makridakis (1983) radí využít metodu, která bude schopná trend identifikovat a extrapolovat. Taková metoda dokáže ignorovat nahodilost a soustředí se pouze na dlouhodobý pokles anebo nárůst. V opačném případě, kdy nahodilost dominuje trendu, doporučuje použít metodu jednoduchého vyrovnání. Nezávisle na tom, vytváří-li se prognóza na krátkodobý horizont nebo na dlouhodobý horizont, všechny plány se vypořádávají s budoucností a proto v sobě zahrnují obrovskou nejistotu. Obecně platí, že čím delší plánovací horizont, tím větší nejistota. Nejistota vládne zejména v případě dlouhodobých předpovědí, od nichž se odvíjí zásadní strategická rozhodnutí týkající se klíčových oblastí jako je výše investic do vědy a výzkumu, představení nových výrobků na trhu, vstup na nové trhy, rozšíření podniku, personální strategie, nákup nových technologií a další. Chatfield (1993) proto tvrdí, že při vytváření prognóz si musí každý dobrý plánovač uvědomit, že plány jsou založeny na předpokladech a ty mají větší pravděpodobnost být špatné nežli dobré. Nejistu, která veškeré prognózy provází, je důležité do svých plánů zahrnout. Z toho důvodu by měli plánovači stanovovat plán kolem nějakého finálního čísla, v určité škále. Pokud situace ukáže, že výsledné finální číslo skončilo ve stanovené škále, jednalo se o dobře provedený plán. Pokud skončí mimo rozsah, jednalo se o špatný plán, který s sebou může nést nepříjemné následky.

1.4 Frekvence Prognózují-li se data na denní bázi, obnáší to požadavek na vyšší frekvenci provádění prognóz, nežli v případě, kdy se prognózuje čtvrtletní nebo roční časový horizont. Vyžaduje-li se vyšší frekvence provádění prognóz (například pro měsíční prodeje) je nutné aplikovat jednoduché a automatické metody, které nevyžadují příliš mnoho lidské práce. Čím vyšší je frekvence predikování, tedy čím více predikcí se musí za daný časový úsek vytvořit, tím jednodušší by měla být použitá metoda. Naopak pro predikci například ročních prodejů, která se provádí s mnohem menší frekvencí, může být použita sofistikovanější metoda, která ovšem vyžaduje zapojení více lidí a jejich vstupů (Makridakis, 1998). - 24 -

Je ovšem nutné uvědomit si, že sofistikovanější metody jsou mnohem komplikovanější a jejich využití je dražší, neboť vyžadují specializovaný software a expertního znalce, který dokáže s takovým softwarem pracovat. Je proto vždy na zvážení, zdali má využití sofistikované metody smysl či nikoliv. Navíc mnohé studie ukázaly (Armstrong, 1978 a Fildes a kol., 1997), že sofistikované ekonometrické modely nevykazují ve svých předpovědích o nic lepší výsledky, nežli jednodušší metody časových řad. Podobné závěry dokumentují Parimita a Arora (2015), kteří provedli analýzu, jejímž cílem bylo pomocí odlišných metod odhadnout budoucí prodeje konkrétní firmy a určit, která z metod bude pro danou firmu nejvhodnější. Pro kalkulaci odhadu prodejů bylo použito několik metod - naïve model, analýza časových řad, lineární regrese a exponenciální regrese. Pro každou z metod byly vypočítány statistické chyby a výsledky byly porovnány na základě nejnižší chybovosti. Toto porovnání ukázalo, že nejde jednoznačně určit nejvhodnější model pro odhad budoucích prodejů, protože pro různé výrobky firmy vyšla nejnižší chybovost u různých modelů. Na základě takto nerozhodného výsledu lze konstatovat, že použití složitějších statistických modelů nemá v praxi velké opodstatnění, neboť všechny modely přinášejí podobné výsledky.

1.5 Shrnutí Existuje mnoho prognostických metod, jejich využití se však liší v závislosti na konkrétní situaci. Bylo diskutováno několik faktorů, které je nutné mít při výběru metody na paměti. Výběr vhodné metody ovlivňuje vedle výše diskutovaných faktorů také velikost podniku, jeho stáří, příslušnost k odvětví, druh prodávaného zboží nebo geografické působiště. Pro každý podnik bude prognóza prodejů přinášet jiné nároky na její provedení. Také predikce prodejů pro zcela nový výrobek žádá jiný přístup, nežli predikce prodejů u zavedených produktů. Rozhodnutí, kterou metodu využít, bude vždy záviset na konkrétním podniku a na cíli, jemuž má predikce sloužit. Ať už je vybrána jakákoliv metoda, předpovědět budoucí prodeje správně je nadmíru důležité, protože od znalosti budoucí poptávky se odvíjí plánování výrobních kapacit, plánování dodavatelských i odběratelských vztahů i plánování investic a rozvoje podniku.

- 25 -

Obecně se dá říci, že při běžné tvorbě předpovědí v praxi jsou nejčastěji využívány analýzy expertů spolu s historickými časovými řadami prodejních výsledků pro jednotlivé druhy výrobků a pro jednotlivé segmenty. Žádná z předpovědních metod však není dokonalá, dobře provedené plánování tak obvykle pracuje s několika metodami najednou, aby bylo zahrnuto co možná nejvíce relevantních informací.

- 26 -

2 PROGNÓZOVÁNÍ

PRODEJŮ

V AUTOMOBILOVÉM

PRŮMYSLU V následující části jsou uvedeny některé poznatky z oblasti prognózování prodejů v automobilovém průmyslu a to z toho důvodu, že vybraný podnik, který bude v aplikační části práce využit k analýze současného procesu vytváření prognóz prodejů a pro něhož bude navrhnuto zlepšení stávajícího procesu, působí v automobilovém průmyslu. Tato kapitola se snaží upozornit na některé faktory, které ovlivňují nebo mohou ovlivňovat prodeje automobilů. V mnoha rozvinutých zemích je vývoj automobilového průmyslu velmi důležitý pro celkovou ekonomickou aktivitu. Mezi ekonomickou aktivitou a automobilovým průmyslem totiž existuje neobyčejně silná korelace. Výkon automobilového průmyslu se často odráží v ekonomické situaci a naopak. Vysvětlením této závislosti může být to, že na výrobě automobilů se podílí mnoho subdodavatelů a v mnohých státech, jako například i v České republice, má automobilový průmysl mezi ostatními druhy průmyslů vysoké zastoupení. Na celkové průmyslové produkci České republiky měl automobilový průmysl za loňský rok podle čísel zveřejněných Sdružením automobilového průmyslu (2015) čtvrtinový podíl (24,7 %). Na tvorbě hrubého domácího produktu se automobilový průmysl podílel v loňském roce 7,4 %. Téměř čtvrtinou se tento obor podílí také na celkovém exportu České republiky, v loňském roce to bylo 23,4 %. Oproti předchozím letem se přitom jedná o narůstající hodnoty. Také podle analýz MPO (Ministerstva průmyslu a obchodu), které využívá roční údaje ČSÚ (Českého statistického úřadu), má automobilový průmysl rozhodující podíl na celkové průmyslové produkci a jeho růst má příznivý vliv i na dodavatelská odvětví a obory. Automobilový průmysl jako celek (výrobci automobilů, dodavatelský řetězec a následný trh zahrnující tisíce malých a středních podniků) má podle vyjádření Evropské komise strategický význam také pro evropské hospodářství. Představuje 12 milionů přímých a nepřímých pracovních míst, 4 % HDP a obchodní přebytek ve výši 90 miliard EUR (v roce 2011). Graf č. 2 ukazuje, jak se podle analýz Evropské komise podeje automobilů a vývoj HDP vzájemně ovlivňovaly. Krize v automobilovém průmyslu se tak snadno přenese do celé ekonomiky země a naopak. Taktéž celosvětové makroekonomické změny mohou mít velký dopad na prodeje automobilů

- 27 -

Jedním z příkladů dopadu makroekonomických změn na prodeje automobilů je vývoj kurzů. Žádná z automobilek neobsluhuje pouze domácí trh, ale značná část objemu prodejů je realizována v zahraničí. Proto jsou automobilky neobyčejně citlivé na změny kurzů. Automobilový průmysl je také velice závislý na vývoji ceny ropy. Stále stoupající ceny ropy mohou automobilový průmysl v budoucnu významně ovlivnit, ne-li úplně změnit. Zejména v zemích, kde je poptávka po automobilech vysoce citlivá na změny cen pohonných hmot mohou zvyšující se ceny ropy přinášet pokles poptávky po tradičních automobilech. Graf č. 2 - Vývoj HDP a růst prodeje automobilů v EU a ve světě

Zdroj: Evropská komise

Někteří autoři zdůrazňují také vliv zvyšujícího se zájmu o životní prostředí na prodeje automobilů. Ryan (2009) například varuje před dopadem opatření Evropské unie ohledně povoleného množství vypouštěných emisí. Pro automobilky to může znamenat snížení prodejů v případě, že nejsou schopny podmínky Evropské unie splnit, neboť tak budou nuceny opustit trhy, kde platí zvýšené nároky na ekologičnost. Také zvýšený zájem o životní prostředí ze strany samotných zákazníků má potenciální dopad na prodeje tradičních automobilů. Začnou-li zákazníci preferovat například elektromobily nad benzínovými nebo naftovými auty, musejí se tradiční automobilky přeorientovat na vývoj a výrobu těchto aut, anebo se smířit se snížením objemu prodeje svých dosavadních výrobků. Schopnost reagovat na stále se měnící požadavky trhu je jednou ze zásadních podmínek pro dosažení úspěchu. Tomino et al. (2009) analyzovali prodejní strategie automobilek Toyota,

- 28 -

Nissan a Mitsubishi a způsob, jak tyto společnosti dokáží do svých výrobních plánů integrovat měnící se tržní poptávku. Jejich výsledky ukázaly, že Toyota je schopna odpovědět na změny v poptávce rychleji než její konkurenti. Je to díky jejímu flexibilnímu výrobnímu systému a organizačním schopnostem adoptovat vysoce flexibilní systém uzpůsobený potřebám zákazníka. Na příkladu Toyoty lze vidět důležitost existence systému, který je schopný reagovat na turbulentně se měnící tržní prostředí. Pro udržení pozice na trhu a růst objemů prodeje bude čím dál nutnější neustále vyvíjet a zdokonalovat výrobní systém a prodejní strategie. Proto plánování objemů budoucích prodejů musí být v souladu s investicemi do výrobního a odbytového systému. V dnešní době nelze předpokládat, že objemy prodejů nepřetržitě porostou, zdráhá-li se firma kontinuálně investovat do modernizace výroby a vývoje nových technologií. Na automobilový průmysl je orientováno mnoho rozvinutých zemí Evropy a změny v něm mohou mít velké dopady na celkový stav ekonomiky, není proto překvapující, že tématu prodeje automobilů se věnuje poměrně velký počet výzkumníků. Objevují se nejrůznější návrhy toho, jak dosáhnout co nejpřesnějších odbytových predikcí. Například Abu-Eisheh a Mannering (2002) stanovili růst prodejů automobilů jako funkci příjmu na jednoho obyvatele a dalších proměnných. Dargay (2001) ukázal na datech získaných analýzou automobilového trhu Velké Británie, že poptávka po automobilech reaguje silněji na růst příjmů, než na jejich pokles. Znamená to, že při růstu důchodu stoupne poptávka po automobilech okamžitě a významně, při poklesu důchodů je odezva delší a ne tak znatelná.

2.1 Shrnutí Protože automobilový průmysl má stejně jako jiná odvětví průmyslu svá specifika, je nutné k těmto specifikům při vytváření prognóz budoucího odbytu přihlížet. Tato kapitola upozornila na některé z důležitých faktorů, které mohou budoucí odbyt automobilového průmyslu do značné míry ovlivnit, proto je vhodné tyto faktory analyzovat a v prognózách je zohlednit.

- 29 -

3 MĚŘENÍ PŘESNOSTI PROGNÓZ Následující kapitola přináší základní přehled toho, jakými způsoby lze měřit přesnost provedených prognóz. Měření přesnosti dosažených výsledků je nezbytné z toho důvodu, aby bylo možné ohodnotit vhodnost použité metody. Vzorce uvedené zde v této kapitole budou použity v praktické části práce. Přesnost prognóz se měří na základě jejich chybovosti. Čím nižší je chybovost použité metody, tím jsou prognózy přesnější. Chyba, které se dopouštíme při prognózování, je dána tímto vztahem: (3.1)

V tomto vzorci představuje ta

hodnotu prodejů, které byly ve skutečnosti dosaženy za období

je předpověď, která byla na stejné období vytvořena,

je potom chyba předpovědi na

toto období. Chybovost pro n období lze určit za pomocí některého z těchto standardních statistických vzorců (Arlt, 1999; Makridakis, 1998; Hindls et al, 2004; Kaňok, 2000):

(3.2)

(3.3)

(3.4)

Chyby

odhadů

za

jednotlivá

pozorovaná

období

vypočítané

s použitím

vzorce (3.1) jsou následně zprůměrovány tak jako ukazuje vzorec (3.2). Výsledkem je střední chyba odhadu. Tento ukazatel ovšem neříká nic o rozsahu chybovosti, neboť negativní a pozitivní chyby jednotlivých pozorování se navzájem vyrovnají. Ukazatel ME je proto

- 30 -

poměrně nízké číslo, které dokáže říci pouze to, jsou-li předpovědi systematicky příliš optimistické anebo příliš pesimistické. Nedokonalost tohoto ukazatele je eliminována tím, že každá chyba je nejprve převedena pomocí absolutní hodnoty na pozitivní a chyby ze všech pozorování se následně stejně jako v prvním případě zprůměrují tak, jak ukazuje vzorec (3.3). Výsledkem je ukazatel MAE neboli střední absolutní chyba odhadu. Podobná myšlenka je skrývá za ukazatelem MSE – střední kvadratická chyba odhadu. Pomocí vzorce MSE se převádí negativní hodnoty chyb na pozitivní za pomoci jejich umocnění. Výhodou umocnění chyb je také to, že velkým chybám, tedy velkým odchylkám prognóz od skutečného stavu, je kladena velká váha, zatímco malým chybám mnohem menší váha. Špatné předpovědi jsou tak v ukazateli MSE „potrestány“. Pro lepší představu o tom, jak velkou chybovost prognózy představují, je vhodnější využít relativní nebo procentuální ukazatele chybovosti. Relativní nebo procentuální chyba jednoho pozorování se vypočítá jako (3.5)

S využitím tohoto vzorce je vypočítána průměrná procentuální chyba MPE a průměrná absolutní procentuální chyba MAPE:

(3.6)

(3.7)

Ukazatel MPE vykazuje stejně jako ukazatel ME poměrně malou hodnotu, neboť chyby jednotlivých pozorování se navzájem vyrušují. Ukazatel tak nemá příliš velkou vypovídající hodnotu. Proto je definován ukazatel MAPE, který využívá ve vzorci (3.6) absolutní hodnoty

.

- 31 -

APLIKAČNÍ ČÁST

4 PŘEDSTAVENÍ SPOLEČNOSTI ŠKODA AUTO Následující část práce se věnuje představení analyzované společnosti a to od jejího vzniku až po současnost. Zvýšená pozornost je věnována zejména současnosti – vedle představení podnikové strategie a organizační a vlastnické struktury budou předložena některá důležitá fakta a čísla, přibližující ekonomickou a finanční sílu podniku. Představeny budou také nejdůležitější odbytové trhy a výrobní závody společnosti.

4.1 Historie vzniku Stručný pohled do historie společnosti ŠKODA AUTO je zpracován na základě informací získaných návštěvou firemního muzea v Mladé Boleslavi a dále doplněný informacemi z oficiálních webových stránek společnosti (ŠKODA - Historie společnosti, 2015). Společnost ŠKODA AUTO je 3. nejstarší automobilkou na světě. Její historie sahá až do roku 1905, kdy dvojice zakladatelů Václav Klement a Václav Laurin po prvotních úspěších s výrobou a opravou jízdních kol a později motocyklů otevřeli v Mladé Boleslavi továrnu na výrobu automobilů. Již v následujícím roce začala sériová výroba vozů a v roce 1907 byla založena akciová společnost Laurin & Klement. Rozvoj automobilky pokračoval v roce 1912, kdy firma Laurin & Klement přebrala automobilový závod RAF1 v Liberci. Ve dvacátých letech se projevila potřeba posílení pozice na trhu a modernizace výroby. Firma proto v roce 1925 fúzovala se Škodovými závody, založenými

inženýrem

Emilem

Škodou

v Plzni,

což

přineslo

konec

značky

Laurin & Klement. Od roku 1926 firma vystupuje pod značnou ŠKODA. Pět let po fúzi se Škodovými závody došlo k modernizaci výroby, společnost začala s revoluční pásovou výrobou. Ta umožňovala výrobu v té době rekordních 85 automobilů za den. (Pro srovnání –

1

Reichenberger Automobil-Fabrik

- 32 -

dnes se vyrábí kolem 2000 automobilů denně.) Zároveň byla v tomto roce vyčleněna výroba osobních automobilů značky ŠKODA do samostatného podniku ASAP2. Jednalo se o stoprocentní dceřinou společnost závodů ŠKODA Plzeň. S vypuknutím druhé světové války byla civilní produkce utlumena a automobilový průmysl začal s válečnou výrobou. Po skončení války byly Škodovy závody v Plzni a ASAP v Mladé Boleslavi stejně jako jiné velké podniky znárodněny a restrukturalizovány pod novým jménem AZNP3. Po politickém převratu v roce 1989 se hledal silný zahraniční partner, který by firmu ŠKODA přeměnil na mezinárodně konkurenceschopnou. V prosinci 1990 se česká vláda rozhodla podepsat smlouvu se společností Volkswagen a v následujícím roce tak zahájila svou činnost ŠKODA AUTO a. s. Ta se stala vedle VW, Audi a Seatu čtvrtou značkou koncernu Volkswagen. Management, marketing, vývoj produktu i výrobní procesy byly díky mezinárodní spolupráci od základu zmodernizovány. Předmětem podnikatelské činnosti společnosti se stal vývoj, výroba a prodej automobilů, komponentů, originálních dílů a příslušenství značky ŠKODA a poskytování servisních služeb.

4.2 Současnost Od fúze s koncernem Volkswagen podnik neustále roste a zvyšuje počty prodaných automobilů i svůj obrat. V roce 2012 slavila ŠKODA 14 milionů vyrobených automobilů od roku 1905 – z toho 9 milionů od vstupu do Volkswagenu v roce 1991. V současnosti vyrábí firma více než milion automobilů ročně a vyváží je na více než 100 trhů do pěti kontinentů světa. Celosvětové dodávky zákazníkům v roce 2014 dosáhly hodnoty 1 037 226 vozů, oproti předchozímu roku se jednalo o nárůst o 12,7 %. Podle slov bývalého předsedy představenstva pana Vahlanda (Výroční zpráva, 2014) chce automobilka dále růst i v následujících letech. Přehled toho, jak byly automobily vyrobené v roce 2014 rozděleny mezi jednotlivé regiony, nabízí obrázek č. 1. Nejsilnějším a nejdůležitějším regionem pro společnost ŠKODA AUTO byla a stále je západní Evropa. Zde se prodá bezmála 40 % všech vyrobených automobilů.

2

Akciová společnost pro automobilový průmysl

3

Automobilové závody národní podnik

- 33 -

Trhy rozvíjející se Asie neustále rostou a se svým více než 34% podílem představují druhý nejvýznamnější odbytový region. S necelými 15% následují trhy střední Evropy a nejslabším regionem je v současnosti krizí postižená východní Evropa. Obrázek č. 1 - Celosvětový odbyt v roce 2014

Zdroj: http://www.zivotniprilezitost.cz/skoda-jako-zamestnavatel/fakta-a-cisla/

V České republice tvořili v roce 2015 automobily značky ŠKODA třetinu všech nově registrovaných aut (AutoSAP, 2015) Taktéž třetina z celkově registrovaných automobilů v České republice (včetně automobilů starých) je značky ŠKODA (1 731 tisíc automobilů k 30. 6. 2015). Následují Volkswagen a Ford s podílem 8 % na vozovém parku (Měsíčník EU, 2015). Pozici dalších automobilek na českém trhu je možné vidět z grafu č. 3. Graf č. 3 - Složení vozového parku v ČR k 30. 6. 2015 (v tis.)

Zdroj: AutoSAP

- 34 -

Podle klasifikace CZ-NACE řadíme hlavní činnost společnosti ŠKODA AUTO pod sekci C – zpracovatelský průmysl a dále tak, jak je ukázáno v následující tabulce: Tabulka č. 1 - ŠKODA AUTO dle klasifikace CZ-NACE SEKCE C

ZPRACOVATELSKÝ PRŮMYSL

Oddíl 29

Výroba motorových vozidel (kromě motocyklů), přívěsů a návěsů

Skupina 29.1

Výroba motorových vozidel a jejich motorů

Třída 29.10

Výroba motorových vozidel a jejich motorů Zdroj: Vlastní zpracování dle CZ-NACE

4.2.1 Finanční výsledky Díky rostoucímu odbytu a úspěšně realizovaným opatřením na zvýšení efektivity dosahuje společnost vynikajících výsledků. Čistý zisk společnosti v roce 2014 vzrostl oproti předchozímu roku o 46 % na více než 18,4 miliardy korun. Každý den tak vydělala automobilka průměrně 50 milionů korun. Tržby za rok 2014 přitom dosáhly hodnoty téměř 300 miliard korun. Z toho bylo 91 % získáno na zahraničních trzích, zbylých 9 % v tuzemsku. K celkovému obratu tradičně nejvíce přispívá prodej automobilů, ten činil v loňském roce 84,1 %. Obchod s originálními díly a příslušenstvím se na celkových tržbách podílel 5,6 %. Zbylých 10,3 % představovaly tržby za dodávky komponentů do společností koncernu Volkswagen a ostatní tržby (Výroční zpráva, 2014).

Graf č. 4 - Tržby ŠKODA AUTO v roce 2014

Obchod s originálními díly 6%

Dodávky komponentů do koncernu VW 10%

Prodej automobilů 84%

Zdroj: Vlastní zpracování

- 35 -

299 318 mld. tržby v roce 2014

Společnost ŠKODA AUTO patří svým obratem mezi největší ekonomická uskupení v rámci nově začleněných států Evropské unie. V rámci České republiky se jedná o největší průmyslový podnik a s podílem 8 % také o nejvýznamnějšího exportéra (ŠKODA – Fakta a čísla, 2015). Následující tabulka obsahuje zkrácený výkaz zisku a ztát. Především v důsledku nárůstu objemu výroby vzrostly náklady na prodané výrobky, zboží a služby meziročně o 21,7 % na hodnotu 254,9 mld. Kč. Největší nárůst tvořily materiálové náklady (náklady na suroviny, spotřebovaný materiál a nakupované zboží), služby spojené s výrobou a odpisy. Odbytové náklady se i přes nárůst odbytu podařilo udržet téměř na srovnatelné úrovni - meziročně mírně vzrostly o 3,1 % na 13,5 mld. Kč. Tabulka č. 2 - Výkaz zisku a ztráty (mil. Kč)

Tržby celkem Náklady na prod. výrobky, zboží a služby Hrubý zisk Odbytové náklady Správní náklady Ostatní provozní výnosy Ostatní provozní náklady Provozní výsledek Finanční výsledek Zisk před zdaněním Daň z příjmů Zisk po zdanění

2014

2013

2014/2013

299 318 254 944 44 374 13 466 6 939 5 130 7 501 21 598 -249 21 349 2 928 18 421

243 624 209 538 34 086 13 067 6 679 6 024 7 827 12 537 413 12 950 1 564 11 386

22,9 % 21,7 % 30,2 % 3 ,1 % 3 ,9 % 14,8 % 4 ,2 % 72,3 % > 100% 64,9 % 87,2 % 61,8 %

Zdroj: Vlastní zpracování dle informací z Výroční zpráva, 2014

V souladu s rostoucími tržbami rostou také peněžní toky z provozní činnosti. Čistá likvidita společnosti tak dosahovala ke konci roku 2014 hodnoty 41,5 mld. Kč a oproti předchozímu roku se zvýšila o téměř 50 %. Vývoj financování společnosti je zobrazen v tabulce č. 3.

- 36 -

Tabulka č. 3 - Vývoj peněžních toků (mil. Kč)

Poč. stav peněžních prostř. a jejich ekvivalentů Peněžní toky z provozní činnosti Peněžní toky z investiční činnosti Peněžní toky z finanční činnosti Čistá likvidita

2014

2013

2014/2013

31 926

34 738

– 8,1 %

45 158 – 25 512 – 8 693 41 452

28 965 – 25 148 – 6 629 27 871

55,9% 1,4% 31,1% 48,70%

Zdroj: Vlastní zpracování dle informací z Výroční zpráva, 2014

Bilanční suma společnosti činila k 31. prosinci 2014 176,9 mld. Kč, což ve srovnání s bilančním stavem předchozího roku odpovídá nárůstu ve výši 24,9 mld. Kč, resp. 16,4 %. K růstu bilanční sumy došlo především v důsledku nárůstu dlouhodobých aktiv. Krátkodobá aktiva také vzrostla a to zejména v důsledku pozitivního vývoje čisté likvidity. Z důvodu poskytnutí dlouhodobé půjčky v rámci koncernu VW došlo k

navýšení ostatních

dlouhodobých pohledávek. Nárůst krátkodobých závazků o 9,4 mld. Kč na hodnotu 58,5

mld. Kč byl způsoben především navýšením závazků z

obchodních vztahů

v souvislosti s růstem výroby. Tabulka č. 4 - Rozvaha (mil. Kč)

Dlouhodobá aktiva Krátkodobá aktiva Celková aktiva Vlastní kapitál Dlouhodobé závazky Krátkodobé závazky Celková pasiva

31.12.2014

31.12.2013

2014/2013

105 139 71 730 176 869 100 001 18 407 58 461 176 869

87 923 64 078 152 001 90 316 12 594 49 091 152 001

19,6% 11,9% 16,4% 10,7% 46,2% 19,1% 16,4%

Zdroj: Vlastní zpracování dle informací z Výroční zpráva, 2014

4.2.2 Strategie Společnost ŠKODA AUTO již několik let zaujímá růstovou strategii. Jejím cílem je zvýšení celosvětových prodejů alespoň na jeden a půl milionu vozů za rok (Výroční zpráva, 2014). K dosažení tohoto cíle plánuje ŠKODA AUTO každého půl roku představit nový nebo

- 37 -

upravený model. Dnes obsahuje nabídka produktů sedm samostatných modelových řad ve 40 variantách. Důraz při vývoji a výrobě vozů je přitom kladen zejména na praktičnost a propracované řešení spolu s atraktivním designem. Modelová ofenziva je podporována výraznými investicemi jak na světových trzích, tak na domácím českém trhu. Investuje se přitom nejen do rozvoje a modernizace výrobních závodů, ale také do rozvoje dealerské sítě a výzkumu nových technologií. Obrázek č. 2 - Růstová strategie ŠKODA AUTO Prodej více než 1,5 mil. vozů celosvětově

Investice na světových trzích i na domácím trhu

ŠKODA AUTO Růstová strategie Zaměření na praktičnost a poměr cena/hodnota

Špičkový zaměstnavatel s globálním poolem talentů

Zdroj: Vlastní zpracování

4.2.3 Vlastnická struktura Jak již bylo uvedeno výše, od roku 1991 je automobilka ŠKODA AUTO součástí skupiny Volkswagen. Mateřskou společností a jediným akcionářem automobilky ŠKODA AUTO je od roku 2014 společnost VOLKSWAGEN INTERNATIONAL FINANCE N.V. se sídlem v nizozemském Amsterodamu. Obrázek č. 3 - Vlastnická struktura ŠKODA AUTO VOLKSWAGEN AG. VOLKSWAGEN FINANCE LUXEMBOURG S.A

VOLKSWAGEN INTERNATIONAL FINANCE N.V. ŠKODA AUTO A.S.

Zdroj: Vlastní zpracování

- 38 -

Společnost VOLKSWAGEN INTERNATIONAL FINANCE N.V. je nepřímo 100 % dceřinou společností společnosti VOLKSWAGEN AG – mezi ní a vrcholovou organizací stojí společnost VOLKSWAGEN FINANCE LUXEMBOURG S.A sídlící v Lucemburku. Vlastnickou strukturu uvnitř automobilky ŠKODA AUTO tvoří její plně konsolidované dceřiné společnosti !

ŠKODA AUTO DeutschlandGmbH,

!

ŠKODA AUTO Slovensko s.r.o.

!

SKODA AUTO India Private Ltd.

a dále přidružené společnosti, z nichž nejvýznamnější jsou !

OOO VOLKSWAGEN Group Rus

!

ŠKO-ENERGO FIN, s.r.o.

Podle vyjádření z výroční zprávy automobilky (2014) jsou dceřiné společnosti všechny jednotky, ve kterých má mateřská společnost přímo nebo nepřímo více než polovinu hlasovacích práv anebo jiným způsobem řídí jejich finanční a provozní činnost tak, aby z ní získávala užitek. Přidružené společnosti jsou všechny jednotky, ve kterých má společnost podstatný vliv, což je pravomoc účastnit se rozhodování o finančních a provozních politikách, ale není to ovládání ani spoluovládání takových politik. Podstatným vlivem se podle § 22 zákona č. 563/1991 Sb., o účetnictví (ZÚ) rozumí takový významný vliv na řízení nebo provozování podniku podle zákonu o obchodních korporacích, jenž není rozhodující; není-li prokázán opak, považuje se za podstatný vliv dispozice nejméně s 20 % hlasovacích práv.

4.2.4 Výrobní závody Přestože centrum výroby i centrála společnosti, jejíž součástí je administrativa, technický vývoj, oddělení designu a vzdělávací kapacity stále zůstávají v České republice v Mladé Boleslavi, vlastní produkce se postupem času rozrostla do mnoha dalších měst a zemí. Již před druhou světovou válkou vznikly dva další výrobní závody v České republice (tehdejším Československu) - Kvasiny a Vrchlabí. Vrchlabí je nejmenším ze tří výrobních závodů značky ŠKODA v České republice. Od roku 2012 vyrábí závod ve Vrchlabí automatické převodovky DSG pro celý koncern VW (ŠKODA - 39 -

– Vrchlabí, 2015). Závod v Kvasinách je nejmladším ze tří výrobních provozů značky ŠKODA v České republice. V současné době se zde vyrábějí modely Superb a Yeti. Na následující roky jsou plánovány objemné investice, které mají vést ke zvýšení kapacity závodu a vytvoření nových pracovních míst (ŠKODA – news, 2015). V mladoboleslavském závodě se vyrábí modelové řady Fabia, Rapid a Octavia. Dále je zde závod na výrobu motorů, který dodává motory jak pro vozy ŠKODA, tak pro další značky koncernu Volkswagen Group. Další důležitou rolí hlavního závodu značky ŠKODA v Mladé Boleslavi je výroba převodovek, náprav a dalších automobilových komponent. Pracuje zde většina z více než 24 000 zaměstnanců společnosti ŠKODA AUTO (ŠKODA – Mladá Boleslav, 2015). Poslední model výrobkové řady automobilky ŠKODA – Citigo – se vyrábí na Slovensku v Bratislavě, kde se nachází další výrobní hala koncernu Volkswagen. Z důvodu nedostačujících výrobních kapacit závodů v České republice spolu s potřebou přiblížit se zákazníkům na strategických trzích jako Čína, Rusko a Indie, začalo v posledních letech docházet k rozšiřování výroby také na tyto trhy. Výroba automobilů značky ŠKODA je zde umožněna prostřednictvím koncernových partnerství. V Číně, jež je nejsilnějším samostatným trhem společnosti, vyrábí ŠKODA AUTO díky společnému podniku koncernu Volkswagen a čínské firmy SAIC, který byl otevřen v roce 1984 v metropoli Šanghaj. Nejprve se zde vyráběly pouze vozy značky Volkswagen, v roce 2005 byl výrobní program závodu rozšířen také o modely ŠKODA. V současné době se ve třech čínských závodech společnosti Shanghai Volkswagen vyrábí 6 modelů značky ŠKODA (ŠKODA – Čína, 2015). Další dva výrobní závody se nacházejí v Rusku. I zde je stejně jako v Číně výroba speciálně zacílena a lokalizována tak, aby vyhovovala místním potřebám. První montážní závod koncernu Volkswagen v Rusku Volkswagen Group Rus byl otevřen v roce 2007 ve městě Kaluga. Nejprve byly do tohoto závodu dodávány vozy v tzv. režimu SKD, tj. semi-knockeddown, neboli polo-rozložené vozy. Předem vyrobené komponenty byly na místě pouze smontovány. Kompletní výroba byla zahájena až o tři roky později – v roce 2010. Kromě dalších modelů skupiny Volkswagen se v Kaluze od března 2014 vyrábí také ŠKODA Rapid. Závod v Nižním Novgorodu vznikl díky spolupráci s ruskou automobilkou GAZ4. Od konce

4

Gorkovskij Avtomobilnyj Závod, ruský výrobce automobilů, založen v roce 1925

- 40 -

roku 2011 je v závodě GAZ montován model Yeti, zpočátku v režimu SKD, ale od konce roku 2012 již v režimu CKD (completely knock down – zcela rozložené vozy). Dnes se v tomto závodě vyrábí také Octavia (ŠKODA – Rusko, 2015). Vedle Číny a Ruska je pro automobilku velmi důležitým regionem Indie, jakožto země s jedním z nejrychleji rostoucích automobilových trhů světa. Automobilka zde začala na konci roku 2011 vyrábět v koncernovém závodě ve městě Pune modelovou řadu Rapid. Vysoká poptávka po automobilech značky ŠKODA na indickém trhu přispěla k otevření dalšího výrobního závodu ve městě Aurangabadu (ŠKODA – Indie, 2015). Ve spolupráci s lokálními partnery probíhá výroba také na Ukrajině a v Kazachstánu. Vozy jsou zde dováženy v režimu SKD a následně jsou jednotlivé části smontovány.

4.2.5 Organizační struktura Organizační strukturu společnosti ŠKODA AUTO tvoří sedm oblastí, které jsou dále členěny na jednotlivé útvary. Tyto útvary se větví na oddělení, která představují nejnižší organizační stupeň. Organigram znázorňující oblasti a útvary společnosti ŠKODA AUTO je k nahlédnutí v příloze. Oddělení nejsou v organigramu vyobrazena, neboť jich ve společnosti existuje několik desítek a zakreslení všech by tak znepřehlednilo orientaci v organigramu.

4.3 Shrnutí Jak lze vidět z informací o společnosti ŠKODA AUTO, jedná se o velkou a silnou společnost s bohatou historií a velkým zastoupením na zahraničních trzích. Pro společnost této velikosti a rozsahu je znalost budoucího odbytu zcela zásadní téma. Během své spolupráce se společností jsem však zjistila, že vytváření prognóz je časově velmi náročné a prognózy přesto nepřinášejí uspokojivé výsledky. Dále v této práci bude proto provedena analýza současného způsobu vytváření odbytových prognóz a to za účelem odhalení nedostatků v tomto procesu. Na základě znalosti nedostatků bude následně navrhnuta optimalizace procesu.

- 41 -

5 ANALÝZA PROGNÓZOVÁNÍ ODBYTU Následující část práce se věnuje tématu prognózování prodejů ve společnosti ŠKODA AUTO. Proces prognózování prodejů ve společnosti je velmi propracovaný a komplexní a je do něj včleněna jak strana trhu (tj. importéři jednotlivých zemí) tak i mnohá interní oddělení. Nejprve bude představena organizační struktura oblasti Prodej a marketing a to z toho důvodu, že právě v rámci této oblasti probíhá prognózování a plánování prodejů. Po té, co bude důkladně představena struktura oblasti Prodej a marketing a bude zjištěno, které konkrétní útvary spadající do této oblasti se podílejí na prognózování prodejů, přistoupí se k analýze samotného procesu prognózování. Analýza organizační struktury bude provedena na základě informací z interních dokumentů a informací získaných od zaměstnanců jednotlivých útvarů. Současný proces prognózování ve společnosti bude zanalyzován za pomoci rozhovorů s vybranými zaměstnanci firmy, kteří se prognózování prodejů ve společnosti věnují.

5.1 Organizační struktura oblasti Prodej a marketing Organizační struktura oblasti Prodej a marketing je členěna dle principu funkční specializace na osm útvarů, které spolu velmi úzce spolupracují. Oblast Prodej a marketing je zodpovědná za prodej nových a ojetých vozů, originálních dílů a příslušenství a zajištění poprodejního servisu vozů na všech svých odbytových trzích, včetně stanovení konkurenceschopné pozice jednotlivých modelových řad pro tyto země. Vedle plnění stanovených prodejních cílů patří mezi cíle této oblasti rovněž zvyšování image značky na stávajících trzích, úspěšné zavedení značky na nové trhy, rozvoj prodejní a servisní sítě, komunikace značky a kontinuální zvyšování zákaznické spokojenosti. Organizační schéma oblasti Prodej a Marketing je k náhledu v příloze, zde je popsána náplň práce jednotlivých útvarů této oblasti a to s cílem vymezit, které útvary se podílejí na vytváření prognóz. Útvar Business Development je v rámci oblasti Prodej a marketing odpovědný za strategické úkoly typu celosvětový rozvoj a plánování dealerské sítě, strategie spokojenosti zákazníka,

- 42 -

mezinárodní trénink pro oblast prodeje, tvorba pravidel korporátní identity a korporátního designu vč. jejich implementace apod. Prognózování odbytu nespadá do činností tohoto útvaru. Útvar Marketing zastupuje v podniku pohled trhu a zákazníka. Věnuje se zejména definování marketingových cílů a určení globálního směru marketingu. Dále koordinuje a řídí produktové, komunikační a launch strategie a je zodpovědný za řízení a strategii značky. Vytváření prognóz odbytu nespadá přímo do kompetencí Marketingu, avšak Marketing svou prací k prognózování přisívá tím, že vytváří nejrůznější analýzy, které se při prognózování využívají. Útvar After Sales je zodpovědný za prodej originálních dílů a příslušenství a zajištění poprodejního servisu vozů na všech svých odbytových trzích. Jedná se o poměrně samostatnou oblast se široce členěnou vnitřní strukturou, která mimo jiné obsahuje vlastní útvary Řízení odbytu, Marketing, Business Development

a jiné. Protože obchod

s originálními díly a příslušenstvím tvoří jen 6 % celkových tržeb (viz. Kapitola 6.2), není tématu prognózování odbytu v oblasti After Sales věnována detailní pozornost. Vedle doposud diskutovaných útvarů existují v oblasti Prodej a marketing tzv. prodejní regiony. Prodejních regionů existuje v současnosti ve společnosti ŠKODA AUTO deset. Sdružují se do následujících čtyř oblastí: ! Oblast PT – Prodej a Marketing ČR ! Oblast P1 – Prodej střední a východní Evropa ! Oblast P2 – Prodej západní Evropa ! Oblast P3 – Prodej Asie a zámoří Prodejní regiony fungují jako komunikační uzly mezi jednotlivými odbytovými trhy a výrobou. Trhy jsou v každé odbytové zemi zastoupeny importérem, který spravuje svou dealerskou síť a slouží pro společnost ŠKODA AUTO jako hlavní spojovací článek k zahraničním odbytovým trhům. Importéři nejsou přímými zaměstnanci společnosti, jedná o smluvní partnery, jejichž hlavní podnikatelskou činností je import vozů značky ŠKODA. Díky své blízkosti k trhu však poskytují importéři nejdůležitější vstupní data pro příslušný trh. Tato data slouží mimo jiné i k vytváření optimálních prognóz. Prognózování odbytu ve

- 43 -

společnosti ŠKODA AUTO proto probíhá zejména na úrovni jednotlivých prodejních regionů. V čele každého regionu stojí vedoucí pracovník, který řídí práci různého počtu Sales Manažerů (nejčastěji jsou to 3 až 4 Sales Manažeři). Každý Sales Manažer má na starost vždy určitý počet trhů (v závislosti na velikosti trhu) a ve spolupráci s importéry zajišťuje odbyt vozů na těchto trzích. Mezi hlavní činnosti Sales Manažera patří analýza tržní situace v jednotlivých zemích, komunikace s importéry o odbytové politice a cílech ŠKODA AUTO a zejména pak spolupráce při dlouhodobém i krátkodobém prognózování prodejů. Obrázek č. 4 - Postavení Regionů ve ŠKODA AUTO

REGIONY

TRHY

VÝROBA A

Zdroj: Vlastní zpracování

Na vytváření prognóz se dále vedle importérů a prodejních regionů podílí útvar Řízení prodeje, a to zejména jeho oddělení Plánování odbytu a výkaznictví. Útvar Řízení prodeje je centrálním útvarem odbytu. S jednotlivými Regiony spolupracuje mimo jiné na vytváření prognóz dlouhodobého odbytu. Jednou z nejdůležitějších úloh této oblasti je celková konsolidace jednotlivých prognóz na úrovni trhů v rámci značky ŠKODA a následná správa zakázek při jejich zaplánování do výroby. Jak bylo již řečeno, organizační struktura oblasti Prodej a marketing je k nahlédnutí v Příloze č. 2. Útvary, v nichž probíhá prognózování prodejů, jsou zde vyznačeny zeleně.

- 44 -

5.2 Proces prognózování Proces prognózování byl zmapován pomocí rozhovorů s vybranými Sales Manažery, protože právě Sales Manažeři jsou zodpovědní za vytváření prognóz. Hovořila jsem se čtyřmi Sales Manažery ze čtyř různých regionů a zjišťovala jsem, za jakým účelem jsou prognózy vytvářeny a jakým způsobem se generují. Obrázek č. 5 - Účel prognózování odbytu

Zdroj: Vlastní zpracování

Znalost budoucího odbytu je podle vyjádření Sales Manažerů zcela nezbytná pro rozhodování. Jak ukazuje obrázek výše, od prognózy vývoje prodejů se odvíjí plánování kapacit napříč celým podnikem. Budoucí situace na odbytových trzích ovlivňuje nejen plánování nákupu a logistiky, ale také plánování investic, personálu a financí. Uživateli prognóz se tak stávají zaměstnanci mnoha oddělení. Je proto stěžejní, aby prognózy byly co možná nejpřesnější a budoucnost byla odhadnuta realisticky a správně. Cílem procesu prognózování ve společnosti ŠKODA AUTO je spolehlivě odhadnout vývoj trhů na jednotlivá období. Ve společnosti ŠKODA AUTO probíhá prognózování na dvou časových horizontech. Dlouhodobá prognóza je vytvářena na desetileté období, přičemž data pro první dva roky dlouhodobé prognózy jsou převzata z krátkodobé prognózy. Krátkodobé prognózy se vytvářejí na jednotlivé měsíce na dobu dvou let do budoucnosti. Tyto krátkodobé prognózy jsou v průběhu roku každý měsíc operativně aktualizovány dle aktuální situace na trhu. Na

- 45 -

základě krátkodobých prognóz jsou pak jednotlivé měsíční předpokládané objemy prodejů rozplánovány do výrobních týdnů. Postupy prognózování odbytu a následného plánování výroby ve společnosti ŠKODA AUTO jsou jak z hlediska systémové techniky, tak i ve vztahu k časovým postupům začleněny do procesu koncernu Volkswagen. Integrace postupů do tzv. „plánovacího rytmu“ za účelem synchronizace v koncernu slouží zejména k tomu, aby bylo možno zajistit všechny potřeby jednotlivých koncernových značek a regionů. Plánovací rytmus definuje proces prognózování z časového hlediska. Určuje tak nejen prognostický horizont, ale také termíny pro jednotlivé schůzky mezi importéry, regiony a útvarem Řízení prodeje, na kterých se společně diskutuje prognóza. Obrázek č. 6 - Prognostický horizont ve ŠKODA AUTO

Zdroj: Vlastní zpracování

5.2.1 Dlouhodobá prognóza Dlouhodobé prognózy představují základní informace pro strategický management společnosti, který především na základě těchto informací plánuje investice do rozšíření kapacit výroby, aby bylo možno odpovídajícím způsobem pokrýt potřebu trhu. Dále tyto informace slouží pro strategické rozhodování v oblasti personální a pro plánování dlouhodobých dodavatelských vztahů. Dlouhodobé prognózy jsou sestavovány jednou ročně vždy cyklicky na období deseti let. Na vytváření dlouhodobých prognóz se podílí velké množství odborných pracovníků

- 46 -

a samotnému finálnímu rozhodnutí předchází mnoho společných setkání a diskuzí. Premisami pro jednání o budoucím odbytu jsou vedle vývoje celkového trhu také cíle tržního podílu na jednotlivých trzích, které přes dodávky zákazníkům, jež jsou z nich následně odvozeny, vedou k hodnotám potřeby produkce pro každou zemi a modelovou skupinu. Tyto premisy zajišťuje ve spolupráci s koncernem útvar Řízení odbytu. Pro jednání o budoucím odbytu se vedle předem stanovených premis využívá velké množství informací o politické a sociokulturní situaci v jednotlivých zemích, analyzuje se konkurence, cenová pozice, berou se v úvahu plánované náběhy nových produktů a výběhy produktů zastaralých. Po stanovení premis a získání dostatku informací o trhu a o plánovaných krocích ze strany společnosti, probíhají jednání mezi importéry a společností ŠKODA AUTO. Diskutuje se o objemech, cenách, celkových trzích a podílech na trhu. Veškeré prognózy budoucího odbytu ze strany importérů i ze strany jednotlivých Sales Manažerů a jejich nadřízených jsou stanovovány na základě zkušeností a odborného odhadu s přihlédnutím k pánovaným tržím podílům. Do dlouhodobé prognózy jsou vždy na první dva roky přebírána data z prognózy krátkodobé. Za tu jsou zodpovědné jednotlivé Regiony ve spolupráci s importéry. Prognóza na další tři roky do budoucnosti je připravována ve spolupráci útvaru Řízení prodeje a Regionů. A konečně posledních pět let dlouhodobé desetileté prognózy sestavuje centrálně útvar Řízení prodeje ve spolupráci s koncernem.

5.2.2 Krátkodobá prognóza Pod pojmem krátkodobá prognóza se v analyzované společnosti chápe tržně orientovaná prognóza budoucích prodejů na úrovni modelové skupiny a země, která pokrývá horizont 24 měsíců. Na základě krátkodobé prognózy probíhá krátkodobé řízení kapacit a plánování výroby pro jednotlivé země. Pokud je výsledná poptávka na daném trhu vyšší, nežli bylo predikováno, vede to k situaci, kdy se pro tento trh nevyrobí dostatečné množství automobilů. Zákazníci jsou nespokojení, protože musejí na své objednávky dlouho čekat a přecházejí ke konkurenci. Společnosti tak hrozí ztráta tržního podílu. Pokud jsou naopak predikovány vyšší objemy prodejů a následně se ukáže, že poptávka na tyto objemy není, vede to k nadbytečným zásobám na skladech

- 47 -

a k tomu, že pro vyrobené vozy se těžko hledají zákazníci. Z těchto důvodů je pro analyzovanou společnost téma krátkodobé prognózování zásadním tématem a není proto překvapením, že se stejně jako na dlouhodobém prognózování také na prognózování krátkodobém podílí mnoho odborníků. Tvorba krátkodobé prognózy spadá především do kompetencí Regionů. Ty vytvářejí prognózy na 24 měsíců do budoucnosti ve spolupráci s importéry jednotlivých trhů. Jsou při tom využívány nejen předem určené premisy, jako je daný tržní podíl nebo plánované náběhy nových vozů, ale především také informace o aktuální situaci na trzích (konkurenční situace, aktuální podíly na trhu, očekávání celkového trhu). Detailní prognózy jednotlivých prodejních regionů po jednotlivých modelech s měsíční periodicitou jsou následně útvarem Řízení prodeje konsolidovány za celý svět a konfrontovány s aktuálním plánem výroby. Na základě tohoto srovnání společnost vidí, zda při plánovaných objemech prodejů odpovídá stávající výrobní program aktuálním potřebám trhu, nebo zdali je potřeba ho upravit. K zohlednění aktuálního vývoje na trhu dochází v oblasti prodeje každý měsíc k aktualizaci prodejních plánů. Aktuální potřeby úprav výrobního programu s ohledem na očekávanou prodejní situaci jsou každý měsíc diskutovány s oblastí logistiky. Výsledkem je nový výrobní program, který je každý měsíc odsouhlasen na zasedání. Vždy je ale zapotřebí nalézt kompromis mezi situací na trhu, výrobními kapacitami a možnostmi jednotlivých subdodavatelů. Stejně jako v případě dlouhodobých prognóz, i zde jsou využívány především zkušenosti odborných pracovníků a prognózy jsou stanovovány na základě konsenzu mezi Sales Manažerem, importérem, vedoucím pracovníkem Regionu a vedoucím pracovníkem oddělení Plánování odbytu.

- 48 -

6 DISKUZE

SOUČASNÉHO

ZPŮSOBU

VYTVÁŘENÍ

PROGNÓZ Během analýzy současného způsobu prognózování ve společnosti ŠKODA AUTO bylo nalezeno několik bodů, v nichž se současný způsob prognózování neslučuje s doporučením odborné literatury. Odborná literatura například upozornila na to, že prognózy by se měly vytvářet v pravděpodobnostních škálách. Způsob, jakým plánování probíhá ve společnosti ŠKODA AUTO je ovšem takový, že vedoucí pracovníci chtějí po svých podřízených pouze vyjádření jejich nejlepšího odhadu: „Kolik jednotek prodají?“ Haran a Moore (2014) ukázali, že takto položené otázky zvyšují tendenci přecenit situaci a podněcují přílišné sebevědomí při odhadování budoucnosti. Ve své studii zjistili, že lidé věří na 80%, že jejich odhad bude plus mínus 5% odpovídat skutečnosti, avšak jako úspěšných se ukáže pouhých zhruba 20% předpovědí. Dalším problémem plánování založeném na nejlepším odhadu je skutečnost, že v takovém plánu není zahrnuta nejistota a nejsou ignorovány nepředvídatelné události, které mohou nastat (politický vývoj, otřesy ekonomických podmínek ve světě, přírodní katastrofy). Tyto potenciální události si lze uvědomit, provede-li se například co-když analýza (z angl. what-if analysis), pomocí níž lze vytvořit seznam možných nepředvídatelných událostí a následně hodnotit pravděpodobnost jejich vzniku a jejich důsledky. O tom, jakým způsobem je vhodné použít analýzu co-když pro plánování prodejů pojednávají ve svém článku Sujit a Lee (2013). V normálním podnikovém prostředí situace často svádí k přijetí předpokladu stabilních podmínek, tzn. předpokládá se, že stejná situace jako je dnes, nastane i zítra. Nepředpokládají se žádné zásadní změny a neočekávané události. V realitě to však mnohdy neplatí, základní parametry výkonnosti podniku procházejí vývojem a v průběhu času se mění. Zde zaujímá své nezastupitelné místo analýza co-když, za jejíž pomocí je možné připravit se na potenciální neočekávané situace a předejít tak chybám v předpovědích. Doporučuje se nejprve na základě zkušeností a expertních analýz vytvořit seznam všech možných nepředvídatelných událostí a následně pomocí nejrůznějších kritérií hodnotit pravděpodobnost jejich vzniku a jejich možné důsledky. Na některé možné události upozornila Kapitola 2 této práce, která hovořila například o zvyšujícím se zájmu o životní prostředí, který může budoucí poptávku významně ovlivnit anebo o hrozbě, kterou s sebou nese potenciální zvýšení cen ropy. - 49 -

Haran a Moore (2014) tvrdí, že mít k dispozici rozložení pravděpodobností vzniku nejrůznějších událostí je pro předpovídání a následné rozhodování nezbytné. Tato pravděpodobnostní funkce by měla být navíc vytvořena prognostikem, protože ten má přístup k potřebným informacím. Pokud by se o vytvoření pravděpodobnostní funkce snažil až vedoucí pracovník těsně před tím, než by potřeboval na základě prognózy přijmout nějaké rozhodnutí, mohlo by to vést k nesprávným závěrům. Pouhý číselný odhad totiž v sobě nese příliš málo informací, než aby se na jeho základě dalo vytvořit rozložení pravděpodobností. Například v případě asymetrické distribuce by bylo chybné předpokládat rozložení pravděpodobností kolem bodu nejlepšího odhadu. Rozvinuté, demokratické země budou s velkou pravděpodobností poskytovat stabilní prostředí, naopak země procházející vývojem se mohou potýkat s rychle se měnícími podmínkami a předpovídání tak bude složitější a bude vyžadovat stanovení širší škály možných výsledků spolu s pravděpodobnostní funkcí. Vedoucí pracovníci tak budou mít k dispozici dostatek informací a bude na nich, jak na základě těchto informací rozhodnou. Bude se vždy jednat o rozhodování za nejistoty a velkého rizika, neboť budoucnost může být jakákoliv – pozitivní, neutrální i negativní. Plánovač by proto měl vytvořit své prognózy budoucích prodejů pro každou z těchto situací. Vedle toho, že se v analyzované společnosti pracuje pouze s bodovým odhadem a do prognóz není zahrnována nejistota a nejsou vytvářeny pravděpodobnostní funkce vzniku nejrůznějších událostí, které mohou budoucí odbyt významně ovlivnit, vidí autorka další problém ve skutečnosti, že společnost pro prognózu odbytu využívá pouze kvalitativní prognostické metody. Během rozhovorů se zaměstnanci společnosti bylo dokonce zjištěno, že tvůrci prognóz nejsou obeznámeni ani s těmi nejzákladnějšími a nejjednoduššími kvantitativními prognostickými metodami. Namísto využití některé z kvantitativních metod jsou prognózy stanovovány na základě subjektivního názoru skupiny odborníků a finální prognóze předchází mnoho setkání různých týmů napříč celou organizací. Využívání kvalitativních metod se zdá v pořádku v případě dlouhodobých prognóz. Kvantitativní prognostické metody totiž sice dokáží odhalit určitý trend v datech nebo určitou závislost predikované časové řady na dalších proměnných, ale zároveň předpokládají, že tento trend nebo závislost jsou v čase neměnné. To však v realitě neplatí. Z toho důvodu je vhodné zejména v případě dlouhodobé prognózy, která je ve společnosti vytvářena na období deseti let do budoucnosti, využití lidského úsudku. Zároveň je ovšem nutné znovu připomenout, že

- 50 -

prognóza by neměla být určena jako nejlepší odhad, ale měla by být doprovázena rozložením pravděpodobností vzniku různých událostí, které mohou budoucí odbyt ovlivnit. Ačkoliv je lidský úsudek vhodné z určitých důvodů použít i v případě krátkodobých prognóz, autorka nedoporučuje tuto metodu využívat pro predikci prodejů na dva roky do budoucnosti jako hlavní nástroj. Využití lidského úsudku může být vhodné například pro to, aby do prognózy mohly být zahrnuty zkušenosti manažerů a odborných pracovníků. Na samotném subjektivním úsudku manažera a dalších odborníků, kteří se na vytváření prognóz podílejí, by se výsledné plány a rozhodnutí ovšem zakládat neměly. Mnohé studie (Makridakis, 1983; Armstrong, 1978; Fieldes et al, 1997; Hogarth et al, 1981) opakovaně prokázaly, že přesnost předpovědí založených na lidském úsudku je nižší nežli je tomu v případě metod kvantitativních, které mají navíc tu výhodu, že jsou objektivní. Nižší míra úspěšnosti kvalitativních metod by se dala vysvětlit z několika důvodů. Jedním z nich je skutečnost, že manažeři mohou být často přespříliš optimističtí co se budoucnosti firmy nebo jejich produktů týče. Manažeři jen velmi neochotně predikují pokles prodejů a těžko si připouštějí, že produkty firmy jsou na trhu, za který nesou zodpovědnost, neúspěšné a v konkurenčním boji se neprosazují snadno. Studie Walker a McClelland (1991) ukázala, že důvodem k přehnanému optimismu může být fakt, že manažeři nedokáží při vytváření prognóz upustit od svých osobních a politických zájmů. To ovšem neznamená, že manažeři nevlastní hodnotné informace, díky kterým lze přesnost odbytových prognóz zvýšit. Úsudek manažerů se však z důvodu jeho neobjektivity a možného zkreslení nedoporučuje využívat jako hlavní zdroj pro vytváření krátkodobých prognóz. Další důvod, proč může být spolehlivost způsobu, který je využíván v analyzované společnosti pro krátkodobou prognózu nižší, lze hledat na straně importérů, kteří se na prognóze podílejí. Předpovědi importérů se sice zdají jako ideální zdroj informací, neboť importéři mohou do predikce budoucích prodejů snadno vnést znalosti trhu a svých zákazníků a dokáží odpovědět na otázky týkající se makro i mikro okolí, avšak jejich prognózy mohou také odrážet jejich osobní cíl dosáhnout maximální výše prodeje a tedy maximálních provizí. Z toho důvodu mohou být stejně jako předpovědi manažerů příliš optimistické. Naopak riziko příliš pesimistických předpovědí ze strany importérů může nastat v případě, kdy jsou importéři odměňováni na základě dosažení určitého prodejního cíle. Prodejní cíle totiž vycházejí z očekávaného vývoje odbytu, a proto mohou být obchodníci motivováni k vytváření pesimistických prognóz, čímž si zajistí snadné dosažení cíle a tudíž získání - 51 -

bonusu. Sales Manažeři na druhou stranu inklinují ke stanovení spíše vyšších prodejních cílů, aby importéry motivovali k dosahování vysokých hodnot prodejů, a proto také vytvářejí optimističtější prognózy. Empirická studie (Winklhofer, 1996) navíc ukázala, že prognózy vytvářené obchodníkem jsou nejenže nepřesné, ale fluktuují v závislosti na aktuální náladě a na tom, zdali byly prodeje v poslední době úspěšné či nikoliv. Obchodníci se často nedívají příliš do budoucna, kdy se podmínky mohou významně změnit, ale své prognózy stanovují na základě toho, jaká je odbytová situace v současnosti. Z těchto důvodů proto není odbytová prognóza vytvářená importéry nejvhodnějším prostředkem pro rozhodnutí o budoucích prodejích společnosti.

6.1 Shrnutí Prognózy vytvářené v analyzované společnosti jsou založené na subjektivním názoru skupiny odborníků. Jedná se využití kvalitativní metody prognózování. Proces prognózování ve společnosti je sice propracovaný a snaží se zajistit objektivitu tím, že se na prognóze podílí více pracovníků a taktéž importéři jednotlivých odbytových zemí, avšak na základě výše popsaných důvodů ho nelze hodnotit jako nejvhodnější. Založení dlouhodobých prognóz na kvalitativní prognostické metodě je v pořádku. Na základě faktorů ovlivňujících výběr prognostické metody popsaných v teoretické části této práce lze tvrdit, že pro tak dlouhodobý horizont jako jsou desítky let do budoucna, je využití předpovědí odborných pracovníků nejen vhodné, ale přímo žádoucí. Kvantitativní metody, které dokáží generovat prognózu na tak dlouhé období, sice existují, ale jsou příliš komplikované a příliš nákladné a nedokáží generovat lepší výsledky nežli prognózy založené na odhadech odborníků, proto se jejich využití v analyzovaném podniku pro dlouhodobou prognózu nedoporučuje. Avšak prognózy na tak dlouhý časový horizont by rozhodně neměly být pouhým bodovým odhadem. Doporučuje se proto pomocí what-if analýzy vytvořit seznam událostí, které mohou mít vliv na budoucí odbyt, dále vytvořit pravděpodobností funkce vzniku těchto událostí a na základě těchto informací vytvořit dlouhodobou prognózu ve variantách. Jako vstupy do what-if analýzy mohou být využity mimo jiné také informace obsažené v Kapitole 2 této práce, kde se diskutují faktory, ovlivňující budoucí odbyt automobilového průmyslu. - 52 -

Pro případ krátkodobých prognóz se jeví jako vhodné využít některou z kvantitativních metod namísto současně využívané metody kvalitativní. Kvantitativní metody jsou mnohem objektivnější a jejich využití se může ukázat jako méně nákladné, neboť bude možné ušetřit čas, který je v současné době vynakládán na mnohá setká odborníků napříč organizací. Před tím, než bude doporučena konkrétní kvantitativní metoda pro krátkodobé prognózování odbytu v analyzované společnosti, bude v následující části práce nejprve testováno, zdali je s její pomocí možné dosáhnout přesnějších předpovědí, nežli je dosahováno v současnosti.

- 53 -

7 NÁVRH METODY PRO KRÁTKODOBOU PROGNÓZU V této části práce bude testováno, zdali je možné dosáhnout s vybranou kvantitativní prognostickou metodou lepších výsledků, nežli je dosahováno v současnosti s využitím kvalitativní metody, která spočívá v subjektivním odhadu budoucnosti skupinou odborníků. Za tímto účelem bude stanovena hypotéza, která bude operacionalizována. Následně bude na základě poznatků obsažených v teoretické části této práce vybrána metoda vhodná pro účely vytváření krátkodobých prognóz v analyzované společnosti. Protože analyzovaná společnost vytváří predikce odbytu pouze za účelem získání budoucích hodnot prodejů a nezkoumá závislost prodejů na jiných veličinách, výběr kvantitativní metody se bude soustřeďovat na modely časových řad, nikoliv na regresní modely (viz. Kapitola 1.1). Navíc analýza současného způsobu vytváření prognóz ve společnosti ukázala, že krátkodobé prognózy jsou vytvářeny s poměrně vysokou frekvencí, tj. měsíční predikce se každý měsíc aktualizují na základě nových dostupných dat a informací. Mnozí autoři zabývající se výběrem vhodné prognostické metody (Makridakis, 1998; Fildes, 1997; Parimita, 2015) v takovém případě radí aplikovat jednoduché a automatické metody, které nevyžadují příliš mnoho lidské práce (viz. Kapitola 1.4). Proto se výběr vhodné prognostické metody pro vytváření krátkodobých prognóz v analyzované společnosti zaměří na jednodušší a v praxi snadněji aplikovatelné metody, které nevyžadují specializovaný software ani odborníky na statistiku a prognózování. Společnost tak bude moci takto vybranou metodu snadno implementovat. Pro výběr vhodné metody bude provedena analýza dat časové řady. Pro tuto analýzu se využijí měsíční data historických prodejů z let 2006 – 2013 za bulharský trh. Bude se přitom předpokládat, že stejný charakter (tj. případnou sezónnost anebo trend, ať už stoupající nebo klesající) mají i odbytová data za ostatní trhy. Vybranou prognostickou metodu tak bude možné aplikovat na všechny trhy, ne pouze na ukázkový bulharský trh. Po té, co bude na základě zhodnocení chování dat časové řady vybrána vhodná prognostická metoda, bude tato metoda využita pro vytvoření prognózy na období 2014 – 2015. Přesnost prognóz založených na vybrané kvantitativní metodě bude testována za pomoci statistických ukazatelů.

- 54 -

Následně bude přistoupeno k měření přesnosti předpovědí, které jsou vytvářeny v analyzované společnosti v současnosti s použitím kvalitativní metody. Pro tento účel budou z firemních systémů získána data ukazující prognózy pro bulharský trh na období 2014 – 2015, které byly vytvořené ve společnosti. Tato data budou stejně jako v prvním případě porovnána s daty skutečných historických prodejů za toto období a bude se pomocí statistických ukazatelů testovat přesnost prognóz. Na závěr budou výsledky testů přesnosti prognóz porovnány a bude zhodnoceno, zdali má aplikace vybrané kvantitativní metody prognózování v analyzované společnosti smysl či nikoliv.

7.1 Definice a operacionalizace hypotézy Pro účely této práce je stanovena následující hypotéza: Kvantitativní prognostická metoda přináší přesnější výsledky nežli metoda kvalitativní. Testování platnosti této hypotézy bude probíhat pomocí postupu popsaného výše. Hypotéza se bude považovat za platnou, jestliže se pomocí kvantitativní metody podaří dosáhnout alespoň o 2 % nižší chybovosti, nežli je dosahováno pomocí kvalitativní metody. Pro účely rozhodnutí o platnosti hypotézy se bude vycházet z chybovosti určené pomocí ukazatele MAPE - průměrná absolutní procentuální chyba.

7.2 Výběr a aplikace kvantitativní prognostické metody Následující podkapitoly jsou věnovány výběru a aplikaci kvantitativní metody pro krátkodobou prognózu ve společnosti ŠKODA AUTO.

7.2.1 Předběžná analýza dat časové řady V následující části práce bude provedena dekompozice časové řady historických prodejů na vybraném trhu a to za účelem určení charakteristik této časové řady. Rozložení časové řady na její jednotlivé položky přinese lepší porozumění toho, jak se sledovaná časová řada chová a umožní tak vybrat správnou prognostickou metodu a dosáhnout přesnějších výsledků při - 55 -

prognózování budoucnosti, neboť jak upozorňuje kapitola 1.2 této práce, charakteristika časové řady významně ovlivňuje výběr vhodné prognostické metody. Při dekompozici časové řady bude použit klasický dekompoziční model, který předpokládá, že data jsou složena z následujících položek (Arlt, 2009): Data = vzor + chyba = f (trend-cyklus, sezonalita, chyba). Na základě tohoto předpokladu bude časová řada dekomponována na složku trendovou, sezonní a zbývající složku náhodnou, přičemž podoba rozkladu bude multiplikativní. Dekompozice může být provedena pomocí aditivního nebo multiplikativního přístupu. Aditivní přístup předpokládá konstantní sezónnost, kdežto multiplikativní přístup určuje sezónnost proporcionálně. Pravidelné opakování sezónních výkyvů ve stejné výši není příliš realistické, proto bude v této práci využit multiplikativní model. Pozorování Y v čase t je tak vyjádřeno jako: (7.1) Trendem

se rozumí hlavní tendence časové řady růst, klesat anebo kolísat kolem určité,

neměnné úrovně, tedy být konstantní. Sezónní složka

je odchylka od trendové složky, která

se pravidelně v určitém intervalu opakuje. Náhodná složka (chyba, rezidium)

je složka,

která zůstává po vyloučení sezónní a trendové složky. Jejím zdrojem jsou náhodné a vzájemně nezávislé příčiny. Sezonalita a trend mají sklon k tomu charakterizovat ekonomický a podnikový cyklus, takže lze pomocí nich vysvětlit zdánlivě nečekaný pokles anebo nárůst hodnot časové řady. Význam určení sezónní a trendové složky pro účel prognózování budoucích prodejů spočívá zejména v tom, že umožní vybrat vhodnou prognostickou metodu, neboť mnohé prognostické metody jsou založeny na konceptu, že existuje-li určitý vzorec chování sledovaných dat, může být tento vzorec projektován do budoucnosti a využit pro prognózu. Pro analýzu časové řady jsou využita data historických měsíčních prodejů z let 2006 – 2013 za bulharský trh. Data byla získána z podnikových systémů a sestavena do přehledné tabulky, která ukazuje hodnoty jednotlivých pozorování za analyzované období. Tabulka s těmito daty je dostupná k nahlédnutí jako příloha č. 3.

- 56 -

Z těchto hodnot byl vytvořen spojnicový graf, který znázorňuje vývoj hodnot časové řady. Již z toho grafu je možné usuzovat na slabý rostoucí trend po roce 2010 s významnou sezónní složkou. Po ještě větší porozumění charakteristik této časové řady je provedena její dekompozice a to za pomoci postupu, který je detailně popsán níže. Graf č. 5 - Vývoj prodejů v Bulharsku za období 2006 – 2013 600 500 400 300 200 100 0 2006

2007

2008

2009

2010

2011

2012

2013

2014

Zdroj: Vlastní zpracování

Krok 1: Určení trendu časové řady Trend lze popsat pomocí vhodné trendové funkce (tzv. analytické vyrovnání) anebo pomocí adaptivních modelů (Hindls et al., 2000). Adaptivní modely vycházejí z předpokladu, že nejnovější pozorování jsou nejcennější a obsahují nejvíce informací o budoucnosti a proto je jim kladena vyšší váha (Hindls et al., 1999). Protože tento předpoklad odráží realitu lépe, než analytické vyrovnání, je pro určení trendu využit adaptivní model. Trend analyzované časové řady je určen pomocí centrovaného klouzavého průměru 12 MA (z ang. Moving Average). Volba délky klouzavého průměru je zásadní otázka. Čím je délka klouzavého průměru větší, tím větší je vyhlazení, ale tím zároveň roste počet nevyrovnaných hodnot na konci a na počátku řady. U periodických řad je délka volena tak, aby se rovnala periodě (Hindls et al., 1999). Délka klouzavého průměru pro analyzovanou časovou řadu je proto zvolena 12. Protože se jedná o sudé číslo, je nutné pro vyrovnání použít centrovaný klouzavý průměr. Jednoduchý klouzavý průměr totiž vyžaduje lichý počet pozorování, aby bylo zajištěno, že průměr je centrován uprostřed.

- 57 -

Následující graf ukazuje časovou řadu vyrovnanou pomocí centrovaného klouzavého průměru 12 MA. Nyní jde snadno vypozorovat trend časové řady, kolem něhož kolísá sezónní složka. Po roce 2008 došlo z důvodu negativní makroekonomické situace k velkému poklesu prodejů, avšak od roku 2010 je trend mírně stoupající. Do budoucna lze očekávat, že tento trend bude pokračovat, avšak je nutné mít na paměti vývoj celkové makroekonomické situace, neboť jak potvrzuje tento graf, prodeje automobilů jsou na makroekonomický vývoj velmi citlivé. Graf č. 6 - Časová řada vyrovnaná centrovaným klouzavým průměrem 600 500 400 300 200 100 0 2006

2007

2008

2009

2010

2011

2012

2013

2014

Zdroj: Vlastní zpracování

Krok 2: Zbavení časové řady trendu Nyní je časová řada de-trendována, je tedy zbavena trendu a je zanechána pouze složka sezónní a náhodná. Pro dekompozici časové řady je využíván multiplikativní přístup, data jsou proto zbavena trendové složky pomocí vzorce (7.3). Po vydělení jednotlivých pozorování jejich trendovou složkou, kterou jsme určili v kroku 1 pomocí centrovaného klouzavého průměru 12 MA, zůstává pouze složka sezonní a náhodná. Ty jsou přitom vyjádřeny v relativní formě. (7.3) Graf č. 7 znázorňuje de-trendovanou časovou řadu, která byla získána pomocí postupu popsaného výše. Jde zde vidět, jak data kolísají v poměrně pravidelném rytmu okolo čísla 1. Části křivky, které jsou nad touto hodnotou, ukazují, že prodeje byly v tomto období

- 58 -

nadprůměrné, tedy že převyšovaly dlouhodobý trend. Naopak veškerá část křivky pod hodnotou 1 poukazuje na podprůměrné prodeje. Toto kolísání je způsobeno sezónním faktorem. Graf č. 7 - De-trendovaná časová řada 2 1.8 1.6 1.4 1.2 1 0.8 0.6 0.4 2006

2007

2008

2009

2010

2011

2012

2013

2014

Zdroj: Vlastní zpracování

Krok 4: Analýza sezónní složky Pro to, aby mohl být sezónní faktor, neboli pravidelné kolísání sezónní složky okolo dlouhodobého trendu, lépe pochopen, jsou pro každý měsíc časové řady vypočítány tzv. sezónní indexy. Sezónní index pro leden je vypočítán jako průměr všech dostupných de-trendovaných pozorování pro leden. Sezónní index pro únor je vypočítán jako průměr únorových pozorování zbavených trendové složky atd. Takto určené sezónní indexy musejí být dále normovány. Tj. musí být zajištěno, že součet sezónních indexů bude 12. Normování je provedeno tak, že každý sezónní index je vydělen průměrem všech sezónních indexů.

Graf č. 8 - Sezónní indexy 1.6 1.4 1.2 1.0 0.8 0.6 0.4

Leden

Únor

Březen

Duben

Květen

Červen Červenec Srpen

Zdroj: Vlastní zpracování

- 59 -

Září

Říjen

Listopad Prosinec

Vypočítané hodnoty normovaných sezónních indexů byly vyneseny do grafu. Můžeme tak vidět, že data jsou sezónními výkyvy nejvíce ovlivněna na začátku a na konci roku. Sezónní vliv je silně negativní v lednu a postupně klesá. V průběhu roku se sezonalita téměř nevyskytuje. Velký vliv má opět na konci roku, tentokrát je vliv ovšem pozitivní. Tento vývoj poukazuje na to, že poptávka po automobilech na bulharském trhu je podprůměrná na začátku roku, v průběhu roku stagnuje na průměrné úrovni, v letním období mírně klesá a značně stoupá ke konci roku. Krok 5: Analýza náhodné složky V posledním kroku je vypočítána série náhodných složek

. Ta je při multiplikativním

přístupu získána za pomocí tohoto vzorce: (7.4) Náhodná složka je stejně jako složka sezónní vyjádřena v relativní podobě. Její podoba je zobrazena v grafu č 9. Graf č. 9 - Náhodná složka časové řady 1.4 1.3

1.2 1.1 1 0.9 0.8

0.7 0.6 0.5 2006

2007

2008

2009

2010

2011

2012

2013

2014

Zdroj: Vlastní zpracování

Zatímco předchozí složky časové řady byly složky systematické, náhodná složka je složka nesystematická a je tvořena náhodnými výkyvy časové řady. Všechny vlivy, které nedokážeme systematicky popsat, jsou zahrnuty v náhodné složce. Pro náhodnou složku se zavádějí následující předpoklady:

- 60 -

E(

) = 0 pro každé t = 1, 2, …, n

Střední hodnota náhodné složky je nulová. Tato podmínka znamená, že náhodná složka nepůsobí systematickým způsobem na hodnoty časové řady D(

)=

.

pro každé t = 1, 2, …, n

Rozptyl náhodné složky je konstantní. Tato podmínka vyjadřuje, že variabilita náhodné složky nezávisí na hodnotách systematických složek a je rovna neznámé kladné konstantě. Cov (

) = 0 pro každé t ≠ t-1, t = 1, 2, …, n

Kovariance náhodné složky je nulová. Hodnoty náhodné složky jsou tedy nekorelované. Pokud náhodná složka splňuje tři výše uvedené předpoklady, hovoříme o ní jako o bílém šumu s náhodným rozdělením. Bílý šum jsou nekorelované, vzájemně nezávislé náhodné veličiny s nulovou střední hodnotou a konstantním rozptylem. K ověřování předpokladů náhodné složky lze použít různé postupy založené na testech vlastností reziduí (Hindls et al., 1999). V této práci je pro test nezávislosti reziduí využit jeden z nejčastěji používaných testů – Durbinův-Watsonův test autokorelace. Proti nulové hypotéze o nezávislosti náhodných poruch se testuje alternativní hypotéza o tom, že náhodné poruchy jsou závislé. Jako testovací kritérium je využita tato statistika:

(7.5)

Hodnoty statistiky (7.5) se pohybují v intervalu od 0 do 4. V případě nezávislosti poruch se statistika pohybuje okolo čísla 2. V případě přímé závislosti jsou její hodnoty blízké nule a v případě nepřímé závislosti se blíží čtyřem (Hindls et al., 1999). Pro analyzovaná rezidua platí výsledná hodnota testovacího kritéria d = 1,9245. Tato hodnota se pohybuje velmi blízko čísla 2, hypotézu o nezávislosti reziduí tedy potvrzujeme.

- 61 -

7.2.2 Rozhodnutí o výběru Analýza dat časové řady ukázala, že data vykazují nejen stoupající trend, ale jsou také ovlivněna sezónními výkyvy. Mnoho prognostických metod ovšem trend ani sezonalitu nezohledňuje. Proto metody typu klouzavý průměr anebo metody jednoduchého exponenciálního vyrovnání dokáží generovat dobrou prognózu pouze na jednu periodu do budoucnosti od posledního pozorování. Pro delší období je nutno použít stále stejnou hodnotu prognózy, což je pro časové řady s trendem a sezonalitou nepřijatelné. Jak ukázala rešerše odborné literatury v teoretické části této práce, pro delší prognostický horizont, kdy data časové řady navíc vykazují trend, je vhodná například Holtova metoda. Avšak analyzovaná časová řada vykazuje nejen trend, ale i sezonalitu. Pro tento případ je vhodné využít Holt-Wintersovu metodu (Holt, 1957; Makridakis, 1998; Goodwin, 2010). Tato metoda existuje ve dvou variantách – aditivní a multiplikativní. Pro data s neměnnou sezónností je vhodnější aditivní varianta, multiplikativní varianta je vhodnější pro časovou řadu, u níž se sezónní složka mění v závislosti na úrovni této řady. V realitě však často předpoklad o konstantní sezónní složce neplatí. Také rozbor dat časové řady a pohled na graf č. 5, který zobrazuje vývoj časové řady mezi roky 2006 – 2013, utvrzuje v tom, že velikost sezónní složky se v průběhu analyzovaného období měnila. Z toho důvodu bude dále v této práci využíván multiplikativní přístup.

7.2.3 Aplikace Holt-Wintersovi multiplikativní metody Jak už bylo řečeno, tato metoda je vhodná pro situaci, když časová řada obsahuje trend i sezónní složku. Pomocí této metody je časová řada rozložena na tři složky – úroveň, trend a sezónní komponent. Prognostická rovnice Holt-Winters metody je vytvořena ze tří rovnic – první rovnice (7.6) je pro úrovně časové řady

, tj. úroveň, která zůstane po té, co časovou řadu zbavíme sezónní

a náhodné složky, další rovnice (7.7) je pro trend

, tj. očekávaná změna úrovně časové řady

(v případě multiplikativního přístupu je trend vyjádřen v relativní formě). Poslední rovnice je pro sezonní složku

, tj. sezónní index (stejně jako trend je sezónní index vyjádřen v relativní

formě). Délku sezonality (tj. počet měsíců v roce, kdy se sezónní vzorec pravidelně opakuje)

- 62 -

zde značí s. Pro měsíční data platí, že s = 12. Výsledkem kombinace těchto hodnot je prognóza

, tedy prognóza pro m period do budoucnosti.

(7.6)

(7.7)

(7.8)

(7.9)

Pro každou komponentu (úroveň, trend a sezonalitu) využívá Holt-Wintersova metoda tzv. vyrovnávací parametr. Těmito parametry jsou

a . Pro tyto parametry platí následující:

0<α<1 0<β<1 0<γ<1 Hodnota parametru definuje váhu, jaká je kladena nejnovějším pozorováním. Větší hodnoty parametru kladou větší váhu na poslední dostupná data a menší váhu na starší data. Metoda se tak rychleji adaptuje na nejnovější změny v chování vývoje prodejů, avšak může také přehnaně reagovat na náhodné výkyvy (Gelper, 2010). Existuje několik přístupů, jak určit hodnoty parametrů

a . V této práci je využit přístup, kdy se parametry

a

zvolí tak,

aby bylo dosaženo co nejnižších hodnot MSE. Holt-Wintersova multiplikativní metoda je aplikována na období 2010 – 2013. Pro období 2014 – 2015 je vytvořena pomocí této metody prognóza. Protože na toto období již existují data skutečných prodejů, bude tak možné ihned otestovat, jaké přesnosti bylo s pomocí této metody dosaženo. Metoda je aplikována na data začínající až rokem 2010, kdy časová řada začala setrvale růst. Důvody pro nezahrnutí dat před rokem 2010 do Holt-Winters metody jsou dva. Jedním z nich je skutečnost, že pro vytvoření prognózy pomocí Holt-Winters - 63 -

metody nejsou tato data nezbytně potřebná, neboť metoda dokáže pracovat i s menším počtem dostupných dat. Pro vytvoření měsíčních prognóz stačí mít k dispozici data ze dvou kompletních let. Druhý důvod k nezahrnutí dat před rokem 2010 do prognózy vyplývá z charakteru samotné Holt-Winters metody, která je založená na extrapolaci časové řady do budoucna a tudíž předpokládá, že stejná situace jako byla v minulosti, nastane i v budoucnosti. Data před rokem 2010 byla však ovlivněna finanční krizí a nejsou proto konzistentní s dlouhodobým trendem. V metodě by tak tato ovlivněná data způsobila značné zkreslení. Jakým způsobem lze zareagovat na podobné výkyvy ve vývoji dat v případě očekávané negativní ekonomické situace v budoucnu, bude popsáno níže v této práci v kapitole 7.4 Komentář, doporučení. Před samotnou prognózou pomocí Holt-Winters metody musí být provedena tzv. inicializace neboli určení počátečních hodnot jednotlivých komponentů

,

a

. Pro inicializaci jsou

využita data z roku 2010. Úroveň je inicializována pomocí průměru všech pozorování z tohoto roku. Obecný vzorec pro inicializaci úrovně je tento: (7.10)

Pro inicializaci trendu je použit následující vzorec: (7.11)

Sezónní indexy jsou inicializovány pomocí tohoto vzorce: (7.12)

Tabulka s výsledku výpočtů je k nahlédnutí v příloze. Z hodnot vypočítaných prognóz a z hodnot skutečně dosažených prodejů byl sestaven graf, který ukazuje, do jaké míry odpovídají prognózy skutečnosti.

- 64 -

Graf č. 10 - Holt-Winters prognóza 400 350 300 250 200 150 100 50 0 2010

2011

2012

Prodeje

2013 Holt-Winters

2014

2015

2016

Holt-Winters prognoza

Zdroj: Vlastní zpracování

7.3 Měření přesnosti prognóz V následující části práce jsou měřeny přesnosti prognóz, které byly vytvořeny pomocí Holt-Winters metody na období 2014 – 2015. Dále jsou měřeny přesnosti prognóz, které byly v analyzované společnosti vytvořeny na stejné období za pomoci kvalitativní metody, která spočívá v subjektivním odhadu budoucnosti skupinou odborníků. Tyto odhady jsou získány z interních systémů společnosti.

7.3.1 Holt-Winters metoda V tabulce č. 5 představuje období t a

je předpověď, která byla na stejné období vytvořena pomocí Holt-Winters

metody. Chyba v předpovědi a relativní chyba v předpovědi Z hodnot

hodnotu prodejů, které byly ve skutečnosti dosaženy za

a

byla vypočítána pomocí vzorce 3.1 (viz. Kapitola 3) pomocí vzorce 3.5 ze stejné kapitoly.

byly pomocí vzorců uvedených v Kapitole 3 vypočítány ukazatele střední

chyba odhadu, střední absolutní chyba odhadu, střední kvadratická chyba odhadu a dále

- 65 -

průměrná procentuální chyba a průměrná absolutní procentuální chyba. Výsledky jsou uvedeny v tabulce číslo 6. Tabulka č. 5 - Holt-Winters metoda 2014 t 1 2 3 4 5 6 7 8 9 10 11 12

106 126 170 158 191 198 161 194 198 196 187 183

106 124 144 177 168 188 149 174 186 202 222 287

2015 0 2 26 -19 23 10 12 20 12 -6 -35 -104

0% 2% 15% -12% 12% 5% 8% 10% 6% -3% -19% -57%

t 13 14 15 16 17 18 19 20 21 22 23 24

218 189 198 203 206 245 232 208 279 203 232 232

135 157 183 223 211 235 185 216 229 248 272 351

83 32 15 -20 -5 10 47 -8 50 -45 -40 -119

38% 17% 8% -10% -2% 4% 20% -4% 18% -22% -17% -51%

Zdroj: Vlastní zpracování

V souladu s tím, jak bylo uvedeno v Kapitole 3, která se věnovala teorii měření přesnosti prognóz, jsou hodnoty ukazatelů ME (střední chyba odhadu) a MPE (průměrná procentuální chyba odhadu) poměrně malá čísla, neboť negativní a pozitivní chyby se navzájem vyrušily. Z výsledků těchto ukazatelů proto nelze usuzovat o rozsahu chybovosti použité metody. Lze však říci, že předpovědi generované Holt-Winters modelem jsou v průměru mírně optimistické. V ukazateli MAE (střední absolutní chyba odhadu) byl eliminován nedostatek předchozích ukazatelů a to tak, že každá chyba byla nejprve převedena pomocí absolutní hodnoty na pozitivní a chyby ze všech pozorování se následně stejně jako v prvních případech zprůměrovaly. Ukazatel MSE (střední kvadratická chyba odhadu) převedl negativní hodnoty chyb na pozitivní za pomoci jejich umocnění. Výsledkem je velké číslo a z toho důvodu, že velkým chybám, tedy velkým odchylkám prognóz od skutečného stavu, byla kladena velká váha, zatímco malým chybám mnohem menší váha.

- 66 -

Holt-Winters metoda chybovala nejvíce při předpovědi na prosincové měsíce v obou letech prognózy a déle při prognóze na leden 2015. Tyto velké odchylky byly způsobeny změnou v charakteru dat v průběhu prognózovaného období 2014 – 2015. Sezónní výkyvy na přelomu let, tedy v měsících prosinec a leden, přestaly být tak rozsáhlé, jako byly v minulosti. Vzorec chování dat se změnil. Holt-Winters metoda ovšem pracuje na principu přenosu historických informací do budoucna a proto vznikly v důsledku změny chování dat velké odchylky.

Tabulka č. 6 - Chybovost Holt-Winters metody ME

-2.44

MPE

-1.43 %

MAE

30.97

MAPE

15.02 %

MSE

1894 Zdroj: Vlastní zpracování

Nejlepší představu o tom, jak velkou chybovost prognóza přivodila, přináší procentuální ukazatel MAPE (průměrná absolutní procentuální chyba odhadu). Pomocí tohoto ukazatele bude také rozhodnuto o platnosti hypotézy. V případě Holt-Winters kvantitativní metody je hodnota ukazatele MAPE 15.02 %. Znamená to, že prognózy se v průměru odchylovaly od skutečnosti o 15.02 %.

7.3.2 Kvalitativní metoda subjektivního odhadu Tabulka č. 7 ukazuje chyby předpovědí a relativní chyby předpovědí vzniklé v důsledku použití kvalitativní metody. Hodnoty

byly v tomto případě získány přímo od analyzované

společnosti, jedná se o prognózy, které společnost na období 2014 – 2015 vytvořila pomocí subjektivního odhadu odborníků. Stejně jako v prvním případě byly z hodnot

a

vypočítány ukazatele ME, MAE, MSE,

MPE a MAPE. Výsledky těchto výpočtů jsou uvedeny v přehledu níže. Na základě výsledků ukazatelů ME (střední chyba odhadu) a MPE (průměrná procentuální chyba odhadu) lze tvrdit, že prognózy vytvářené ve společnosti na období 2014 – 2015 pro bulharský trh byly systematicky podhodnocené. To může poukazovat na záměrné určení nízkých hodnot budoucích prodejů při vytváření prognóz a to s cílem dosáhnout lepších skutečných výsledků

- 67 -

a z nich vyplývajících odměn. Na tento problém bylo v této práci upozorněno již dříve v Kapitole 6, kde se diskutoval současný způsob vytváření prognóz v analyzované společnosti. Tabulka č. 7 - Kvalitativní metoda subjektivního odhadu

2014

2015

t 1 2 3 4 5 6 7 8 9 10 11 12

t 106 126 170 158 191 198 161 194 198 196 187 183

121 143 158 176 154 158 132 138 144 159 161 243

-15 -17 12 -18 37 40 29 56 54 37 26 -60

-14% -13% 7% -11% 19% 20% 18% 29% 27% 19% 14% -33%

13 14 15 16 17 18 19 20 21 22 23 24

218 189 198 203 206 245 232 208 279 203 232 232

136 169 166 178 185 195 196 198 200 178 210 259

82 20 32 25 21 50 36 10 79 25 22 -27

38% 11% 16% 12% 10% 20% 16% 5% 28% 12% 9% -12%

Zdroj: Vlastní zpracování

Stěžejní ukazatel pro účely této práce - ukazatel MAPE (průměrná absolutní procentuální chyba odhadu) dosáhl hodnoty 17.28 %.

Tabulka č. 8 - Chybovost kvalitativní metody ME

23.16

MPE

10.33%

MAE

34.58

MAPE

17.28%

MSE

1570 Zdroj: Vlastní zpracování

- 68 -

7.4 Komentář, doporučení Porovnáním ukazatelů MAPE vidíme, že Holt-Winters metoda dosáhla o 2.26 % nižší chybovosti, nežli kvalitativní metoda. Hypotéza, že kvantitativní prognostická metoda přináší přesnější výsledky nežli metoda kvalitativní, se tak potvrzuje. Výsledky testu jsou v souladu s tvrzením mnohých dalších autorů (Walker a McClelland, 1991; Winklhofer a kol., 1996; Hogarth a Makridakis, 1981), kteří udávají, že je výhodnější využívat kvantitativní metody namísto metod kvalitativních. Mimo to, že kvantitativní metody jsou přesnější, jsou také levnější, protože na rozdíl od kvalitativních metod, kdy jsou prognózy vytvářeny během mnohých setkání odborných týmů, jsou časově méně náročné. Navrhovaná metoda je založena na analýze časové řady a na její extrapolaci do budoucna. Aby metoda fungovala správně, musí být splněny tyto dvě podmínky: nesmí nastat žádné změny, které by ovlivnily stav přetrvávající v minulosti anebo se tyto změny musí navzájem vyrušit (Holt, 1957). Tyto podmínky se dají v krátkém období považovat za splněné, protože je nepravděpodobné, že se sezónní výkyvy nebo trend budou v krátkém období příliš měnit. I kdyby se měnily, budou se měnit velmi pomalu a metoda tak bude mít čas přizpůsobit se měnícím se podmínkám s přibývajícími daty minulých prodejů. V případě sledovaného bulharského trhu se sice sezónní výkyvy na přelomu let 2014 – 2015 změnily, přesněji řečeno zmírnily, avšak dá se předpokládat, že tato změna nastala v důsledku zásahu samotné společnosti anebo importéra, kteří se snažili pomocí marketingových podpor vyrovnat objemy prodejů v jednotlivých měsících. V takovém případě se nejedná o nepředpokládanou změnu, ale o změnu plánovanou, která se dá v předpovědích zohlednit. Protože žádná prognostická metoda není stoprocentně úspěšná, doporučuje se kombinace více metod, konkrétně kombinace navrhnuté Holt-Winters metody se současně využívanou kvalitativní metodou odborného názoru expertních pracovníků. Spojením obou metod tak bude možné využít výhod každé z nich a zároveň minimalizovat jejich nevýhody. Jak bylo upozorněno dříve v této práci, současný způsob vytváření krátkodobých prognóz ve společnosti založený pouze na hodnocení odborníků má tu nevýhodu, že jde o přístup velmi subjektivní, který poukazuje více na relativní sílu jednotlivých stran a jejich schopnost přesvědčit druhé o správnosti jejich názoru, než aby se jednalo o skutečnou snahu předpovědět budoucnost co možná nejvíce realisticky. Výhodou této kvalitativní metody je však to, že odborní pracovníci mohou mít informace, které nedokáže kvantitativní metoda

- 69 -

sama o sobě zohlednit a zahrnout. Prognóza generovaná pomocí Holt-Winters metody nedokáže například reflektovat předpokládané změny v ekonomice nebo v odvětví. Stejně tak nedokáže zahrnout plánované zásahy ze strany společnosti nebo importéra. K překonání této nevýhody je možné využít právě názory a zkušenosti odborníků. Ti mohou identifikovat potenciální změny a určit jejich vliv a dopad na analyzovaná data (prodeje) a model tak může být vhodně pozměněn. Navrhnutý model se doporučuje využít zejména jako prvotní vstup k další diskuzi. Odborní pracovníci, kteří se prognózování věnují, by měli jako základ použít výsledky generované pomocí kvantitativní prognózy a až následně tyto výsledky hodnotit a případně mírně pozměnit, budou-li mít pádné argumenty k takové změně. Pro zahrnutí předpokládaných změn v ekonomice nebo odvětví do prognózy budoucích prodejů lze použít také například regresní analýzu, kde prodeje budou vyjádřeny jako vysvětlovaná proměnná některé z makroekonomických veličin, např. HDP, zaměstnanost, vývoj tržeb v odvětví apod. Přesnost prognózy na základě regresní analýzy je však závislá jednak od přesnosti odhadu vývoje ekonomiky a jednak od hodnoty koeficientu determinace provedené regresní analýzy. Pokud se v odhadu hrubého domácího produktu objeví chyba, bude tato chyba přirozeně ovlivňovat i hodnotu odhadu objemu prodejů. Na druhou stranu odhad proměnné, jako je HDP, je výstupem velmi sofistikovaného procesu s velkou mírou spolehlivosti. Druhým determinantem přesnosti odhadu tržeb je koeficient determinace provedené regresní analýzy, který závisí primárně na vhodné volbě vysvětlující proměnné. V některých případech může mít lepší prediktivní schopnost než HDP například očekávaný vývoj tržeb v daném odvětví nebo odhad vývoje poptávky po dané komoditě. V teoretické části práce byl například prezentován výzkum Abu-Eisheh a Mannering (2002), kteří stanovili růst prodejů automobilů jako funkci příjmu na jednoho obyvatele a dalších proměnných. Předmětem dalšího průzkumu tak může být například porovnání výsledků prognóz získaných extrapolací časové řady s výsledky získanými pomocí regresní analýzy založené na různých vysvětlujících proměnných.

- 70 -

7.5 Věcné a ekonomické dopady doporučení Při výběru a návrhu vhodné kvantitativní metody se autorka záměrně soustředila pouze na metody jednoduché a intuitivní, které se dají snadno implementovat a jejich využití není finančně náročné. Výběr jednoduché metody přitom neznamená, že tato metoda není schopna dosáhnout dobrých výsledků. Jak bylo prezentováno v teoretické části práce, mnohé výzkumy ukázaly, že složitější a sofistikovanější metody nedokáží přinést lepší výsledky nežli metody jednodušší (Armstrong, 1978 a Fildes a kol., 1997). Výhodou navrhnuté metody je skutečnost, že zavedení této metody je velmi jednoduché a finančně nenáročné. Pro zavedení Holt-Winters metody autorka doporučuje využít externí dodavatelskou společnost, která zajistí bezproblémový export potřebných historických prodejních dat ze stávajících systémů do programu Microsoft Excel a zároveň provede nadefinování výpočetních algoritmů v programu Microsoft Excel. Stejná dodavatelská společnost následně poskytne zhruba tříhodinové školení pro Sales Manažery (tedy uživatele této nové metody), během kterého jim bude tato metoda představena. Součástí školení bude trénink využití Holt-Winters metody v softwaru Microsoft Excel. Podle regionálních statistik ceny práce MPSV se pohybovala průměrná hodinová mzda analytiků a vývojářů softwarů a počítačových aplikací za 4. čtvrtletí 2014 (nejnovější dostupné údaje) okolo hodnoty 315 Kč. Vytvoření požadovaných funkcí a algoritmů v softwaru Microsoft Excel může trvat odhadem asi 100 hodin, školení Sales Manažerů bude probíhat ve dvou kolech po třech hodinách, tj. 6 hodiny školení. Celkové náklady na vytvoření aplikace v Microsoft Excelu pro prognózu prodejů pomocí Holt-Winters metody vč. zaškolení Sales Manažerů budou cca 33 390 Kč. Alternativou k tomuto řešení je nákup specializovaného softwaru. Takové řešení je však finančně mnohem náročnější, přičemž statistický software by nemusel najít ve společnosti vedle prognózy prodejů další využití. Také zaučení uživatelů by bylo náročnější jak finančně tak časově. Kdyby společnost přesto preferovala specializovaný software pro prognózu budoucích prodejů a našla by pro tento software i další využití, doporučuje autorka například SPSS Statistics od IBM. Zakoupit by bylo nutné balíček Professional, který obsahuje modul Forecasting. Podle oficiálních internetových stránek společnosti IBM je cena tohoto softwaru 5 240 USD ročně, tj. při aktuálním kurzu České národní banky 1 USD = 24 Kč celkem 125 760 Kč za rok.

- 71 -

Dalším možným řešením je volně šiřitelný software R Statistics, který nabízí téměř nekonečné možnosti využití v oblasti statistiky. Základní verzi lze rozšířit balíčkem Forecast, který se dá stejně jako samotný software stáhnout zdarma a to i pro komerční využití. Nevýhodou tohoto řešení je ovšem ne příliš přívětivé uživatelské prostředí. Přívětivějšího prostředí se dá dosáhnout kombinací s integrovaným vývojovým prostředím R Studio, které je stejně jako R Statistics volně šiřitelné. Ať už se společnost rozhodne pro levnější variantu využití softwaru Microsoft Excel, pro dražší statistický software SPSS a nebo pro volně šiřitelný software R Statistics, v každém případě dosáhne zpřesnění krátkodobých předpovědí. Toto zpřesnění společnosti ušetří mnohé náklady, které v současnosti vznikají v důsledku podhodnocení nebo naopak nadhodnocení objemu prodejů a z toho vyplývajících nedostatků respektive přebytků vyrobených automobilů pro daný trh.

- 72 -

ZÁVĚR Předložená diplomová práce se věnovala tématu prognózování odbytu. Hlavním cílem práce bylo navrhnout konkrétnímu podniku takovou prognostickou metodu, se kterou bude možné dosáhnout v predikování budoucích prodejů lepších výsledků, nežli dosahuje v současnosti. Za tímto účelem byl stanoven také vedlejší cíl a to pomocí rešerše odborné literatury identifikovat faktory, které výběr vhodné prognostické metody do značné míry ovlivňují. Těmito faktory byly identifikovány: cíl prognózy, charakteristika dostupných dat, prognostický horizont a frekvence, s jakou se prognózy provádějí. V praktické části práce byla nejprve představena vybraná společnost a byl zanalyzován současný způsob vytváření prognóz v této společnosti. Zjistilo se, že společnost se spoléhá pouze na kvalitativní prognostickou metodu expertního odhadu budoucnosti, což je v rozporu s tím, co doporučuje odborná literatura. Před tím, než byla navrhnuta metoda, která by měla přinášet přesnější výsledky, byla provedena dekompozice časové řady historických prodejů. Pomocí dekompozice bylo zjištěno, že prodeje mají rostoucí tendenci a jsou silně ovlivněna sezónními výkyvy. Odborná literatura citovaná v teoretické části práce ukázala, že pro taková data je vhodná HoltWinter’s metoda. Byla proto testována hypotéza, že kvantitativní Holt-Winter’s metoda přinese přesnější prognózy nežli kvalitativní metoda. Testování hypotézy proběhlo pomocí srovnání výsledků dosažených aplikací Holt-Winter’s metody s výsledky, jakých dosahuje společnost v současnosti pomocí expertního odhadu. O platnosti hypotézy bylo rozhodnuto na základě statistického ukazatele průměrná absolutní procentuální chyba. Hypotéza, že kvantitativní prognostická metoda přináší přesnější výsledky nežli metoda kvalitativní, se potvrdila a výsledky testu tak byly v souladu s tvrzením mnohých dalších autorů, kteří uváděli, že je výhodnější využívat kvantitativní metody namísto metod kvalitativních. Sledované

společnosti

bylo

v závěru

práce

navrhnuto,

jakým

způsobem

může

Holt-Wintersovu metodu vhodně kombinovat se současně využívanou kvalitativní metodou subjektivního odhadu. Kombinací obou metod využije výhod, které nabízí každá z nich a to při současné eliminace jejich nevýhod. Nakonec byly také shrnuty ekonomické dopady doporučení.

- 73 -

Cíl práce se podařilo naplnit a společnosti byla doporučena prognostická metoda, s jejíž pomocí bude možné dosahovat přesnějších odbytových prognóz, nežli dosahuje v současnosti. Poznatky uvedené v této práci mohou přitom sloužit ke zpřesnění prognózování odbytu nejen v analyzované společnosti, ale také v dalších společnostech, které si nejsou jisté výběrem vhodné prognostické metody. Práce nabízí ucelený přehled faktorů, které výběr vhodné metody ovlivňují, a na konkrétním příkladu také upozorňuje na to, že v praxi často využívaná metoda expertního odhadu v sobě skrývá riziko podhodnocení nebo naopak nadhodnocení budoucích prodejů. Stejně jako mnohé další studie zabývají se tématem prognózování odbytu, i tato práce potvrdila, že kvalitativní prognostická metoda dokáže přinést přesnější odhad budoucího odbytu a proto by měla být preferována před kvalitativní metodou expertního odhadu.

- 74 -

SEZNAM POUŽITÝCH ZDROJŮ Monografie [1]

ARLT, J. Moderní metody modelování ekonomických časových řad. Vyd. 1. Praha: Grada, 1999, 307 s. ISBN 8071695394.

[2]

ARLT, J, ARLTOVÁ M. Ekonomické časové řady. Vyd. 1. Praha: Professional Publishing, 2009, 290 s. ISBN 9788086946856.

[3]

ENDERS, W. Applied econometric time series. 4. vyd., Hoboken: Wiley, 2015, 485 s., ISBN 978-1-118-80856-6.

[4]

HINDLS, R., HRONOVÁ S., NOVÁK I. Analýza dat v manažerském rozhodování. 1. vyd. Praha: Grada Publishing, 1999, 360 s. ISBN 80-7169-255-7.

[5]

HINDLS, R., HRONOVÁ S., SEGER J. Statistika pro ekonomy. 5. vyd. Praha: Professional Publishing, 2004, 415 s. ISBN 80-86419-59-2.

[6]

HINDLS, R., NOVÁK I., HRONOVÁ S. Metody statistické analýzy pro ekonomy. 2. přeprac. vyd. Praha: Management Press, 2000, 259 s. ISBN 8072610139.

[7]

KAŇOK, M. Statistické metody v marketingu. Vyd. 1. Praha: CIMA - Český institut pro marketing, 2000, 199 s. ISBN 8023871625.

[8]

KAHN, K.B. New Product Forecasting: An Applied Approach. Routledge, 2006, 176 s., ISBN 0765616106.

[9]

MAKRIDAKIS, S. G, WHEELWRIGHT S., MCGEE V. Forecasting: methods and applications. 2nd ed. New York: Wiley, 1983, xviii, 923 p. ISBN 047108610x.

[10]

MAKRIDAKIS, S.

Forecasting: methods and applications. 3rd ed. New York:

Wiley, 1998, xiv, 642 p. ISBN 9780471532330. [11]

PALEPU, K. G., HEALY, P. M. Business analysis & valuation: using financial statements : texts and cases. IFRS ed of 3rd revised ed edition., 2013, 754 s. ISBN 1408056429.

[12]

PINDYCK, R.S., RUBINFELD D. Econometric models and economic forecasts. 3. ed. New York: McGraw-Hill, 1991, xxii, 596 s. ISBN 0-07-050098-3.

[13]

ŠTĚDROŇ, B. Prognostické metody a jejich aplikace. Vyd. 1. Praha: C.H. Beck, 2012, xxii, 197 s. ISBN 9788071791744.

- 75 -

Odborná periodika [1]

ABU-EISHEH, S.A., MANNERING F.L. Forecasting automobile demand for economics in transition: a dynamic simultaneouse quation system approach. Transportation Planning and Technology, 2002, 25, s. 311–331.

[2]

ARMSTRONG, J.S. Forecasting with econometric methods: folklore versus facts, Journal of Business, 1978, 51(4), s. 549-564.

[3]

ARMSTRONG, S., MORWITZ V.G., KUMAR V. Sales forecasts for existing consumer products and services: do purchase intentions contribute to accuracy? International Journal of Forecasting, 2000, 16, s. 383–397.

[4]

ASSMUS, G. New product forecasting. Forecast, 1984,3, s. 121–138.

[5]

CURTIS, A., LUNDHOLM, R., VAY, S. Forecasting Sales: A Model and Some Evidence from the Retail Industry. Contemporary Accounting Research, 2014, 31(2), s. 581-608.

[6]

DARGAY, J. The effect of income on car ownership: Evidence of asymmetry. Transportation Research, Part A: Policy and Practice, 2001, 35, s. 807–821

[7]

FAIRFIELD, P., RAMNATH, S., YOHN, T. Do Industry-Level Analyses Improve Forecasts of Financial Performance?.Journal of Accounting Research, 2009, 47(1), s. 147-178.

[8]

FAMA, E. F., FRENCH, K. Forecasting Profitability and Earnings. The Journal of Business, 2000, 73, s. 75-161.

[9]

FILDES, R., HIBON M., MAKRIDAKIS S., MEADE N. The accuracy of extrapolative forecasting methods: additional empirical evidence, International Journal of Forecasting, 1997, 13, 289-308.

[10]

FILDES, R., PETROPOULOS, F. Improving Forecast Quality in Practice. Foresight: The International Journal of Applied Forecasting, 2015, 36, s. 5-12. Dostupné z: Business Source Complete.

[11]

FINNEY, A., JOSEPH, M., KURTH, H. Getting Your Forecasting and Planning Fundamentals Right, Foresight: The International Journal of Applied Forecasting, 2011, 21, s. 29-36.

[12]

GEBHARDT, W., C. LEE, B. SWAMINATHAN. Toward an Implied Cost of Capital. Journal of Accounting Research, 2001, 39, s. 76-135.

[13]

GELPER, S., R. FRIED, C. CROUX. Robust forecasting with exponential and HoltWinters smoothing, Journal of Forecasting, 2010, 29, s. 285-300. - 76 -

[14]

GOODWIN, P. The Holt-Winters Approach to Exponential Smoothing: 50 Years Old and Going Strong, The International Journal of Applied Forecasting, 2010, 19, s. 3033.

[15]

HARAN, U., MOORE, D.A. A better way to forecast, California Management Review, 2014, 57, s. 5-15.

[16]

HOGARTH, R., MAKRIDAKIS S. Forecasting and planning: an evaluation, Management Science, 1981, 27, s. 115-138.

[17]

HOLT, C.C. Forecasting trends and seasonals by exponentially weighted averages, Carnegie Institute of Technology, Pittsburgh ONR memorandum, 1957, 52.

[18]

CHATFIELD, CH. Calculating Interval Forecasts, Journal of Business & Economic Statistics, 1993, 11(2) s. 121-135.

[19]

CHENG, Q. What Determines Residual Income? The Accounting Review, 2005, 80, s. 85–112.

[20]

CHU, BS., CAO, D-B. Dynamic Cubic Neural Network DemandMomentumfor New Product Sales Forecasting. An International Interdisciplinary Journal, 2011, 14(4), s. 1171-1182.

[21]

KOTHARI, S. P. Capital Markets Research in Accounting. Journal of Accounting & Economics, 2001, 31, s. 105–231.

[22]

RYAN, L., S. FERREIRA, F. CONVERY. The impact of fiscal and othermeasures on new passenger car sales and CO2 emissions intensity: Evidence from Europe. Energy Economics, 2009, 31, s. 365–374.

[23]

MAHAJAN,

V.

New

productmodels:

Practice,

shortcomings

and

desiredimprovements. Journal of Product Innovation Management, 1990, 9, s. 128139. [24]

MAHAJAN, V., WIND, Y. New product forecasting models. Directions for research and implementation. International JournalofForecasting, 1988, 4, s. 341-358.

[25]

MAS-MACHUCA, M., SAINZ, M., MARTINEZ-COSTA, C. A review of forecasting models for new products. Intangible Capital, 2014, 10(1), s. 1-25.

[26]

OHLSON, J., JUETTNER-NAUROTH, B. Expected EPS and EPS Growth as Determinants of Value. Review of Accounting Studies, 2005, 10, s. 349–65.

[27]

PARIMITA,Arora P. Sales Forecasting o fMilk and Milk Products by Quantitative Techniques

-

A

Case

Study.

International

Approach&Studies, 2015, 2(1), s. 305-310.

- 77 -

Journal

of

Multidisciplinary

[28]

PARRY, M.E., CAO, Q., SONG, M. Forecasting New Product Adoption with Probabilistic Neural Networks. Journal ProductInnovation Management, 2011, 28(1), s. 78-88.

[29]

PIERDZIOCH, CH., RÜLKE, J. CH, STADTMANN G. (2011) Forecasting U.S. car sales and car registrations in Japan: Rationality, accuracy and herding. Japan and the World Economy, 23(4), s. 253-258 .

[30]

SANDERS, N.R., MANRODT, K.B. The efficacy of using judgmental versus quantitative forecasting methods in practice. The International Journal of Management Science, 2003, 31, s. 511-522.

[31]

SINGH, S., LEE, J., How to Use What-lf Analysis in Sales and Operations Planning.Journal of Business Forecasting, 2013, 32(3), s. 4-14.

[32]

TOMINO, T., PARK, Y., HONG, P., JUNGBAE, ROH J. Market flexible customizing system (MFCS) of Japanese vehicle manufacturers: ananalysis of Toyota, Nissan and Mitsubishi. International Journal of Production Economics, 2009, 118, s. 375–386.

[33]

WALKER, K.B., MCCLELLAND, L.A. Management forecasts and staistical prediction model forecasts in corporate budgeting, Journal of Acounting Research, 29(2) 373-382.

[34]

WINKLHOFER, H., DIAMANTOPOULOS, A., WITT, S.F. Forecasting practice: a review of the empirical literature and an agenda for future research, International Journal of Forecasing, 1996, 12, 193-221.

Legislativa [1]

Předpis č. 563/1991 Sb. Zákon o účetnictví

Internetové zdroje [1]

EU OFFICE ČS. Automobilový průmysl: trendy budoucnosti, Měsíčník EU aktualit, 144, 2015, s. 8-12. Dostupné z: http://www.csas.cz/static_internet/cs/Evropska_unie/ Mesicnik_EU_aktualit/Mesicnik_EU_aktualit/Prilohy/mesicnik_2015_09.pdf

- 78 -

[2]

EVROPSKÁ KOMISE. Tisková zpráva (2012). Dostupné z: http://ec.europa.eu/ ceskarepublika/press/press_releases/12_1187_cs.htm

[3]

IBM

SPSS

STATISTICS.

Product

pricing.

[online].

Dostupné

z:

https://www.ibm.com/marketplace/cloud/statistical-analysis-andreporting/purchase/us/en-us#product-header [4]

INTEGROVANÝ PORTÁL MINISTERSTVA PRÁCE A SOCIÁLNÍCH VĚCÍ. Regionální statistika ceny práce - Středočeský kraj. Mzdová sféra za 4. čtvrtletí 2014. Systémoví

analytici

(2511).

Dostupné

z:https://portal.mpsv.cz/sz/stat/vydelky/

str/ps?stat=2000000000070&obdobi=4&rok=2014&uzemi=27&send=1 [5]

MINISTERSTVO

PRŮMYSLU

A

OBCHODU.

Panorama

zpracovatelského

průmyslu ČR 2014. Dostupné z: http://www.mpo.cz/dokument162071.html [6]

R STATISTIC. R-Project. [online]. Dostupné z: https://www.r-project.org/about.html

[7]

R STUDIO. Products. RStudio [online]. Dostupné z: https://www.rstudio.com/ products/rstudio/

[8]

SDRUŽENÍ AUTOMOBILOVÉHO PRŮMYSLU. AUTOMOBILOVÝ PRŮMYSL v ČR – Základní údaje a fakta (2015). Dostupné z: http://www.autosap.cz/publikace-asluzby/#apobsah

[9]

ŠKODA. Čína. An-tching, I-čeng, Ning-po. Skoda-auto.com [online]. Dostupné z: http://cs.skoda-auto.com/company/production-plants/china/

[10]

ŠKODA.

Fakta

a

čísla.

Životnípříležitost.cz

[online].

Dostupné

z:

http://www.zivotniprilezitost.cz/skoda-jako-zamestnavatel/fakta-a-cisla-o-sa/ [11]

ŠKODA. Historie společnosti. Společnost s bohatou historií. Skoda-auto.com [online]. Dostupné z: http://cs.skoda-auto.com/company/history/company-history

[12]

ŠKODA.

Indie.

Skoda-auto.com

[online].

Dostupné

z:

http://cs.skoda-

auto.com/company/production-plants/india/ [13]

ŠKODA. Mladá Boleslav znamená pro značku ŠKODA mnohem víc než jen město, kde

sídlí

největší

výrobní

závod.

Skoda-auto.com

[online].

Dostupné

z:

http://cs.skoda-auto.com/company/production-plants/mlada-boleslav/ [14]

ŠKODA.

Rusko.

Skoda-auto.com

[online].

Dostupné

z:

http://cs.skoda-

auto.com/company/production-plants/russia/ [15]

ŠKODA. ŠKODA AUTO rozšiřuje výrobní závod Kvasiny. Skoda-auto.com [online]. Dostupné z: http://www.skoda-auto.cz/news/2015-03-23-kvasiny-vyroba/

- 79 -

[16]

ŠKODA.

Vrchlabí.

Skoda-auto.com

[online].

Dostupné

z:

http://cs.skoda-

auto.com/company/production-plants/vrchlabi/ [17]

ŠKODA.

Výroční

zpráva,

2014.

Skoda-auto.com

[online].

Dostupné

http://www.skoda.auto.com/SiteCollectionDocuments/company/investors/annualreports/cs/skoda-annual-report-2014.pdf.

- 80 -

z:

SEZNAM GRAFŮ Graf č. 1 - Průměry růstu prodejů pro evropské firmy v období 2002 – 2011 ................... - 21 Graf č. 2 - Vývoj HDP a růst prodeje automobilů v EU a ve světě ................................... - 28 Graf č. 3 - Složení vozového parku v ČR k 30. 6. 2015 (v tis.) ......................................... - 34 Graf č. 4 - Tržby ŠKODA AUTO v roce 2014 ................................................................. - 35 Graf č. 5 - Vývoj prodejů v Bulharsku za období 2006 - 2015 ......................................... - 57 Graf č. 6 - Časová řada vyrovnaná centrovaným klouzavým průměrem ........................... - 58 Graf č. 7 - De-trendovaná časová řada ............................................................................. - 59 Graf č. 8 - Sezónní indexy ............................................................................................... - 59 Graf č. 9 - Náhodná složka časové řady ........................................................................... - 60 Graf č. 10 - Holt-Winters prognóza ................................................................................. - 65 -

- 81 -

SEZNAM TABULEK Tabulka č. 1 - ŠKODA AUTO dle klasifikace CZ-NACE ................................................ - 35 Tabulka č. 2 - Výkaz zisku a ztráty (mil. Kč) ................................................................... - 36 Tabulka č. 3 - Vývoj peněžních toků (mil. Kč)................................................................. - 37 Tabulka č. 4 - Rozvaha (mil. Kč) ..................................................................................... - 37 Tabulka č. 5 - Holt-Winters metoda ................................................................................. - 66 Tabulka č. 6 - Chybovost Holt-Winters metody ............................................................... - 67 Tabulka č. 7 - Kvalitativní metoda subjektivního odhadu ................................................. - 68 Tabulka č. 8 - Chybovost kvalitativní metody .................................................................. - 68 -

- 82 -

SEZNAM OBRÁZKŮ Obrázek č. 1 - Celosvětový odbyt v roce 2014 ................................................................. - 34 Obrázek č. 2 - Růstová strategie ŠKODA AUTO............................................................. - 38 Obrázek č. 3 - Vlastnická struktura ŠKODA AUTO ........................................................ - 38 Obrázek č. 4 - Postavení Regionů ve ŠKODA AUTO...................................................... - 44 Obrázek č. 5 - Účel prognózování odbytu ........................................................................ - 45 Obrázek č. 6 - Prognostický horizont ve ŠKODA AUTO ................................................ - 46 -

- 83 -

SEZNAM POUŽITÝCH ZKRATEK

ASAP AZNP CKD ČR ČSÚ EU GAZ HDP MA MAE MAPE ME MPE MPO MSE RAF SKD VW ZÚ

Akciová společnost pro automobilový průmysl Automobilové závody národní podnik z ang. completely knock down – zcela rozložené vozy Česká republika Český statistický úřad Evropská unie Gorkovskij Avtomobilnyj Závod Hrubý domácí produkt z ang. Mooving Average – klouzavý průměr z ang. Mean Absolute Error - střední absolutní chyba odhadu z ang. Mean Absolute Percentage Error - průměrná absolutní procentuální chyba z ang. Mean Error - střední chyba odhadu z ang. Mean Percentage Error průměrná procentuální chyba Ministerstvo průmyslu a obchodu z ang. Mean Squared Error - střední kvadratická chyba odhadu Reichenberger Automobil-Fabrik z ang. semi-knocked-down – polo-rozložené vozy. Volkswagen Zákon o účetnictví

- 84 -

SEZNAM PŘÍLOH Příloha č. 1 - Organizační struktura ŠKODA AUTO........................................................ - 86 Příloha č. 2 - Organizační struktura oblasti Prodej a Marketing........................................ - 87 Příloha č. 3 - Prodeje Bulharsko 2006 - 2015 ................................................................... - 88 Příloha č. 4 - Aplikace Holt-Winters metody ................................................................... - 89 -

- 85 -

Controlling

Zdroj: Interní materiály společnosti ŠKODA AUTO – vlastní zpracování

Nákup

Nákup náběhy nových produktů

Plánování lidských zdrojů

Řízení lidských zdrojů

ŠKODA Design

Technický vývoj

Řízení náběhů

Výroba a logistika

Business Development

Prodej a Marketing

Oblast ekonomie

Hlavní sekretariát představenstva

Předseda představenstva

Nákup kovy

Kompletní péče o MGMT, Employer Branding

Plánování a koordinace

Řízení značky

Řízení prodeje

Právní záležitosti

Korporátní strategie

Servisní podpora nákupu a nákup OD/OP

Operativní HR péče

Koncepční vývoj

Plánování značky

Marketing

Informační systémy a záležitosti

Governance, Risk & Compliance

Nákup interiér

ŠKODA Akademie

Vývoj exteriéru a interiéru vozu

Logistika značky

Prodej a marketing ČR

Treasury

Komunikace

Nákup exteriér

Ochrana zdraví

Vývoj elektriky/ elektroniky

Výroba komponentů

Prodej střední, vých. Evropa

Účetnictví

Řízení kvality

Nákup elektro

Bezpečnost a ochrana zdraví

Vývoj podvozku a agregátu

Výroba vozů

Prodej západní Evropa

Produktmanagement

Všeobecný nákup

Vnější vztahy

Technické vedení projektu

Prodej Asie a zámoří

Regionální ředitel Rusko / SNS

Škoda Motorsport

After Sales

Interní audit

Vývoj celého vozu

Příloha č. 1 - Organizační struktura ŠKODA AUTO

Příloha č. 2 - Organizační struktura oblasti Prodej a Marketing Prodej a Marketing

Business Developement Rozvoj prodejní sítě a korporátní design

Mezinárodní prodejní trénink a kvalita prodeje

Plánování odbytu a výkaznictví

Plánování mimořádných výbav a správa zakázek

Strategie cen

Komunikační strategie a obsah

Experience Marketing

Produktový marketing

Prodej – Region 1

Marketing

Servisní služby

Region 2

Region 3

Region 4

Region 5

Region 6

Region 7

Region 9

Region 10

Řízení prodeje

Marketing

Prodej a Marketing ČR

Zákaznické centrum

Prodej střední, východní Evropa

Prodej západní Evropa

Prodej Asie a zámoří

After Sales

Zdroj: Interní materiály společnosti ŠKODA AUTO – vlastní zpracování

Region 8

Obchodní strategie a CRM

Příloha č. 3 - Prodeje Bulharsko 2006 - 2013 2006

2007

2008

2009

2010

2011

2012

2013

Leden

193

172

150

110

62

83

107

102

Únor

198

224

238

152

71

106

116

114

Březen

253

289

302

165

81

113

120

135

Duben

247

274

262

167

91

192

131

157

Květen

295

308

282

112

95

141

138

145

Červen

276

286

224

133

116

132

160

159

Červenec

254

240

252

111

118

136

138

102

Srpen

238

216

262

92

103

121

158

131

Září

204

239

285

110

131

138

145

138

Říjen

305

260

314

100

142

141

148

152

Listopad

367

296

129

104

146

149

164

169

Prosinec

431

499

275

145

225

178

232

213

CELKEM

3261

3303

2975

1501

1381

1630

1757

1717

Zdroj: Interní systém společnosti ŠKODA AUTO – vlastní zpracování

Příloha č. 4 - Aplikace Holt-Winters metody

Yt Parametry 2010

2011

2012

Lt

bt

St

0.081

0.424

m

Ft+m

SE

0.552

62

0.54

1

71

0.62

1

81

0.70

1

91

0.79

1

95

0.83

1

116

1.01

1

118

1.03

1

103

0.90

1

131

1.14

1

142

1.23

1

146

1.27

1

MSE 29337.42

225

115

14.82

1.96

1

83

126

4.98

0.60

1

70.0

169.44

106

129

1.60

0.73

1

80.9

632.01

113

129

0.48

0.80

1

91.9

443.43

192

135

2.80

1.14

1

102.5

8003.56

141

138

1.78

0.93

1

113.5

754.03

132

139

1.07

0.98

1

140.7

76.03

136

140

0.91

1.00

1

143.6

57.97

121

139

0.22

0.88

1

125.9

23.75

138

139

0.71

1.06

1

158.5

421.42

141

140

1.05

1.11

1

172.6

997.63

149

142

1.45

1.15

1

178.9

893.68

178

146

2.94

1.55

1

279.8

10363.08

107

145

0.15

0.68

1

90.0

287.56

116

143

-0.54

0.77

1

106.3

93.93

120

141

-0.55

0.83

1

113.9

37.26

2013

2014

131

140

0.10

1.03

1

160.1

846.38

138

140

0.53

0.96

1

130.5

55.97

160

142

1.47

1.06

1

136.7

545.14

138

143

1.02

0.98

1

142.6

21.60

158

145

1.43

1.00

1

126.7

980.86

145

146

1.17

1.02

1

154.7

94.38

148

147

1.16

1.05

1

163.4

238.04

164

150

1.68

1.12

1

170.7

45.17

232

158

4.38

1.50

1

234.7

7.30

102

158

0.16

0.66

1

110.0

63.52

114

154

-0.99

0.76

1

122.1

65.20

135

152

-0.57

0.86

1

126.8

67.28

157

152

0.55

1.03

1

155.5

2.12

145

152

0.54

0.96

1

146.8

3.17

159

153

1.08

1.05

1

161.3

5.47

102

150

-0.76

0.82

1

150.7

2372.44

131

147

-0.36

0.94

1

148.3

299.66

138

146

0.13

0.98

1

150.1

145.68

152

147

0.85

1.04

1

153.8

3.28

169

149

1.74

1.13

1

165.2

14.21

213

156

3.73

1.43

1

227.3

205.79

106

0.66

2

105.7

0.12

126

0.76

3

123.6

5.96

170

0.86

4

144.3

659.43

158

1.03

5

176.7

351.08

191

0.96

6

167.9

533.23

198

1.05

7

187.5

109.70

161

0.82

8

148.7

151.55

194

0.94

9

174.4

384.40

198

0.98

10

185.7

152.18

196

1.04

11

201.7

32.33

2015

187

1.13

12

222.0

1227.03

183

1.43

13

286.7

10759.77

218

14

135.3

6846.42

189

15

157.4

999.10

198

16

183.0

226.33

203

17

223.0

400.71

206

18

210.9

24.39

245

19

234.6

108.61

232

20

185.2

2187.15

208

21

216.4

70.48

279

22

229.5

2450.33

203

23

248.4

2059.89

232

24

272.5

1637.47

232

25

350.7

14078.63

Zdroj: Vlastní výpočty