Prognoziranje je neophodno u različitim situacijama: odluka da li da se izgradi još jedna elektrana u narednih 5 godina zahteva prognozu budućih potreba; raspored operatera u call centru za narednu nedelju zahteva prognozu broja poziva; pravljenje zaliha zahteva prognozu potreba zaliha. Prognoziranje može da se vrši za vremenski period od nekoliko godina (u slučaju kapitalnih investicija), ili za nekoliko minuta (rutiranje u telekomunikacijama). Kakvi god da su uslovi prognoziranje predstavlja bitnu pomoć za efektivno i efikasno planiranje. U savremenim uslovima razvoja su, u skoro svim područjima, zastupljeni egzaktni oblici istraživanja zasnovani na matematičkim relacijama koje pružaju odgovore na relativno veliki broj teorijskih i praktičnih pitanja. Na primer, rad mnogih električnih uređaja se može precizno opisati sistemom diferencijalnih jednačina, a na osnovu njihovog matematičkog rešenja utvrditi karakteristike i režim rada. Međutim, između tehničko-tehnoloških i ekonomskih sistema postoje bitne razlike, koje onemogućuju direktno preuzimanje rezultata i iskustava stečenih upravljanjem tehničko-tehnološkim sistemima. Ipak, ova iskustva su dovoljna da deo tih rezultata, uz neophodna prilagođavanja, posluže kao baza korišćenju matematičkih modela za analizu i donošenje odluka o ekonomskim sistemima.
Matematička rešenja su relevantna za sagledavanje stvarnih tendencija kretanja samo u meri u kojoj pretpostavke uključene u model zaista odražavaju stvarne odnose u privredi. To ukazuje na značaj empirijskih istraživanja u ekonomiji – kao sredstva spoznaje stvarnih odnosa između pojedinih varijabli i pretpostavki koje ulaze u teorijske modele. Postoji granica preko koje se, pri korišćenju matematičkih modela u ekonomiji, ne može preći, zato što se određeni ekonomski procesi ne mogu kvantifikovati ili su neki faktori, koji će delovati u budućnosti, van domašaja sistematskog kvantitativnog istraživanja ili pak zato što unošenje parametara preko određene veličine može obezvrediti sam model. Empirijska istraživanja se ne mogu vršiti nezavisno od postojeće teorijske osnove – kao orijentacije istraživanja. Teorijska sagledavanja usmeravaju na ekonomske varijable koje treba meriti, kako ih meriti i na koji način kvantifikovati njihovu empirijsku povezanost.
U nekim slučajevima je prognoziranje lakše. Na primer, vreme izlaska sunca za sledeće jutro može da se prognozira veoma precizno. Suprotno tome, sutrašnji brojevi loto izvlačenja ne mogu da budu prognozirani sa bilo kojom tačnošću. Predvidivost događaja ili količina zavise od nekoliko faktora:
- koliko dobro razumemo faktore koji im doprinose;
- kakvi su podaci dostupni;
- a li prognoze utiču na ono što pokušavamo da prognoziramo.
Na primer, prognoza potreba električne energije može biti veoma precizna jer su sva tri uslova zadovoljena. Svi faktori koji učestvuju u prognozi su nam dobro poznati: potreba za električnom energijom većinom zavisi od spoljne temperature, sa manjim varijacijama u slučaju godišnjih odmora i praznika, i od ekonomskih uslova. Kada postoji dovoljno istorijskih podataka o potrebama električne energije i o vremenskim uslovima i kada imamo dovoljno veština za razvoj dobrog modela povezivanjem potreba električne energije i ključnih varijabli, prognoza može da bude izuzetno precizna.
Sa druge strane, prilikom prognoziranja kretanja kursa, samo je jedan uslov zadovoljen: postoji dosta istorijskih podataka. Razumevanje faktora koji utiču na kretanje kursa je dosta ograničeno i prognoza kretanja kursa ima direktan uticaj na sam kurs. Ako bi postojala sigurna prognoza koja bi bila objavljena da će kurs porasti, ljudi bi odmah prilagodili cene i prognoza bi se automatski ispunila. U izvesnom smislu kretanje kursa postaje sopstvena prognoza. Ovo je primer hipoteze efikasnog tržišta.
Često je u prognoziranju ključni korak prepoznavanje da li nešto može da se prognozira precizno. Dobra prognoza sadrži originalne obrasce (paterne) i veze koje postoje u istorijskim podacima, ali i ne ponavlja prošle događaje koji se više neće ponoviti.
Pogrešna je pretpostavka da prognoza nije moguća u okruženjima koja se menjaju. Svako okruženje je promenljivo i dobar model prepoznaje način na koji se te promene dešavaju. Prognoza retko pretpostavlja da je okruženje nepromenljivo. Uglavnom je pretpostavka način na koji će promene nastaviti da se menjaju u budućnosti. Dobar model nastoji da prepozna način na koji se promene dešavaju, a ne samo trenutno stanje.
Metode prognoziranja mogu da budu veoma jednostavne, kao što je korišćenje najnovijih observacija (naivni metod), i veoma kompleksne kao što su neuronske mreže i ekonometrijski sistemi linearnih jednačina. Ponekad podaci nisu uopšte dostupni. Na primer, želimo da prognoziramo prodaju novog proizvoda u prvoj godini. U ovakvim situacijama koristi se vrednosno predviđanje (judgemental forecasting). Izbor metode zavisi od raspoloživosti podataka i predvidivosti količine koja se prognozira.
Forecasting is necessary in various situations: the decision whether to build another power plant in the next 5 years requires a forecast of future needs; the schedule of operators in the call center for the next week requires a forecast of the number of calls; inventory building requires a forecast of inventory needs. Forecasting can be done for a time period of several years (in the case of capital investments), or for a few minutes (routing in telecommunications). Whatever the conditions, forecasting is an essential aid for effective and efficient planning. In modern conditions of development, in almost all areas, there are exact forms of research based on mathematical relations that provide answers to a relatively large number of theoretical and practical questions. For example, the operation of many electrical devices can be precisely described by a system of differential equations, and based on their mathematical solution, the characteristics and mode of operation can be determined. However, there are important differences between technical-technological and economic systems, which make it impossible to directly take over the results and experiences gained by managing technical-technological systems. Nevertheless, these experiences are sufficient for part of those results, with necessary adjustments, to serve as a basis for the use of mathematical models for analysis and decision-making about economic systems.
Mathematical solutions are relevant for understanding real movement tendencies only to the extent that the assumptions included in the model really reflect real relations in the economy. This indicates the importance of empirical research in economics – as a means of understanding the real relationships between individual variables and assumptions that enter into theoretical models. There is a limit that cannot be crossed when using mathematical models in economics, because certain economic processes cannot be quantified or some factors that will act in the future are beyond the reach of systematic quantitative research or because entering parameters beyond a certain size can devalue the model itself. Empirical research cannot be carried out independently of the existing theoretical basis – as a research orientation. Theoretical insights point to the economic variables that should be measured, how to measure them and how to quantify their empirical connection.
In some cases, forecasting is easier. For example, the time of sunrise for the next morning can be predicted very accurately. Conversely, tomorrow’s lotto drawing numbers cannot be predicted with any accuracy. The predictability of the event or the amount depends on several factors:
- how well we understand the factors that contribute to them;
- what data is available;
- whether forecasts affect what we are trying to forecast.
For example, the forecast of electricity needs can be very accurate because all three conditions are met. All the factors involved in the forecast are well known to us: the need for electricity mostly depends on the outside temperature, with minor variations in the case of vacations and holidays, and on economic conditions. When there is enough historical data on electricity demand and weather conditions, and when we have enough skill to develop a good model by relating electricity demand to key variables, the forecast can be extremely accurate.
On the other hand, when forecasting the movement of the exchange rate, only one condition is satisfied: there is a lot of historical data. The understanding of the factors that influence the movement of the exchange rate is quite limited and the forecast of the movement of the exchange rate has a direct impact on the exchange rate itself. If there was a safe forecast that was announced that the exchange rate would rise, people would immediately adjust the prices and the forecast would automatically be fulfilled. In a certain sense, the movement of the exchange rate becomes its own forecast. This is an example of the efficient market hypothesis.
Often the key step in forecasting is recognizing whether something can be forecast accurately. A good forecast contains the original patterns and connections that exist in historical data, but it does not repeat past events that will not happen again.
It is a false assumption that forecasting is not possible in changing environments. Every environment is changing and a good model recognizes the way these changes happen. Forecasting rarely assumes that the environment is unchanging. It is mostly an assumption about how the changes will continue to change in the future. A good model seeks to recognize the way in which changes occur, not just the current state.
Forecasting methods can be very simple, such as using the latest observations (naive method), and very complex, such as neural networks and econometric systems of linear equations. Sometimes the data is not available at all. For example, we want to forecast the sales of a new product in the first year. In such situations, value forecasting (judgmental forecasting) is used. The choice of method depends on the availability of data and the predictability of the forecasted quantity.