Существуют фундаментальные принципы, которые необходимо учитывать, прогнозируя спрос на любом уровне иерархии плановых решений. Несоблюдение этих принципов приводит к тому, что прогноз спроса становится либо невысоким по качеству, либо нерелевантным с позиций принимаемых предприятием решений.

Горизонт прогнозирования спроса. Разницу во времени между моментом, когда прогнозируется спрос, и тем плановым периодом, на который прогнозируется спрос, называют временным лагом. Выбор необходимого временного лага зависит от того, сколько времени предприятию нужно, чтобы разработать и принять все необходимые меры для того, чтобы отреагировать на информацию о прогнозе спроса. Если для наращивания производственной мощности в соответствии с прогнозом о будущем росте спроса требуется год, прогноз спроса с горизонтом менее года недостаточен, он не позволит решить необходимую задачу управления производственной мощностью. Или, например, если длительность производственного цикла при «производстве на заказ» составляет один месяц, нелогично иметь горизонт прогнозирования более коротким, ибо на такой прогноз предприятие не сумеет вовремя среагировать, подготовив необходимые запасы сырья и материалов.

При выборе горизонта прогнозирования спроса необходимо учитывать, что на более отдаленные плановые периоды прогноз будет менее точным, чем на более близкие. Соответственно, выбор горизонта прогнозирования спроса должен быть обоснован теми решениями, которые принимаются на основе сформированного прогноза — слишком короткий горизонт прогнозирования не позволяет адекватно решить поставленную задачу, а более долгий — создает проблемы с качеством прогноза.

Выбор объекта прогнозирования спроса . Чем детальнее прогноз, тем менее он точен. Соответственно, для каждого уровня иерархии планов необходимо выбирать тот уровень детализации объекта прогнозирования, который позволит решить поставленную задачу, но не приводит к ненужной детализации. Ненужной считается детализация, которая, увеличивая трудоемкость и стоимость прогноза спроса, не прибавляет прогнозу ценности с точки зрения принятия решений.

В целом, можно сказать, что параметры прогнозов спроса определяются целью использования прогноза. Чем выше уровень принятия решений и чем крупнее по масштабу принимаемые решения, тем более крупно и на более далекую перспективу строится прогноз спроса.

Качество прогноза спроса. Любому прогнозу присущ риск ошибки. Трудно представить прогноз, не содержащий ошибку. Можно выделить два типа ошибки прогноза спроса: ошибка оценки объема спроса и ошибка оценки структуры спроса. Эти типы ошибок необходимо рассматривать в зависимости от того, о каком уровне принятия решений на предприятии идет речь.

Риск ошибки оценки объема спроса при прогнозировании спроса может быть на любом уровне планирования. При долгосрочном прогнозировании спроса риск проявляется на уровне категорий продукции и товарных групп. Риск влияет на доступность необходимого объема ключевых ресурсов и на исполнение финансовых планов предприятия. При оперативном прогнозировании спроса риск проявляется на уровне номенклатурных позиций продукции, и влияет на фактический уровень обслуживания клиентов.

Риск ошибки оценки структуры спроса при прогнозировании спроса проявляется только при долгосрочном прогнозировании спроса на уровне категорий продукции и товарных групп. Предполагается одна структура спроса внутри товарной группы по номенклатурным позициям, а фактически структура оказывается иной.

Учесть указанные риски можно двумя способами: повышением качества прогнозов и/или резервированием ресурсов, предназначенных специально для покрытия этих рисков. На практике, как правило, используют оба способа одновременно — работают над повышением качества прогнозов спроса, и (поскольку стопроцентное качество прогноза на практике недостижимо) формируют резервные величины ресурсов (резервные товарно­-материальные запасы, резервное время, резервную производственную мощность).

Для оценки качества прогноза выделяют две основные измеряемые характеристики: ошибка прогноза и точность прогноза.

Ошибка прогноза — разница между фактическим значением спроса и его прогнозным значением. Она может быть выражена как в абсолютном выражении, так и в относительном — в процентах от фактического значения спроса.

Точность прогноза — это выраженная в процентах величина, равная разнице между 100% и выраженной в процентах ошибкой прогноза спроса.

Основной для оценки точности и качества прогноза спроса является измеренная ошибка и точность прогноза для каждого отдельно взятого планового периода.

Однако чаще интерес представляет не отдельно взятый плановый период, а то, в какой степени хорош тот или иной метод прогнозирования спроса. Для этого принято рассчитывать сводные характеристики точности прогноза спроса. Двумя основными способами оценить точность метода прогнозирования спроса являются средняя абсолютная ошибка в процентах (MAPE – Mean Absolute Percentage Erro) и средняя процентная ошибка (MPE – Mean Percentage Error).

Ошибки прогноза спроса можно классифицировать на две категории: случайные отклонения и смещение.

Случайные отклонения означают, что в сумме ошибки прогноза стремятся к нулю, и плановые периоды, для которых спрос был переоценен, чередуются с плановыми периодами, для которых спрос был недооценен, то есть, в ошибке прогноза спроса нет тенденциозности, отрицательные и положительные значения ошибок прогноза спроса в целом погашают друг друга.

Смещение же означает, что есть серьезная проблема — значительно более серьезная, нежели случайные ошибки — систематическое завышение или занижение прогноза спроса. Смещение прогноза может объясняться как объективными, так и субъективными обстоятельствами. К объективным можно отнести выбор модели прогнозирования спроса, которая может быть не вполне релевантна, например, не учитывать существенные факторы, влияющие на спрос. Объективные обстоятельства поддаются оценке и корректировке путем улучшения модели прогнозирования, сбора и подготовки данных для прогнозирования спроса, обучения сотрудников прогнозированию.

Субъективные же обстоятельства связаны с намеренным занижением или завышением величины прогноза. Это означает, что прогнозист заинтересован, в силу тех или иных причин, в смещении прогноза, поскольку он получает те или иные выгоды от смещения прогноза. Например, если прогноз спроса формирует отдел продаж предприятия, и при этом он получает премию за перевыполнение плана продаж, трудно ожидать от него оптимистического прогноза спроса. И наоборот, если отдел маркетинга формирует прогноз спроса, а при этом бюджет маркетинга считается как процент от плановой выручки, не стоит ждать пессимистического прогноза спроса. Нейтрализация влияния субъективных факторов в некоторой мере достигается правильной организацией процесса прогнозирования спроса.

В заключение следует сказать, что, помимо понятия «точность прогноза », можно выделить понятие «качество прогноза». Под качеством прогноза понимают способность процесса прогнозирования спроса формировать такие прогнозы, которые устойчиво отличались бы от фактических значений спроса не более чем на заданную величину ошибки. То есть качество прогноза означает способность удерживать ошибку прогноза в заданных пределах. Это очень важно с точки зрения управления, поскольку к заданным границам ошибки прогноза предприятие может заранее подготовиться, и такой масштаб ошибки не ставит под угрозу уровень обслуживания заказчиков.

Замечено, что качество прогноза спроса определяется в большей мере хорошей организацией процесса прогнозирования спроса, чем отдельно взятыми сколь угодно сложными математическими моделями. Тем не менее, рассмотрим далее, какие типы методов прогнозирования спроса существуют, и в каких обстоятельствах их целесообразно применять.

Краеугольный камень в управлении запасами и огромная головная боль управляющего. Как это делать на практике ?

Целью данных записок не является изложение теории прогнозирования - книжек существует множество. Целью является сжато и по возможности без глубокой и строгой математики дать обзор различных методов и практик применения именно в области управления запасами. Я старался не "залезать в дебри", рассматривать лишь наиболее часто встречающиеся ситуации. Заметки написаны практиком и для практиков, поэтому не стоит искать здесь каких-то изощренных методик, описаны только самые общие. Так сказать, mainstream в чистом виде.

Впрочем, как и везде на этом сайте всячески приветствуется участие - добавляйте, исправляйте, критикуйте...

Прогнозирование. Постановка задачи

Любой прогноз всегда ошибочен. Весь вопрос в том, насколько он ошибочен.

Итак, у нас в распоряжении есть данные о продажах. Пусть это выглядит так:

На языке математики это называется временным рядом:

Временной ряд обладает двумя критическими свойствами

значения обязательно упорядочены. Переставьте два любых значения местами, и получите другой ряд

подразумевается, что значения в ряду — это результат измерения через одинаковые фиксированные промежутки времени; прогнозирование поведения ряда означает получение «продолжения» ряда через те же самые промежутки на заданный горизонт прогнозирования

Отсюда следует требование к точности исходных данных — если мы хотим получить понедельный прогноз, исходная точность должна быть не хуже, чем понедельные отгрузки.

Отсюда также следует, что если мы «достаем» из учетной системы данные о продажах помесячно, их нельзя использовать впрямую, поскольку количество времени, в течение которого производились отгрузки, в каждом месяце разное и это вносит дополнительную ошибку, поскольку объем продаж приблизительно пропорционален этому времени.

Впрочем, это не является такой уж сложной проблемой — давайте просто приведем эти данные к среднедневным.

Для того, чтобы сделать какие-то предположения относительно дальнейшего хода процесса, мы должны, как уже говорилось, уменьшить степень нашего незнания. Мы предполагаем, что наш процесс имеет какие-то внутренние закономерности течения, совершенно объективные в текущем окружении. В общих чертах это можно представить как

Y(t) — значение нашего ряда (например, объем продаж) в момент времени t

f(t) — некая функция, описывающая внутреннюю логику процесса. Ее в дальнейшем будем называть прогнозной моделью

e(t) — шум, ошибка, связанная со случайностью процесса. Или, что то же самое, связанная с нашим незнанием, неумением учесть другие факторы в модели f(t) .

Теперь наша задача состоит в том, чтобы отыскать такую модель, чтобы величина ошибки была заметно меньше наблюдаемой величины. Если мы отыщем такую модель, мы можем считать, что процесс в будущем пойдет примерно в соответствии с этой моделью. Более того, чем точнее модель будет описывать процесс в прошлом, тем больше у нас уверенности, что она сработает и в будущем.

Поэтому процесс как правило бывает итеративным. Исходя из простого взгляда на график прогнозист выбирает простую модель и подбирает ее параметры таким образом, чтобы величина

была в каком-то смысле минимально возможной. Эту величину как правило называют «остатками» (residuals), поскольку это то, что осталось после вычитания модели из фактических данных, то, что не удалось описать моделью. Для оценки того, насколько хорошо модель описывает процесс, необходимо посчитать некую интегральную характеристику величины ошибки. Наиболее часто для вычисления этой интегральной величины ошибки используют среднее абсолютное или среднеквадратическое величины остатков по всем t. Если величина ошибки достаточно велика, пытаются «улучшить» модель, т.е. выбрать более сложный вид модели, учесть большее количество факторов. Нам, как практикам, следует в этом процессе строго соблюдать как минимум два правила:

Наивные методы прогнозирования

Наивные методы

Простое среднее

В простом случае, когда измеренные значения колеблются вокруг некоторого уровня, очевидным является оценка среднего значения и предположение о том, что и впредь реальные продажи будут колебаться вокруг этого значения.

Скользящее среднее

В реальности же как правило картинка хоть немного, да «плывет». Компания растет, оборот увеличивается. Одной из модификаций модели среднего, учитывающей это явление, является отбрасывание наиболее старых данных и использование для вычисления среднего лишь нескольких k последних точек. Метод получил название «скользящего среднего».

Взвешенное скользящее среднее

Следующим шагом в модификации модели является предположение о том, что более поздние значения ряда более адекватно отражают ситуацию. Тогда каждому значению присваивается вес, тем больший, чем более свежее значение добавляется.

Для удобства можно сразу выбрать коэффициенты таким образом, чтобы сумма их составляла единицу, тогда не придется делить. Будем говорить, что такие коэффициенты отнормированы на единицу.

Результаты прогнозирования на 5 периодов вперед по этим трем алгоритмам приведены в таблице

Простое экспоненциальное сглаживание

В англоязычной литературе часто встречается аббревиатура SES — Simple Exponential Smoothing

Одной из разновидностей метода усреднения является метод экспоненциального сглаживания . Отличается он тем, что ряд коэффициентов здесь выбирается совершенно определенным образом — их величина падает по экспоненциальному закону. Остановимся здесь немного подробнее, поскольку метод получил повсеместное распространение благодаря простоте и легкости вычислений.

Пусть мы делаем прогноз на момент времени t+1 (на следующий период). Обозначим его как

Здесь мы берем в качестве основы прогноза прогноз последнего периода, и добавляем поправку, связанную с ошибкой этого прогноза. Вес этой поправки будет определять, насколько «резко» наша модель будет реагировать на изменения. Очевидно, что

Считается, что для медленно меняющегося ряда лучше брать значение 0.1, а для быстро меняющегося — подбирать в районе 0.3-0.5.

Если переписать эту формулу в другом виде, получается

Мы получили так называемое рекуррентное соотношение — когда последующий член выражается через предыдущий. Теперь мы прогноз прошлого периода выражаем тем же способом через позапрошлое значение ряда и так далее. В итоге удается получить формулу прогноза

В качестве иллюстрации продемонстрируем сглаживание при разных значениях постоянной сглаживания

Очевидно, что если оборот более-менее монотонно растет, при таком подходе мы будем систематически получать заниженные цифры прогнозов. И наоборот.

Ну и в заключение методика сглаживания с помощью электронных таблиц. Для первого значения прогноза мы возьмем фактическое, а далее по формуле рекурсии:

Составляющие прогнозной модели

Очевидно, что если оборот более-менее монотонно растет, при таком «усредняющем» подходе мы будем систематически получать заниженные цифры прогнозов. И наоборот.

Чтобы более адекватно промоделировать тенденцию, в модель вводится понятие «тренда», т.е. некоторой гладкой кривой, которая более-менее адекватно отражает «систематическое» поведение ряда.

Тренд

На рис. показан тот же ряд в предположении приблизительно линейного роста

Такой тренд называется линейным — по виду кривой. Это наиболее часто применяемый вид, реже встречаются полиномиальные, экспоненциальные, логарифмические тренды. Выбрав вид кривой, конкретные параметры обычно подбирают методом наименьших квадратов.

Строго говоря, эта компонента временного ряда называется тренд-циклической , то есть включает в себя колебания с относительно длинным периодом, для наших задач — порядка десятка лет. Эта циклическая составляющая характерна для мировой экономики или интенсивности солнечной активности. Поскольку мы тут решаем не такие глобальные проблемы, горизонты у нас поменьше, то и циклическую компоненту мы оставим за скобками и далее везде будем говорить о тренде.

Сезонность

Однако на практике нам оказывается недостаточно моделировать поведение таким образом, что мы подразумеваем монотонный характер ряда. Дело в том, что рассмотрение конкретных данных о продажах сплошь и рядом приводит нас к выводу о наличии еще одной закономерности — периодическом повторении поведения, некотором шаблоне. К примеру, рассматривая продажи мороженого, очевидно, что зимой они как правило ниже среднего. Такое поведение совершенно понятно с точки зрения здравого смысла, поэтому возникает вопрос, нельзя ли использовать эту информацию для уменьшения нашего незнания, для уменьшения неопределенности?

Так возникает в прогнозировании понятие «сезонности » - любое повторяющееся через строго определенные промежутки времени изменение величины. Например, всплеск продаж елочных игрушек в последние 2 недели года можно рассматривать как сезонность. Как правило, подъем продаж супермаркета в пятницу и субботу в сравнении с остальными днями можно рассматривать как сезонность с недельной периодичностью. Хоть и называется эта составляющая модели «сезонность», необязательно она связана именно с сезоном в бытовом понимании (весна, лето). Любая периодичность может называться сезонностью. С точки зрения ряда сезонность характеризуется прежде всего периодом или лагом сезонности — числом, через которое происходит повторение. Например, если у нас ряд месячных продаж, мы можем предполагать, что период составляет 12.

Различают модели с аддитивной и мультипликативной сезонностью . В первом случае сезонная поправка добавляется к исходной модели (в феврале продаем на 350 ед. меньше, чем в среднем)

во втором — происходит умножение на коэффициент сезонности (в феврале продаем на 15% меньше, чем в среднем)

Заметим, что, как уже говорилось в начале, само наличие сезонности должно быть объяснимо с точки зрения здравого смысла. Сезонность является следствием и проявлением свойства продукта (особенностей его потребления в данной точке земного шара). Если мы сможем аккуратно идентифицировать и измерить это свойство этого конкретного продукта, мы сможем быть уверены, что такие колебания продолжатся и в будущем. При этом один и тот же продукт вполне может иметь разные характеристики (профили ) сезонности в зависимости от места, где он потребляется. Если же мы не можем объяснить такое поведение с точки зрения здравого смысла, у нас нет оснований для предположительного повторения такого шаблона в будущем. В этом случае мы должны искать другие факторы, внешние по отношению к продукту и рассматривать их наличие в будущем.

Важно то, что при выборе тренда мы должны выбирать простую аналитическую функцию (то есть такую, которую можно выразить простой формулой), тогда как сезонность как правило выражается табличной функцией. Самый распространенный случай — годовая сезонность с 12 периодами по числу месяцев — это таблица из 11 мультипликативных коэффициентов, представляющих поправку относительно одного опорного месяца. Или 12 коэффициентов относительно среднемесячного значения, только очень важно, что при этом независимыми остаются те же 11, поскольку 12й однозначно определяется из требования

Ситуация, когда в модели присутствует M статистически независимых (!) параметров , в прогнозировании называется моделью с M степенями свободы . Так что если вам встретится специальный софт, в котором как правило необходимо в качестве входных параметров задать число степеней свободы, это отсюда. Например, модель с линейным трендом и периодом 12 месяцев, будет иметь 13 степеней свободы — 11 от сезонности и 2 от тренда.

Как жить с этими составляющими ряда, рассмотрим в следующих частях.

Классическая сезонная декомпозиция

Декомпозиция ряда продаж.

Итак, мы весьма часто можем наблюдать поведение ряда продаж, в котором присутствуют компоненты тренда и сезонности . Мы имеем намерение улучшить качество прогноза, учитывая это знание. Но для того, чтобы использовать эту информацию, нам необходимы количественные характеристики. Тогда мы из фактических данных сможем исключить тренд и сезонность и тем самым значительно уменьшить величину шума, а значит и неопределенность будущего.

Процедура выделения неслучайных компонент модели из фактических данных называется декомпозицией .

Первое, чем мы займемся на наших данных — сезонная декомпозиция , т.е. определение числовых значений сезонных коэффициентов. Для определенности возьмем наиболее распространенный случай: данные о продажах сгруппированы помесячно (поскольку требуется прогноз с точностью до месяца), предполагается линейный тренд и мультипликативная сезонность с лагом 12.

Сглаживание ряда

Сглаживанием называется процесс, при котором исходный ряд заменяется другим, более плавным, но основанным на исходном. Целью такого процесса является оценка общих тенденций, тренда в широком смысле. Методов (как и целей) сглаживания существует много, наиболее распространенные

укрупнение временных интервалов . Очевидно, что ряд продаж, агрегированный помесячно, ведет себя более гладко, чем ряд, основанный на дневных продажах

скользящее среднее . Мы уже рассматривали этот метод, когда говорили о наивных методах прогнозирования

аналитическое выравнивание . В этом случае исходный ряд заменяется некоторой гладкой аналитической функцией. Вид и параметры подбираются экспертно по минимуму ошибок. Опять же, мы это уже обсуждали, когда говорили о трендах

Дальше мы будем использовать сглаживание методом скользящего среднего. Идея состоит в том, что набор из нескольких точек мы заменяем одной по принципу «центра масс» - значение равно среднему этих точек, а расположен центр масс, как нетрудно догадаться, в центре отрезка, образованного крайними точками. Так мы устанавливаем некий «средний» уровень для этих точек.

В качестве иллюстрации наш исходный ряд, сглаженный по 5 и 12 точкам:

Как нетрудно догадаться, если происходит усреднение по четному числу точек, центр масс падает в промежуток между точками:

К чему это я все веду?

Для того, чтобы провести сезонную декомпозицию , классический подход предлагает сначала провести сглаживание ряда с окном, в точности совпадающим с лагом сезонности. В нашем случае лаг = 12, так что если мы сгладим по 12 точкам, по всей видимости, возмущения, связанные с сезонностью, нивелируются и мы получим общий средний уровень. Вот тогда уже мы начнем сравнивать фактические продажи с сглаженными значениями — для аддитивной модели будем вычитать из факта сглаженный ряд, а для мультипликативной — делить. В результате получим набор коэффициентов, для каждого месяца по нескольку штук (в зависимости от длины ряда). Если сглаживание прошло успешно, эти коэффициенты будут иметь не слишком большой разброс, так что усреднение для каждого месяца будет не столь уж дурацкой затеей.

Два момента, которые важно отметить.

• Усреднение коэффициентов можно делать как вычислением стандартного среднего, так и медианы. Последний вариант очень рекомендуется многими авторами, поскольку медиана не так сильно реагирует на случайные выбросы. Но мы в нашей учебной задаче будем использовать простое среднее.
• У нас будет лаг сезонности 12, четный. Поэтому нам придется сделать еще одно сглаживание — заменить две соседние точки сглаженного в первый раз ряда на среднее, тогда мы попадем на конкретный месяц

На картинке результат повторного сглаживания:

Теперь делим факт на гладкий ряд:

К сожалению, у меня были данные лишь за 36 месяцев, а при сглаживании по 12 точкам один год, соответственно, теряется. Поэтому на данном этапе я получил коэффициенты сезонности лишь по 2 на каждый месяц. Но делать нечего, это лучше, чем ничего. Будем усреднять эти пары коэффициентов:

Теперь вспоминаем, что сумма мультипликативных коэффициентов сезонности должна быть =12, поскольку смысл коэффициента — отношение продаж месяца к среднемесячному. Именно это делает последняя колонка:

Вот теперь мы выполнили классическую сезонную декомпозицию , то есть получили значения 12-ти мультипликативных коэффициентов. Теперь пришла пора заняться нашим линейным трендом. Для оценки тренда мы устраним из фактических продаж сезонные колебания, разделив факт на полученное для данного месяца значение.

Теперь построим на графике данные с устраненной сезонностью, проведем линейный тренд и составим для интереса прогноз на 12 периодов вперед как произведение значения тренда в точке на соответствующий коэффициент сезонности

Как видно из картинки, очищенные от сезонности данные не очень хорошо укладываются в линейную зависимость — слишком большие отклонения. Возможно, если почисить исходные данные от выбросов, все станет намного лучше.

Для более точного определения сезонности при помощи классической декомпозиции весьма желательно иметь не менее 4-5 полных циклов данных, так как один цикл не участвует в вычислении коэффициентов.

Что делать, если по техническим причинам таких данных нет? Нужно найти метод, который не будет отбрасывать никакую информацию, будет использовать всю имеющуюся для оценки сезонности и тренда. Попробуем такой метод рассмотреть в следующей части

Экспоненциальное сглаживание с учетом тренда и сезонности. Метод Холта-Винтерса

Возвращаясь к экспоненциальному сглаживанию...

В одной из предыдущих частей мы уже рассматривали простое экспоненциальное сглаживание . Напомним в двух словах основную идею. Мы предполагали, что прогноз для точки t определяется некоторым средним уровнем предыдущих значений. Причем способ, которым вычисляется прогнозное значение, определяется рекуррентным соотношением

В таком виде метод дает удобоваримые результаты, если ряд продаж достаточно стационарен — нет выраженного тренда или сезонных колебаний . Но на практике такой случай — счастье. Поэтому мы рассмотрим модификацию данного метода, позволяющую работать с трендовыми и сезонными моделями.

Метод получил название Холта-Винтерса по именам разработчиков: Холт предложил метод учета тренда , Винтерс добавил сезонность .

Для того, чтобы не только разобраться с арифметикой, но и «почувствовать», как это работает, давайте немного повернем нашу голову и подумаем, что меняется, если мы вводим тренд. Если для простого экспоненциального сглаживания оценка прогноза на p-й период делалась как

где Lt — усредненный по известному правилу «общий уровень», то при наличии тренда появляется поправка

,

то есть к общему уровню добавляется оценка тренда. Причем как общий уровень, так и тренд мы будем усреднять независимо по методу экспоненциального сглаживания. Что понимается под усреднением тренда? Мы предполагаем, что в нашем процессе присутствует локальный тренд, определяющий систематическое приращение на одном шаге — между точками t и t-1, например. И если для линейной регрессии линия тренда проводится по всей совокупности точек, мы считаем, что более поздние точки должны вносить больший вклад, поскольку рыночное окружение постоянно меняется и более свежие данные более ценны для прогноза. В итоге Холт предложил использовать уже два рекуррентных соотношения — одно сглаживает общий уровень ряда , другое сглаживает трендовую составляющую .

Методика сглаживания такова, что вначале выбираются начальные значения уровня и тренда, а затем делается проход по всему ряду, на каждом шаге вычисляя новые значения по формулам. Из общих соображений понятно, что начальные значения должны как-то определяться исходя из значений ряда в самом начале, однако четких критериев тут нет, присутствует элемент волюнтаризма. Наиболее часто используются два подхода в выборе «точек отсчета»:

Начальный уровень равен первому значению ряда, начальный тренд равен нулю.

Берем первые несколько точек (штук 5), проводим линию регрессии (ax+b). Начальный уровень задаем как b, начальный тренд как a.

По большому счету этот вопрос не является принципиальным. Как мы помним, вклад ранних точек мизерный, поскольку коэффициенты очень быстро (по экспоненте) убывают, так что при достаточной длине ряда исходных данных мы скорее всего получим практически идентичные прогнозы. Разница, однако, может проявиться при оценке ошибки модели.

На этом рисунке показаны результаты сглаживания при двух выборах начальных значений. Здесь хорошо видно, что большая ошибка второго варианта связана с тем, что начальное значение тренда (взятое по 5 точкам) получилось явно завышенным, поскольку мы не учитывали рост, связанный с сезонностью.

Поэтому (вслед за господином Винтерсом) усложним модель и будем делать прогноз с учетом сезонности :

В данном случае мы, как и раньше, предполагаем мультипликативную сезонность. Тогда наша система уравнений сглаживания получает еще одну составляющую:

где s — лаг сезонности.

И вновь заметим, что выбор начальных значений, как и величин постоянных сглаживания — вопрос воли и мнения эксперта.

Для действительно важных прогнозов, однако, можно предложить составить матрицу всех комбинаций постоянных и перебором выбрать такие, которые дают меньшую ошибку. О методах оценки ошибочности моделей мы поговорим немного позже. А пока займемся сглаживанием нашего ряда по методу Холта-Винтерса . Начальные значения будем в данном случае определять по следующему алгоритму:

Теперь начальные значения определены.

Результаты всего этого безобразия:

Заключение

Удивительно, но такой простой метод дает на практике очень неплохие результаты, вполне сравнимые с гораздо более "математическими" - например, с линейной регрессией. И при этом реализация экспоненциального сглаживания в информационной системе на порядок проще.

Прогнозирование редких продаж. Метод Кростона

Прогнозирование редких продаж.

Суть проблемы.

Вся известная математика прогнозирования, которую с удовольствием описывают авторы учебников, основывается на предположении, что продажи в некотором смысле "ровные". Именно при такой картинке в принципе возникают такие понятия, как тренд или сезонность.

А что делать, если продажи выглядят следующим образом?

Каждый столбик здесь - продажи за период, между ними продаж нет, хотя товар присутствует.
О каких "трендах" здесь можно говорить, когда около половины периодов имеют нулевые продажи? И это еще не самый клинический случай!

Уже из самих графиков видно, что нужно придумывать какие-то другие алгоритмы предсказания. Хочется еще заметить, что эта задача не высосана из пальца и не является какой-то редкой. Практически все aftermarket ниши имеют дело именно с этим случаем - автозапчасти, аптеки, обеспечение сервисных центров,...

Формулировка задачи.

Будем решать чисто прикладную задачу. У меня есть данные о продажах торговой точки с точностью до дней. Срок реакции системы поставок пусть будет ровно одна неделя. Задача-минимум - спрогнозировать скорость продаж. Задача-максимум - определить величину страхового запаса исходя из уровня обслуживания в 95%.

Метод Кростона.

Анализируя физическую природу процесса, Кростон (Croston, J.D.) предположил, что

• все продажи статистически независимы
• случилась продажа или нет, подчиняется распределению Бернулли
  (с вероятностью p событие происходит, с вероятностью 1-p нет)
• в случае, если событие продажи произошло, размер покупки распределен нормально

Это означает, что результирующее распределение имеет такой вид:

Как видим, от "колокола" Гаусса эта картинка сильно отличается. Более того, вершина изображенного холма соответствует покупке 25 единиц, тогда как если мы "в лоб" посчитаем среднее по ряду продаж, получим 18 единиц, а расчет СКО дает 16. Соответствующая "нормальная" кривая нарисована здесь зеленым.

Кростон предложил делать оценку двух независимых величин - периода между покупками и собственно размера покупки. Посмотрим на тестовые данные, у меня как раз случайно под руками данные о реальных продажах:

Теперь поделим исходный ряд на два ряда по следующим принципам.

Теперь к каждому из получившихся рядов применим простое экспоненциальное сглаживание и получим ожидаемые значения интервала между покупками и величины покупки. А разделив второе на первое, получим ожидаемую интенсивность спроса в единицу времени.
Так, у меня есть тестовые данные по дневным продажам. Выделение рядов и сглаживание с малым значением постоянной дало мне

• ожидаемый период между покупками 5.5 дней
• ожидаемый размер покупки 3.7 единиц

следовательно недельный прогноз продаж составит 3.7/5.5*7=4.7 единиц.

Вообще-то это все, что нам дает метод Кростона - точечную оценку прогноза. К сожалению, этого недостаточно для расчета потребного страхового запаса.

Метод Кростона. Уточнение алгоритма.

Недостаток метода Кростона.

Проблема вообще-то всех классических методов состоит в том, что они моделируют поведение с помощью нормального распределения. И здесь сидит систематическая ошибка, поскольку нормальное распределение предполагает, что случайная величина может меняться от минус бесконечности до плюс бесконечности. Но это небольшая беда для достаточно регулярного спроса, когда коэффициент вариации невелик, а значит и вероятность появления отрицательных значений столь незначительна, что мы вполне можем на это закрывать глаза.

Другое дело - прогнозирование редких событий, когда матожидание размера покупки имеет малое значение, а СКО при этом вполне может оказаться как минимум такого же порядка:

Чтобы уйти от такой очевидной погрешности, было предложено пользоваться логнормальным распределением, как более "логично" описывающим картину мира:

Если кого-то смущают всякие страшные слова, не волнуйтесь, принцип очень прост. Берется исходный ряд, от каждого значения берется натуральный логарифм, и предполагается, что получившийся ряд уже ведет себя как нормально распределенный со всей стандартной математикой, описанной выше.

Метод Кростона и страховой запас. Функция распределения спроса.

Сел я тут и задумался... Ну хорошо, получил я характеристики потока спроса:
ожидаемый период между покупками 5.5 дней
ожидаемый размер покупки 3.7 единиц
ожидаемая интенсивность спроса 3.7/5.5 единиц в день...
пусть я даже получил СКО дневного спроса для ненулевых продаж - 2.7. А что там насчет страхового запаса ?

Как известно, страховой запас должен обеспечить наличие товара при отклонении продаж от среднего с определенной вероятностью. Метрики уровня обслуживания мы уже обсуждали, давайте для начала поговорим об уровне первого рода. Строгая формулировка задачи звучит так:

У нашей системы поставок есть время реакции. Суммарный спрос на товар за это время есть величина случайная, имеющая свою функцию распределения. Условие "вероятность необнуления запаса" можно записать как

В случае редких продаж функция распределения может быть записана следующим образом:

q - вероятность нулевого исхода
p=1-q - вероятность ненулевого исхода
f(x) - плотность распределения размера покупки

Заметьте, в своем исследовании в предыдущий раз все эти параметры я измерял для дневного ряда продаж. Поэтому если время реакции у меня тоже равно одному дню, то эту формулу можно успешно применить прямо сразу. Например:

предположим, что f(x) - нормальная.
предположим, что в области x<=0 вероятности, описываемые функцией очень низкие, т.е.

тогда интеграл в нашей формуле ищется по таблице Лапласа.

в нашем примере p = 1/5.5, так что

алгоритм поиска становится очевидным - задав SL, наращиваем k, пока F не превысит заданный уровень.

Кстати, в последней колонке что? Правильно, уровень обслуживания второго рода, соответствующий заданному запасу. И тут, как я уже говорил, сидит некоторый методологический казус. Давайте представим себе, что продажи происходят приблизительно с частотой один раз в... ну пусть будет 50 дней. И еще представим себе, что мы держим нулевой запас. Какой уровень обслуживания будет? Вроде как нулевой - нет запаса, нет и обслуживания. Ту же цифру нам даст и система контроля запаса, поскольку наблюдается постоянный out of stock. Но ведь с точки зрения банальной эрудиции в 49 случаях из 50 продажа точно соответствует спросу. То есть не приводит к потерям прибыли и лояльности клиентов , а ни для чего другого уровень сервиса и не предназначен. Этот несколько вырожденный случай (чую, спор начнется) является просто иллюстрацией того, почему даже очень малый запас при редком спросе дает высокие уровни сервиса.

Но это все цветочки. А что, если у меня изменился поставщик, и теперь время реакции стало равняться неделе, например? Ну, тут все становится совсем веселым, тем, кто не любит "многаформул", рекомендую далее не читать, а ждать статью про метод Виллемейна.

Наша задача состоит теперь в том, чтобы проанализировать сумму продаж за период реакции системы , понять ее распределение, и уже оттуда вытаскивать зависимость уровня сервиса от величины запаса .

Итак, функция распределения спроса за один день и все ее параметры нам известны:

По-прежнему результат одного дня статистически независим от любого другого.
Пусть случайное событие состоит в том, что за n дней случилось ровно m фактов ненулевых продаж. Согласно закону Бернулли (да ладно, я ж сижу и с учебника списываю!) вероятность такого события

где - число сочетаний из n по m, а p и q - опять те же вероятности.
Тогда вероятность того, что сумма проданного за n дней в результате ровно m фактов продаж не превысит величины z, составит

где - распределение суммы проданного, то есть свертка m одинаковых распределений.
Ну и поскольку искомый результат (суммарные продажи не превышают z) может быть получен при любых m, осталось просуммировать соответствующие вероятности:

(первое слагаемое соответствует вероятности нулевого исхода всех n испытаний).

Что-то дальше мне лень со всем этим возиться, желающие могут самостоятельно построить таблицу, аналогичную вышеприведенной в применении к нормальной плотности вероятности. Для этого надо только вспомнить, что свертка m нормальных рапределений с параметрами (a,s 2) дает нормальное же распределение с параметрами (ma,ms 2).

Прогнозирование редких продаж. Метод Виллемейна.

Что плохого в методе Кростона?

Дело в том, что во-первых, он подразумевает нормальность распределения размера покупки. Во-вторых, для адекватных результатов это распределение должно иметь невысокую дисперсию. В-третьих, хоть это и не так смертельно, применение экспоненциального сглаживания для нахождения характеристик распределения неявно подразумевает нестационарность процесса.

Ну да бог с ним. Для нас самое важное - реальные продажи даже близко не выглядят нормальными. Именно эта мысль сподвигла Виллемейна (Thomas R. Willemain) и компанию к созданию более универсального способа. А потребность в таком методе была продиктована чем? Правильно, необходимостью прогнозировать потребность в запасных частях, в особенности в автомобильных запчастях.

Метод Виллемейна.

Суть подхода состоит в применении процедуры бутстраппинга (bootstrapping). Словечко это родилось из старой поговорки "pull oneself over a fence by one"s bootstraps", что почти буквально соответствует нашему "вытащить себя за собственные волосы". Компьютерный термин boot, кстати, тоже отсюда. И смысл этого слова в том, что некая сущность содержит в себе необходимые ресурсы, чтобы саму себя перевести в другое состояние, и при необходимости такую процедуру возможно запустить. Именно такой процесс происходит с компьютером, когда мы нажимаем на определенную кнопку.

В применении же к нашей узкой задаче процедура бутстраппинга означает вычисление внутренних закономерностей, присутствующих в данных, и выполняется следующим образом.

По условиям нашей задачи время реакции системы 7 дней. Мы НЕ знаем и НЕ ПЫТАЕМСЯ предположить вид и параметры кривой распределения.
Вместо этого мы из всего ряда 7 раз случайно "выдергиваем" дни, суммируем продажи этих дней и записываем результат.
Повторяем эти действия, каждый раз записывая сумму продаж за 7 дней.
Желательно произвести опыт достаточно много раз, чтобы получить наиболее адекватную картинку. 10 - 100 тысяч раз будет очень неплохо. Здесь очень важно, чтобы дни выбирались случайно РАВНОМЕРНО во всем анализируемом диапазоне.
В итоге мы должны получить "как бы" все возможные исходы продаж ровно семи дней, причем с учетом частоты появления одинаковых результатов.

Далее разбиваем весь диапазон получившихся значений сумм на отрезки в соответсвии с той точностью, которая нам потребуется для определения запаса. И строим частотную гистограмму, которая как раз и покажет реальное распределение вероятностей покупок. В моем случае я получил следующее:

Поскольку у меня продажи штучного товара, т.е. размер покупки всегда целое число, то я и не разбивал на отрезки, оставил как есть. Высота столбика соответствует доле общих продаж.
Как видим, правая, "ненулевая" часть распределения не напоминает нормальное распределение (сравните с зеленым пунктиром).
Теперь на основании этого распределения несложно рассчитать уровни обслуживания, соответствующие разному размеру запаса (SL1, SL2). Так что, задав целевой уровень сервиса, сразу получаем потребный запас.

Но и это не все. Если ввести в рассмотрение финансовые показатели - себестоимость, прогнозная цена, стоимость содержания запаса, легко считается и доходность, соответствующая каждому размеру запаса и каждому уровню сервиса. Она у меня показана в последней колонке, а соответствующие графики вот:

То есть здесь мы узнаем максимально эффективный запас и уровень обслуживания с точки зрения получения прибыли.

Напоследок (в очередной уже раз) хочется спросить: "а почему мы уровень обслуживания основываем на ABC-анализе ?" Казалось бы, в нашем случае оптимальный уровень сервиса первого рода составляет 91% вне зависимости от того, в какой из групп товар находится. Тайна сия велика есть...

Напомню, что одно из допущений, на которых мы основывались - независимость продаж одного дня от другого. Это очень хорошее допущение для розницы. Например, ожидаемые продажи хлеба сегодня никак не зависят от его вчерашних продаж. Такая картинка вообще характерна там, где есть достаточно большая клиентская база. Поэтому случайно выбранные три дня могут дать такой результат

такой

и даже такой

Совсем другое дело, когда мы имеем относительно немного клиентов, особенно если они покупают нечасто и помногу. в этом случае вероятность события, аналогичного третьему варианту, практически нулевая. Излагая простым языком, если у меня вчера были большие отгрузки, скорее всего сегодня будет затишье. И уж совсем фантастически выглядит вариант, когда спрос будет велик в течение нескольких дней подряд.

Значит, независимость продаж соседних дней в этом случае может оказаться чушью собачьей, и гораздо логичнее предположить обратное - они тесным образом связаны. Что ж, нас этим не испугаешь. Всего-то навсего мы не будем выдергивать дни совершенно случайно , мы будем брать дни, идущие подряд :

Все даже интереснее. Поскольку ряды у нас относительно короткие, нам даже не надо заморачиваться со случайной выборкой - достаточно прогнать по ряду скользящее окно размером в срок реакции, и готовая гистограмма у нас в кармане.

Но тут есть и недостаток. Дело в том, что мы получаем гораздо меньше наблюдений. Для окна в 7 дней за год можно получить 365-7 наблюдений, тогда как при случайной выборке 7 из 365 - это число сочетаний 365! / 7! / (365-7)! Считать лень, но это намного больше.

А малое число наблюдений означает ненадежность оценок, так что копите данные - они лишними не бывают!

Особенностью измерения спроса является тот факт, что его можно осуществить опосредованно через показатели продажи товаров или расходов населения на приобретение тех или иных предметов потребления.

Методы измерения потенциального спроса

Потенциальный спрос - это максимально возможный размер спроса, который могут предъявить потенциальные потребители той или иной продукции. Величинами измерения являются:

Численность потенциальных потребителей;

Потенциально возможное количество продаж в натуральных единицах;

Размер потенциальных продаж в стоимостном выражении.

Потенциальный спрос представляет собой теоретически рассчитываемую величину, которая в действительности, как правило, не достигается. Однако его измерение необходимо для проведения сравнения потенциальных возможностей с реальным спросом.

Существуют два подхода к измерению потенциального спроса :

Метод «поиска» заключается в промежуточных оценках исчисления конечных потребителей, исходя из общего количества людей.

Метод «построения» заключается сначала в определении всех возможных групп потенциальных потребителей и последующем их суммировании.

Методы измерения реального спроса

Реальный спрос представляет собой размер фактической реализации товаров за определенный срок, выраженный в натуральных или стоимостных показателях. Поскольку величина продаж не соответствует в полной мере величине спроса, а служит лишь косвенным его измерением, используются различные способы оценок.

Расчет, исходя из объемов производства, экспорта, импорта и товарных запасов.

Замеры поступлений, продаж и запасов товаров в ассортименте по выборочной совокупности магазинов в течение определенного периода времени (исчисление так называемого индекса Нильсена).

Оценки расходов потребителей по бюджетной статистике.

Методы прогнозирования спроса:

Прогнозирование спроса осуществляется различными методами. На практике, как правило, реализуется комплексный подход, учитывающий сильные и слабые стороны применяемых методов.

Различают методы прогнозирования спроса общего и специального назначения .

Общие методы прогнозирования спроса основываются на экстраполяции, экспертных оценках, нормативах и на экономико-математическом моделировании.

1) Методы экстраполяции . Наиболее простые методы, основанные на статистическом анализе временных рядов, позволяют прогнозировать темпы роста продажи товаров в ближайшей перспективе, исходя из тенденций, сложившихся в прошедшем периоде времени.

2) Методы экспертных оценок. Методы строятся на получении объективных оценок как результата субъективных мнений экспертов и специалистов. Предполагается знание определенных процедур («Дельфийский метод», «мозговой штурм», «адвокат дьяволами др.).

3) Нормативные методы. Чаще используются при прогнозировании спроса на товары производственного назначения. Размеры покупок определяются требованиями технологических, строительных и тому подобных норм и нормативов.

4) Методы экономико-математического моделирования. Наиболее сложные методы, требующие специальной подготовки. Основаны на учете корреляции спроса и факторов, определяющих его развитие.

Специальные методы прогнозирования учитывают особенности спроса на различные товары. Они исходят из раздельного прогнозирования основных составляющих спроса с последующим их суммированием.

Эластичность спроса по цене показывает, на сколько процентов изменится величина спроса при изменении цены на 1 %. На эластичность спроса по цене влияют следующие факторы:

Наличие товаров-конкурентов или товаров-заменителей (чем их больше, тем больше возможность найти замену подорожавшему товару, то есть выше эластичность);

Незаметное для покупателя изменение уровня цен;

Консерватизм покупателей во вкусах;

Фактор времени (чем больше у потребителя времени на выбор товара и обдумывание - тем выше эластичность);

Удельный вес товара в расходах потребителя (чем больше доля цены товара в расходах потребителя, тем выше эластичность).

Товары с эластичным спросом по цене:

Предметы роскоши (драгоценности, деликатесы)

Товары, стоимость которых ощутима для семейного бюджета (мебель, бытовая техника)

Легкозаменяемые товары (мясо, фрукты)

Товары с неэластичным спросом по цене:

Предметы первой необходимости (лекарства, обувь, электричество)

Товары, стоимость которых незначительна для семейного бюджета (карандаши, зубные щётки)

Труднозаменяемые товары (хлеб, электрические лампочки, бензин)

Эластичность спроса по доходу показывает, на сколько процентов изменится величина спроса при изменении дохода на 1 %. Она зависит от следующих факторов:

Значимость товара для бюджета семьи.

Является ли товар предметом роскоши или предметом первой необходимости.

Консерватизм во вкусах.

Перекрестная эластичность спроса -это отношение процентного изменения спроса на один товар к процентному изменению цены на какой-либо другой товар. Положительное значение величины означает, что эти товары являются взаимозаменяемыми (субститутами), отрицательное значение показывает, что они взаимодополняющие (комплементы).

• Как прогнозирование спроса на продукцию позволило компании «САХО-химпром» запланировать 30-процентный рост производства
• Какие прогнозы учитывает при составлении годового бюджета продаж кондитерский дом «Шандени»
• Зачем компания «БГ-холдинг» оценивает каждый новый товар по 30 параметрам
• Как научиться прогнозировать спрос на продукцию с точностью до 95%

Опыт Ваших коллег, изложенный в этой статье, показывает, что от грамотного прогнозирования спроса на продукцию напрямую зависит финансовая стабильность бизнеса. В условиях рынка выигрывает тот, кому удается оперативно корректировать работу своего предприятия в соответствии с изменчивым спросом.

Планировать объёмы производства нужно на основе прогнозирования спроса на продукцию, поступающего от конечных потребителей

Дмитрий Важенин, Директор торгового дома «САХО-химпром», Новосибирск

Российский рынок агрохимии – один из самых динамично развивающихся рынков в мире: его ежегодный рост составляет около 20%. Мы основали химическое производство в 2000 году. Наш успех во многом зависел от точного прогнозирования спроса на продукцию предприятия. Нельзя было допустить нехватки или, напротив, избытка продукции. Чтобы освоиться на рынке, нам нужно было обязательно поставить товар клиенту, оценившему пробную партию, – в противном случае заказчик оказался бы для компании потерян. С другой стороны, хранение многих препаратов жестко регламентировано. Мы же стремились обеспечить доступные цены на свою продукцию и не могли увеличивать их, закладывая в стоимость еще и хранение излишков.

При планировании производства приходилось учитывать, что структура спроса на агрохимию в разных земледельческих регионах России неоднородна. Например, в Башкирии и Татарии весьма развито свекловодство, а в Сибири – выращивание зерновых. Рассчитывая долю производства различных видов пестицидов в общем объеме предполагаемого выпуска, нужно принимать во внимание эту территориальную специфику. Замечу, что опираться на данные независимых исследований рынка мы не могли, поскольку они отражают общероссийскую картину, но не всегда дают верное представление о положении дел в конкретном регионе.

Чтобы прогнозирование спроса на продукцию было максимально точным, мы приблизились к конечному потребителю – иными словами, начали самостоятельно изучать региональные рынки. Для этого наши специалисты по сбыту отправлялись в главные земледельческие регионы, где общались с агрономами управлений сельского хозяйства, главами районов, а также собственно с сельхозпроизводителями. Собранная информация (в том числе данные сельхозуправлений об итогах прошедших агросезонов и их планы сева на будущий сезон) помогала нам строить прогнозы относительно того или иного региона. Рынок средств защиты растений, как и другие сельскохозяйственные рынки, – сезонный. Поэтому прогнозы строятся на ближайший агросезон. Со временем мы приступили к созданию разветвленной сети региональных филиалов. Это позволило регулярно оценивать емкость местных рынков. Мы открывали филиал или представительство, только если были уверены, что через несколько лет гарантированно сможем продавать здесь продукции более чем на 60–100 млн руб. ежегодно. Был разработан алгоритм выхода в новый регион. В первый год работы филиала планируются минимальные продажи: сельхозпроизводителям нужно время, чтобы познакомиться с нашими товарами. Во второй год продажи должны вырасти на десятки процентов, а в третий и последующие – каждый год увеличиваться в несколько раз. Затем, после нескольких лет работы, ежегодный прирост закономерно снижается. При этом стабилизация спроса облегчает прогнозирование: работа завода на ближайший год планируется исходя из числа заявок, уже поступивших от конечных потребителей.

Такая практика позволила нам за первые пять лет работы открыть 12 филиалов и 11 региональных подразделений и представительств в странах СНГ.

> ;

Антикризисные инструменты прогнозирования спроса на продукцию

1. Активизация сотрудничества с государственными заказчиками – участие в тендерах.

2. Развитие собственной программы товарного кредитования. В отличие от конкурентов, начавших жестко настаивать на предоплате, мы не свернули программу товарного кредитования, действовавшую многие годы, – напротив, еще и расширили ее. В прошлый кризис такая модель сотрудничества позволила не только сохранить объемы производства, но и существенно увеличить их.

Планируя работу с учетом этого, компания заложила рост объемов производства на 30% при увеличении лимита товарного кредитования на 50%. Сейчас мы строим краткосрочные прогнозы (на ближайший сезон), чтобы спланировать деятельность региональных филиалов сбытовой сети. Среднесрочное прогнозирование (на два-три сезона) применяется, когда нужно оценить целесообразность создания новых подразделений в регионах. А к долгосрочному (на пять-десять сезонов) мы прибегаем, чтобы просчитать эффективность открытия представительства в той или иной стране СНГ.

Различают сезон производства и сезон продаж. Первый короче: он стартует в январе-феврале и завершается фактически уже в июне (реже – в июле), когда возникает необходимость, быстро что-то подкорректировав, выпустить дополнительные объемы препаратов. А сезон продаж в нашей сбытовой сети длится с февраля по сентябрь.

Антикризисные инструменты прогнозирования спроса на продукцию демонстрируют высокую эффективность. Понимая это, мы тем не менее убеждены, что составлять объективные и максимально приближенные к реальности прогнозы нам удается за счет создания такой структуры, при которой прогнозирование, как это ни парадоксально, оказывается не нужно. Сейчас мы уже не прогнозируем спрос – мы его знаем.

Прогнозирование потребительского спроса на продукцию следует регулярно корректировать

Янис Куликовский, Генеральный Директор кондитерского дома «Шандени», Москва

В нашей компании спрос прогнозируется на год. Ежемесячно мы сверяем показатели запланированных и фактических продаж и при необходимости корректируем прогноз. Существенно на производственный цикл вносимые коррективы не влияют – речь идет лишь о перераспределении доли каждого изделия или сорта в общем объеме выпуска для минимизации потерь. В кризис эта модель работы не изменилась, однако мы стали детальнее анализировать потребности клиентов и тенденции в разных сегментах рынка.

При прогнозировании спроса на продукцию предприятия можно ориентироваться на разные данные: результаты сопоставления основных показателей прошлых периодов, прогнозы экспертов и аналитиков, анализ и прогноз действий конкурентов, разбор макроэкономической ситуации, сведения Росстата о среднедушевом потреблении продуктов, выпускаемых фирмой, и т. д. В нашей компании планирование ведется следующим образом.

• Прогнозирование затрат: пошаговый анализ и планирование бюджета

Чтобы оценить оборачиваемость разных видов продукции и сделать соответствующий вывод о возможности увеличить сбыт тех или иных наименований товара, мы отслеживаем по показателю SKU (от англ. stock keeping unit – единица продукции на полке) объемы продаж через разные каналы сбыта (прямые продажи в несетевых магазинах, продажи на открытых рынках, продажи сетевых ритейлеров). При этом нужно точно знать, в каком количестве магазинов присутствует наша продукция и какими наименованиями она представлена. Такую детализацию продаж нужно составить для каждого региона. Как правило, данные контролируются менеджерами по продажам на местах.

Кроме этих сведений, во внимание принимается также показатель, на который мы хотим увеличить продажи. Допустим, он составляет X%. Тогда нам нужно на Y% увеличить свою долю рынка (на определенной территории). Соответственно, в каждом регионе мы ищем возможности обеспечить необходимый рост продаж по всем каналам. Выясняем, в каких городах продукция еще не представлена, рассчитываем нужное количество торговых точек и т. д. Важный вопрос для розницы – выбор приоритетных продуктов, которые обязательно должны быть в магазинах. Решения в каждом случае принимаются на основе анализа текущей оборачиваемости разных товаров в магазинах такого типа. Результаты анализа корректируются маркетинговой службой; учитываются мнения экспертов рынка, данные исследовательских панелей компаний «Бизнес Аналитика» или ACNielsen, среднедушевое потребление продуктов той или иной категории.

Следующий пункт плана – проведение маркетинговых проектов по запуску товаров в существующих или новых категориях. Если необходимо, нишевые продукты (то есть продукты, предназначенные для определенных групп потребителей) мы дополнительно тестируем. Затем просчитываются затраты на ATL– и BTL-акции, промоакции для сотрудников, дистрибьюторов, дополнительные расходы на персонал и пр. В результате мы получаем годовой бюджет продаж по SKU.

Соответственно планируемому объему продаж рассчитывается (по рецептурам) нужное количество сырья и упаковки. В течение года специалисты отдела закупок постоянно ведут мониторинг стоимости сырья, а также собирают информацию о ценах на биржевые товары (какао-масло, сахар). На основании прогнозов урожаев и сведений о тенденциях в этих отраслях вычисляется стоимость сырья и биржевых товаров в каждом месяце ближайшего года. Практически так же осуществляется планирование закупок упаковки. Здесь необходимы знания отраслей, предприятия которых задействованы в цепочке производства того или иного вида упаковки. Кто из производителей устанавливает более современное оборудование по производству или переработке сырья в конечный продукт, где ситуация близка к монопольной, каких цен ожидать – всю эту информацию специалисты отдела закупок собирают из открытых источников или непосредственно при общении с поставщиками. Также немаловажно учесть сменность производственного персонала и затраты на ремонт и плановое обслуживание оборудования. На основании всех полученных данных прогнозируется сырьевая и производственная себестоимость продуктов. Вычислив ее, мы рассчитываем объем дополнительных средств для финансирования операционной деятельности и запуска новых продуктов или проектов. И, наконец, принимаем решение об отпускных ценах на нашу продукцию, учитывая планируемые изменения затрат в соответствии с позиционированием товаров по SKU относительно наших конкурентов.

• Как повысить точность прогнозов продаж в розничной торговле

Прежде чем включить в свой ассортимент какой-либо товар, мы оцениваем его по 30 различным критериям

Анастасия Закатова, Директор по маркетингу компании «БГ-холдинг», Санкт-Петербург

В нашей компании при прогнозировании спроса на продукцию и планировании учитываются специфика конкретного товара, а также характер сотрудничества с клиентом. Постоянным покупателям продукция доставляется на заказ. Наряду с этим мы продвигаем и принципиально новые, стратегические товары для увеличения числа заказчиков.

Товар на заказ поступает от постоянного поставщика, в определенные сроки и в известных объемах. Количество продукции определяется потребностью наших клиентов, просчитанной заранее, и риски связаны только с возможным отказом от товара, что происходит крайне редко.

С новым товаром дела обстоят сложнее. Поскольку килограмм или литр ингредиента для единственного потенциального клиента везти нецелесообразно, нужно спрогнозировать спрос. Например, груз идет контейнерами, и, если принято решение везти контейнер винной кислоты, одна половина его должна быть продана заранее, а для второй надо спланировать продажи на ближайшие месяцы. Таким образом, спрос на кислоты мы прогнозируем примерно на один-два месяца. Спрос на биржевые товары (цена на которые не фиксирована, а изменяется в зависимости от предложения на рынке) определяется тем, сколько товаров-субститутов представлено на рынке и по какой цене. Покупатель такой продукции обращает внимание прежде всего на цену: если где-то появится аналог дешевле – туда клиент и обратится. Поэтому строить какие-либо прогнозы, кроме краткосрочных, в отношении этих ингредиентов не получится. И, наконец, для уникальной продукции, на которую есть постоянные покупатели (пример такого товара – пектин), возможно прогнозировать спрос на срок три – шесть месяцев.

Чтобы снизить риски, мы прорабатываем базу потенциальных клиентов, заинтересованных в конкретном товаре по данной цене. В этом случае ошибка в прогнозировании может привести к зависанию товара на складе и увеличению продолжительности денежного цикла. Особенно это опасно, если продукция низколиквидная и цена на нее все время сильно колеблется. Спрос на некоторые товары (например, яйцепродукты) подвержен сезонным колебаниям. А на некоторые – годичным. Скажем, цены на агар-агар взлетели до заоблачных высот, когда два года назад часть водорослей, из которых производится этот ингредиент, уничтожило штормом.

Каждый товар оценивается нами по 30 пунктам (ликвидность, колебания цены, объемы, которые могут закупить имеющиеся клиенты, емкость рынка, наличие у конкурентов, технологические особенности использования и т. д.). Только после того как по всем пунктам продукт получает положительную оценку, отделу закупок дается задание найти подходящего поставщика, а отделу сбыта – начать работу с клиентами, чтобы продать, условно говоря, половину контейнера.

Одна из важнейших задач на этом этапе – определить цену, которая будет реально конкурентоспособной и при этом обеспечит нам достаточную прибыль. В ингредиентном бизнесе спрос очень эластичный – при малейшем изменении цены он способен радикально измениться, причем в течение одной поставки. Исправить ситуацию помогает пересмотр цены. Иногда приходится снижать свою маржу до нуля, а то и вовсе работать в минус – только бы не уменьшать объемы продаж, не затоваривать склад и не замораживать оборотные средства.

Прогнозирование спроса на продукцию: экспертное мнение

Геннадий Юшкин, Директор по консалтингу компании City Consulting Group, Москва

Планирование деятельности предприятия в условиях неопределенного спроса существенно зависит от продолжительности производственного цикла, который включает не только собственно процесс производства, но и закупку необходимого сырья или комплектующих, а также нахождение продукции на складе. Некоторые клиенты – например, розничные сети – требуют особенно четкого исполнения заказов, а для этого производителям необходим определенный запас товаров. Чтобы решить проблему, нужно:

1. Координировать закупку и сроки распределения товара по дистрибьюторской цепочке, которая порой представляет собой сложную систему, задействующую многочисленные транспортные и складские узлы.

2. Анализировать динамику продаж и их сезонность, обращая внимание на внутренние данные компании, изучая ассортиментную матрицу, движение товара в пределах фирмы, цикличность заказов в тот или иной период. Если производство включает несколько этапов и предполагает работу с полуфабрикатами или комплектующими, можно обеспечить их запас на складах компании – это позволит минимизировать риски. Также важно построить работу с клиентами на предварительных заявках (твердых или по крайней мере четко свидетельствующих о намерении сотрудничать), заблаговременно выяснив у покупателя интересующий объем и ассортимент заказа.

У меня был опыт работы с компаниями пищевой отрасли, поставляющими продукцию розничным продавцам. Приведу пример прогнозирования спроса в двух компаниях с различной длительностью производственного цикла. Одна из них гарантировала исполнение любого объема заказа в течение нескольких дней при условии предварительного оформления заявки. Раньше эта фирма принимала срочные заказы, отчего накапливались большие остатки, которые затем застревали на ее складах. Клиентов это не устраивало, поскольку сроки годности продуктов проходили, хотя временные затраты на доставку товара и его реализацию были для розничных продавцов минимальными. Тогда компания гарантировала исполнение заказа лишь в том случае, если он будет оформлен за пять – семь дней до получения товара. Со своей стороны, производственный отдел фирмы пообещал 100-процентное исполнение заказа по количеству наименований и ассортименту. Часть покупателей перешла на такую схему работы. Таким образом, клиенты стали получать продукцию, которая почти не хранилась на складе.

В другой компании выполнение заказа предполагало закупку дополнительных компонентов. Длительность производственного цикла при этом составляла около одного месяца. Фирма предложила аналогичную схему: примерный объем и ассортимент заказов согласовывается с потенциальными покупателями за два-три месяца, а уже ближе к сроку выполнения заявки вносятся коррективы – как правило, незначительные сравнительно с прежней схемой, когда компания выполняла срочные заказы. Это привело к прогнозированию спроса на продукцию с точностью до 95%.

Копирование материала без согласования допустимо при наличии dofollow-ссылки на эту страницу