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.

исходный	период	размер
0
0
0
0
0
0
0
0
0
0
4	11	4
0
0
4	3	4
5	1	5
...	...	...

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!

на тему
МЕТОДЫ ПРОГНОЗИРОВАНИЯ
ОБЪЕМОВ ПРОДАЖ

Выполнила Студентк а группы 5120-1 IV- го курса

факультета экономического

Малеева Светлана Викторовна

Приняла Научный руководитель доцент кафедры
экономической кибернетики

Максишко Наталья Константиновна

/Ф.И.О., учёная степень и звание /

Регистрационный номер_________

Дата_________

Подпись _________

Курсова робота: 31 страниц, 5 таблицы, 3 рисунка, 10 источников.

Объект исследования – методы прогнозирования объемов продаж.

Цель данной работы – изложить в систематизированном виде методы прогнозирования объема продаж, наиболее часто применяемые в экономической практике. Главное внимание в работе обращено на прикладное значение рассматриваемых методов, на экономическое истолкование и интерпретацию получаемых результатов, а не на объяснение математико-статистического аппарата, который подробно освещается в специальной литературе.

Метод исследования – описательный, сравнительный.

В ходе выполнения данной работы были рассмотрены основные методы прогнозирования объемов продаж, их классификация, этапы проведения и анализа.

ПРОГНОЗ, ТРЕНД, ЦИКЛИЧЕСКИЕ КОЛЕБАНИЯ, СЕЗОННЫЕ КОЛЕБАНИЯ, КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ АНАЛИЗ, ВЕДУЩИЕ ИНДИКАТОРЫ.

ВВЕДЕНИЕ............................................................................................................ 3

1 КЛАССИФИКАЦИЯ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ПРОДАЖ........ 3

2 МЕТОДЫ ЭКСПЕРТНЫХ ОЦЕНОК............................................................. 3

3 АНАЛИЗ ВРЕМЕННЫХ РЯДОВ..................................................................... 3

4 СЕЗОННЫЕ КОЛЕБАНИЯ.............................................................................. 3

5 ЦИКЛИЧЕСКИЕ КОЛЕБАНИЯ..................................................................... 3

6 КАЗУАЛЬНЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ...................................... 3

ВЫВОДЫ............................................................................................................... 3

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ............................................... 3

Процесс управления предприятием представляет собой непрерывную разработку управленческих решений и применение их на практике. От эффективности разработки этих решений в значительной степени зависит успех дела. И прежде чем начинать какое-либо дело, необходимо определить цель своих действий. В процессе производства руководителям предприятия очень часто приходится сталкиваться с критическими проблемами, и от того, на сколько оптимально принятое решение, будет зависеть конечный финансовый результат деятельности предприятия.

Потребность в решении возникает только при наличии проблемы, которая в общем, виде характеризуется двумя состояниями – заданным (желаемым) и фактическим (прогнозируемым), и именно прогнозирование будет отправной точкой в процессе принятия управленческого решения. Рассогласование между этими состояниями предопределяет необходимость выработки – управленческого решения и контроля за его реализацией.

Цель данной работы - изложить в систематизированном виде методы прогнозирования объема продаж , наиболее часто применяемые в экономической практике. Главное внимание в работе обращено на прикладное значение рассматриваемых методов , на экономическое истолкование и интерпретацию получаемых результатов, а не на объяснение математико-статистического аппарата, который подробно освещается в специальной литературе.

Чтобы прогнозирование было наиболее эффективным, цели должны быть конкретными и измеримыми. То есть для каждой цели должны существовать критерии, которые позволили бы оценить степень достижения цели. Без этих критериев не возможна реализация одной из основных функций управления – контроля. Исходя из этого, можно сделать вывод, что цель, степень достижения которой можно количественно измерить, будет всегда лучше цели, сформулированной лишь словесно (вербально).

Прогнозирование – это своего рода умение предвидеть, анализ ситуации и ожидаемого хода её и изменения в будущем. Так как каждое решение – это проекция в будущее, а будущее – содержит элемент неопределенности, то важно правильно определить степень рисков, с которыми сопряжена реализация принятых решений.

Самым простым способом прогнозирования рыночной ситуации является экстраполяция, т.е. распространение тенденций, сложившихся в прошлом, на будущее. Сложившиеся объективные тенденции изменения экономических показателей в известной степени предопределяют их величину в будущем. К тому же многие рыночные процессы обладают некоторой инерционностью. Особенно это проявляется в краткосрочном прогнозировании . В то же время прогноз на отдаленный период должен максимально принимать во внимание вероятность изменения условий, в которых будет функционировать рынок.

Методы прогнозирования объема продаж можно разделить на три основные группы:

Методы экспертных оценок;

Методы анализа и прогнозирования временных рядов;

Казуальные (причинно-следственные) методы.

Методы экспертных оценок основываются на субъективной оценке текущего момента и перспектив развития. Эти методы целесообразно использовать для конъюнктурных оценок, особенно в случаях, когда невозможно получить непосредственную информацию о каком-либо явлении или процессе.

Вторая и третья группы методов основаны на анализе количественных показателей, но они существенно отличаются друг от друга.

Методы анализа и прогнозирования динамических рядов связаны с исследованием изолированных друг от друга показателей, каждый из которых состоит из двух элементов: из прогноза детерминированной компоненты и прогноза случайной компоненты. Разработка первого прогноза не представляет больших трудностей, если определена основная тенденция развития и возможна ее дальнейшая экстраполяция. Прогноз случайной компоненты сложнее, так как ее появление можно оценить лишь с некоторой вероятностью.

В основе казуальных методов лежит попытка найти факторы, определяющие поведение прогнозируемого показателя. Поиск этих факторов приводит собственно к экономико-математическому моделированию – построению модели поведения экономического объекта, учитывающей развитие взаимосвязанных явлений и процессов. Следует отметить, что применение многофакторного прогнозирования требует решения сложной проблемы выбора факторов, которая не может быть решена чисто статистическим путем, а связана с необходимостью глубокого изучения экономического содержания рассматриваемого явления или процесса. И здесь важно подчеркнуть примат экономического анализа перед чисто статистическими методами изучения процесса.

Каждая из рассмотренных групп методов обладает определенными достоинствами и недостатками. Их применение более эффективно в краткосрочном прогнозировании, так как они в определенной мере упрощают реальные процессы и не выходят за рамки представлений сегодняшнего дня. Следует обеспечивать одновременное использование количественных и качественных методов прогнозирования.

Рассмотрим подробнее сущность некоторых методов прогнозирования объема продаж, возможности их использования в маркетинговом анализе, а также необходимые исходные данные и временные ограничения.

Прогнозы объема продаж с помощью экспертов могут быть получены в одной из трех форм:

1) точечного прогноза;

2) интервального прогноза;

3) прогноза распределения вероятностей.

Точечный прогноз объема продаж – это прогноз конкретной цифры. Он является наиболее простым из всех прогнозов, поскольку содержит наименьший объем информации. Как правило, заранее предполагается, что точечный прогноз может быть ошибочным, но методикой не предусмотрен расчет ошибки прогноза или вероятности точного прогноза. Поэтому на практике чаще применяются два других метода прогнозирования: интервальный и вероятностный.

Интервальный прогноз объема продаж предусматривает установление границ, внутри которых будет находиться прогнозируемое значение показателя с заданным уровнем значимости. Примером является утверждение типа: “В предстоящем году объем продаж составит от 11 до 12,4 млн. грн.”.

Прогноз распределения вероятностей связан с определением вероятности попадания фактического значения показателя в одну из нескольких групп с установленными интервалами. Примером может служить прогноз типа:

Хотя при составлении прогноза существует определенная вероятность, что фактический объем продаж не попадет в указанный интервал, но прогнозисты верят, что она настолько мала, что может игнорироваться при планировании.

Интервалы, учитывающие низкий, средний и высокий уровень продаж, иногда называют пессимистичными, наиболее вероятными и оптимистическими. Конечно, распределение вероятностей может быть представлено большим количеством групп, но наиболее часто используются три указанных группы интервалов.

Прогнозирование - важная часть процесса управления. Без него невозможно разрабатывать ни тактические, ни стратегические планы развития предприятия. Как для торгового, так и для производственного предприятия важно предсказания продаж товаров на следующий период. От этого будет зависеть объем и создаваемых запасов, и аккумулированных для этого денежных средств.

Теме прогнозирования уделяют внимание многие ученых и практиков. Необходимо отметить среди них Ю.И. Рыжикова , который, собственно, создавал в то время еще советскую школу теории запасов. Ученому удалось системно и последовательно изложить базовые теоретические положения теории очередей, дать практические рекомендации по оптимизации сложных систем сбыта, уменьшение времени обслуживания, ликвидации избыточных запасов. Это очень мощное научное исследование. Впрочем для ознакомления с методами прогнозирования на уровне первичного представления целесообразно будет воспользоваться базовыми положениями (методологии прогнозирования) и некоторой литературой по этому вопросу .

Под методологией прогнозирования понимают отрасль знаний о методах, способах и системы прогнозирования, а именно:

Метод прогнозирования - способ исследования объекта, направленный на разработку прогноза;

Методика прогнозирования - совокупность одного или нескольких методов прогнозирования;

Система прогнозирования - упорядоченная совокупность методик прогнозирования и средств их реализации.

Известно, что теория прогнозирования включает: анализ объекта прогнозирования; методы прогнозирования (математические - формализованные, экспертные - интуитивные) системы прогнозирования.

В работе по теории прогнозирования при анализе объектов применяют классификацию прогнозов, при этом в качестве основных признаков выступают: масштабность - количество главных переменных для описания объекта; сложность - характеризует степень взаимосвязи переменных детерминированность или стохастичность переменных информационная обеспеченность периода ретроспекции. Одной из главных классификационных признаков также период прогноза. Исходя из этого, большинство авторов определяет три вида прогнозов: краткосрочные, среднесрочные и долгосрочные. Как отмечалось ранее, временные интервалы прогнозов зависят от природы объекта (мы уже приводили пример выше - по выбору периода для проведения АВС-ХУZ-анализа).

По двум группам методов прогнозирования, то эвристические методы базируются на интуитивных оценках, которые формулируются экспертами (менеджерами соответствующих направлений). Среди эвристических: индивидуальные - метод интервью, генерации идей; коллективные - метод простого ранжирования, метод весовых коэффициентов, метод последовательных сравнений, метод парных сравнений; комбинированные - метод "Дельфи" и его модификации.

Среди математических методов различают три группы: симплексные (простые) методы экстраполяции по временным рядами - метод наименьших квадратов, экспоненциальное сглаживание и тому подобное; статистические методы - корреляционный и регрессионный анализ, факторный анализ и др; комбинированные методы - синтез различных вариантов прогнозов.

Метод " наивного " прогноза основывается на условии, что продажи в следующем периоде будут равны продажам предыдущего периода.

Например, если продажи за январь составили 100 единиц, то, соответственно, прогноз продаж на февраль составит также 100 единиц. Или если продажи сегодня составляли 50 единиц, то прогноз продаж на завтра будет также 50 единиц. Чаще всего такой метод применяют магазины хлебобулочных изделий и работающих с товарами (запасами) устойчивого спроса - то есть X категории.

К достоинствам этого метода можно отнести моментальную реакцию на изменения спроса, но только при условии наличия тренда. К недостаткам - значительное чувствительность к случайным колебаниям. Среди оговорок необходимо назвать чрезвычайную чувствительность этого метода.

метод прогнозирования	Наличие тренда	наличие сезонности	Требования к минимальному количеству данных		прогноз возможен
			несезонные	сезонные	На один шаг		На несколько шагов
экспертный	не обязательно	не обязательно
экспоненциальное сглаживания (Простое)
арифметическое сглаживания
метод Хольта
Метод экспоненциальных средних (метод Брауна)
экстраполяция
метод Винтерса
Комбинированный прогноз (оценка среднего значения)
Комбинированный прогноз (оценка среднего значения и отклонения)

* Прогноз на несколько шагов возможен при соблюдении соотношения длины передпрогнозного периода и периода прогнозирования 3: 1.

** Т - периодичность сезонности.

*** Прогноз на один период, вмещающий сезонность (например, на 1 год ежеквартально).

**** "-" - Метод не применим для учета сезонности.

Дело в том, что основывать прогноз на двух точках не всегда правильно. Представим себе ситуацию, когда в определенной точке сбыта товар был распродан лишь благодаря посещению экскурсионной группой определенного памятника архитектуры, расположенного рядом. Прогноз заказ на следующий период - сутки или месяц - с учетом такого разового пикового всплеска неправильно. Поэтому его необходимо применять только при наличии устойчивого тренда при условии исключения разовых пиковых всплесков потребительской активности.

Арифметическое сглаживания (метод долгосрочной средней) предусматривает, что продажи в следующем периоде будут равняться средней арифметической продаж за все предыдущие периоды.

Например, продажи за 2011 г.. Составляли 10000 единиц. Тогда прогнозное значение на январь 2012 составит: 10000: 12 = 834 единицы. Реальные продажи за январь составили 500 единиц. Тогда прогнозное значение на февраль 2012 будет: (10000 + 500) :(12 + 1) = 808 единиц. И так далее, каждый раз добавляя новое значение реальных продаж к прежним значениям и деля полученную сумму на количество всех периодов.

К достоинствам метода можно отнести сглаживания случайных колебаний. Этот метод просто не видит их, поскольку влечет всю статистику предыдущих периодов. Собственно это и недостатком, поскольку метод таким образом не отражает изменения в тенденциях, всегда реагирует с задержанием на существенные колебания спроса. Но, если точка сбыта товара имеет свободные складские площади и договор с поставщиком составлен так, что по завершении периода продажи все расходы по реверсной логистикой (то есть расходы на отзыв непроданных товаров из точек) возложена на поставщика, то точка сбыта таким образом имеет 100- процентную защиту от колебаний спроса и несет умеренные расходы на содержание.

Метод скользящей средней (метод Хольта - Винтерса) является усовершенствованным методом экспоненциального сглаживания временного ряда. Экспоненциальное сглаживание обеспечивает наглядное представление о тренде и позволяет делать краткосрочные прогнозы, а при попытке распространить прогноз на больший период показывает абсолютно бессмысленные значения: создается впечатление, что развитие процесса в сторону увеличения или уменьшения совсем прекратился. Более совершенным является метод Хольта - Винтерса, успешно справляется и со среднесрочными и долгосрочным прогнозам, поскольку он способен проявлять микротренды (тренды, связанные с короткими периодами) в моменты времени, непосредственно предшествующих прогнозным, и экстраполировать эти тренды на будущее. И хотя возможна только линейная экстраполяция в будущее, в большинстве реальных ситуаций ее оказывается достаточно.

Итак, метод основывается на условии, что продажи в следующем периоде будут равняться средней арифметической от объема продаж за предыдущие n-периода. Главное - выбирать оптимальное значение количества предыдущих периодов для получения корректных прогнозов. Вообще в зависимости от объекта исследования - конкретной позиции, товара, запаса, группы - можно выбирать 2, 5, 6, 10, 12 периодов. Пример расчета приведен в табл. 4.10.

Таблица 4.10.

Пример расчета прогнозного значения методом скользящей средней (период - с месяца)

Таблица 4.11.

Прогнозирование продаж товаров сезонного спроса

Источник : Бузукова ЭЛ. Закупки и поставщики. Курс управления ассортиментом в рознице / Е.А. Бузукова; под ред. С. Сысоевой. СПб. : Питер, 2009. - 432 с. : Ил. - (Розничная торговля).

Как видим, этот метод является компромиссным между предыдущими двумя. Он достаточно гибкий и реагирует на резкие изменения в продажах достаточно быстро, однако не мгновенно.

Метод экспоненциальной средней взвешенной схож с предыдущим, но с применением определенных значений коэффициента (ИС), который принимает значения от 0 до 1. В случае, когда речь идет о запасах (товары) с постоянным плавным трендом, то значение этого коэффициента равно 0,1 -0,2. Для запасов, имеющих слишком сильные колебания, и £ = 0,5 и выше. Приведем пример . Пусть спрос на продукцию в точке сбыта на продукцию А является постоянным. Итак, К = 0,2. За январь было реализовано 300 единиц товара, прогноз по ним был на уровне 290 единиц. Таким образом, прогноз заказ товара будет на уровне 0,2 300 + (1 - 0,2) 290 = 292 единицы.

К преимуществам метода относят то, что он базируется на предыдущих, ближайших к отчетного периода данных, гибко реагирует на изменения. К недостаткам относится то, что все данные всех периодов имеют одинаковый вес.

Это облегченные для восприятия основные подходы, на которых базируются определенные методы прогнозирования. Для прогнозирования продаж товаров сезонного спроса на практике используют другой подход, основанный на коэффициенте тенденции. Этот коэффициент показывает, насколько изменились продажи по сравнению с предыдущими годами. Но в целом за год, как было показано в предыдущих примерах, а только по определенному периодом - высоким сезонным всплеском продаж. Итак, для прогнозирования продаж товаров сезонного спроса необходимо сравнивать аналогичные периоды прошлых лет и корректировать полученные данные с учетом экспертных оценок. Сравнение периодов необходимо для учета изменения в тенденциях - фиксации роста или уменьшения спроса по сравнению с аналогичными периодами прошлых лет (табл. 4.11). Сделать это помогает коэффициент тенденции (КД:

где Х1 - данные за отчетный период;

Х2 - данные за предыдущий период.

Для определения прогноза на июнь 2011 необходимо определить изменения по годам. Рост потребления за период март

Июнь 2009 составил: 26 единиц (3 + 5 + 18), за 2010

31 единица, за 2011г. - 41 единица:

Тенденция увеличения продаж в последние годы не изменилась - продажи имеют устойчивый тренд роста. Применив Кт до отчетного периода, получим прогнозное значение продаж на июнь 2011 г.: 60 + 32% = 79 единиц.

Бытует мнение, что такие расчеты всего удовлетворяют разработку прогнозов для групп С Z , BZ . Считается также, что для товаров, имеющих значительные продажи, такой подход - корректировка на аналогичные периоды прошлых лет - достаточно достоверным.

В бизнес-практике иногда применяют подход " коэффициентов ", который, собственно, также основывается на данных о продажах за предыдущий год. Сущность его заключается в том, что среди всех периодов продаж за год находят наименьшее значение, которому задают коэффициент, равный 1,0. Все остальные периоды получают собственные значения коэффициентов, отталкиваясь от 1,0. Например: известно месячные значения продаж товаров за 2012 г.., И установлены соответствующие коэффициенты (для февраля = 300 200 = 1,5 и т. Д.):

сентябрь

Итак, план продаж на следующий год будет корректироваться с учетом коэффициенты и может составлять по месяцам следующие данные (в зависимости от продаж за январь):

август 1000

сентябрь 625

октябрь 812,5

ноябрь 1125

декабрь 1875

Этот подход достаточно легкий для понимания, благодаря чему его

собственно, и используют в основном для формирования планов продаж на следующий год, но несколько несовершенен.

Правило полтора ("Правило 1,5") чаще всего используют в розничной торговле торговые агенты или если предприятие начинает работать с новым товаром, за которым нет никакой статистики продаж. Для того чтобы определить объем заказа на следующий период (день, неделя, месяц), необходимо соблюдать шага 1,5. Например, первая поставка была в количестве 33 единиц. Продажи за неделю составили 25 единиц, соответственно остаток - 8 единиц. За "Правилом 1,5", следующий объем поставок должен быть: 251,5-8 = 29,5 "30 единиц. Это можно записать в виде следующей формулы:

где замнут - новый объем заказа, шт.;

СПП - остатки на начало отчетного периода, шт.;

Постп - поставка в отчетном периоде, шт.;

ЗКП - остатки на конец отчетного периода, шт.

Логика, заложенная в это правило, проста: целью любого коммерческого предприятия является увеличение (!) Дохода, а не его постоянство. Таким образом, предприятие постоянно закладывает рост продаж, увеличивая его наполовину от предыдущего значения, одновременно корректируя на остаток. Такой подход позволяет достаточно динамично отслеживать продажи и корректировать остатки, не приводит ни к накоплению (затоваривание), ни к отсутствию запаса (резерва). Проиллюстрируем это примером (табл. 4.12).

Итак, первый заказ партии товара находилось на уровне 33 единицы, из них 25 было продано и 8 в остатке. Следующий заказ был сделан в объеме ЗО единиц. Представим ситуацию, что продажи составили 28 единиц и в остатке, соответственно, осталось 10 единиц. За "Правилом 1,5", объем заказа на следующий, третий период будет составлять 32 единицы (28 * 1,5 - 10). В третьем периоде с 32 заказанных единиц было продано 22 остаток равен также 20 единиц

Таблица 4.12.

Пример движения запасов при использовании Правила полтора

Остатки на начало отчетного периода, шт.	Заказ на поставку, шт.	Продажи в отчетном периоде, шт.	Остатки на конец отчетного периода, шт.
				(0 + 33-8) - 1,5-8 = 30
				(8+ 30-10) -1,5-10 = 32
				(10+ 32-20) -1,5-20 = 13
				(20 + 13-5) - 1,5-5 = 37

(10 - с предыдущего периода и еще 10 из этого). Итак, на четвертый период объем заказа должен составлять лишь 13 единиц (22 1,5 - 20) и т. Д. Соответственно, это не приведет к затоваривания, и товары, остались, будут также реализованы. Пока не будет определенной определенной динамики продаж - это довольно интересный способ определения объемов заказа и контроля за остатками. Одно только замечание: при предыдущих заказах 33, 30, 32 шт. может произойти ситуация, когда поставщик не захочет удовлетворять партию в 13 единиц, поскольку у него определен так называемый целевой размер заказа, о чем пойдет речь далее.

Вообще вопросу применения методов прогнозирования запасов в зависимости от уровня стохастичности (меры неопределенности в его поведении) посвящено много научно-практической литературы. В нашем случае можно сказать, что ни один из методов не даст 100 % правильных результатов, то есть не обеспечит прогнозируемость на 100%, что позволит свести к нулю отклонения между прогнозируемыми значениями и реальными продажами. Метод прогнозирования для каждого конкретного запаса должен избираться по критерию минимального отклонения между прогнозом и фактом (в нашем примере - реальными продажами). Соответственно, чтобы остановиться на определенном методе прогнозирования, необходимо провести расчеты по нескольким и выбрать среди них один, содержащий самые погрешности. Но обязательно делать планирования, ведь, как говорил Дуайт Эйзенхауэр, "готовясь к бою, я всегда убеждался, что планы бесполезны, но планировать необходимо!".

Бузукова ЭЛ.

1 Бузукова ЭЛ. Закупки и поставщики. Курс управления ассортиментом в рознице / Е.А. Бузукова; под ред. С. Сысоевой. - СПб.: Питер, 2009. - 432 с. : Ил. - (Розничная торговля).

2.1. Прозрачность

Тому, кто отвечает за работу отдела продаж (тем более генеральным директорам и владельцам), всегда интересно, что происходит. Контролируя работу многих продавцов (и активно помогая им), руководитель отдела продаж находится перед сложным выбором: кому помогать? Иными словами, он должен определить, где его участие принесет максимальную пользу. Прогноз продаж дает такую возможность, так как всегда можно увидеть, от чего в данный момент зависит успех или провал того или иного отдела, а в итоге – компании в целом.

2.2. Возможность повлиять и помочь вовремя, а не только критиковать по факту

Предположим, сейчас февраль. Если в компании внедрен прогноз продаж, то руководитель отдела продаж понимает, чего ожидать от каждого из продавцов и в феврале, и в марте, и в апреле. Если цикл продаж – два месяца, бесполезно вспоминать в марте, что этот месяц с точки зрения результатов продаж плохой, и критиковать продавца задним числом. Обсуждать в апреле мартовский провал непродуктивно. Лучше подойти к продавцу (под этим словом я понимаю менеджера по продажам, а не продавца на рынке) в феврале и помочь ему. Помочь в организации его времени, в совместном поиске клиентов, в конце концов, так, как надо помогать конкретно этому продавцу. Хочу отметить, что для продавца это и помощь, и частичное разделение ответственности, так как о надвигающейся проблеме он сообщил. Тревожное сообщение содержится в несовпадении прогноза и ранее запланированных результатов.

2.3. Инструмент играющего тренера

Прогноз необходим, если руководитель отдела продаж намерен активно помогать своим продавцам добиваться успеха. Он знает, что и где происходит, может спланировать свое время (так как у него есть и продавцы, и свои клиенты) и взять на себя ответственность за результаты своей команды. Одно дело – стоять у людей (продавцов) за спиной и объяснять им, что и как надо делать, и совсем другое – подойти ближе. Последнее относится к области наставничества (коучингу): руководитель в таком случае может играть одну из пяти ролей – спонсор, наставник, оценщик и пример для подражания.

2.4 Инструмент управления временем

Далеко не все продавцы могут грамотно распоряжаться своим временем без помощи более опытного сотрудника, каким должен быть руководитель отдела продаж. Добрый и трудолюбивый продавец будет работать со всеми одинаково, и тот факт, что успех месяца зависит от конкретной сделки, вряд ли заставит его посвятить этой сделке хотя бы 30 % времени. Множество продавцов увлеченно работают со всеми (тем более если клиент живет в том же городе, что и продавец, или все можно решить по телефону), а ключевые клиенты тем временем уходят из-под контроля.

При наличии прогноза продаж руководитель сначала помогает своим сотрудникам это осознать, затем постепенно у них развивается собственный навык, и они уже сами начинают по-другому управлять своим временем. Об управлении временем мы говорим применительно не только к продавцу. Иногда прогноз помогает всей компании правильно расставить приоритеты и увидеть, что действительно определяет успех.

2.5. Финансовая информация для топ-менеджмента

Прогноз продаж нужен тем, кто отвечает за финансы с точки зрения либо обеспечения поступлений, либо управления затратной частью. Компания, как правило, с большой долей определенности может сказать лишь, сколько денег ей необходимо в тот или иной период. К примеру, на февраль надо обеспечить X денег, чтобы оплатить аренду, зарплату, комиссионные, командировочные, закупки, платежи по кредитам. А вот откуда, когда и сколько денег поступит, информация менее известная и надежная. Вот почему прогноз продаж играет такую важную роль. Его с интересом ждут, проверяют и перепроверяют отнюдь не только продавцы.

2.6. Изменение поведения продавцов

Продавец работает так или иначе в меру понимания собственных задач. Для одного достаточно заявления клиента, что все будет о"кей, для другого – заверения, что «мы оплатим в этом месяце», даже если это было сказано 30 числа. Но если при внедренной системе прогноза продаж приходится в строго определенном формате сообщать, когда, сколько и откуда поступлений ожидается, – все меняется.

Меняются количество исходящих звонков, встреч, командировок, качество проверки, поведение продавца. В свою очередь, это значит, что прогноз продаж не что-то отдаленное и ненужное, чем дополнительно озадачили продавца, а работа. Самая настоящая, важная, существенная работа, которая влияет на конечный результат.

2.7. Стандарт и единое информационное пространство

Без единой системы и договоренности о том, какие сделки и как учитывать с точки зрения времени реализации и вероятности успешного окончания, разные продавцы внесут много субъективизма в свои оценки и отчеты. Кто-то станет молчать, кто-то – осторожничать, кто-то – наоборот, проявлять необоснованный оптимизм, а общая картина будет сильно искажена относительно реальности.

2.8. Прогноз как элемент оперативно-тактического планирования

Стратегические планы компании подготавливаются на много лет вперед. Под «много» одни понимают 3–5 лет, другие – 10, третьи (Йоко Мацусита) – 150. На уровне года в государстве есть бюджет, а в компании – годовой финансовый план, который содержит и такой документ, как план объема продаж (квота). На более коротком отрезке времени – неделя, месяц, квартал – основным инструментом является прогноз продаж. Оперативное планирование на основе прогноза, конечно, касается всей компании. Закупки, инвестиции либо, наоборот, сокращение затрат делаются на основе прогноза продаж. Так происходит там, где прогноз заработал и ему нужно верить (в рамках вероятности, которая устраивает компанию). Рамки везде разные, в зависимости от отрасли и самой компании. Ключевым вопросом является такой: если я не знаю точно, что и когда произойдет, знают ли это мои конкуренты или это неопределенность для всех?

2.9. Разделение пассивных и активных продаж

Компания всегда должна понимать, какие из ее продаж активные, а какие пассивные: для них нужны люди с разными знаниями и навыками. От пассивных продаж не стоит ожидать рост выше среднего в отрасли. Различий много, а правило простое: если ты не можешь сказать, чего и когда ожидаешь, это значит, что происходящее от тебя не зависит.

Грамотное прогнозирование объема продаж является одной из главных составляющих успеха вашего бизнеса. Если при этом речь идет о продукции, прогнозирование продаж дает возможность оптимизировать запасы на складе.

Необходимо, чтобы менеджеры по продажам понимали, что прогнозирование объема продаж является одной из их профессиональных обязанностей. Зачастую они сконцентрированы на самих продажах.

Целью прогнозирования объема продаж является эффективное планирование деятельности. И задача это должна возлагаться именно на менеджера по продажам. Ведь бухгалтер предприятия не может предсказать рост или падение спроса на продукцию. По итогам прогнозирования осуществляется планирование объемов продаж, а следовательно, и планирование бизнеса. И в случае ошибочных прогнозов показатели будут неточными.

То есть главной целью прогнозирования является распределение ресурсов компании для обеспечения требуемого объема продаж. Компания может прогнозировать продажи путем прогноза рынка в целом с дальнейшим вычислением доли своего продукта, или путем прогнозирования объема продаж компании.

Простейшим способом прогнозирования является экстраполяция - распространение существующих тенденций на будущее. Этот метод прогнозирования подходит для краткосрочного планирования, однако при необходимости отдаленного прогноза следует учитывать вероятность изменения рыночных условий.

Существует три основные группы методов прогнозирования объемов продаж:

Методы экспертных оценок, которые базируются на оценке текущего момента и перспективы развития. Применяются в ситуациях, когда нет возможности получить актуальную информацию о процессе или явлении;
методы анализа и прогнозирования временных рядов - связаны с исследованием независимых друг от друга показателей, состоящим из двух элементов - прогнозов детерминированной и случайной компоненты;
казуальные или причинно-следственные методы прогнозирования - поиск факторов, влияющих на поведение прогнозируемого показателя.

Использование тех или иных методов зависит от целей прогнозирования - краткосрочный (неделя, месяц, квартал) или долгосрочный (1 год и более) прогноз. Планирование объема продаж на длительный период - более сложный процесс, так как существуют факторы, которые могут повлиять на ожидаемые результаты.

Однако сделать точные прогнозы для компании тоже задача вполне по силам.

Точным прогнозом называется такой прогноз, отклонение которого колеблется в пределах 10% от реальных показателей. Для того, чтобы построить точный прогноз, потребуется выполнить следующие действия:

1. Зафиксируйте точные показатели продаж за определенные отрезки времени в прошедшем периоде, к примеру, ежемесячные продажи за год.
2. Рассчитайте коэффициенты сезонности для каждого отрезка времени и постройте соответствующий график.
3. Рассчитайте эластичность спроса по цене. Для этого прежде всего определите, как при изменении цен меняется спрос на вашу продукцию.
4. Учтите рост производства или открытие новых торговых точек.
5. Рассчитайте коэффициент влияния внешних факторов (конкуренция, экономическая ситуация в стране). Для этого необходима история продаж за длительный период (как минимум 2 года). Рассчитывается прогноз продаж на прошлый год с учетом коэффициентов эластичности и сезонности и сравнивается с реальными цифрами. Разница является показателем влияния внешних факторов.
6. Ознакомьте каждого сотрудника отдела продаж с прогнозом.

Точное прогнозирование объемов продаж дает возможность сократить расходы, оптимально запланировать деятельность компании и эффективно распределить имеющиеся ресурсы.