Главная \ Статьи \ Нормирование и управление запасами. Журнал ФармОбоз \ Статьи за 2007г. \ Прогнозирование спроса. Цели и методики

Журнал: ФармОбоз.

Продолжая тематику «Управления запасами», которую начали в прошлом номере, хотелось бы напомнить, что смысл существования любой коммерческой струткуры в получении прибыли. Вопрос лишь в том, благодаря чему компания обеспечивает себе прибыль? Одна из самых распространенных точек зрения, заключается в том, что успех, в частности аптеки, зависит от того уровня цен, уровня обслуживания, месторасположении аптеки и так далее, и так далее. Все это так и есть, но отталкиваться стоит от другого. Прибыль аптеки обеспечивают ее КЛИЕНТЫ. Именно они делают покупки в аптеке. Или не делают! А вот задача сотрудников удержать и приумножить клиентов аптеки. Это можно сделать, поддерживая уровень обслуживания на очень высоком уровне. Уровень сервиса зависит от того, насколько вежливы продавцы, от того, каков уровень цен в данной аптеке, сколько кассовых аппаратов стоит в зале, от возможности обеспечения лекарственными средствами под закак, и от того ассортимента, который мы предлагаем нашим клиентам. Есть ли у нас в наличии те препараты, которые необходимы нашим покупателям? Как часто у нас в аптеке возникает дефицит по тем или иным позициям?

А поскольку формацевтические оптовики достаточно оперативно пополняют запасы аптеки, то здесь важно вовремя определить потребность в товаре и не упустить момента заказа оптовику, чтобы не допустить дефицита. При столь большом ассортименте, который поддерживают аптеки, удерживать в памяти все позиции просто невозможно, именно поэтому необходимо, используя современные програмные продукты, обеспечить учет потребности в лекарственных средствах на более высоком уровне.

Как обычно происходит процесс определения потребности в конкретной позиции в аптеке? Покупатели спрашивают, значит надо заказать. Закончился препарат, наступило время подачи заявки поставщику. Но этот подход работает, когда непосредственно продавцы заинетересованы в увеличении продаж. К сожалению, столь развитая система мотивации персонала аптеки встречается крайне редко.

Представим себе самою обычную ситуацию. Приходит потенциальный клиент в аптеку, отстаивает очередь, задает вопрос о наличии того лекарственного средства, которое ему прописал доктор, а этого лекарства нет в наличии. Человек уходит из аптеки без покупки, да еще и расстроенный потерянным временем. Соответственно потребность не удовлетворена. А зафиксировал ли эту потребность сотрудник аптеки (провизор)? Вряд ли, так как у него очередь, а, следовательно, отвлекаться на дополнительные операции ему некогда. Итог: клиент ушел без покупки - у аптеки упущенная прибыль. И придет ли этот клиент в аптеку или нет сказать сложно.

Другой пример. Предположим ассортимент у аптеки 5000 позиций. Пришла пора делать заказ поставщикам. Может ли провизор достаточно точно определить объем необходимой партии для каждой позиции? Наверняка нет. Идем по списку товаров, предположим в алфавитном порядке. Уже через 20 минут такой работы, бдительность и внимательность провизора притупляется, не хватает времени, или исчерпан финансовый лимит заказа. В результате те позиции, которые у нас в конце алфавитного списка остаются без внимания. Что получается в результате? Образуется дефицит, а, следовательно, упущенные продажи и прибыль.

И, наконец, третий пример. На этапе выбора поставщика и установления с ним отношений, проводится некий переговорный вопрос, где, в том числе, поставщика должен волновать вопрос об объемах поставок для Вашей аптеки. От объема поставок будет зависеть тот уровень цен, который Вам предоставит поставщик. Кроме того, сам поставщик будет у себя планировать объемы поставок от производителей лекарственных средств и медикаментов. Какие данные аптека может поставщику предоставить об объемах поставок, если нет системы прогнозирования? Только данные об объемах продаж в предыдущий период. Но насколько они соответствую действительному спросу, не знает никто.

Именно поэтому целесообразно использовать системы прогнозирования спроса, которые, учитывая спрос в прошедших периодах, формируюет данные о возможном спросе в следующих периодах.

Итак, что такое прогнозирование? Прогноз - это предположение относительно будущего. Конечно, мы не можем обеспечить абсолютно точный прогноз. Кроме того, чем меньше горизонт прогнозирования, тем более точный прогноз возможно получить. Но отсутствие в компании систем прогнозирования не облегчает и не улучшает ситуации, а наоборот, делает систему неконтролируемой и непрозрачной.

В статье рассматриваются довольно простые и доступные методы прогнозирования. Это связанно с тем, что существенное усложнение методик не ведет к существенному повышению качества прогноза.

Ниже приведена базовая расчетная формула прогноза, от которой стоит отталкиваться, добавляя тонкости и индивидуальности продуктов, с которыми аптеки работают.

Рt - прогноз величины спроса на период t;

Бt - величина базового спроса в период t;

Сt - коэффициент сезонных колебаний в период t;

Т - коэффициент временной тенденции: прирост или сокращение спроса за период t;

Мt - коэффициент поправок на стимулирование продаж в период t (маркетинговая составляющая;

Давайте рассмотрим все составляющие по порядку.

1. Величина базового спроса - средняя величина спроса за прошедший период.
2. Коэффициент сезонных колебаний необходимо рассчитывать для продуктов, у которых есть сезонный характер. Для этого необходимо проанализировать потребление за 3 года. Можно собрать данные и за большее количество лет, но здесь есть вероятность влияния на товар факторов, которые уже устарели. Анализ сезонности меньше чем за 3 года может быть не точен в связи со случайностью событий.

Итак, как определить Коэффициент сезонных колебаний?

Расчет представлен в таблице 1 и формулах.

Таблица 1 - Определение индекса сезонности

1. коэффициент поправок на стимулирование продаж. Этот коэффициент устанавливает отдел маркетинга, исходя из собственного опыта, поскольку расчету не подлежит.

Кроме базовой модели прогнозирования спроса существует большое количество статистический методов. Перечислим некоторые из них:

1. Нахождение средней арифметической. Эта методика приемлема для товаров высокой стабильности, без сезонной составляющей, при отсутствии временной тенденции. Применять нецелесообразно, так как таких товаров практически не существует.
2. Определение прогнозного значения методом скользящей средней. Применяется также для стабильных товаров.
3. Линейный прогноз. Работает с помощью нахождения зависимости объема продаж будущего периода от базового, с помощью линейной функции. На рисунке 1 графически представлен прогноз на тринадцатый период с помощью скользящей средней и линейной функции.

Рисунок 1 - Пример прогноза для стабильного товара

Синяя линия на графике отображает фактический объем спроса, лиловый - прогноз, используя скользящую среднюю, а черная - линейный прогноз. Вопрос в том, какой из этих прогнозов более точный. График скользящей средней на графике за прошедший период постоянно находится рядом с фактическим значением. А график линейного прогноза демонстрирует тенденцию к росту. Он и будет в данном случае более точным.

1. Экспоненциальное сглаживание. Применяется для нестабильных товаров, в связи с этим точность прогноза будет невысока. Примеры на рисунках 2, 3, 4.

Рисунок 2 - Пример прогноза для нестабильного товара (степенная функция).

Рисунок 3 - Пример прогноза для нестабильного товара (полином)

Рисунок 4 - Пример прогноза для нестабильного товара

Исходя из рисунков 2, 3 и 4, можно увидеть, насколько разный результат мы получаем на одних и тех же исходных данных применяя разные функции. Поэтому для нестабильных товаров для повышения точности прогнозирования особенно важно тщательно выбирать методы прогнозов.

При этом надо заметить, что те компании, которые уже внедрили и активно применяют статистические методы прогнозирования, сталкиваются с целым рядом проблем.

Во-первых, применяемые системы довольно часто являются неадекватными. То есть не соответствуют поведению товара. При автоматизации этого процесса, менеджер по закупками опирается на те данные, которые выдает информационная система, не задумываясь, на сколько эти данные точны. Да и сам менеджер зачастую не в курсе, каким именно образом формируются данные прогноза.

Предположим у нас есть информация о движении товаре «Спазмалгон» за 2 месяца (Таблица 2).

Из таблицы 2 видно, что за два месяца было большое количество дней, когда «Спазмалгон» отсутствовал на полке аптеки. Если прогноз на сентябрь строить на основе продаж за июль и сентябрь месяцы, используя среднюю арифметическую, мы получим следующие данные (средняя арифметическая здесь применяется для примера, метод прогнозирования необходимо подбирать индивидуально для каждой группы товара; кроме того, для применения этого метода необходимы данные как минимум за три месяца):

При таком подходе мы не учитываем те дни, когда товара не было на складе. Фактически это дефицит, то есть спрос был, но аптека его удовлетворить не смогла. А, следовательно, возникли упущенные прибыли.

Если использовать ту же методику, но опираться на спрос, мы сможем получить более точные данные о спросе. Как это сделать? Здесь есть два варианта:

1. Каждый раз, когда клиент обращается к продавцу с вопросом о товаре, которого нет в наличии, вносить об этом информацию в специальный документ, не забывая регистрировать тот объем, который необходим клиенту. Но в рознице такой подход не приемлем, так как при этом сильно увеличивается время обслуживания клиента, а, следовательно, падает уровень сервиса.
2. Другой вариант - определять спрос, учитывая только дни, когда товар был на складе. Данные о реальных продажах в нашем примере представлены в таблице 3.

Таблица 3 - Определение реального спроса

Именно этот прогноз будет более точно отражать спрос, а соответственно аптека сможет его удовлетворить, повысив показатели прибыли, а самое главное улучшить клиентский сервис.

Для того, чтобы повысить качество прогноза необходимо периодически проверять его точность, то есть проводить анализ выполняемого прогноза. Если прогнозы не верны, у компании будут одни и те же повторяющиеся ошибки со всеми вытекающими последствиями. Один из самых простых методов анализа прогноза является следующий:

Необходимо при этом стремиться к уменьшению ошибки прогнозирования. Кроме того, следует на нее опираться при выборе системы прогнозирования. Рассматривая различные варианты прогнозов (в том числе эмпирических, то есть построенных на личном опыте), выбирать ту методику, которая обеспечит минимальную ошибку прогнозирования.

Но все-таки у статистических методов прогнозирования есть несколько ограничений:

1. При открытии новой аптеки нельзя абсолютно точно определить объем продаж в ней;
2. Для точного прогнозирования необходимы данные за 3 периода (года, месяца, недели)
3. При вводе нового товара никто не знает, каков на него реальный спрос.

Но, что касается текущей оперативной работы с запасами, это один из самых важных инструментов, который в дальнейшем упрощает и качественно улучшает нашу работу.

Конечно, сам процесс внедрения и адаптации системы прогнозирования весьма сложный и длительный. Но, в результате, на выходе мы получаем:

Автоматизация и ускорение процесса принятия решения об объемах поставок;

Сокращение дефицита вследствие более пристального внимания к каждой позиции ассортиментного портфеля аптеки;

• Уменьшение товарного запаса;
• Увеличение объема продаж;
• Планирование работы с поставщиками;
• Получение лучших предложений от поставщика в связи со стабильностью отношений;
• Более качественное использование денежного ресурса аптеки;
• Повышение оборачиваемости запасов.

Прогнозирование спроса представляет собой научно обоснованное предвидение развития платежеспособных потребностей населения на товары и услуге.

В зависимости от временного периода различают следующие виды прогнозирования:

– оперативное (до одного месяца);

– краткосрочное (от I до 2 лет);

– среднесрочное (от 2 до 5 лет);

– долгосрочное (от 5 до 10 лет).

Для целей прогнозирования спроса используются: метод экспертных оценок, экстраполяция, норматив­ный, балансовый методы, экономико-математическое моделирование, маркетинговые исследования.

Методы экспертных оценок основаны на использо­вании знаний и интуиции специалистов, имеющих вы­сокий уровень квалификации по специальности, про­фессиональный и научный опыт.

Прогнозирование спроса. Цели и методики

Мнения экспертов обобщаются, строятся логические заключения о прогнозируемом спросе, выбирается оптимальное реше­ние. Данные методы являются вспомогательными как дополнения к другим методам.

Экстраполяция предполагает изучение тенденций и закономерностей развития величины и структуры спроса и построение на их основе прогноза с учетом спе­цифики влияния отдельных факторов в предстоящем периоде. К данной группе методов относятся расчеты коэффициента эластичности, показывающего процент­ное изменение спроса на определенную группу товаров при изменении значения влияющего фактора на 1 % (цены, дохода, численности и т.д.). Применение дан­ных методов актуально для целей краткосрочного про­гнозирования.

Использование нормативного метода при изучении и прогнозировании спроса предполагает учет физиоло­гических норм потребления, научно обоснованных ра­циональных норм, определение сроков их достижения. Сложность применения метода заключается в разра­ботке норм, их объективной обоснованности.

Для уравновешивания источников образования де­нежных доходов и направлений их расходования, в том числе и на покупку товаров и оплату услуг, использует­ся балансовый метод.

Экономико-математическое моделирование основа­но на применении трендовых, корреляционно-регрес­сионных, оптимизационных моделей, позволяющих установить зависимость развития спроса от влияния одного или нескольких факторов (среднедушевой до­ход, цена, численность населения, размер семьи, сред­недушевое потребление отдельных товаров и услуг). Модели строятся на основе применения теории вероят­ности, математической статистики, компьютера.

Для изучения неудовлетворенного спроса, структур­ных изменений, сезонности проявлений спроса исполь­зуются результаты проведения анкетных обследований семей, выборочных опросов населения, специальных наблюдений за спросом, т.е. проводятся маркетинго­вые исследования.

При прогнозировании микроспроса наиболее распространенными являются следующие методы:

– экономико-математические;

– с использованием коэффициента эластичности спроса;

– с использованием структурных моделей.

В современной практике применяются различные подходы к прогнозированию товарно-групповой структуры потребительского спроса: генетический, нормативный, эвристический, сравнительный. Каждый из них реализуется посредством определенных способов расчетов спроса, которые схематически представлены на рис. 2.

Рис. 2 – Подходы и методы прогнозирования товарной структуры потребительского спроса

Экономико-статистические (экономико-математические) методы прогнозирования спроса

Генетический подход к прогнозированию потребительского спроса основывается на инерционном характере его развития, т. е. на оценках устойчивых тенденций развития потребительского спроса, перенесении зависимостей прошлого и настоящего на будущее.

Этот подход наиболее полно реализуется посредством эконо­мико-статистического моделирования динамики спроса, которое сформировалось в самостоятельное направление прогнозирования спроса в 20-30-е годы XX в.

Экономико-статистические модели в зависимости от способов моделирования их параметров делятся на два вида:

– трендовые модели оценки и прогнозирования спроса;

– факторные модели оценки и прогнозирования спроса.

⇐ Предыдущая12345Следующая ⇒

Читайте также:

Прогнозирование спроса и продаж. Записки дилетанта

1.Замеры и прогнозирование спроса на рынке

1.1 Функция спроса

1.2 Потенциал рынка

1.3 Прогноз спроса

1.4 Рыночный спрос на товар, спрос на товары данного предприятия

1.5 Ёмкость рынка

3. Теоретический вопрос

1. ЗАМЕРЫ И ПРОГНОЗИРОВАНИЕ СПРОСА НА РЫНКЕ

Каждый человек все время приобретает различные товары, пользуется услугами парикмахеров, справочных и тому подобное. Для того, чтобы удовлетворить покупателей, фирмы проводят исследования рынка (его емкость, состояние, покупательскую способность), а также делают прогнозы относительно своих перспектив. В этих исследованиях одни из ведущих ролей играют прогнозирование спроса и конъюнктуры рынка. По сути – это два взаимозависимых процесса: нельзя прогнозировать спрос не зная конъюнктуры рынка, мы можем прогнозировать спрос исходя из складывающейся (прогнозной) конъюнктуры рынка. Каждая фирма или предприятие, которое хочет не только выжить, но и преуспевать, должно проводить такие исследования.

Фирмы и предприятия проводит такие исследования на различных уровнях. Они рассматривают возможности проведения на рынок товаров и услуг под определенной торговой маркой (то есть своих товаров), изучают товары конкурентов, выбирают тот сегмент рынка, в котором собираются работать. Одновременно они должны знать состояние всей отрасли в целом, динамику спроса и предложения по всем товарам и услугам есть в данной отрасли. Этими проблемами занимаются целые маркетинговые отделы.

На рыночный (совокупный) спрос влияет огромное количество факторов: экономические, социально-культурные, демографические, технологические и многие другие. Все эти факторы должны быть учтены при прогнозировании. Необходимо также отметить, что от уровня спроса зависит потребление, и на него действуют те же факторы, что и на спрос. Конечная цель прогнозирования спроса – оценить то количество товаров и услуг которые будут куплены (а не только то – которое могут и хотят приобрести потребители).

Прогнозируемый уровень спроса равен функции от уровня подоходного налога. Чем больше процентная ставка налога, тем меньше человек будет потреблять, тем меньше будет прогнозируемый спрос.

На следующем этапе исследования следует рассмотреть влияние уровня цен на товары и услуги. Очевидно, что уровень цен оказывает сильнейшее влияние на потребление и уровень спроса на товары и услуги. Повышение уровня цен оказывает примерно такое же влияние, как и понижение уровня располагаемого дохода, то есть существует обратная зависимость между уровнем цен и уровнем спроса.

1.1 ФУНКЦИИ СПРОСА

Функция спроса в рыночном механизме является определяющей, ибо именно она заставляет производство выпускать необходимые населению товары, улучшать их качество и ассортимент.

Спрос в свою очередь зависит от потребностей людей: с изменением потребностей меняется и спрос, который, по сути дела, представляет собой денежное выражение потребностей.

Однако не всякая потребность может иметь денежное выражением и быть удовлетворенной рынком. Тем не менее важнейшие жизненные потребности людей в пище, одежде, обуви, бытовом обслуживании, и, конечно, медикаментах наилучшим образом, как показывает история развитых рыночных хозяйств, удовлетворяются через рынок благодаря спросу.

Функция спроса тесно связанна с функцией предложения.

Функция предложения заключается в общем виде в том, чтобы связать производство с потреблением, продажу товаров с их покупкой. Реагируя на возникающий спрос, производство начинает увеличивать выпуск товаров, улучшать их качество и уменьшать издержки их изготовления, а тем самым увеличивать общий объем предложения на рынке.

Изучение спроса связано с установлением фактического потребления лекарственных средств, выявлением закономерностей спроса с учетом динамики и целого комплекса факторов, влияющих на их потребление. Поэтому основной целью изучения конъюнктуры реализации лекарственных средств является установление, в какой мере конкретное состояние реализации их соответствует спросу, как будут изменяться эти показатели в ближайшем будущем и какие меры необходимо принять, чтобы добиться безотказного обеспечения населения и лечебно-профилактических учреждений лекарственными средствами и другими изделиями медицинского назначения, и как все это влияет на показатели финансово-хозяйственной деятельности аптечных учреждений.

При изучении спроса различают реализованный (удовлетворенный), неудовлетворенный и формирующийся спрос.

Реализованный спрос — фактическая реализация лекарственных средств при достаточном и постоянном их наличии в аптечной сети.

Неудовлетворенный спрос представляет собой спрос на лекарственные средства, которые поступают в аптечную сеть в недостаточном количестве или неравномерно.

1.2 ПОТЕНЦИАЛ РЫНКА

Потенциал рынка - это объем определенного товара, услуги, который может быть потреблен рынком за единицу времени.

1.3 ПРОГНОЗ СПРОСА

При изучении и прогнозировании спроса на товары и услуги предприятия наиболее распространены методы основанные на экспертных суждениях.

Метод основанный на суждении менеджеров:

В данном случае прогноз основывается на видении, интуиции, воображении и опыте ведущих специалистов и менеджеров, работа которых заключается в формировании спроса. При этом менеджеров просят дать точную оценку, спроса исходя из имеющейся у них информации. Для уменьшения риска субъективности индивидуального суждения необходимо на рабочем совещании специалистов прийти к общему значению в отношении оценки спроса и его прогнозов.

2. Метод основанный на оценках торгового персонала:

Как правило торговый персонал фирмы (или персонал партнёров по сбыту) имеет точное представление о потенциале продаж, который обеспечивают их клиенты, и кроме того, имеет возможность дать оценки потенциала рынка в целом, по крайней мере на той территории, которую они обслуживают. Необходимо попросить торговых работников дать оценки по каждому товару, исходя из проводимых конкретных маркетинговых усилий. После этого формулируются итоговые оценки, суммируя оценки всех работников. Для удобства опроса можно составить анкету. Данный метод определения и прогнозирования спроса незаменим при построении прогнозов продаж на небольших сегментах рынка.

3. Метод основанный на изучении намерений покупателей:

Данный метод заключается в прямом опросе покупателей об их планах на покупки в течение определённого периода времени. Оценивается настроение или степень уверенности покупателей, их представление о благосостоянии их намерения совершить покупку товаров и услуг выпускаемых предприятием. Опрос проводится по заранее разработанной анкете. Исследования намерений совершить покупку, как правило, несут общий характер. Лучшие результаты получаются, когда речь идет о товарах и услугах, приобретение которых покупатели должны планировать заранее.

Выше названные методы являются субъективными, однако они могут быть отправной точкой при анализе и прогнозах спроса.

На ровне с методами основанными на экспертных суждениях возможно использование и других методов.

1.4 РЫНОЧНЫЙ СПОРОС НА ТОВАР, СПРОС НА ТОВАРЫ ДАННОГО ПРЕДПРИЯТИЯ

Рыночный спрос на товар — это то количество товара, которое может быть куплено определенной группой потребителей в указанном районе, в заданный отрезок времени, в одной и той же рыночной среде в рамках конкретной маркетинговой программы.

Рыночный спрос и предложение тесно связаны между собой: как только возникает спрос на какой-либо товар, фирмы начинают его производить и предлагать к продаже.

Рыночный спрос имеет функциональную природу.

На него оказывают влияние многие факторы. Среди них: демографические, общеэкономические, социально-культурные, психологические, а также различные мероприятия, проводимые по программе маркетинга.

Рыночный спрос на труд складывается из спроса на труд со стороны всех фирм, использующих наемную рабочую силу. Труд нужен предпринимателю не сам по себе, а лишь потому, что он используется в процессе производства необходимых людям товаров и услуг. Поэтому спрос на труд носит производный характер и зависит от предельной производительности труда, а также от предложения других факторов производства.

Рыночный спрос на фактор производства представляет собой почленную сумму спросов на этот фактор всех отраслей. Отраслевой спрос, однако, не является суммой спросов всех фирм. Определяя отраслевой спрос, необходимо учитывать, что рыночная цена продукта изменяется в результате изменения цены фактора производства.

Рыночный спрос может характеризоваться эластичностью спроса по доходу.

Рыночный спрос на товар — это количество товара, которое может быть приобретено определенной группой потребителей в указанном районе, в заданный отрезок времени, в одной и той же рыночной среде в рамках конкретной маркетинговой программы.

Рыночный спрос формируется на основе решений, принимаемых множеством отдельных лиц, которые руководствуются своими потребностями и наличными средствами. Но для того чтобы распределить свои средства между разнообразными потребностями, необходимо иметь какую-то общую основу для их сопоставления.

Рыночный спрос представляет собой суммарный спрос всех покупателей данного продукта по данной цене.

Рыночный спрос на страховые услуги является одним из главных элементов внешней среды: на него направлены основные усилия рыночной коммерческой деятельности страховщика. Рыночный спрос на страховые услуги имеет экономический и гуманитарный аспекты.

На рыночный спрос оказывают влияние психологические факторы — эффект подражания, эффект снобизма. Существуют трудности в определении объема спроса.

Узнайте, как при помощи статистики о рождаемости в России в течение 30-40 минут спрогнозировать – какой товар будет пользоваться высоким спросом через три, пять, или двадцать лет?

• Вводная часть
• Как прогнозировать спрос
• Варианты прогнозирования спроса товаров разных возрастных категорий
• Рассмотрим, как прогнозировать спрос на конкретном примере

Вводная часть

Как рассчитывать спрос, исходя из общедоступных статистических данных, рассмотрим на примере данной статьи.

За основу примем показатели отечественной рождаемости. По аналогии можно моделировать спрос на определенные товары и услуги, исходя из статистики браков и разводов, количества мужчин и женщин, пенсионеров и трудоспособных граждан, смертности, занятости населения, уровня жизни и т.д. Все данные находятся в свободном доступе на сайте Федеральной Службы государственной статистики.

Рассмотрим таблицу:

Табл. 1. Статистика рождаемости, смертности и естественного прироста населения России

Начиная с 2005 года, в России начался сперва медленный, а потом все более интенсивный рост рождаемости. О чем говорит нам эта информация? Во-первых, самый закономерный вывод, складывающейся из сокращения числа умерших и увеличения числа родившихся - численность населения растет. Это значит, что эквивалентно росту количества людей в нашей стране, будет увеличиваться и спрос на товары массового потребления: продукты питания, бытовая химия и косметика, одежда, бытовые услуги и т.п.

Например, если в 2011 году, когда естественный прирост был отрицательным, количество потребителей хлеба в стране увеличилось по отношению к 2009 году на 119 тыс. человек (в общей картине населения страны - на 0,083%). А уже в 2013 году при положительном естественном приросте, увеличение потребителей хлеба к 2009 году составило 273 тыс. человек (подъем продаж хлеба на 0,19% в общей массе по стране). Таким образом, всего за четыре года динамика роста продаж хлеба составила 43,6%.

Это же можно сказать обо всех продуктах ежедневного потребления - молокопродуктах, мясе, воде, медикаментах и проч.

Теперь давайте рассмотрим эту же методику прогнозирования спроса в сегменте рынка недвижимости. В 2010 году в России, по данным Росстата, было зафиксировано 54,9 млн. частных домохозяйств, средний размер одного домохозяйства - 2,6 чел.

Таким образом, если принимать во внимание рост количества населения (см. Табл.2 Естественное движение прироста и смертности) с 142 856 536 человек в 2010 году до 143 347 059 человек в 2013 году (490,5 тыс. чел.), рынок недвижимости должен был дать за два-три года не менее 188,6 тысяч новых квартир. Это только для удовлетворения потребностей растущего населения, но если к этим расчетам добавить статистику браков и разводов, что также влияет на состояние рынка недвижимости, цифра может увеличиться в 2-2,5 раза.

Табл.2 Естественное движение прироста и смертности

Наглядный график этих же данных:

Что мы видим, исходя из данной таблицы (обратный анализ):

1. Падение рождаемости в 1986-1992 и 1996 -2009 годах (в течение 13 лет) стало причиной того, что уже сейчас на рынке труда ощущается дефицит молодых специалистов, т.е. поколение 1990-х не придет на смену поколению 1970-80хх, и в стране остро будет стоять (частично уже стоит) проблема нехватки новых кадров.
2. Начиная с 2015 года, конкурс на места в ВУЗах страны будет меньше, соответственно, в стране будет больше специалистов с высшим образованием и дефицит людей - со средним специальным, что приведет к пересмотру работы многих социальных структур;
3. Повышение рождаемости с 2010 по 2014 год и продолжение этой тенденции несет в себе еще одну угрозу на рынке занятости - снижение производственной эффективности среди молодых женщин.

Как прогнозировать спрос

Для прогнозирования спроса нам понадобятся:

• данные о рождаемости (Табл. 1. Статистика рождаемости, смертности и естественного прироста населения России);
• прогноз рождаемости (Табл.3.Демографический прогноз до 2030 года).

Например, редко в каком городе в России можно констатировать насыщенность рынка детских кафе.

Они есть, но их недостаточно. Основным посетителем такого заведения являются родители с малышами в возрасте от двух до шести лет, т.е. детьми, рожденными в 2008 - 2012 годах. За этот период в стране появилось 8 963 295 детей - сейчас это аудитория детских кафе.

Принимая во внимание статистику рождаемости (см. Табл.1), а также прогноз рождаемости на ближайшие десятилетия, составленные специалистами Росстата (см. Табл.3.), можно быстро прикинуть, что аудитория детских кафе составит:

• в 2016 году (рожденные с 2010 по 2014 гг) - 9 223 627 человек;
• в 2018 году (рожденные с 2012 по 2016 гг) - 9 327 948 человек.

Т.е., заниматься детскими кафе надо уже сейчас, поскольку пик продаж этого продукта начнется уже в 2015-2016 гг и рост спроса ожидается по сравнению с нынешним в среднем на 3-5%.

Табл.3.Демографический прогноз до 2030 года

Варианты прогнозирования спроса товаров разных возрастных категорий

В 2013 году в школу пошли дети, рожденные в 2006 году. Предположительно, каждому первокласснику родители обеспечили персональный компьютер. При средней цене компьютера или ноутбука 15 000 руб., емкость данного сегмента составляет 22,1 миллиардов руб. А если спрогнозировать спрос на 2020 год, то размер рынка будет на 28 % больше, без учета изменения цены это составит 28,3 миллиардов рублей.

В 2014 году идут в детский сад малыши, рожденные в 2012 году (2 годика), соответственно, родители обеспечат группу наборами карандашей и альбомами для рисования для каждого ребенка. Такой набор в среднем стоит 35 рублей. На 2014 год спрос составит примерно 66,5 миллионов рублей, а уже в 2019 году падение спроса на этот товар составит 4,5% и в деньгах выразится суммой 63,8 миллионов рублей. Следовательно, 2014-2015 годы являются пиковыми в продаже подобных товаров аудитории яслей.

Группа товаров для новорожденных

Для того чтобы наглядно увидеть динамику рынка товаров для младенцев, возьмем периодичность в 2 года:

• в 2011 году родилось - 1 796 629 детишек;
• в 2013 году родилось - 1 895 822 детей;
• в 2015 ожидается рождение 1 848 608 младенцев.

Средний бюджет на содержание одного ребенка в первой год жизни составляет около 125 000 руб.

(подсчитано тематическим сайтом baby.ru) Стоимость в течение года растет в среднем на 20%. Рассчитываем емкость рынка детских товаров для детей первого года жизни:

• 2011 год - 224,6 млрд. руб;
• 2013 год - 236,9 млрд. руб;
• 2015 год - 231 млрд. руб.;

Группа товаров для первоклассников

1 сентября 2014 года в школы страны отправятся дети, рожденные в 2007 году, т.е, стране понадобится 1 610 122 ранцев, столько же наборов тетрадей, пеналов и т.д.

Если предположить, что каждому школьнику родители покупают мобильный телефон, чтобы держать малыша на связи, можно посчитать, насколько увеличится за период конца лета-начала осени реализация в данном сегменте. Если покупка стоит около 4,5 тыс. руб. (нынешние младшие школьники носят смартфоны средней руки), то общее увеличение продаж этой электроники составит:

• в 2014 году 7,24 млрд. руб;
• в 2015 году 7,71 млрд. руб;
• в 2016 году 7,92 млрд. руб, т.е. динамика за 2-3 года составит 8-9%.

Сегодня можно наблюдать огромные очереди в детских поликлиниках, недостаток мест в дошкольных учреждениях, детских уличных площадках, развлекательных заведениях для детей. При этом наглядная картина рождаемости говорит о том, что этот сегмент товаров будет востребованным еще долгие годы, а если планировать акцент в собственном бизнесе, исходя из приведенной модели прогнозирования спроса, можно будет существенно увеличивать прибыль, удовлетворяя актуальный спрос.

Рассмотрим, как прогнозировать спрос на конкретном примере

Давайте представим конкретного предпринимателя, который строит свои прогнозы на количественных показателях рождаемости.

ИП Семенов реализует в городе N с населением 400 тыс. человек товары для детей.

Таких реализаторов в городе 5 человек, т.е. при моделировании ситуации по высокому варианту прогноза рождаемости Минстата (табл.3), в 2015 году в N-ске родится около 5 120 младенцев, примерно по 426 в месяц. Т.е. приобретать товары новоиспеченные родители и их родственники будут у индивидуального предпринимателя Семенова и четырех его конкурентов. При равном распределении продаж, ИП Семенов будет реализовывать в месяц набор для младенцев в количестве 86 шт.

В 2016 году - 84 шт в месяц, в 2020 году - 79 шт в месяц, т.е. падение налицо.

Прогнозирование спроса

А значит, чтобы удержать доходность бизнеса, ИП Семенов должен рассматривать состав рынка и предоставлять покупателям те товары, которые подходят им по возрасту:

• с 2015 года - товары для детей от 5 лет (игрушки, одежда, книжки);
• с 2017 года - товары для детей уже трех категорий:
• младенцы, родившиеся в текущем году (памперсы, распашонки, погремушки, молочные смеси и т.д.);
• дети 2010-2011 г.р., которые к этому времени становятся школьниками (ранцы, тетради, школьная форма, а также это могут быть простейшие мобильные телефоны);
• дети 2012-2016 годов - малыши детсадовцы (игрушки, книжки, обучающие игры и материалы, одежда).

Уже с 2017 года ИП Семенов должен хорошо задуматься, чем ему торговать через три года, и пока бизнес основан на прежних расчетах, начать подыскивать варианты, соответствующее его взрослеющей аудитории.

Это могут быть товары для среднего школьного возраста, т.к. основной пик рождаемости пришелся на 2011-2013 года, соответственно, с 2020 года ИП Семенову лучше переключаться на товары той потребительской аудитории, которая представлена большим количеством клиентов - детьми 7-9 лет и их родителями. На волне этих товаров (это могут быть одежда, обувь, конструкторы, компьютеры, смартфоны, первая детская косметика и т.д.) предприниматель может продолжать свою деятельность вплоть до 2028-2030 гг.

Далее логика и статистика подсказывает переход на товары для аудитории студентов (модная одежда, услуги клубов и концертов, фаст-фуды и т.д.) а еще через 10 лет ИП Семенов может возвращаться к товарам для младенцев и будущих мам.

Таким образом, на простейшем примере мы разобрали основные принципы долгосрочного и перспективного планирования по методике моделирования спроса на основании демографической ситуации. Все расчеты относительны и не являются окончательными.

Юлия Николаенко, 2014-08-28

Вопросы и ответы по теме

По материалу пока еще не задан ни один вопрос, у вас есть возможность сделать это первым

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!

ПРОГНОЗИРОВАНИЕ СПРОСА

Планирование и контроль рабочих процессов в логистике требуют точной оценки тех объемов продукции, с которыми будут выполняться соответствующие операции. Эта оценка обычно выполняется в форме прогнозов продаж или спроса. Впрочем, за прогнозирование спроса несут ответственность не только менеджеры по логистике. Скорее всего, эта задача будет выполняться в отделе маркетинга, экономического планирования или в специальной проектной группе. При определенных условиях, особенно при краткосрочном планировании – например, при планировании запасов или календарном планировании перевозок, – менеджеры по логистике находят необходимым взять эту функцию на себя. Следовательно, эта глава будет посвящена обзору тех методик планирования, которые прямо подходят именно для планирования и контроля рабочих процессов в логистике.

Обсуждение будет касаться преимущественно прогнозирования спроса, что является важным исходным пунктом при планировании и контроле процессов в логистике. С другой стороны, все те методики, которые будут обсуждаться в этой главе, подходят и для определенных типов планирования, таких как планирование запасов, снабжения (или закупок), контроль затрат, прогнозирование цен, затрат и пр.

ПРИРОДА ПРОБЛЕМЫ

Прогнозирование спроса – важнейшая управленческая функция любой компании, которая занимается производством и продажами товаров и услуг. Правильное прогнозирование – это основа успешного планирования и контроля всех основных функциональных подразделений компании – производства, логистики, маркетинга, финансов. Уровень спроса, его структура и временные колебания обуславливают масштабы производства, объем привлеченных инвестиций и в целом – структуру бизнеса компании.

Каждое функциональное подразделение имеет собственные особенности и потребности в прогнозировании. Конкретно в логистике прогнозирование касается таких вопросов, как пространственное и временное прогнозирование спроса, определение степени вариативности спроса.

Пространственное и временное прогнозирование спроса

Временное прогнозирование – это общий момент при прогнозировании любых видов спроса. Изменение спроса во времени является результатом общего роста или снижения спроса, сезонных колебаний спроса, а также случайных колебаний спроса, которые обуславливается множеством факторов. Именно эти три аспекта учитываются при краткосрочном прогнозировании в большинстве случаев.

Помимо временного измерения спрос имеет также и пространственное измерение. Менеджер по сбыту, в функции которого входит управление логистикой товара, должен знать не только КОГДА, но и ГДЕ может возникнуть спрос на товар. Пространственное прогнозирование спроса требуется для определения оптимального местоположения складов, оптимального распределения запасов по складской сети, эффективного управления транспортными потоками.

Методики временного прогнозирования следует наилучшим образом адаптировать под структурные особенности бизнеса и спроса. Например, временное прогнозирование можно осуществлять сперва на уровне фирмы в целом, а затем пропорционально «делить» прогноз по региональным подразделениям (прогнозирование «сверху-вниз»). Или наоборот, сперва прогнозировать спрос на уровне региональных подразделений, а затем агрегировать полученные результаты на уровне фирмы в целом (прогнозирование «снизу-вверх»).

Регулярный и нерегулярный спрос

Менеджеры по сбыту, как правило, объединяют товары по группам для того, чтобы дифференцировать обслуживание запасов или просто для того,

чтобы было удобнее ими управлять. Эти группы, а также отдельные товары имеют разный характер спроса. Если спрос регулярный, устойчивый, то его можно разложить на три составляющие:

Ÿ тренд (есть или нет);

Ÿ сезонные колебания (есть или нет);

Ÿ случайные колебания (как правило, есть).

Хорошо известные и апробированные методики прогнозирования, как правило, применяются для прогнозирования именно регулярного спроса, который обычно бывает на ходовые и перспективные товары.

С другой стороны, в практике продаж всегда попадаются товары, спрос на которые крайне неустойчив. Прогнозировать продажи таких товаров крайне сложно, если вообще возможно. Спрос на такие товары называется неустойчивым, или нерегулярным. К числу таких товаров относят, например, продукцию, которая уже практически снята с производства и востребована лишь небольшим числом покупателей, которые покупают ее по инерции или по старой памяти. Или, например, продукцию, продажи которой зависят от продаж и потребления другой продукции и т. д.

В некоторых случаях товары с нерегулярным спросом достигают 50% от общего объема продаваемых товаров. В этом случае прогнозирование продаж представляет для системы логистики особенно трудную проблему.

Рис. 1а. Регулярный спрос с постоянным средним уровнем колебаний

Рис 1 b Регулярный спрос с растущим трендом

Рис 1c . Регулярный спрос с растущим трендом и сезонностью

Рис. 2. Нерегулярный спрос

Производный и независимый спрос

В большинстве случаев спрос, который генерируется большим количеством покупателей (например, домохозяйств или физических лиц), каждый из которых приобретает лишь небольшое количество товара, является независимым. Такой спрос является массовым, а потому достаточно устойчивым и хорошо прогнозируемым. Он имеет определенные закономерности – общий рост или понижение (тренд), сезонные изменения, – однако все эти закономерности легко просчитываются по результатам обработки статистики продаж в предыдущие периоды.

Производный спрос – это спрос, который генерируется исходя из потребностей самого бизнеса компании. Например, это может быть спрос на сырье или материалы, комплектующие, запчасти, необходимые для нормального обеспечения производственного процесса. В этом случае для расчета потребностей в материалах требуется знать не только план производства готовой продукции , но также и то, из каких составляющих будет изготавливаться эта продукция, какие производственные операции будут при этом выполняться и когда потребуется та или иная поставка конкретных наименований изделий.

Пример . Отдел электрооборудования компании Lear-Siegler производит серию маломощных электродвигателей для промышленных потребителей, которые используют их в таких видах готовой продукции, как очистительные и шлифовальные машины. Хотя это и не очень сложное изделие, каждый электродвигатель включает в себя от 50 до 100 деталей. Календарный план производства двигателей составляется на основе заказов, которые поступают от промышленных фирм с поставкой на какую-нибудь дату в будущем, а также прогноза прямых продаж стандартных электродвигателей прямо со склада производителя. План производства составляется на три месяца вперед. В нем указывается, какие двигатели следует производить, когда и в каком количестве. Менеджер по закупкам должен следить, чтобы все компоненты, необходимые для производства, были своевременно в наличии в соответствии с планом производства.

Существует два подхода к планированию закупок материалов и компонентов, необходимых для производства:

1. Прогноз тех изделий и материалов, которые используются при производстве большинства электродвигателей (медная проволока, листовая сталь, краска), составляется на основе обобщенных данных об их потреблении. Затем они закупаются в необходимых количествах для создания запасов на складе сырья и материалов.

2. Те компоненты, которые стоят дорого или нужны под индивидуальные заказы потребителей, закупаются в соответствии с календарным графиком производства. В данном случае такими компонентами являются ось ротора и подшипники. Закупки этих изделий осуществляются в соответствии с расчетами, которые строятся на основе календарного производственного плана и спецификаций материалов по каждому электродвигателю.

Допустим, что в предстоящем месяце планируется произвести электродвигатели трех разных моделей в объеме 200, 300 и 400 шт. соответственно. Во всех моделях используется одинаковая ось ротора, но в моделях 1 и 2 требуется два подшипника, а в модели 3 – только один подшипник. Следовательно, требуется закупить 900 роторных осей и 1400 подшипников:

1´200 + 1´300 + 1´400 = 900 роторных осей

2´200 + 2´300 + 1´400 = 1400 подшипников

Этот план закупок получен по данным спецификаций материалов по каждой модели электродвигателя и планам производства каждой модели в предстоящем месяце.

Методики прогнозирования, как правило, применяются при прогнозировании независимого спроса. Однако производный спрос может быть оценен только при наличии прогноза независимого спроса на конечную продукцию. Далее при прогнозе производного спроса учитываются такие факторы, как тренды, сезонные и случайные колебания спроса, что позволяет планировать закупки необходимых материалов и комплектующих с большей точностью.

МЕТОДИКИ ПРОГНОЗИРОВАНИЯ

Существует определенное количество методик прогнозирования, которые могут быть использованы в реальной практике коммерческих фирм. Модели прогнозирования можно разбить на три группы:

Ÿ качественные;

Ÿ статистические;

Ÿ факторные.

Эти три группы различаются по степени точности прогноза в долгосрочном и краткосрочном периодах , степени сложности и трудоемкости при расчетах, а также по источнику, из которого черпаются исходные данные для прогнозирования (например, экспертные оценки, маркетинговые исследования, статистика и пр.).

Качественные методы

В качественных методах прогнозирование основывается на мнениях и суждениях экспертов, интуиции сотрудников, результатах маркетинговых исследований или сравнении с деятельностью конкурирующих предприятий. Информация такого рода, как правило, не содержит в себе количественных данных, является приблизительной и часто носит субъективный характер.

Разумеется, что из-за этого качественные методы не отвечают строгим научным критериям. Однако в случаях, когда статистические данные не доступны или нет уверенности, что статистические закономерности сохранятся в будущем, у качественных методов просто нет альтернатив. И хотя эти методы нельзя практически стандартизировать и добиться от них высокой точности прогноза, однако они с успехом могут использоваться при оценке рыночных перспектив нового продукта или новой технологии, прогнозировании изменений в законодательстве или правительственной политики и т. д. Как правило, качественные методы используются при средне - и долгосрочном прогнозировании.

Статистические методы

В случаях, когда фирме доступен достаточно большой объем статистических данных и есть уверенность, что тренд или сезонные колебания достаточно стабильны, то статистические методы показывают высокую эффективность при составлении краткосрочных прогнозов спроса на товары. Главной предпосылкой статистических методик является предположение, что будущее является продолжением прошлого. Поскольку статистические данные, как правило, носят количественный характер, то при прогнозировании широко используются различные математические и количественные модели, заимствованные, прежде всего, из области статистики. Точность прогноза на период до 6 месяцев обычно является достаточно высокой. Это объясняется тем, что в краткосрочном периоде тенденции спроса обычно достаточно устойчивы.

Статистические прогнозы напрямую зависят от имеющихся исходных данных. Чем обширнее статистическая база, тем точнее прогноз. По мере поступления новых статистических данных постепенно меняется и прогноз на будущее. Вместе с тем при переломе тенденции статистический прогноз сигнализирует об этом с некоторым запозданием. Это является серьезным недостатком статистических моделей и накладывает на них определенные ограничения при практическом использовании.

Факторные методы

Главной предпосылкой для использования факторных моделей при прогнозировании спроса является тот факт, что динамика спроса обусловлена целым рядом взаимно обусловленных причин, которые иногда можно выявить и проанализировать. Например, на уровень спроса положительно влияет уровень потребительского обслуживания. В этом случае при целенаправленной политике фирмы по повышению уровня сервиса можно ожидать увеличения объема спроса . В таких случаях говорят, что уровень обслуживания потребителей является фактором роста уровня спроса. В случае, когда удается полно и качественно выявить все причинно-следственные связи и описать их, факторные модели позволяют прогнозировать с высокой степенью точности будущие изменения спроса в средне - и долгосрочном периодах.

Факторные модели имеют несколько разновидностей

Ÿ статистические – например, регрессионные или эконометрические модели;

Ÿ дескриптивные – например, при описании объекта по методу «черного ящика», описании жизненного цикла объекта или компьютерном имитационном моделировании.

При прогнозировании результирующих показателей используются в той или иной степени статистические данные по факторным показателям. И на основании прогноза факторных показателей выстраивается прогноз результирующего показателя.

Основной проблемой, затрудняющей применение факторных моделей на практике, является то, что найти, выявить и описать причинно-следственные связи достаточно сложно. Даже если некоторые такие взаимосвязи выявлены, часто оказывается, что в рассматриваемом периоде эти связи не являются определяющими при прогнозировании спроса. Для качественного прогноза с помощью факторной модели требуется выявить и описать все наиболее важные и значимые факторы влияния, но именно это как раз и бывает сложно сделать. Кроме того, для прогноза необходимо иметь статические данные не только по результирующим, но и по факторным показателям, причем за период не менее чем 6 месяцев. Из этих проблем точность факторных моделей, к сожалению, оказывается не слишком высока.

Таблица 1. Методики прогнозирования спроса

Методика, описание, интервал прогнозирования

Дэльфи Группа экспертов опрашивается с помощью нескольких опросных листов . Результаты одного опроса используются для подготовки следующего опроса. Вся информация, необходимая для прогнозирования, должна быть доступна всем экспертам: владеющие информацией должны передать ее тем, кто не владеет ею. Техника исключает «стадный эффект», когда мнение одних экспертов влияет на мнение других экспертов.

Маркетинговые исследования Систематические, формализованные и целенаправленные процедуры, направленные на совершенствование и проверку гипотез о реальных рынках. Интервал прогнозирования: среднесрочный

Панельные исследования Методика базируется на предположении, что несколько экспертов обеспечивают лучший прогноз, чем один эксперт. Между ними нет никаких секретов, и наоборот, коммуникации поощряются. Прогноз иногда зависит от влияния социальных факторов и может не отражать настоящего консенсуса. Интервал прогнозирования: среднесрочный

Оценки торгового персонала Мнения торгового персонала фирмы могут иметь ценность, поскольку продавцы ближе к потребителям и имеют все возможности оценить их потребности и спрос.

Метод сценариев На основании личных мнений, оценок, видения ситуации и, если возможно, фактов строится несколько сценариев будущих продаж. В основе этих сценариев лежит простое воображение, или видение того или иного сценария будущего. Этот метод, конечно, является ненаучным.

Историческая аналогия Прогноз продаж основывается на сравнении с выведением на рынок и ростом продаж аналогичных продуктов, о которых уже накоплена соответствующая статистика. Интервал прогнозирования: среднесрочный и долгосрочный

Скользящие средние Значения скользящих средних получаются как средняя арифметическая или взвешенная величина, рассчитываемая по некоторому количеству значений из временного ряда . Количество значений временного ряда, которые используется при расчете скользящей средней, выбираются так, чтобы определить основную тенденцию и удалить случайные и сезонные колебания спроса.

Экспоненциальное сглаживание Методика экспоненциального сглаживания похожа на методику скользящих средних, только последние наблюдения имеют больший вес, чем прошлые наблюдения. Новый прогноз – это старый прогноз плюс некоторая доля последней ошибки прогнозирования. Более сложные модели экспоненциального сглаживания учитывают также тренд и сезонные колебания. Интервал прогнозирования: краткосрочный

Классический анализ временных рядов Метод декомпозиции временных рядов на тренд, сезонную и случайную составляющую. Это прекрасный инструмент, с помощью которого можно прогнозировать спрос на период от 3 до 12 месяцев. Интервал прогнозирования: краткосрочный и среднесрочный

Проекция тренда Эта методика позволяет выявить тренд с помощью математического уравнения и затем спроецировать его в будущее. Существует несколько вариантов методики: полиномы, логарифмы и пр. Интервал прогнозирования: краткосрочный и среднесрочный

Метод фокусирования Позволяет протестировать некоторое количество простых способов прогнозирования, чтобы проверить, какое из них наиболее дает наиболее точный прогноз по данным за 3-месячный период. Имитационное моделирование позволяет выполнить такой тест и проверить различные стратегии прогнозирования временного ряда. Интервал прогнозирования: среднесрочный

Спектральный анализ В модели предпринимается попытка разбить временной ряд на несколько фундаментальных компонентов.

ПРОГНОЗИРОВАНИЕ СПРОСА В ЛОГИСТИКЕ

В основном в сфере логистике требуется лишь небольшое количество методик прогнозирования. Поскольку прогнозы – особенно прогноз продаж, – необходимы различным сегментам организации, то прогнозирование обычно сосредотачивается в отделе маркетинга, плановом отделе или отделе экономического анализа . Долгосрочные и среднесрочные прогнозы часто составляются в отделе логистики. Однако потребности отдела логистики обычно ограничиваются краткосрочными прогнозами, которые необходимы для планирования запасов, календарного планирования перевозок, планирования загрузки складских помещений и т. п. Исключение составляют только потребности в каких-то специальных долгосрочных прогнозах.

Учитывая степень сложности, полезности, достоверности и доступности информации, лишь часть методик из тех, которые перечислены в таблице 1, имеет смысл рассматривать подробно. Многочисленные исследования показали, что «простые» модели анализа временных рядов позволяют прогнозировать продажи не хуже или даже еще лучше, чем более сложные и трудоемкие методики. Модель временного ряда относится к разряду факторных моделей и является наиболее распространенной в практике прогнозирования. В целом, усложнение модели прогнозирования не обеспечивает увеличения точности прогноза. Поэтому дальше будут рассмотрены только три наиболее популярные методики анализа временного ряда: экспоненциальное сглаживание, классический анализ временных рядов и множественный регрессионный анализ.

Экспоненциальное сглаживание

Возможно, что экспоненциальное сглаживание – это наиболее популярный метод прогнозирования. Он очень прост, требует минимальных исходных данных, обладает высокой точностью и легко адаптируется под конкретные задачи прогнозирования. Метод является вариантом методики расчета скользящих средних, при котором результаты прошлых наблюдений имеют меньший вес, чем результаты новых, более свежих наблюдений за продажами.

Такая схема распределения весовых коэффициентов может быть задана простым уравнением, в котором прогноз на будущий период составляется на основе прогноза предыдущего периода и фактических продаж в текущем периоде:

НОВЫЙ ПРОГНОЗ = a´(ФАКТИЧЕСКИЙ СПРОС) + (1 – a)´(ПРЕДЫДУЩИЙ ПРОГНОЗ)

В этой формуле a – это весовой коэффициент, или сглаживающая постоянная. Коэффициент a варьируется от 0 до 1. Отметим, что все прошлые наблюдения за продажами включены в прогноз предыдущего периода. Таким образом, вся предыдущая история продаж отражена в одном числовом значении прогноза за предыдущий период.

Пример . Допустим, что прогноз спроса в текущем месяце составляет 1000 шт. Фактический спрос в текущем месяце составил 950 шт. Сглаживающая константа составляет a = 0,3. Ожидаемый спрос в следующем месяце определяется по формуле:

Новый прогноз = 0,3´950 + 0,7´1000 = 985 шт.

Этот новый прогноз будет использоваться в формуле для расчета нового прогноза на второй месяц и т. д.

Для удобства расчетов запишем формулу экспоненциального сглаживания в виде следующей модели:

где t – текущий временной период; Ft – прогноз продаж на период t; Ft+1 – прогноз продаж на период (t+1); a – константа сглаживания; At – продажи в период t.

Пример . Следующий квартальный временной ряд представляют данные о спросе на продукцию за полтора года:

	Квартал
Прошлый год
Текущий год

Нам необходимо построить прогноз на третий квартал текущего года. Допустим, что сглаживающая постоянная a = 0,2. Прогноз предыдущего периода рассчитаем как средний уровень спроса в квартал по данным предыдущего года. Следовательно, А0 = (1200 + 700 + 900 + 1100)/4 = 975. Допустим, что прогноз продаж в прошлом году в среднем соответствовал фактическим продажам, т. е. F0 = А0 = 975.

Тогда

F1 = 0,2´A0 + (1 – 0,8)´F0 = 0,2´975 + 0,8´975 = 975

F2 = 0,2´A1 + (1 – 0,8)´F1 = 0,2´1400 + 0,8´975 = 1060

F3 = 0,2´A2 + (1 – 0,8)´F2 = 0,2´1000 + 0,8´1060 = 1048

В итоге получаем следующие результаты:

	Квартал
Прошлый год
Текущий год

Выбор оптимального значения сглаживающей константы основывается на оценочных суждениях.

§ Чем выше значение константы a, тем большее влияние на прогноз оказывают последние наблюдения за фактическими продажами. В результате модель более гибко и быстро реагирует на изменения в продажах. Однако слишком высокий уровень a делает модель слишком «нервной», слишком чутко реагирующей на любой случайное колебание спроса без учета основной тенденции развития.

§ Чем ниже значение константы a, тем больший вес в прогнозе имеют прошлые наблюдения за фактическими продажами. В виду этого модель реагирует на изменения в тенденциях развития спроса медленнее, с запозданием. При очень низком значение a модель реагирует на изменения спроса крайне медленно и тяжело, что обеспечивает очень «стабильный» прогноз, но делает его крайне неправдоподобным, не похожим на временной ряд.

Наиболее приемлемые значения константы a варьируются в интервале от 0,01 до 0,3. Более высокие значения a могут использоваться при краткосрочном прогнозировании, когда ожидаются какие-то серьезные изменения на рынке. Например, падение продаж, краткосрочные и агрессивные маркетинговые компании, вывод из продуктовой линии некоторых устаревших продуктов, начало продаж нового продукта, когда нет еще достаточной статистики для прогнозирования спроса и пр.

Основное правило при выборе значения константы a: модель должна отображать основную тенденцию в развитии спроса и сглаживать случайные колебания. Такая константа обеспечивает минимальную ошибку прогнозирования.

Корректировка прогноза с учетом тренда

Простое экспоненциальное сглаживание удобно использовать в том случае, если отсутствует устойчивая тенденция к увеличению или уменьшению спроса, т. е. средний уровень спроса достаточно стабилен во времени. Если же в продажах обнаруживается, например, тренд к повышению спроса, то каждый новый прогноз будет устойчиво меньше фактического спроса.

К счастью, прогноз можно откорректировать, введя в методику дополнительную формулу, с помощью которой рассчитывается тренд. Для этого к экспоненциальному уравнению необходимо добавить еще одну формулу, которая будет учитывать тренд:

где St – начальный прогноз в пери од t, Тt – тренд в период t, Ft+1 –прогноз на период t+1 с учетом тренда, b – сглаживающая постоянная для тренда.

Пример

	Квартал
Прошлый год
Текущий год

Для начала рассчитаем прогноз на первый квартал текущего года. В качестве исходных значений при расчетах будем использовать S0 = 975 (средний спрос за квартал по данным предыдущего года) и T0 = 0 (тренд отсутствует). Допустим, что сглаживающие постоянные a = 0,2 и b = 0,3. Теперь начнем расчеты.

Прогноз на первый квартал текущего года:

S0 = 975, T0 = 0 ® F1 = 975 + 0 = 975

Прогноз на второй квартал текущего года:

S1 = 0,2´1400 + 0,8´(975 + 0) = 1060

Т1 = 0,3´(1 060 – 975) + 0,7´0 = 25,5

F2 = 1060 + 25,5 = 1085,5

Прогноз на третий квартал текущего года:

S2 = 0,2´1000 +0,8´(1060 + 25,5) = 1068,4

Т2 = 0,3´(1068,4 – 1060) + 0,7´25,5 = 20,37

F2 = 1068,4 + 20,37 = 1088,77

В итоге получаем:

	Квартал
Прошлый год
Текущий год

Корректировка прогноза с учетом тренда и сезонности

При прогнозировании можно учесть не только тренд, но и сезонные колебания спроса. Прежде чем использовать модель, которая рассмотрена в следующем примере, следует проверить временной ряд на выполнение следующих двух условий:

1. Сезонные пики и падения спроса должны четко проглядываться на статистическом ряде, т. е. они должны быть больше, чем случайные колебания спроса (так называемый «шум»).

2. Сезонные пики и падения спроса должны устойчиво повторяться из года в год.

Если эти два условия не соблюдаются, то есть сезонные колебания неустойчивы, незначительны и трудно отличаются от «шума», то использовать модель для точного прогноза спроса на следующий временной период будет крайне трудно. Если условия выполняются и в модели устанавливается высокое значение сглаживающей постоянной, чтобы учитывать большую амплитуду колебаний спроса, то имеет смысл усложнить модель.

В этой новой модели прогноз строится с учетом корректировок тренда и сезонности, которые отображаются в форме индексов. Это позволяет достичь высокой точности прогноза.

Уравнения усложненной модели:

где Тt – тренд в период t, St – начальный прогноз в период t, Ft+1 – прогноз на период t+1 с учетом тренда и сезонности, It –индекс сезонных колебаний в период t, L – временной период, в течение которого совершается полный сезонный цикл, g – сглаживающая постоянная для сезонного индекса.

Пример . Рассчитаем прогноз на третий квартал текущего года с учетом тренда:

	Квартал
Прошлый год
Текущий год

Для начала рассчитаем прогноз на первый квартал текущего года. В качестве исходных значений при расчетах будем использовать St-1 = 975 (средний спрос за квартал по данным предыдущего года) и Tt-1 = 0 (тренд отсутствует). Допустим, что сглаживающие постоянные a = 0,2 и b = 0,3, а g = 0,4. Теперь начнем расчеты.

Прогноз на первый квартал текущего года:

S0 = 975 и T0 = 0. Тогда:

F1 = (975 + 0) ´ 1,23 = 1200, потому что I1 = 1200 / 975 = 1,23

Прогноз на второй квартал текущего года:

S1 = 0,2´1400 / 1,23 + 0,8´(975 + 0) = 1007,5

I1 = 0,4´1400 / 1007,5 + 0,6´1,23 = 1,29

Т1 = 0,3´(1007,5 – 975) + 0,7´0 = 9,75

F2 = (1007,5 + 9,75)´0,72 = 730,3, потому что I2 = 700 / 975 = 0,72

Прогноз на третий квартал текущего года:

S2 = 0,2´1000 / 0,72 +0,8´(1007,5 + 9,75) = 1092,4

I2 = 0,4´1000 / 1092,4 + 0,6´0,72 = 0,8

Т2 = 0,3´(1092,4 – 1007,5) + 0,7´9,75 = 32,3

F2 = (1092,4 + 32,3)´0,92 = 1005, потому что I3 = 900 / 975 = 0,92

В итоге получаем:

	Квартал
Прошлый год
Текущий год

Ошибка прогнозирования

Поскольку будущее никогда нельзя в точности предугадать по прошлому, то прогноз будущего спроса всегда будет содержать в себе ошибки в той или иной степени. Модель экспоненциального сглаживания прогнозирует средний уровень спроса. Поэтому следует построить модель так, чтобы уменьшить разность между прогнозом и фактическим уровнем спроса. Эта разность называется ошибкой прогнозирования.

Ошибка прогнозирования выражается такими показателями, как среднеквадратическое отклонение, вариация или среднее абсолютное отклонение. Раньше среднее абсолютное отклонение использовалось в качестве основного измерителя ошибки прогнозирования при использовании модели экспоненциального сглаживания. Среднеквадратическое отклонение отвергли из-за того, что рассчитывать его сложнее, чем среднее абсолютное отклонение, и у компьютеров на это просто не хватало памяти. Сейчас у компьютеров достаточно памяти, и теперь среднеквадратическое отклонение используется чаще.

Ошибку прогнозирования можно определить с помощью следующей формулы:

ОШИБКА ПРОГНОЗА = ФАКТИЧЕСКИЙ СПРОС – ПРОГНОЗ СПРОСА

Если прогноз спроса представляет собой среднее арифметическое фактического спроса, то сумма ошибок прогнозирования за определенное количество временных периодов будет равна нулю. Следовательно, значение ошибки можно отыскать путем суммирования квадратов ошибок прогнозирования, что позволяет избежать взаимного устранения положительных и отрицательных ошибок прогнозирования. Эта сумма делится на количество наблюдений и затем из нее извлекается квадратный корень. Показатель корректируется с уменьшением одной степени свободы, которая теряется при составлении прогноза. В результате, уравнение среднеквадратического отклонения имеет вид:

,

где SE – средняя ошибка прогнозирования; Ai – фактический спрос в период i; Fi – прогноз на период i; N – размер временного ряда.

Форма распределения ошибок прогнозирования является важной, когда формулируются вероятностные утверждения о степени надежности прогноза. Две типовые формы распределения ошибок прогнозирования показаны на рисунке 3.

Полагая, что модель прогнозирования отражает средние значения фактического спроса достаточно хорошо и отклонения фактических продаж от прогноза относительно невелики по сравнению с абсолютной величиной продаж, то вполне вероятно предположить нормальное распределение ошибок прогнозирования. В тех же случаях, когда ошибка прогнозирования сопоставима по величине с величиной спроса , имеет место скошенное, или усеченное нормальное распределение ошибок прогноза.

Определить тип распределения в конкретной ситуации можно с помощью теста на соответствие критерию согласия хи-квадрат. В качестве альтернативы можно использовать другой тест, с помощью которого можно определить, является ли распределение симметричным (нормальным) или экспоненциальным (разновидность скошенного распределения):

При нормальном распределении около 2% наблюдаемых значений превышают значение, равное сумме среднего и удвоенного значения среднеквадратического отклонения. При экспоненциальном распределении около 2% наблюдаемых значений превышают среднее на величину среднеквадратического отклонения, умноженного на коэффициент 2,75. Следовательно, в первом случае используется нормальное распределение, а во втором случае – экспоненциальное.

Пример . Снова вернемся к нашему примеру. В базовой модели экспоненциального сглаживания были получены следующие результаты:

	Квартал
Прошлый год
Текущий год

Оценим стандартную ошибку прогнозирования по данным за первый и второй кварталы текущего года, по которым нам известны фактические и прогнозные значения. Допустим, что спрос имеет нормальное распределение относительно прогноза. Рассчитаем границы доверительного интервала с вероятностью 95% для третьего квартала.

Стандартная ошибка прогнозирования:

Используя таблицу А (см. Приложение I), определяем коэффициент z95% = 1,96 и получаем границы доверительного интервала по формуле:

Y = F3 ± z(SE) =1005 ± 1,96´298 = 1064 ± 584,2

Следовательно, с 95%-й вероятностью границы доверительного интервала прогноза спроса на третий квартал текущего года составляют значения:

420,8 < Y < 1589,2

Отслеживание ошибки прогнозирования

Одним из существенных преимуществ модели экспоненциального сглаживания при краткосрочном прогнозировании является возможность постоянной адаптации прогноза с учетом самых последних наблюдений во временном ряде. При этом точность прогнозирования напрямую зависит от значения сглаживающей константы в каждый конкретный период времени. Следовательно, усложненная процедура прогнозирования должна включать в себя регулярное отслеживание средней ошибки прогнозирования и соответствующую корректировку значения сглаживающей постоянной. Если временной ряд достаточно постоянный, то можно устанавливать низкие значения константы. В период больших колебаний спроса следует установить высокое значение константы. Но не следует ограничиваться каким-то одним значением, если изменение константы может привести к уменьшению ошибки прогнозирования, особенно в случае высокой динамики временного ряда.

Популярным методом отслеживания ошибки прогнозирования является метод усреднения отслеживающего сигнала. Отслеживающий сигнал – это результат сравнения, получаемого обычно в виде соотношения, текущий ошибки прогнозирования со средним значениям прошлых ошибок прогнозирования. В результате этого вычисления сглаживающая экспоненциальная константа может быть пересчитана или переопределена, если полученное соотношение превосходит ранее определенный контрольный уровень.

В целом, наилучшей сглаживающей константой является та, которая минимизирует ошибку прогнозирования так, как это было бы при стабильном временном ряде. Изменяя значение константы по мере того, как временной ряд пополняется новыми значениями, позволяет уменьшить ошибку прогнозирования. Адаптирующиеся модели, которые пересчитывают значения сглаживающей константы постоянно, работают хорошо в случае, когда временной ряд меняется быстро, но они малоэффективны в условиях стабильных продаж. Наоборот, модели, в которых пересчет сглаживающей константы происходит только в случае, когда ошибка прогнозирования превосходит некий контрольный уровень, хорошо работают в условиях стабильности, когда возможны резкие и неожиданные скачки временного ряда. Пример такой адаптирующейся модели показан на рисунке 5.

КЛАССИЧЕСКИЙ АНАЛИЗ ВРЕМЕННЫХ РЯДОВ

Анализ временных рядов – это модель прогнозирования, которая используется на практике на протяжении многих лет. В него включается спектральный анализ, классический анализ временных рядов и анализ Фурье. В данной главе рассматривается классический анализ временных рядов в виду его простоты и популярности. К тому же он обеспечивает же ту же точность прогнозирования, как и более сложные методы.

Классический анализ временных рядов базируется на предположении, что статистический ряд можно разложить на четыре составляющие: тренд, сезонные колебания, циклические колебания и случайные колебания.

§ Тренд представляет долгосрочные изменения в продажах, обусловленные такими факторами, как рост населения, расширение рынков, изменения потребительских предпочтений, улучшение качества продукции и сервисного обслуживания и т. п. Виды трендовых кривых представлены на рисунке …

§ Сезонные колебания представляют собой регулярные всплески и падения продаж, которые повторяются с регулярностью в 12 месяцев. Причины, вызывающие эти перепады, включают в себя изменение спроса в зависимости от времени года, рост продаж накануне праздников, а также сезонное предложение товаров (например, овощи, фрукты).

§ Циклические колебания представляют собой долгосрочные (более 1 года) волнообразные изменения спроса.

§ Случайные колебания (остаток) отражает влияние на продажи всех прочих факторов, которые оказались неучтенными в тренде, сезонных и циклических колебаниях.

Если временной ряд достаточно хорошо описывает ся первыми тремя кривыми, то остаток должен представлять собой случайную величину.

Рис. 1. Примеры трендов с приложением математических формул

В классическом анализе временных рядов прогнозирование спроса осуществляется путем перемножения четырех значений:

F = T ´ S ´ C ´ R,

где F – прогноз спроса (в товарных или денежных единицах), T – линия тренда, S – индекс сезонных колебаний, C – индекс циклических колебаний, R – индекс случайных колебаний.

На практике в модели оставляют только тренд и сезонные колебания. Это объясняется тем, что в условиях хорошей прогнозируемости спроса индекс случайных колебаний равен единице (R = 1,0). Кроме того, во многих случаях достаточно сложно выявить многолетние циклические колебания, основываясь на анализе случайных колебаний. Поэтому индекс циклических колебаний также полагается единице (C = 1,0). И это допущение не имеет таких уж серьезных последствий, поскольку модель часто приходится корректировать по мере того, как поступают все новые и новые данные. Эффект циклических колебаний просто компенсируется регулярными корректировками модели.

Линия тренда может быть определена несколькими способами, например, методом скользящих средних (то есть практически «на глаз»), или методом суммы квадратов разностей.

Сумма квадратов разностей – это популярная математическая методика , которая позволяет подобрать такой тренд, при котором сумма квадратов разностей между фактическими и модельными значениями временного ряда сводится к минимуму. Методика применима к любым линиям тренда, как линейным, так и нелинейным.

Например, для линейного тренда (T = a + b´t, где t – это время, T – средний уровень спроса) коэффициенты a и b определяются с помощью следующих двух формул:

где N – размер временного ряда (количество периодов t во временном ряде); Dt – фактический спрос в период t; - средний спрос за N временных периодов; - среднее значение величин t за период N.

Нелинейные тренды имеют более сложную математическую структуру, и потому они здесь не рассматриваются.

Сезонная составляющая модели представлена в виде индекса, значение которого меняется в каждом из периодов в пределах горизонта прогнозирования . Этот индекс представляет собой отношение фактического спроса за данный период к среднему спросу. Средний спрос можно рассчитать как среднее арифметическое спроса за определенный период, методом скользящих средних или с помощью тренда. Например, можно воспользоваться следующей формулой:

где St – сезонный индекс периода t; Tt – величина тренда, рассчитанного по формуле Tt = a + b´t.

В результате прогноз продаж для периода t в будущем рассчитывается по формуле:

,

где Ft – прогноз продаж для периода t; L – количество периодов, которые охватывают один сезонный цикл.

Все эти идеи могут быть проиллюстрированы с помощью следующего примера.

Пример . Производитель одежды для молодых женщин должен принять решение о том, когда и в каких объемах ему делать закупки, опираясь на прогноз продаж своей продукции. В году он выделил пять сезонов, значимых для планирования и продвижения своей продукции: лето, межсезонье, осень, новогодние праздники и весна. У него есть статистика продаж примерно за 2,5 года (см. таблицу 1). Прогноз нужно сделать, как минимум, на два сезона вперед, чтобы можно было спланировать закупки и производство. В данном примере прогнозным периодом считаются новогодние праздники, хотя данные о продажа в промежуточный, осенний период пока еще неизвестны.

Первая задача – найти линию тренда. Используя формулу T = a + b´t, рассчитаем коэффициенты:

Следовательно, линия тренда имеет вид:

Значения сезонного индекса рассчитаны по выше приведенной формуле и представлены в колонке 6. В данном примере значения сезонного индекса посчитаны за все 2,5 года, поскольку сезонные отклонения не сильно различаются из года в год. Если сезонные отклонения из года в год имеют разные значения, то для каждого сезона рассчитывается свой индекс отклонения как среднее значение за несколько лет.

Прогноз продаж в новогодние праздники составляет величину:

Прогноз продаж в осенний период может быть составлен похожим образом.

Таблица 1. Прогноз продаж женской одежды, тыс. $

Сезон	Период	Продажи	Dt ´ t	t 2	Тренд (T t )		Прогноз
Межсезонье
Праздники
Межсезонье
Праздники
Межсезонье
Праздники
Итого

/* Прогнозное значение. Например, T13 =,08 + 486,13(13) =

/** F13 = T13´S13-5 или=´ 1,04

Здесь: N = 12; SDt´t = 1 ; St2 = 650; `D = (/ 12) = $14 726,92; `t = (78 / 12) = 6,5.

МНОЖЕСТВЕННЫЙ РЕГРЕССИОННЫЙ АНАЛИЗ

В моделях, которые рассматривались до сих пор, время было единственным фактором, который учитывался при прогнозировании. Другие факторы в той степени, в какой они объясняют изменения спроса, также могут быть включены в расчет. Множественный регрессионный анализ представляет собой статистическую методику, которая позволяет определить взаимосвязь между спросом и набором определенных переменных. Благодаря такому анализу эти переменные используются при прогнозировании спроса так же, как и время. Данные о значениях независимых переменных в процессе регрессионного анализа преобразуется в значения коэффициентов регрессионного уравнения, с помощью которого рассчитывается прогноз спроса.

Пример . Вернемся к проблеме прогнозирования продаж женской одежды, которая рассматривалась в предыдущем разделе. Альтернативой анализу временных рядов является регрессионный анализ. Желательно, чтобы независимые переменные регрессионной модели предшествовали по времени результату, то есть продажам одежды. Это значит, что значения переменных должны быть доступны для анализа заблаговременно до наступления прогнозного периода. Одна такая регрессионная модель была построена для периода летних продаж:

F = - 3,016 + 1,211X1 + 5,75X2 + 109X3,

где F – оценка средних продаж в летний период (в тысячах долларов); X1 – время в годах (1986 = 1); X2 – количество заявок на закупку одежды, поступивших в течение сезона (из книги заказов); X3 – чистое изменение задолженности покупателей, рассчитываемое по месяцам (в процентах).

Данная модель объясняет 99% (R = 0,99) общей вариации спроса и имеет статистическую погрешность в пределах 5%. Это обеспечивает высокую точность прогнозирования. Например, фактические продажи летом 1991 г. составили $20 Независимые переменные в 1991 г. имели значения: X1 = 6, X2 = 2732, X3 = 8,63. Подставляем эти значения в регрессионное уравнение и получаем прогноз продаж: $20

Для построения такой регрессионной модели требуются значительные знания по статистике. Однако можно воспользоваться и уже готовыми программными продуктами, такими как Statistics 6.0, которые позволяют произвести расчет параметров модели методом наименьших квадратов и оценить степень ее точности. Однако при пользовании такими программными пакетами следует проявлять определенную осторожность, так как они не гарантируют получение достоверной модели. Важно достоверно знать и понимать, как именно статистический алгоритм лежит в основе расчета параметров модели, потому что разные алгоритмы нередко дают разные результаты, и это сказывается на точности прогнозирования. Ответить на этот вопрос можно, но только разобравшись с математической начинкой программы.

ОСОБЕННОСТИ ПРОГНОЗИРОВАНИЯ ПРОДАЖ В ЛОГИСТИКЕ

При прогнозировании продаж в логистике иногда приходится сталкиваться с некоторыми специфическими проблемами, к числу которых относятся прогнозирование спроса на новые продукты и услуги, нерегулярный спрос, прогнозирование по регионам, а также оценка ошибки прогнозирования. Хотя эти проблемы встречаются не только в логистике, однако они оказывают большое влияние на решения, принимаемые в этой сфере.

Прогнозирование спроса на новые продукты и услуги

В логистике часто приходится решать проблему прогнозирования спроса на продукцию, по которой пока еще нет достаточно большой статистики продаж. Для решения этой проблемы используются несколько различных подходов, которые помогут преодолеть этот ранний период в продвижении продукта на рынке.

Во-первых, начальный прогноз можно получить из отдела маркетинга, пока не будет накоплена достаточная статистика продаж. Обычно маркетологи лучше знают, сколько средств требуется на продвижение товара, какой будет потребительская реакция на товар и какие будут ожидаемые продажи. Этот прогноз должен охватывать период не менее шести месяцев, чтобы можно получить достаточно представительную статистику для последующего прогнозирования.

Во-вторых, прогноз продаж можно построить на основании статистики о продажах схожих продуктов. Известно, что многие компании полностью обновляют свою продуктовую номенклатуру в среднем каждые пять лет. Однако некоторые товары оказываются принципиально новыми. Их появление связано с изменениями в размерах, стиле продукции или просто с радикальным пересмотром номенклатуры как элемента маркетинговой политики фирмы. Такие товары прогнозируются только на основании оценочных данных, получаемых из отдела маркетинга.

В-третьих, для прогнозирования можно использовать модель экспоненциального сглаживания, установив коэффициент a на уровне 0,5 и выше. По мере того, как будет накапливаться все больше и больше статистики, этот показатель можно снизить до нормального уровня.

Нерегулярный спрос

О проблеме нерегулярного спроса уже шла речь в начале этого раздела. При нерегулярном спросе случайные колебания столь велики, что не позволяют выявить тренд или сезонную составляющую спроса. У такого спроса может быть несколько причин:

§ продажи осуществляются редко, но очень крупными партиями;

§ продажа товара зависит от продаж других продуктов и услуг;

§ слишком велики сезонные и иные перепады в продажах в течение одного года, что не позволяет выявить тренд;

§ продажи обусловлены случайными факторами, такие как спекуляция, слухи, кратковременная мода и пр.

Нерегулярный спрос трудно прогнозировать с помощью математических методов вследствие большого разброса временного ряда. Однако все же можно дать несколько советов, что лучше делать при нерегулярном спросе.

Во-первых, следует выявить причины нерегулярности спроса и с учетом этого фактора построить прогноз продаж. Также следует отделить продукты с нерегулярным спросом от тех, который показывают устойчивый тренд, и использовать для каждой категории разные, наиболее подходящие методы прогнозирования.

Пример . Производитель химической продукции выпускает средство для очистки яблок во время сбора урожая. В зависимости от урожая яблок, продажи этого средства значительно колеблются из года в год. Для прогнозирования продаж этого средства использовалась модель экспоненциального сглаживания, как и для всех прочих продуктов. Вследствие этого запасы продукции данного средства на складах оказывались существенно больше, либо существенно меньше спроса, который предъявлялся на рынке. Причиной этого было то, что компания при прогнозировании не разделяла продукцию с регулярным и нерегулярным спросом. Ситуация можно исправить, если прогноз строить с учетом того главного фактора, который определяет спрос на товар, т. е. исходя из того, какой урожай яблок ожидается в этом году.

Во-вторых, не следует слишком быстро реагировать на изменения в продажах такого рода продуктов или услуг, если, конечно, нет серьезных причин полагать, что спрос действительно изменился. Лучше всего использовать простую модель прогнозирования, которая не слишком быстро реагирует на изменения. Например, это может быть экспоненциальное сглаживание с низким уровнем коэффициента a или регрессионная модель с шагом прогнозирования 1 год.

В-третьих, поскольку нерегулярный спрос часто наблюдается у товаров с небольшим объемом продаж, можно не уделять слишком много внимания точности прогноза. Например, если прогноз используется для определения уровня запасов, то более экономично будет создать небольшой дополнительный запас, чем использовать более сложные и точные методики прогнозирования.

Прогнозирование по регионам

Хотя до сих пор обсуждение касалось только вопросов прогнозирования продаж во времени, однако прогнозирование продаж в разрезе по регионам также заслуживает внимания. Необходимо решить, как будут прогнозироваться продажи: в целом по всему рынку, по отдельным районам и регионам или же по территориям, которые примыкают к конкретным заводам или складским комплексам. Очень важно обеспечить высокую точность прогнозирования, если оно ведется отдельно по каждому региону. Обобщающий прогноз по всему рынку оказывается, как правило, более точным, чем сумма отдельных прогнозов по регионам. Поскольку это так, то, возможно, лучше будет построить общий прогноз по рынку, чтобы затем его пропорционально разбить по регионам, чем вести раздельное прогнозирование по каждому региону. Впрочем, как показывает практика, однозначного ответа на вопрос, какой подход лучше, не существует. Следовательно, нужно иметь в виду оба варианта и использовать их в зависимости от конкретной ситуации.

Ошибка прогнозирования

В конце главы поговорим об одном очень важном инструменте прогнозирования. Было рассмотрено уже много моделей и методик прогнозирования. У каждой есть свои плюсы и минусы, поэтому лучше всего использовать при прогнозировании сразу несколько моделей, что позволит получить более точный и стабильный прогноз на будущее.

Пример . Вернемся к проблеме прогнозирования продаж женской одежды, которая обсуждалась выше. Производитель выделил в году пять сезонов продаж. Нет никакой гарантии, что для каждого сезона наилучшей будет одна и та же методика прогнозирования. Фактически, для прогнозирования использовалось четыре разных модели. Во-первых, использовалась модель множественной регрессии (R), которая учитывала факторы: 1) количество потребительских заявок; 2) изменения задолженности покупателей. Во-вторых, два варианта модели экспоненциального сглаживания (ES1, ES2). И в-третьих, собственный прогноз компании, который основывается на мнениях и оценках персонала (MJ). Средняя ошибка прогнозирования, полученная по каждому методу в разрезе по сезонам, показана на следующем рисунке:

/* в среднем за три сезона; /** в среднем за два сезона.

Объединить полученные прогнозы в один можно методом взвешенных коэффициентов, которые зависят от средней ошибки прогнозирования каждого метода. В этом случае не придется отказываться ни от одного из методов и впадать в зависимость от какой-то одной методики, которая кажется наиболее достоверной.

Для иллюстрации метода взвешенных коэффициентов, рассмотрим осенний период продаж. Средняя ошибка прогнозирования по методам, а также порядок расчета взвешенных коэффициентов представлены в следующей таблице (см. ниже).

Наконец, получив весовые коэффициенты, с их помощью можно рассчитать итоговый прогноз продаж, который составляет $20 210 тыс. Расчет показан во второй таблице (см. ниже).

Таблица 1

	Ошибка прогнозирования	Доля ошибки прогнозирования	Инверсия	Весовые коэффициенты

Таблица 2

Модель прогнозирования	Прогноз продаж	Весовые коэффициенты	Взвешенная пропорция
Мнения персонала фирмы (MJ)
Регрессионная модель (R)
Экспоненциальное сглаживание (ES1)
Экспоненциальное сглаживание (ES2)
Сумма

Для подбора нелинейных трендов следует обратиться к специальной литературе по статистике. Можно также воспользоваться функцией «Подбор параметра» или «Поиск решения», которая поддерживается в программе Microsoft Excel (см. справку).

Вы сможете спрогнозировать продажи, не прибегая к сложным формулам, рассчитать коридор спроса, определив верхнюю и нижнюю границы будущих продаж, использовать универсальный метод прогноза продаж для любого периода.

Вместо громоздких формул для прогноза спроса на продукцию мы используем один график в Excel, который строим исходя из данных о продажах компании. Алгоритм вывели самостоятельно, опираясь на советы знакомых бизнесменов и материалы из интернета. С помощью графика прогнозируем продажи на месяц, несколько месяцев или год. Чтобы повторить опыт, вам потребуется версия Excel 2003–2016 года. Кроме того, в конце статьи вы найдете альтернативный способ, который позволит построить прогноз за несколько минут. Однако он подходит исключительно для версии Excel 2016 года.

Ша г 1. Чтобы прогнозировать спрос на товары, собираем данные о продажах компании

Чтобы приступить к анализу, вам понадобятся данные о продажах компании за весь период ее существования. Чем больше информации, тем точнее прогноз. У нас, к примеру, есть сведения о продажах с января 2013 года по август 2015-го. Заносим их в таблицу (рисунок 1).

Лучшая статья месяца

Мы подготовили статью, которая:

✩покажет, как программы слежения помогают защитить компанию от краж;

✩подскажет, чем на самом деле занимаются менеджеры в рабочее время;

✩объяснит, как организовать слежку за сотрудниками, чтобы не нарушить закон.

С помощью предложенных инструментов, Вы сможете контролировать менеджеров без снижения мотивации.

Шаг 2. Делаем прогноз спроса на продукцию на заданный период

Чтобы спрогнозировать продажи, к примеру, на месяц или на будущий год, используем функцию «ПРЕДСКАЗ» в Excel. Функция основана на линейной регрессии и предназначена для прогнозирования продаж, потребления товара и пр.

В ячейку C34 записываем функцию:

ПРЕДСКАЗ(x; известные_значения_у; известные_значения_х),

х - дата, значение для которой необходимо предсказать (ячейка A34);

Шаг 3. Делаем расчет коэффициента сезонности для прогноза спроса

Чтобы учесть сезонные спады и рост продаж, с помощью стандартных функций вычисляем коэффициент сезонности. Для этого суммы продаж за первый и второй год делим на общую сумму продаж за два года и умножаем на 12. С помощью клавиши F4 устанавливаем абсолютные ссылки, чтобы расчет шел исключительно из нужного нам диапазона (рисунок 1).

=(($B$2:$B$13+$B$14:$B$25)/СУММ($B$2:$B$25))*12

Далее копируем формулу и вставляем в ячейки F2:F13 как формулу массива. Завершаем ввод сочетанием клавиш: Ctrl+Shift+Enter. Если этого не сделать, функция вернет значение ошибки #ЗНАЧ! В результате для января получим коэффициент 0,974834224106574, для февраля - 0,989928632237843 и т. д. Для наглядности можно назначить ячейкам процентный формат. Правой кнопки мыши выбираем «Формат ячеек», затем вкладку «Число» и далее вкладку «Процентный, два знака после запятой».

• Сезонные спады в бизнесе: 3 способа вытянуть продажи

Шаг 4. Корректируем прогноз спроса на продукцию, учитывая сезонность

Добавим рассчитанные коэффициенты в имеющуюся функцию «ПРЕДСКАЗ» (ячейки C34:C45):

Чтобы скорректировать продажи, учитывая коэффициент, используем функцию «ИНДЕКС» (рисунок 2).

Первым аргументом в функции указываем ссылку на 12 ячеек с коэффициентами сезонности ($F$2:$F$13), вторым - номер месяца, чтобы вернуть коэффициент для нужного месяца (для этого используем функцию «месяц», которая возвращает только номер месяца из указанной даты). Для сентября 2015 года формула индекса выглядит так:

ИНДЕКС($F$3:$F$14;МЕСЯЦ(A35))

Чтобы скорректировать прогноз, нужно значение «ИНДЕКС» умножить на значение «ПРЕДСКАЗ», которое рассчитывали в шаге 2. Вот что мы получим:

ПРЕДСКАЗ(A34; $B$2:$B$33; $A$2:$A$33)*ИНДЕКС ({97,48%:98,99%:90,38%:94,66%:100,86%:99,02%:100,66%:110,39%:100,47%:104,82%:105,13%:97,14%}; 9)

Распространяем функцию на дальнейшие периоды и получаем скорректированный прогноз с учетом сезонности в ячейках C34:С45 (рисунок 1).

Шаг 5. Рассчитываем отклонение и строим два сценария

Реальные продажи редко в точности соответствуют прогнозам. Поэтому компании дополнительно строят допустимые верхние и нижние границы - прогноз продаж по оптимистичному и пессимистичному сценариям. Это помогает отследить тенденцию и понять, выходят ли реальные показатели продаж за спрогнозированные значения. При большом отклонении можно в срочном порядке принять необходимые меры.

Верхние и нижние границы коридора спроса строим по формуле (ячейка G2 на рисунке 1):

ДОВЕРИТ(0,05 (АЛФА); СТАНДОТКЛОН(C34:C45); СЧЕТ(C34:C45)),

«ДОВЕРИТ» возвращает доверительный интервал, используя нормальное распределение. Функция учитывает колебания продаж компании, включая сезонные.

«АЛФА» - уровень значимости для вычисления доверительного уровня. Показатель 0,05 означает, что мы получим прогноз с точностью 95%.

«СТАНДОТКЛОН» - стандартное отклонение генеральной совокупности. Показывает, насколько прогнозируемые продажи отличаются от реальных.

«СЧЕТ» подсчитывает количество месяцев, по которым мы прогнозируем продажи.

Чтобы получить оптимистичный и пессимистичный сценарии, в ячейки D34 и D35 записываем формулы (рисунок 1).

Оптимистичный: =$C34+$G$2 (прибавляем к сумме прогноза сумму рассчитанного доверительного интервала)

Пессимистичный: =$C34–$G$2 (вычитаем из суммы прогноза сумму доверительного интервала)

Чтобы по полученным данным построить график, в ячейки C33, D33 и E33 копируем значения из ячейки B33. Далее выделяем все данные (A1:E45), переходим на вкладку «Вставка», находим вкладку «Диаграммы» и затем вкладку «График». В итоге получаем график с коридором спроса (рисунок 3).

Вывод. Построив коридор спроса, внимательно следим за продажами в новом году. В 99 % случаев они развиваются в рамках коридора. Если нет - анализируем продажи еще раз и строим новый график.

• Как регулярное изучение спроса повышает динамику продаж на 648%

Мнение эксперта

Метод эффективен для прогнозирования продаж малого количества SKU

Максим Люлин,

генеральный директор «Актион-пресс»

Я бы советовал использовать метод для прогноза в отношении одного артикула - тогда он будет максимально точным. В целом метод понравился мне своей простотой и тем, что позволяет избежать ошибок. Его также можно применять для прогноза продаж группы товаров, схожих по характеристикам и близких по цене.

К недостаткам метода отнесу сложность учета изменения цен, влияния аукционной деятельности. Кроме того, при оценке продаж в рублях вы не можете объективно оценить долю продаж компании в отраслевой нише, поэтому рискуете потерять долю рынка. Ваши конкуренты могут этим воспользоваться и предложить товар по более низкой цене.

Мнение эксперта

Метод идеален для анализа продаж по зафиксированным показателям

Кирилл Чихачев,

генеральный директор «МЦФЭР-пресс»

До прочтения статьи я был знаком с методом в теории. Теперь, попробовав его на практике, могу сказать, что он мне понравился. Метод идеален для анализа продаж по зафиксированным показателям: количество продуктов, сбытовая мощность и пр. Его также стоит применять для малого числа продуктов: рост и падение спроса на каждый из них зависит от разных причин. Прогноз предельно понятен, логичен и точен. Однако для еще большей точности я бы учел следующие моменты.

Максимальное и минимальное значения продаж проще рассчитывать исходя из двух точек в начале и конце периодов, а не искать точки, через которые должна проходить прямая.

При прогнозировании продаж на месяц разницу верхнего и нижнего значений для оптимистичного и пессимистичного сценариев логичнее делить не на 12, а на количество месяцев внутри отрезка. Так вы более точно рассчитаете ежемесячный прирост продаж.