Как составить прогноз спроса

Всем привет! Представьте себе ситуацию: ваша уютная маленькая команда Data Science занимается прогнозированием спроса для пары десятков дарксторов с помощью какого-нибудь коробочного Prophet. И в один прекрасный день к ней приходит бизнес. Бизнес садится, закидывает ногу на ногу, закуривает сигару и говорит:

«Мы хотим максимально автоматизировать закупки. Нам нужно, чтобы вы умели строить прогноз по всем товарам, старым и новым, для всех дарксторов, старых и новых. А их будет много, их будут сотни, тысячи, миллионы. А ещё у нас будет миллион видов скидок и разные типы ценообразования, и ещё куча промо-механик и конкурсов интересных. Мы хотим, чтобы прогноз обязательно адекватно на всё это реагировал». (с) Типичный Бизнес

Хорошо, думаем мы, кажется, что это звучит нетрудно… 

С этой задачи и начинается наша история о прогнозе спроса в Самокат. Меня зовут Мария Суртаева, я Data Scientist и расскажу о концепции прогноза спроса, его практических задачах и роли градиентного бустинга.

---

Для начала сделаю краткое отступление, почему мы вообще заговорили об этом. Самокат растёт и развивается, дарксторов и поставщиков появляется всё больше, растёт ассортимент. В таких условиях необходимость в оптимизации закупок становится постоянной. Напрашивающийся способ оптимизировать их работу – это автоматический заказ и прогнозирование спроса.

Когда бизнес пришёл к нам с задачей «максимальной автоматизации закупок», мы первым делом прикинули, сколько прогнозов нужно будет строить.

Если принять за прогнозную точку единицу спроса на товар, на одном дарксторе за один день, то нам нужно было строить прогноз по 2 миллионам точек с горизонтом прогнозирования шесть недель. Это более 87 миллионов прогнозов ежедневно. Понятно, что для того, чтобы справляться с этими объёмами, нужно было либо растить команду закупок теми же темпами, какими растёт сеть Самоката, либо выстраивать автоматизированный процесс. 

Перед тем, как мы перейдём к нашим трудностям и как мы их решали, у меня есть для вас небольшая задачка. Все персонажи вымышлены, совпадения случайны, поэтому это определённо не подсолнечное масло из заголовка.

Представим, что у нас есть временной ряд некоторого подсолнечного масла: он характеризует динамику продаж на одном дарксторе, и у него есть недельные средние значения. Вы – закупщик, и вам нужно предположить, сколько нужно закупить этого масла на следующие две недели, опираясь на историю продаж.

Ответ

Ниже речь пойдёт о временных рядах, так что на всякий случай вспомним основы. 

Задача прогнозирования временных рядов 

В зависимости от конкретной предметной области задача формулируется по-разному, но, как правило, звучит она так.

У вас есть последовательные точки процесса в определённые моменты времени t, вам нужно предсказать, где эти точки будут в последующие моменты времени, по возможности извлекая информацию из временной зависимости от t. 

Базовые подходы к извлечению этой информации, как правило, строятся на разных скользящих статистиках и сглаживаниях (например, модель Хольта-Винтерса). Туда же можно отнести выявление авторегрессионных и сезонных компонент – семейство алгоритмов ARIMA, SARIMA, SARIMAX и другие. 

Но мы хотим учитывать очень много разных факторов. Это достаточно однозначное пожелание бизнеса, мы не можем от него просто отмахнуться.

Можно посмотреть на Prophet, но как быть тогда с прогнозированием новых товаров и временных рядов без истории? Да и Prophet – не рекордсмен по скорости прогноза, простые тесты показались нам вечностью… У него есть прокачанный собрат, NeuralProphet, но и тут промах: нам нужно сохранять интерпретируемость для закупщиков и бизнеса.

Есть ещё семейство подходов MCMC, которые с некоторыми оговорками позволяют нам строить прогноз даже без исторических данных. Но будем честны, это очень тяжело поддерживать и масштабировать. 

Через такие размышления мы пришли к методам классического машинного обучения, а именно: моделям градиентного бустинга. Они позволяют нам получать неплохой прогноз по большой сети, легко масштабироваться и учитывать много-много факторов. Вроде бы всё круто. На первый взгляд.

Бустинг: хороший, плохой, наш

Естественно, бустинг не может быть идеален, и у него есть ряд известных ограничений математической модели. 

• Мы не можем сразу получить хороший прогноз на коротком временном ряду или на отсутствующей истории (пока ещё нет). 

• Слабые экстраполирующие способности бустинга – это тоже проблема, потому что мы уже заранее знаем, что сеть и обороты будут расти и мы можем просто не успевать за растущим трендом. 

• Прерывистый временной ряд — это всегда проблемно для прогнозирования.

Всё это больно, но вот что смертельно. На самом деле бизнесу не нужен хороший прогноз по всей сети, бизнесу важен отличный прогноз по 5-10% самым маржинальным и самым важным для клиента товарам. От этой постановки меняется всё. 

Это значит, что бизнесу не очень интересно, как классно мы опустили MAPE, или WAPE, или sMAPE или что угодно ещё  по целой сети в Подмосковье. Бизнесу важно болеть за главного героя – за самый любимый продукт, за самый маржинальный и оборотистый товар. Потому что если его доступность или выручка упадёт на одном или двух дарксторов в Санкт-Петербурге, для бизнеса это будет критичнее, чем если мы просто не закупим целые категории в Наро-Фоминске (простите, ребята из Наро-Фоминска). Жестоко, но правдиво: товары не равнозначны с точки зрения ошибки модели. 

Поэтому очень важно перестать смотреть на абстрактные цифры, которые позволяют нам сравнивать модели между собой, а начать задавать правильные вопросы к бизнес-процессам. Именно это позволит нам правильно найти золотую середину между перепрогнозом и недопрогнозом. Это позволит нам понять, какие цены ошибок нам нужно назначать, в каком направлении, для каких товаров. Возможно, понимание ответов приведёт нас к выводу о том, что нам нужна совсем другая базовая модель. Но мы этому выводу пока сопротивляемся, поэтому сейчас я буду рассказывать про четырёх злейших врагов прогноза спроса, если у вас в продакшене живёт градиентный бустинг.

Четыре всадника прогноза спроса

Новые товары

Первое очевидное препятствие на пути автоматизации – это прогнозирование того, о чём вы ещё ничего не знаете. Я начну с новых товаров, потому что это кейс, который в случае градиентного бустинга довольно просто нивелируется количеством и многообразием факторов в датасете. Важно добавить максимальное число факторов, которые не зависят от продаж товаров. Это категориальные признаки группы товаров: категории, подкатегории и их характеристики.

Также важно включать информацию о динамике продаж в категориях. Мы здесь исходим из предположения, что товары объединены в категории по некоторым общим свойствам, которые также могут отражать спрос на них. Поэтому если мы предполагаем, что доминант в этих категориях нет, то спрос на новый товар будет стремиться к некоторому обобщённому спросу на усреднённый товар в категории. В целом это даёт уже неплохое приближение в случае, если мы ещё не видели вообще никаких продаж. 

Если ваш новый товар стартует с промо, это тоже обязательно нужно учесть в факторах, а также добавить информацию о ценовой категории, о средней цене в категориях и подкатегориях и о соотношениях между ними. 

Всё это очень подробный способ сказать вашей обобщающей модели о том, что если у вас есть какой-то новый товар в категории “Йогурты”, который выглядит как йогурт и который стоит как йогурт, скорее всего, его можно прогнозировать как некоторый усреднённый уже известный йогурт, который вы уже умеете прогнозировать. 

Но что делать, если новых товаров много или вообще всё? Как быть, если даркстор только открывается, и вы ещё не знаете, как там вообще всё будет продаваться? На самом деле, здесь мы тоже используем подход с метаинформацией, с характеристиками даркстора, которые не зависят от продаж. В частности, мы можем использовать информацию о том, что это вообще за даркстор, как далеко он находится от центра, какая у него плотность населения, какая у него зона покрытия и так далее. 

Эти характеристики позволяют вам построить многомерное пространство признаков дарксторов и натравить хотя бы наивный метод K ближайших соседей. Таким образом, вы можете найти K наиболее похожих дарксторов, и предположить, что спрос на них будет в целом походить на ваш новый даркстор. Тогда в качестве прогноза можно использовать статистики продаж за последний период на реальных самых похожих дарксторах. Иными словами, если вы не знаете, как будут продаваться все товары в новом спальнике в Казани, посмотрите на три других спальника в Казани. Это работает.

Ещё здесь нужно упомянуть о том, что если ассортимент товаров от даркстора к даркстору сильно варьируется, у вас, оказывается, много товаров, по которым у вас нет статистик, в том числе на наиболее похожих дарксторах. В этом случае можно использовать уже упомянутый мной подход с усреднением статистик в динамике категорий. 

Ещё нюанс. На самом деле не каждое открытие – такое уж открытие. Очень часто бывает так, что новый даркстор открывается с переездом и отнимает часть зоны от уже существовавшего даркстора. Эта зона может занимать разный процент от территории к территории: от 1% до 99%. В этом случае это чисто дело техники хранения данных. Если вы заранее можете перенести часть заказов из общей зоны к обоим дарксторам, то есть создать дубликаты заказов для ещё не открывшегося дакрстора, то у вас уже имеется история продаж для этого переезда ещё до начала прогнозирования. 

Таким образом, мы можем совместить прогноз, построенный на реальных данных с “общей” территории дарксторов, с усреднённым прогнозом от наиболее похожих соседей пропорционально долям этих территорий в зоне открывающегося даркстора. Этот “правдивый вклад” позволит дополнительно улучшить прогноз.

Заниженная доступность / уценка

Следующее препятствие – это злополучный баланс между перепрогнозированием и недопрогнозированием. Есть ловушка, в которую можно попасть, если смотреть только на сырые данные продаж. Предположим, что вы заказали мало товаров для даркстора, недопрогнозировали, и товар быстро закончился. Его, конечно, купили, но купили не так много, как могли бы. Модель увидела низкие продажи, построила на этом заниженные статистики и снова даёт низкий прогноз.

Возмутительно, но так. Это называется «ловушка заниженной доступности», и любой закупщик знает, как с этим бороться. Мы применяем к нашему таргету преобразование под волшебным названием «восстановление спроса с учётом доступности». 

Доступность – это очень важный фактор, который присутствует в любом ритейле; он отражает реальную причину того, почему продажи товара низкие. Либо на товар существует в действительности низкий спрос, и товар просто никто не хочет; либо в дарксторе присутствует постоянный недостаток товара на полках. Это супер-нежелательная ситуация для бизнеса – ведь вы не максимизируете выручку, и необходимо искусственно увеличить эти продажи. 

На картинке показываю, как преобразуется линия фактических продаж с учётом доступности. Понятно, что если вы хотите максимизировать выручку с даркстора, вам нужно стремиться к жёлтой линии, а не к розовой. 

Преобразование нужно проводить аккуратно. Функция должна быть подобрана достаточно нежно, потому что вы не можете просто огульно завысить продажи, так как они получатся слишком большими – такими, как никогда не могли бы быть в реальности. 

Поэтому не заигрываемся с преобразованием таргета и всегда добавляем информацию о том, насколько таргет изменён, насколько он достоверен в вашем датасете. Чтобы модель могла взвешивать, в какой мере это истинный ответ, а в какой мере – наши домыслы и целевые показатели бизнеса. 

Есть также противоположная ловушка, с перепрогнозами. В Самокате есть система автоуценки: если вы заказали слишком много, и срок годности товаров скоро истекает, то назначаются большие скидки автоматически. Это то, что вы можете видеть в блоке “Распродажа” в нашем приложении – всегда с большими скидками на товар. 

Люди любят большие скидки, люди покупают много товара. Но этот процесс не является нормальным, и товар продаётся в убыток бизнесу. Модель видит при этом большие продажи, строит завышенные статистики, и такая: «Классно, давайте я буду прогнозировать ещё больше, почему бы нет?» 

Выход из этой ловушки получается чуть более техническим. Скорее всего у вас достаточно накопленных данных, чтобы не продумывать преобразование таргета в этом случае, просто исключайте его. В системе хранения данных обязательно должен быть однозначный источник скидки, который отражает, насколько эта продажа соответствует запланированному процессу. Важно показывать модели те данные и такое поведение, к которым вы стремитесь, то есть доступность порядка 90-100% и исключительно запланированные промоакции, никакой самодеятельности. 

Плохая экстраполяция и нечувствительность к трендам

Другой частый камень в огород градиентного бустинга – это слабые экстраполирующие свойства. На самом деле бо́льшая часть моделей машинного обучения построена таким образом, чтобы обобщать и интерполировать, а не экстраполировать; с экстраполяцией у них довольно плохо. В частности, если мы рассматриваем деревья решений, то кусочно-линейное приближение с постоянным ответом в областях разбиения нам закономерно не помогает приближаться к ответу вне примеров обучающей выборки. В случае с прогнозом спроса, когда у вас таргет неотрицательный, это ещё значит, что ваша модель будет склонна недопрогнозировать. 

На практике существует три способа этого избежать. 

Первый способ – это бизнес-решение и замечание к логистике. У вас всегда должны быть страховые запасы. Они позволяют вам не сильно обращать внимание на ошибку с товарами с низким оборотом – всегда есть какой-то минимальный запас, который хранится на дарксторе. Но при этом в случае со скоропортящимися товарами и высокооборотистыми товарами страховые запасы довольно сильно влияют на доступность и на другие бизнес-показатели. Поэтому вам нужно как можно глубже интегрировать эти данные в прогноз скоропорта.

Второй способ – несимметричные лоссы. Если вы будете штрафовать модель за недопрогноз больше (потому что бизнесу, как правило, недопрогнозы обходятся дороже, чем перепрогнозы), то модель будет больше обращать внимания на недопрогнозы – результаты улучшатся, бизнес удовлетворится.

Третий способ, на мой взгляд, самый эффективный – это дополнительный модуль управления уже готовым прогнозом. О нём поговорим подробнее.  

Мы построили модуль статистических корректировок, чтобы напрямую влиять на экстраполирующие свойства градиентного бустинга и подталкивать нашу модель. Статистический блок смотрит на последние сформированные прогнозы, на исторические продажи за последний период и строит распределение ошибок.

Если мы видим, что ошибки сохраняют знак на протяжении длительного времени, если они увеличиваются в абсолюте, то мы добавляем смещение. Смещение, естественно, вычислено в зависимости от направления ошибки и в зависимости от её величины. Бонусом у нас идёт детектор тренда. Это могут быть разные математические инструменты его обнаружения, но в нашем случае довольно неплохо справляются базовые линейные подходы. Если мы видим тренд, мы также можем добавить смещение. В итоге у нас получается более корректный прогноз и ускоренная реакция модели на изменение поведения временного ряда. Примеры таких прогнозов приведены ниже.

И что мы в итоге имеем? У нас есть бустинг, который учится на хорошем таргете – преобразованном или исключённом. У нас есть дополнительный модуль, добавляющий смещение к нашему прогнозу, чтобы модель реагировала оперативнее и лучше экстраполировала. У нас также есть дополнительный блок с kNN, позволяющий получать прогнозы на новых дарксторах. 

В целом, эта система уже даёт хороший прогноз по большей части сети. Поэтому сейчас самое время встретиться с нашим главным злодеем – с препятствиями, которые  не позволяют нам отлично предсказывать вообще всё. 

Выбросы и шумы

Это те пики продаж при невероятном маркетинге из примера в начале статьи, любые ошибки и внешние обстоятельства. Всё то, что отличает модели машинного обучения от ясновидящих, кроме того, что машинное обучение не берёт денег за прогноз. 

Помимо зашумлённых рядов есть суперволатильные временные ряды, где подневные продажи варьируются от 2 до 35 штук, что тоже довольно неприятно. 

У нас есть мистические исчезновения товара из продаж на нехарактерный период. Причиной может служить почти что угодно: внезапный вывод товара из ассортимента, разрыв отношений с поставщиком, массовое разочарование в чипсиках и так далее, нужное подчеркнуть.

Я не знаю, есть ли серебряные пули от всех этих корнер-кейсов. Скорее всего, решение каждой этой проблемы потребует от вас построения системы, по сложности и громоздкости сравнимой со всей остальной архитектурой прогноза. Но вот к каким мыслям это приводит:

• Здорово, если у вас есть детектор аномалий, и вы можете скрывать вот эти ужасы от модели. В этом случае временная дестабилизация временного ряда не попортит все последующие прогнозы. 

• Хорошо, если в модель зашиты разные виды сглаживания – либо исторических продаж, либо прогнозов, какие угодно. Вы делаете ставку на сходимость сумм продаж и прогнозов в среднем и можете прогнозировать волатильные ряды с помощью агрегаций. 

• Прекрасно, если у вас есть механизм исключения подозрительных пробелов из данных. В нашем случае работает исключение данных с нулевой доступностью для построения статистик. 

• Превосходно, если у вас есть механизм учёта сезонности товара, и резкое повышение спроса или снижение спроса не будет для вас сюрпризом. 

К этому моменту мы уже перечислили то, что нам пришлось провернуть для того, чтобы градиентный бустинг более или менее хорошо работал у нас в проде. Самое время подсчитать количество соломы, которое оказалось раскиданным в результате того, что в самом начале мы (возможно) немножечко неправильно приоритизировали пожелания бизнеса. 

Как жить дальше

Нам хотелось, чтобы всё было так: у нас есть данные, мы отдаём данные в модель, модель выдаёт нам прекрасный прогноз всегда и везде. Супер!

Но на практике мы быстро поняли, что нам нужно очень много данных, очень разных, из разных источников, а ещё логика преобразования таргета.

Затем у нас добавился модуль с кластерным анализом и с kNN, чтобы получать прогноз по новым товарам и для новых дарксторов. 

Далее мы решили, что наш прогноз всё ещё недостаточно идеален, и добавили модуль статистических корректировок, чтобы подталкивать его в нужном направлении изменения спроса. 

Потом у нас появился ещё детектор тренда, потому что а почему нет – чтобы корректировать прогноз ещё лучше. 

И даже это тоже не всё: есть ещё много модулей, описание которых уже никак не укладывается в рамки данной статьи.

И вот мы здесь. Сидим, смотрим на разрастающуюся схему архитектуры прогноза и доработок с чётким осознанием того, что проект призван решать гораздо больше задач, чем просто прогнозирование числа проданных товаров на дарксторах. Этот факт может остаться незамеченным при стандартной методике подсчёта ошибок прогноза, но достаточно сильно при этом влияет на бизнес-показатели и сказывается на бизнесе. 

От наивного прогноза спроса к интеллектуальной системе прогнозирования за четыре шага

Итак, что мы вынесли из этой истории? Очень важно изначально понимать суть бизнес-задачи. Это позволит от исходной наивной схемы, где есть только данные, модель и прогноз с простым установка «прогнозируем все товары на всех дарксторах», прийти к более детальной задаче о построении полноценной интеллектуальной системы. 

Чтобы эта система максимизировала выручку, нужно пройти четыре этапа:

1. Хорошо отфильтровать данные. Фильтрация и препроцессинг – это то, с чем нельзя переборщить. 

2. Построить упрощённые подходы для новинок. Простой подход в условиях отсутствия данных – скорее всего, лучший подход. 

3. Восстановить спрос, преобразовав таргет там, где это необходимо. 

4. Помочь деревьям экстраполировать и улавливать тренды. Нам нужно подталкивать нашу модель там, где она недотягивает. 

Только таким образом мы и можем растить бизнес-метрики – а значит, прогнозировать спрос, не теряя головы. 

P.S.: Костыли вокруг бустинга – увлекательное дело, но не единственное, чем мы занимаемся в команде Data Science. 

Ещё мы моделируем промо-механики и эластичность по различным факторам, изучаем эффекты перетекания спроса и каннибализации. Исследуем, как наша система прогноза спроса взаимодействует с другими продуктами из Data Science: с персонализацией, рекомендациями, минимальными чеками и всем-всем-всем. 

Напишите в комментах, если вам хотелось бы почитать о каких-нибудь из этих тем?

Обзор классических методов прогнозирования спроса. Их достоинства и недостатки

Вы подготовили данные для расчётов, «очистили» их от дефицита, акций, сезонности и прочих факторов. Об этом мы говорили в статье “Как подготовить историю продаж, чтобы получить корректный прогноз спроса”. Как теперь спрогнозировать спрос, чтобы понять, какое количество товаров нужно заказать на будущее? 

Сегодня разберёмся, какие существуют подходы и методы прогнозирования потребительского спроса и как с ними работать.

Методы прогнозирования спроса: их эволюция

Итак, какие методы прогнозирования спроса существуют? На графике ниже видно, как они развивались.
Мы видим, когда и какие методы прогнозирования спроса считались рабочими. Так «расцвет» классических методов пришёлся приблизительно на 2008-2009 гг., затем активнее стали использовать квантильное прогнозирование и постепенно перешли к методам вероятного прогнозирования. Конечно, временные рамки здесь условные, ведь несмотря на то, что уже появились более современные методы, классическое прогнозирование до сих пор используется.

Подробно о том, как развивались алгоритмы прогнозирования спроса смотрите в ролике на нашем youtube-канале.

Экспертные модели прогнозирования спроса

Прежде чем перейти к разбору каждого метода в отдельности, поговорим о так называемых экспертных способах прогнозирования спроса. Они до сих пор часто используются на практике. В чём их суть: некий эксперт, который хорошо знает ассортимент, выставляет пороговые значения спроса по отдельным позициям.

Классический экспертный метод – способ минимакса, где для каждой позиции устанавливается максимальное и минимальное значение запаса. Если он опускается до какого-то минимума, формируется точка запаса, и мы заказываем товара столько, чтобы хватало до максимума. 

Недостаток этого метода в том, что мы не можем корректно выставлять и пересчитывать минимаксы по десяткам тысяч товарных позиций. Кроме того, спрос по товарам постоянно меняется. Возможно, такие методы прогнозирования потребительского спроса могут подойти для каких-то небольших объёмов. При широком ассортименте, множестве торговых точек и динамично меняющемся спросе применять такой метод прогнозирования нецелесообразно. Это может привести как к сверхзапасам, так и к дефицитам.

Общий принцип методов классического прогнозирования

На основании какого-то спроса в прошлом периоде мы можем спрогнозировать, какой спрос или какие продажи у нас будут в будущем. Общая особенность методов классического пронозирования в том, что прогноз спроса на день, на неделю, на месяц (исходя из нашего периода расчёта) будет равен какому-то одному числу.

Внутри классического прогнозирования могут использоваться разные модели прогнозирования спроса от простых до сложных. Например:

• по средним продажам (SMA и т.д.)
• экспоненциальное сглаживание (простое и двойное) – ES
• авторегрессия (1 и 2 порядка) – AR
• Arima (AR+MA)
• Метод Хольт-Винтерса
• Нейронные сети и генетические алгоритмы (NN+GA)

Набор методов разный, но главная их особенность в том, что на выходе получается одно число.

Рассмотрим основные методы.

Расчёт по среднему (SMA), или простая скользящая средняя

Это один из самых простых и распространённых методов прогнозирования спроса, которым до сих пор пользуются многие компании. 
Формула простого скользящего среднего(SMA) выглядит так:

Прогноз(t+1) = (1/(T+1)) *[Продажи(t)+ Продажи(t-1)+…+ Продажи(t-T)]

Для того чтобы просчитать спрос по этому методу, необходимо:

• Выбрать ширину окна Т, где Т указывает, за какой период мы будем усреднять продажи. Если мы управляем дневным спросом, то за 2-3 последних дня, 7 последних дней и т.д. Если считаем спрос по месяцам, то за последние 2,3, 4, 5 месяцев.
• Для прогноза на следующий период будем брать среднее за выбранную ширину. Допустим, мы строим прогноз на 10-й день. Ширина окна 5 штук и значит мы берём среднее за последние 5 дней. Получили продажи за новый день и опять берём среднее за последние 5 дней. Таким образом мы прогнозируем данные и наш спрос на будущий период. 
• Продажи мы можем брать как подряд, которые шли в предыдущем периоде, так продажи за тот же период в этом же месяцев в этом же году и т.д. Здесь можно гибко подходить к периоду расчёта данных, который мы берём для получения среднего.

Посмотрим, как работает такое прогнозирование на примере в Excel.

У нас есть ряд продаж и дальше мы хотим построить прогноз. Продажи агрегированы по месяцам, и, допустим, мы хотим сделать прогнозы на помесячные периоды. Для этого выбираем ширину окна – считаем среднее за последние 2,3, 4, 10 месяцев. Если выбираем ширину окна 2, а продажи в ноябре и декабре были 15 и 40 соответственно, то в январе в среднем прогнозируем 27,5, в феврале – 40. 

Чем шире окно, тем ближе будут показатели к расчёту по средним за весь период. На графике это видно: синим цветом обозначены реальные продажи, остальные графики – это продажи с разной шириной окна. 

Такой метод может подходить для хорошо продающихся товаров, которые гладко стабильно продаются с небольшими колебаниями. За всю нашу практику он подошёл только одной компании. В остальных наших кейсах методы расчёта продаж по среднему даёт достаточно большие погрешности и неэффективны с точки зрения управления товарными запасами. Они приводят к дефициту или излишним запасам.

Посмотреть сравнение Forecast NOW! и модели Простой скользящей средней (SMA, Simple Moving Average) 

На смену этому методу пришли различные расчёты по средневзвешенному среднему. Рассмотрим их особенности.

Метод по Шрайбфедеру, или метод средней взвешенной

Если в прошлом методе мы считали спрос по средним продажам, то в этом появляются различные веса разных месяцев. Что мы делаем?

• Рассчитываем продажи на один рабочий день прошедших месяцев. Если были какие-то выходные, важно знать количество рабочих дней, чтобы посчитать средние продажи за эти дни. Например, в феврале 28 дней, а в январе из 30 вы работали 25. 
• Выбираем систему весов для прошедших месяцев. Какие-то данные будут более важными для построения расчётов, какие-то наоборот.
• Рассчитываем прогнозное потребление за 1 рабочий день будущего месяца исходя из прошлых продаж и весов.
• Рассчитываем прогнозное потребление за месяц исходя из числа рабочих дней.

Разберём на примере:

В первом столбце исходные данные по месяцам, и мы хотим построить на их основе прогноз на декабрь. Продажи в ноябре – 560 штук. Рабочих дней 28. Считаем потребление за один рабочий день – 20 штук. 

После того как мы получили месячное потребление для каждого месяца, используем систему весов. Шрайбфедер предлагает разные варианты системы весов. В данном случае мы взяли модель, в которой говорится, что недавние продажи более сильно влияют на наше построение прогноза.

Вес для ноября – 3, для октября – 2,5 и т.д. Самый большой вес у прошлого периода, наиболее ближнему к тому, к которому мы проводим расчёт. В данном случае это ноябрь. Дальше каждый месяц умножаем на его вес. 20х3 = 60. После считаем сумму всех месячных потреблений, умноженных на вес – 143. Общая сумма весов – 10.

Прогноз на декабрь = 143/10* 28(число рабочих дней) = 400 штук

В книге «Эффективное управление запасами» Шрайбфедер предлагает множество схем весов, которые могут подходить для разных товаров. Например:

• Простая шестимесячная (или трёхмесячная) средняя. Это расчёт среднего с окном 6. То есть необходимо взять 6 месяцев и посчитать среднее за этот период.
• Для сезонных товаров он выделял либо простую сезонную среднюю, либо сезонную взвешенную среднюю. Если мы строим прогноз на декабрь, то берём данные за последнюю зиму, либо сезонную взвешенную среднюю. В данном случае декабрь значит для нас больше, т.к. мы делаем прогноз на месяц. 
• Коэффициенты взвешенной средней. Это то, что было в нашем примере – 3, 2,5 и на убыль.

То есть здесь есть какой-то предполагаемый набор весов. На нашей практике встречалось, что компания разрабатывает собственный набор весов. Работать так можно, но независимо от того, как ответственно мы походим к расчётам этих весов, данный метод построения прогнозов имеют довольно большие ограничения.

Посмотрим пример расчёта по средневзвешенным продажам в Excel.

У нас есть ряд продаж, известно число рабочих дней в каждом периоде, и мы хотим построить прогнозы. Имеются прогнозы на 5 месяцев с весами от 3 до 1. И на три месяца с весами от 5 до 1. Продажи делятся на число рабочих дней, умножаются на вес этого месяца. Получившийся показатель делим на сумму весов и умножаем на число рабочих дней. Реализовать всё это в Excel достаточно просто. Логика такая: мы выбираем какую-то формулу весов, либо разработанную нами, либо предложенную в теории. И исходя из этой системы весов строим прогнозы. 

Метод экспоненциального сглаживания (ES)

Это ещё одна из самых простых моделей прогнозирования спроса, которая также часто используется на практике. Здесь логика в том, что прогноз спроса зависит от двух факторов:

• продаж в прошлом периоде;
• прогноза спроса, построенного на этот период каким-то методом.

Мы задаём коэффициент сглаживания (α), учитывая два этих фактора. Чем больше коэффициент α, тем сильнее влияние последних продаж на прогноз (от 0 до 10).

Прогноз (t+1) = (1 – α)* Прогноз(t) + α * Продажи(t)

Проводим расчёт на нескольких α и выбираем оптимальный. Метод рабочий, но нужно понимать, что коэффициент сглаживания не будет учитывать сезонные, трендовые товары и т.д. Поэтому математики разработали метод, который на основе этого позволяет работать с товарами разного характера и сезонностью. Так появился метод Хольта-Винтерса.

Посмотреть сравнение Forecast NOW! с методом экспоненциального сглаживания (ES)

Метод Хольта-Винтерса

Формула сложная. Не будем разбирать её детально, а посмотрим на её логику.

Y^[t+h] = (a[t] + h * b[t]) * s[t – p + 1 + (h – 1) mod p]

h – на какой период в будущем считаем
Y^[t+h] – прогноз на период номер h
p – период сезонности (для недельной 7)

Мы строим прогноз на будущий период, и он зависит от множества факторов. Что внутри этой формулы на самом деле «зашито»? Мы выделяем три основных фактора – сглаживание, тренд и сезонность. Для каждого этого фактора мы берём свои коэффициенты от 1 до 10.

a[t] = [α * (Y[t]/s[t−p])] + (1-α) * (a[t-1] + b[t-1]) – сглаживание
b[t] = β * (a[t] – a[t-1]) + (1-β) * b[t-1] – тренд
s[t] = γ * (Y[t]/a[t]) + (1-γ) * s[t-p] – сезонность
α, β, γ – коэффициенты (от 0 до 1)

Мы посчитали сезонный фактор, трендовый фактор, определили экспоненциальное сглаживание, подобрали коэффициенты и получили прогноз спроса на будущий период. Метод Хольта-Винтерса подходит для сезонных и трендовых товаров, которые постоянно продаются. Посмотрим на его реализацию в Excel.

У нас есть помесячно агрегированные продажи. Первым делом мы посчитали сезонный фактор методом по среднему (деление реальных продаж на средние продажи за период). Получили коэффициенты сезонности. Также посчитали коэффициент тренда и построили прогноз. Главное, что здесь надо понимать, при помощи этого метода мы можем учитывать сезонность, тренд и экспоненциальное сглаживание. Метод хольта винтерса может подходить для стабильно продающихся товаров только с ярко выраженным трендом.

Посмотреть сравнение Forecast NOW! с методом Хольта-Винтерса

Авторегрессия, Arima и другие методы

Позже появились такие модели прогнозирования спроса как авторегрессия и Arima, где для товаров строится модель спроса и подбираются коэффициенты. Для начала нужно выбрать период регрессии: сколько периодов прошлого брать для прогнозов. Следующий шаг – определить коэффициенты регрессии и постоянную величину. 

Прогноз (t+1) = с +εt+ α1 * Продажи (t) +α2 * Продажи (t-1)+ α3 * Продажи(t-2)
• ε t – белый шум
• α – набор коэффициентов,
• с – постоянная константа

Продажи будущего периода мы строим на основании прошлого, подбирая множество наборов коэффициентов.

После того, как методы авторегрессии начали расширять, появились такие методики Arima+MA (авторегрессия + среднее) и SARIMA: AR+MA+сезонная составляющая. Существует довольно большой пул методов, которые позволяют каким-то образом подобрать эту модель для товара. 

Посмотереть соравнение Forecast NOW! c методом авторегресии

Как подобрать коэффициенты?

Самый большой вопрос во всех этих методах: как правильно подобрать коэффициенты? 

Давайте посмотрим на примере для экспоненциального сглаживания, где мы должны подобрать только один коэффициент.

Напомним, чем больше коэффициент α, тем сильнее на нас влияют последние продажи при построении расчётов. Итак, как же происходит подбор коэффициентов? 

У нас есть известная история продаж и построенный прогноз. Дальше история продаж делится на два периода. Обычно это периоды 70% и 30%. Если брать в расчёт 100%, то мы рискуем переучить нашу модель, и она будет слишком повторять предыдущие продажи. Поэтому принято делить на 30% на 70%. Для 70% подбирают набор коэффициентов. А на 30% оставшейся истории продаж тестируют коэффициент.

Какие критерии подбора коэффициентов существуют? У нас в примере самый классический критерий оценки ошибки прогнозирования RMSE, или средняя квадратичная ошибка прогнозирования. То есть чем больше будет ошибка прогнозирования, тем менее точным получится прогноз.

Несмотря на то, что ошибка прогнозирования наиболее распрострененный метод определения точности, мы не рекомендуем его использовать. Об этом мы подробно рассказываем в статье “Почему повышение точности прогноза не гарантирует повышение прибыли. Как привычный показатель вводит компании в заблуждение”.

Мы хотим подобрать коэффициент α. Excel позволяет нам это сделать через функцию «Поиск решения» в меню данных. Нажимаем кнопку «Поиск решения» и подбираем оптимальный коэффициент α.

У нас появляется окно, где написано, что мы хотим оптимизировать целевую функцию (это ячейка С6 ошибка RSME). Мы оптимизируем её до минимума, изменяя значения ячейка B7 – это наша α. Задаём программе параметры, что изменяем, что оптимизируем, какие критерии есть – и находим решение. 

Вот Excel подобрал для нас коэффициент:

Так выглядит подбор коэффициентов. У нас есть какой-то критерий и на прошедшей истории продаж мы можем его измерить. Если мы используем какие-то сложные модели и нужно подбирать много коэффициентов, то понадобится специальный софт. Чем больше коэффициентов, тем сложнее это делать. И, естественно, сложнее управлять всем процессом.

Общие проблемы методов классического прогнозирования

Главный недостаток этих методов в том, что на выходе мы получаем одно число. Насколько точным может быть этот прогноз? Оценивать спрос одним числом, значит заведомо ошибаться. Мы никак не управляем уровнем сервиса, не знаем, сколько нам будет стоить привезти необходимый объём запаса под наш прогноз спроса и т.д. 

Какие ещё могут быть сложности?

• Методы классического прогнозирования пришли из анализа сильно агрегированных данных. Если у вас сто аналитиков и всего три ряда данных, тогда можно подбирать коэффициенты для каждого ряда данных, анализировать их на стабильность, устойчивость и прочие вещи. В реальности в продажах тысячи товарных позиций на десятках складов. Естественно, подобрать корректно критерии и коэффициенты для такого широкого ассортимента нереально. Это невозможно спрогнозировать.
• Методы классического прогнозирования могут подходить только для товаров продуктовой розницы группы АХ, которые стабильны и постоянно продаются. 

Очень часто наши клиенты из компаний, занимающихся розницей, думают, что у них много товаров гладкого спроса. Но по исследованиям гладкие продажи имеют только 6% товаров от всего ассортимента – не больше. (см. научную справку).  Если спуститься на уровень торговой точки, то очень мало позиций у нас будут иметь эти самые гладкие продажи.

Рассмотрим это на примере условных булочек.

8 булочек – 87% уровень сервиса

По графику видно, что будочки каждый день продаются, и их продажи колеблется от 5 до 12 штук. Если посчитать прогноз по среднему, в день продаётся 8 штук. Если мы будем поддерживать такое количество товара на складе, то для относительно гладкой продающейся позиции булочек уровень сервиса будет 87-90. По крайней мере, это какой-то результат, с которым можно работать. 

Но если мы перейдём к редко продающимся позициям, картина будет другой. Рассмотрим на примере бытовой химии, которая на уровне конкретной точки продаётся не всегда и хаотично.

3,29 средства для мытья посуды – 21% уровень сервиса

Если мы построим классический метод прогнозирования, то получим результат 3,29. Согласитесь, что десятые доли здесь выглядят нелепо. Мы не можем хранить на складах 3,29 средства для мытья посуды. Кроме того, если провести линию на графике на уровне 3,29, мы получим уровень сервиса всего 21%. Это говорит о том, что для товаров редкого хаотичного спроса классические методы прогнозирования подходят плохо. 

КОРОТКО О СТАТЬЕ

В статье рассматриваются вопросы прогнозирования, с точки зрения бизнес-процессов предприятия и с точки зрения реализации этих процессов в «1С: ERP Управление предприятием».

В статье затронуты вопросы учета сезонности спроса, прогнозирования новинок продукции, выбора метода прогнозирования, подготовки данных и выявления «статистических выбросов».

В качестве иллюстрации взяты примеры из практики швейного производства спортивной одежды. При этом специфика примеров не влияет на суть самих методов.

Эту статью можно скачать в формате pdf:

Скачать

КОГДА НУЖНО ПРОГНОЗИРОВАНИЕ?

При выпуске продукции «на свободный склад» прогноз спроса часто становится отправной точкой для остальных расчетов. В том числе плана продаж, закупок и производства.

Производство «на склад» предполагает, что нужно заранее (до поступления заказов от клиентов) спрогнозировать спрос, обеспечить производство материалами, произвести все необходимое и положить продукцию на склад. Затем приходит клиент, заказывает продукцию, и если нужная продукция на складе есть, то мы отгружаем ее клиенту. Если нет — не отгружаем.

На основании прогнозных данных принимаются стратегические и тактические решения. При долгосрочном планировании прогноз спроса может помочь ответить, к примеру, на такой вопрос: «Нужно ли наращивать производственные мощности?»

Без прогноза спроса не обойтись и на более низких уровнях планирования (на уровнях с большей детализацией информации, но меньшим горизонтом планирования). Например, при расчете запуска в производство необходимо учесть прогноз: сколько продукции продадут со склада за время осуществления запуска.

Детальность прогнозов на разных уровнях будет отличаться, но в любом случае это будет прогноз. То есть некоторое предугадывание потребительского поведения.

На основе прогноза рассчитывается потребность в продукции и материалах. Прогнозирование в той или иной форме присутствует практически на всех уровнях планирования деятельности предприятия. В итоге от качества прогнозирования спроса во многом будут зависеть качество планирования и успех компании в целом.

КАК ОРГАНИЗОВАТЬ ПРОЦЕСС СОСТАВЛЕНИЯ ПРОГНОЗА?

Спрос условно можно разделить на зависимый и независимый. Независимая часть спроса связана с внутренней логикой продукта, рынка и т. п. Это потребление в равновесном состоянии системы, когда потребители не подвержены влиянию рекламных акций, дефицита продукции у нас или конкурентов и т. п. Зависимый спрос — поправки, связанные с внешним воздействием.

«Зависимый спрос в разные отрезки времени может (должен, вообще-то) быть разным, однако независимый спрос будет вести себя подобным образом как в прошлом, так и в будущем. Это предположение основано на представлении о расходе как процессе с внутренней логикой, опирающейся на четкие понятия потребительской стоимости продукта, размера рынка и доли компании на нем»

SCM. Управление цепочками поставок

При прогнозировании продаж важно учесть как зависимый, так и независимый спрос. При этом математические методы прогнозирования связаны в первую очередь с понятием независимого спроса. Для учета зависимого чаще используются различные экспертные оценки.

В итоге процесс составления прогноза продаж может быть следующим:

• Аналитик/экономист/сотрудник ПЭО составляет план по данным статистики продаж прошлых периодов (т. е. составляет прогноз независимого спроса).
• Менеджеры по продажам/маркетологи/руководитель отдела продаж/дизайнеры уточняют составленный прогноз независимого спроса в соответствии со своим видением продукта, отношениями с клиентом, ситуацией в целом (т. е. получают прогноз с учетом зависимого спроса).
• Оценки разных экспертов собираются вместе, принимается решение, какие из оценок учитывать, утверждается прогноз продаж.

КАК НАСТРОИТЬ ПРОЦЕСС В 1С:ERP?

В системе 1С: ERP есть возможность рассчитать планы продаж на основе данных прошлых периодов и есть возможность вручную корректировать данные планов. Таким образом можно учесть как зависимый, так и независимый спрос.

При формировании плана продаж можно использовать любые данные, хранящиеся в системе, например:

• продажи прошлых периодов;
• заказы клиентов.

При этом можно установить отборы по ассортименту либо по любым другим параметрам.

После расчета плана по данным системы у нас на руках будет «прогноз-черновик», который еще нужно будет уточнить у маркетологов/менеджеров по продажам.

План, рассчитанный по данным системы, можно корректировать вручную. При изменении данных плана можно написать комментарий, чтобы остальным участникам процесса планирования было понятно, на основании чего было принято решение о корректировке. Так, если план рассылается по нескольким маркетологам/менеджерам по продажам, то каждый может сформировать свою корректировку первоначального плана (сделать свою экспертную оценку прогноза продаж).

После того как эксперты сделали каждый свою оценку-корректировку прогноза продаж, данные собираются и на их основе составляется окончательный прогноз продаж или принимается решение об утверждении одного из представленных прогнозов. Процесс утверждения планов в системе можно контролировать через статусы плана.

КАК УЧЕСТЬ СЕЗОННОСТЬ СПРОСА?

Существует множество методов прогнозирования. Большая часть из них подробно описана в литературе. Но на практике возникают нюансы, связанные, например, с выбором метода под конкретную задачу или с подготовкой данных. Поэтому даже при прогнозировании независимой части спроса часто не обойтись без знаний предмета прогнозирования — особенностей спроса на продукцию.

Для отдельных товаров или категорий сезонность может быть выражена не так сильно. Например, срок службы обуви для танцев относительно небольшой. Если качественные спортивные брюки можно носить несколько лет, то чешки и «полупальцы» стираются у профессиональных гимнастов за пару месяцев. Потребители вынуждены чаще покупать товар, поэтому спрос на него стабильней по году. Или, например, колготки для танцев в апреле — мае не «проваливаются» по продажам так сильно, как большая часть остальных товаров. В эти месяцы проводятся отчетные концерты, и коллективы активно закупают колготки на всю команду.

В 1С: ERP учтена особенность, что разные товары могут иметь абсолютно разную сезонность спроса. Сезонность спроса — особенность, характерная не только для продаж спортивной одежды, но и для многих других отраслей. Товары, имеющие похожую сезонность, объединяются в сезонные группы. Для каждой сезонной группы рассчитываются свои сезонные коэффициенты.

КАК УЧЕСТЬ РАЗНУЮ СЕЗОННОСТЬ В РАЗНЫХ РЕГИОНАХ?

Сезонные коэффициенты можно рассчитать в системе в разрезе бизнес-регионов. Например, мы знаем, что в Москве наша одежда продается чуть-чуть по-другому, чем в регионах. Знаем, что в Москве спрос в сезонные месяцы выражен ярче. И в целом мы продаем в центральном регионе больше. Поэтому имеет смысл отдельно посчитать сезонные коэффициенты для Москвы и отдельно для регионов (чтобы потом получить 2 независимых прогноза продаж).

Выявить, что отдельный регион как-то отличается по продажам от других, можно не только исходя из субъективного опыта продавцов, но и с помощью отчетов, предусмотренных в подсистеме «Продажи» в 1С: ERP.

Сезонные коэффициенты в 1С: ERP можно рассчитать автоматически по данным статистики продаж, хранящейся в базе.

КАК 1C:ERP РАССЧИТЫВАЕТ СЕЗОННЫЕ КОЭФФИЦИЕНТЫ?

Существует множество подходов к расчету сезонных коэффициентов (аддитивная или мультипликативная сезонность). Сезонные коэффициенты в 1С: ERP рассчитываются как отклонение от средних продаж за период (мультипликативные сезонные коэффициенты, за базу взята средняя линия).

Естественно, для сезонного спроса можно применять и другие методы, не только сезонные коэффициенты. Один из методов прогнозирования с учетом сезонности и тренда — метод Холта-Винтерса. Метод получил название по именам разработчиков: Холт предложил метод учета тренда, Винтерс добавил сезонность.

Метод экспоненциального сглаживания с учетом тренда и сезонности (Холта-Винтерса) обычно требует данных за 2–3 года:

• 1-й год для установки начальных параметров;
• 2-й год для построения прогноза. Начальная модель при этом «сглаживается»;
• 3-й год для проверки и подбора оптимальных параметров модели. Для третьего года строится прогноз продаж, затем он сравнивается с фактическими данными. Параметры модели при этом подбираются таким образом, чтобы минимизировать ошибку прогнозирования.

Если есть данные только за 2 года, то прогноз получается довольно грубым. Потому что на основе данных второго года делается и «сглаживание» модели, и подбор параметров для минимизации ошибки прогнозирования.

В продажах одежды можно отметить относительно частую сменяемость ассортимента (обновление части ассортимента) как одну из важных особенностей продаж. Тенденции моды меняются каждый сезон: часть продуктов снимаются с производства, вводятся новинки. В результате максимальный объем статистики по конкретному продукту может не превышать трех лет. Это накладывает ограничения на методы, которые можно использовать при прогнозировании продаж.

Применение метода Холта-Винтерса в данном случае не всегда оправданно для прогнозирования спроса по товару или группе товаров (хотя при прогнозировании, например, выручки он дает неплохие результаты даже на «грязных» данных). При этом сам метод гораздо сложнее для реализации и объяснения сотрудникам компании, чем, например, обычные сезонные коэффициенты.

«Чем проще модель, тем лучше она будет воспринята менеджерами фирмы, ответственными за принятие решения, и тем выше будет их доверие к полученному прогнозу. Часто следует отдавать предпочтение не более сложному подходу к прогнозированию, предлагающему немного больше точности, а более простому, понятному руководителям компании. Когда выбранный метод получает поддержку у менеджеров, то и результаты прогнозирования активно ими используются».

Business Forecasting, Hanke, Reitsch, Wichern

СПРОС ЗАВИСИТ ОТ ПАРАМЕТРОВ ТОВАРОВ — КАК УЧЕСТЬ?

Важной особенностью сбыта спортивной одежды является зависимость спроса от модели, цвета, состава полотна и размера изделия. Как правило, зависимость спроса от размера имеет нормальное (гауссово) распределение, а параметры самого распределения будут зависеть от модели и свойств полотна. Так, например, изделия из чистого хлопка чаще покупают маленьким детям, а для некоторых темных изделий спрос может быть сдвинут в сторону больших размеров.

Эта зависимость установлена на практике, методом «пристального взгляда». В общем же случае проблема отбора признаков достаточно сложна и далеко не всегда решается подобным образом.

Зависимость спроса от параметров товаров наблюдается не только в продажах спортивной одежды. В системе 1С: ERP можно настроить дополнительные разрезы учета с помощью характеристик товаров. Например, можно настроить следующие разрезы учета: полотно, цвет, состав полотна, размер. И дальше составлять планы продаж с учетом особенностей распределения спроса по этим параметрам.

В системе данные хранятся в разрезе этих характеристик, поэтому проблем с составлением плана на основе данных прошлых периодов в разрезе этих же характеристик не возникнет.

Например, отчет по продажам за период может показать данные по продажам в разрезе цвета, состава полотна, размера изделия. План продаж можно составить в тех же разрезах и учесть разную зависимость спроса от цвета, состава полотна и размера изделия.

КАК ПРОГНОЗИРОВАТЬ СПРОС НА НОВИНКИ?

Отдельной проблемой является прогнозирование спроса на новинки. То есть построение прогноза продаж по товарам, которые еще не продавались. Данная особенность, естественно, встречается не только при продажах швейной продукции, а является общей для многих предприятий.

При прогнозировании новинок можно ориентироваться на маркетинговые исследования, экспертные оценки, спрос на «похожие» по свойствам товары и т. д.

Так, например, если мы запускаем новый товар для детей из черного хлопка, полезно будет знать, как продаются изделия из черного хлопка вообще и для детей в частности. Полезно будет знать, сколько мы продаем товаров для детей и т. п.

В системе 1С: ERP новинки можно спрогнозировать, например, при помощи механизма нормативов распределения. Мы не знаем точно, как будет продаваться новый товар для детей из черного хлопка, но мы можем понять:

• как продаются товары черного цвета по сравнению с другими цветами;
• как продаются товары из хлопка по сравнению с другими тканями.

Эта информация содержится в нормативах распределения, которые можно рассчитать по статистике продаж, накопленной в базе. Например, по рассчитанному ниже нормативу распределения видно, что товары черного цвета продаются чуть лучше, чем белого.

В общем случае схема расчета выглядит следующим образом:

Нормативы распределения спроса рассчитываются по продажам прошлых периодов. Норматив рассчитывается в разрезах «параметров» товаров, и затем эти нормативы влияют на расчет плана продаж по новинкам.

Норматив распределения в системе 1С: ERP — это правило/доля/процент, по которому общая цифра продаж по категории раскладывается до конкретных товаров.

Разберем логику расчета прогноза продаж и пример расчета в 1С: ERP. Планируем продажи товарной категории «Женская спортивная одежда». Считаем, что за год мы продадим 10 000 изделий этой категории. При составлении планов продаж мы хотим учесть особенности распределения спроса в зависимости от трех параметров: размера, цвета и состава полотна. Пусть распределение спроса на женскую спортивную одежду сдвинуто в сороковые размеры. И чаще покупаются изделия из черной синтетики.

Нормативы распределения по составу ткани: 70% покупок — изделия из вискозы, 30% покупок — изделия из хлопка.

Нормативы распределения по цвету: 40% покупок — изделия белого цвета, 60% покупок — изделия черного цвета.

Нормативы распределения по размеру изделия представлены в таблице ниже:

Имея три норматива распределения, можно разложить общую сумму продаж по категории, перемножив нормативы между собой. Например, планируем продать 10 000 / 5 * 0,6 * 0,3 * 0,1 = 36 штук «Товара 1» из черного хлопка 40-го размера.

В системе 1С: ERP прогноз продаж с помощью нормативов распределения считается аналогичным образом.

План продаж, построенный только при помощи нормативов распределения, не может полностью заменить экспертное прогнозирование. Но подобный план может являться основой для экспертных корректировок. Проще и удобнее корректировать план, построенный системой автоматически, чем делать всю работу вручную: сначала самостоятельно пытаться составить план по данным продаж прошлых периодов, а затем вносить в этот план корректировки (в соответствии с видением продукта, рынка и пр.).

КАКИЕ ДАННЫЕ БРАТЬ?

Для качественного прогнозирования часто бывает недостаточно просто подобрать удачный метод и хорошо знать специфику продаваемых товаров. Качество прогноза во многом зависит от качества данных. Поэтому перед составлением прогноза, на этапе подготовки данных, необходимо выявить статистические выбросы и постараться очистить от них выборку.

Выброс (англ. outlier, «промах») — в статистике результат измерения, выделяющийся из общей выборки.

Причины выбросов:

• Из-за ошибки измерения.
• Из-за необычной природы входных данных. Например, если наугад измерять температуру предметов в комнате, получим цифры от 18 до 22°C, но радиатор отопления будет иметь температуру в 70°.
• Выбросы могут быть и частью распределения — так, в нормальном распределении каждое 22-е измерение будет выходить из «двух сигм» и каждое 370-е — из трех

Выброс — это что-то «ненормальное» по сравнению с другими данными. То, что не укладывается в стандартный шаблон. При этом не существует единого критерия «нормальности» для определения выбросов. Критерии могут отличаться для разных задач, отраслей и т. п.

Ошибки измерения

Одна из причин выбросов — ошибки измерения. То есть данные изначально были неправильно собраны, измерены или введены в систему. Применение автоматизированной системы учета может свести к минимуму эту проблему.

Предположим, для сбора статистики продаж на предприятии используется Excel. В таблицу менеджеры по продажам вводят данные по клиенту, дате отгрузки и сумме покупки. Требуется спрогнозировать продажи в разрезе клиентов.

Когда мы начнем разбираться с данными, которые «навводили» менеджеры, начнут выясняться интересные вещи. Например, что ИП «Гаджибеков» и ООО «Ромашка» — это по сути один и тот же клиент. И считать их лучше вместе. Будут встречаться банальные описки в названии клиента или в других данных. Может случиться так, что первый год клиента вел один менеджер и записывал его (клиента) как «Иванов И.И.», а затем клиента передали второму менеджеру. И тот стал записывать его как ООО «Спорттовары Ижевск». Отследить подобные ситуации достаточно сложно и трудоемко, особенно если данных много.

Нетипичный заказ

Выбросом может стать большой нетипичный разовый заказ. Например, если продукт ориентирован на детей, но купили его для взрослых. В таблице представлен пример того, как подобный заказ может повлиять на прогнозирование спроса. Первые три строки таблицы — распределение спроса по размерам, как это должно быть с точки зрения правильного позиционирования продукции. Нижние три строки — расчет по фактическим данным, содержащим выбросы.

Если не убрать заказ-выброс, то прогноз спроса и дальнейшее планирование производства учтут эти данные. В итоге на склад готовой продукции поступят излишки больших «неходовых» размеров. Поэтому выбросы важно выявлять. Случайные колебания не должны повлиять на качество прогнозирования.

В 1С: ERP отфильтровать ненужные данные можно на этапе расчета сезонных коэффициентов и (или) на этапе расчета норм распределения. А также можно установить отборы при составлении плана продаж — и тогда при формировании плана будут учтены только определенные, «нужные», данные. Например, учесть только товары категории А (в АВС-анализе).

Специфика отрасли и компании

Одной из отраслевых особенностей производства спортивной одежды является удовлетворение спроса спортивных команд и (или) танцевальных групп. В этом случае, как правило, клиент хочет закупить форму на всю команду к определенной дате. Например, к началу сезона тренировок или к конкретным соревнованиям. С точки зрения продаж спортивные команды — это отдельная целевая группа, спрос по которой можно прогнозировать с высокой точностью. Спрос цикличен и меняется по месяцам — обычно чем ближе к дате соревнований, тем спрос выше. Соревнования в разных регионах проходят в разное время, поэтому динамика продаж по регионам может отличаться.

Спрос спортивных команд обладает рядом особенностей:

• Обычно для команды закупают одни и те же артикулы.
• Размеры одни и те же или близкие.
• Закупку для команды часто делают перед определенным спортивным событием: началом спортивного сезона, соревнованиями и т. п.

Спрос команд может выглядеть как случайный выброс. Поэтому при выявлении выбросов нужно понимать логику выброса. Возможно, это не случайность, а зависимый спрос. Выявив закономерность, можно за счет нее уточнять итоговый прогноз.

Имея статистику продаж за прошлые годы, зная регионы клиентов и их виды спорта, можно уточнить план продаж по целевой группе «спортивные команды».

Спрос целевой группы «спортивные команды» зависит от дат проведений соревнований, тогда как весь остальной спрос на свободный склад к датам соревнований никак не привязан. Поэтому целевая группа «спортивные команды» должна анализироваться отдельно от остальных заказов. Благодаря отдельному анализу «спортивных команд» можно заметно уточнить общий план продаж.

ЗАКЛЮЧЕНИЕ

Прогнозирование спроса является важной частью планирования и управления предприятием. Наряду с математическими методами статистики важную роль в прогнозировании играют экспертная оценка и понимание логики спроса на продукцию.

Эффективное прогнозирование спроса

Неточные прогнозы спроса часто рассматривают как источник всех бед организации. Отдел логистики мечтает о том, чтобы все было известно заранее и можно было планировать закупки и поставки. При этом логисты хотят, чтобы строились долгосрочные прогнозы. Правильно ли это? Что действительно нужно делать для повышения точности прогнозирования?

Обычно именно отдел логистики жалуется на отсутствие точных прогнозов, поскольку слишком многое в его работе зависит от них. Но не всегда менеджеры понимают, о какой степени точности можно говорить в данном случае и как можно решать эту проблему.

Прогнозирование по определению есть взгляд в будущее, поэтому оно никогда не будет абсолютно точным. То есть разрабатывать логистическую систему нужно таким образом, чтобы она не полностью зависела от точности прогнозов, а была гибкой и могла адекватно реагировать на те или иные изменения в спросе.

И в то же время нельзя считать, что прогнозы ничего не дают.

Разумеется, они должны быть неотъемлемой частью работы отдела логистики (планирования). Но чтобы правильно их использовать, нужно знать их основные свойства.

1. Точность прогнозов выше для групп продуктов, чем для индивидуальных продуктов. Попытайтесь, например, предсказать рост первого встречного прохожего. Требуется большое везение, чтобы сделать это точно: он может оказаться как баскетболистом, так и карликом. Но прогноз «среднего» роста ста прохожих может быть достаточно точным. Прогноз для группы точнее прогноза для ее отдельного представителя, поскольку в этом случае происходит «взаимопогашение» отклонений: в одном случае прогноз завышен, в другом – занижен, но в целом он вполне приемлем. Это отражено на рис. 1.
Рисунок 1. Точность прогнозов зависимости от анализируемого параметра

2. Точность прогнозов выше для близкой перспективы, чем для дальней. Так, прогнозировать семейный бюджет на следующий месяц гораздо проще, чем на тот же период, но через год. Прогнозирование подобно стрельбе: чем дальше от цели, тем труднее в нее попасть. Часто от руководителя отдела логистики приходится слышать: «Вы только дайте нам заказы на как можно более продолжительный период, и мы обеспечим их на 100%». Однако по указанной причине подобный подход к прогнозированию спроса работает против заказчиков: при разработке плана закупок и производства вероятность ошибки в этом случае резко возрастает.

Менеджеру по планированию производства в действительности не нужно знать, какие наименования он будет производить в какой-то отдаленный период времени. Он должен знать, какие мощности ему потребуются. Этот прогноз менее сложен и вместе с тем более точен, чем детальный прогноз спроса. В таблице 1 представлена матрица прогнозов спроса в зависимости от уровня детализации и горизонта планирования.
Таблица 1. Матрица прогнозов спроса

Эта таблица позволяет сделать следующие выводы.
Квадранта I нужно избегать.
Квадрант II можно использовать для долгосрочных прогнозов.
Квадрант III можно применять для среднесрочных и краткосрочных прогнозов с вовлечением клиентов в формирование графика заказов.
Систему управления производством и запасами нужно проектировать таким образом (например, за счет сокращения времени на выполнение заказов), чтобы прогнозирование спроса находилось только в квадранте IV.

ЗАЧЕМ ПРОГНОЗИРОВАТЬ СПРОС

Существуют условия, при которых прогнозировать спрос вообще не целесообразно:
когда приемлемое время на ожидание клиентом, пока выполнится его заказ, превышает время на производство и закупку компонентов; другими словами, клиент готов ждать свой заказ столько времени, сколько организации потребуется для выполнения заказа без предварительного планирования;
если мощности и прочие необходимые ресурсы для выполнения заказов клиентов этих организаций могут быть изменены быстро и не требуют существенных затрат;
когда нет необходимости в финансовом планировании.

Во всех остальных случаях без прогнозирования спроса не обойтись.
Однако формировать прогнозы спроса нужно ровно настолько, насколько этого требуют конкретные цели. Каждый из перечисленных ниже параметров прогнозов спроса должен быть обоснован целью его использования и определен до начала формирования прогноза. – Горизонт планирования. На какой период в будущем должен быть составлен прогноз? 10 лет? 12 месяцев? Неделя? – Уровень детализации. Должен ли прогноз спроса отражать конечные продукты по заказчикам? Или достаточно суммарного плана по категориям? – Частота пересмотра. Требуется ли прогноз спроса пересматривать раз в год? Раз в квартал? Раз в месяц? Раз в неделю? Каждый день? Каждый час? – Интервал прогнозирования. Какие временные промежутки должен отражать прогноз спроса? Годы? Месяцы? Недели? Дни?

МЕТОДЫ ПРОГНОЗИРОВАНИЯ СПРОСА

Существует много классификаций методов прогнозирования спроса. Для удобства можно выделить всего две группы: экспертные и статистические. Первые основаны на экспертных оценках и по своей природе субъективны. Суть их заключается в переведении различных экспертных мнений в формулы, из которых формируется прогноз. К экспертным методам относятся: метод комиссии, «мозговая атака», анкетный опрос, метод Дельфи.

Статистические методы предполагают применение статистических расчетов для построения будущего на основе прошлого. Типичный пример – методы исчисления средних. Один из них – применение скользящей средней величины. Предположим, компания захотела использовать скользящую среднюю величину за 12 недель для прогноза спроса какого-либо товара. Для этого суммируют продажи за последние 12 недель, сумму делят на 12, получая таким образом среднюю величину. Через 7 дней добавляют продажи за последнюю неделю и отбрасывают первую неделю, получая данные опять за 12 недель. В этом случае мы говорим об использовании простой средней.

Пример расчета:

Старый прогноз (месячные продажи) – 100 ед.

Фактические продажи (последний месяц) – 80 ед.

Новый прогноз (простая средняя) – 90 ед.

Один из очевидных недостатков этого метода заключается в том, что фактическим продажам придается такой же вес, как и старому прогнозу. Обычно лучше придать больший вес старому прогнозу и меньший – текущим продажам, так как последние могут представлять собой случайную вариацию, единственную в своем роде.

Весовые коэффициенты логичнее определить в 0,8 и 0,2 (в сумме они обязательно должны равняться 1,0).

Тогда среднюю величину исчисляют так:

Старый прогноз – 100 x 0,8 = 80 ед.

Фактические продажи – 80 x 0,2 = 16 ед.

Новый прогноз (взвешенная средняя) – 80 + 16 = 96 ед.

Этот метод называется экспоненциальным сглаживанием. Весовой коэффициент, приданный текущим продажам (в данном случае 0,2) называют альфа-множителем. Экспоненциальное сглаживание представляет собой исчисление взвешенной скользящей средней. Преимущество этого метода в том, что он упрощает вычисления и часто позволяет хранить меньший объем данных. При экспоненциальном сглаживании требуются данные о «старом прогнозе» и альфа-множителе. Еще более важна гибкость метода. Если прогноз занижает действительный спрос, аналитик способен вручную ввести скорректированный прогноз в систему и приступить к сглаживанию. Это значительно удобнее, чем пытаться скорректировать расчет скользящей средней величины.

При использовании регрессионного и корреляционного анализа рассчитывают формулы, которые придают различный вес «индикаторам», связанным с прогнозируемыми товарами или группами товаров. Например, закладка жилых домов оказывает определенное влияние на продажу металлических изделий строительным фирмам. Динамика валового национального продукта (ВНП), вероятно, тоже оказывает влияние.

Таким образом, учитывая степень важности влияния того или иного фактора, можно построить формулу для прогноза суммарных продаж металлоизделий для строительства. При этом особенное внимание нужно уделять ведущим индикаторам, то есть тем, значение которых увеличивается или уменьшается до того, как начнут изменяться прогнозируемые продажи.

Правда, использование такого рода индикаторов может принести пользу лишь в том случае, если оно опирается на здравый смысл. Влияние факторов, которые были очень существенны в прошлом, может измениться с течением времени, а потому для них нужно будет применять другой весовой коэффициент. И здесь не обойтись без экспертной оценки.

Следует также помнить, что ни один из указанных методов не может компенсировать или учесть воздействие на спрос других факторов. Например, если продавцы металлических изделий из-за финансовых затруднений решили сократить запасы, зависимость между закладкой домов и продажей металлоизделий не даст точного прогноза. Возросшая иностранная конкуренция также может оказать решающее влияние на динамику продаж.

В реальной практике необходимо использовать простые статистические методы в сочетании с разумным экспертным суждением.Кроме того, выбор метода прогнозирования может и должен определяться параметрами необходимого прогноза (горизонт планирования, уровень детализации и пр.). Например, для составления прогноза спроса для бизнес-плана на 10 лет целесообразнее использовать методы экспертных оценок, нежели статистические.

ИЗМЕРЕНИЕ ОШИБКИ ПРОГНОЗАДля эффективного прогнозирования спроса необходимо регулярно измерять отклонения фактических продаж от прогноза.

Ошибка прогноза (Forecast Error) – это абсолютная разница между фактическим и прогнозируемым спросом. Для измерения отклонений может использоваться стандартное отклонение (SD, сигма) или среднее абсолютное отклонение (MAD).

Стандартное отклонение – это широко известная статистам мера измерения разброса и вариабельности. Но практики прогнозирования спроса предпочитают среднее абсолютное отклонение из-за легкости его расчета: MAD рассчитывается как сумма абсолютных отклонений, разделенная на количество измерений (периодов). Пример приведен в таблице 2, из которой видно, что среднее абсолютное отклонение отражает вариабельность отклонений в течение периода (несмотря на то что общая сумма отклонений равна нулю).

Пример иллюстрирует случайные отклонения (random variation). Это такие отклонения, при которых сумма прогнозов за период равна или почти равна сумме фактических продаж.

Таблица 2. Расчет среднего абсолютного отклоненияМесяц Прогноз Факт Отклонение MAD
1 500,00 550 50 50
2 500,00 700 200 200
3 500,00 300 –200 200
4 500,00 400 –100 100
5 500,00 600 100 100
6 500 450 –50 50
Итого 3000 3000 0 117
% 0 4Кроме случайных, встречаются систематические отклонения в одну сторону, именуемые смещением (BIAS). Пример показан на рис. 2. Смещение оказывает значительное негативное влияние на систему управления производством и запасами. Другими словами, оно означает занижение или завышение прогноза спроса. Кроме очевидной неопределенности, причинами смещения могут быть различные факторы.

1. Занижение прогноза спроса может совершаться с целью:
перевыполнения плана продаж и получения премий;
снижения запасов. 2. Завышение прогноза спроса может совершаться с целью:
получения большего бюджета расходов;
поддержания равномерной загрузки производства;
увеличения запасов.

В результате смещения прогнозов спроса в ту или иную сторону возникают самые печальные последствия: невыполнение заказов клиентам в срок, незапланированные простои производства либо переработки, увеличение уровня запасов и т. д. Соответственно необходимо в первую очередь анализировать причины смещений, чтобы избегать их в будущем.

С ЧЕГО НАЧАТЬ?

Эффективное прогнозирование спроса, равно как и любой другой бизнес-процесс, состоит из трех взаимосвязанных элементов: люди, процесс, инструменты.

 ЛЮДИПри проектировании процесса прогнозирования спроса нужно учесть следующие факторы:
каким образом организованы функции маркетинга и продаж;
кто в компании имеет возможность влиять на спрос;
где находится информация, необходимая для формирования прогнозов.

Рассмотрим несколько базовых вариантов организации маркетинга и продаж.Пример 1. Функции маркетинга и продаж находятся в одном подразделении, руководитель которого подчиняется непосредственно первому лицу организации. Пример 2. Подразделения маркетинга и продаж обособлены, их руководители подчиняются непосредственно первому лицу организации. Пример 3. В компании более одного подразделения маркетинга и продаж, каждое из которых подчиняется непосредственно первому лицу организации (например, подразделения разделены по группам клиентов).

В первом случае все просто: процесс прогнозирования спроса находится в зоне ответственности руководителя подразделения маркетинга и продаж.
Во втором и третьем примерах передача функций прогнозирования спроса одному из подразделений может спровоцировать дисбаланс в продажах. В этих случаях уместнее сделать ответственным за прогнозирование спроса третью сторону – департамент логистики (цепи поставок). Многие организации, соответствующие второму и третьему примерам, создают даже специальную должность менеджера по планированию спроса (Demand Manager).

ПРОЦЕСС

Эффективное прогнозирование начинается с повышения качества входящей информации. Сбор входных данных должен быть организован с определенной регулярностью и в определенном формате. В частности, нужно выполнять следующие правила.

1. Необходимо собирать статистические данные с теми же параметрами, которые нужны для прогноза спроса. Если требуется составить прогноз спроса на продукцию, должны использоваться статистические данные, основанные на спросе, а не на отгрузках промежуточным звеньям цепи поставок. Интервал сбора данных должен быть таким же, как интервал для прогнозирования (для прогнозов спроса с разбивкой помесячно следует использовать статистику с разбивкой по месяцам). Группировка товаров в статистических данных должна соответствовать группировке в прогнозе спроса (для прогнозов спроса по категориям следует использовать статистику по категориям). 2. Необходимо фиксировать все события, имеющие отношения к данным. Спрос подвержен влияниям некоторых событий, и эти события следует хранить вместе с прогнозом, составленным с их учетом. Например, колебания спроса могут быть вызваны акциями по его стимулированию, изменением цен или погодными условиями. Фиксировать события необходимо, поскольку их анализ является основой для обсуждения новых прогнозов спроса. 3. Необходимо собирать отдельно статистические данные по разным группам клиентов. Многие компании распределяют продукцию через разные каналы дистрибуции, у каждого из которых свои отличительные характеристики спроса. Например, сетевой магазин может приобретать товар равномерными небольшими партиями два раза в неделю, а крупный региональный оптовик производит крупную закупку дважды в месяц. Поэтапная схема процесса прогнозирования спроса представлена на рис. 3. Циклы прогнозирования лучше всего организовывать раз в месяц: это оптимально с точки зрения временных изменений спроса и затрат на проведение этой работы.

ИНСТРУМЕНТЫОдин из главных инструментов при использовании статистических методов прогнозирования – соответствующее программное обеспечение. Оно не должно быть слишком сложным, а заложенные в основу его работы алгоритмы обязаны быть четкими и понятными. Кроме ПО к инструментам также относится методика составления прогнозов спроса. В частности, при определении методики прогнозирования спроса можно использовать принцип Парето (см. таблицу 3).

 Таблица 3. Принцип Парето при определении методики прогнозированияГруппа товаров Факторы, определяющие качество прогноза
Категория А Люди
Категория В Релевантность входной информации
Категория С Программное обеспечение

Таким образом, основные принципы прогнозирования должны быть следующими.

1. Применение процессного подхода к действиям по разработке, согласованию и утверждению прогнозов спроса.

2. Измерение ошибки прогнозов спроса на регулярной основе; контроль отсутствия смещения.

3. Использование основных характеристик прогнозов при формировании методики прогнозирования спроса Точка зрения:

Максим Сигаев
Генеральный директор логистического комплекса «Промопост» (PPE Group)

В нашем бизнесе от точности предложения группам клиентов зависит успех того или иного каталога либо акции

Для компаний, работающих в секторе дистанционной торговли, вопрос планирования и прогнозирования спроса стоит очень остро. Работа ведется непосредственно с базой данных клиентов, и от точности «попадания» в их ожидания зависит успех того или иного проекта.

Чтобы оценить поведение различных клиентов за определенный период, мы применяем сегментацию, исследуя, например, такие факторы, как частота и сроки совершения покупок. Затем сегменты, которые показали слабые результаты, оценивают по системе скоринга, то есть индивидуальные клиенты анализируются по отобранным нами признакам: возраст, пол, наличие/отсутствие мобильного телефона и т. д. Клиенты, набравшие баллы ниже установленной нормы, не включаются в будущую акцию.

По результатам уже проведенных маркетинговых акций мы организуем так называемый профайлинг, позволяющий еще больше уточнить характеристики клиентов, их предпочтения. Проводится сравнительный анализ тех, кто сделал покупку, и тех, кто не сделал. Затем по выявленным отличительным чертам определяется профиль клиента и будущее предложение ему.

Поскольку наш бизнес – это дистанционная торговля В2С (business to customer – розничные продажи), от точности предложения индивидуальным сегментам (или, другими словами, группам клиентов) зависит успех того или иного каталога, специального предложения, акции. Также мы применяем сегментацию для глобальной оценки эффективности бизнеса, рассчитывая для каждого из сегментов показатели количества клиентов на начало и конец периода, процент трансформации, количество заказов, оборот. Отталкиваясь из прогнозируемого отклика, мы можем рассчитать объемы закупок на предстоящий период

https://www.lobanov-logist.ru/library/all_articles/54790/

Метод использования исторических данных о продажах для создания оценки предстоящего прогноза потребительского спроса известен как прогнозирование спроса. Цель прогнозирования спроса — предоставить вашему бизнесу оценку того, сколько услуг или продуктов клиенты купят в ближайшем будущем. В ходе этого руководства мы рассмотрим типы и модели прогнозирования спроса.

По сути, есть много точек данных и идей, которые вы можете получить из данных POS. Эти отчеты важны для прогнозирования не только запасов, но и спроса.

Существует множество других факторов, влияющих на потребительский спрос, в том числе денежные потоки, размер прибыли, оборот, оценка рисков, планирование мощностей и планы по смягчению последствий. Все они зависят от прогнозов спроса. Другими словами, каждый из них играет решающую роль в достижении точного прогноза.

Что такое прогнозирование спроса и как оно работает?

Прогнозирование спроса, также известное как прогнозирование продаж, представляет собой метод оценки потенциального потребительского спроса за определенный период времени. Он включает в себя исторические данные, а также другие данные.

Предприятия получают полезные знания о своих перспективах на существующем рынке, а также на других рынках, когда прогнозирование спроса применяется должным образом. Это также позволяет менеджерам принимать обоснованные решения о планах развития бизнеса, ценообразовании и рыночном потенциале.

Предприятия, которые не используют прогнозирование спроса, рискуют принять неправильные решения в отношении своих целевых рынков и товаров. Эти опрометчивые решения могут иметь долгосрочные последствия для лояльности клиентов, управления цепочками поставок, затрат на хранение запасов и, в конечном итоге, прибыльности.

Важность прогнозирования спроса

Прогнозирование спроса актуально для бизнеса по целому ряду причин:

1. Предприятия могут использовать данные прогнозирования доходов, чтобы помочь в планировании, постановке целей и составлении бюджета. Можно разработать план закупок, чтобы обеспечить соответствие ваших поставок потребительскому спросу на уровне продукта, если у вас есть четкое представление о том, как могут выглядеть ваши потенциальные продажи.
2. Уровни запасов могут быть лучше оптимизированы, скорость оборота запасов может быть увеличена, а затраты на хранение могут быть снижены.
3. Компании также могут использовать прогнозирование продаж, чтобы заранее прогнозировать и устранять любые проблемы в конвейере продаж. Это позволяет им отслеживать свой успех с течением времени. Многие владельцы компаний, занимающихся электронной коммерцией, понимают, что слишком маленький или слишком большой инвентарь может нанести ущерб операциям.
4. Прогнозирование спроса дает вам представление о вашем предстоящем денежном потоке, позволяя вам более эффективно подготовиться к платежам поставщикам и другим операционным расходам, продолжая при этом инвестировать в рост вашей компании.
5. Прогнозирование спроса предполагает знание того, когда следует нанять больше людей и выделить другие ресурсы, чтобы обеспечить бесперебойную работу в часы пик.

Методы прогнозирования спроса

Большинство традиционных методов прогнозирования спроса можно отнести к одной из трех групп:

Качественное прогнозирование

Когда данных не так много, используются качественные методы прогнозирования. Это популярно на ранних стадиях развития компании или когда новые продукты впервые выводятся на рынок. В этом случае для получения количественных оценок спроса используются другие данные, такие как анализ рынка, сравнительный анализ и мнения экспертов.

Анализ временных рядов

Когда доступны исторические данные для линейки продуктов или продукта, анализ временных рядов является опцией. Компании предпочитают использовать метод анализа временных рядов для прогнозирования спроса, когда закономерности очевидны. Сезонные колебания спроса, основные тенденции продаж и циклические закономерности можно выявить с помощью анализа временных рядов.

Однако для хорошо зарекомендовавших себя компаний с многолетними данными для работы и достаточно стабильными трендами наиболее успешным является подход временных рядов.

Причинно-следственные модели прогнозирования спроса

Модель причинно-следственного прогнозирования является наиболее продвинутым и сложным методом прогнозирования спроса. Он использует точные данные о взаимосвязях между рыночными переменными, включая экономические силы, конкурентов и ряд других социально-экономических факторов. Чтобы создать эффективный прогноз причинно-следственной модели, вам потребуются исторические данные.

Например, магазин мороженого может использовать такие переменные, как маркетинговый бюджет, рекламные мероприятия, новые магазины мороженого в своем регионе, цены конкурентов, исторические данные о продажах, общий спрос на мороженое в их районе, местный уровень безработицы и даже погодные условия. построить причинно-следственную модель прогноза.

Метрики для прогнозирования продаж

Пожалуйста, определите и отслеживайте следующие показатели в течение всего прогнозируемого периода, как только у вас будет основа для прогноза продаж.

Время выполнения продукта

Время, которое требуется от размещения заказа на покупку до готовности каждого продукта к продаже.

Период продаж

Сколько месяцев вы ожидаете, что каждый продукт будет продаваться?

Затраты на покупку

Когда размещается заказ на покупку, какой процент от стоимости продукта оплачивается?

Оплачиваемые дни

Сколько еще у вас есть, чтобы покрыть оставшиеся непогашенные затраты на запасы?

Уровень запасов

Основываясь на прогнозах, сумма каждого товара, которую вы должны иметь на складе.

Затраты на покупку

Средства, необходимые для совершения необходимых покупок.

Типы прогнозирования спроса

Существует множество форм прогнозирования спроса, и важно понимать каждую из них и их значение. По большей части они следуют определенной последовательности, начиная от уровня детализации, периода времени и прогнозируемого объема рынка. Давайте посмотрим на пару.

К основным типам прогнозирования спроса относятся следующие:

Пассивное прогнозирование спроса:

Пассивное прогнозирование спроса часто является инструментом для предприятий, которые имеют сильную базу, но консервативные стратегии развития. Простые экстраполяции исторических данных выполняются с минимальным количеством допущений. Эта форма прогнозирования встречается нечасто, но часто является первым выбором для малых и местных предприятий.

Прогнозирование активного спроса

Прогнозирование активного спроса — это тип прогнозирования, который пригодится, когда речь идет о масштабировании и диверсификации компаний с амбициозными стратегиями роста с точки зрения маркетинговых усилий, развития портфеля продуктов и деятельности конкурентов, а также внешнеэкономического климата.

Краткосрочное прогнозирование спроса:

Для краткосрочных циклов пригодится краткосрочное прогнозирование спроса (обычно на период 3-12 месяцев). При работе в краткосрочной перспективе необходимо понимать сезонные тенденции рынка, а также влияние тактических решений на потребительский спрос.

Среднесрочное/долгосрочное прогнозирование спроса:

Среднесрочное/долгосрочное прогнозирование спроса обычно используется на 12-24 месяца вперед (некоторые компании используют 36-48 месяцев). Долгосрочное прогнозирование может влиять на стратегическое планирование компании, планирование маркетинга и продаж, финансовое планирование, планирование мощностей и планирование капитальных затрат, среди прочего.

Прогнозирование спроса на внешнем макроуровне:

Эта форма прогнозирования связана с большими колебаниями рынка, на которые влияет макроэкономический климат. Внешнее прогнозирование предназначено для оценки стратегических целей компании, таких как расширение ассортимента продукции, выход на новые потребительские рынки, технологические прорывы и даже изменение парадигмы поведения потребителей, а также стратегии снижения рисков.

Внутреннее прогнозирование спроса на уровне бизнеса

Как следует из названия, этот метод прогнозирования фокусируется на внутренних операциях компании. Группы брендов, дистрибьюторские подразделения, финансовые подразделения и производство — все это примеры. Кроме того, он включает в себя прогнозы годового дохода, нормы чистой прибыли, оценку себестоимости, движения денежных средств и другие внутренние прогнозы.

Примеры прогнозирования спроса

Мы можем использовать множество различных примеров прогнозирования спроса, поэтому мы дадим вам несколько для начала. В качестве примера возьмем Форда. Ford хочет составить рыночный прогноз для Mustang 2018 V5.0 8 года. Что именно они делают? Они будут смотреть на доход автомобиля за предыдущие 12 месяцев. Они будут использовать эту информацию для оценки выручки на следующие 12 месяцев, а также для оценки запасов и производственных потребностей. Затем они могут разбить продажи на пакеты и категории по мере необходимости.

Пример 2:

Ведущая компания по производству одежды ссылалась на фактические продажи известных женских джинсов за последние 24 месяца. Для построения прогноза спроса проводится анализ конкретной пары джинсов. Компания прогнозирует высокий спрос на следующие 12-24 месяца, учитывая потенциал рынка джинсов. В результате компания отслеживает каждый продукт, категорию, размер, цвет, стиль и другие детали. Результат, положительный или отрицательный, поможет повлиять на будущие решения о продукте.

Пример 3

Взгляните на Walmart, крупного ритейлера. У них более 11,000 27 магазинов в 32 странах со средним запасом в 2013 миллиарда долларов. В результате их цепочка поставок очень сложна. Их логистика известна своей точностью и техническим мастерством. Однако в XNUMX году они приобрели репутацию компании, которая столкнулась с серьезной проблемой отсутствия товаров в магазине. Неправильное управление запасами было вызвано отсутствием товара на полках, поскольку товар был в наличии на складах, но не хватало персонала, чтобы доставить его на полки. В этом случае шаги по сокращению затрат привели к ухудшению качества обслуживания многих клиентов.

Было бы очень легко избежать этого, если бы в игре был лучший прогноз спроса.

Пример 4

Крупный автопроизводитель изучает данные о реальных продажах за предыдущие 12 месяцев на основе модели, уровня цвета и типа двигателя своих автомобилей. Они оценили краткосрочный спрос на следующие 12 месяцев на основе прогнозируемого роста для целей планирования закупок, производства и запасов. Эта подготовка рынка означает, что в следующем году у них будет достаточно красных автомобилей, четырехдверных автомобилей и двигателей с наддувом, чтобы удовлетворить потребительский спрос.

Сезонность и прогнозирование других тенденций

Сезонность относится к колебаниям спроса, которые происходят на регулярной основе, например, во время курортного сезона. Тенденции, с другой стороны, могут появиться в любое время и указывать на общее изменение поведения. Однако данные о прошлых продажах могут помочь в прогнозировании тенденций, которые имеют решающее значение для планирования потребностей рынка.

Кроме того, чтобы эффективно планировать политику управления запасами, организационные процессы и маркетинговые усилия, крайне важно учитывать прогнозы тенденций и сезонности, когда речь идет о прогнозировании спроса. Поскольку они знают, что покупатели будут покупать подарки во время праздников, розничные продавцы нанимают дополнительный персонал.

И наоборот, чтобы клиенты покупали, вам нужно больше, чем просто акции. Персонал необходим для доставки товаров на полки, со склада для онлайн-заказов и других задач. В результате транспортные компании, такие как FedEx и USPS, нанимают больше водителей и обработчиков посылок. Кроме того, с дополнительными сотрудниками увеличение объема создаст проблемы как для компаний, так и для клиентов. Прогнозирование гарантирует, что у вас не закончится рабочая сила для удовлетворения спроса.

Прогнозирование продаж — это не одноразовый процесс. Это непрерывная процедура, которая должна включать:

Оптимизация потребительского опыта, каналов сбыта, предложений продуктов и многого другого для активного формирования спроса.

Использование расширенной аналитики для создания проницательного и гибкого ответа на спрос

Прогнозирование спроса — отличный способ предсказать, что ваши клиенты будут ожидать от вашей компании в будущем, чтобы вы могли правильно спланировать запасы и услуги для удовлетворения спроса.

Прогнозирование спроса помогает вам сэкономить деньги на затратах на содержание и других операционных расходах, когда они не имеют значения. В то же время они также гарантируют, что у вас есть все необходимое для управления периодами пиковой нагрузки, когда они случаются.

Автоматическое прогнозирование спроса

Для компаний, которые имеют дело с быстро меняющимися рынками и потребительским спросом, традиционные методы ручной обработки и анализа данных для прогнозирования продаж нереалистичны.

Прогнозирование спроса должно происходить в режиме реального времени, чтобы компании могли быть по-настоящему гибкими и иметь актуальный подход к принятию решений, основанный на данных, а это означает, что вам нужны технологии, которые сделают всю работу за вас.

Используя основную информацию о продажах и запасах PLANERGY, легко определить тенденции и получить представление о потенциальном спросе с желаемым уровнем детализации. Вы также можете использовать платформу для настройки автоматических уведомлений о запасах, которые предлагают изменить количество в зависимости от ожидаемого спроса на продажи. Без необходимости выполнять какое-либо планирование вручную, вы будете знать, когда заказывать запасы, и принимать бизнес-решения на основе данных, что приведет к повышению эффективности затрат и экономии времени — две вещи, необходимые для успеха любого бизнеса.

В заключение

Изучив модели, типы и примеры прогнозирования спроса, использование этого метода не должно быть проблемой. В любом случае, если у вас возникнут какие-либо проблемы в этом отношении, вы можете обратиться в раздел комментариев.

Что такое метод прогнозирования спроса?

Этот метод основан на прошлом спросе на продукцию и попытках спроецировать прошлое в будущее. Экономические показатели используются для прогнозирования развития бизнеса в будущем. Спрос на продукт прогнозируется на основе будущих тенденций. Создан сводный индекс экономических показателей.

Каковы 3 уровня прогнозирования спроса?

Прогнозирование спроса может быть выполнено на трех различных уровнях: макро, отраслевом и фирменном. Прогнозы для широких экономических условий, таких как промышленное производство и распределение национального дохода, делаются на макроуровне.

Каковы 4 основных метода прогнозирования?

Хотя существует много широко используемых методов количественного прогнозирования бюджета, есть четыре основных метода:

• прямая линия,
• скользящая средняя,
• простая линейная регрессия
• множественная линейная регрессия.

Каковы пять 5 определяющих факторов спроса?

5 основных факторов, определяющих спрос на товары и услуги

• Доход. Когда зарплата человека повышается, он или она может позволить себе покупать более дорогие товары или покупать их в большем количестве. .
   Цены.
• Ожидания клиентов.
• вкусы, предпочтения.
• Экономические условия.

Статьи по теме

1. Бесплатный пример бизнес-плана
2. Финансовые прогнозы бизнес-плана: все, что вы должны знать.
3. Как написать бизнес-план [с образцом PDF]
4. ПРИНЦИПЫ ФИНАНСИРОВАНИЯ