ПубликацииИсточник: журнал "Фармацевтическое обозрение" Июнь 2013 / №06 (136) Автоматизация прогнозирования спроса
Ольга Грязнова, тренер-консультант
консалтинговой службы Logist-ICS
При этом стоит разделять, на взгляд автора, точность планирования продаж и точность планирования спроса. Если у вас был дефицит, то точность плана продаж по умолчанию будет низкой. Но при этом на уровне спроса, вполне вероятно, план был довольно точным. Значит, технология планирования спроса справляется с поставленной задачей, и остается выяснить, по какой причине был дефицит. По сути, разницей между объемом спроса и объемом продаж является дефицит. Для того чтобы минимизировать дефицит, необходимо оценивать объем спроса. В одной из публикаций мы этим займемся. А пока рассмотрим, какие технологии прогнозирования спроса можно использовать, какова степень детализации прогноза необходима и какова нормальная точность прогноза. Для технологий управления запасами необходим прогноз в разрезе одного наименования. План продаж в денежном выражении необходим исключительно для бюджетирования доходной, прибыльной части и объема закупок. Для планирования запасов крайне важен прогноз по каждой позиции.
Разумеется, вручную эту работу выполнить просто невозможно. Поэтому и требуется автоматизация. Под автоматизацией подразумевается автоматический расчет прогноза с той или иной точностью.
Точность прогноза зависит от двух основных факторов:
• методов прогноза;
• стабильности поведения товара (предсказуемости продаж).
Что касается методов (способов) прогноза, то их можно классифицировать следующим образом (рисунок 1).
Рисунок 1. Классификация методов прогнозирования
 Методы прогнозирования
1 Наивный прогноз. Под наивным прогнозом понимается очень простая технология, которая принимает за план продаж или спроса тот объем, что случился в предыдущем периоде. Такая технология чаще всего дает очень низкую точность прогнозирования. Исключением будут товары, которые «ведут» себя очень стабильно, из периода в период продаются примерно одинаковым объемом.
2 Среднее значение или средневзвешенное. Данные технологии также будут обеспечивать высокую точность только по тем позициям, которые ведут себя очень стабильно и предсказуемо. Веса значимости подбираются экспертом. Соответственно, точность прогнозирования будет зависеть от уровня эксперта и частоты пересмотра весов значимости. Например, если внешняя среда поменялась, а веса значимости не пересмотрены, то точность прогноза упадет. Данную методику мы рассматриваем как верный шаг в развитии в компании технологий прогнозирования, но лишь как промежуточный шаг.
 3 Тенденция и циклическая составляющая. Тенденция показывает направление развития объема продаж конкретной позиции. По сути, показывает место товара в жизненном цикле. Циклическая составляющая обозначает закономерные всплески и спады объема продаж в рамках периода. Частный коэффициент цикличности представляет собой сезонность. То есть повторяющиеся всплески и спады в рамках года. Коэффициент цикличности может быть также в рамках месяца или недели. Например, циклический коэффициент в рамках недели можно проследить, если аптека находится в торговом центре, и основная нагрузка приходится на выходные дни, когда в торговом центре основной наплыв покупателей.Как правило, данная технология дает существенный скачок качества прогноза. В одной из сетей по товарам средней стабильности (не очень предсказуемые товары), удалось достичь качества прогнозирования на уровне 75-80%. Дальнейшее усложнение методики приведет к повышению точности, но затраты на ее внедрение могут быть нецелесообразны для компании. Именно поэтому мы будем рассматривать эту методику прогнозирования более подробно. Как правило, именно она дает оптимальное соотношение цены и качества.
4 Многофакторная модель. Предыдущая модель прогнозирования учитывала всего два фактора – цикличность и тенденцию. Если к ней добавить еще ряд значимых для продаж факторов, то мы получим многофакторную модель. Затраты на выявление и контроль прочих факторов вырастают, поэтому эта модель получается несколько дороже. Чем больше факторов, тем дороже модель. В одной компании автор встречала технологию прогнозирования, учитывающую 24 фактора. Разрабатывалась модель 3 года. Основная задача – оценить значимые факторы. Например, маркетинговый коэффициент, цена продажи, акции у конкурентов, погода, влияние конкретного продавца и т.д.
5 Прогноз по свойствам. Технология также весьма дорогостоящая и дающая высокую точность прогноза (как правило). В данной методике каждая позиция рассматривается как набор свойств (например, цена, бренд, действующее вещество и т.д.). Для реализации данной технологии требуется серьезная подготовка в области статистики, теории вероятности и математического анализа. Также требует длительного изучения технологий описания поведения каждого свойства. Далее каждому свойству присваивается коэффициент значимости, за которым также приходится дополнительно следить.
Разницей между объемом продаж и уровнем спроса является дефицит 6 Нейросетевой прогноз. Технология, которая больше похожа на искусственный интеллект. Каков алгоритм работы, не понятен никому (в разрезе прогнозирования на одну позицию). Технология похожа на черный ящик, в котором неизвестно что происходит. И система требует переобучения, в отличие от вышеизложенных технологий. То есть периодически требуется разрабатывать технологию заново. И технология имеет еще один недостаток – простую ошибку. Ошибку, как и в человеческом мозге. Просто система ошиблась. При этом если системой заниматься, она будет давать точный прогноз. Но это будет обходиться дорого.
В дальнейших публикациях в рамках темы прогнозирования спроса мы рассмотрим технологию прогнозирования с учетом тенденции и цикличности при построении прогноза на разные периоды (день, неделя, месяц) в зависимости от требований к технологии. Также рассмотрим методики выявления спроса.
|
