В современных цепях поставок процесс планирования и прогнозирования спроса будет отличаться в зависимости от выбранной компаниями стратегии спроса/предложения: "производство на склад", "производство на завершающей стадии" и "производство на заказ".

Планирование спроса для "производства на склад" и "производства на завершающей стадии"

Для компаний, осуществляющих производство на склад, планирование необходимо, чтобы создавать оптимальный уровень запасов в сети распределения для максимального удовлетворения клиентов и избегать ситуации дефицита или затоваривания складов. К основным причинам необходимости составления плана спроса можно отнести:

• а) несбалансированность времени выполнения заказа. Время выполнения заказа превышает время, которое потребитель готов ждать. Предназначение планирования спроса гарантировать наличие продукта в любой момент времени и возможность его поставки клиенту в течение того периода, которого он готов ждать;
• 6) управление распределением. Точный план спроса используется для принятия многих решений, необходимых для размещения нужного продукта в нужном количестве тогда, когда он нужен, и там, где нужен;
• в) планирование производственной деятельности и ресурсов.

План спроса позволяет организациям формировать более стабильный и обеспечивающий эффективное производство план и одновременно удовлетворять запросы потребителей.

Планирование спроса – это определение потребностей рынка в товаре цепи поставок. Как мы уже говорили, в рамках данного учебника, в качестве товара могут пониматься как продукция или услуги, так и то и другое вместе. Результатом планирования спроса является максимально точный план по потребностям в готовой продукции для планирования поставок. Спрос и поставки – суть разные понятия.

Разработка плана спроса состоит из пяти этапов.

Этап I. Прогнозирование спроса. Прогноз – первоначальная оценка будущего спроса, основанная на статистических данных за прошлые периоды.

Выделяют четыре основные характеристики прогноза.

• 1. Горизонт планирования – срок, на какой период в будущем должен быть составлен прогноз. При определении горизонта планирования следует помнить, что точность прогнозов выше для близкой перспективы, чем для отдаленного будущего. Чтобы составлять прогнозы на максимально короткий горизонт времени, организация должна стремиться сокращать время выполнения заказа.
• 2. Уровень агрегирования. Определяет, что должен отражать прогноз: спрос на ассортимент или на номенклатуру продукции по заказчикам. Точность прогнозирования спроса выше для группы продуктов, чем для индивидуальных продуктов.
• 3. Частота пересмотров. Прогноз не является статичным, для обеспечения точности прогнозирования необходимо его периодично пересматривать (раз в год, раз в квартал, раз в неделю, каждый день или каждый час).
• 4. Интервал прогнозирования. Показывает, какие временные промежутки должен отражать прогноз спроса (годы, месяцы, недели, дни).

Неверное прогнозирование спроса может привести к следующим негативным последствиям:

• избыточный запас. Неточность спроса приводит к увеличению объемов страховых запасов, требующихся для обеспечения желательного уровня обслуживания потребителей, тем самым увеличивая затраты на содержание запасов;
• ненужные распродажи. При завышении объемов спроса могут оставаться излишки продукции, которые придется реализовывать ниже установленной цены, что приводит к сокращению маржинальной прибыли;
• дефицит товара. Без обоснованного прогноза спроса организации трудно понять будущие требования своих потребителей. Возможно возникновение ситуации, когда на складе не будет достаточного запаса, позволяющего удовлетворять запросы клиентов.

Следствием перечисленных выше результатов плохих прогнозов является упущенная выгода для всех предприятий, входящих в цепь поставок.

Точность прогноза обеспечивается выбранным методом и моделью прогнозирования. Рассмотрим наиболее часто используемые модели прогнозирования спроса.

• 1. Модели временных рядов. Модели временного ряда представляют собой экспоненциальное сглаживание, скользящее среднее значение и более сложные модели, которые соотносят одну и более (зависимые) переменные спроса в особой точке времени к значениям тех же самых (независимых) переменных спроса ранее. Модели временного ряда могут применяться в краткосрочном прогнозировании с горизонтами планирования от одной недели до трех месяцев или в прогнозировании на средний срок с горизонтами планирования от трех месяцев до одного года. Модели временного ряда среднего срока должны составлять сезонный, циклический и трендовый факторы в данных временного ряда.
• 2. Причинно-следственные модели. Причинно-следственные модели используют методы статической регрессии для установления отношений между зависимыми переменными в особой точке в будущем и независимыми переменными, которые могут не только включать в себя те же самые переменные спроса в более ранних точках, но и другие переменные, значения которых затрагивает спрос.
• 3. Модели новых изделий. Предсказание спроса на новые изделия не может быть связано со статистическими данными, описывающими продажи. Модели новых изделий работают с априорными данными, параметры которых получены на основе информации о существующих аналогах изделия, и описывают ожидаемую форму роста нового продукта. По мере того как рынки для новых изделий обнаруживаются, априорные данные уточняются и обновляются, чтобы улучшить прогнозы. Прогнозы, в свою очередь, используются для того, чтобы анализировать стратегию цепи поставок нового изделия, используя модели оптимизации.
• 4. Оценочные модели. Оценочные модели используются для прогнозирования спроса на новые изделия, для которых не существует никаких статистических данных и данных, имеющих к ним отношения. К этим моделям относятся метод экспертных оценок, метод Делфи, метод "мозгового штурма".

Высокое качество прогноза составляет хорошую основу для построения планов спроса, но прогноз необходимо регулярно уточнять с учетом внешних видов деятельности, оказывающих влияние на спрос того продукта, в отношении которого составляется прогноз.

Этап II. Учет реальных трендов и влияния сезонности. Прогноз состоит из трех основных компонентов.

1. Тренд (T ) – общая динамика объема продаж (которая может быть положительной, отрицательной или нейтральной):

где В t – средний спрос в период t; Вt-1 – средний спрос в период f-1.

Если Т > 1, то объем продаж постоянно растет; если Т < 1, то сокращается. Если же Т = 1, то объем продаж не меняется.

2. Сезонность (S) – регулярно повторяющийся образец (паттерна), выделяемый в рамках прогноза (например, повышение объема продаж к Новому году и Рождеству, продажа спортивного инвентаря для зимних видов спорта):

где –средний месячный объем спроса, ед.; –средний объем спроса за весь период наблюдений, ед.

Среднее значение коэффициента сезонности для всех периодов составляет 1, но в отдельных месяцах оно может колебаться от 0 до 12. Например, если коэффициент сезонности равен 1,2, то ожидается увеличение продаж на 20% среднего значения за год.

3. Шум (I ) – изменения спроса, которые происходят случайным образом и появление которых возможно прогнозировать.

Таким образом, прогнозное значение объема продаж рассчитывают по следующей формуле:

где В – средняя величина спроса за прошедшие периоды.

Пример 4.1

Ниже указан объем продаж за последние 11 кварталов. Составить на основе этих данных прогноз объема продаж на следующие два квартала.

Решение

Шаг 1. Исключение влияния сезонной вариации методом скользящей средней. Заполним табл. 4.1.

Таблица 4.1. Оценка сезонной вариации

Значения 4-го столбца представляют собой округленные до третьей цифры после запятой результаты деления чисел 1-го столбца на числа 3-го столбца и результат.

Затем проведем корректировку коэффициентов сезонности, для чего создадим следующую таблицу (табл. 4.2).

В таблицу вносим оценки сезонной вариации под соответствующим номером квартала в году. В каждом столбце вычисляем среднее значение и результат записываем в строке "Среднее". Сумма чисел в строке "Среднее" равна 3,994.

Чтобы усреднить значения сезонной вариации в целом за год, скорректируем значения в строке "Среднее". Так как значения сезонной вариации – это доли, а число сезонов в году – 4, следовательно, сумма средних коэффициентов сезонности должна быть равна 4. Корректирующий фактор определяется как отношение числа кварталов в году (4) к сумме средних оценок сезонной вариации (3,994).

Таблица 4.2. Корректировка сезонной вариации

Таким образом, итоговые коэффициенты сезонности нужно умножить на множитель 4/3,994. В строке "Скорректированная сезонная вариация" указываются окончательные коэффициенты сезонности. Исключим сезонную вариацию из фактических данных, для чего проведем десезонализацию данных. Числа 1-го столбца поделим на числа 2-го столбца, результат округлим до одной цифры после запятой и запишем в 3-й столбец (табл. 4.3).

Таблица 4.3. Десезонализация данных по объему продаж

Шаг 2. Определение линии тренда. Уравнение линии тренда имеет вид Т = а + bх.

Для вычисления коэффициентов а и b необходимо воспользоваться в Excel статистическими функциями ОТРЕЗОК (изв_знач_у; изв_знач_х) и НАКЛОН (изв_знач_у; изв_знач_х). Изв_знач_у; изв_ знач_х – это ссылки на ячейки, содержащие значения переменных десезонализированного объема продаж (у) и номера квартала (х ). В результате расчета трендовое значение объема продаж будет иметь следующий вид:

Т = 81,6 + 1,2 (номер квартала).

Шаг 3. Расчет ошибок. Рассчитаем ошибку I и заполним табл. 4.4.

Таблица 4.4. Оценка ошибки прогнозирования

Из чисел 2-го столбца вычтем числа 3-го столбца и результат запишем в 4-м столбце.

Таким образом, среднее абсолютное отклонение , среднеквадратическая ошибка . Ошибки достаточно малы, составляют около 1%, что гарантирует получение хорошего прогноза.

Шаг 4. Прогноз объема продаж на XII и XIII кварталы. Прогноз объема продаж на XII квартал составит, тыс. руб.:

(81,6 + 1,2 12) 1,41 1 = 135,4.

Прогноз объема продаж на XIII квартал составит, тыс. руб.:

(81,6 + 1,2 13) 0,757 1 = 73,6.

Чтобы прогноз был достаточно точным, необходимо добиться правильного учета уровня тренда и сезонности, включенных в модель. По мере изменения внешних факторов важно, чтобы аспекты, связанные с трендом и (или) сезонностью, в модели уточнялись.

Этап III. Учет стимулов/продвижения продаж при прогнозировании и планировании спроса. При прогнозировании и планировании спроса необходимо учитывать историю стимулирующих маркетинговые мероприятий (рекламные презентации, распродажи со скидкой, бесплатные предложения пробных продуктов, рекламные акции и т.д.) и их влияние на объемы продаж. Такие изменения часто характеризуются возрастанием спроса непосредственно во время рекламной кампании и падением спроса после ее завершения, когда потребители уже разобрали запасы, выделенные на стимулирование продаж.

Для прогнозирования регулярное стимулирование продаж играет роль сезонного фактора. Если же такие мероприятия проводятся нерегулярно, их следует выявлять и учитывать отдельно.

Точность плана спроса зависит и от информации о будущих маркетинговых мероприятиях, включенных в прогноз. Важно, чтобы эти мероприятия были включены в план спроса так, чтобы план обязательно учитывал их воздействие. Если эти мероприятия не включаются, точность плана спроса снижается.

Стимулирование маркетинговых мероприятий, влияющих на точность прогноза и плана спроса, не ограничивается только теми мероприятиями, которые проводит производственное предприятие. Большое влияние на продажи могут оказать стимулирующие мероприятия конкурентов.

Помимо деятельности конкурентов следует учитывать и стимулирующие действия посредников, также сказывающиеся на объеме продаж.

Этап IV. Учет жизненного цикла продукции. Влияние новых продуктов или вывод из ассортимента прежних продуктов также может повлиять на точность прогноза спроса продуктов.

Вывод на рынок нового продукта часто приводит к поглощению им доли рынка у существующих продуктов. Поэтому приблизительный прогноз объема продаж для новых продуктов должен быть известен заранее, так как он является исходным для прогнозирования спроса на существующие продукты.

Подобные действия необходимо учитывать в плане спроса, составляемом по всем релевантным продуктам.

ВОПРОСЫ ПРАКТИКИ

В сентябре 2004 г. компания Sony представила новую, уменьшенную версию приставки Sony PlayStation. При подготовке к запуску продаж новой модели SCPH-70000 летом 2004 г. Sony остановила производство старой модели SCH-5000x с тем, чтобы на складах каналов распределения приставки опустели текущие запасы. Позже в отдельных городах это привело к задержке с продажами новой модели. Так произошло в Великобритании из-за того, что российский нефтяной танкер застрял в Суэцком канале, заблокировав корабль из Китая с грузом приставок PS2, предназначенных для Великобритании; в течение одной из недель ноября продажи приставки в этой стране составили 6000 экземпляров при 70000 продаж за предыдущую неделю. Дефицит поставок ощущался также в Северной Америке в канун Рождества.

Этап V. Оценка плана спроса. Процесс планирования и прогнозирования спроса, как и любой другой бизнес-процесс, должен оцениваться. Основными показателями его эффективности можно считать следующие .

• 1. Точность прогноза и плана спроса. Она должна определяться в важнейших пунктах процесса разработки. К таким важнейшим пунктам относятся:
  • первоначальный статистический прогноз, на основании которого оценивается качество модели и при необходимости вносятся в модель требующиеся корректировки;
  • план спроса после учета в нем стимулирующих действий, который используется для оценки качества добавленных данных по стимулирующим мероприятий;
  • окончательный вариант плана спроса, когда оценивается его качество.
• 2. Точность стимулирующих действий и случайных мероприятий, добавленных к прогнозу. Эта точность также должна быть измерена. Когда имеются фактические данные по спросу, влияние мероприятия должно сравниваться с тем влиянием, которое было реально достигнуто. Это позволяет более точно оценить аналогичные будущие мероприятия и события, тем самым обеспечивая точность плана спроса.
• 3. Незапланированные изменения.

Этап VI. Согласование плана спроса между всеми участниками цепи поставок. При традиционном прогнозировании и планировании спроса, т.е. когда каждая организация планирует спрос самостоятельно, изолированно друг от друга, точность прогноза существенно ниже, чем при согласованном процессе планирования (рис. 4.2, 4.3).

Рис. 4.2.

Рис. 4.3.

Таким образом, в цепи поставок в процессе выработки согласованного плана должны участвовать все организации, составляющие цепь поставок. Типовая схема взаимодействия между производственным предприятием, выпускающим конечный продукт, и дистрибутором в процессе совместного планирования спроса в цепи поставок приведена на рис. 4.4.

Схема планирования, показанная на рис. 4.4, состоит из следующих шагов.

• 1. Дистрибуторы при взаимодействии с потребителями собирают информацию о предполагаемых объемах потребностей клиентов. В результате формируется план продаж.
• 2. Параллельно служба маркетинга производственного предприятия исследует спрос, факторы, на него воздействующие, влияние на спрос проведенных и запланированных в будущем стимулирующих маркетинговых мероприятий, активности конкурентов. На основе этих данных с использованием статистических моделей формируется прогноз маркетинга.
• 3. Представители дистрибуторов и производственного предприятия один раз в плановый период собираются на совместное совещание и вырабатывают совместный план спроса.
• 4. Совместный план проходит процедуры сравнения с целевыми показателями, оценки выполнимости и утверждения и становится принятым к исполнению планом.

Рис. 4.4.

Таким образом, согласованное планирование спроса позволяет учесть все возможные незапланированные изменения в процессах, выполняемых в производстве и дистрибуции, тем самым повышает точность плана спроса.

Планирование спроса для "производства на заказ"

Компании, производящие и собирающие продукт после получения заказов от клиента, обычно устанавливают три различные временные зоны для обязательств по поставкам (рис. 4.5). Зона твердых заказов содержит только подтвержденные заказы. Зона частичных твердых заказов содержит как подтвержденные заказы, так и, частично, прогноз. Зона прогнозов содержит только прогноз.

Месяц

Рис. 4.5.

Задача планирования спроса при производстве на заказ концентрирует внимание:

• на подтверждении и уточнении заказов клиентов в зоне твердых заказов;
• подтверждении и уточнении заказов клиентов и прогнозировании объемов ожидающихся заказов в зоне частичных твердых заказов. Для этой зоны входными данными являются деятельность по квотированию, проекты в активной фазе и т.д.;
• прогнозировании ожидаемых к получению объемов заказов в зоне прогнозов.

Последовательность действий при планировании спроса для "производства на заказ" такая же, как для "производства на склад"/"завершения на заказ". Различие заключается в отсутствии процесса статистического прогнозирования на уровне единиц хранения запасов.

В этом процессе большую роль играет контакт с клиентами. Нужно получить представление об их планах закупок, понять их отношение к вашим инициативам по выпуску новых продуктов и т.п.

Все методы прогнозирования спроса можно разделить на две группы: качественные и количественные.

Качественные методы прогнозирования субъективны, основаны на суждении экспертов и лиц, принимающих решения, или даже на интуиции. Как правило, эти методы применяются в следующих случаях:

• для долго- и среднесрочного прогнозирования, так как:

в такой перспективе весьма вероятны изменения спроса, которые не носят чисто инерционного характера, а могут отражать существенное изменение условий на том или ином рынке сбыта (макроэкономические изменения, изменение структуры рынка, значительное усиление или ослабление важных участников рынка и т.п.);

при долгосрочном прогнозировании необходимо опираться на поведенческие данные, полученные проведением маркетинговых исследований;

• для прогнозирования спроса на новую продукцию, не имеющую аналогов, что делает недоступным применение метода исторической аналогии;
• профили спроса и связи нестабильны;
• есть необходимость основываться на мнении руководителей или экспертов по субъективным причинам;
• когда нет возможности даже для краткосрочного прогнозирования применить количественные методы (например, когда нет необходимого для применения количественных методов объема исходных данных или когда прогноз должен быть получен очень быстро, и нет времени на то, чтобы выполнить необходимый количественный анализ).

Качественные методы имеют определенные недостатки, которые необходимо осознавать при их применении:

• в силу субъективности прогноза есть большая вероятность смещения прогноза, то есть его систематического отклонения от факта в ту или иную сторону;
• как правило, неполнота документирования – редко, когда получение прогноза таким способом сопровождается развернутыми объяснениями экспертов о том, почему они выбрали именно такой прогноз, а не иной.
• они не практичны, когда необходимо подготовить прогноз спроса для сотен или даже тысяч номенклатурных позиций продукции — человек не в состоянии оперировать такими объемами информации;
• есть опасность доминирования одной точки зрения над остальными (например, точки зрения руководителя или ведущего признанного эксперта) при консолидации экспертных мнений (например, при применении метода консенсус-панели), и не факт, что эта доминирующая точка зрения окажется ближе к истине.

Количественные методы можно разделить на две подгруппы: экстраполяционные и регрессионные.

Экстраполяционные методы (основанные на продлении наблюдающейся тенденции в будущее) основаны на нескольких важных предположениях:

• будущее будет похоже на прошлое, не произойдет никаких существенных изменений в расстановке сил на рынке;
• есть качественные ряды исходных данных достаточной длины;
• профиль спроса в будущем будет таким же, как и в прошлом.

Существует множество различных экстраполяционных методов: метод скользящей средней, метод экспоненциального сглаживания, метод экстраполяции тренда, нейросетевые модели и др.

В рядах динамики могут выделяться следующие основные профили (компоненты):

• тренд, показывающий основное направление движения ряда динамики;
• сезонная компонента, показывающая колебания сезонного характера (лето, зима; последние недели месяца, последние дни недели, и т.п.);
• случайная компонента — то, что невозможно спрогнозировать в принципе;
• циклическая компонента — выделяется для очень длинных рядов динамики и на практике редко используется на предприятиях, поскольку требует накопления многолетней статистики и относительно неизменных условий.

Любой из экстраполяционных методов подразумевает, что для прогнозирования спроса достаточно опираться на данные о спросе в прошедших плановых периодах. Эти данные, как правило, хранятся в базах данных предприятия (в ERP-системе или СКЬ-системе), поэтому экстраполяционные методы относительно недороги в их использовании.

Регрессионные методы основаны на построении причинно-следственных связей между величиной спроса и факторами, на нее влияющими. Факторы могут при этом иметь как демографический, так и экономический характер. Для применения регрессионных методов необходимы ряды данных достаточной длины, причем как данные о спросе, так и данные о факторах, влияющих на спрос. Для вычисления прогнозных значений спроса строится модель регрессии, связывающая факторы и результативный признак. Можно сказать, что эти методы самые сложные и дорогостоящие, поскольку они требуют сбора и обработки не только внутренней, но и внешней для предприятия информации на регулярной основе. Построение модели регрессии (однофакторной или, в более сложном случае, многофакторной) требует нескольких шагов:

• выделение состава факторов (обычно этот шаг выполняется экспертами);
• проверка факторов на предмет меры их влияния на результативный признак;
• проверка факторов на их взаимную корреляцию (связь) с целью отсева лишних факторов, действующих однонаправленно;
• построение регрессионной зависимости;
• прогнозирование значений каждого из факторов регрессионной модели на будущий плановый период (будущие плановые периоды);
• формирование прогноза результативного признака (то есть спроса) на основе применения модели регрессии.

Из приведенного выше списка очевидно, что регрессионные методы требуют большого объема исходной информации и немалых навыков ее статистической обработки. Поэтому применяют эти методы в бизнесе, как правило, тогда, когда прогноз, полученный более простыми и дешевыми методами, не дает устраивающее предприятие качество.

На первый взгляд, вопрос звучит абсурдно, но если внимательнее разобраться, то можно выявить следующее: «если у товара значительное число фактов нулевых продаж (спрос на товар редкий), то все методы точечного прогнозирования (в том числе и сложные), будут давать плохой результат»

Выходом из ситуации может стать применение специальных методов математического моделирования, позволяющих рассчитать накопительную вероятность возникновения спроса. То есть оценить не стараясь угадать число проданного, а посмотреть с какой вероятность может быть продан тот или иной объем товара. Это позволит нам понять, сколько товара необходимо хранить, чтобы обеспечить тот или иной уровень сервиса.

При упрощении механизм следующим образом. Специальное программное обеспечение проводит серию экспериментов (100 000 раз) о возможном спросе на товар на период поставки (в западной практике - lead time LT). Анализируется, сколько раз случился спрос разного объема. После этого строится накопительная вероятность распределения спроса (не более какого объема товара будет продано с разной вероятностью)

После этого учитывается уровень сервиса и рассчитывается оптимальный товарный запас, как значение спроса, соответствующее накопительной вероятности, равной уровню сервиса.

Более наглядно это можно посмотреть на следующем графике или таблице: (из программы Forecast NOW!):

Рис. 1 Уровень сервиса и оптимальный товарный запас на примере программы Forecast NOW!

На рисунке светло-синим построена накопительная вероятность. Оптимальный запас находится на пересечении выставленного уровня сервиса и накопительной вероятности.

Таким образом, применение подобных методов поможет сразу рассчитать оптимальный товарный запас для товаров редкого спроса.

Важным вопросом остается критерий отнесения товаров к редкому спросу:

Для этого считается среднее расстояние в днях между соседними фактами продаж. Если это число больше 1.25 дней, то перед нами редкий спрос, если меньше - гладкий.

История продаж товара:

Среднее расстояние между соседними фактами продаж = ((3-1)+(4-3)+(7-4)+(8-7))/4 = 1,75 >1,25 -> спрос редкий

Но для товаров гладкого спроса без прогнозирования спроса не обойтись:

Для чего нужно прогнозировать спрос

Работа любого торгового предприятия неизбежно связана с проблемой оптимизации товарных запасов. Избыток товаров приводит к дополнительным финансовым издержкам, а недостаток - к потере постоянных покупателей и снижению объемов продаж. В обоих случаях происходит недополучение возможной прибыли, что в условиях острой конкуренции может стать причиной банкротства предприятия.

Одной из важнейшей составляющих поддержания оптимального ассортимента товаров является оперативное и долгосрочное прогнозирование спроса. Конечно, при планировании закупок можно ничего и не прогнозировать, используя как источник исходной информации устоявшийся или возникший уровень спроса. Однако такой устаревший подход в условиях динамично изменяющегося рынка и "избалованного" покупателя трудно назвать эффективным (за исключением небольших поселений, где имеется всего один магазин).

Прогнозирование спроса позволяет не только разработать оптимальный план закупок, но и эффективно управлять ресурсами предприятия. Так, например, зная, что в следующем месяце возникнет повышенный спрос не мороженое, можно будет заранее принять на работу продавцов, закупить холодильное оборудование и предусмотреть дополнительное финансирование. Если же все подобные мероприятия начать проводить в пик сезона, то все усилия могут оказаться напрасными и, даже убыточными.

Как прогнозировать спрос

Чтобы спрогнозировать спрос, разработано огромное количество теорий и специальных инструментов.

Специальное ПО

Так, например, при планировании закупок для супермаркета не обойтись без специализированного программного обеспечения. Основная проблема здесь в огромном ассортименте товаров, который просто физически невозможно "удержать в голове". Кроме того, специальное ПО позволяет автоматизировать процесс подготовки заявок, что при больших объемах закупок дает возможность сэкономить массу времени.

Microsoft Excel

При небольшом ассортименте товаров отличные результаты в прогнозировании спроса можно получить с помощью стандартного приложения Microsoft Excel. Специальные статистические функции, такие как, например, ТЕНДЕНЦИЯ и РОСТ, позволяют без ввода сложных формул мгновенно обработать большие массивы информации. Богатые оформительские возможности Microsoft Excel помогут представить полученные данные не только в табличном виде, но и в более наглядном - в форме графиков и диаграмм.

Вручную

Прогноз спроса на отдельные позиции товаров можно составлять и вручную. Так, например, если товар является новинкой, то даже самые мудреные статистические формулы и ранее накопленная информация не помогут предугадать его популярность. В таких случаях приходится надеяться не на расчеты, а на интуицию и на дополнительные факторы (мнения покупателей, рекламная поддержка и т.п.).

Формулы и методы прогнозирования спроса

Методы, используемые при прогнозировании спроса, отличаются большим разнообразием - от наивных (предполагается, что спрос в следующем месяце будет такой же, как и в прошедшем) до применения в расчетах сложных экономических и математических теорий и их программных реализаций (нейронные сети).

Метод Простой средней

Простейшим из подобных методов является использование вычислений по формуле "простого среднего". Прогноз спроса на следующий период при этом способе высчитывается как среднее арифметическое показателей спроса за все предыдущие периоды. Недостатком этого метода является его высокая "консервативность" - устаревшая информация о прежних продажах помешает проявиться последним тенденциям спроса.

Метод скользящего среднего

Более оперативно на изменение спроса реагирует метод "скользящее среднее". Расчет при этом производится не на основании данных за весь срок наблюдения, а за несколько последних периодов.

Ключевым вопросом является определение «окна скольжения» - за сколько последних периодов необходимо проводить усреднение. Чем больше этот период, тем больше совпадает прогноз по скользящему среднему с простым средним.

Определить период можно эмпирически на основании ошибки прогноза (RMSE) - рассчитать эту ошибку для разных периодов и выбрать оптимальный.

Очевидно, что оптимальным является период в 4 дня.

Интересной вариацией метода является расчет скользящей средней по определенным дням (то есть - для всех понедельников считается скользящая средняя за n последних понедельников, и т.д.) Такой метод может подойти товаров, обладающих ярко выраженной внутри недельной сезонностью (например, хлеб).

Метод средневзвешенной

Сочетанием вышеописанных методов является "метод взвешенного скользящего среднего". В этой модели вычисляется средневзвешенное значение на основании нескольких периодов, но более отдаленным периодам придаются меньшие веса. Таким образом, для расчетов можно брать более длительные наблюдения, но ограничить влияние на расчеты неактуальных данных.

Метод экспоненциального сглаживания

К сожалению, вышеперечисленные методы расчетов "по среднему" позволяют получить лишь очень приближенные результаты. Более точного прогноза можно добиться при использовании моделей "экспоненциального сглаживания" и "экспоненциального сглаживания с трендом". В первом методе последний прогноз объема продаж, корректируется на основе ошибки прогноза, допущенной в последнем периоде. При втором методе расчетов (называемом еще методом "двойного экспоненциального сглаживания") учитываются данные с трендами - благодаря этому данный метод может использоваться даже для среднесрочного прогнозирования.

Метод "Хольта-Уинтерса"

Для учета сезонности и общего тренда спроса применяется модель "Хольта-Уинтерса" (трехпараметрическое экспоненциальное сглаживание). Чтобы получить прогноз спроса в этом методе необходимо правильно подобрать три параметра. Для этого можно использовать как специальные алгоритмы, так и ограничиться простым перебором.

Метод Авторегрессии

При желании получить еще более совершенные прогнозы можно использовать модели "авторегрессии". Эта методика позволяет провести очень подробный анализ имеющихся данных, выявить любые тенденции и отсеять случайные влияния. Однако, в отличие от предыдущих методов, подбор множества параметров потребует от пользователя очень много усилий и времени.

Нейронные сети, генетические алгоритмы

Следует отметить, что чем более сложные методы прогнозирования используются, тем труднее их практическое применение и тем выше вероятность возникновения ошибок. Анализ огромных объемов информации, подбор оптимальных параметров, оперативный учет колебаний рынка - все это порой находится на пределе человеческих возможностей. Наиболее перспективным в решении этой проблемы является использование алгоритмов "нейронных сетей". В этой методике специальная программа после предварительного обучения способна самостоятельно найти лучшее решение - при этом пользователю не нужно вникать во все премудрости используемых теорий. Кроме того "нейронные сети" способны учесть скрытые тенденции и создать достоверный прогноз в такой нестабильной ситуации, где ранее прогнозирование считалось вообще невозможным.

По проведенным специалистами проекта «Forecast NOW» исследованиям прогнозирование нейронными сетями дает лучший результат, чем по всем вышеприведенным методам:

По оси Х показано количество товаров при анализе, по Y- а сколько процентов нейронные сети оказывается лучше, чем другой алгоритм в относительном выражении.

Рис. 2 Нейронные сети + Генетические алгоритмы (ГА) и экспоненциальное сглаживание

Рис. 3 Нейронные сети + Генетические алгоритмы (ГА) и авторегрессия

Рис. 4 Нейронные сети + Генетические алгоритмы (ГА) и метод Хольта Винтерса

Из рисунков видно, что прогнозирование нейронными сетями дает значительно лучший результат.

Выводы

Для прогнозирования спроса нужно:

1. Определить характер спроса на товар (если гладкий - прогнозирование нужно, если редкий - прогнозирование не нужно, можно рассчитывать оптимальный запас методами математического моделирования)
2. Определить способы прогнозирования спроса (если товарный ассортимент небольшой, то можно вручную или при помощи Excel, если большой - лучше использовать специальное программное обеспечение
3. Определить методы прогнозирования спроса (для некоторых товаров хорошо работают стандартные методы (см про скользящее среднее), в общем случае лучшие результаты достигаются нейронными сетями
4. Важно помнить, что прогнозирование спроса - лишь первое звено цепочки поставок, и даже самый точный прогноз спроса в случае неправильного управления запасами и пополнением не сможет обеспечить эффективность всей цепочки поставок.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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 спроса или другого 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 прогнозирования спроса, а была гибкой и могла адекватно реагировать на те или иные изменения в спросе. Пронозирование спроса позволяет эффективно наладить работу отдела логистики, так как исходя из прогнозирования спроса логист может составить прогноз поставок, т.е. прогнозирование спроса помогает отделу логистики составить прогноз предложения. При прогнозировании спроса надо быть очень акккуратным, так как любая ошибка в прогнозировании спроса может привести к плачевным результатам. Прогнозирование спроса не должно стать целью, а только средством. Причем каждый день надо обновлять прогнозирование спроса, чтобы оно было актуальным, ведь прогнозирование спроса есть взгляд в будущее продаж, а это очень важно.

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.сайт ЛОГИСТ рекомендует:

Для оптимизации процессов разгрузки и погрузки, используйте мобильные рампы AUSBAU.

Высокая эффективность, снижение затрат, рост прибыли.

компания "АВ-эксим", эксклюзивные прямые поставки в по Украине, России, Беларусь, Казахстан и др. страны СНГ. Связаться

1. Точность прогнозирования спроса 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 детальное прогнозирование спроса.

В таблице 1 представлена матрица прогнозирования 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 среднесрочного и краткосрочного прогнозирования спроса 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 ДЕЛАТЬ ПРОГНОЗИРОВАНИЕ СПРОСА

Существуют условия, при которых делать прогнозирование спроса 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 ПРОГНОЗА

Для 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

Кроме 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.

Рисунок 2. Смещение (BIAS)

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.

При 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).

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.

Рисунок 3. Этапы прогнозирования

Таким образом прогнозирование спроса на основании статистических и исторических методов дает общую картину, но никогда прогнозирование спроса не дат четкого ответа СКОЛЬКО, ЧЕГО, КОГДА. Это не цель прогнозирования спроса. Прогнозирование спроса необходимо, чтобы товары, которые будут поставляться, были в рамках общего прогноза. К примеру на зиму можно сделать прогнозирование спроса в теплой обуви, но не значит что это будут именно валенки. Прогнозирование спроса, это как астрологический прогноз - очень близко, но не 100%. В любом случае прогнозирование спроса должно опираться на опыт предприятия в данной области.

ИНСТРУМЕНТЫ

Один 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

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