в чем заключается прогнозирование спроса

Алгоритм прогнозирования спроса

LN рассчитывает прогноз спроса на основе ретроспективы спроса с использованием следующего алгоритма.

Основные шаги расчета:

В следующих разделах описан каждый из перечисленных шагов расчета.

Прогноз спроса основывается на данных ретроспективы спроса в период времени от даты начала сценария и текущим плановым периодом.

Данные ретроспективы спроса состоят из следующих полей в сеансе Основной план изделия (cprmp2101m000) или сеансе Основной план по каналам (cpdsp5130m000):

LN преобразует ретроспективу спроса для текущего основного плана из плановых периодов в периоды прогноза фиксированной длины на основе поля Длина периода прогноза в сеансе Сценарии (cprpd4100m000). Смотрите Распределение количеств основного плана по календарным дням

LN увеличивает фактический спрос на воображаемый спрос для нерабочих дней, например, праздников, чтобы предотвратить колебания спроса. Воображаемый спрос равен среднему спросу для периода прогноза.

После извлечения системой LN доступной ретроспективы спроса на плановую единицу, она проверяет, достаточно ли ретроспективы спроса для выполнения прогноза спроса. Система LN считает периоды прогноза от первого периода с фактическим спросом до текущего периода.

Критерий определения минимального числа периодов спроса зависит от используемого метода прогнозирования и сезонного цикла. Если данных ретроспективы недостаточно, система LN отменяет расчет прогноза спроса и сообщает причину отмены.

Определение коэффициента тренда зависит от:

В приведенных ниже рассуждениях предполагается, что флаг Автообновление параметров прогноза не выбран. Случай использования автоматического обновления параметров прогноза будет описан позже.

Если в поле Тип трендового влияния указано Линейный, влияние тренда описывается следующей формулой:

Где CS = константа спроса, TF = коэффициент тренда, FD(t) = прогноз спроса для периода t

Система LN рассчитывает коэффициент тренда (TF) и константу спроса (CS) на основе полинома первой степени с помощью полиномиальной регрессии. Смотрите Принципы полиномиальной регрессии Если имеется сезонный цикл, система LN определяет полином первой степени на основе целого числа сезонных циклов.

Если в поле Тип трендового влияния указано Прогрессивный, влияние тренда описывается следующей формулой:

Где BS = базовый спрос (оценочный спрос для периода 1), TF = коэффициент тренда, FD(t) = прогноз спроса для периода t

LN определяет коэффициент тренда (TF) и базовый спрос (BS) при помощи следующего расчета:

Если в поле Тип трендового влияния указано Не применяется, коэффициент тренда не используется.

LN проверяет наличие тренда. LN отчитывается о следующих ситуациях без фактического изменения типа трендового влияния:

Если в поле Тип трендового влияния указано Линейный или Не применяется, LN вычисляет коэффициент тренда в соответствии с методом для линейных трендов. Если найденный коэффициент тренда равен нулю, система LN устанавливает в поле Тип трендового влияния значение Не применяется.

LN сообщает о любом автоматическом изменении поля Тип трендового влияния.

Сезонная схема зависит от нескольких сезонных коэффициентов: один сезонный коэффициент для каждого периода прогноза в сезонном цикле.

Если выбран флаг Автообновление параметров прогноза, система LN может автоматически обновить следующие поля.

Сезонные коэффициенты рассчитываются следующим образом:

Если в поле Тип сезонного влияния указано Константа, сезонный коэффициент равен фактическому спросу минус скорректированный с учетом тренда средний спрос для соответствующего периода. Расчет следующий:

Прогрессивный Если в поле Тип сезонного влияния указано Прогрессивный, сезонный коэффициент равен фактическому спросу, разделенному на откорректированный с учетом тренда средний спрос для рассматриваемого периода. Расчет следующий:

Указанный выше сезонный коэффициент рассчитывается как средний сезонный коэффициент для каждого периода.

Система LN проверяет наличие сезонной схемы. Система LN отчитывается о следующих ситуациях:

Считается, что сезонная схема имеется, если значение в поле Коэффициент сезонной корреляции не меньше 0.8.

Если выбран флаг Автообновление параметров прогноза и возникает одна из упомянутых выше ситуаций, система LN соответственно меняет значение в поле Тип сезонного влияния.

Если в поле Тип сезонного влияния указано Константа или Не применяется, LN вычисляет сезонную схему в соответствии с методом для Постоянных схем. Если сезонная схема не обнаружена, система LN устанавливает в поле Тип сезонного влияния значение Не применяется.

Если в поле Тип сезонного влияния указано Прогрессивный, LN вычисляет сезонную схему в соответствии с методом для Прогрессивных схем. Если схема не обнаружена, система LN устанавливает в поле Тип сезонного влияния значение Не применяется.

LN сообщает о любом автоматическом изменении поля Тип сезонного влияния.

После того, как система LN спрогнозирует спрос для плановой единицы, будет определена следующая информация об ошибках и корреляции:

Система LN преобразует рассчитанный прогноз спроса для периодов спроса из периодов фиксированной длины в плановые периоды с переменной длиной периода. Это обратный процесс для процесса извлечения ретроспективы спроса.

Система LN по-разному работает с рабочими и нерабочими днями. Календарем провайдера компании определяются рабочие дни. Это означает, что прогноз спроса для дней с нулевыми мощностями игнорируется, т.е. прогноз спроса не генерируется для праздников и выходных.

Источник

Прогнозирование спроса

КОРОТКО О СТАТЬЕ

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:

КОГДА НУЖНО ПРОГНОЗИРОВАНИЕ?

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?

В итоге процесс составления прогноза продаж может быть следующим:

КАК НАСТРОИТЬ ПРОЦЕСС В 1С:ERP?

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.

КАК УЧЕСТЬ СЕЗОННОСТЬ СПРОСА?

КАК УЧЕСТЬ РАЗНУЮ СЕЗОННОСТЬ В РАЗНЫХ РЕГИОНАХ?

График сезонных коэффициентов в 1С: ERP

КАК 1C:ERP РАССЧИТЫВАЕТ СЕЗОННЫЕ КОЭФФИЦИЕНТЫ?

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

СПРОС ЗАВИСИТ ОТ ПАРАМЕТРОВ ТОВАРОВ — КАК УЧЕСТЬ?

КАК ПРОГНОЗИРОВАТЬ СПРОС НА НОВИНКИ?

В общем случае схема расчета выглядит следующим образом:

Нормативы распределения по размеру изделия представлены в таблице ниже:

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

КАКИЕ ДАННЫЕ БРАТЬ?

Ошибки измерения

Дефицит товара

В системе 1С: ERP при формировании плана продаж можно автоматически рассчитать долю наличия товаров на складе и таким образом учесть « отложенный спрос».

Нетипичный заказ

Специфика отрасли и компании

Спрос спортивных команд обладает рядом особенностей:

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.

Автор:

Агафонова Татьяна

Методист отдела разработки «1С:ERP Управление предприятием» фирмы «1С»

Источник

Data Science для предсказания спроса: как это работает на самом деле?

CEO AI Today, Founder AI Community

AI Community в рамках проекта AI Heroes регулярно проводит вебинары с ведущими экспертами в области Data Science. 27 февраля прошел вебинар с сооснователем и Chief Data Scientist компании Rubbles Александром Фонаревым на тему предсказания спроса.

Rubbles (международный бренд SBDA Group) занимается разработкой data science и data-driven решений для крупных бизнесов: банков, ритейлеров, промышленных предприятий. У компании более 30 клиентов в России (Сбербанк, «Альфа-Банк», «Тинькофф», X5 Retail Group, KFC) и за рубежом.

На вебинаре мы узнали, когда бизнесу начинать использовать машинное обучение для прогнозирования спроса, какие данные собирать, какой ожидать экономический эффект, как интерпретировать прогноз, как грамотно организовать работу команды и поддерживать построенные модели. Делимся самым интересным.

Предсказание спроса с точки зрения бизнеса

Предсказание спроса — один из ключевых инструментов для функционирования процессов в компаниях из FMCG, QSR (рестораны быстрого питания) и ритейла. На примере ритейла при повышении точности прогнозирования значительно повышается эффективность таких процессов, как:

Глубокий анализ данных позволяет получить дополнительную информацию для поддержки принятия решений:

Предсказания можно осуществлять в различных разрезах, что дает возможность рассчитать ключевые бизнес-показатели:

Внедрение системы предсказания спроса на базе машинного обучения позволяет сделать первый шаг к построению рекомендательной системы в областях ассортиментного, ценового и промо-планирования за счет скорости расчета прогнозов при возможности задавать различные входные параметры.

Например, на этапе планирования акции менеджер может смоделировать множество сценариев с различными механиками промо и выбрать тот, который будет максимально удовлетворять поставленным KPI.

Как работает машинное обучение для предсказания спроса

Для этой задачи используется метод машинного обучения «с учителем». Собираются данные, которые позволяют максимально подробно описать поведение спроса. На их основе формируется набор признаков, который подается на вход в модель машинного обучения. Модель извлекает закономерности между признаками и спросом, которые в дальнейшем используются для формирования прогноза спроса.

Например, можно взять исторические продажи, объединить данные в тройки «товар — магазин — день» и научить модель находить потенциально полезные для прогнозирования сигналы.

Модель не ограничена количеством признаков, но для качественных предсказаний необходимы такие данные:

Разумный минимум глубины данных — от полутора лет. Данные за год нужны для обучения модели, так как в продажах существуют годовые и циклические закономерности, которые необходимо выявить для повышения качества модели. Остальные данные (отрезки в несколько месяцев) нужно оставить для внутренних экспериментов и тестирования модели и точности ее прогноза.

Какие данные необходимы?

При прогнозировании возможно учитывать и внешние данные:

Но часто значимость внешних данных сильно переоценена.

Например, при очевидном влиянии погоды на продажи, не существует точного прогноза отрезком дольше двух недель, а если брать средние показатели за 10 лет, то нужно учитывать наличие аномальных случаев жары или холода. Поэтому лучше извлекать максимум пользы из внутренних данных, и тогда модель сама будет вовремя интерпретировать сигналы и улучшать прогноз.

Оценка качества и экономический эффект от прогнозирования

При оценке качества прогнозов принято использовать две ключевые метрики:

При оценке качества прогноза ставится общая цель на уменьшение WAPE и задаются ограничения на BIAS в зависимости от прогнозируемой категории. Например, для скоропортящихся продуктов смещение BIAS в положительную сторону критично, так как это приводит к риску списания товара.

Повышение точности предсказания спроса оказывает прямое влияние на экономический эффект в управлении товарными запасами. Для его оценки сравниваются два модельных сценария — со старым и новым прогнозом. Затем оценивается сокращение влияющих на выручку и валовую прибыль негативных эффектов, вызванных перепрогнозом и недопрогнозом конкретных связок «товар — магазин — период».

Интерпретируемость прогнозов

Распространена ситуация, когда бизнес-пользователи не принимают результаты модели, несмотря на кажущееся повышение качества предсказания. Отсутствие доверия вызвано тем, что предсказания строятся в «черном ящике» и их сложно интерпретировать с точки зрения бизнес-смысла.

Для интерпретации модели прогнозов можно использовать разные параметры, которые учитываются моделью. Например, это могут быть эластичность по цене, каннибализация, гало-эффект и многие другие.

Эластичность по цене

Учебники по экономике показывают красивую гиперболическую зависимость спроса от цены. На самом деле эта зависимость выглядит скачкообразно. В модель изначально не заложены требования к зависимости спроса от цены, но бизнес-пользователю это интересно.

Для этого следует заложить ограничения монотонности по признакам: задать алгоритму условие, при котором он будет искать зависимость спроса по цене.

Без потери качества соблюдается монотонность по цене и результат, который выдает модель, совпадает с внутренними ожиданиями пользователя.

Каннибализация

Это сокращение спроса одного товара за счет возросшего спроса на другой товар в аналогичной категории.

Отслеживание каннибализации следует отдельно закладывать в модель, так как для нее не очевидны зависимости спроса двух схожих товаров.

Объем работы зависит от количества товаров. При малом количестве товаров можно настроить матрицу каннибализации вручную. Это требует временных затрат, но результат будет ощутим.

При большом количестве товаров универсального хорошего решения нет. Можно анализировать пользовательские сценарии принятия решений или смотреть различные корреляции товаров по историческим данным.

Организация процесса работы

Поддержка моделей

Выводы

Как получить максимум?

Фото на обложке: Shutterstock / ZoneCreative

Источник

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 оссобенность 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:

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:

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.

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?

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:

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:

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.

Метод Хольта-Винтерса

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

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.

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.

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.

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.

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?

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.

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.

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.

Источник