Журнал: ФармОбоз.

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

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

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

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

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

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

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

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

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

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

Рt – прогноз величины спроса на период t;

Бt – величина базового спроса в период t;

Сt – коэффициент сезонных колебаний в период t;

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

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

Давайте рассмотрим все составляющие по порядку.

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

Расчет представлен в таблице 1 и формулах.

Таблица 1 – Определение индекса сезонности

3. коэффициент поправок на стимулирование продаж. Этот коэффициент устанавливает отдел маркетинга, исходя из собственного опыта, поскольку расчету не подлежит.
Кроме базовой модели прогнозирования спроса существует большое количество статистический методов. Перечислим некоторые из них:

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

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

Экспоненциальное сглаживание. Применяется для нестабильных товаров, в связи с этим точность прогноза будет невысока. Примеры на рисунках 2, 3, 4.
Рисунок 2 – Пример прогноза для нестабильного товара (степенная функция).

Рисунок 3 – Пример прогноза для нестабильного товара (полином)

Рисунок 4 – Пример прогноза для нестабильного товара

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

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

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

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

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

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

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

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

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

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

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

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

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

Автоматизация и ускорение процесса принятия решения об объемах поставок;

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

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

Моделирование и прогнозирование спроса населения на товары и услуги

Научное прогнозирование спроса необходимо для вы­работки долгосрочной экономической политики и приня­тия тактических управленческих решений в области производства продукции и торговли товарами народного пот­ребления.

Спрос должен прогнозироваться на всех уровнях уп­равления экономикой.

На макроуровне на основе прогнозов спроса на товары народного потребления разрабатывается механизм государственного воздействия на потребительский рынок с целью обеспечения сбалансированности спроса и предло­жения и наиболее полного удовлетворения потребностей населения в товарах как в текущем периоде, так и в перспективе. Подобного рода проблемы решаются и на регио­нальном уровне.

На микроуровне прогнозы спроса разрабатывают­ся как торговыми организациями, так предприятиями-пот­ребителями и изготовителями.

Торговые организации в условиях рыночных отноше­ний могут требовать от предприятий-производителей пос­тавок товаров, необходимых населению.

Предприятия-производители на основе результатов про­гнозных расчетов спроса заключают договоры на поставку продукции и формируют производственную программу.

Разрабатываются долго-, средне- и краткосрочные про­гнозы спроса. Различия целей отдельных видов прогнозов временного аспекта придают каждому из них специфичес­кие особенности. Так, краткосрочные прогнозы реа­лизуются в рамках уже сложившейся структуры спроса и возможностей производства продукции. Результаты про­гнозов используются для обоснования заказов и заявок на товары народного потребления, расчетов товарного обеспе­чения розничного товарооборота и для принятия управлен­ческих коммерческих решений. Краткосрочные прогнозы разрабатываются на месяц, квартал, год. Они должны от­личаться более высокой степенью точности. При кратко­срочном прогнозировании определяется достаточно широ­кий круг показателей (совокупный спрос, спрос на груп­пы товаров, ассортиментная структура и др.).

При разработке среднесрочных прогнозов учиты­ваются сложившаяся структура, возможности производства и влияние инвестиций на развитие производственной деятельности. В течение трех - пяти лет ассортимент товаров в стране существенно обновляется и заметно изменяется структура спроса. В этих условиях нет необходимости де­тализировать прогноз спроса до моделей и марок товаров. Достаточно определить совокупный спрос с выделением ос­новных товарных групп.

Долгосрочные прогнозы (свыше пяти лет) служат средством разработки стратегии производства товаров и тор­говли. Особенностью долгосрочного прогнозирования спро­са является то, что оно не обусловливает необходимость увязки прогнозных оценок со складывающейся структу­рой производства. Долгосрочный прогноз спроса служит основой разработки перспективных направ­лений развития производства товаров и торговли.

Различные по срокам упреждения прогнозы отлича­ются также методами прогнозирования.

Для повышения точности прогнозов необходимо при­менять комплекс методов прогнозирования с целью полу­чения нескольких вариантов прогноза и выбора оптималь­ного варианта.

Спрос выступает в качестве определяющего фактора при принятии решений о производстве или импорте того или иного вида продукции, поэтому он должен изучаться как внутри страны по регионам, так и на мировом рынке.

Процесс прогнозирования спроса включает ряд этапов:

Комплексное исследование рынка, конкурентной сре­ды, выделение сегментов рынка;

Анализ состояния спроса и предложения, определение степени удовлетворения спроса населения в конкретных то­варах, совокупного спроса; анализ факторов, влияющих на спрос и установление взаимозависимости показателей;

Выбор методов прогнозирования;

Осуществление прогноза спроса;

Оценка надежности прогноза;

Определение перспектив развития спроса населения;

Разработка конкретных мероприятий по более пол­ному удовлетворению спроса населения.

Прогнозирование платежеспособного спроса базирует­ся на статистике ретроспективного периода и на прогнозе ряда факторов, определяющих спрос.

Для осуществления прогнозных расчетов необходима следующая исходная информация:

Сведения о численности населения, половозрастном составе в прогнозном периоде, количестве городских и сельских жителей;

Динамика спроса и предложения;

Данные о развитии сельскохозяйственного производ­ства и производства товаров народного потребления;

Балансы денежных доходов и расходов населения;

Распределение населения по размеру доходов;

Бюджеты семей рабочих, служащих, колхозников;

Данные специальных единовременных выборочных
обследований запасов предметов длительного пользования
у населения, доходов и расходов;

Сведения об индексах потребительских цен (общих и индивидуальных - по конкретным товарам), соотноше­нии внутренних и мировых цен;

Данные опроса покупателей с целью выявления их желания в приобретении определенных товаров;

Изменение денежных доходов населения в предшест­вующих и прогнозном периодах;

Доля расходов населения на продовольственные, не­продовольственные товары, отдельные группы товаров в предшествующие периоды.

На начальном этапе прогнозирования выявляются тен­денции изменения спроса.

Для анализа тенденций изменения спроса целесооб­разно использовать графики и различного рода диаграммы и картограммы.

На основе выявленных тенденций спрос на кратко­срочный период целесообразно определять с помощью ме­тодов экстраполяции: метода подбора функции, экспонен­циального сглаживания с регулируемым трендом и др.

В случае устойчивой тенденции изменения спроса про­гнозные расчеты можно производить путем выравнивания динамических рядов и подбора функции (у = at + b - линейная, у = at 2 + bt + с - параболическая и др.).

При изменяющихся условиях целесообразно применять метод экспоненциального сглаживания с регулируемым трендом. Развитие спроса подвержено сезонным колебани­ям, которые необходимо учитывать при краткосрочных про­гнозах на квартал, месяц. Учет влияния сезонных колеба­ний продаж (спроса) целесообразно проводить с помощью расчетных индексов сезонности.

На практике для изучения спроса широко использу­ются наблюдения, опросы покупателей о покупательских намерениях (анкетные опросы, интервьюирование), ярмар­ки, выставки, книги предложений, тестирование, рек­лама.

На макроуровне наиболее широкое распростране­ние для прогнозирования спроса получил нормативный ме­тод, предполагающий использование норм потребления продуктов (товаров) на душу населения. При этом в зави­симости от прогнозного периода необходимо применять сле­дующие подходы.

При определении спроса на длительную перспек­тиву целесообразно использовать рекомендуемые (рациональ­ные) нормы потребления. Например, рациональная норма пот­ребления мяса и мясопродуктов на душу населения - 82 кг в год. На основе этой нормы и численности населения в стране (регионе) рассчитывается потребность в мясе и мясо­продуктах на прогнозный период. Потребности выступают в качестве ориентира для развития производства и разра­ботки мер с целью достижения рациональных норм пот­ребления.

Краткосрочные прогнозы спроса следует строить с учетом корректировки норм потребления. Для этого фак­тическое потребление на душу населения анализируется по периодам и сопоставляется с рекомендуемыми норма­ми. Выявляются тенденции потребления продукции, тем­пы падения или увеличения спроса, причины его изменения.

Затем с учетом влияния факторов, прежде всего из­менения доходов населения и потребительских цен, опре­деляется реальное потребление на душу населения в про­гнозном периоде.

Прогнозы спроса по важнейшим товарам разрабатыва­ются для анализа и прогнозирования состояния товарных рынков и выработки рекомендаций о мерах государствен­ного воздействия на эти рынки, а также обеспечения за­интересованных организаций информацией о динамике спроса.

В рыночной экономике спрос на товары народного пот­ребления формируется под влиянием ряда факторов, по­этому для осуществления прогнозных расчетов рекоменду­ется использовать многофакторные модели - линейные или нелинейные:

y 1 = а 1 х 1t + a 2 x 2t + ...+ а n х nt + b;

y 1 = bx 1t a1 * x 2t a2 *….. * x nt an

где у - показатель спроса на товар; x 1 , x 2 , … х n: - факто­ры, влияющие на спрос.

С помощью корреляционно-регрессионного анализа ус­танавливается связь между спросом и факторами, опреде­ляются ее форма (линейная, нелинейная) и теснота связи.

Целесообразно разрабатывать несколько вариантов про­гнозов спроса на товары народного потребления, отличаю­щихся значениями определяющих их факторов. Сравне­ние различных вариантов позволяет выбрать тот, который обеспечивает наиболее полное удовлетворение потребнос­тей населения в отдельных товарах.

Прогнозирование спроса можно осуществлять на осно­ве однофакторных моделей. Их целесообразно применять при необходимости учета влияния важнейшего фактора на спрос. Например, при стабильном уровне цен можно опре­делить зависимость спроса на товары от изменения дохо­дов населения.

Спрос на товары народного потребления можно опреде­лять с помощью коэффициента эластичности.

Экономический смысл коэффициента эластичности сос­тоит в том, что он является показателем, характеризую­щим степень изменения (роста или снижения) спроса на 1 % изменения (роста или снижения) фактора. Спрос фор­мируется в основном под влиянием изменения доходов и цен. К э показывает, как изменяется спрос в процентах при изменении этих факторов.

В переходный период при усилении дифференциации доходов населения для прогнозирования спроса целесооб­разно использовать регрессионную модель, построенную на основе данных о дифференциации доходов населения и рас­ходов по товарным группам, суть которой заключается в следующем. Население в соответствии с доходом на одного человека разбивается на процентильные (децильные) груп­пы, т.е. выделяют 10 % населения с наименьшим дохо­дом, затем следующие 10 % и т.д., заканчивая распреде­ление группой, состоящей из 10 % населения с наиболь­шим доходом. В качестве единственного фактора формиро­вания перспективной структуры спроса рассматриваются доходы населения. Данные о доходах населения и расхо­дах по товарным группам формируются в виде таблицы. В ней отражаются группы населения по доходам, интервал дохода на одного человека в год (месяц), доля населения в процентах по интервалам доходов, средний доход на одно­го человека, расходы по товарным группам на одного чело­века в год (месяц).

Прогноз спроса на каждую товарную группу будет фор­мироваться под влиянием изменения доходов на душу на­селения.

Для прогнозирования спроса на товары можно исполь­зовать модель поведения потребителей в условиях товарно-денежных отношений, базирующуюся на принципах оп­тимального удовлетворения потребностей по группам пот­ребителей. Модель имеет вид:

∑ Y j → max;

∑ P j Y j ≤ D;

Qj ≤ Y j ≤ Qj

где Y j - спрос на j-й товар; P j - цена на j-й товар; D - доходы потребителей; Qj , Qj - нижний и верхний пре­делы спроса j-го товара с учетом предложения.

Потребители предварительно подразделяются на одно­родные группы по социально-демографическим признакам. Считается, что внутри каждой группы предпочтения на множество товаров и услуг одинаковы.

При прогнозировании спроса с учетом особенностей то­варов могут применяться различные подходы. Так, на то­вары легкой промышленности спрос определяется в усло­виях их широкого ассортимента. Разработать прогноз по такому широкому кругу позиций затруднительно, поэто­му отдельные позиции необходимо агрегировать. Напри­мер, в группе швейных изделий можно выделить модную одежду, рабочую одежду и другие подгруппы. Следует также учитывать сроки износа изделий и обновления гардероба, подразделять товары на группы с учетом половозрастного признака потребителей (например, товары для молодежи, детей, лиц пожилого возраста).

Прогнозы спроса на товары культурно-бытового назна­чения должны базироваться на числе семей, их обеспечен­ности этими товарами, покупательских намерениях на при­обретение, наличии денежных сбережений, жилищных ус­ловиях и т.д.

Общий объем спроса на товары длительного пользова­ния состоит из двух частей: спроса на замену и спроса на расширение парка этих изделий. Спрос на замену можно определить исходя из данных о реализации этих товаров в предшествующие годы и средних сроков их использова­ния в семьях. Согласно статистическим данным, средние сроки службы телевизоров, электропылесосов, часов всех видов, магнитофонов составляют 10 лет, холодильников - 20, стиральных машин - 15 лет.

Прогноз спроса на конкретные виды товаров следует выполнять с учетом данных об изменении доли отдельных товаров в общем объеме товарооборота.

Исходя из прогнозных расчетов спроса определяется структура платежеспособного спроса населения и разраба­тывается сводный заказ торговли на производство важней­ших товаров народного потребления на плановый период.

Прогноз спроса предприятий-производителей на выпус­каемую продукцию предполагает:

Анализ тенденций изменения доли фирмы в общем рынке;

Оценку рыночной стратегии конкурентов и перспек­тив освоения новых видов изделий;

Анализ рыночной стратегии фирмы и качества про­дукции;

Прогноз спроса на продукцию фирмы.

Для фирмы главное - завоевание доверия потребите­лей к ее продукции. Для того чтобы прогнозировать буду­щие потребности людей, необходимо проанализировать, как потребитель реагирует на появление на рынке принципи­ально новых изделий.

Зарубежные исследователи выделяют среди возможных следующие направления стратегии фирмы по производству продукции:

Внешнее отличие товара в глазах покупателя от това­ра конкурентов;

Выход на рынок с новым товаром;

Разработка пионерного товара, который будет лиде­ром на ближайшие годы, обеспечивая превосходство над конкурентами.

Для реализации этих направлений собираются идеи по созданию нового товара и до минимума сокращаются сро­ки между выдвижением идей и пробной продажей товара. С целью поиска идей широко применяются методы эксперт­ных оценок: метод коллективной генерации идей, метод "635", метод "Дельфи".

Лидером в выработке стратегии фирмы является Япо­ния. Японские фирмы гордятся тем, что их служащие еже­годно вносят огромное количество идей, из которых отбираются 7 - 10 оригинальных, имеющих практическое зна­чение.

Прежде чем принять решение о выпуске новых изде­лий, наряду с прогнозом спроса необходимо спрогнозиро­вать издержки производства, цену и прибыль.

Для выявления реакции потребителей целесообразно использовать рекламу, пробную продажу. Изучение спро­са на новые товары может также осуществляться на выс­тавках-продажах, выставках-просмотрах, ярмарках. Опре­деляются степень соответствия изделий запросам покупа­телей, их предпочтения другим товарам-аналогам и усло­вия, при которых население отдает предпочтение новым товарам (цена, оформление и др.).

Товары рыночной новизны являются ключевыми для коммерческого успеха предприятия. Фирмы, производя­щие такие товары, имеют возможность устанавливать мо­нопольные цены и получать более высокую прибыль.

Каждый товар имеет свой жизненный цикл (ЖЦТ). Концепция ЖЦТ исходит из того, что товар имеет опреде­ленный период рыночной устойчивости. ЖЦТ или описы­вающую его в координатах "прибыль-время" кривую можно разделить на стадии внедрения, роста, зрелости, насыще­ния и спада. Переход от стадии к стадии происходит без резких скачков, в связи с чем необходимо следить за изме­нениями темпов продажи или прибыли, чтобы уловить гра­ницы стадий и внести изменения в товар или производ­ственную программу.

При прогнозных исследованиях товарного рынка на­ряду с комплексным анализом большую роль играет разра­батываемая стратегия ценообразования, так как цена явля­ется важным рычагом продвижения товара на рынок и оп­ределяющим фактором объема продаж и прибыли.

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.

ПРОГНОЗИРОВАНИЕ СПРОСА

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

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

ПРИРОДА ПРОБЛЕМЫ

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

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

Пространственное и временное прогнозирование спроса

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

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

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

Регулярный и нерегулярный спрос

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

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

Ÿ тренд (есть или нет);

Ÿ сезонные колебания (есть или нет);

Ÿ случайные колебания (как правило, есть).

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

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

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

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

Рис 1 b Регулярный спрос с растущим трендом

Рис 1c . Регулярный спрос с растущим трендом и сезонностью

Рис. 2. Нерегулярный спрос

Производный и независимый спрос

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

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

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

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

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

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

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

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

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

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

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

МЕТОДИКИ ПРОГНОЗИРОВАНИЯ

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

Ÿ качественные;

Ÿ статистические;

Ÿ факторные.

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

Качественные методы

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

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

Статистические методы

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

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

Факторные методы

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

Факторные модели имеют несколько разновидностей

Ÿ статистические – например, регрессионные или эконометрические модели;

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

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

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

Таблица 1. Методики прогнозирования спроса

Методика, описание, интервал прогнозирования

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

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

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

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

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

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

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

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

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

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

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

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

ПРОГНОЗИРОВАНИЕ СПРОСА В ЛОГИСТИКЕ

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

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

Экспоненциальное сглаживание

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

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

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

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

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

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

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

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

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

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

	Квартал
Прошлый год
Текущий год

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

Тогда

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

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

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

В итоге получаем следующие результаты:

	Квартал
Прошлый год
Текущий год

Выбор оптимального значения сглаживающей константы основывается на оценочных суждениях.

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

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

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

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

Корректировка прогноза с учетом тренда

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

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

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

Пример

	Квартал
Прошлый год
Текущий год

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

Прогноз на первый квартал текущего года:

S0 = 975, T0 = 0 ® F1 = 975 + 0 = 975

Прогноз на второй квартал текущего года:

S1 = 0,2´1400 + 0,8´(975 + 0) = 1060

Т1 = 0,3´(1 060 – 975) + 0,7´0 = 25,5

F2 = 1060 + 25,5 = 1085,5

Прогноз на третий квартал текущего года:

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

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

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

В итоге получаем:

	Квартал
Прошлый год
Текущий год

Корректировка прогноза с учетом тренда и сезонности

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

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

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

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

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

Уравнения усложненной модели:

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

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

	Квартал
Прошлый год
Текущий год

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

Прогноз на первый квартал текущего года:

S0 = 975 и T0 = 0. Тогда:

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

Прогноз на второй квартал текущего года:

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

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

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

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

Прогноз на третий квартал текущего года:

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

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

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

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

В итоге получаем:

	Квартал
Прошлый год
Текущий год

Ошибка прогнозирования

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

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

Ошибку прогнозирования можно определить с помощью следующей формулы:

ОШИБКА ПРОГНОЗА = ФАКТИЧЕСКИЙ СПРОС – ПРОГНОЗ СПРОСА

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

,

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

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

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

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

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

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

	Квартал
Прошлый год
Текущий год

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

Стандартная ошибка прогнозирования:

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

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

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

420,8 < Y < 1589,2

Отслеживание ошибки прогнозирования

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

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

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

КЛАССИЧЕСКИЙ АНАЛИЗ ВРЕМЕННЫХ РЯДОВ

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

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

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

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

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

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

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

Рис. 1. Примеры трендов с приложением математических формул

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

F = T ´ S ´ C ´ R,

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

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

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

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

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

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

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

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

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

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

,

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

Все эти идеи могут быть проиллюстрированы с помощью следующего примера.

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

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

Следовательно, линия тренда имеет вид:

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

Прогноз продаж в новогодние праздники составляет величину:

Прогноз продаж в осенний период может быть составлен похожим образом.

Таблица 1. Прогноз продаж женской одежды, тыс. $

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

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

/** F13 = T13´S13-5 или=´ 1,04

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

МНОЖЕСТВЕННЫЙ РЕГРЕССИОННЫЙ АНАЛИЗ

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

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

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

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

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

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

ОСОБЕННОСТИ ПРОГНОЗИРОВАНИЯ ПРОДАЖ В ЛОГИСТИКЕ

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

Прогнозирование спроса на новые продукты и услуги

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

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

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

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

Нерегулярный спрос

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

§ продажи осуществляются редко, но очень крупными партиями;

§ продажа товара зависит от продаж других продуктов и услуг;

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

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

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

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

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

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

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

Прогнозирование по регионам

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

Ошибка прогнозирования

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

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

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

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

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

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

Таблица 1

	Ошибка прогнозирования	Доля ошибки прогнозирования	Инверсия	Весовые коэффициенты

Таблица 2

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

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

Прогнозирование спроса представляет собой обоснованное исследованиями рынка предсказание его развития. Основывается прогнозирование на изучение закономерностей в динамике рынке, причинно-следственных связей и основных тенденций. Для торгового предприятия прогнозирование является основой для планирования продаж, совершения закупок и составления заказов на поставку.

Основные особенности прогнозирования

Чтобы прогнозирование было точным и давало максимально полезный результат, следует помнить несколько основных правил составления прогнозов спроса на рынке.

1. Для группы продуктов можно составить более точный прогноз, чем для отдельных товаров.
2. На короткий срок прогнозирование более точно, чем на длительный.

В зависимости от срока, на который составляется прогноз, выделяют следующие виды прогнозирования спроса:

• Оперативное – на срок не более 30 дней.
• Конъюнктурное – на срок от квартала до полугода.
• Краткосрочное – на один-два года.
• Среднесрочное – на срок от двух до пяти лет.
• Долгосрочное – на срок от пяти до десяти лет.
• Перспективное – на срок более десятилетия.

Когда нужно и когда не нужно прогнозирование спроса?

Прогнозирование спроса – незаменимый инструмент ведения бизнеса. Он позволяет избежать лишних расходов на создание нереализуемой продукции и в максимальной степени удовлетворить потребности клиентов. Существует лишь несколько случаев, когда прогнозирование не актуально:

• Когда продукция создается по заказу клиенты. В этом случае, как правило, клиент готов подождать определенный срок, которого хватит и на приобретение компонентов, и на производство самого товара. В таком случае планирование закупок и, как следствие, спроса, не требуется.
• Если необходимые для выполнения заказов клиентов мощности можно быстро, без существенных затрат, изменить.
• Когда финансовое планирование в принципе не целесообразно

Во всех прочих ситуациях планирования спроса проводится в обязательном порядке. Однако формирование прогноза зависит от того, какие цели преследует проводящий анализ спроса на продукцию. Перед началом проведения анализа следует ответить на несколько основных вопросов, которые оказывают решающее влияние на характер прогнозирования:

• Каковы сроки планирования? Прогноз должен соответствовать горизонту планирования, будь то один месяц или десяток лет.
• Какой уровень детализации прогноза? Должен ли он содержать суммарный план по регионам или рассматривать каждого отдельного заказчика.
• Как часто пересматривается прогноз? Требуется ли пересмотр результатов прогнозирования через определенный период после формирования прогноза? Если да, то через какой промежуток времени – год, месяц или неделю?
• Какой интервал прогнозирования? Какие временные промежутки должен отображать прогноз – дни, недели, месяцы и т.д.

Методы прогнозирования спроса

Самое главное в прогнозировании спроса – это выбор методов прогнозирования. Все методы, которые используются при анализе и прогнозировании спроса, можно поделить на три категории:

• Эвристические – эти методы основываются в первую очередь на субъективных началах.
• Экономико-математические – объективные методы, имеющие четкое научное обоснование.
• Специальные – представляют собой особую категорию, в равной степени основывающуюся и на объективных, и на субъективных началах.

Эвристические методы прогнозирования спроса, в свою очередь, включают более мелкие категории. Это могут быть как социологические методики, основывающиеся на опросах покупателей и выявлении их мнений, так и экспертные методики, которые базируются на информации, полученной от специалистов в определенной области, которые высказывают мнение на основе своего опыта, интуиции и профессиональных навыков. Недостатком таких методик является невозможность точно определить, какие факторы были учтены при прогнозе, а какие нет. Неявная форма учета различных критериев подвергает анализ потребительского спроса на основе эвристических методик сомнению, поэтому оптимальным вариантом является сочетание эвристических методик с экономико-математическими.

Экономико-математические методы включают в себя более точные способы прогнозирования. К числу этих методов относится моделирование, которое заключается в формировании прогнозной модели на основе ряда существенных факторов. Также к этой категории относится экстраполяция, которая заключается в пролонгировании опыта прошлого на будущий период. Также в категории экономико-математических методов прогнозирования находится расчет коэффициента эластичности спроса. Развитие математической статистики и экономики, а также активное включение в процесс прогнозирования современных технических средств делает экономико-математические методы особенно точными.

Специальные методы прогнозирования представляют собой трендовые модели в виде математической или графической информации. Тренд является временным фактором, который позволяет охарактеризовать тенденции в динамике основных показателей рынка. Он учитывает и особенности спроса на те или иные товары. Также к специальным методам можно отнести панельные опросы, методы пробных покупок, метод повторной покупки, тестирование рынка и т.д. Все эти методы позволяют изучить тренд и на его основе сделать прогноз о развитии рынка.

Значение прогнозирования спроса

Изучение и прогнозирование покупательского спроса позволяет оптимизировать планирование производства. Хотя точный на 100% прогнозов до сих пор не существует, чем вше точность прогноза, тем эффективнее вы сможет вести бизнес. При помощи прогнозирования спроса можно оптимизировать поставки дилерам или в магазины, предотвратить затоваривание складов, дефицит или, напротив, порчу просроченных продуктов. Именно поэтому профессиональное прогнозирование спроса на рынке необходимо каждой компании, занимающейся производством тех или иных товаров.