Има основни принципи, които трябва да се имат предвид при прогнозиране на търсенето на всяко ниво в йерархията на решенията за планиране. Неспазването на тези принципи води до факта, че прогнозата за търсенето става или нискокачествена, или неуместна от гледна точка на решенията, взети от предприятието.

Хоризонт за прогнозиране на търсенето. Разликата във времето между момента, в който се прогнозира търсенето, и периода на планиране, за който се прогнозира търсенето, се нарича времеви лаг. Изборът на необходимото забавяне зависи от това колко време е необходимо на предприятието да се развие и да предприеме всички необходими мерки, за да отговори на информацията за прогнозата за търсенето. Ако е необходима една година за увеличаване на производствения капацитет в съответствие с прогнозата за бъдещ растеж на търсенето, прогноза за търсене с хоризонт по-малък от година не е достатъчна, тя няма да реши необходимата задача за управление на производствения капацитет. Или, например, ако продължителността на производствения цикъл за „производство по поръчка“ е един месец, не е логично да има по-кратък прогнозен хоризонт, тъй като предприятието няма да може да отговори навреме на такава прогноза, като изготви необходими запаси от суровини и материали.

При избора на хоризонт за прогнозиране на търсенето трябва да се има предвид, че прогнозата за по-далечни периоди на планиране ще бъде по-малко точна, отколкото за по-близки. Съответно изборът на хоризонта за прогнозиране на търсенето трябва да бъде обоснован от решенията, които се вземат на базата на генерираната прогноза - твърде краткият хоризонт на прогнозиране не позволява адекватно решаване на задачата, а по-дългият създава проблеми с качеството на прогноза.

Избор на обект за прогнозиране на търсенето . Колкото по-подробна е прогнозата, толкова по-малко точна е тя. Съответно, за всяко ниво на йерархията на плановете е необходимо да се избере нивото на детайлност на обекта на прогнозиране, което ще позволи решаването на задачата, но не води до ненужни подробности. Детайлирането се счита за ненужно, което, макар да увеличава сложността и цената на прогнозата за търсенето, не добавя стойност към прогнозата по отношение на вземането на решения.

Като цяло може да се каже, че параметрите на прогнозите за търсенето се определят от целта на използване на прогнозата. Колкото по-високо е нивото на вземане на решения и колкото по-голям е мащабът на взетите решения, толкова по-мащабна и по-далечна е прогнозата за търсенето.

Качеството на прогнозата за търсенето. Всяка прогноза крие риск от грешка. Трудно е да си представим прогноза, която да не съдържа грешка. Има два вида грешка при прогнозиране на търсенето: грешка при оценката на обема на търсенето и грешка при оценката на структурата на търсенето. Тези видове грешки трябва да се вземат предвид в зависимост от нивото на вземане на решения в предприятието.

Риск от грешка при оценката на обема на търсенето когато прогнозирането на търсенето може да бъде на всяко ниво на планиране. При дългосрочното прогнозиране на търсенето рискът се проявява на ниво продуктови категории и продуктови групи. Рискът засяга наличността на необходимото количество ключови ресурси и изпълнението финансови плановепредприятия. При оперативно прогнозиране на търсенето рискът се проявява на ниво номенклатурни позиции на продуктите и засяга действителното ниво на обслужване на клиентите.

Риск от грешка при оценката на структурата на търсенето при прогнозиране на търсенето се появява само при дългосрочно прогнозиране на търсенето на ниво продуктови категории и продуктови групи. В продуктовата група за номенклатурни позиции се приема една структура на търсенето, но всъщност структурата се оказва различна.

Тези рискове могат да бъдат взети предвид по два начина: чрез подобряване на качеството на прогнозите и/или чрез резервиране на ресурси, специално предназначени за покриване на тези рискове. На практика, като правило, и двата метода се използват едновременно - те работят за подобряване на качеството на прогнозите за търсенето и (тъй като 100% качество на прогнозата е недостижимо на практика) формират резервни стойности на ресурсите (резервни запаси, резервно време, резерв производствен капацитет).

За оценка на качеството на прогнозата се разграничават две основни измервани характеристики: грешка на прогнозата и точност на прогнозата.

Грешка в прогнозата- разликата между действителната стойност на търсенето и неговата прогнозна стойност. Тя може да бъде изразена както в абсолютна стойност, така и в относителна величина - като процент от действителната стойност на търсенето.

Точност на прогнозатае процентната стойност, равна на разликата между 100% и процентната грешка в прогнозата за търсенето.

Основното за оценка на точността и качеството на прогнозата за търсене е измерената грешка и точността на прогнозата за всеки отделен период на планиране.

Въпреки това, по-често не се интересува един период на планиране, а степента, в която този или онзи метод за прогнозиране на търсенето е добър. За да направите това, обичайно е да се изчисляват обобщените характеристики на точността на прогнозата за търсенето. Двата основни начина за оценка на точността на метода за прогнозиране на търсенето са средната стойност абсолютна грешкав проценти (MAPE - Mean Absolute Percentage Erro) и средната процентна грешка (MPE - Mean Percentage Error).

Грешките при прогнозиране на търсенето могат да бъдат класифицирани в две категории: случайни отклонения и отклонения.

Случайните отклонения означават, че общо прогнозните грешки клонят към нула и периодите на планиране, за които търсенето е било надценено, се редуват с периоди на планиране, за които търсенето е било подценено, т.е. няма отклонение в грешката на прогнозата за търсенето, отрицателна и положителни стойностигрешките при прогнозиране на търсенето обикновено се компенсират взаимно.

Пристрастност означава, че има сериозен проблем - много по-сериозен от случайните грешки - систематично надценяване или подценяване на търсенето. Пристрастността на прогнозата може да се обясни както с обективни, така и с субективни обстоятелства. Обективните включват избор на модел за прогнозиране на търсенето, който може да не е напълно уместен, например, без да се вземат предвид значими фактори, влияещи върху търсенето. Обективните обстоятелства могат да бъдат оценени и коригирани чрез подобряване на модела за прогнозиране, събиране и подготовка на данни за прогнозиране на търсенето и обучение на служителите за прогнозиране.

Субективните обстоятелства са свързани с умишлено подценяване или надценяване на стойността на прогнозата. Това означава, че прогнозистът е заинтересован по една или друга причина от отклонение на прогнозата, тъй като той получава определени ползи от отклонението на прогнозата. Например, ако прогнозата за търсенето се генерира от търговския отдел на предприятието и в същото време получава бонус за преизпълнение на плана за продажби, трудно е да се очаква от него оптимистична прогноза за търсенето. Обратно, ако маркетинговият отдел генерира прогноза за търсенето и в същото време маркетинговият бюджет се разглежда като процент от планираните приходи, не трябва да очаквате песимистична прогноза за търсенето. Неутрализирането на влиянието на субективните фактори до известна степен се постига чрез правилната организация на процеса на прогнозиране на търсенето.

В заключение трябва да се каже, че в допълнение към концепцията за " точност на прогнозата ”, можем да отделим понятието „качество на прогнозата”. Качеството на прогнозата се разбира като способността на процеса на прогнозиране на търсенето да генерира такива прогнози, които постоянно да се различават от действителните стойности на търсенето с не повече от зададена стойностгрешки. Тоест, качеството на прогнозата означава способността да се запази грешката в прогнозата определени граници. Това е много важно от гледна точка на управлението, тъй като предприятието може да се подготви предварително за дадените граници на прогнозната грешка и такъв размер на грешката не застрашава нивото на обслужване на клиентите.

Отбелязва се, че качеството на прогнозата на търсенето се определя в по-голяма степен от добрата организация на процеса на прогнозиране на търсенето, отколкото от отделни, произволно сложни математически модели. Въпреки това ще разгледаме по-нататък какви видове методи за прогнозиране на търсенето съществуват и при какви обстоятелства е препоръчително да ги използвате.

Начало \ Статии \ Нормиране и управление на запасите. Списание ФармОбоз \ Статии за 2007г \ Прогнозиране на търсенето. Цели и методи

Вестник: PharmOboz.

Продължавайки темата „Управление на запасите“, която започнахме в миналия брой, искам да ви напомня, че смисълът на съществуването на всяка търговска структура е да реализира печалба. Единственият въпрос е, благодарение на какво компанията си осигурява печалба? Една от най-често срещаните гледни точки е, че успехът, в частност на една аптека, зависи от нивото на цените, нивото на обслужване, местоположението на аптеката и т.н., и т.н. Всичко това е вярно, но си струва да започнем от друго. Печалбата на аптеката се осигурява от нейните КЛИЕНТИ. Те са тези, които пазаруват в аптеката. Или не го правят! Но задачата на служителите е да задържат и увеличават клиентите на аптеката. Това може да стане, като поддържате нивото на обслужване на много високо ниво. Нивото на обслужване зависи от това колко учтиви са продавачите, от нивото на цените в тази аптека, колко каси има в залата, от възможността за предоставяне на лекарства по поръчка и от асортимента, който предлагаме на нашите клиенти. Имаме ли на склад лекарствата, от които се нуждаят нашите клиенти? Колко често имаме недостиг на един или друг артикул в нашата аптека?

И тъй като фармацевтичните търговци на едро бързо попълват запасите на аптеката, тук е важно да се определи необходимостта от продукта навреме и да не се пропуска моментът на поръчка на търговеца на едро, за да се предотврати недостиг. С такъв голям асортимент, поддържан от аптеките, е просто невъзможно да се запазят всички позиции в паметта, поради което е необходимо, използвайки съвременни софтуерни продукти, да се гарантира, че нуждата от лекарства се взема предвид на по-високо ниво.

Как обикновено протича процесът по определяне на необходимостта от конкретна позиция в аптеката? Клиентите питат, така че трябва да поръчате. Лекарството свърши, време е да подадете заявление до доставчика. Но този подход работи, когато самите продавачи се интересуват от увеличаване на продажбите. За съжаление е така усъвършенствана системаМотивацията на аптечния персонал е изключително рядка.

Нека си представим най-често срещаната ситуация. Потенциален клиент идва в аптеката, стои на опашка, задава въпрос за наличността на лекарството, което лекарят му е предписал, но това лекарство не е налично. Човек напуска аптеката без покупка и дори разстроен от загубеното време. Съответно нуждата не е удовлетворена. Аптечният служител (фармацевт) записал ли е тази нужда? Малко вероятно е, тъй като той има опашка и следователно няма време да се разсейва от допълнителни операции. Изводът: клиентът остана без покупка - аптеката има пропуснати ползи. И е трудно да се каже дали този клиент ще дойде в аптеката или не.

Друг пример. Да приемем асортимент в аптека от 5000 позиции. Време е да направите поръчки с доставчици. Може ли фармацевтът точно да определи необходимия размер на партидата за всеки продукт? Вероятно не. Преминаваме през списъка със стоки, да предположим в азбучен ред. Още след 20 минути такава работа бдителността и вниманието на фармацевта се притъпяват, времето не достига или финансовият лимит на поръчката е изчерпан. В резултат на това тези позиции, които имаме в края на азбучния списък, остават без внимание. Какъв е резултатът? Формира се дефицит, а оттам и пропуснати продажби и печалби.

И накрая, третият пример. На етапа на избор на доставчик и установяване на отношения с него се провежда определен въпрос за преговори, където, наред с други неща, доставчикът трябва да се интересува от обема на доставките за вашата аптека. Ценовото ниво, което доставчикът ще ви предостави, ще зависи от обема на доставките. Освен това самият доставчик ще планира обема на доставките от производителите на лекарства и лекарства. Какви данни може да предостави една аптека на доставчик за обемите на доставките, ако няма система за прогнозиране? Само данни за обемите на продажбите през предходния период. Но никой не знае доколко отговарят на реалното търсене.

Ето защо е препоръчително да се използват системи за прогнозиране на търсенето, които, отчитайки търсенето в минали периоди, генерират данни за възможно търсене в следващите периоди.

И така, какво е прогнозиране? Прогнозата е предположение за бъдещето. Разбира се, не можем да дадем абсолютно точна прогноза. Освен това, колкото по-къс е прогнозният хоризонт, толкова по-точна може да бъде прогнозата. Но липсата на системи за прогнозиране в компанията не улеснява или подобрява ситуацията, а напротив, прави системата неконтролируема и непрозрачна.

Статията разглежда доста прости и достъпни методи за прогнозиране. Това се дължи на факта, че значителното усложняване на методите не води до значително подобряване на качеството на прогнозата.

По-долу е дадена основна формула за изчисление на прогнозата, от която си струва да започнете, като добавите тънкостите и индивидуалността на продуктите, с които аптеките работят.

Рt - прогноза за търсенето за период t;

Bt - стойността на базисното търсене в период t;

Ct - коефициент на сезонни колебания за период t;

T - коефициент на времеви тренд: нарастване или намаляване на търсенето за период t;

Mt е коефициентът на корекции за насърчаване на продажбите през период t (маркетингов компонент;

Нека разгледаме всички компоненти по ред.

1. Стойността на основното търсене - средна стойносттърсене за миналия период.
2. Сезонният фактор трябва да се изчислява за продукти със сезонен характер. За да направите това, трябва да анализирате потреблението за 3 години. Можете да събирате данни за голямо количествогодини, но има възможност за влияние върху продукта на фактори, които вече са остарели. Анализът на сезонността за по-малко от 3 години може да не е точен поради случайността на събитията.

И така, как да определим фактора на сезонната вариация?

Изчислението е представено в таблица 1 и формули.

Таблица 1 - Дефиниция на индекс на сезонност

1. коригиращ фактор за насърчаване на продажбите. Този коефициент се определя от маркетинговия отдел въз основа на собствен опит, тъй като не подлежи на изчисляване.

В допълнение към основния модел за прогнозиране на търсенето, има голям брой статистически методи. Ние изброяваме някои от тях:

1. Намиране на средно аритметично. Тази техника е приемлива за стоки с висока стабилност, без сезонен компонент, при липса на временна тенденция. Непрактично е да се използва, тъй като такива продукти практически не съществуват.
2. Определяне на прогнозната стойност по метода на подвижната средна. Отнася се и за стабилни стоки.
3. Линейна прогноза. Той работи, като намира зависимостта на обема на продажбите за бъдещия период от базовия, използвайки линейна функция. Фигура 1 графично представя прогнозата за тринадесетия период с помощта на подвижна средна и линейна функция.

Фигура 1 - Пример за прогноза за стабилен продукт

Синята линия на диаграмата представлява действителното търсене, лилавата линия е прогноза, използваща подвижна средна, а черната линия е линейна прогноза. Въпросът е коя от тези прогнози е по-точна. Диаграмата на подвижната средна на историческата диаграма е постоянно до действителната стойност. И графиката на линейната прогноза показва възходяща тенденция. В този случай ще бъде по-точно.

1. Експоненциално изглаждане. Използва се за нестабилни стоки, поради което точността на прогнозата ще бъде ниска. Примери на фигури 2, 3, 4.

Фигура 2 - Пример за прогноза за нестабилен продукт (степенна функция).

Фигура 3 - Пример за прогноза за нестабилен продукт (полином)

Фигура 4 - Пример за прогноза за нестабилен продукт

Въз основа на фигури 2, 3 и 4 можете да видите колко различни резултати получаваме при едни и същи входни данни, използвайки различни функции. Следователно, за нестабилни стоки е особено важно внимателно да се изберат методи за прогнозиране, за да се подобри точността на прогнозиране.

В същото време трябва да се отбележи, че тези компании, които вече са внедрили и активно използват статистически методи за прогнозиране, са изправени пред редица проблеми.

Първо, съществуващите системи често са неадекватни. Тоест не отговарят на поведението на стоките. Когато автоматизира този процес, мениджърът по покупки разчита на данните, предоставени от информационната система, без да се замисля колко точни са тези данни. И самият мениджър често не е наясно как се формират прогнозните данни.

Да предположим, че имаме информация за движението на продукта Spazmalgon за 2 месеца (Таблица 2).

Таблица 2 показва, че за два месеца имаше голям брой дни, когато Spazmalgon не беше на рафта на аптеката. Ако прогнозата за септември се изгради на базата на продажбите за месеците юли и септември, като се използва средноаритметичната стойност, ще получим следните данни (средната аритметична стойност се използва тук като пример, методът за прогнозиране трябва да бъде избран индивидуално за всяка продуктова група; освен това, за да се приложи този метод, са необходими данни за поне три месеца):

При този подход ние не вземаме предвид дните, когато стоките не са били на склад. Всъщност това е недостиг, тоест имало е търсене, но аптеката не е могла да го задоволи. И съответно имаше пропуснати ползи.

Ако използваме същата методология, но разчитаме на търсенето, можем да получим по-точни данни за търсенето. Как да го направя? Тук има два варианта:

1. Всеки път, когато клиент се свърже с продавача с въпрос относно продукт, който е изчерпан, въведете информация за него в специален документ, като не забравяте да регистрирате обема, от който клиентът се нуждае. Но в търговията на дребно този подход е неприемлив, тъй като значително увеличава времето за обслужване на клиентите и съответно нивото на обслужване пада.
2. Друга възможност е да определите търсенето, като вземете предвид само дните, в които артикулът е бил в наличност. Реалните данни за продажбите в нашия пример са представени в таблица 3.

Таблица 3 - Определение за реално търсене

Именно тази прогноза ще отразява по-точно търсенето и съответно аптеката ще може да го посрещне чрез увеличаване на печалбите и най-важното - подобряване на обслужването на клиентите.

За да се подобри качеството на прогнозата, е необходимо периодично да се проверява нейната точност, тоест да се анализира прогнозата, която се извършва. Ако прогнозите не са правилни, компанията ще има същите повтарящи се грешки с всички произтичащи от това последствия. Един от най-простите методи за анализ на прогнозата е следният:

В същото време е необходимо да се стремим да намалим грешката при прогнозиране. Освен това трябва да се основава на него при избора на система за прогнозиране. Разглеждане на различни варианти за прогнози (включително емпирични, т.е. изградени върху личен опит), изберете метода, който ще осигури минимална грешка при прогнозиране.

Но все пак статистическите методи за прогнозиране имат няколко ограничения:

1. При откриване на нова аптека е невъзможно абсолютно точно да се определи обемът на продажбите в нея;
2. Точното прогнозиране изисква данни за 3 периода (година, месец, седмица)
3. Когато се въведе нов продукт, никой не знае какво е реалното търсене за него.

Но що се отнася до текущата оперативна работа с акции, това е един от най-важните инструменти, който допълнително опростява и подобрява качествено работата ни.

Разбира се, самият процес на въвеждане и адаптиране на една прогнозна система е много сложен и продължителен. Но в резултат на изхода получаваме:

Автоматизиране и ускоряване на процеса на вземане на решения за обема на доставките;

Намаляване на дефицита поради по-голямо внимание към всяка позиция от портфолиото от аптечен асортимент;

• Намален инвентар;
• Увеличаване на продажбите;
• Планиране на работа с доставчици;
• Получаване на най-добрите оферти от доставчика поради стабилността на взаимоотношенията;
• По-добро използване на финансовите средства на аптеката;
• Увеличаване на оборота на запасите.

Прогнозирането на търсенето е научно обоснована прогноза за развитието на платежоспособните потребности на населението от стоки и услуги.

В зависимост от периода се разграничават следните видове прогнози:

– оперативни (до един месец);

– краткосрочни (от I до 2 години);

– средносрочни (от 2 до 5 години);

– дългосрочни (от 5 до 10 години).

За целите на прогнозирането на търсенето се използват следните методи: експертни оценки, екстраполационни, нормативни, балансови методи, икономико-математическо моделиране, маркетингови проучвания.

Методи за експертни оценкисе основават на използването на знанията и интуицията на специалисти с високо ниво на квалификация по специалността, професионален и научен опит.

Прогнозиране на търсенето. Цели и методи

Обобщават се експертни мнения, правят се логични изводи за прогнозираното търсене и се избира оптималното решение. Тези методи са спомагателни като добавки към други методи.

Екстраполациявключва изучаване на тенденциите и моделите на развитие на величината и структурата на търсенето и изграждането на прогноза въз основа на тях, като се отчита спецификата на влиянието на отделните фактори в предстоящия период. Тази група методи включва изчисляване на коефициента на еластичност, който показва процентното изменение на търсенето на определена група стоки при промяна на стойността на влияещия фактор с 1% (цена, доход, брой и др.). Използването на тези методи е уместно за целите на краткосрочното прогнозиране.

Използване нормативен методпри изучаване и прогнозиране на търсенето, това включва отчитане на физиологичните норми на потребление, научно обосновани рационални норми и определяне на времето за тяхното постигане. Сложността на прилагането на метода се състои в разработването на норми, тяхната обективна валидност.

За балансиране на източниците на парични приходи и посоките на тяхното изразходване, включително за закупуване на стоки и плащане на услуги, се използва балансов метод.

Икономико-математическо моделиранесе основава на използването на трендови, корелационно-регресионни, оптимизационни модели, които позволяват да се установи зависимостта на развитието на търсенето от влиянието на един или повече фактори (среден доход на глава от населението, цена, население, размер на семейството, потребление на глава от населението на определени стоки и услуги). Моделите са изградени въз основа на приложението на теорията на вероятностите, математическа статистика, компютър.

Да се ​​изследват неудовлетвореното търсене, структурните промени, сезонността на проявите на търсенето, резултатите от анкетни проучвания на семействата, извадкови проучвания на населението, специални наблюдения на търсенето, т. се провеждат маркетингово проучване.

При прогнозиране на микротърсенето най-често срещаните методи са:

- икономико-математически;

- използване на коефициента на еластичност на търсенето;

– използване на структурни модели.

В съвременната практика се използват различни подходи за прогнозиране на стоково-груповата структура на потребителското търсене: генетичен, нормативен, евристичен, сравнителен. Всеки от тях се реализира чрез определени методи за изчисление на търсенето, които са представени схематично на фиг. 2.

Ориз. 2 - Подходи и методи за прогнозиране на стоковата структура на потребителското търсене

Икономико-статистически (икономико-математически) методи за прогнозиране на търсенето

Генетичният подход за прогнозиране на потребителското търсене се основава на инерционния характер на неговото развитие, т.е. на оценките на устойчивите тенденции в развитието на потребителското търсене, пренасяйки минали и настоящи зависимости към бъдещето.

Този подход се прилага най-пълно чрез икономическо и статистическо моделиране на динамиката на търсенето, което се формира в самостоятелно направление за прогнозиране на търсенето през 20-30-те години на 20 век.

Икономическите и статистически модели, в зависимост от методите за моделиране на техните параметри, се разделят на два вида:

– трендови модели за оценка и прогнозиране на търсенето;

- факторни модели за оценка и прогнозиране на търсенето.

⇐ Предишен12345Следващ ⇒

Прочетете също:

Прогнозиране на търсенето и продажбите. Бележки на любител

1. Измервания и прогнозиране на търсенето на пазара

1.1 Функция на търсенето

1.2 Пазарен потенциал

1.3 Прогноза за търсенето

1.4 Пазарно търсене на стоки, търсене на стоки на дадено предприятие

1.5 Пазарен капацитет

3. Теоретичен въпрос

1. ИЗМЕРВАНЕ И ПРОГНОЗИРАНЕ НА ПАЗАРНОТО ТЪРСЕНЕ

Всеки човек през цялото време купува различни стоки, използва услугите на фризьори, информационни бюра и други подобни. За да задоволят купувачите, фирмите провеждат проучване на пазара (неговия капацитет, състояние, покупателна способност), както и правят прогнози за техните перспективи. В тези проучвания една от водещите роли играе прогнозирането на търсенето и пазарните условия. Всъщност това са два взаимозависими процеса: невъзможно е да се предвиди търсенето, без да се знае пазарната ситуация, можем да предвидим търсенето въз основа на възникващата (прогнозна) пазарна ситуация. Всяка фирма или предприятие, което иска не само да оцелее, но и да процъфтява, трябва да провежда такива проучвания.

Фирмите и предприятията провеждат такива изследвания на различни нива. Те разглеждат възможността да пуснат на пазара стоки и услуги под определена марка (т.е. техните стоки), изучават продуктите на конкурентите, избират пазарния сегмент, в който ще работят. В същото време те трябва да познават състоянието на цялата индустрия като цяло, динамиката на търсенето и предлагането на всички стоки и услуги в тази индустрия. С тези проблеми се занимават цели маркетингови отдели.

Пазарното (съвкупното) търсене се влияе от огромен брой фактори: икономически, социокултурни, демографски, технологични и много други. Всички тези фактори трябва да се вземат предвид при прогнозирането. Трябва също да се отбележи, че потреблението зависи от нивото на търсене и се влияе от същите фактори като търсенето. Крайната цел на прогнозирането на търсенето е да се оцени количеството стоки и услуги, които ще бъдат закупени (а не само това, което потребителите могат и искат да закупят).

Прогнозирано ниво на търсене е равно на функциятаот нивото на подоходния данък. Колкото по-висока е данъчната ставка, толкова по-малко хораще потребява, толкова по-малко ще бъде прогнозираното търсене.

Следващият етап от изследването трябва да разгледа влиянието на нивото на цените върху стоките и услугите. Очевидно нивото на цените оказва силно влияние върху потреблението и нивото на търсене на стоки и услуги. Увеличаването на нивото на цените има приблизително същия ефект като намаляването на нивото на разполагаемия доход, т.е. обратна зависимостмежду нивото на цените и нивото на търсене.

1.1 ФУНКЦИИ ПО ТЪРСЕНЕ

Функцията на търсенето в пазарния механизъм е определяща, тъй като именно то принуждава производството да произвежда стоките, необходими на населението, да подобрява тяхното качество и асортимент.

Търсенето от своя страна зависи от нуждите на хората: с промяната на нуждите се променя и търсенето, което всъщност е паричен израз на потребностите.

Не всяка нужда обаче може да има парична стойност и да бъде задоволена от пазара. Въпреки това, най-важните жизнени нужди на хората от храна, облекло, обувки, битови услуги и, разбира се, лекарства, по най-добрия начин, както показва историята на развитите пазарни икономики, се задоволяват чрез пазара поради търсенето.

Функцията на търсенето е тясно свързана с функцията на предлагането.

Функцията на офертата е общ изгледв свързването на производството с потреблението, продажбата на стоките с тяхната покупка. В отговор на възникващото търсене производството започва да увеличава производството на стоки, да подобрява тяхното качество и да намалява разходите за тяхното производство и по този начин да увеличава общото предлагане на пазара.

Изследването на търсенето е свързано с установяване на действителното потребление на лекарства, идентифициране на моделите на търсене, като се вземат предвид динамиката и цял набор от фактори, влияещи върху тяхното потребление. Ето защо основната цел на изследване на ситуацията в продажбата на лекарства е да се установи доколко конкретното състояние на тяхната продажба съответства на търсенето, как ще се променят тези показатели в близко бъдеще и какви мерки трябва да се предприемат, за да постигане на безпроблемно снабдяване на населението и лечебните заведения с лекарства и други изделия за медицински цели и как всичко това се отразява на финансово-икономическото състояние на аптеките.

При изследване на търсенето се разграничават реализирано (задоволено), незадоволено и възникващо търсене.

Реализирано търсене - реалната продажба на лекарства с достатъчна и постоянна наличност в аптечната мрежа.

Незадоволеното търсене е търсенето на лекарствакоито постъпват в аптечната мрежа в недостатъчни количества или неравномерно.

1.2 ПАЗАРЕН ПОТЕНЦИАЛ

Пазарен потенциал е обемът на определен продукт или услуга, който може да бъде консумиран от пазара за единица време.

1.3 ПРОГНОЗА ЗА ТЪРСЕНЕТО

При изучаване и прогнозиране на търсенето на стоки и услуги на предприятието най-често срещаните методи се основават на експертни оценки.

Метод, базиран на преценката на мениджърите:

В този случай прогнозата се основава на визията, интуицията, въображението и опита на водещи специалисти и мениджъри, чиято работа е да създават търсене. В същото време от мениджърите се иска да дадат точна оценка на търсенето въз основа на информацията, с която разполагат. За да се намали рискът от субективизъм на индивидуалната преценка, е необходимо да се стигне до заключение на семинар от специалисти здрав разумотносно оценката на търсенето и неговите прогнози.

2. Метод, базиран на оценките на търговския персонал:

По правило търговският персонал на фирмата (или персоналът на дистрибуторските партньори) има точна представа за потенциала за продажби, който техните клиенти предоставят, и освен това има способността да оцени потенциала на пазара като цяло , Според понев района, който обслужват. Търговците трябва да бъдат помолени да оценят всеки продукт въз основа на конкретните маркетингови усилия, които се предприемат. След това се формулират окончателните оценки, като се сумират оценките на всички служители. За удобство на проучването можете да създадете въпросник. Този метод за определяне и прогнозиране на търсенето е незаменим при изграждането на прогнози за продажби за малки пазарни сегменти.

3. Метод, базиран на изследване на намеренията на купувачите:

Този метод се състои в директно запитване на клиентите за техните планове за покупки в рамките на определен период от време. Оценява се настроението или степента на доверие на купувачите, тяхната представа за благосъстоянието на намерението им да направят покупка на стоки и услуги, произведени от предприятието. Анкетата се провежда по предварително разработен въпросник. Обикновено проучвания за намерение за покупка общ характер. Най-добри резултати се получават, когато става въпрос за стоки и услуги, покупката на които купувачите трябва да планират предварително.

Горните методи са субективни, но могат да бъдат отправна точка при анализа и прогнозите на търсенето.

Наред с методите, базирани на експертни оценки, могат да се използват и други методи.

1.4 ПАЗАРЕН СПОР ЗА ПРОДУКТА, ТЪРСЕНЕ НА ПРОДУКТИТЕ НА ТОВА ПРЕДПРИЯТИЕ

Пазарното търсене на продукт е количеството продукт, което може да бъде закупено от определена група потребители в определен район, за даден период от време, в същата пазарна среда в рамките на конкретна маркетингова програма.

Търсенето и предлагането на пазара са тясно свързани: веднага щом има търсене на даден продукт, фирмите започват да го произвеждат и предлагат за продажба.

Пазарното търсене има функционален характер.

Влияят се от много фактори. Сред тях: демографски, общоикономически, социокултурни, психологически, както и различни дейности, извършвани в рамките на маркетинговата програма.

Пазарното търсене на труд е сумата от търсенето на труд от всички фирми, които използват наемен труд. Предприемачът се нуждае от труд не сам по себе си, а само защото се използва в процеса на производство на стоките и услугите, от които хората се нуждаят. Следователно търсенето на труд е производно и зависи от пределната производителност на труда, както и от предлагането на други производствени фактори.

Пазарното търсене на фактор на производство е сборът от търсенето за този фактор на всички индустрии за период по срок. Търсенето на индустрията обаче не е сумата от търсенето на всички фирми. При определяне на търсенето в индустрията трябва да се има предвид, че пазарната цена на даден продукт се променя в резултат на промяна в цената на производствения фактор.

Пазарното търсене може да се характеризира с еластичността на търсенето по дохода.

Пазарното търсене на продукт е количеството продукт, което може да бъде закупено от определена група потребители в определен район, за даден период от време, в същата пазарна среда в рамките на конкретна маркетингова програма.

Пазарното търсене се формира на базата на решения, взети от много хора, които се ръководят от техните нужди и пари. Но за да разпределите средствата си между различните нужди, е необходимо да имате някаква обща база за тяхното сравняване.

Пазарното търсене е общото търсене на всички купувачи на даден продукт на дадена цена.

Пазарното търсене на застрахователни услуги е един от основните елементи на външната среда: към него са насочени основните усилия на пазара. търговски дейностизастраховател. Пазарното търсене на застрахователни услуги има икономически и хуманитарен аспект.

Търсенето на пазара се влияе от психологически фактори - ефектът на имитацията, ефектът на снобизма. Има трудности при определяне на обема на търсенето.

Научете как да прогнозирате в рамките на 30-40 минути, като използвате статистически данни за раждаемостта в Русия - кой продукт ще бъде много търсен след три, пет или двадесет години?

• Въведение
• Как да предвидим търсенето
• Възможности за прогнозиране на търсенето на стоки от различни възрастови категории
• Помислете как да предвидите търсенето, като използвате конкретен пример

Въведение

Как да изчислим търсенето въз основа на публично достъпни статистически данни, ще разгледаме с примера на тази статия.

Като основа ще вземем показатели за домашна плодовитост. По аналогия е възможно да се моделира търсенето на определени стоки и услуги въз основа на статистиката на браковете и разводите, броя на мъжете и жените, пенсионерите и трудоспособните граждани, смъртността, заетостта, стандарта на живот и др. Всички данни са свободно достъпни на уебсайта. Федерална службадържавна статистика.

Помислете за таблица:

Раздел. 1. Статистика на раждаемостта, смъртността и естествения прираст на населението на Русия

В началото на 2005 г. в Русия започна отначало бавен, а след това все по-интензивен растеж на раждаемостта. Какво ни казва тази информация? Първо, най-логичният извод от намаляването на броя на смъртните случаи и увеличаването на броя на ражданията е, че населението расте. Това означава, че равносилно на увеличаване на броя на хората у нас, ще се увеличи и търсенето на потребителски стоки: храна, битова химияи козметика, облекло, битови услуги и др.

Например, ако през 2011 г., когато естественият прираст е бил отрицателен, броят на консуматорите на хляб в страната се е увеличил със 119 хил. души спрямо 2009 г. голяма картинанаселението на страната - с 0,083%). И още през 2013 г., с положителен естествен прираст, увеличението на потребителите на хляб до 2009 г. възлиза на 273 хиляди души (увеличение на продажбите на хляб с 0,19% в общата маса в страната). Така само за четири години динамиката на растеж на продажбите на хляб възлиза на 43,6%.

Същото може да се каже за всички продукти за ежедневна консумация - млечни продукти, месо, вода, лекарства и т.н.

Сега нека разгледаме същата техника за прогнозиране на търсенето в сегмента на пазара на недвижими имоти. През 2010 г. в Русия, според Росстат, има 54,9 милиона частни домакинства, средният размер на едно домакинство е 2,6 души.

Така, ако вземем предвид нарастването на броя на населението (виж Таблица 2. Естествено движение на прираста и смъртността) от 142 856 536 души през 2010 г. на 143 347 059 души през 2013 г. (490,5 хил. души), пазарът на недвижими имоти трябваше да даде поне 188,6 хил. нови апартамента за две-три години. Това е само за задоволяване на нуждите на нарастващото население, но ако към тези изчисления добавим статистиката на браковете и разводите, която също влияе върху състоянието на пазара на недвижими имоти, цифрата може да се увеличи 2-2,5 пъти.

Таблица 2 Естествено движение на прираст и смъртност

Визуална графика на същите данни:

Какво виждаме въз основа на тази таблица (обратен анализ):

1. Спадът на раждаемостта през 1986-1992 г. и 1996-2009 г. (за 13 години) е причина и сега да има недостиг на млади специалисти на пазара на труда, т.е. поколението от 90-те няма да измести поколението от 70-80-те и страната ще бъде изправена пред остър проблем (частично вече) с недостига на нови кадри.
2. От 2015 г. конкуренцията за места в университетите в страната ще бъде по-малка, съответно в страната ще има повече специалисти с висше образованиеи недостигът на хора – със средно специално, което ще доведе до ревизия на работата на много социални структури;
3. Увеличаването на раждаемостта от 2010 г. до 2014 г. и продължаването на тази тенденция носи още една заплаха за пазара на труда - намаляване на ефективността на производството при младите жени.

Как да предвидим търсенето

За да прогнозираме търсенето, имаме нужда от:

• данни за раждаемостта (Таблица 1. Статистика за раждаемостта, смъртността и естествения прираст в Русия);
• прогноза за раждаемостта (Таблица 3. Демографска прогноза до 2030 г.).

Например, рядко в който и да е град в Русия може да се каже насищането на пазара на детски кафенета.

Те са, но не са достатъчни. Основните посетители на такава институция са родители с бебета на възраст от две до шест години, т.е. деца родени 2008-2012г. През този период в страната са се появили 8 963 295 деца - сега това е аудитория на детските кафенета.

Като вземем предвид статистиката за раждаемостта (виж таблица 1), както и прогнозата за раждаемостта за следващите десетилетия, съставена от специалисти на Росстат (виж таблица 3), можем бързо да преценим, че аудиторията на детските кафенета ще бъде:

• през 2016 г. (родени от 2010 до 2014 г.) - 9 223 627 души;
• през 2018 г. (родени от 2012 до 2016 г.) - 9 327 948 души.

Тоест, сега е необходимо да се занимаваме с детски кафенета, тъй като пикът на продажбите на този продукт ще започне през 2015-2016 г. и се очаква ръстът на търсенето да бъде средно 3-5% в сравнение с настоящия.

Таблица 3. Демографска прогноза до 2030 г

Възможности за прогнозиране на търсенето на стоки от различни възрастови категории

През 2013 г. на училище тръгнаха деца, родени през 2006 г. Предполага се, че за всеки първокласник родителите са предвидили Персонален компютър. При средна ценакомпютър или лаптоп 15 000 рубли, капацитетът на този сегмент е 22,1 милиарда рубли. И ако прогнозираме търсенето за 2020 г., тогава размерът на пазара ще бъде с 28% по-голям, с изключение на промените в цените, това ще възлиза на 28,3 милиарда рубли.

През 2014 г. отидете на Детска градинабебета, родени през 2012 г. (2 години), съответно родителите ще осигурят на групата комплекти моливи и скицници за всяко дете. Такъв комплект струва средно 35 рубли. През 2014 г. търсенето ще бъде приблизително 66,5 милиона рубли, а вече през 2019 г. спадът в търсенето на този продукт ще бъде 4,5% и ще бъде изразен в пари в размер на 63,8 милиона рубли. Следователно 2014-2015 г. са пиковите години в продажбата на такива стоки на детската аудитория.

Продуктова група за новородени

За да видим визуално динамиката на пазара на стоки за бебета, нека вземем честота от 2 години:

• през 2011 г. са родени 1 796 629 деца;
• през 2013 г. са родени 1 895 822 деца;
• през 2015 г. се очаква да се родят 1 848 608 бебета.

Средният бюджет за издръжка на едно дете през първата година от живота е около 125 000 рубли.

(изчислено от тематичния сайт baby.ru) Разходите се увеличават средно с 20% през годината. Ние изчисляваме пазарния капацитет на детски стоки за деца от първата година от живота:

• 2011 г. - 224,6 милиарда рубли;
• 2013 г. - 236,9 милиарда рубли;
• 2015 г. - 231 милиарда рубли;

Група стоки за първокласници

На 1 септември 2014 г. децата, родени през 2007 г., тръгват в училищата в страната, тоест страната ще има нужда от 1 610 122 раници, също толкова тетрадки, моливи и др.

Ако приемем, че родителите на всеки ученик купуват мобилен телефон, за да поддържате връзка с бебето, можете да изчислите колко ще се увеличат продажбите в този сегмент през периода от края на лятото и началото на есента. Ако покупката струва около 4,5 хиляди рубли. (настоящите младши ученици носят смартфони от среден клас), тогава общото увеличение на продажбите на тази електроника ще бъде:

• през 2014 г. 7,24 милиарда рубли;
• през 2015 г. 7,71 милиарда рубли;
• през 2016 г. 7,92 милиарда рубли, т.е. динамика за 2-3 години ще бъде 8-9%.

Днес можете да наблюдавате огромни опашки в детски клиники, липса на места в предучилищни институции, детски площадки на открито и развлекателни съоръжения за деца. В същото време ясна картина на раждаемостта предполага, че този сегмент от стоки ще бъде търсен в продължение на много години и ако планирате акцент в собствения си бизнес, въз основа на горния модел за прогнозиране на търсенето, можете значително увеличаване на печалбите чрез задоволяване на текущото търсене.

Помислете как да предвидите търсенето, като използвате конкретен пример

Нека си представим конкретен предприемач, който изгражда своите прогнози върху количествените показатели за раждаемостта.

IP Semenov продава стоки за деца в град N с население от 400 хиляди души.

В града има 5 такива дистрибутора, т.е. при моделиране на ситуацията според високата версия на прогнозата за раждаемостта на Министерството на статистиката (Таблица 3), през 2015 г. в N-sk ще се родят около 5120 бебета, приблизително 426 на месец. Тези. новите родители и техните роднини ще купуват стоки от индивидуалния предприемач Семьонов и четирима от неговите конкуренти. При равномерно разпределение на продажбите IP Semenov ще продава комплект за бебета в размер на 86 броя на месец.

През 2016 г. - 84 броя на месец, през 2020 г. - 79 броя на месец, т.е. има падане.

Прогнозиране на търсенето

Така че, за да поддържа рентабилността на бизнеса, IP Semenov трябва да вземе предвид състава на пазара и да предостави на клиентите онези стоки, които са подходящи за тяхната възраст:

• от 2015 г. - стоки за деца от 5 години (играчки, дрехи, книги);
• от 2017 г. - стоки за деца в три категории:
• бебета, родени през текущата година (пелени, потници, дрънкалки, млечни формули и др.);
• деца, родени през 2010-2011 г., които по това време стават ученици (чанти, тетрадки, училищни униформи и те могат да бъдат и най-простите мобилни телефони);
• деца 2012-2016 - деца от детската градина (играчки, книжки, образователни игри и материали, дрехи).

От 2017 г. IP Semenov трябва внимателно да обмисли какво ще търгува след три години и докато бизнесът се основава на предишни изчисления, започнете да търсите опции, които съответстват на неговата зряла аудитория.

Това може да бъде стоки за средностатистически училищна възраст, защото основният пик на раждаемостта настъпи през 2011-2013 г., съответно от 2020 г. е по-добре IP Semenov да премине към продукти на тази потребителска аудитория, която е представена от голям брой клиенти - деца на 7-9 години и техните родители. На вълната на тези стоки (може да са дрехи, обувки, дизайнери, компютри, смартфони, първата детска козметика и т.н.), предприемачът може да продължи дейността си до 2028-2030 г.

Освен това логиката и статистиката предполагат преход към стоки за аудитория от студенти (модерни дрехи, услуги на клубове и концерти, заведения за бързо хранене и т.н.), а след още 10 години IP Semenov може да се върне към стоки за бебета и бъдещи майки.

Така, използвайки най-простия пример, ние анализирахме основните принципи на дългосрочното и разширено планиранепо методологията на моделиране на търсенето въз основа на демографската ситуация. Всички изчисления са относителни и неокончателни.

Юлия Николаенко, 2014-08-28

Въпроси и отговори по темата

Към материала все още няма зададени въпроси, вие имате възможност първи да го направите

Крайъгълен камък в управлението на инвентара и огромно главоболие за мениджъра. Как да го направим на практика?

Целта на тези бележки не е да представят теорията на прогнозирането - има много книги. Целта е сбито и, ако е възможно, без задълбочена и строга математика, да се направи общ преглед различни методии практики за прилагане специално в областта на управлението на инвентара. Опитах се да не "вляза в джунглата", да разгледам само най-често срещаните ситуации. Бележките са написани от практикуващ и за практикуващи, така че не трябва да търсите сложни техники тук, описани са само най-често срещаните. Така да се каже мейнстрийм в чист вид.

Въпреки това, както навсякъде в този сайт, участието се приветства по всякакъв възможен начин - добавяне, коригиране, критикуване...

Прогнозиране. Формулиране на проблема

Всяка прогноза винаги е грешна. Целият въпрос е колко греши.

И така, имаме данни за продажбите на наше разположение. Нека изглежда така:

На езика на математиката това се нарича времева серия:

Времевият ред има две критични свойства

стойностите трябва да бъдат подредени. Пренаредете произволни две стойности на места и получете друг ред

разбира се, че стойностите в серията са резултат от измерване на едни и същи фиксирани интервали от време; прогнозирането на поведението на серия означава получаване на "продължение" на серията на същите интервали за даден прогнозен хоризонт

Това предполага изискването за точност на първоначалните данни - ако искаме да получим седмична прогноза, първоначалната точност трябва да е не по-лоша от седмичните пратки.

От това също следва, че ако „получим“ месечни данни за продажби от счетоводната система, те не могат да бъдат използвани директно, тъй като времето, през което са извършени доставките, е различно за всеки месец и това въвежда допълнителна грешка, тъй като продажбите са приблизително пропорционални до този момент..

Това обаче не е толкова труден проблем - нека просто приведем тези данни към средната дневна стойност.

За да направим някакви предположения за по-нататъшния ход на процеса, трябва, както вече беше споменато, да намалим степента на невежеството си. Предполагаме, че нашият процес има някои вътрешни модели на протичане, напълно обективни в настоящата среда. Най-общо това може да се представи като

Y(t) е стойността на нашата серия (например обем на продажбите) в момент t

f(t) е функция, която описва вътрешната логика на процеса. Ще го наричаме предсказващ модел.

e(t) е шум, грешка, свързана със случайността на процеса. Или, което е същото, свързано с нашето невежество, невъзможност да се вземат предвид други фактори в f(t) модела.

Нашата задача сега е да намерим такъв модел, че грешката да е значително по-малка от наблюдаваната стойност. Ако намерим такъв модел, можем да предположим, че процесът в бъдеще ще върви приблизително в съответствие с този модел. Освен това, колкото по-точно моделът ще опише процеса в миналото, толкова по-голяма увереност имаме, че ще работи в бъдеще.

Следователно процесът обикновено е итеративен. Въз основа на прост поглед върху графиката прогнозистът избира прост модели избира параметрите си по такъв начин, че стойността

беше в известен смисъл възможно най-малкото. Тази стойност обикновено се нарича "остатъци" (остатъци), защото това е, което остава след изваждане на модела от действителните данни, което не може да бъде описано от модела. За да се оцени колко добре моделът описва процеса, е необходимо да се изчисли някаква интегрална характеристика на стойността на грешката. Най-често за изчисляване на тази стойност на интегралната грешка се използва средната абсолютна или средноквадратична стойност на остатъците за всички t. Ако размерът на грешката е достатъчно голям, човек се опитва да "подобри" модела, т.е. изберете по-сложен тип модел, вземете предвид повече фактори. Ние, като практици, трябва стриктно да спазваме поне две правила в този процес:

Наивни методи за прогнозиране

Наивни методи

проста средна стойност

В простия случай, когато измерените стойности варират около определено ниво, очевидно е да се оцени средната стойност и да се предположи, че реалните продажби ще продължат да варират около тази стойност.

пълзяща средна

В действителност, като правило, картината е поне малко, но „плува“. Компанията се разраства, оборотите се увеличават. Една от модификациите на средния модел, който отчита това явление, е отхвърлянето на най-старите данни и използването само на няколко k последни точки за изчисляване на средната стойност. Методът се нарича "пълзяща средна".

Претеглена подвижна средна

Следващата стъпка в модифицирането на модела е да приемем, че повече по-късни стойностисериалите отразяват по-адекватно ситуацията. След това на всяка стойност се присвоява тежест, колкото по-голяма е добавената по-нова стойност.

За удобство можете веднага да изберете коефициентите, така че сумата им да е една, след което не е нужно да разделяте. Ще кажем, че такива коефициенти са нормализирани до единица.

Резултатите от прогнозирането за 5 периода напред за тези три алгоритъма са показани в таблицата

Просто експоненциално изглаждане

В англоезичната литература често се среща съкращението SES - Просто експоненциално изглаждане

Една от разновидностите на метода на осредняване е метод на експоненциално изглаждане. Тя се различава по това, че редица коефициенти тук са избрани по много определен начин - тяхната стойност пада по експоненциален закон. Нека се спрем тук малко по-подробно, тъй като методът стана широко разпространен поради своята простота и лекота на изчисление.

Нека направим прогноза в момент t+1 (за следващия период). Нека го обозначим като

Тук вземаме за основа на прогнозата прогнозата последен периоди добавете корекция, свързана с грешката на тази прогноза. Тежестта на тази корекция ще определи колко "рязко" нашият модел ще реагира на промените. Очевидно е, че

Смята се, че за бавно променяща се серия е по-добре да вземете стойност от 0,1, а за бързо променяща се серия е по-добре да изберете в района на 0,3-0,5.

Ако пренапишем тази формула в различна форма, получаваме

Получихме така наречената рекурентна връзка - когато следващият член се изразява чрез предходния. Сега изразяваме прогнозата за миналия период по същия начин чрез стойността на серията преди миналото и т.н. В резултат на това е възможно да се получи формула за прогноза

Като илюстрация ще демонстрираме изглаждане за различни стойности на изглаждащата константа

Очевидно, ако оборотът нараства повече или по-малко монотонно, с този подход систематично ще получаваме подценени прогнозни цифри. И обратно.

И накрая, техниката на изглаждане с помощта на електронни таблици. За първата стойност на прогнозата вземаме действителната стойност и след това според формулата за рекурсия:

Компоненти на прогнозен модел

Очевидно е, че ако оборотът расте повече или по-малко монотонно, с такъв подход на „осредняване“ систематично ще получаваме подценени прогнозни цифри. И обратно.

За по-адекватно моделиране на тенденцията в модела се въвежда понятието „тенденция“, т.е. някаква гладка крива, която повече или по-малко адекватно отразява "систематичното" поведение на поредицата.

тенденция

На фиг. показва същата серия, приемайки приблизително линеен растеж

Такъв тренд се нарича линеен – според вида на кривата. Това е най-често използваният тип, полиномиалните, експоненциалните, логаритмичните тенденции са по-рядко срещани. След като изберете вида на кривата, специфичните параметри обикновено се избират по метода на най-малките квадрати.

Строго погледнато, този компонент на времевия ред се нарича тенденция-цикличен, тоест включва трептения с относително дълъг период, за нашите цели около десет години. Този цикличен компонент е характерен за световната икономика или за интензивността на слънчевата активност. Тъй като тук не решаваме такива глобални проблеми, нашите хоризонти са по-малки, ще оставим цикличния компонент извън скобите и по-нататък ще говорим за тенденцията навсякъде.

сезонност

На практика обаче не е достатъчно да моделираме поведението по такъв начин, че да приемем монотонния характер на серията. Факт е, че разглеждането на конкретни данни за продажби много често ни води до извода, че има друг модел - периодичното повторение на поведението, определен модел. Например, гледайки продажбите на сладолед, става ясно, че през зимата те обикновено са под средните. Подобно поведение е напълно разбираемо от гледна точка на здравия разум, така че възниква въпросът, може ли тази информация да се използва за намаляване на нашето невежество, за намаляване на несигурността?

Така възниква понятието "сезонност" при прогнозирането - всяка промяна в величината, която се повтаря на строго определени интервали. Например скок в продажбите коледна украсапрез последните 2 седмици от годината може да се счита за сезонност. Като общо правило увеличението на продажбите в супермаркетите в петък и събота в сравнение с останалите дни може да се счита за сезонно със седмична честота. Въпреки че този компонент на модела се нарича "сезонност", той не е непременно свързан със сезона в ежедневния смисъл (пролет, лято). Всяка периодичност може да се нарече сезонност. От гледна точка на серията, сезонността се характеризира преди всичко с периода или сезонния лаг - числото, след което настъпва повторение. Например, ако имаме серия от месечни продажби, можем да приемем, че периодът е 12.

Има модели с добавка и мултипликативна сезонност. В първия случай към оригиналния модел се добавя сезонна корекция (през февруари продаваме 350 единици по-малко от средното)

във втория - има умножение по сезонния фактор (през февруари продаваме с 15% по-малко от средното)

Имайте предвид, че както беше споменато в началото, самото наличие на сезонност трябва да се обяснява от гледна точка на здравия разум. Сезонността е следствие и проявление свойства на продукта(особености на потреблението му в дадена точка на земното кълбо). Ако можем точно да идентифицираме и измерим това свойство на този конкретен продукт, можем да сме сигурни, че подобни колебания ще продължат и в бъдеще. В същото време същият продукт може да има различни характеристики(профили) сезонност в зависимост от мястото, където се консумира. Ако не можем да обясним подобно поведение от гледна точка на здравия разум, нямаме причина вероятно да повтаряме подобен модел в бъдеще. В този случай трябва да потърсим други външни за продукта фактори и да отчетем тяхното присъствие в бъдеще.

Важното е, че когато избираме тенденция, трябва да изберем проста аналитична функция (т.е. такава, която може да бъде изразена с проста формула), докато сезонността обикновено се изразява с таблична функция. Най-честият случай е годишната сезонност с 12 периода на броя на месеците - това е таблица с 11 мултипликативни коефициента, представляващи корекция спрямо един референтен месец. Или 12 коефициента спрямо средната месечна стойност, но е много важно същите 11 да останат независими, тъй като 12-ият се определя еднозначно от изискването

Ситуацията, когато има М в модела статистически независими (!) параметри, в прогнозирането се нарича модел с М степени на свобода. Така че, ако попаднете на специален софтуер, в който по правило е необходимо да зададете броя на степените на свобода като входни параметри, това е от тук. Например модел с линеен тренд и период от 12 месеца ще има 13 степени на свобода – 11 от сезонността и 2 от тренда.

Как да живеем с тези компоненти на поредицата, ще разгледаме в следващите части.

Класическо сезонно разграждане

Декомпозиция на серия от продажби.

Така че доста често можем да наблюдаваме поведението на поредица от разпродажби, в които има трендови и сезонни компоненти. Възнамеряваме да подобрим качеството на прогнозата предвид тези познания. Но за да използваме тази информация, се нуждаем от количествени характеристики. Тогава ще можем да елиминираме тенденцията и сезонността от действителните данни и по този начин значително да намалим количеството шум, а оттам и несигурността на бъдещето.

Процедурата за извличане на неслучайни компоненти на модела от действителните данни се нарича декомпозиция.

Първото нещо, което ще направим с нашите данни е сезонно разграждане, т.е. определяне на числените стойности на сезонните коефициенти. За категоричност да вземем най-често срещания случай: данните за продажбите са групирани по месеци (тъй като е необходима прогноза с точност до месец), приема се линеен тренд и мултипликативна сезонност с лаг от 12.

Изглаждане на редове

Изглаждането е процес, при който оригиналната серия се заменя с друга, по-гладка, но базирана на оригинала. Целта на такъв процес е да се оценят общи тенденции, тенденция в широк смисъл. Има много методи (както и цели) за изглаждане, най-често срещаните

увеличаване на интервалите от време. Ясно е, че серия от продажби, обобщени месечно, се държи по-плавно от серия, базирана на дневни продажби.

пълзяща средна. Вече разгледахме този метод, когато говорихме за наивни методи за прогнозиране.

аналитично подравняване . В този случай оригиналната серия се заменя с някаква гладка аналитична функция. Видът и параметрите са подбрани експертно за минимум грешки. Отново, вече обсъдихме това, когато говорихме за тенденции.

След това ще използваме изглаждане по метода на подвижната средна. Идеята е, че заменяме набор от няколко точки с една според принципа на „центъра на масата” - стойността е равна на средната от тези точки, а центърът на масата се намира, както можете да предположите, в центъра на сегмента, образуван от крайни точки. Така че ние задаваме определено "средно" ниво за тези точки.

Като илюстрация, нашата оригинална серия, изгладена с 5 и 12 точки:

Както можете да предположите, ако има осредняване върху четен брой точки, центърът на масата попада в празнината между точките:

До какво водя?

За да се задържи сезонно разграждане, класическият подход предполага първо изглаждане на серията с прозорец, който точно съответства на забавянето на сезонността. В нашия случай забавянето = 12, така че ако изгладим над 12 точки, изглежда, че свързаните със сезона смущения се изравняват и получаваме общо средно ниво. Тогава вече ще започнем да сравняваме действителните продажби с изгладени стойности - за адитивния модел ще извадим изгладената серия от факта, а за мултипликативния модел ще разделим. В резултат на това получаваме набор от коефициенти, за всеки месец, няколко парчета (в зависимост от дължината на серията). Ако изглаждането е успешно, тези коефициенти няма да имат твърде голямо разпространение, така че осредняването за всеки месец не е толкова глупава идея.

Две точки, които са важни за отбелязване.

• Коефициентите могат да бъдат осреднени чрез изчисляване на стандартната средна стойност или медианата. Последният вариант е силно препоръчан от много автори, тъй като медианата не реагира толкова силно на случайни отклонения. Но ние ще използваме простата средна стойност в нашия проблем за обучение.
• Ще имаме сезонно изоставане дори от 12. Следователно ще трябва да направим още едно изглаждане - да заменим две съседни точки от серията, изгладени за първи път със средната, след което ще стигнем до определен месец

Картината показва резултата от повторното изглаждане:

Сега разделяме факта на гладка серия:

За съжаление имах данни само за 36 месеца и при изглаждане над 12 точки съответно се губи една година. Затова на този етап съм получил коефициенти за сезонност само 2 за всеки месец. Но няма какво да се прави, по-добре е от нищо. Ще осредним тези двойки коефициенти:

Сега припомняме, че сумата от мултипликативните коефициенти на сезонност трябва да бъде = 12, тъй като значението на коефициента е съотношението на месечните продажби към средната месечна стойност. Ето какво прави последната колона:

Сега завършихме класическо сезонно разлагане, тоест получихме стойностите на 12 мултипликативни коефициента. Сега е време да се заемем с нашата линейна тенденция. За да оценим тенденцията, ще елиминираме сезонните колебания от действителните продажби, като разделим факта на стойността, получена за даден месец.

Сега нека да начертаем данни с елиминирана сезонност върху диаграмата, да начертаем линейна тенденция и да направим прогноза за 12 периода напред като произведение на стойността на тенденцията в точката и съответния коефициент на сезонност

Както можете да видите от снимката, данните, изчистени от сезонност, не се вписват много добре в линейна връзка - отклоненията са твърде големи. Може би, ако изчистите първоначалните данни от отклонения, всичко ще стане много по-добро.

За по-точно определяне на сезонността чрез класическо разлагане е много желателно да има поне 4-5 пълни цикъла на данни, тъй като един цикъл не участва в изчисляването на коефициентите.

Какво да направите, ако по технически причини такива данни не са налични? Трябва да намерим метод, който няма да отхвърли никаква информация, ще използва цялата налична информация за оценка на сезонността и тенденцията. Нека опитаме този метод в следващия раздел.

Експоненциално изглаждане с тенденция и сезонност. Метод на Холт-Уинтърс

Обратно към експоненциалното изглаждане...

В една от предишните части вече разгледахме проста експоненциално изглаждане . Нека си припомним накратко основната идея. Приехме, че прогнозата за точка t се определя от някакво средно ниво на предишни стойности. Освен това начинът, по който се изчислява прогнозираната стойност, се определя от рекурсивната връзка

В този си вид методът дава усвоими резултати, ако серията от продажби е достатъчно стационарна - няма ясно изразена тенденцияили сезонни колебания. Но на практика такъв случай е щастие. Затова ще разгледаме модификацията този метод, което ви позволява да работите с тренд и сезонни модели.

Методът е наречен Holt-Winters след имената на разработчиците: Холт предлага метод на счетоводство тенденция, добави Уинтърс сезонност.

За да разберем не само аритметиката, но и да "почувстваме" как работи, нека обърнем малко главата си и да помислим какво се променя, ако влезем в тенденция. Ако за просто експоненциално изглаждане прогнозната оценка за p-ти периоднаправено като

където Lt е „общото ниво“, осреднено според добре известното правило, тогава при наличие на тенденция се появява изменение

,

т.е. оценка на тенденцията се добавя към общото ниво. Освен това ще осредним както общото ниво, така и тенденцията независимо, като използваме метода на експоненциално изглаждане. Какво се разбира под усредняване на тренда? Предполагаме, че има локална тенденция в нашия процес, която определя системно нарастване на една стъпка - между точки t и t-1, например. И ако за линейна регресия се начертае тренд линия върху цялата съвкупност от точки, ние вярваме, че по-късните точки трябва да допринесат повече, тъй като пазарната среда непрекъснато се променя и по-новите данни са по-ценни за прогнозата. В резултат на това Холт предложи да се използват две повтарящи се отношения- един изглажда общо ниво на реда, другата изглажда трендов компонент.

Техниката на изглаждане е такава, че първо се избират първоначалните стойности на нивото и тенденцията и след това се прави преминаване през цялата серия, като на всяка стъпка се изчисляват нови стойности с помощта на формули. От общи съображения е ясно, че първоначалните стойности трябва да бъдат определени по някакъв начин въз основа на стойностите на серията в самото начало, но тук няма ясни критерии, има елемент на доброволност. Най-често използваните два подхода при избора на "референтни точки":

Първоначалното ниво е равно на първата стойност на серията, началният тренд е равен на нула.

Взимаме първите няколко точки (5 броя), начертаваме линия на регресия (ax+b). Задаваме началното ниво като b, началната тенденция като a.

от общо взетотози въпрос не е принципен. Както си спомняме, приносът на ранните точки е незначителен, тъй като коефициентите намаляват много бързо (експоненциално), така че с достатъчна дължина на първоначалната поредица от данни е вероятно да получим почти идентични прогнози. Разликата обаче може да се прояви при оценка на грешката на модела.

Тази фигура показва резултатите от изглаждането с два избора на начални стойности. Тук ясно се вижда, че голямата грешка на втория вариант се дължи на факта, че първоначалната стойност на тренда (взета от 5 точки) се оказа явно надценена, тъй като не взехме предвид растежа, свързан със сезонността .

Затова (следвайки г-н Winters) ще усложним модела и ще направим прогноза, като вземем предвид сезонност:

В този случай ние, както и преди, приемаме мултипликативна сезонност. Тогава нашата система от изглаждащи уравнения получава още един компонент:

където s е сезонното забавяне.

И отново отбелязваме, че изборът на начални стойности, както и стойностите на изглаждащите константи, е въпрос на воля и мнение на експерт.

За наистина важни прогнози обаче може да се предложи да се направи матрица от всички комбинации от константи и да се изберат чрез изброяване онези, които дават по-малка грешка. За методите за оценка на грешката на моделите ще говорим малко по-късно. Междувременно нека изгладим нашите серии по отношение на Метод на Холт-Уинтърс. В този случай ще определим първоначалните стойности съгласно следния алгоритъм:

Сега първоначалните стойности са определени.

Резултатът от цялата тази бъркотия:

Заключение

Изненадващо, такъв прост метод дава много добри резултати на практика, доста сравними с много по-"математически" - например с линейна регресия. И в същото време прилагането на експоненциално изглаждане в информационна система е с порядък по-просто.

Прогнозиране на редки продажби. Метод на Кростън

Прогнозиране на редки продажби.

Същността на проблема.

Цялата добре позната математика за прогнозиране, която авторите на учебници изпитват удоволствие да описват, се основава на предположението, че продажбите са в известен смисъл „равни“. Именно с такава картина по принцип възникват такива понятия като тенденция или сезонност.

Но какво ще стане, ако продажбите изглеждат така?

Всяка колона тук е продажби за периода, между тях няма продажби, въпреки че продуктът присъства.
За какви "тенденции" можем да говорим тук, когато около половината от периодите са с нулеви продажби? И това не е най-клиничният случай!

Още от самите графики става ясно, че е необходимо да се измислят някои други алгоритми за прогнозиране. Бих искал също да отбележа, че тази задача не е от нищото и не е някаква рядкост. Почти всички афтърмаркет ниши се занимават точно с този случай - авточасти, аптеки, поддръжка на сервизи,...

Формулиране на задача.

Ще решим една чисто приложна задача. Разполагам с данни за продажби с точност до дни. Нека времето за реакция на веригата за доставки е точно една седмица. Минималната задача е да се предвиди скоростта на продажбите. Максималната задача е да се определи стойността на предпазния запас въз основа на нивото на обслужване от 95%.

Метод на Croston.

Анализирайки физическата природа на процеса, Croston (J.D.) предполага, че

• всички продажби са статистически независими
• независимо дали е имало продажба или не, се подчинява на разпределението на Бернули
  (с вероятност p събитието се случва, с вероятност 1-p не се случва)
• в случай че се случи събитието за продажба, размерът за покупка се разпределя нормално

Това означава, че полученото разпределение изглежда така:

Както можете да видите, тази картина е много различна от "камбаната" на Гаус. Освен това, изобразеният връх на хълма съответства на покупка от 25 единици, докато ако изчислим средната стойност за поредица от продажби, получаваме 18 единици, а изчисляването на RMS дава 16. Съответният " нормална" крива е начертана тук в зелено.

Croston предложи да се направи оценка на две независими количества - периодът между покупките и размерът на самата покупка. Нека да разгледаме тестовите данни, случайно имах под ръка данни за реални продажби:

Сега разделяме оригиналната серия на две серии според следните принципи.

начален	месечен цикъл	размерът
0
0
0
0
0
0
0
0
0
0
4	11	4
0
0
4	3	4
5	1	5
...	...	...

Сега прилагаме просто експоненциално изглаждане към всяка от получените серии и получаваме очакваните стойности на интервала между покупките и сумата на покупката. И като разделим второто на първото, получаваме очакваната интензивност на търсенето за единица време.
И така, имам тестови данни за ежедневни продажби. Избирането на редове и изглаждането с малка стойност на константата ми даде

• очакван период между покупките 5,5 дни
• очакван размер на покупка 3,7 единици

следователно прогнозата за седмичните продажби ще бъде 3,7/5,5*7=4,7 единици.

Всъщност това е всичко, което ни дава методът Croston - точкова оценкапрогноза. За съжаление това не е достатъчно за изчисляване на необходимия предпазен запас.

Метод на Croston. Усъвършенстване на алгоритъма.

Недостатък на метода Croston.

Проблемът с всички класически методи е, че те моделират поведението, използвайки нормално разпределение. И тук се крие систематична грешка, тъй като нормалното разпределение предполага, че една случайна променлива може да варира от минус безкрайност до плюс безкрайност. Но това е малък проблем за сравнително редовно търсене, когато коефициентът на вариация е малък, а оттам и вероятността за възникване отрицателни стойноститолкова незначителен, че лесно можем да си затворим очите за него.

Друго нещо е прогнозирането на редки събития, когато очакването за размера на покупката е от малко значение и стандартното отклонение може да се окаже поне от същия ред:

За да се избегне такава очевидна грешка, беше предложено да се използва логнормалното разпределение като по-"логично" описание на картината на света:

Ако някой се обърква от всякакви страшни думи, не се притеснявайте, принципът е много прост. Взема се оригиналната серия, взема се естественият логаритъм на всяка стойност и се приема, че получената серия вече се държи като нормално разпределена с цялата стандартна математика, описана по-горе.

Метод на Croston и предпазен запас. Функция за разпределение на търсенето.

Седнах тук и си помислих ... Е, получих характеристиките на потока на търсенето:
очакван период между покупките 5,5 дни
очакван размер на покупка 3,7 единици
очакван интензитет на търсене 3,7/5,5 единици на ден...
дори ако получих RMS на дневно търсене за ненулеви продажби - 2,7. Какво относно предпазен запас?

Както знаете, предпазният запас трябва да гарантира наличието на стоки, когато продажбите се отклоняват от средните с определена вероятност. Вече обсъдихме показателите за ниво на обслужване, нека първо поговорим за нивото от първия вид. Строгата формулировка на проблема е следната:

Нашата верига за доставки има време за реакция. Общото търсене на продукта през това време е произволна стойност, която има своя функция на разпределение. Условието „вероятност за ненулев запас“ може да бъде записано като

В случай на редки продажби функцията на разпределение може да бъде записана по следния начин:

q - вероятност за нулев резултат
p=1-q - вероятност за ненулев резултат
f(x) - плътност на разпределение на размера на покупката

Обърнете внимание, че в предишното си проучване измерих всички тези параметри за ежедневните серии от продажби. Следователно, ако моето време за реакция също е един ден, тогава тази формула може да бъде успешно приложена веднага. Например:

да предположим, че f(x) е нормално.
да предположим, че в района x<=0 вероятности, описываемые функцией очень низкие, т.е.

тогава интегралът в нашата формула се търси от таблицата на Лаплас.

в нашия пример p = 1/5,5, така че

алгоритъмът за търсене става очевиден - като зададем SL, ние увеличаваме k, докато F надвиши даденото ниво.

Между другото, какво има в последната колона? Точно така, нивото на обслужване от втори вид, съответстващо на дадена наличност. И тук, както казах, има известен методически инцидент. Нека си представим, че продажбите се случват с честота около веднъж на... е, да речем 50 дни. И нека си представим, че поддържаме нулев запас. Какво ще бъде нивото на обслужване? Изглежда като нула - няма наличност, няма сервиз. Системата за контрол на запасите ще ни даде същата цифра, тъй като има постоянно изчерпване на склад. Но в крайна сметка, от гледна точка на баналната ерудиция, в 49 случая от 50 продажбите точно отговарят на търсенето. Това е не води до загуба на печалба и лоялност на клиентитено за нищо друго ниво на обслужванеи не е предвидено. Този донякъде изроден случай (чувствам, че спорът ще започне) е просто илюстрация на това защо дори много малко предлагане с рядко търсене дава високи нива на обслужване.

Но това са все цветя. Но какво ще стане, ако доставчикът ми се е променил и сега времето за реакция е станало примерно седмица? Е, тук всичко става доста забавно, за тези, които не обичат "мултиформулите", препоръчвам да не четат повече, а да изчакат статия за метода на Willemine.

Сега нашата задача е да анализираме количеството продажби за периода на реакция на системата, разберете разпространението му и оттам изтеглете зависимост на нивото на обслужване от размера на запасите.

И така, функцията за разпределение на търсенето за един ден и всички нейни параметри са ни известни:

Както и преди, резултатът от един ден е статистически независим от всеки друг.
Нека случайно събитие се състои от случилото се за n дни гладка m факти на ненулеви продажби. Според закона на Бернули (хайде, седя и преписвам от учебник!) вероятността от такова събитие

където е броят на комбинациите от n до m, а p и q отново са еднакви вероятности.
Тогава вероятността продадената сума за n дни в резултат на точно m факта за продажбиняма да надвишава стойността на z, ще бъде

където е разпределението на продаденото количество, т.е. намотката на m идентични разпределения.
Е, тъй като желаният резултат (общите продажби не надвишават z) може да бъде получен за всяко m, остава да се сумират съответните вероятности:

(първият член съответства на вероятността за нулев резултат от всички n опита).

Нещо повече, мързи ме да се забърквам с всичко това, тези, които желаят, могат самостоятелно да изградят таблица, подобна на тази по-горе, приложена към нормалната плътност на вероятността. За да направим това, трябва само да запомним, че конволюцията на m нормални разпределения с параметри (a,s 2) дава нормално разпределение с параметри (ma,ms 2).

Прогнозиране на редки продажби. Методът на Вилемин.

Какво не е наред с метода Croston?

Факт е, че на първо място това предполага нормалното разпределение на размера на покупката. Второ, за адекватни резултати това разпределение трябва да има ниска дисперсия. Трето, въпреки че не е толкова смъртоносно, използването на експоненциално изглаждане за намиране на характеристиките на разпределението имплицитно предполага нестационарността на процеса.

Е, Бог да го благослови. За нас най-важното е, че реалните продажби дори не изглеждат близки до нормалните. Именно тази мисъл вдъхнови Вилемейн (Thomas R. Willemain) и компанията да създадат по-универсален начин. И от какво е продиктувана необходимостта от такъв метод? Точно така, необходимостта от прогнозиране на нуждата от резервни части, особено за автомобилни части.

Методът на Вилемин.

Същността на подхода е да се приложи процедурата за стартиране. Тази дума се е родила от старата поговорка „издърпай се през оградата с един“ s bootstraps", което почти буквално съответства на нашето „дърпай се за собствената си коса". Компютърният термин boot, между другото, също е от тук. И значението на тази дума е, че част от обекта съдържа необходимите ресурси, за да се прехвърли в друго състояние и ако е необходимо, може да се стартира такава процедура. Това е процесът, който се случва с компютър, когато натиснем определен бутон.

Приложено към нашия тесен проблем, процедурата за стартиране означава изчисляване на вътрешни модели, присъстващи в данните, и се изпълнява по следния начин.

Според условията на нашата задача времето за реакция на системата е 7 дни. Ние НЕ знаем и НЕ СЕ ОПИТВАМЕ да познаем вида и параметрите на кривата на разпределение.
Вместо това произволно „изваждаме“ дни от цялата серия 7 пъти, обобщаваме продажбите от тези дни и записваме резултата.
Повтаряме тези стъпки, като всеки път записваме сумата на продажбите за 7 дни.
Желателно е експериментът да се прави многократно, за да се получи най-адекватната картина. 10 - 100 хиляди пъти ще бъде много добре. Тук е много важно дните да се избират на случаен принцип ЕДНАКОВНО в целия анализиран диапазон.
В резултат на това трябва да получим "като че ли" всички възможни резултати от продажби за точно седем дни и като вземем предвид честотата на поява на същите резултати.

След това разделяме целия диапазон от получените суми на сегменти в съответствие с точността, от която се нуждаем, за да определим маржа. И изграждаме честотна хистограма, която ще покаже реалното разпределение на вероятностите за покупка. В моя случай получих следното:

Тъй като имам продажби на стока на бройка, т.е. размерът на покупката винаги е цяло число, тогава не го разделих на сегменти, оставих го такъв, какъвто е. Височината на лентата съответства на дела от общите продажби.
Както можете да видите, дясната, "ненулева" част от разпределението не прилича на нормално разпределение (сравнете със зелената пунктирана линия).
Сега, въз основа на това разпределение, е лесно да се изчислят нивата на обслужване, съответстващи на различни размери на инвентара (SL1, SL2). Така че, след като зададем целевото ниво на обслужване, ние веднага получаваме необходимия запас.

Но това не е всичко. Ако се вземат предвид финансови показатели - себестойност, прогнозна цена, разходи за поддържане на склад, лесно се изчислява доходността, съответстваща на всеки размер на запаса и всяко ниво на обслужване. Показано е в последната колона, а съответните графики са тук:

Тоест, тук ще открием най-ефективния запас и ниво на обслужване по отношение на реализирането на печалба.

И накрая (за пореден път) бих искал да попитам: „защо базираме нивото на обслужване на ABC анализ?" Изглежда, че в нашия случай оптимално ниво на обслужванепървият вид е 91%, независимо от коя група е продуктът. Страхотна е тази мистерия...

Нека ви напомня, че едно от предположенията, на които се основахме - независимост на продажбитеедин ден от друг. Това е много добро предположение за търговията на дребно. Например, очакваните продажби на хляб днес не зависят от продажбите му вчера. Подобна картина обикновено е типична, когато има доста голяма клиентска база. Следователно произволно избрани три дни могат да дадат такъв резултат

такива

и дори това

Съвсем друго е, когато имаме сравнително малко клиенти, особено ако купуват рядко и в големи количества. в този случай вероятността от събитие, подобно на третия вариант, е практически нула. Казано по-просто, ако вчера имах големи пратки, днес вероятно ще е тихо. И опцията изглежда абсолютно фантастична, когато търсенето е голямо няколко дни подред.

Това означава, че независимостта на продажбите на съседни дни в този случай може да се окаже глупост и е много по-логично да се предположи обратното - те са тясно свързани. Е, не ни плаши. Просто нещо, което няма да извадим дните по изборще вземем минаващите дни договор:

Всичко е още по-интересно. Тъй като нашите серии са сравнително кратки, дори не е нужно да се занимаваме с произволна извадка - достатъчно е да задвижим плъзгащ се прозорец с размера на времето за реакция в серията и имаме готовата хистограма в джоба си.

Но има и недостатък. Работата е там, че получаваме много по-малко наблюдения. За прозорец от 7 дни на година можете да получите 365-7 наблюдения, докато при произволна извадка 7 от 365 е броят на комбинациите от 365! /7! / (365-7)! Твърде мързеливо да броим, но е много повече.

А малък брой наблюдения означава ненадеждност на оценките, така че натрупвайте данни - те не са излишни!

• Защо прогнозите за търсенето са неточни
• Как Nestle изгради процеса на прогнозиране на търсенето

Ръководителите на компании за търговия на дребно и дистрибуция често са недоволни от обема на продажбите, както и от излишъка или недостига на продуктови артикули. Отправната точка за промяна на ситуацията е прогнозиране на търсенето.Колкото по-точна е прогнозата, толкова по-малко наличност от непродадени стоки ще има на склад, докато търсените винаги ще бъдат на склад. В допълнение, компанията ще може своевременно да въведе нови продукти в асортимента и да премахне остарелите, да установи конкурентни цени на дребно и да оптимизира веригата за доставки.

Как се формира прогнозата за търсенето


Трябва да се анализират всички данни за реални продажби, проведени и планирани маркетингови кампании, промени в цените на дребно и други събития. Най-лесният инструмент за това е Excel. Така компанията ще получи статистически прогнози за търсенето. Освен това те се коригират избирателно от анализатора и се изпращат за одобрение в съответните отдели: продажби, доставки, маркетинг и др. Окончателната прогноза се одобрява от ръководството на компанията. 


Формиране на прогноза за търсенето

напр.

Защо се появяват неточни прогнози за търсенето

Прогнозите на компанията се оказват неточни по четири причини:

• променливост на търсенето;
• субективност на корекциите;
• неопитност на анализаторите;
• недостатъчна функционалност на софтуера.

Променливост на търсенето

Например, търсенето на мобилни телефони или дрехи най-често е импулсивно, което означава, че е неравномерно в различните магазини - обемът на продажбите зависи от това колко умело се популяризира продуктът. Съответно, когато планирате, е необходимо да вземете предвид какви промоции ще извърши магазинът и да коригирате прогнозата в зависимост от очакваните резултати. Хлябът е друг въпрос - този продукт е търсен във всяка ситуация. Следователно е достатъчно да се изчисли статистическата прогноза, не са необходими корекции.

Субективност на корекциите

Често експерт с богат опит идва в компанията и "на око" определя търсенето. Подобни „експертни“ оценки обаче често са погрешни. Например RadioShack, американски търговец на електроника, установи, че в 70% от случаите прогнозата, коригирана от специалист, е по-малко точна от статистическата прогноза, получена от средните седмични продажби през последните пет седмици (така наречената прогноза за пълзяща средна) .

Освен това различните отдели, които коригират прогнозите, често действат непоследователно или умишлено изкривяват числата, за да могат след това да прехвърлят отговорността един на друг. Класически пример е конфронтацията между отделите за продажби и покупки. Първите твърдят, че ниските продажби се дължат на липсата на стоки на склад, а вторите твърдят, че не купуват продукта, тъй като мениджърите все още не могат да го продадат. Съответно отделът по продажбите се опитва да надцени прогнозата, докато отделът за покупки, напротив, се опитва да го подцени. Това няма най-добър ефект върху точността на прогнозите.

Неопитност на анализатора

Според моя опит анализаторите или плановиците правят по-малко прецизни корекции от мениджърите на категории, които познават добре продукта. Освен това грешките в прогнозите често възникват по банална причина, когато анализаторът не владее правилно техниките за прогнозиране. Както показа проучване на Fildes & Goodwin, ръчните промени в прогнозните стойности с малки количества не водят до значително повишаване на точността на прогнозата, а в някои случаи дори я намаляват. В проучването участват четири компании, чиято дейност е свързана с веригите за доставки; те коригираха ръчно до 75% от своите статистически прогнози 1 .

Неточност на софтуерните инструменти

Има много видове търсене. Може да бъде стабилен сезонен, стабилен несезонен, нестабилен сезонен, нестабилен несезонен и периодичен. Отделно се откроява търсенето на стоки с кратък жизнен цикъл. В допълнение към всичко това търсенето се влияе от много външни събития: маркетингови промоции, промени в цените на дребно, промени в продуктовите линии, активност на конкуренти и т.н. Комбинациите от тези събития могат да бъдат както допълващи се, така и взаимно изключващи се. Не всички софтуерни инструменти са в състояние да вземат предвид тези нюанси при генериране на статистически прогнози и оттам следват неточности.

• Удобното прогнозиране на продажбите ще помогне да се направи програмата за автоматизация на бизнеса Class365

Определете естеството на търсенето. Няма универсален алгоритъм, който да гарантира точни прогнози за всички видове стоки. Но има едно важно правило - първата стъпка е да разберете естеството на търсенето на даден продукт: импулсивно ли е или естествено? След като определите това, ще ви бъде по-лесно да изберете правилните методи за управление на продажбите.

Използвайте сравнителна прогноза за търсенето. Въпросът колко точна е статистическата прогноза възниква в самото начало на процеса на прогнозиране. За да разберете дали мерките за коригиране на прогнозата са ефективни, е необходимо да имате референтна прогноза за сравнение. След това статистическата прогноза, например, за утре се сравнява със стандарта. Тази прогноза може да бъде пълзяща средна от, например, последните седем дни. Можете да изберете друг стандарт - основното е да се ръководите от следните принципи:

• изграждането на референтна прогноза не трябва да отнема много време;
• алгоритъмът трябва да е много прост и подходящ за всички видове търсене. Например, той трябва да прогнозира търсенето еднакво последователно за продукти с едноседмичен цикъл на продажби и за продукти с цикъл на продажби от няколко години.

Резултатите от по-нататъшните корекции на статистическата прогноза трябва да бъдат сравнени с референтната. Въвеждането на сравнителна прогноза ще промени процеса на прогнозиране на бъдещото търсене (вижте по-долу). ориз. 2).


Задайте адекватни цели за прогнозиране на търсенето. Ето пример за неправилно формулирана цел: точността на прогнозата трябва да бъде поне 80% за всички продукти. По-правилно е целта да се формулира по следния начин: точността на крайната прогноза трябва да бъде по-висока от точността на референтната. Или така: точността на крайната прогноза трябва да е по-висока от точността на текущата.

Изглежда, че в най-новите формулировки целта изглежда по-неясна, но позволява да се вземат предвид особеностите на търсенето на различни стоки. Например отделът за продажби на мобилни телефони на Mobistar отдавна се бори да преодолее целта от 30% за точност на прогнозиране поради редки и импулсивни продажби на продукти. Внедряването на система за прогнозиране на статистически времеви редове позволи да се повиши точността на прогнозите до 50%. По-нататъшното изграждане на процеса на координиране на окончателната прогноза с експерти от други отдели помогна за повишаване на точността на прогнозите до 60%. Сегашното ниво на точност на прогнозата е около 70 % и този резултат е постигнат чрез подобряване на качеството на данните 2 .

Ако целите са слабо свързани с реалността, служителите започват да коригират прогнозите към наличните данни. Това обезсмисля цялата прогнозна работа.

Не копирайте целите на вашите конкуренти. Често, когато прогнозират търсенето, търговските вериги гледат към конкурентите. Това обаче не винаги е оправдано. Целите за точност на прогнозата трябва да вземат предвид размера на компанията, спецификата на нейните процеси, географското местоположение, широчината на асортимента и т.н. Тоест малка или средна регионална търговска верига не трябва да се фокусира върху точността на прогнозиране на федерална верига от списъка с топ 10. В същото време е полезно да се заема информация за организацията на бизнес процесите и тяхната автоматизация от по-големи конкуренти.

• Категориен мениджмънт в търговията на дребно: 3 принципа за увеличаване на продажбите

Съсредоточете се върху продукти, които генерират най-високи печалби, но показват най-ниска точност в прогнозите за продажби. Ако можете дори леко да увеличите точността на прогнозата за продажбите за продукти, които носят основния марж, ще получите значителен финансов ефект чрез намаляване на разходите. Ако увеличите, дори до 100%, точността на прогнозата за продажби за продукти с ниски приходи, ефектът ще бъде много по-малък. Ако има два продукта, които са сравними по приходи, по-разумно е да се съсредоточите върху подобряване на точността на прогнозата за продажбите за продукта, за който тя е по-ниска. Факт е, че ако точността на прогнозата вече е висока, тогава нейното по-нататъшно подобряване ще изисква несравнимо по-големи усилия. Ако първоначалната точност на прогнозата е ниска, тогава е по-лесно да я подобрите и следователно е по-лесно да получите увеличение на печалбата.

Контролирайте качеството на входящите данни. Използването на референтна прогноза като отправна точка и определянето на адекватни цели не е гаранция за точни крайни прогнози. Важно е да се контролира качеството на входящите данни. Например действителната информация за продажбите може да не отразява истинската картина, тъй като продажбите може да не се дължат на липса на търсене, а например поради липса на стоки на склад. В този случай използвайте средната стойност на продажбите през периодите без изчерпване. Освен това не трябва да се опитвате да възстановите търсенето напълно точно - за прогнозиране няма фундаментална разлика дали реалното търсене е било равно на пет или седем единици стоки вчера. Достатъчно е да се знае, че средното търсене е било шест единици.

Автоматизирайте процесите, които стимулират търсенето. Много компании не събират информация за резултатите от маркетинговите кампании и не оценяват тяхната ефективност. Те са сигурни, че всяка рекламна кампания увеличава продажбите, но това не е вярно. По подобен начин много от тях не проследяват историята на ценообразуването и т.н. Важно е да се изгради процес на прогнозиране на търсенето за всяка продуктова група или по-добре за всеки продукт. И тук е необходим софтуер. Въпреки това, когато го избирате, обърнете внимание на възможностите за анализиране на влиянието на външни събития върху търсенето, като празници, различни промоции, промени в цените на дребно и т.н. Откажете се да коригирате ръчно статистическата прогноза за онези продуктови категории, за които експертното мнение не дава стабилно подобрение в точността на крайната прогноза.

Прогнозиране на търсенето в действие: Опитът на Nestle

Като пример ще говоря за проекта на компанията Nestle за изграждане на процес за прогнозиране на търсенето. Извършено е съвместно със специалисти от SAS. Малко предистория: Nestle произвежда храни, оперира в 469 региона в 86 страни, с годишен оборот от 90 милиарда швейцарски франка.

Компанията отдава особено значение на формирането на прогнози за търсенето на категорията стоки, наречени "луди бикове" - това са стоки с висок обем на продажби и същевременно променливост на търсенето. Лудите бикове включват например марката кафе Nescafe. Този продукт се характеризира със стабилно търсене, но за да не спадне обемът на продажбите, те постоянно провеждат стимулиращи промоции.

Nestle стигнаха до извода, че използването само на статистическа прогноза, както и само на експертизата на плановик, не дава желаните резултати. Ръководството си е поставило задачата да изгради поетапен процес за генериране на прогноза за търсенето, за да подобри нейната точност. Те действаха по следния начин:

1. Формирана референтна прогноза - получена е по метода на осредняване на стойностите на продажбите.

2. Създадохме статистическа прогноза, след което анализаторът коригира данните и ги изпрати на други отдели за разглеждане. Направиха корекции, върнаха прогнозата, ръководителят одобри. Между другото, точността на прогнозата беше изчислена по следната формула: Точност на прогнозата за търсене = 1 - |Прогноза - Факт| : Прогноза.

Nestle не разкрива точни числа, така че нека разгледаме един хипотетичен пример. Да кажем, че днес е 22-ри. Прогнозата за търсене, направена на 20-ти за 21-ви, е 10 единици стока (кутии кафе Nescafe). Реалните продажби за 21-ви бяха 8 бр. Точността на прогнозата, по формулата, използвана от Nestle, ще бъде 80% (1 - |10 - 8| : 10).

3. За да се постигне висока точност на прогнозата за търсенето, бяха формулирани хипотези за възможни събития, които биха могли да повлияят на търсенето: празници, отлагане на почивните дни, структурни промени в продажбите (например поради кризата), промоции. Експертите оцениха въздействието на всяка хипотеза върху търсенето и след това я сравниха с бенчмарка. Ако това повишава точността на прогнозите, хипотезата се взема предвид в процеса на прогнозиране.

Ще дам условен пример (за съжаление специалистите на Nestle не предоставиха точни данни какво точно са направили като част от процеса на експертна настройка). Компанията научи, че конкурент неочаквано е намалил цените с 1%. Опитът на експерта показва, че подобни действия ще доведат до спад на продажбите с 3%. Така че е необходимо да се намали стойността на прогнозата с тези 3%.

Да се ​​върнем към опита на Nestle. Първоначално формираната статистическа прогноза за търсенето на "лудите бикове" показа точност от 55,2%. След това беше подложен на процес на експертна настройка, което повиши точността на крайната прогноза до 82,4%. Освен това компанията е подобрила точността на прогнозите за други категории стоки. Всичко това освободи времето на търговците и проектантите. Те започнаха да обръщат повече внимание на постоянно печеливши продукти, като концентрираха усилията си върху сложни продукти (които изискват постоянни промоции за поддържане на високо търсене и т.н.). Работата със стоки с ниски продажби се извършва на остатъчния принцип.

Формиране на прогноза за търсенето

1.	Данни	Информация за продажби, баланси, доставки, други движения, както и маркетингови промоции и други външни събития.
2.	Инструмент	Програма, с която можете да генерирате статистическа прогноза за търсенето (в нашия случай Excel)
3.	Статистическа прогноза	Прогноза, генерирана от инструмента за прогнозиране на търсенето
4.	Коригирана прогноза	Ръчна настройка на статистическата прогноза от анализатори или планиращи
5.	Съгласувана прогноза	Ръчна настройка и координация на крайната прогноза между отделите (продажби, маркетинг и др.)
6.	Одобрена прогноза	Одобрение на окончателната прогноза от отговорния ръководител и прехвърляне към отделите за изпълнение.

сегмент	Точност на статистическата прогноза на търсенето, %	Точност на прогнозата след корекция от експерти, %
"Коне" - продукти с високи продажби и ниска променливост	92,1	92,7
"Зайци" - продукти с ниски продажби и висока променливост	56,3	55,5
"Crazy Bulls" - продукти с високи продажби и висока вариативност, като марка кафе Nescafe	55,2	82,4
"Мулета" - продукти с ниски продажби и ниска променливост	90,9	91,2

Всяка компания има свои собствени примери, Nestle разкрива информация само за сегмента "луди бикове" - напитка Nescafe. Тази таблица дава повод на директорите да се замислят и да се опитат да създадат подобна за своя диапазон. В края на краищата Nescafe в Pyaterochka може да е в напълно различна категория от Nescafe в Azbuka Vkusa.

Копирането на материал без одобрение е разрешено, ако има връзка dofollow към тази страница

ПРОГНОЗИРАНЕ НА ТЪРСЕНЕТО

Планирането и контролът на работните процеси в логистиката изисква точна оценка на обемите продукти, с които ще се извършват съответните операции. Тази оценка обикновено се прави под формата на прогнози за продажби или търсене. Прогнозирането на търсенето обаче не е отговорност само на логистичните мениджъри. Най-вероятно тази задача ще бъде изпълнена в маркетинговия отдел, икономическото планиране или в специален проектен екип. При определени условия, особено при краткосрочното планиране - като планиране на запасите или планиране на транспорта - логистичните мениджъри намират за необходимо да поемат тази функция. Ето защо тази глава ще бъде посветена на преглед на онези техники за планиране, които са пряко подходящи за планиране и контрол на работни процеси в логистиката.

Дискусията ще се фокусира основно върху прогнозирането на търсенето, което е важна отправна точка за планиране и контрол на процесите в логистиката. От друга страна, всички техники, които ще бъдат разгледани в тази глава, са подходящи и за определени видове планиране, като планиране на запаси, доставки (или покупки), контрол на разходите, прогнозиране на цените, разходи и т.н.

СЪЩНОСТ НА ПРОБЛЕМА

Прогнозирането на търсенето е най-важната управленска функция на всяка компания, която се занимава с производство и продажба на стоки и услуги. Правилното прогнозиране е в основата на успешното планиране и контрол на всички основни функционални подразделения на компанията – производство, логистика, маркетинг, финанси. Нивото на търсенето, неговата структура и временни колебания определят мащаба на производството, обема на привлечените инвестиции и като цяло структурата на бизнеса на компанията.

Всяка функционална единица има свои собствени характеристики и нужди за прогнозиране. По-конкретно, в логистиката, прогнозирането засяга такива въпроси като пространствено и времево прогнозиране на търсенето, определяне на степента на променливост на търсенето.

Пространствено и времево прогнозиране на търсенето

Времевото прогнозиране е често срещан момент при прогнозиране на всякакъв вид търсене. Промяната в търсенето във времето е резултат от общо увеличение или намаляване на търсенето, сезонни колебания в търсенето, както и случайни колебания в търсенето, които са причинени от много фактори. Именно тези три аспекта се вземат предвид при краткосрочното прогнозиране в повечето случаи.

В допълнение към времевото измерение търсенето има и пространствено измерение. Мениджърът по продажбите, чиято функция е да управлява логистиката на стоките, трябва да знае не само КОГА, но и КЪДЕ може да възникне търсенето на стоките. Пространственото прогнозиране на търсенето е необходимо за определяне на оптималното местоположение на складовете, оптималното разпределение на запасите в складовата мрежа и ефективното управление на транспортните потоци.

Техниките за времево прогнозиране трябва да бъдат най-добре адаптирани към структурните характеристики на бизнеса и търсенето. Например, временното прогнозиране може да се извърши първо на ниво фирма като цяло и след това пропорционално да се "раздели" прогнозата по регионални подразделения (прогнозиране отгоре надолу). Или обратното, първо прогнозирайте търсенето на ниво регионални подразделения и след това обобщете получените резултати на ниво фирма като цяло (прогнозиране отдолу нагоре).

Редовно и нередовно търсене

Мениджърите по продажбите са склонни да групират стоките в групи, за да разграничат поддръжката на инвентара или просто да

за да ги управлявате по-лесно. Тези групи, както и отделните продукти, имат различен характер на търсене. Ако търсенето е редовно, стабилно, то може да се разложи на три компонента:

Ÿ тенденция (съществува или не);

Ÿ сезонни колебания (независимо дали);

Ÿ случайни колебания (по правило има).

Добре познати и доказани техники за прогнозиране, като правило, се използват за точно прогнозиране на редовното търсене, което обикновено е за горещи и обещаващи стоки.

От друга страна, в практиката на продажбите винаги има стоки, чието търсене е изключително нестабилно. Прогнозирането на продажбите на такива продукти е изключително трудно, ако не и невъзможно. Търсенето на такива стоки се нарича нестабилно или нередовно. Такива стоки включват например продукти, които вече са практически спрени от производство и се търсят само от малък брой купувачи, които ги купуват по инерция или по стара памет. Или например продукти, чиито продажби зависят от продажбите и потреблението на други продукти и т.н.

В някои случаи стоките с нередовно търсене достигат 50% от общия обем на продадените стоки. В този случай прогнозирането на продажбите представлява особено труден проблем за логистичната система.

Ориз. 1а. Редовно търсене с постоянно средно ниво на колебания

Фиг. 1bРедовно търсене с нарастваща тенденция

Ориз1в. Редовно търсене с нарастваща тенденция и сезонност

Ориз. 2. Нередовно търсене

Производно и независимо търсене

В повечето случаи търсенето, което се генерира от голям брой купувачи (например домакинства или индивиди), всеки от които купува само малко количество продукт, е независимо. Такова търсене е масивно и следователно доста стабилно и добре предвидимо. Той има определени модели - общо увеличение или намаление (тенденция), сезонни промени - но всички тези модели се изчисляват лесно въз основа на резултатите от обработката на статистическите данни за продажбите в предишни периоди.

Произведеното търсене е търсене, което се генерира въз основа на нуждите на самия бизнес на компанията. Например, това може да бъде търсенето на суровини или материали, компоненти, резервни части, необходими за нормалното поддържане на производствения процес. В този случай, за да се изчислят изискванията за материали, е необходимо да се знае не само планът за производство на готови продукти, но и от какви компоненти ще бъдат направени тези продукти, какви производствени операции ще се извършват едновременно и когато се изисква тази или онази доставка на конкретни артикули от продукти.

Пример. Електрическият отдел на Lear-Siegler произвежда гама от електрически двигатели с ниска мощност за промишлени клиенти, които ги използват в готови продукти като почистващи препарати и мелници. Въпреки че не е много сложен продукт, всеки електродвигател включва от 50 до 100 части. Графикът за производство на двигатели се основава на поръчки, получени от индустриални фирми за доставка на някоя бъдеща дата, както и прогноза за директни продажби на стандартни електрически двигатели директно от склада на производителя. Производственият план се изготвя три месеца предварително. Той определя кои двигатели трябва да бъдат произведени, кога и в какво количество. Мениджърът по покупките трябва да гарантира, че всички компоненти, необходими за производството, са налични навреме в съответствие с производствения план.

Има два подхода за планиране на доставката на материали и компоненти, необходими за производството:

1. Прогнозата за онези продукти и материали, които се използват в производството на повечето електродвигатели (медна тел, стоманена ламарина, боя), се съставя въз основа на обобщени данни за тяхното потребление. След това се закупуват в необходимите количества за създаване на запаси в склада на суровините.

2. Тези компоненти, които са скъпи или са необходими за индивидуални поръчки на клиента, се закупуват в съответствие с производствения график. В този случай тези компоненти са валът на ротора и лагерите. Покупките на тези продукти се извършват в съответствие с изчисленията, които се основават на календарния производствен план и спецификациите на материалите за всеки електродвигател.

Да предположим, че през следващия месец се планира да се произвеждат електрически двигатели от три различни модела в размер на 200, 300 и 400 единици. съответно. Всички модели използват една и съща ос на ротора, но модели 1 и 2 изискват два лагера, докато модел 3 изисква само един лагер. Следователно е необходимо закупуването на 900 въртящи се оси и 1400 лагера:

1´200 + 1´300 + 1´400 = 900 въртящи се оси

2´200 + 2´300 + 1´400 = 1400 лагера

Този план за закупуване се извлича от спецификацията на материалите за всеки модел двигател и производствените планове за всеки модел през следващия месец.

Техниките за прогнозиране обикновено се прилагат при независимо прогнозиране на търсенето. Произведеното търсене обаче може да бъде оценено само ако има прогноза за независимо търсене на крайни продукти. Освен това при прогнозиране на полученото търсене се вземат предвид фактори като тенденции, сезонни и случайни колебания в търсенето, което ви позволява да планирате закупуването на необходимите материали и компоненти с по-голяма точност.

ТЕХНИКИ ЗА ПРОГНОЗИРАНЕ

Съществуват определен брой техники за прогнозиране, които могат да се използват в реалната практика на търговските фирми. Моделите за прогнозиране могат да бъдат разделени на три групи:

Ÿ качество;

Ÿ статистически;

Ÿ факториел.

Тези три групи се различават по степента на точност на прогнозата в дългосрочен и краткосрочен план, степента на сложност и трудоемкост на изчисленията, както и източника, от който се черпят изходните данни за прогнозиране (например експертни оценки, маркетингови проучвания, статистика и др.).

Качествени методи

При качествените методи прогнозирането се основава на мненията и преценките на експертите, интуицията на служителите, резултатите от маркетингови изследвания или сравнение с дейностите на конкурентни предприятия. Информацията от този вид, като правило, не съдържа количествени данни, е приблизителна и често има субективен характер.

Разбира се, поради това качествените методи не отговарят на строгите научни критерии. Въпреки това, в случаите, когато не са налични статистически данни или няма сигурност, че статистическите модели ще продължат в бъдеще, просто няма алтернативи на качествените методи. И въпреки че тези методи не могат да бъдат практически стандартизирани и да се постигне висока точност на прогнозата от тях, те обаче могат да бъдат успешно използвани при оценката на пазарните перспективи на нов продукт или нова технология, прогнозиране на промени в законодателството или правителствената политика и т.н. Като правило, качествените методи се използват при средно - и дългосрочното прогнозиране.

Статистически методи

В случаите, когато фирмата има достъп до достатъчно голямо количество статистически данни и има увереност, че тенденцията или сезонните колебания са достатъчно стабилни, тогава статистическите методи показват висока ефективност при изготвянето на краткосрочни прогнози за търсенето на стоки. Основната предпоставка на статистическите методи е предположението, че бъдещето е продължение на миналото. Тъй като статистическите данни по правило имат количествен характер, при прогнозирането широко се използват различни математически и количествени модели, заимствани предимно от областта на статистиката. Точността на прогнозата за период до 6 месеца обикновено е доста висока. Това се дължи на факта, че в краткосрочен план тенденциите в търсенето обикновено са доста стабилни.

Статистическите прогнози пряко зависят от наличните първоначални данни. Колкото по-голяма е статистическата база, толкова по-точна е прогнозата. С появата на нови статистически данни постепенно се променя и прогнозата за бъдещето. В същото време, когато тенденцията е обратна, статистическата прогноза сигнализира за това с известно закъснение. Това е сериозен недостатък на статистическите модели и налага известни ограничения при практическото им използване.

Факторни методи

Основната предпоставка за използването на факторни модели при прогнозиране на търсенето е фактът, че динамиката на търсенето се дължи на редица взаимозависими причини, които понякога могат да бъдат идентифицирани и анализирани. Например, нивото на търсене се влияе положително от нивото на обслужване на клиентите. В този случай, при целенасочена политика на компанията за подобряване на нивото на обслужване, можем да очакваме повишаване на търсенето. В такива случаи се казва, че нивото на обслужване на клиентите е фактор за нарастване на нивото на търсене. В случаите, когато е възможно напълно и качествено да се идентифицират всички причинно-следствени връзки и да се опишат, факторните модели позволяват да се предвидят с висока степен на точност бъдещи промени в търсенето в средносрочен и дългосрочен план.

Факторните модели имат няколко разновидности.

Ÿ статистически– например регресионни или иконометрични модели;

Ÿ описателен– например при описание на обект с помощта на метода на „черната кутия“, описване на жизнения цикъл на обект или компютърна симулация.

При прогнозиране на получените показатели в една или друга степен се използват статистически данни за факторните показатели. И въз основа на прогнозата на факторните показатели се изгражда прогноза на резултантния индикатор.

Основният проблем, който затруднява използването на факторните модели на практика е, че е доста трудно да се намерят, идентифицират и опишат причинно-следствените връзки. Дори и да се установят такива връзки, често се оказва, че през разглеждания период тези връзки не са определящи при прогнозиране на търсенето. За качествена прогноза, използваща факторен модел, е необходимо да се идентифицират и опишат всички най-важни и значими фактори на влияние, но точно това може да бъде трудно да се направи. Освен това за прогнозата е необходимо да има статични данни не само за резултатните, но и за факторните показатели, и то за период от поне 6 месеца. От тези проблеми, точността на факториалните модели, за съжаление, не е много висока.

Таблица 1. Техники за прогнозиране на търсенето

Методика, описание, интервал на прогнозиране

Делфи Групата от експерти се разпитва с помощта на няколко въпросника. Резултатите от едно проучване се използват за подготовка на следващо проучване. Цялата информация, необходима за прогнозиране, трябва да бъде достъпна за всички експерти: тези, които разполагат с информация, трябва да я предадат на тези, които нямат. Техниката елиминира „стадния ефект“, когато мнението на някои експерти влияе върху мненията на други експерти.

Маркетингово проучване Систематични, формализирани и целенасочени процедури, насочени към подобряване и тестване на хипотези за реални пазари. Прогнозен интервал: средносрочен

Панелни проучвания Техниката се основава на предположението, че няколко експерти предоставят по-добра прогноза от един експерт. Между тях няма тайни и обратното, общуването се насърчава. Прогнозата понякога зависи от влиянието на социални фактори и може да не отразява реалния консенсус. Прогнозен интервал: средносрочен

Оценки на търговския персонал Мненията на търговския екип на фирмата могат да бъдат ценни, защото продавачите са по-близо до клиентите и по-добре могат да оценят техните нужди и изисквания.

Метод на сценария На базата на лични мнения, оценки, визия за ситуацията и по възможност факти се изграждат няколко сценария за бъдещи продажби. Тези сценарии се основават на обикновено въображение или визия за един или друг бъдещ сценарий. Този метод, разбира се, е ненаучен.

Историческа аналогия Прогнозата за продажбите се основава на сравнение с пускането и ръста на продажбите на подобни продукти, за които вече има натрупана съответна статистика. Прогнозен интервал: средносрочен и дългосрочен

пълзящи средни Пълзящите средни стойности се получават като аритметична или среднопретеглена стойност, изчислена върху определен брой стойности от времевия ред. Броят стойности на времеви редове, които се използват при изчисляването на пълзящата средна, се избират, за да се определи основната тенденция и да се премахнат случайните и сезонни колебания в търсенето.

Експоненциално изглаждане Техниката на експоненциално изглаждане е подобна на техниката на пълзящата средна, само на скорошните наблюдения се придава по-голяма тежест от миналите наблюдения. Новата прогноза е старата прогноза плюс част от грешката на последната прогноза. По-сложните модели за експоненциално изглаждане също вземат предвид тенденцията и сезонните колебания. Прогнозен интервал: краткосрочен

Класически анализ на времеви редове Метод на декомпозиция на времевите редове на трендови, сезонни и случайни компоненти. Това е отличен инструмент, с който можете да прогнозирате търсенето за период от 3 до 12 месеца. Прогнозен интервал: краткосрочен и средносрочен

Проекция на тенденция Тази техника ви позволява да идентифицирате тенденцията с помощта на математическо уравнение и след това да я проектирате в бъдещето. Има няколко опции за техниката: полиноми, логаритми и др. Прогнозен интервал: краткосрочен и средносрочен

Метод на фокусиране Позволява ви да тествате редица прости методи за прогнозиране, за да видите кой дава най-точната прогноза за период от 3 месеца. Симулационното моделиране ви позволява да извършите такъв тест и да тествате различни стратегии за прогнозиране на времеви редове. Прогнозен интервал: средносрочен

Спектрален анализ Моделът се опитва да раздели времевия ред на няколко основни компонента.

ПРОГНОЗИРАНЕ НА ТЪРСЕНЕТО В ЛОГИСТИКАТА

Като цяло в областта на логистиката са необходими само малък брой техники за прогнозиране. Тъй като прогнозите - особено прогнозата за продажбите - са необходими на различни сегменти на организацията, прогнозирането обикновено се концентрира в маркетинговия отдел, отдела за планиране или отдела за икономически анализи. Често в логистичния отдел се правят дългосрочни и средносрочни прогнози. Нуждите на логистичния отдел обаче обикновено се ограничават до краткосрочни прогнози, които са необходими за планиране на запасите, планиране на транспорта, планиране на капацитета на склада и т.н. Единственото изключение е необходимостта от някои специални дългосрочни прогнози.

Като се има предвид степента на сложност, полезност, надеждност и достъпност на информацията, само част от методите, изброени в таблица 1, има смисъл да бъдат разгледани подробно. Многобройни проучвания показват, че „простите“ модели за анализ на времеви редове могат да предскажат продажбите също толкова добре или дори по-добре от по-сложните и отнемащи време методи. Моделът на динамичните редове принадлежи към категорията на факторните модели и е най-разпространеният в прогнозната практика. Като цяло усложняването на прогнозния модел не осигурява повишаване на точността на прогнозата. Следователно по-долу ще бъдат разгледани само трите най-популярни техники за анализ на времеви редове: експоненциално изглаждане, класически анализ на времеви редове и множествен регресионен анализ.

Експоненциално изглаждане

Може би експоненциалното изглаждане е най-популярният метод за прогнозиране. Той е много прост, изисква минимални първоначални данни, има висока точност и лесно се адаптира към конкретни прогнозни задачи. Методът е вариант на техниката за изчисление на подвижната средна, при която резултатите от минали наблюдения имат по-малка тежест от резултатите от нови, по-скорошни наблюдения на продажбите.

Такава схема за разпределение на теглото може да бъде дадена чрез просто уравнение, в което прогнозата за бъдещия период се прави въз основа на прогнозата за предходния период и действителните продажби за текущия период:

НОВА ПРОГНОЗА = a´(ДЕЙСТВИТЕЛНО ТЪРСЕНЕ) + (1 – a)´(Предишна ПРОГНОЗА)

В тази формула a е тегловният коефициент или изглаждащата константа. Коефициентът a варира от 0 до 1. Имайте предвид, че всички минали наблюдения на продажбите са включени в прогнозата за предходния период. Така цялата предишна история на продажбите се отразява в една числена стойност на прогнозата за предходния период.

Пример. Да кажем, че прогнозата за търсенето за текущия месец е 1000 бр. Реалното търсене през текущия месец възлиза на 950 единици. Константата на изглаждане е a = 0,3. Очакваното търсене през следващия месец се определя по формулата:

Нова прогноза = 0,3´950 + 0,7´1000 = 985 елемента

Тази нова прогноза ще се използва във формулата за изчисляване на новата прогноза за втория месец и т.н.

За удобство на изчисленията записваме формулата за експоненциално изглаждане под формата на следния модел:

където t е текущият период от време; Ft – прогноза за продажби за период t; Ft+1 – прогноза за продажбите за периода (t+1); a е изглаждащата константа; At - продажби в период t.

Пример. Следните тримесечни времеви редове представляват данни за търсенето на продукти за година и половина:

	Квартал
Миналата година
Тази година

Трябва да изградим прогноза за третото тримесечие на тази година. Да приемем, че изглаждащата константа a = 0,2. Ще изчислим прогнозата за предходния период като средно ниво на търсене на тримесечие според данните от предходната година. Следователно, A0 = (1200 + 700 + 900 + 1100)/4 = 975. Да приемем, че прогнозата за продажбите от миналата година е била средно в съответствие с действителните продажби, т.е. F0 = A0 = 975.

Тогава

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 резултат на това получаваме следните резултати:

	Квартал
Миналата година
Тази година

Изборът на оптималната стойност на изглаждащата константа се основава на ценностни преценки.

§ Колкото по-висока е стойността на константата a, толкова по-голямо е влиянието върху прогнозата на последните наблюдения на действителните продажби. В резултат на това моделът е по-гъвкав и реагира бързо на промени в продажбите. Твърде високото ниво на a обаче прави модела твърде „нервен“, твърде чувствителен към всякакви случайни колебания в търсенето, без да се вземе предвид основната тенденция на развитие.

§ Колкото по-ниска е стойността на константата a, толкова по-голяма е тежестта на миналите наблюдения на действителните продажби в прогнозата. Поради това моделът реагира на промените в тенденциите на развитие на търсенето по-бавно, със закъснение. С много ниска стойност на a, моделът реагира на промените в търсенето изключително бавно и силно, което осигурява много „стабилна“ прогноза, но я прави изключително неправдоподобна, а не като времеви редове.

Най-приемливите стойности за константата варират от 0,01 до 0,3. По-високите стойности на a могат да се използват за краткосрочно прогнозиране, когато се очакват някои големи промени на пазара. Например спад в продажбите, краткосрочни и агресивни маркетингови кампании, изтегляне на някои остарели продукти от продуктовата линия, начало на продажбите на нов продукт, когато все още няма достатъчно статистика за прогнозиране на търсенето и т.н.

Основното правило при избора на стойността на константата a: моделът трябва да отразява основната тенденция в развитието на търсенето и да изглажда случайните колебания. Такава константа осигурява минимална грешка при прогнозиране.

Корекция на прогнозата, като се вземе предвид тенденцията

Простото експоненциално изглаждане е удобно за използване, ако няма постоянна възходяща или низходяща тенденция в търсенето, т.е. средното ниво на търсене е сравнително стабилно във времето. Ако например се установи тенденция към увеличаване на търсенето в продажбите, тогава всяка нова прогноза ще бъде постоянно по-малка от действителното търсене.

За щастие, прогнозата може да бъде коригирана чрез въвеждане на допълнителна формула в методологията, която се използва за изчисляване на тенденцията. За да направите това, към експоненциалното уравнение трябва да се добави още една формула, която ще вземе предвид тенденцията:

където St е първоначалната прогноза за период t, Тt е тенденцията за период t, Ft+1 е прогнозата за период t+1, като се има предвид тенденцията, b е изглаждащата константа за тенденцията.

Пример

	Квартал
Миналата година
Тази година

Първо, нека изчислим прогнозата за първото тримесечие на тази година. Ще използваме S0 = 975 (средно търсене за тримесечието според данните от предходната година) и T0 = 0 (без тенденция) като първоначални стойности за изчисления. Да приемем, че изглаждащите константи a = 0,2 и b = 0,3. Сега да започнем изчисленията.

Прогноза за първото тримесечие на тази година:

S0 = 975, T0 = 0 ® F1 = 975 + 0 = 975

Прогноза за второто тримесечие на тази година:

S1 = 0,2´1400 + 0,8´(975 + 0) = 1060

T1 \u003d 0,3´(1 060 - 975) + 0,7´0 \u003d 25,5

F2 = 1060 + 25,5 = 1085,5

Прогноза за третото тримесечие на тази година:

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 резултат на това получаваме:

	Квартал
Миналата година
Тази година

Коригиране на прогнозата, като се вземат предвид тенденцията и сезонността

Когато прогнозирате, можете да вземете предвид не само тенденцията, но и сезонните колебания в търсенето. Преди да използвате модела в следния пример, проверете времевия ред за следните две условия:

1. Сезонните пикове и спадове в търсенето трябва да са ясно видими върху статистическите серии, т.е. те трябва да са по-големи от случайните колебания в търсенето (т.нар. „шум“).

2. Сезонните пикове и спадове в търсенето трябва да се повтарят последователно от година на година.

Ако тези две условия не са изпълнени, тоест сезонните колебания са нестабилни, незначителни и трудни за разграничаване от „шума“, тогава ще бъде изключително трудно да се използва моделът за точно прогнозиране на търсенето за следващия период от време. Ако условията са изпълнени и в модела е зададена висока стойност на изглаждащата константа, за да се вземе предвид голямата амплитуда на колебанията на търсенето, тогава има смисъл моделът да се усложнява.

В този нов модел прогнозата се изгражда, като се вземат предвид тенденциите и сезонните корекции, които се показват под формата на индекси. Това дава възможност за постигане на висока точност на прогнозиране.

Сложни моделни уравнения:

където Tt е тенденцията за период t, St е първоначалната прогноза за период t, Ft+1 е прогнозата за период t+1, като се вземат предвид тенденцията и сезонността, Това е индексът на сезонните колебания през период t, L е период от време, през който пълният сезонен цикъл, g е изглаждаща константа за сезонния индекс.

Пример. Нека изчислим прогнозата за третото тримесечие на текущата година, като вземем предвид тенденцията:

	Квартал
Миналата година
Тази година

Първо, нека изчислим прогнозата за първото тримесечие на тази година. Ще използваме St-1 = 975 (средното търсене за тримесечието според данните от предходната година) и Tt-1 = 0 (няма тенденция) като първоначални стойности в изчисленията. Да приемем, че изглаждащите константи a = 0,2 и b = 0,3, и g = 0,4. Сега да започнем изчисленията.

Прогноза за първото тримесечие на тази година:

S0 = 975 и T0 = 0. Тогава:

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

Прогноза за второто тримесечие на тази година:

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

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

T1 \u003d 0,3´(1007,5 - 975) + 0,7´0 \u003d 9,75

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

Прогноза за третото тримесечие на тази година:

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, защото I3 = 900 / 975 = 0,92

В резултат на това получаваме:

	Квартал
Миналата година
Тази година

Грешка в прогнозата

Тъй като бъдещето никога не може да се предвиди точно от миналото, прогнозата за бъдещото търсене винаги ще съдържа грешки в една или друга степен. Моделът на експоненциално изглаждане прогнозира средното ниво на търсене. Следователно моделът трябва да бъде изграден така, че да намали разликата между прогнозата и действителното ниво на търсене. Тази разлика се нарича грешка при прогнозиране.

Грешката на прогнозата се изразява като стандартно отклонение, вариация или средно абсолютно отклонение. Преди това средното абсолютно отклонение беше използвано като основна мярка за грешка при прогнозиране при използване на експоненциален изглаждащ модел. Стандартното отклонение беше отхвърлено поради факта, че е по-трудно за изчисляване от средното абсолютно отклонение и компютрите просто нямаха достатъчно памет за това. Сега компютрите имат достатъчно памет и стандартното отклонение вече се използва по-често.

Грешката при прогнозиране може да се определи по следната формула:

ГРЕШКА НА ПРОГНОЗАТА = ДЕЙСТВИТЕЛНО ТЪРСЕНЕ - ПРОГНОЗА НА ТЪРСЕНЕТО

Ако прогнозата за търсенето е средната аритметична стойност на действителното търсене, тогава сумата от прогнозните грешки за определен брой периоди от време ще бъде нула. Следователно стойността на грешката може да се намери чрез сумиране на квадратите на грешките при прогнозиране, което избягва анулирането на положителните и отрицателните грешки при прогнозирането. Тази сума се разделя на броя на наблюденията и след това от нея се изважда корен квадратен. Индикаторът е настроен така, че да намали една степен на свобода, която се губи при правене на прогноза. В резултат на това уравнението на стандартното отклонение е:

,

където SE е средната грешка при прогнозиране; Ai - действителното търсене в период i; Fi – прогноза за период i; N е размерът на времевия ред.

Формата на разпределението на прогнозните грешки е важна, когато се формулират вероятностни твърдения за степента на надеждност на прогнозата. Две типични форми на разпределение на грешките при прогнозиране са показани на фигура 3.

Ако приемем, че моделът за прогнозиране отразява доста добре средните стойности на действителното търсене и че отклоненията на действителните продажби от прогнозата са относително малки в сравнение с абсолютната стойност на продажбите, тогава е вероятно да се приеме нормално разпределение на прогнозните грешки. В случаите, когато грешката на прогнозата е сравнима по големина с търсенето, има изкривено или пресечено нормално разпределение на грешките на прогнозата.

За да определите вида на разпределението в конкретна ситуация, можете да използвате теста за хи-квадрат. Като алтернатива може да се използва друг тест, за да се определи дали дадено разпределение е симетрично (нормално) или експоненциално (вид изкривено разпределение):

При нормално разпределение около 2% от наблюдаваните стойности надвишават стойността, равна на сумата от средната стойност и двойното стандартно отклонение. При експоненциално разпределение около 2% от наблюдаваните стойности надвишават средната с коефициент 2,75 пъти стандартното отклонение. Следователно в първия случай се използва нормалното разпределение, а във втория експоненциалното.

Пример. Да се ​​върнем към нашия пример. При основния модел на експоненциално изглаждане бяха получени следните резултати:

	Квартал
Миналата година
Тази година

Нека оценим стандартната грешка на прогнозата въз основа на данните за първото и второто тримесечие на текущата година, за които знаем действителните и прогнозните стойности. Да приемем, че търсенето е нормално разпределено по отношение на прогнозата. Нека изчислим границите на доверителния интервал с вероятност от 95% за третото тримесечие.

Стандартна грешка при прогнозиране:

Използвайки таблица A (вижте Приложение I), определяме коефициента z95% = 1,96 и получаваме границите на доверителния интервал по формулата:

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

Следователно, с 95% вероятност, границите на доверителния интервал на прогнозата за търсенето за третото тримесечие на текущата година са:

420,8 < Y < 1589,2

Проследяване на грешки при прогнозиране

Едно от съществените предимства на експоненциалния изглаждащ модел за краткосрочно прогнозиране е възможността за постоянно адаптиране на прогнозата, като се вземат предвид най-новите наблюдения във времевия ред. В същото време точността на прогнозирането директно зависи от стойността на изглаждащата константа във всеки конкретен период от време. Следователно една сложна процедура за прогнозиране трябва да включва редовно наблюдение на средната грешка на прогнозиране и съответно коригиране на стойността на изглаждащата константа. Ако времевият ред е достатъчно постоянен, тогава могат да бъдат зададени ниски стойности на константата. По време на период на големи колебания в търсенето трябва да се зададе висока стойност на константата. Но не трябва да се ограничавате до нито една стойност, ако промяната в константата може да доведе до намаляване на грешката при прогнозиране, особено в случай на висока динамика на времевия ред.

Популярен метод за проследяване на грешка при прогнозиране е методът за осредняване на проследяващия сигнал. Сигналът за проследяване е резултат от сравнение, обикновено получено като съотношение, на текущата грешка при прогнозиране със средната стойност на грешките при прогнозиране в миналото. В резултат на това изчисление изглаждащата експоненциална константа може да бъде преизчислена или предефинирана, ако полученото съотношение надвишава предварително определено референтно ниво.

Като цяло най-добрата изглаждаща константа е тази, която минимизира грешката на прогнозата, както би било при стабилен времеви ред. Чрез промяна на стойността на константата, когато времевият ред се попълва с нови стойности, може да се намали грешката при прогнозиране. Адаптивните модели, които постоянно преизчисляват изглаждащата константа, работят добре, когато времевите редове се променят бързо, но са неефективни при стабилни продажби. Обратно, моделите, при които изглаждащата константа се преизчислява само когато грешката на прогнозата надвиши определено контролно ниво, работят добре при условия на стабилност, когато са възможни резки и неочаквани скокове във времевите редове. Пример за такъв адаптивен модел е показан на фигура 5.

КЛАСИЧЕСКИ АНАЛИЗ НА ВРЕМЕВИ РЕДОВЕ

Анализът на времевите редове е модел за прогнозиране, който се използва в практиката от много години. Той включва спектрален анализ, класически анализ на времеви редове и анализ на Фурие. Тази глава обсъжда класическия анализ на времеви редове поради неговата простота и популярност. В допълнение, той осигурява същата точност на прогнозиране като по-сложните методи.

Класическият анализ на времеви редове се основава на предположението, че статистическата серия може да бъде разложена на четири компонента: тенденция, сезонни колебания, циклични колебания и случайни колебания.

§ тенденцияпредставлява дългосрочни промени в продажбите, дължащи се на фактори като нарастване на населението, разширяване на пазара, промени в потребителските предпочитания, подобрено качество на продукта и обслужването и т.н. Типовете криви на тенденцията са показани на фигурата ...

§ сезонни колебанияса редовни възходи и спадове в продажбите, които се повтарят на редовни интервали от 12 месеца. Причините за тези колебания включват промени в търсенето със сезоните, увеличени продажби около празниците и сезонно предлагане на стоки (напр. зеленчуци, плодове).

§ Циклични колебанияпредставляват дългосрочни (повече от 1 година) вълнообразни промени в търсенето.

§ Случайни колебания (остатъчни)отразява влиянието върху продажбите на всички други фактори, които не са взети предвид в тенденцията, сезонните и цикличните колебания.

Ако времевият ред е достатъчно добре описан от първите три криви, тогава остатъкът трябва да бъде случайна променлива.

Ориз. 1. Примери за тенденции с прилагане на математически формули

В класическия анализ на времеви редове, прогнозирането на търсенето се прави чрез умножаване на четири стойности:

F = T ´ S ´ C ´ R,

където F е прогнозата за търсенето (в стокови или парични единици), T е линията на тенденцията, S е индексът на сезонните колебания, C е индексът на цикличните колебания, R е индексът на случайните колебания.

На практика в модела са останали само тенденцията и сезонните колебания. Това се обяснява с факта, че в условията на добра предвидимост на търсенето индексът на случайните колебания е равен на единица (R = 1,0). Освен това в много случаи е доста трудно да се идентифицират дългосрочни циклични колебания въз основа на анализа на случайни колебания. Следователно индексът на цикличните колебания също е зададен на единица (C = 1,0). И това предположение няма толкова сериозни последствия, тъй като моделът често трябва да се коригира с постъпването на все повече и повече нови данни. Ефектът от цикличните колебания просто се компенсира от редовни корекции на модела.

Линията на тренда може да се определи по няколко начина, например по метода на пълзящите средни (т.е. практически „на око“) или по метода на сумата от квадратни разлики.

Сумата от квадратните разлики е популярна математическа техника, която ви позволява да изберете тенденция, при която сумата от квадратните разлики между действителните и моделните стойности на времевия ред е сведена до минимум. Техниката е приложима за всякакви трендови линии, както линейни, така и нелинейни.

Например, за линеен тренд (T = a + b´t, където t е времето, T е средното ниво на търсене), коефициентите a и b се определят с помощта на следните две формули:

където N е размерът на динамичния ред (броят на периодите t в динамичния ред); Dt - действителното търсене в период t; - средно търсене за N времеви периода; - средната стойност на стойностите t за периода N.

Нелинейните тенденции имат по-сложна математическа структура и затова не се разглеждат тук.

Сезонната компонента на модела е представена като индекс, чиято стойност се променя през всеки един от периодите в рамките на прогнозния хоризонт. Този показател е съотношението на действителното търсене за даден период към средното търсене. Средното търсене може да се изчисли като средно аритметично на търсенето за определен период, като се използват пълзящи средни или като се използва тенденция. Например можете да използвате следната формула:

където St е сезонният индекс за период t; Tt е стойността на тенденцията, изчислена по формулата Tt = a + b´t.

В резултат на това прогнозата за продажбите за период t в бъдеще се изчислява по формулата:

,

където Ft е прогнозата за продажбите за период t; L е броят на периодите, които покриват един сезонен цикъл.

Всички тези идеи могат да бъдат илюстрирани със следния пример.

Пример. Производителят на облекло за млади жени трябва да реши кога и колко да купи въз основа на прогнозата си за продажби. За една година той идентифицира пет сезона, които са важни за планирането и промотирането на неговите продукти: лято, извън сезона, есен, новогодишни празници и пролет. Той има статистика на продажбите за около 2,5 години (виж таблица 1). Прогнозата трябва да се прави поне два сезона напред, за да може да се планират покупките и производството. В този пример новогодишните празници се считат за прогнозен период, въпреки че данните за продажбите за междинния есенен период все още не са известни.

Първата задача е да се намери тренд линията. Използвайки формулата T = a + b´t, изчисляваме коефициентите:

Следователно тренд линията изглежда така:

Стойностите на сезонния индекс се изчисляват с помощта на горната формула и са представени в колона 6. В този пример стойностите на сезонния индекс се изчисляват за всичките 2,5 години, тъй като сезонните вариации не варират много от година на година. Ако сезонните отклонения от година на година имат различни стойности, тогава за всеки сезон се изчислява собствен индекс на отклонение като средна стойност за няколко години.

Прогнозата за продажбите за новогодишните празници е:

Прогнозата за есенните продажби може да се направи по подобен начин.

Таблица 1. Прогноза за продажбите на дамско облекло, хил$

Сезон	месечен цикъл	Продажби	Dt´ T	T2	Тенденция (TT)		Прогноза
Извън сезона
Почивни дни
Извън сезона
Почивни дни
Извън сезона
Почивни дни
Обща сума

/* Прогнозна стойност. Например T13 =.08 + 486.13(13) =

/** F13 = T13´S13-5 или=´ 1.04

Тук: N = 12; SDt't = 1; St2 = 650; `D = (/ 12) = $14 726,92; `t = (78 / 12) = 6,5.

МНОЖЕСТВЕН РЕГРЕСИОНЕН АНАЛИЗ

В моделите, които бяха разгледани досега, времето е единственият фактор, който се взема предвид при прогнозирането. Други фактори, доколкото те обясняват промените в търсенето, също могат да бъдат включени в изчислението. Множественият регресионен анализ е статистическа техника, която ви позволява да определите връзката между търсенето и набор от определени променливи. Чрез този анализ тези променливи се използват при прогнозиране на търсенето по същия начин като времето. Данните за стойностите на независимите променливи в процеса на регресионен анализ се преобразуват в стойностите на коефициентите на регресионното уравнение, което се използва за изчисляване на прогнозата за търсенето.

Пример. Нека се върнем към проблема с прогнозирането на продажбите на дамско облекло, който беше разгледан в предишния раздел. Алтернатива на анализа на времеви редове е регресионният анализ. Желателно е независимите променливи на регресионния модел да предхождат във времето резултата, т.е. продажбите на дрехи. Това означава, че стойностите на променливите трябва да са достъпни за анализ много преди прогнозния период. Един такъв регресионен модел е създаден за периода на летните разпродажби:

F = - 3.016 + 1.211X1 + 5.75X2 + 109X3,

където F е оценка на средните летни продажби (в хиляди долари); X1 – време в години (1986 = 1); X2 - броят на заявките за закупуване на облекло, получени през сезона (от книгата за поръчки); X3 е нетната промяна в клиентския дълг, изчислена по месеци (като процент).

Този модел обяснява 99% (R = 0,99) от общата вариация на търсенето и има статистическа грешка в рамките на 5%. Това гарантира висока точност на прогнозиране. Например, действителните продажби през лятото на 1991 г. бяха $ 20. Независимите променливи през 1991 г. бяха: X1 = 6, X2 = 2732, X3 = 8,63. Заменяме тези стойности в регресионното уравнение и получаваме прогнозата за продажбите: $20

Изграждането на такъв регресионен модел изисква значителни познания по статистика. Можете обаче да използвате и готови софтуерни продукти, като Statistics 6.0, които ви позволяват да изчислите параметрите на модела по метода на най-малките квадрати и да оцените степента на неговата точност. Трябва обаче да се внимава, когато се използват такива софтуерни пакети, тъй като те не гарантират надежден модел. Важно е да знаете и разберете как точно статистическият алгоритъм е в основата на изчисляването на параметрите на модела, тъй като различните алгоритми често дават различни резултати и това се отразява на точността на прогнозата. Можете да отговорите на този въпрос, но само като разберете математическия пълнеж на програмата.

ОСОБЕНОСТИ НА ПРОГНОЗИРАНЕТО НА ПРОДАЖБИТЕ В ЛОГИСТИКАТА

Когато се прогнозират продажбите в логистиката, понякога се налага да се справят с някои специфични проблеми, които включват прогнозиране на търсенето на нови продукти и услуги, нередовно търсене, прогнозиране по региони и оценка на грешките при прогнозиране. Въпреки че тези проблеми не се срещат само в логистиката, те оказват голямо влияние върху решенията, взети в тази област.

Прогнозиране на търсенето на нови продукти и услуги

В логистиката често е необходимо да се реши проблемът с прогнозирането на търсенето на продукти, за които все още няма достатъчно големи статистически данни за продажбите. За решаването на този проблем се използват няколко различни подхода, които да помогнат за преодоляване на този ранен период в промотирането на продукта на пазара.

Първо, първоначална прогноза може да бъде получена от маркетинговия отдел, докато се натрупат достатъчно статистически данни за продажбите. Обикновено маркетолозите знаят по-добре колко пари са необходими за популяризиране на даден продукт, каква ще бъде реакцията на потребителите към продукта и какви ще бъдат очакваните продажби. Тази прогноза трябва да обхваща период от най-малко шест месеца, така че да могат да бъдат получени достатъчно представителни статистически данни за последващо прогнозиране.

Второ, прогнозата за продажбите може да бъде изградена въз основа на статистически данни за продажбите на подобни продукти. Известно е, че много компании напълно обновяват своята продуктова гама средно на всеки пет години. Някои продукти обаче са принципно нови. Появата им е свързана с промени в размера, стила на продуктите или просто с радикална ревизия на номенклатурата като елемент от маркетинговата политика на компанията. Такива продукти се прогнозират само въз основа на прогнозни данни, получени от маркетинговия отдел.

Трето, модел на експоненциално изглаждане може да се използва за прогнозиране чрез задаване на коефициент a на 0,5 или по-висок. Тъй като се натрупват все повече и повече статистически данни, тази цифра може да бъде намалена до нормално ниво.

Нередовно търсене

Проблемът с нередовното търсене вече беше обсъден в началото на този раздел. При неравномерно търсене случайните колебания са толкова големи, че не позволяват да се идентифицира тенденция или сезонен компонент на търсенето. Има няколко причини за това търсене:

§ продажбите са редки, но в много големи количества;

§ продажбата на даден продукт зависи от продажбата на други продукти и услуги;

§ твърде големи сезонни и други разлики в продажбите в рамките на една година, което не позволява да се идентифицира тенденция;

§ продажбите се дължат на случайни фактори като спекулации, слухове, краткосрочна мода и др.

Неравномерното търсене е трудно да се предвиди с помощта на математически методи поради голямото разпространение на времевия ред. Все пак можете да дадете някои съвети какво да правите с нередовното търсене.

Първо, необходимо е да се идентифицират причините за нередовността на търсенето и, като се вземе предвид този фактор, да се изгради прогноза за продажбите. Трябва също така да отделите продуктите с нередовно търсене от тези, които показват постоянна тенденция, и да използвате различни, най-подходящи методи за прогнозиране за всяка категория.

Пример. Производител на химикали произвежда белачка за ябълки по време на прибиране на реколтата. В зависимост от реколтата от ябълки, продажбите на това лекарство варират значително от година на година. Използван е експоненциален изглаждащ модел за прогнозиране на продажбите за този продукт, както и за всички останали продукти. В резултат на това запасите от продукти на този продукт в складовете се оказаха значително повече или значително по-малко от търсенето, което беше представено на пазара. Причината за това е, че компанията при прогнозирането не е разделила продуктите с редовно и нередовно търсене. Ситуацията може да се коригира, ако прогнозата се изгради, като се вземе предвид основният фактор, който определя търсенето на продукта, тоест въз основа на това каква реколта от ябълки се очаква тази година.

Второ, не трябва да се реагира твърде бързо на промени в продажбите на такива продукти или услуги, освен ако, разбира се, няма основателни причини да се смята, че търсенето наистина се е променило. Най-добре е да използвате прост прогнозен модел, който не реагира твърде бързо на промените. Например, това може да бъде експоненциално изглаждане с нисък a-коефициент или регресионен модел с 1-годишна прогнозна стъпка.

Трето, тъй като нередовното търсене често се среща при продукти с нисък обем на продажбите, е възможно да не се обръща твърде много внимание на точността на прогнозата. Например, ако се използва прогноза за определяне на нивата на инвентара, може да е по-икономично да се създаде малко количество допълнителен инвентар, отколкото да се използват по-сложни и точни техники за прогнозиране.

Прогнозиране по региони

Докато дискусията досега се фокусира само върху прогнозирането на продажбите във времето, прогнозирането на продажбите по регион също заслужава внимание. Необходимо е да се реши как ще се прогнозират продажбите: като цяло за целия пазар, за отделни области и региони или за територии, които са в съседство с конкретни заводи или складови комплекси. Много е важно да се осигури висока точност на прогнозата, ако се извършва отделно за всеки регион. Обобщената прогноза за целия пазар обикновено е по-точна от сбора на индивидуалните прогнози за регионите. Тъй като случаят е такъв, може би е по-добре да се състави обща прогноза за пазара и след това да се раздели пропорционално по региони, отколкото да се правят отделни прогнози за всеки регион. Въпреки това, както показва практиката, няма еднозначен отговор на въпроса кой подход е по-добър. Затова трябва да имате предвид и двата варианта и да ги използвате в зависимост от конкретната ситуация.

Грешка в прогнозата

В края на главата ще говорим за един много важен инструмент за прогнозиране. Вече са разгледани много модели и методи за прогнозиране. Всеки има своите плюсове и минуси, така че е най-добре да използвате няколко модела наведнъж, когато прогнозирате, което ще ви позволи да получите по-точна и стабилна прогноза за бъдещето.

Пример. Нека се върнем към проблема за прогнозиране на продажбите на дамско облекло, който беше обсъден по-горе. Производителят е определил пет сезона на продажби годишно. Няма гаранция, че една и съща техника за прогнозиране ще бъде най-добрата за всеки сезон. Всъщност за прогнозиране са използвани четири различни модела. Първо, беше използван модел на множествена регресия (R), който отчита факторите: 1) броя на потребителските заявки; 2) промени в дълга на купувачите. Второ, две версии на модела за експоненциално изглаждане (ES1, ES2). И трето, собствената прогноза на компанията, която се основава на мненията и оценките на персонала (MJ). Средната прогнозна грешка, получена за всеки метод по сезон, е показана на следната фигура:

/* средно за три сезона; /** средно за два сезона.

Получените прогнози могат да бъдат обединени в една по метода на претеглените коефициенти, които зависят от средната прогнозна грешка на всеки метод. В този случай няма да се налага да изоставяте нито един от методите и да изпадате в зависимост от някоя техника, която изглежда най-надеждна.

За да илюстрираме метода на претеглените коефициенти, помислете за периода на есенните продажби. Средната прогнозна грешка по методи, както и процедурата за изчисляване на претеглените коефициенти са представени в следващата таблица (виж по-долу).

И накрая, след получаване на тегловните коефициенти, те могат да се използват за изчисляване на крайната прогноза за продажби, която е $20 210 хил. Изчислението е показано във втората таблица (вижте по-долу).

маса 1

	Грешка в прогнозата	Прогнозни грешки	Инверсия	Тегловни коефициенти

таблица 2

Модел на прогнозиране	Прогноза за продажби	Тегловни коефициенти	Претеглена пропорция
Мненията на персонала на фирмата (MJ)
Регресионен модел (R)
Експоненциално изглаждане (ES1)
Експоненциално изглаждане (ES2)
Сума

За избора на нелинейни тенденции трябва да се обърнете към специална литература по статистика. Можете също да използвате функцията Goal Seek или Solve, която се поддържа в Microsoft Excel (вижте Помощ).