Прогнозирование потребностей

Товары, которые должны быть доставлены на торговое или промышленное предприятие, могут обладать самыми разными характеристиками. В общем случае можно выделить регулярно потребляемые товары и товары, потребляемые нерегулярно. Нерегулярно потребляемые товары также могут быть разделены на две группы – сезонные товары и товары случайного потребления. Для прогнозирования потребности в товарах приведенных выше групп используются различные методы.

Рассмотрим прогнозирование потребности в товарах, регулярно потребляемых нашим производством, или регулярно продаваемых нашими торговыми подразделениями. Методы, обычно применяемые при прогнозировании потребности в таких товарах, приведены в табл. 2.3.

Детерминированный расчет
Аналитический метод обычно применяется для прогнозирования потребности в сырье и комплектующих для производства товаров. Предположим, что предприятие занимается производством кухонной мебели. Для изготовления одного табурета требуется одно сиденье, четыре ножки и один комплект крепежа.

Зная совокупный объем заказов на табуреты на ближайший период времени, можно рассчитать потребность в комплектующих, необходимых для обеспечения выпуска этого объема. Аналитический метод планирования потребностей в материалах применяется в системе управления производством MRP.

CPFR (Collaborative Planning Forecasting & Replenishment), Совместное прогнозирование потребления и пополнения запасов. Этот подход к планированию спроса на товар предполагает информирование поставщика о будущих потребностях покупателя, создание запасов для обеспечения выполнения заявок покупателя на будущие периоды.

Разумеется, поставщику не следует слепо полагаться на заявки, так как у покупателей могут измениться производственные планы. Кроме того, могут появиться дополнительные потребители этого товара.

Реальное потребление может оказаться как выше, так и ниже того, которое было заявлено. Для компенсации этого поставщик вынужден держать некоторый страховой запас. Использование этого подхода позволяет снизить уровень складских запасов без снижения уровня удовлетворения потребностей клиентов.

Анализ временных рядов
Модели, объединенные в эту группу, прогнозируют будущее, исходя из данных прошлых периодов. Например, данные о расходе комплектующих за последние шесть месяцев можно использовать для оценки расхода в ещё не наступившем седьмом месяце. Данные о продажах одежды за истекшие три дня можно использовать для прогнозирования продаж в ещё не наступивший четвертый день. Разумеется, при построении прогноза в этих двух случаях будут применяться различные модели, и точность прогноза также будет различна.

Аппроксимация средних значений

1. Простое скользящее среднее. Обычно применяется для прогноза спроса на товар, отклонения в потреблении которого носят случайный характер. С помощью этого метода наиболее точные прогнозы можно получить в краткосрочной перспективе. Так, например, если у нас есть данные о продажах за январь, февраль, март, апрель, май и июнь, прогноз на июль будет более- менее точен, прогноз на август – менее точен, а прогнозам на сентябрь и последующие месяцы вряд ли следует доверять.

При использовании этого метода возможно применение различных интервалов усреднения. Если интервал усреднения будет большим (например, мы проводим усреднение показателей за последние 20 месяцев), это позволит лучше сгладить случайные отклонения спроса от среднего значения.

В некоторых ситуациях это может быть очень полезно (например, если мы прогнозируем потребление малозначащего для нас товара), но если в исходных данных наблюдается тенденция к росту или спаду потребления, это может привести к дефициту сырья или, напротив, к затовариванию. Короткий интервал усреднения позволяет точнее учитывать наметившиеся тенденции в потреблении товара, но прогноз в этом случае будет более подвержен влиянию случайных всплесков или спадов потребления. Формула для вычисления простого скользящего среднего

2. Взвешенное скользящее среднее. При расчете простого скользящего среднего каждое значение имеет равный вес, а при расчете взвешенного скользящего среднего значениям может быть присвоен любой произвольный вес при условии, что сумма весов будет равна единице. Действительно, при прогнозировании спроса на товар спрос последних периодов, скорее всего, будет теснее связан со спросом интересующего нас периода, чем тот спрос, который был отмечен полтора года назад.

Например, фирма-дистрибьютор товаров повседневного спроса может обнаружить, что наиболее точные прогнозы будущих потребностей наблюдаются при использовании следующего набора весов (табл. 2.4):

В табл. 2.5 приведен спрос на товары повседневного спроса, распространяемые дистрибьюторской фирмой, за истекшие месяцы.

Как видите, рассчитанный прогноз учитывает тенденцию к росту спроса, проявившуюся в последние месяцы.

Если бы мы рассчитывали прогноз на май по формуле простого скользящего среднего, он бы составил 222,25 единиц, что хуже учитывает имеющуюся тенденцию. При использовании этого прогноза при сохранении тенденции возможно было бы появление дефицита товаров.

Метод расчета взвешенного скользящего среднего широко применяется в ситуации, когда спрос на товар подвержен сезонным колебаниям (в пределах недели, месяца, года, нескольких лет). Например, предположим, что динамика продаж поролоновой уплотнительной ленты для окон за 2014–2015 гг. выглядела следующим образом (табл. 2.6):

В этом случае, очевидно, что бесполезно пытаться определить объем продаж следующего месяца (январь 2016 г.) путем усреднения данных нескольких месяцев, предшествовавших ему. Прогноз, полученный по методу простого скользящего среднего, не будет учитывать сезонность спроса.

Наиболее оправданным в этом случае будет использовать данные не непосредственно предшествующих месяцев, а данные нескольких месяцев соответствующего сезона предыдущего года. Например, можно рекомендовать использование следующих весовых коэффициентов (табл. 2.7):

Такой набор весов позволяет учесть сезонные колебания. Для данных табл. 2.7 прогноз потребления уплотнительной ленты на январь 2016 г. составит
740 * 0,20 + 260 * 0,40 + 200 * 0,40 = 332 упаковки.

Как видно из формулы (2.2), рассчитанное значение потребности будущего периода Xt не может быть больше, чем самая большая потребность за прошедшие периоды, и не может быть меньше, чем самая маленькая из них. Такая особенность метода не позволяет в полной мере учитывать имеющиеся тенденции (рост или спад потребления) без соответствующей корректировки методики. В каком-то смысле это является недостатком этого метода расчета потребностей.

3. Метод нахождения доверительного интервала. Доверительный интервал
– это интервал, в который с заданной вероятностью попадет следующее значение ряда. Этот метод применяется, когда спрос на товар стабилен, не имеет выраженных сезонных колебаний, и у нас есть данные о спросе за достаточно длительный период времени.
Предположим, что известен спрос на автомобильные покрышки за прошедшие шесть недель (табл. 2.8). Необходимо найти потребность в автомобильных покрышках на седьмую неделю с вероятностью 0,95.

Б. Определяем среднее квадратическое отклонение спроса (статистический показатель, показывающий насколько равномерен наш ряд значений. Если значения мало отличаются друг от друга, среднее квадратическое отклонение будет невелико; если наблюдается большой разброс значений, этот показатель будет большим) по формуле:

В нашем случае при требуемой вероятности 0,95 и шести измерениях коэффициент доверия равен 2,447.

Потребность седьмого периода с вероятностью 0,95 попадет в интервал от 35,35 до 45,67 единиц. Соответственно, вероятность того, что потребность окажется больше 45,67 или меньше 35,35 единиц, составит всего 0,05.

Но перед нами стоит задача не просто рассчитать требуемый интервал, а определить то количество товара, которое необходимо для обеспечения потребности седьмого месяца, т.е., нам необходимо определить значение, которое будет больше или равно ожидаемого фактического значения потребности минимум в 95 % случаев. Очевидно, что в данных условиях таким значением будет 45,67. Вероятность, что потребность седьмого периода превзойдет 45,67, незначительна.

Экспоненциальное сглаживание
Для прогнозирования будущего спроса методом экспоненциального сглаживания необходимы данные трех видов: значение прогноза на предыдущий период, значение фактического спроса в предыдущем периоде и константа сглаживания α. Эта константа определяет скорость реакции на отклонение реальных значений потребления от прогнозных значений.

Этот метод получил такое название в связи с тем, что каждое значение потребления прошедших периодов умножают на (1–α). Например, если значение α = 0,05, то коэффициенты взвешивания прошедших периодов будут следующими (табл. 2.10):

Значение константы сглаживания зависит от характера товара. Например, прогнозирование большинства стабильно потребляемых товаров проводят при α от 0,05 до 0,10. Для значимых для компании товаров, на изменение потребления которых необходимо быстро реагировать, α обычно составляет от 0,15 до 0,30. В общем случае, чем больше значение α, тем точнее полученный прогноз учитывает имеющиеся отклонения в потреблении. Вместе с тем, при большом значении α существует вероятность заказа излишнего количества товаров и затоваривания.

Метод экспоненциального сглаживания широко применяется на практике и является составной частью большинства компьютерных систем прогнозирования потребностей. В качестве недостатков этого метода можно отметить сложность подбора значения константы сглаживания и лаговый эффект (запаздывание экспоненциальных прогнозов при наличии тенденции к росту или спаду потребления).

Регрессионный анализ
Регрессию можно определить как функциональную зависимость между двумя или несколькими переменными. Эту зависимость используют для предсказания значения одной переменной на основе значения другой. Для целей прогнозирования потребностей обычно изучают зависимость объема продаж (объема потребления) от времени.
График линейной регрессии имеет следующий вид:

Y = a + bХ, (2.7)

где Y – значение зависимой переменной (в нашем случае это обычно объем продаж или объем потребления);
a – коэффициент, показывающий высоту подъема прямой по оси OY; b – коэффициент, показывающий угол наклона прямой;
Х – значение независимой переменной (в нашем случае это обычно номер соответствующего временного интервала).

Главным ограничением использования метода линейной регрессии является то, что он предполагает, что значения прошлых и будущих периодов попадут на одну прямую линию. Следовательно, этот метод не может быть применен без существенных доработок в ситуации, когда спрос на прогнозируемый товар подвержен сезонным колебаниям.

Линейную регрессию обычно применяют при исследованиях на небольших интервалах времени. Существует несколько способов определения параметров уравнения регрессии. Один из них – метод наименьших квадратов. Значения потребностей в сырье за шесть недель приведены в табл. 2.11. Необходимо дать прогноз потребности на седьмую неделю, используя методы линейного регрессионного анализа.

Мы изучаем зависимость потребности в сырье от времени. Следовательно, время – это независимая переменная Х, а объем потребления – зависимая переменная Y.
Уравнение прямой имеет вид: Y = а + bX. Нам необходимо найти коэффициенты а и b. Решим систему уравнений

Подставляем полученные значения в уравнение прямой (уравнение (2.7)). Значение потребности седьмой недели равно 37,46 единиц. Аналогично могут быть рассчитаны прогнозы для восьмой и последующих недель. Следует иметь в виду, что для чем более отдаленного периода рассчитывается прогноз, тем выше вероятность изменения характера зависимости между изучаемыми переменными и, следовательно, получения ошибочного прогноза.

Корреляционные модели
Зачастую бывает более оправдано изучать не зависимость объема продаж или объема потребления от времени, а зависимость объема продаж от какого- либо другого фактора, влияющего на продажи. Связи, при которых один фактор испытывает влияние другого фактора, называются причинно-следственными. Например, количество проданных в течение года туристических путевок будет коррелировать с уровнем средней заработной платы по стране. Объем продаж кровельных материалов будет связан с количеством выданных разрешений на строительство частных домов и т.д.

Для изучения причинно-следственных связей применяются различные методы, большинство которых сводится к выявлению группы факторов, влияющих на целевой фактор (например, объем потребления сырья), и построению регрессионной модели.

Оценка по аналогии
Пожалуй, наиболее понятный и часто применяющийся метод прогнозирования потребностей. При использовании этого метода не проводят никаких расчетов, а просто ориентируются на значения, которые были достигнуты в соответствующих периодах прошлого.

Например, если изменение объемов продаж в магазинах джинсовой одежды по дням недели выглядит следующим образом (табл. 2.12), на основании этих данных по аналогии можно принимать некоторые решения. В самом простом случае мы принимаем продажи в субботу будущей недели равными продажам прошлой субботы и на основании этого прогноза закупаем одежду.

В чуть более усложненном варианте мы изучаем изменение прочих внешних факторов, которые влияют на продажи, и по аналогии учитываем влияние всех этих факторов. Например, мы прогнозируем продажи не просто субботнего дня, а продажи «зимней предпраздничной субботы с холодной безветренной погодой».

В этом случае мы должны будем учесть влияние холодной погоды (по аналогии в прошлые годы в холода продажи падали на 30– 45 %) и приближающихся праздников (по аналогии в прошедшие годы этот фактор давал прирост продаж на 20–25 %). Как можно отметить, этот усложненный метод проведения оценки по аналогии имеет нечто общее с использованием корреляционных моделей.

Основная слабость этого метода прогнозирования – невозможность накопить данные (опыт) для всех событий, которые могут произойти. Некоторые события ранее не происходили, влияние других событий может быть искажено совместным влиянием нескольких факторов. Так, применительно к продажам джинсовой одежды очень сложно будет спланировать по аналогии влияние новых тенденций в моде, повышения или снижения таможенных пошлин, открытия по соседству магазина конкурирующей торговой сети и т.п.

Широкое поле действия открывается при прогнозировании и планировании по аналогии не самих показателей продаж или показателей потребления (в этом случае велика вероятность ошибки), а косвенно связанных с ними видов работ. Например, имея данные по динамике продаж джинсовой одежды (см. табл. 2.12), мы можем спланировать график работы продавцов и складских работников, можем выбрать наиболее удачный день для проведения инвентаризации на складе или пополнения запасов и т.д.

Экспертные оценки
Для получения некоторых прогнозов привлекают группы экспертов. Особенно часто это случается при составлении глобальных прогнозов развития отрасли или крупной корпорации. Оценки, которые дают эксперты, могут быть сведены воедино несколькими путями.

1. Использование метода группового согласия. Прогнозы в этом случае разрабатываются при проведении круглых столов со свободным обменом мнениями между участниками. Недостаток этого подхода заключается в том, что на круглом столе часть мнений может быть не учтена по различным причинам. Основные из них – различия в статусе участников обсуждения и личностные качества участников, мешающие отстаивать свою точку зрения.

2. Использование метода Дельфи. Для получения прогноза разрабатывается анкета. Участники заполняют анкеты и передают их тому, кто проводит опрос. Далее ответы участников обрабатываются, усредняются и снова передаются участникам. Обычно достаточно двух-трех итераций для получения взвешенного прогноза. Основные преимущества этого метода – конфиденциальность и отсутствие влияния участников друг на друга.

Оценка по интуиции
Интуицию можно определить, как способность давать верные оценки независимо от наличия фактических данных. В современной деловой практике интуиция считается чем-то несерьезным, сомнительным, ненадежным, не заслуживающим внимания.

Можно выделить две причины такого состояния дел. Во-первых, до сих пор нет согласия между специалистами-психологами по поводу того, что такое интуиция. Во-вторых, интуиция – это способность, присущая одним людям, и слабо присущая другим. Большинство попыток «научного» изучения интуиции разбивается о фактор повторяемости результатов.

Теоретически, если интуиция – это часть научной картины мира, должна быть повторяемость результата при тех же исходных условиях. На практике же эксперимент испытывает сильное влияние внутреннего состояния испытуемого, и поэтому результаты в разные дни могут очень отличаться друг от друга.

Компании, использующие интуитов для получения прогнозов, обычно не стремятся афишировать этот факт. Обязательно используются другие методы прогнозирования для того, чтобы «уточнить» или «скорректировать» полученные интуитивные данные.

 

Узнай цену консультации

"Да забей ты на эти дипломы и экзамены!” (дворник Кузьмич)