Прогнозирование спроса: возможности автоматизации

Группа компаний «Автоцентр КГС» занимается продажей запасных частей для легковых и грузовых автомобилей. В компании действует единая служба снабжения, которая закупает продукцию для всех дочерних фирм. Поэтому в центральном складском хозяйстве всегда должно быть достаточное количество товара, чтобы его можно было заказать и направить в оптоворозничные магазины. В то же время производителям, у которых компания приобретает продукцию, нужно предоставлять долгосрочные заявки, чтобы они могли включить данную информацию в собственные производственные планы. До определенного момента заказы поставщикам формировались исходя из данных о продажах в предыдущие периоды, умноженных на экспертные коэффициенты роста или снижения по отдельным товарным группам. Такой подход приводил к ошибкам в прогнозировании запасов. Из-за существенного отклонения планируемых значений от фактических оборачиваемость товаров снижалась, а компания терпела дополнительные финансовые потери в виде стоимости лишних закупленных деталей и неполученного дохода от продажи незаказанных запасных частей, а также затрат на хранение запасов. Чтобы решить эти проблемы, была разработана автоматизированная система прогнозирования спроса. Один из ее инструментов основан на модели расчета предполагаемых объемов продаж с учетом сезонных колебаний и динамики изменения цен в предстоящем периоде. При этом используются статистические данные по продажам запасных частей всеми компаниями группы.

Моделирование сезонности

В компании была выявлена сезонность спроса на продаваемые запасные части. Первый пик приходится на март–апрель, в это время наблюдается рост деловой активности в регионе, а второй (он несколько выше) отмечается в сентябре–октябре – в это время корпоративные клиенты активно реализуют закупочные бюджеты. Такую ярко выраженную периодичность роста и снижения спроса в общем случае можно описать следующей гармонической функцией:

Для практических вычислений эту формулу нужно преобразовать, чтобы можно было включить искомые величины модельной функции в виде линейных коэффициентов. Кроме этого, стоит иметь в виду и различие в амплитудах двух годовых пиков спроса. После учета указанных факторов исходная модельная функция принимает следующий вид:

Здесь коэффициенты A1, B1, A2 и B2 отражают амплитуды сезонных колебаний с периодом полгода и год. Таким образом, формула представляет собой три первых члена разложения в ряд Фурье, который здесь проявился в связи с заявленной периодичностью. Выражения для расчета коэффициентов известны из теории Фурье-анализа. Они могут быть определены по следующим формулам:

Показатель в данном случае отражает фактические продажи за анализируемый период. Промежуточные коэффициенты нужно рассчитать для каждого значения за каждый месяц года. Стоит отметить, что выбор периодичности (в рассматриваемой ситуации это два годовых пика) не ограничивается описываемой моделью. Например, если специфика спроса на товары в натуральных показателях предполагает сезонность по временам года, то, добавляя в модельную функцию необходимые коэффициенты с соответствующей периодичностью, можно ее расширить.

Таблица 1. Расчет прогноза продаж в натуральных показателях (на примере номенклатурной единицы «Кольцо глушителя ГАЗ-53, УАЗ»)

Продемонстрируем описанную методику на примере расчета прогнозных объемов продаж товара «Кольцо глушителя ГАЗ-53, УАЗ» на 2012 год в Excel. Так, в столбце А (см. таблицу 1) указан порядковый номер месяца, в столбце В – количественные данные по продажам номенклатурной единицы в соответствующем месяце 2011 года.

Столбцы C–F заполняются математическими выражениями, которые соответствуют произведениям под знаком суммы в формулах, используемых для расчета коэффициентов модельной функции. Промежуточное значение, например, за первый месяц для каждого коэффициента определяется следующим образом:

После того как найдены все промежуточные значения для каждого месяца, определяются искомые коэффициенты A1, B1, A2 и B2. Для этого можно использовать функцию Excel «СРЗНАЧ». Затем полученные результаты подставляются в модельную функцию и рассчитывается прогноз по объему спроса в натуральных показателях для каждого месяца (столбец G). Например, прогноз продаж по номенклатурной единице «Кольцо глушителя ГАЗ-53, УАЗ» на сентябрь 2012 года составит:

Расчет закупочных цен

Мы определили объем продаж номенклатурной единицы на 2012 год в натуральных показателях. В то же время для организации закупок компанию интересует прогноз спроса в закупочных ценах. Так, во втором столбце таблицы 2 приведены помесячные цены, по которым запчасти рассматриваемого вида закупались в 2011 году.

Таблица 2. Прогноз спроса номенклатурной единицы «Кольцо глушителя ГАЗ-53, УАЗ» на 2010 год в закупочных ценах

Если построить в Excel график исходя из указанных цен и затем добавить на него линейный тренд, то можно получить уравнение следующего вида:

где y – это цена закупки;
x – порядковый номер месяца.

Это значит, что в данном случае цена в среднем растет на 0,326 рубля в месяц со значением 12,606 рубля на начало периода анализа. Подставив в уравнение исходные данные по ценам, получим помесячный прогноз по ним на 2012 год. Затем эти значения умножаются на ранее рассчитанный прогноз продаж в натуральных показателях, что дает прогноз спроса на товары по закупочной стоимости.

Кстати, чтобы добавить линию тренда на графике в Excel, после построения основной линии нужно, выделив окно диаграммы, перейти на вкладку меню «Макет» и выбрать «Линейное приближение» в подменю «Линия тренда». В том же подменю через соответствующий пункт можно изменить дополнительные параметры, например, отобразить на графике уравнение.

Алгоритм планирования

Описанная модель применяется в компании для прогнозирования спроса совместно с ABC-анализом и экспертными оценками. Для практического использования она была встроена в информационную систему. При первом планировании спроса формируется документ «План продаж» на каждый из 12 календарных месяцев, следующих за текущим. В каждом последующем месяце эта операция повторяется. В итоге в документах «План продаж» по ранее запланированным периодам будет формироваться разница между первоначально указанным количеством товаров и значением, полученным при использовании более «свежих» сведений о фактических продажах товаров.

Такое скользящее планирование позволяет ежемесячно актуализировать данные.

Ограничения модели

При формировании заявок поставщикам дополнительно используется ABC-фильтрация товаров, основанная на анализе интенсивности их предыдущих продаж (присутствии товаров в документах реализации). Товары также классифицируются по принципу стабильности величины продаж (XYZ-анализ).

К классу X относятся товары, по которым коэффициент вариации (отношение среднеквадратичного отклонения к среднеарифметическому значению продаж товара) находится в диапазоне от 0 до 40 процентов, к классу Y – в диапазоне свыше 40 до 100 процентов, к классу Z – свыше 100 процентов. Например, по данным за 2011 год из всей проданной номенклатуры около 10 процентов составили товары группы X, характеризующиеся стабильной величиной продаж. Около 30 процентов пришлось на группу Y, со средней «предсказуемостью».

Остальное – плохо прог нозируемая группа Z. Казалось бы, моделированию подвержено только 40 процентов номенклатуры (группы X и Y), но на деле на них приходится более 80 процентов товаров в натуральном выражении. При этом заказ продукции стабильного спроса можно полностью отдать на откуп предложенной модели, поскольку полученных таким путем сведений вполне достаточно для построения надежного прогноза. А вот для остальных категорий продукции (товары группы Y и Z) требуется дополнительный анализ и экспертная оценка.

Кроме того, к ограничениям модели относится невозможность анализа внешних факторов, например, появление нового крупного конкурента или общеэкономических рыночных колебаний. Это связано с тем, что модельные расчеты производятся на основе информации прошлых периодов, поэтому возрастает потребность в качественной экспертной оценке. Для повышения ее эффективности используются данные о средних краткосрочных продажах товаров и их оборачиваемости.

Оригинал статьи: Прогнозирование спроса: возможности автоматизации
Журнал "Финансовый директор"

Версия для печати