Текст книги "Управление цепочками поставок и логистикой – простыми словами. Методы и практика планирования, построения, обслуживания, контроля и расширения системы перевозок и снабжения"

Все действуют по-своему, вот почему есть смысл разработать стандартную методологию для того или иного процесса. Когда речь идет о прогнозировании спроса, необходимо охватить основные этапы (Хайзер, Рендер, 2013).

1. Определить, где будет применяться прогноз. Это зависит от компании и отрасли, в которой она работает. В случае компании-производителя прогноз необходим для управления производством и распределением товаров. Когда речь идет о розничной торговле, прогноз помогает определить условия закупок. Если же компания поставляет только услуги, прогноз позволяет правильно укомплектовать штат.

2. Выбрать, по каким позициям составлять прогноз. Необходимо решить, будет ли прогноз охватывать каждую отдельную позицию (притом довольно подробно). На каком уровне, какие единицы измерения требуются для обобщенного прогноза и истории спроса?

3. Определить временной горизонт прогноза. Какой прогноз необходим компании – краткосрочный, среднесрочный, долгосрочный (или все сразу)? То же касается срока планирования – до 30 дней (ежедневный план), 1–3 месяца (еженедельный), от 4 месяцев (квартальный).

4. Выбрать модель (или модели) и методы прогнозирования. Исходя из ряда условий, о которых мы поговорим ниже, например остаточный жизненный цикл продукта, необходимо выбрать, какую модель прогнозирования использовать – качественную, количественную или смешанную. В какой степени будет использована информация, полученная извне (как то: прогнозы клиентов, данные с точек продаж, совместное планирование, прогнозирование и пополнение запасов и пр.)? Какой вес в прогнозировании будет иметь эта информация?

5. Обеспечить сбор данных, необходимых для составления прогноза. При использовании программного обеспечения для прогнозирования многие данные будут учтены на этапе начальной интеграции, например, как упоминалось ранее, данные о спросе вместо данных о продажах, устранение ошибок в данных и т. д. После завершения интеграции и проверки данных достаточно будет лишь обеспечивать ясность по таким позициям, как новые и снятые с производства товары.

6. Сформировать прогноз. Как правило, статистические методы используются для разработки базового прогноза (возможно, с различным уровнем детализации). Затем специалист по планированию проводит аудит результатов прогноза и при необходимости применяет другие статистические модели. Далее учитывается корректировка руководством – на основе их знаний и опыта, рекламных планов, оценок продаж и информации из внешних источников, указанных выше.

7. Подтвердить результаты и использовать их. Если говорить о спросе в процессе планирования продаж и операционной деятельности (sales and operations planning, S&OP), что подробнее рассматривается в следующей главе, прогнозы анализируют различные подразделения с разным уровнем детализации и в разных единицах измерения, чтобы обеспечить максимально возможный уровень точности. В результате это приведет к расчету одного числа для всей компании с целью обеспечения единообразия.

На этом этапе производят оценку точности недавних прогнозов, а также корректируют целевые значения. Кроме того, новые прогнозы сохраняют для оценки в будущем – их точность определят на основе заданных целевых показателей отклонения и ошибок (см. ниже в этой главе).

Во многих компаниях процесс повторяется из месяца в месяц в зависимости от сферы деятельности и области использования прогноза. При этом прогнозы корректируют по мере необходимости исходя из объема продаж (слишком низкого или слишком высокого), данных о спросе, изменений в рекламных акциях и скидках и т. д.

Существует два основных вида моделей прогнозирования: количественные и качественные.

Качественные модели

Качественные модели обычно применяются, когда ситуация недостаточно ясная, а данных немного. Такой метод подходит для прогнозирования показателей по новым продуктам, услугам и технологиям. В общем и целом качественный метод во многом зависит от опыта и интуиции специалиста.

Качественные модели основаны на знании продуктов, рыночных исследованиях, мнении руководства и дельфийском методе.

Знание продуктов и интуиция

Специалист по прогнозированию и планированию может составить прогноз, опираясь на собственный опыт: имея за плечами годы работы с продуктом, можно исходя из прошлых данных спрогнозировать статистические показатели и скорректировать их по своему усмотрению. Такой подход для сбора расчетных данных действует и в других подразделениях компании, например в службе продаж и маркетинга.

Но будьте осторожны: на субъективное мнение может повлиять мотивация сотрудника. Например, служба продаж получает бонусы от высоких показателей.

Мой опыт старшего специалиста по прогнозированию в Unilever позволил мне определить, что расчетные показатели службы продаж завышены на 50 %. После соответствующей поправки их данные можно было использовать в работе или, по крайней мере, отталкиваться от них. Также важно, чтобы прогнозы и данные за прошлые периоды были представлены в определенных единицах измерения и с определенным уровнем обобщенности, иначе они будут бесполезны для других подразделений. Например, служба продаж больше ориентирована на прибыль в долларах, количество клиентов и категории продуктов.

Вот почему важно, чтобы ПО для прогнозирования позволяло конвертировать данные в разных направлениях для их презентации и получения обратной связи.

Рыночные исследования

Рыночное исследование – это процесс сбора информации от текущих или потенциальных клиентов. Я уверен, почти каждый хотя бы раз отвечал на опрос в торговом центре. Когда я работал в корпорации Burger King, в головном офисе в Майами, меня и других сотрудников иногда просили зайти на экспериментальную кухню. Нам предлагали пробовать разные варианты существующих и разрабатываемых блюд. Обычно нас просили сравнить продукты, которые могут иметь незначительные различия, например кетчуп разных марок.

Другой пример рыночного исследования – фокус-группы: людей просят поделиться своим мнением и отношением к определенному товару, услуге, идее, рекламе, упаковке и пр. Иногда опрашивают целую группу, и у участников есть возможность обсудить вопрос.

Мнение руководства

Этот метод прогнозирования основывается на коллегиальном мнении руководства относительно будущих продаж. Обсуждение строится обычно на основе профессионального опыта участников. Как результат, прогноз представляет собой обоснованную точку зрения руководителей на основе некоторых статистических методов.

Дельфийский метод

Дельфийский метод является более формальным, чем предыдущий, когда прогноз основан на мнении руководства. Согласно дельфийскому методу результаты опросов направляются экспертной группе. Процесс повторяется: данные опросов направляются экспертам в несколько этапов, и в конце каждого этапа эксперты анонимно делятся своим мнением. Мнение по каждому этапу разрешается корректировать. Дельфийский метод направлен на поиск правильного решения на основании консенсуса.

И дельфийский метод, и метод коллегиального мнения руководства больше ориентированы на стратегию и больше применимы при разработке долгосрочных прогнозов высокого уровня.

Количественные модели

В отличие от качественных методов количественные используются, как правило, когда ситуация достаточно стабильна и компания располагает данными за прошлые периоды. Количественные модели прогнозирования применяются в основном к продуктам, использующим современные технологии, и основаны на математических методах: модели временных рядов и причинно-следственные модели.

Модели временных рядов

Прогнозирование по методу временных рядов основано на ряде равномерно распределенных числовых данных, полученных в результате наблюдения за зависимой переменной в равные промежутки времени. Прогнозы опираются на прошлые значения и предполагают, что факторы, влияющие на прошлое, настоящее и будущее, сохранятся. Для прогнозирования будущих показателей используются относительно простые и незатратные методы, как то: скользящее среднее и взвешенное скользящее среднее.

Ассоциативные модели

Ассоциативные (или причинно-следственные) модели прогнозирования строятся на предположении, что прогнозируемая переменная (зависимая) имеет причинно-следственную связь с одной или несколькими другими (независимыми) переменными. На основе этой связи и строится прогноз. В этом случае используются такие модели, как линейная и модель множественной регрессии.

Прежде чем подробнее рассматривать различные количественные модели прогнозирования, необходимо поговорить о связи прогноза с жизненным циклом продукта. Весьма полезно знать, на какой стадии жизненного цикла находится продукт, поскольку от этого зависит, какую модель выбрать – качественную или количественную.

Обратите внимание на то, что жизненный цикл продукта также влияет на поставки (см. подробнее в следующей главе).

Стадии жизненного цикла товара или услуги – это выход на рынок, рост, зрелость и спад (см. рис. 3.3).

Выход на рынок

На стадии выхода продукта на рынок данные за прошлые периоды отсутствуют либо их крайне мало, в связи с чем прогнозы строятся на качественных расчетах, формируемых внутри и вне компании. Данные для анализа могут быть получены из следующих источников: рыночные исследования; экспериментальные рынки, позволяющие экстраполировать; аналогичные товары, которые компания продавала ранее и которые могут поглотить другие существующие товары; оценка уровня продаж, клиентов; предварительные заказы для наполнения канала сбыта и пр.

Рост

По мере того как продукт набирает популярность благодаря маркетингу и расширению каналов сбыта, можно применять некоторые более простые методы временных рядов, поскольку теперь компания обладает минимально необходимой историей спроса.

Одно из общих правил прогнозирования гласит: для составления достойного статистического прогноза требуются данные не менее чем за 12 месяцев. Следовательно, на стадии роста прогнозирование действительно представляет собой комбинацию искусства и науки, а для подготовки прогноза используются как количественные, так и качественные методы.

На стадии роста легко ошибиться в прогнозах в сторону как завышения, так и занижения, что может иметь колоссальное влияние на затраты и сервис. Следует очень внимательно подходить к прогнозированию, когда товар на подъеме. Во избежание сюрпризов (которых действительно сложно избежать в особых ситуациях, например при открытии нового канала дистрибуции) необходимо наладить коммуникацию как внутри компании, так и за ее пределами.

Зрелость

Когда продукт достигает своей зрелости, качество прогнозов увеличивается. Когда я занимался прогнозированием в компании Church & Dwight (Arm & Hammer), спрогнозировать спрос на упаковку пищевой соды весом один фунт было относительно просто, поскольку этот продукт существует на рынке уже более 150 лет. То есть можно было полагаться на простые модели прогнозирования и не было необходимости в данных с точек продаж, так как товар не привлекал много новых покупателей. Однако, когда товар становится «зрелым», появляется возможность расширения марки, что и случилось с пищевой содой. Как оказалось, у нее масса вариантов применения. С появлением поглотителей запаха для холодильников на основе соды продукт получил вторую жизнь. В последующие годы стали появляться новые товары: зубная паста с содой, дезодорант на основе соды и др.

Спад

С началом спада не только уменьшается объем продаж, но и спрос становится неравномерным, в результате чего меняются ключевые места спроса. Более того, компании начинают использовать альтернативные каналы сбыта: магазины низких цен, магазины с фиксированной ценой, экспорт и т. д.

В конечном итоге товар выводят с рынка. Однако даже после этого необходимо составлять прогнозы – для реализации запасов. На стадии спада используются качественные методы прогнозирования (как и на стадии выхода товара на рынок).

Модель временных рядов может включать все или часть элементов, показанных на рис. 3.4.

■ Тенденция: постоянная общая тенденция роста или снижения с учетом изменений, связанных с численностью населения, технологиями, возрастом, культурой и прочим, на протяжении нескольких лет. Пример: все более откровенное бикини как модный тренд.

■ Цикличность: повторяющееся колебание вверх и вниз, зависящее от экономического цикла, политических и экономических факторов, длительностью от 2 до 10 лет. Часто существуют причинно-следственные или ассоциативные связи. В качестве примера можно привести экономические кризисы.

■ Сезонность: регулярные колебания в течение года, обусловленные такими факторами, как погода, обычаи и др. Причинами могут быть как естественные явления, например время года, так и искусственные, например, начало учебного года, рекламные кампании продавцов.

■ Случайность: произвольные колебания, обусловленные случайными изменениями или незапланированными событиями, например: профсоюзные забастовки, военные действия, которые обычно носят сравнительно непродолжительный характер и не повторяются.

Поскольку возможны различные комбинации этих элементов, они создают мультипликативный или совокупный эффект.

Ниже представлены наиболее распространенные количественные модели временных рядов.

■ Наивный подход. Данные о фактическом спросе за прошлый период используются в прогнозе на текущий период без какой-либо поправки или поиска причинно-следственных связей. (Например, если в январе продажи составили 100, то прогноз на февраль будет равен 100.) Простой, но экономически выгодный и эффективный подход.

■ Скользящее среднее. Простое среднее значение спроса за определенные периоды. Используется при неочевидности или отсутствии тенденции, поскольку позволяет сгладить данные прошлых периодов. Обычно усредняют более свежие данные для расчета будущих показателей. Так, вычисляют среднее значение по продажам за январь – март, чтобы спрогнозировать объем продаж в апреле.

■ Взвешенное скользящее среднее. Среднее значение с разными коэффициентами, служащими для придания разного веса данным, находящимся на определенном месте в окне выборки. Обычно такой метод применяют, когда существует некая тенденция, поскольку тогда данные за прошлые периоды становятся менее значимыми. При этом вес данных зависит от опыта и интуиции специалиста. Вес можно использовать для минимизации сглаживания, если это необходимо.

Например:

Взвешенное скользящее среднее за апрель = 0,6 * Продажи в марте + 0,3 * Продажи в феврале + 0,1 * Продажи в январе.

В этом примере уровень спроса в марте является более весомым для составления прогноза на апрель и последующие месяцы, нежели январские и февральские данные.

■ Экспоненциальное сглаживание. Применяется для минимизации отклонений и является одной из форм модели взвешенного скользящего среднего, где вес уменьшается экспоненциально, при этом самые свежие данные имеют более высокий вес, чем более старые. Экспоненциальное сглаживание предусматривает альфа-константу (α) в диапазоне от 0 до 1, значение выбирает менеджер по своему усмотрению.

Например:

Новый прогноз = Прогноз за предыдущий период + 0,7 * (Фактический спрос в предыдущем периоде – Прогноз за предыдущий период).

В данном примере константа сглаживания равна 0,7 – это сравнительно высокий вес, следовательно, более сильное сглаживание избытка или недостатка продаж в предыдущем месяце при построении нового прогноза.

Существуют более сложные, ассоциативные модели, например линейная регрессия (или метод наименьших квадратов) и множественный регрессионный анализ, в которых используется взаимосвязь независимой переменной / переменных (x) для прогнозирования зависимой переменной (y). Метод наименьших квадратов называется так потому, что формула строит линию наилучшего соответствия (наименьшего отклонения; см. рис. 3.5) через данные прошлых периодов. Затем эту формулу можно применять для расчета будущего значения y.

При линейной регрессии зависимость определяется так: y = a + b x, где a = точка пересечения графика с осью y, b = наклон линии регрессии.

Вот простой пример линейной регрессии: получим и используем это уравнение для прогнозирования будущих продаж (y), включив в него план реализации (x), при этом n – общее количество наблюдений. Зная о взаимозависимости двух переменных, можно легко вывести уравнение, используя прошлые данные о занятости торгового персонала и прошлые данные о продажах.

Чтобы получить уравнение, нужно определить b, а затем a. Формулы для их расчета:

Как только мы определим a и b, формула регрессии готова. Мы можем использовать в ней расчетные показатели занятости персонала для прогнозирования будущего объема продаж.

Корреляция

Для оценки степени корреляции рассчитываем коэффициент корреляции (r), который является критерием силы и направления линейной связи между двумя переменными и определяется как (выборочная) ковариация переменных, деленная на произведение их (выборочного) стандартного отклонения:

Значение корреляции находится в диапазоне от 0 до 1. Идеальной корреляцией двух переменных будет значение r, близкое к ±1. Чем менее взаимосвязаны переменные, тем ближе к 0 будет r.

Сезонность

Во всех ранее упомянутых методах временных рядов, а также в методе линейной регрессии можно применять так называемый коэффициент сезонности. Как мы уже знаем, сезонность – это фактические объемы продаж в зависимости от времени года (зимой продажи снегоуборочных лопат возрастают) или от искусственных факторов (согласно календарю рекламных акций).

Коэффициент сезонности относительно легко рассчитать и применить с любым из ранее рассмотренных методов прогнозирования, чтобы прогноз выглядел более реалистичным, с всплесками и плато.

Как рассчитать коэффициент сезонности?

1. Найти среднее значение по конкретному товару за все годы и периоды.

2. Вычислить среднее значение данных по каждому периоду.

3. Разделить среднее значение за период на общее среднее.

4. Применить коэффициент периода к имеющемуся временному ряду или прогнозу линейной регрессии.

Возьмем, например, поквартальный объем продаж снегоуборочных лопат:

Можно рассчитать коэффициент сезонности, который мы затем будем применять к плоскому скользящему среднему квартальных прогнозов, например 100. Для этого сначала рассчитаем среднее значение по каждому периоду, а затем – общее среднее значение = 268. На основе этого можно рассчитать коэффициенты по каждому кварталу, разделив среднее за период на общее среднее (268).

Имея поквартальный прогноз на будущий год со значением 100/квартал, можно применить сезонный коэффициент к этому прогнозу. Тогда квартальный прогноз: Q1 = 2,07 * 100 = 207 (лопат); Q2 = 0,42 * 100 = 42 (лопаты); Q3 = 0.09 * 100 = 9 (лопат); Q4 = 1,42 * 100 = 142 (лопаты).

Как уже сказано, сезонность может быть естественной или искусственной. В любом случае фактор сезонности меняется с течением времени, и необходимо регулярно производить перерасчет.

Множественная регрессия

Если для прогноза берется более одной независимой переменной, вместо линейной регрессии можно использовать метод множественной регрессии. Он позволяет учесть несколько независимых переменных. Например, скидки, рекламные акции, реклама могут в той или иной степени повлиять на объем продаж. Формула для расчета следующая: y = a + b₁ x₁ + b₂ x₂… (похожа на формулу наименьших квадратов, но включает несколько независимых переменных). Расчеты довольно сложные и, как правило, производятся с помощью статистического ПО.

В конечном итоге вы подберете наилучшее сочетание независимых переменных для составления наиболее точного прогноза. Производится расчет r-квадрата, или коэффициента детерминации. Он представляет собой квадрат коэффициента корреляции, о котором говорилось ранее, и является показателем степени корреляции между y и различными комбинациями x. Чем ближе показатель r-квадрата к 1, тем выше степень корреляции и, будем надеяться, выше точность прогноза.

Применяют множество других статистических методов, от самых простых до весьма сложных. Наилучшие методы прогнозирования используют и качественные, и количественные модели, включая взаимодействие как внутри компании с разными сотрудниками (службы продаж, маркетинга и финансов), так и с клиентами и поставщиками.