Прогнозирование спроса. Прогнозирование спроса и продаж

На первый взгляд, вопрос звучит абсурдно, но если внимательнее разобраться, то можно выявить следующее: «если у товара значительное число фактов нулевых продаж (спрос на товар редкий), то все методы точечного прогнозирования (в том числе и сложные), будут давать плохой результат»

Выходом из ситуации может стать применение специальных методов математического моделирования, позволяющих рассчитать накопительную вероятность возникновения спроса. То есть оценить не стараясь угадать число проданного, а посмотреть с какой вероятность может быть продан тот или иной объем товара. Это позволит нам понять, сколько товара необходимо хранить, чтобы обеспечить тот или иной уровень сервиса.

При упрощении механизм следующим образом. Специальное программное обеспечение проводит серию экспериментов (100 000 раз) о возможном спросе на товар на период поставки (в западной практике - lead time LT). Анализируется, сколько раз случился спрос разного объема. После этого строится накопительная вероятность распределения спроса (не более какого объема товара будет продано с разной вероятностью)

После этого учитывается уровень сервиса и рассчитывается оптимальный товарный запас, как значение спроса, соответствующее накопительной вероятности, равной уровню сервиса.

Более наглядно это можно посмотреть на следующем графике или таблице: (из программы Forecast NOW!):

Рис. 1 Уровень сервиса и оптимальный товарный запас на примере программы Forecast NOW!

Вероятность Сумма,%	Объём,ед

На рисунке светло-синим построена накопительная вероятность. Оптимальный запас находится на пересечении выставленного уровня сервиса и накопительной вероятности.

Таким образом, применение подобных методов поможет сразу рассчитать оптимальный товарный запас для товаров редкого спроса.

Важным вопросом остается критерий отнесения товаров к редкому спросу:

Для этого считается среднее расстояние в днях между соседними фактами продаж. Если это число больше 1.25 дней, то перед нами редкий спрос, если меньше - гладкий.

История продаж товара:

Среднее расстояние между соседними фактами продаж = ((3-1)+(4-3)+(7-4)+(8-7))/4 = 1,75 >1,25 -> спрос редкий

Но для товаров гладкого спроса без прогнозирования спроса не обойтись:

Для чего нужно прогнозировать спрос

Работа любого торгового предприятия неизбежно связана с проблемой оптимизации товарных запасов. Избыток товаров приводит к дополнительным финансовым издержкам, а недостаток - к потере постоянных покупателей и снижению объемов продаж. В обоих случаях происходит недополучение возможной прибыли, что в условиях острой конкуренции может стать причиной банкротства предприятия.

Одной из важнейшей составляющих поддержания оптимального ассортимента товаров является оперативное и долгосрочное прогнозирование спроса. Конечно, при планировании закупок можно ничего и не прогнозировать, используя как источник исходной информации устоявшийся или возникший уровень спроса. Однако такой устаревший подход в условиях динамично изменяющегося рынка и "избалованного" покупателя трудно назвать эффективным (за исключением небольших поселений, где имеется всего один магазин).

Прогнозирование спроса позволяет не только разработать оптимальный план закупок, но и эффективно управлять ресурсами предприятия. Так, например, зная, что в следующем месяце возникнет повышенный спрос не мороженое, можно будет заранее принять на работу продавцов, закупить холодильное оборудование и предусмотреть дополнительное финансирование. Если же все подобные мероприятия начать проводить в пик сезона, то все усилия могут оказаться напрасными и, даже убыточными.

Как прогнозировать спрос

Чтобы спрогнозировать спрос, разработано огромное количество теорий и специальных инструментов.

Специальное ПО

Так, например, при планировании закупок для супермаркета не обойтись без специализированного программного обеспечения. Основная проблема здесь в огромном ассортименте товаров, который просто физически невозможно "удержать в голове". Кроме того, специальное ПО позволяет автоматизировать процесс подготовки заявок, что при больших объемах закупок дает возможность сэкономить массу времени.

Microsoft Excel

При небольшом ассортименте товаров отличные результаты в прогнозировании спроса можно получить с помощью стандартного приложения Microsoft Excel. Специальные статистические функции, такие как, например, ТЕНДЕНЦИЯ и РОСТ, позволяют без ввода сложных формул мгновенно обработать большие массивы информации. Богатые оформительские возможности Microsoft Excel помогут представить полученные данные не только в табличном виде, но и в более наглядном - в форме графиков и диаграмм.

Вручную

Прогноз спроса на отдельные позиции товаров можно составлять и вручную. Так, например, если товар является новинкой, то даже самые мудреные статистические формулы и ранее накопленная информация не помогут предугадать его популярность. В таких случаях приходится надеяться не на расчеты, а на интуицию и на дополнительные факторы (мнения покупателей, рекламная поддержка и т.п.).

Формулы и методы прогнозирования спроса

Методы, используемые при прогнозировании спроса, отличаются большим разнообразием - от наивных (предполагается, что спрос в следующем месяце будет такой же, как и в прошедшем) до применения в расчетах сложных экономических и математических теорий и их программных реализаций (нейронные сети).

Метод Простой средней

Простейшим из подобных методов является использование вычислений по формуле "простого среднего". Прогноз спроса на следующий период при этом способе высчитывается как среднее арифметическое показателей спроса за все предыдущие периоды. Недостатком этого метода является его высокая "консервативность" - устаревшая информация о прежних продажах помешает проявиться последним тенденциям спроса.

Метод скользящего среднего

Более оперативно на изменение спроса реагирует метод "скользящее среднее". Расчет при этом производится не на основании данных за весь срок наблюдения, а за несколько последних периодов.

Ключевым вопросом является определение «окна скольжения» - за сколько последних периодов необходимо проводить усреднение. Чем больше этот период, тем больше совпадает прогноз по скользящему среднему с простым средним.

Определить период можно эмпирически на основании ошибки прогноза (RMSE) - рассчитать эту ошибку для разных периодов и выбрать оптимальный.

Очевидно, что оптимальным является период в 4 дня.

Интересной вариацией метода является расчет скользящей средней по определенным дням (то есть - для всех понедельников считается скользящая средняя за n последних понедельников, и т.д.) Такой метод может подойти товаров, обладающих ярко выраженной внутри недельной сезонностью (например, хлеб).

Метод средневзвешенной

Сочетанием вышеописанных методов является "метод взвешенного скользящего среднего". В этой модели вычисляется средневзвешенное значение на основании нескольких периодов, но более отдаленным периодам придаются меньшие веса. Таким образом, для расчетов можно брать более длительные наблюдения, но ограничить влияние на расчеты неактуальных данных.

Метод экспоненциального сглаживания

К сожалению, вышеперечисленные методы расчетов "по среднему" позволяют получить лишь очень приближенные результаты. Более точного прогноза можно добиться при использовании моделей "экспоненциального сглаживания" и "экспоненциального сглаживания с трендом". В первом методе последний прогноз объема продаж, корректируется на основе ошибки прогноза, допущенной в последнем периоде. При втором методе расчетов (называемом еще методом "двойного экспоненциального сглаживания") учитываются данные с трендами - благодаря этому данный метод может использоваться даже для среднесрочного прогнозирования.

Метод "Хольта-Уинтерса"

Для учета сезонности и общего тренда спроса применяется модель "Хольта-Уинтерса" (трехпараметрическое экспоненциальное сглаживание). Чтобы получить прогноз спроса в этом методе необходимо правильно подобрать три параметра. Для этого можно использовать как специальные алгоритмы, так и ограничиться простым перебором.

Метод Авторегрессии

При желании получить еще более совершенные прогнозы можно использовать модели "авторегрессии". Эта методика позволяет провести очень подробный анализ имеющихся данных, выявить любые тенденции и отсеять случайные влияния. Однако, в отличие от предыдущих методов, подбор множества параметров потребует от пользователя очень много усилий и времени.

Нейронные сети, генетические алгоритмы

Следует отметить, что чем более сложные методы прогнозирования используются, тем труднее их практическое применение и тем выше вероятность возникновения ошибок. Анализ огромных объемов информации, подбор оптимальных параметров, оперативный учет колебаний рынка - все это порой находится на пределе человеческих возможностей. Наиболее перспективным в решении этой проблемы является использование алгоритмов "нейронных сетей". В этой методике специальная программа после предварительного обучения способна самостоятельно найти лучшее решение - при этом пользователю не нужно вникать во все премудрости используемых теорий. Кроме того "нейронные сети" способны учесть скрытые тенденции и создать достоверный прогноз в такой нестабильной ситуации, где ранее прогнозирование считалось вообще невозможным.

По проведенным специалистами проекта «Forecast NOW» исследованиям прогнозирование нейронными сетями дает лучший результат, чем по всем вышеприведенным методам:

По оси Х показано количество товаров при анализе, по Y- а сколько процентов нейронные сети оказывается лучше, чем другой алгоритм в относительном выражении.

Рис. 2 Нейронные сети + Генетические алгоритмы (ГА) и экспоненциальное сглаживание

Рис. 3 Нейронные сети + Генетические алгоритмы (ГА) и авторегрессия

Рис. 4 Нейронные сети + Генетические алгоритмы (ГА) и метод Хольта Винтерса

Из рисунков видно, что прогнозирование нейронными сетями дает значительно лучший результат.

Выводы

Для прогнозирования спроса нужно:

1. Определить характер спроса на товар (если гладкий - прогнозирование нужно, если редкий - прогнозирование не нужно, можно рассчитывать оптимальный запас методами математического моделирования)
2. Определить способы прогнозирования спроса (если товарный ассортимент небольшой, то можно вручную или при помощи Excel, если большой - лучше использовать специальное программное обеспечение
3. Определить методы прогнозирования спроса (для некоторых товаров хорошо работают стандартные методы (см про скользящее среднее), в общем случае лучшие результаты достигаются нейронными сетями
4. Важно помнить, что прогнозирование спроса - лишь первое звено цепочки поставок, и даже самый точный прогноз спроса в случае неправильного управления запасами и пополнением не сможет обеспечить эффективность всей цепочки поставок.

Прогнозирование спроса осуществляется с помощью качественных и количественных методов (в том числе нормативно-целевого метода).

Для краткосрочных и среднесрочных прогнозов применяются качественные методы (экспертной оценки; оценки уровня продажи, высказанные ведущими торговыми фирмами; анкетирование потребителей) и количественные методы (использование коэффициента эластичности спроса; метод геометрической прогрессии; трендовая модель; многофакторные корреляционные и регрессионные модели, в том числе множественной линейной регрессии).

Для долгосрочных прогнозов применяется нормативно-целевой метод, который также можно отнести к группе количественных методов прогнозирования спроса.

Рассмотрим некоторые из указанных типовых методов прогнозирования спроса.

Особое значение в прогнозировании спроса имеет показатель его эластичности, выражающий зависимость одного фактора от состояния другого, например, зависимость количества товара от денежных доходов или цены товара. Обычно используется коэффициент эластичности спроса, который выражает величину изменения спроса (в процентах) при изменении цены товара (доходов населения) на 1%.

Коэффициент эластичности спроса Э рассчитывается по формуле:

где y – спрос на товар;

x - цена или доходы;

D - изменение показателя.

Следует отметить, что использование коэффициента есть своего рода упрощение понятия эластичности. При более точной трактовке эластичность рассматривается как предел соотношения между относительным приращением функции у: (зависимой переменной) и относительным приращением независимой переменной х: , когда D ® 0 обозначается символом Е (у) и выражается формулой:

Соответственно коэффициент эластичности характеризует приближенный процент функции (повышение или понижение), соответствующий приращению независимой переменной на 1%.

В практическом использовании коэффициент эластичности спроса от дохода показывает относительное изменение спроса (соответственно потребления, сбыта, продажи) при изменении денежных доходов на единицу. Здесь используется лишь один решающий фактор. Считается, что остальные факторы явления остаются неизменными и их влиянием можно пренебречь, т.е. от их воздействия абстрагируются. Точно так же характеризуется эластичность спроса от цены товара. Этот показатель имеет еще большее значение в прогнозных расчетах, чем эластичность спроса от доходов. Коэффициент эластичности спроса от цены показывает относительное изменение спроса при изменении цены товара на единицу. Понятно, что в данном случае зависимость этих двух составляющих будет обратной: чем выше цена, тем меньше спрос. В экономических расчетах во избежание путаницы минусовый знак при коэффициенте принято отбрасывать, но при этом каждый специалист об этом всегда помнит.

Определение коэффициента эластичности спроса от цены следует производить в количественном, а не стоимостном измерении спроса. В условиях фиксированных цен на товары это условие не имело значения. При подвижных ценах это обстоятельство надо учитывать обязательно.

Все товары по эластичности делятся на две группы: эластичного спроса и неэластичного спроса.

Специалисты выделяют еще третью группу, в которой эластичность равна единице.

В первую группу входят товары с коэффициентом выше 1. Снижение цены на такой товар и рост доходов населения ведут к увеличению количества продаваемых товаров и соответственно к росту прибыли от их продажи, так как при меньшей цене прирост продажи бывает достаточным для компенсации потерь от снижения цены. К таким товарам относятся: качественные одежда и обувь, кондитерские изделия, товары длительного пользования и ряд других. Причем чем выше коэффициент эластичности спроса, тем сильнее зависимость продажи товара от цены или доходов.

Во вторую группу (неэластичного спроса) входят товары с коэффициентом ниже 1. Снижение цены на такие товары может быть выгодно покупателям, но невыгодно фирме, так как обычно ведет к уменьшению ее прибыли при сокращающемся или неизменном объеме продажи товаров. Снижение доходов населения также почти не оказывает влияния на величину спроса. К таким товарам относятся: хлеб, соль, спички, основные молокопродукты, овощи и некоторые другие, т.е. товары первой необходимости.

Коэффициент эластичности спроса от доходов может быть и с отрицательным знаком. Это означает, что с ростом денежных доходов спрос на данный товар уменьшается. К таким товарам обычно относятся те, которые отличаются низкой питательной ценностью, являются малокалорийными или не отражают высокую степень готовности товара к потреблению.

Различают эластичность: а) дуговую, т.е. среднюю на отрезке кривой, и б) точечную, т.е. представленную в заданной точке. К этому делению эластичности близко, но не идентично, иное ее различие: деление коэффициентов эластичности на статические и динамические. Статический коэффициент эластичности рассчитывается за определенный период, обычно до 1 года. Динамический коэффициент эластичности исчисляется за более длительный период. Прогностическая ценность статических коэффициентов невелика, так как они не отражают процесса развития спроса во времени. Динамические коэффициенты эластичности исчисляются на основе данных об изменении спроса и того или иного его определяющего фактора за ряд лет. Такие коэффициенты эластичности рассчитываются от года к году. Они более пригодны для прогнозирования спроса, так как в них отражается тенденция изменения спроса во времени.

Расчет коэффициента эластичности требует специальных знаний теории и методик, которыми обычно обладают специалисты научных организаций и институтов, прогнозирующих экономические показатели. Это методики подробно излагаются в специальной литературе. Однако есть и более простой прием расчета коэффициента эластичности спроса, основанный на мнении эксперта, которым может выступить опытный продавец данного товара. Такой работник всегда может хотя бы примерно назвать величину изменения продажи товара при изменении его цены в условиях сложившейся конъюнктуры рынка.

Пример 1. Определить коэффициент эластичности спроса на электробатарейки, продаваемые по цене 5 руб. за штуку. В среднем за неделю магазин продает их 15 штук. Если снизить цену на батарейки до 4,3 руб., то, по мнению продавца, за неделю можно будет продать их уже 18 штук. На основе этой информации можно определить статический коэффициент эластичности спроса на батарейки от цены.

Расчет. Коэффициент эластичности спроса от цены в данном случае составит:

Вывод. При снижении цены на батарейки на 1% прирост спроса на них при сложившихся условиях продажи может составить 1,43%.

Полученный коэффициент эластичности может быть использован для составления прогноза продажи товара на следующую неделю или месяц. Однако надо помнить, что эластичность спроса не есть нечто постоянно заданное. Она может меняться при изменениях условий продажи. И тогда надо определять коэффициент эластичности заново.

Рассмотрим пример прогнозирования спроса на товар при известном коэффициенте эластичности спроса.

Пример 2. Определить прогноз на товар «А» при коэффициенте эластичности спроса от цены 1,21. Число покупателей в регионе может составить 400 тыс. человек. Сложившийся уровень продажи товара составляет 5 кг на человека за период. Намечается снижение цены товара на 4%.

Расчет. 1. Определяется рост спроса на товар «А» при снижении его цены на 4%.

4 х 1,21 = 4,84% ,

100% + 4,84% = 104,84%.

2. Определяется новый уровень потребления товара «А» одним покупателем после уменьшения цены:

5 х 1,0484 = 5,242 (кг).

3. Определяется возможный объем продажи товара «А» в расчете на весь контингент покупателей:

5,242 х 400000 = 2096800 (кг или 2097 т).

Вывод. Прогноз спроса на товар «А» после снижения цены на 4% составляет 2097 т.

Зная новую цену товара «А», можно определить спрос на него в стоимостной форме и соответственно объем розничного товарооборота по региону, а в дальнейшем, с учетом доли рынка товара – и по отдельным фирмам.

Пример 3. Составить прогноз продажи товара «В» при коэффициенте эластичности спроса от цены 1,08. В регионе возможен рост цены товара с 15 до 17 руб. Фактический товарооборот товара составил в регионе за прошлый год 80 тыс. руб.

Расчет. 1. Определяется процент роста цены товара «В»:

17: 15 х 100% = 113,3% ,

тогда прирост цены составит 13,3% .

2. Определяется уменьшение спроса на товар под влиянием роста цены:

1,08 х 13,3 = 14,364% ,

т.е. спрос на товар составит: 100% - 14,364% = 85,636%.

3. Определяется прогноз продажи товара «В» в регионе после увеличения цены:

80000 х 0,85636 = 68,509 (тыс. руб.).

Вывод. После увеличения цены товара «В» с 15 до 17 руб. можно ожидать, что объем его продажи составит 68,5 тыс. руб. при сложившейся конъюнктуре рынка.

Зная емкость рынка товара «В» в регионе и долю рынка товара (ведущих фирм региона) в каждом районе региона (на всем рынке), можно определить возможный объем его продажи по районам и ведущим фирмам региона при условии неизменности среды хозяйствования.

Когда в развитии спроса проявляется устойчивая тенденция к его повышению или снижению, то состояние ряда динамики можно прогнозировать по средним темпам изменения. В основе этого метода лежит предположение, что ряд показателей развития спроса во времени представляет собой геометрическую прогрессию. Это означает, что каждый последующий член динамического ряда a равен предыдущему, умноженному на средний коэффициент темпа изменения k .

Другим методом краткосрочного прогнозирования спроса является трендовая модель, основой которой также являются временные (динамические) ряды. Изучение временных рядов – важная область исследований экономической динамики времени. Ряды могут быть, во-первых, моментными и интервальными и, во-вторых, эволюторных и стационарных процессов.

Для моментного ряда характерна величина явления по состоянию на определенную дату, а для интервального – величина явления по состоянию за определенный период;

Эволюторный процесс временного ряда содержит тренд, чего нет при стационарном процессе.

Временные (динамические) ряды могут быть в виде: тренда, лага, периодических колебаний.

Тренду, как уже отмечалось, присуща длительная «вековая» тенденция. У лага имеется запаздывание одного явления от другого, связанного с ним. Периодические колебания зависят от сезона, циклов и иных повторяющихся изменений. Для выявления тенденций указанных видов временных рядов используются такие методы их математико-статистической обработки, как экстраполяция, выравнивание и анализ автокорреляции.

Трендовая модель наиболее популярна в прогнозировании. Она основана на том, что объем и особенно структура спроса характеризуются определенной степенью инерционности, т.е. потребление с запаздыванием приспосабливается к изменившимся условиям. Инерционность означает в данном случае невозможность произвольно в короткое время существенно изменить не только структуру, но и привычки потребления населения. Трендовая модель прогнозирования – это уравнение, формализующее закономерности развития спроса в базисном периоде. Модель применяется в том случае, если установлено, что найденные закономерности будут действовать на определенном отрезке времени в будущем.

В этом случае ряд динамики рассматривается как функция времени и с известным приближением описывается различными математическими уравнениями.

Из трендовых моделей в прогнозировании спроса наиболее широко используются следующие виды:

а) уравнение прямой

б) логарифмическая функция

в) экспоненциальная функция

г) параболическая функция

y = a + bx + cx .

д) логистическая функция

Прогноз спроса на базе трендовых моделей основывается на допущении, что все факторы, действовавшие в базисном периоде, и взаимосвязь этих факторов останутся неизменными и в прогнозном периоде. Однако такое условие в жизни часто нарушается. Поэтому метод трендовых моделей в прогнозировании спроса можно применять с упреждением на один, максимум на два интервала динамического ряда с детальным учетом всех факторов, влияющих на формирование покупательского спроса.

В таком явлении, как спрос, когда наблюдается одновременное влияние многих разнородных факторов, тесно взаимодействующих друг с другом, довольно трудно создать точную модель с хорошо интерпретирующими функциональными связями.

Простейшая модель спроса основывается на выделении одного главного фактора, его определяющего: доходов, цены или объема сбыта (продажи). Такая модель в силу своего упрощения называется эскизной. Примерами эскизных моделей служат те, в которых главным фактором выступает, например, эластичность спроса или экстраполяция спроса как функции времени.

Более сложным подходом отличается аналитическая модель спроса в потреблении, которая строится с использованием методов математической статистики на основе информации о структуре доходов населения, цен на товары и других факторов. Например, для прогнозирования спроса на предметы длительного пользования (холодильники, телевизоры, стиральные машины и т.д.) нужны данные о наличии и возрасте таких предметов, уже имеющихся у населения, составе семей и др.

Рассмотрим характеристику известной модели Энгеля. Однофакторная модель спроса от доходов, называемая кривой Энгеля (по имени немецкого ученого, впервые изучившего группу этих кривых), позволяет установить, какую долю своих доходов семьи определенного сегмента рынка выделяют на приобретение тех или иных благ (товаров и услуг). Их еще называют функциями потребления.

В обобщенной форме эти кривые выражаются формулой:

где S – средние доходы;

Объем потребления i-го блага (спроса).

Формы кривых могут быть различны. Далее, как и при экстраполяции, зная динамический ряд показателя спроса в зависимости от доходов, можно определить прогноз спроса на товар в будущем. В практике среднесрочного прогнозирования спроса всегда были популярны многофакторные корреляционные и регрессионные модели. Эти модели выступают как функции спроса, в которых в качестве переменных используются факторы, определяющие динамику спроса. Приведем математическую форму записи такой модели:

у = f (x, z, d и т.д.).

В многофакторных моделях спрос на определенный товар характеризуется как функция нескольких независимых переменных. Суть экономического предсказания заключается в том, чтобы на базе имеющихся объемных и структурных параметров потребления за прошлый и настоящий периоды определить траекторию развития спроса на будущий период и исчислить его важнейшие параметры. Многофакторная модель позволяет точнее отразить процесс формирования спроса, чем трендовые однофакторные модели. Среди многофакторных моделей особое признание получила множественная линейная регрессия. Такую форму связи тем или иным способом необходимо привести к линейному виду, единственным требованием которого является достаточная близость теоретической кривой к эмпирическим значениям ряда. Оценка близости производится посредством исчисления среднеквадратического отклонения. Критерий пригодности модели спроса может быть формально записан как:

Предположение о линейном характере связи между спросом и формирующими его факторами, допустимое при разработке кратко- и среднесрочных прогнозов, становится неприемлемым, когда речь идет о периоде, превышающем 7-8 лет. Долгосрочные прогнозы требуют перехода к нелинейным типам взаимосвязей, предполагающим наличие скачков, перегибов и проч., т.е. от экстраполяционных методов надо переходить к интерполяционным. С расширением горизонта прогнозирования уменьшается зависимость будущего развития от достигнутого состояния и сложившихся тенденций. Поэтому генетические методы в прогнозировании постепенно уступают место нормативно-целевым. Эти методы можно охарактеризовать и как методы обоснования альтернативных путей перехода от сложившихся тенденций к желательным.

Долгосрочные прогнозы спроса используют нормативы обеспеченности населения материальными и духовными благами. В настоящее время в практике прогнозирования спроса широко применяются различные нормативы потребления важнейших продуктов питания, изделий легкой промышленности, предметов культурно-бытового назначения. Эти нормы разрабатываются специальными организациями, они характеризуют научно обоснованное представление общества об идеальном потреблении того или иного товара. Напомним, что прогнозирование с помощью нормативного метода сводится к тому, чтобы на основе известных значений крайних членов ряда (последнего фактического и нормативного) определить возможный уровень потребления в различные периоды внутри этого ряда.

При прогнозировании спроса продовольственных и непродовольственных товаров применяются разные подходы.

Для продовольственных товаров характерна сравнительная стабильность потребления в целом. Сложившийся уровень потребления продуктов питания обычно меняется постепенно за счет изменения привычек и вкусов населения. Например, можно довольно-таки точно спрогнозировать спрос на хлебобулочные и кондитерские изделия, мясопродукты, рыбопродукты, сахар, овощи и фрукты. Сложившиеся тенденции увеличения или снижения потребления этих товаров обычно не подвержены резким колебаниям по годам. Возможны лишь сезонные колебания и изменение потребления при резком изменении политико-экономического состояния страны.

Для прогнозирования потребления непродовольственных товаров требуется учет следующих факторов:

¨ величины рационального гардероба;

¨ перспективной нормы потребления товара;

¨ износа имеющегося товара у населения для его замены;

¨ дополнительной потребности в товаре для обеспечения им естественного прироста населения до среднего уровня, сложившегося в обществе.

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

Основные особенности прогнозирования

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

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

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

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

Когда нужно и когда не нужно прогнозирование спроса?

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

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

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

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

Методы прогнозирования спроса

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

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

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

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

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

Значение прогнозирования спроса

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

Прогнозирование спроса возможно, если известны примерное количество потребителей и примерные нормы расхода товаров на каждого потребителя в определенный период времени. Ориентировочная потребность в товарах будет равна норме расхода товара, умноженной на количество потребителей. Затем при помощи различных методов ориентировочную потребность корректируют, учитывая возможное влияние экономической ситуации, сезонность сбыта, возможное сокращение или увеличение количества потребителей и т. п. Модель спроса обычно включает в себя представление среднего значения спроса, а также уровней постоянно растущего, циклического, ускоренно и замедленно растущего спроса и т. д. - и случайных изменений спроса вблизи среднего значения. Данные могут быть получены из самого анализа спроса, как, например, спроса в прошлом, или из внешних источников, включая экономические показатели или внешние оценки. Большинство краткосрочных прогнозов зависит от экстраполяции данных о процессе спроса, хотя сезонные или годовые прогнозы часто используют внешние данные для установления явных величин. Применение метода сглаживания (выборка лучших оценок параметров модели спроса), или коррекции параметров модели дает оценку ожидаемого уровня ¦спроса и ожидаемой величины ошибки, например, в виде среднего абсолютного отклонения или математического ожидания. Процесс спроса меняется во времени, и если модель спроса должна отображать современное состояние спроса, нужно найти способ модификации параметров модели, которые будут отображать эти изменения.
Краткосрочные прогнозы составляют на финансовый год плюс квартал. Они используются в качестве основы для планирования потребности в денежных средствах, товарах и рабочей силе в течение года с разбивкой на полугодовые, квартальные или сезонные. Разработав прогноз сбыта по всем районам рынка, составляют программу заказов и складирования на весь год, чтобы быть готовыми к сезонным увеличениям продаж в каждом районе.
Среднесрочные прогнозы охватывают период от двух до пяти лет и обычно являются экстраполяцией существующих тенденций на будущее с учетом воздействия предполагаемых изменений в конъюнктуре рынка. Прогнозы используются для установления сроков выполнения мероприятий, из которых складывается стратегия сбыта.
Некоторые изготовители пытаются прогнозировать спрос и на более отдаленную перспективу - от 5 до 20 лет. Разработка такого долгосрочного прогноза зависит от компании, срока жизни ее товаров на рынке. Когда наступает время выхода на рынок, изготовители разрабатывают планы маркетинга с учетом накопленного прогностического опыта и исследований.
Прогноз на базе анализа тенденций и циклов учитывает четыре фактора: долгосрочные тенденции роста фирмы, циклические колебания деловой активности, сезонные изменения сбыта и возможные события нерегулярного характера, влияющие на масштабы торговли, - политические события, появление новых конкурентов, технические изменения и т. д.
Прогнозирование методом корреляционного анализа основывается на данных статистики. Выявляют тенденции в развитии экономики, которые могут повлиять на деловую активность компании. Предположим, фирма продает автомобильные запасные части. Увеличение продаж автомобилей, по-видимому, повлечет за собой увеличение сбыта деталей. Для того чтобы выяснить, насколько больше запасных частей будет покупать возросшее количество владельцев автомобилей, определяют, во-первых, степень корреляции между объемом сбыта запасных частей и количеством проданных автомобилей; во-вторых, тот момент, когда увеличение парка машин скажется на объеме сбыта запасных частей; в-третьих, факторы, которые могут влиять на соотношение между увеличением парка машин и объемом сбыта. По возможности выявляют множественную корреляцию. Например, торговцы автомобилями и запасными частями могут обнаружить зависимость между их сбытом и общими расходами населения на транспорт. Эту зависимость можно проследить на примере корреляции между изменениями сбыта и изменениями каждого из остальных факторов за прошлый период.
Прогноз объема сбыта в целом в весовом, объемном или стоимостном выражении выполняется несколькими методами, для того чтобы сравнить полученные результаты и внести необходимые поправки. В торговле получили распространение следующие методы: прогноз на основе прошлого товарооборота, на основе анализа тенденций и циклов, корреляционный анализ. Прогнозирование на основе прошлого товарооборота исходит из того, что объем сбыта в планируемом году будет выше или ниже Товарооборота предыдущего года на ожидаемый процент. Разумеется, этот метод неприемлем при выходе на рынок, когда нет прошлого опыта. Ориентировочный стоимостной прогноз емкости рынка производится обычно путем умножения среднего объема продаж на 1 или 1 тысячу клиентов на количество ожидаемых Потребителей. Средний объем продаж устанавливают на основе собственной статистики, данных конкурентов или товаров!|СОго же поставщика на рынке другой страны. Важно только Определить, какую долю этого объема потребности сможете Удовлетворить вы, а какую у вас отберут конкуренты. Более ручные показатели вы можете получить только из собственной Практики, на основании статистики сбыта.
Специфика некоторых товаров требует прогноза сбыта по каждому наименованию в целях определения сроков и объемов их завоза на склады для обеспечения готовности к сбыту в любой период года. С этой целью решаются задачи прогнозирования спроса по каждому наименованию при помощи математических методов. Проблемы долгосрочного прогнозирования для планирования производства подробно рассматриваются в специальной литературе. Текущее прогнозирование включает прогнозирование величины спроса в интервале между двумя поставками и оценку законов распределения спроса в этом интервале, причем информация о спросе и особенностях его распределения в интервале между поставками должна обновляться, так как без специальной корректировки оказывается недостаточной. Как показал опыт крупных поставщиков, математические методы прогнозирования спроса и расчета запасов в равной степени полезны и в оптовой, и в розничной торговле
Математический подход к прогнозированию покупательского спроса заключается в расчленении его на основные составляющие элементы, среди которых выделяются: развитие спроса как основная тенденция, сезонные колебания спроса и случайные его колебания, для чего используют инструмент математической статистики. Нередко на практике прогнозирование спроса осуществляют только на базе средних значений. Некоторые компании для упрощения расчетов нередко осуществляют краткосрочное прогнозирование на базе значений величин спроса, которые в лучшем случае являются средними и не учитывают элемента неопределенности. Прогнозирование выполняется в зависимости от потребностей, по методу экспоненциального выравнивания.
Такие прогнозы обычно бывают чрезмерно оптимистическими, не учитывают элемента неопределенности и приводят к значительным колебаниям величин запасов. Более реальным является такое прогнозирование, в котором наряду со средним значением (математическим ожиданием) определяется и оценивается возможная ошибка. В связи с этим решаются задачи улучшения прогнозов и стратегии управления запасами с учетом ошибок прогнозирования спроса.
Компания “Renault”, например, при подготовке краткосрочных прогнозов спроса определяет текущий запас необходимых
деталей в сети распределения и сбыта как среднюю величину ожидаемого спроса, путем графической экстраполяции данных прошлого спроса, а страховой запас-как величину, пропорциональную типовому отклонению закона распределения спроса в заданном периоде, учитывающую имевшиеся тенденции колебаний спроса.
Компания установила в результате исследований, что распределение спроса в заданном интервале следует:
Эти закономерности облегчают расчет страхового запаса. По соответствующим этим законам формулам подсчитывается типовое отклонение, которое, будучи умноженным на коэффициент обслуживания, установленный руководством компании (уровень удовлетворения спроса), дает величину страхового запаса.
В долгосрочных прогнозах кроме параметров, характеризующих ожидаемый спрос и его распределение в интервалах между поставками, а также параметров, характеризующих отклонение интервалов поставок, учитываются изменения потребности в зависимости от срока службы машин, применяется корреляция объемов ожидаемого сбыта и планируемых к выпуску количеств новых машин и другие параметры.
Любой прогноз, полученный в результате применения математических методов при помощи компьютеров, требует обязательной корректировки с использованием данных, которые ре могут быть учтены при базировании на величинах прошлого спроса и факторов, не поддающихся программированию. К таким данным относятся социальные и политические события, климатические и экономические условия рынка и т. п. Корректировку Прогнозов осуществляют специалисты по сбыту, знающие конъюнктуру рынка.
При прогнозах спроса на товары следует учитывать следующие факторы. Горизонт прогноза - отчетные периоды, спрос ра которые должен быть учтен при формировании следующего Заказа на пополнение. Время ожидания пополнения и частоту Заказов при определении горизонта прогноза. Учитывать соответствующий горизонт прогноза в формуле, использующей Прошлые показатели спроса. При отдаленном горизонте прогноза назначить удельные веса показателям спроса, зафиксированным в соответствующий рассматриваемому и последующие отчетные периоды прошлого года. Показатели прошлых продаж часто служат хорошим индикатором будущих продаж. Использовать средневзвешенный показатель прошлого спроса для расчета будущего спроса. Назначать удельные веса предыдущим месяцам такие же, как прошлым шести месяцам или постепенно уменьшать веса для нескольких прошлых месяцев.
Принимать во внимание прошлогодние показатели спроса за отчетные периоды, соответствующие предстоящим: использовать разные системы весов для товаров сезонного и несезонного спроса; использовать разные системы весов для товаров с различающейся динамикой потребления.
Если товары со склада поставляются в прочие подразделения, следует аккумулировать для него спрос принимающих подразделений.
Анализировать прошлые показатели спроса с целью выявления типичных: спрос за только что окончившийся отчетный период превышает в X раз (например, в 3 раза) прогноз; спрос за только что окончившийся период на Y% (например, на 20%) меньше прогноза.
Контроль тенденций - изменения реализации, вызванные экономическими переменами, сменой покупательских предпочтений или сезонными факторами. Определять тенденции по изменениям показателей реализации за несколько прошлых месяцев (в штуках, а не в денежном выражении). Рассчитывать коэффициенты тенденции для товара или для товарной группы по каждому складу. Не следует рассчитывать коэффициенты тенденции для склада или компании целиком. Даже если сбыт в целом увеличился на 10%, для одних товарных групп он мог вырасти на 30%, а для других - снизиться на 40%. Установить, позволить ли торговому персоналу рассчитывать коэффициенты тенденции и вносить коррективы в случае ожидания роста/сни- жения операций.
Следует регламентировать определение ожидаемых изменений потребления, не отраженных в прошлых показателях: установить, кто должен делать экспертные оценки (т. е. торговый персонал или покупатели); определить, как учитывать эти оценки в прогнозе и при закупках; установить, как отслеживать точность этих оценок; решить, поощрять ли покупателей и/или торговый персонал за предоставление точных прогнозов.

• Почему прогнозы спроса оказываются неточными
• Как выстроила процесс прогнозирования спроса компания Nestle

Руководители розничных и дистрибьюторских компаний часто не удовлетворены объемом продаж, а также избытком или дефицитом товарных позиций. Отправная точка для изменения ситуации – прогнозирование спроса. Чем прогноз точнее, тем меньше будет на складе запасов непродаваемых товаров, востребованные же всегда будут в наличии. Кроме того, компания сможет вовремя вводить в ассортимент новые товары и убирать устаревшие, устанавливать конкурентоспособные розничные цены и оптимизировать цепочку поставки. 


Как формируется прогноз спроса 


Все данные о фактических продажах, проведенных и планируемых маркетинговых акциях, изменениях розничных цен и других событиях нужно проанализировать. Самый простой инструмент для этого – программа Excel. Тем самым компания получит статистические прогнозы спроса. Далее их выборочно корректирует аналитик и передает на согласование соответствующим подразделениям: отделам продаж, закупок, маркетинга и др. Итоговый прогноз утверждает руководство компании.


Формирование прозноза спроса

e&g t;

Почему появляются неточные прогнозы
 спроса

Прогнозы компании оказываются неточными по четырем причинам:

• вариативность спроса;
• субъективность корректировок;
• неопытность аналитиков;
• недостаточная функциональность программного обеспечения. 


Вариативность спроса

Например, спрос на сотовые телефоны или одежду чаще всего импульсивен, а значит, неравномерен в разных магазинах – объем продаж зависит от того, насколько умело продвигается товар. Соответственно, при планировании надо учитывать, какие рекламные акции будет проводить магазин, и корректировать прогноз в зависимости от ожидаемых результатов. Иное дело хлеб – этот товар пользуется спросом в любой ситуации. Поэтому достаточно рассчитать статистический прогноз, корректировки не требуются.


Субъективность корректировок

Нередко в компанию приходит эксперт с большим опытом и «на глаз» определяет спрос. Однако такого рода «экспертные» оценки зачастую ошибочны. Например, в американской компании по продаже электронной техники RadioShack обнаружили, что в 70% случаев прогноз, скорректированный специалистом, оказывается менее точным, чем статистический прогноз, полученный на основе средних значений еженедельных продаж за последние пять недель (так называемый прогноз по скользящим средним). 


Кроме того, разные подразделения, которые корректируют прогнозы, часто действуют несогласованно или намеренно искажают цифры, чтобы затем иметь возможность переложить ответственность друг на друга. Классический пример – противоборство отделов продаж и закупок. Первые утверждают, что низкие продажи обусловлены отсутствием товара на складе, а вторые заявляют, что не закупают товар, поскольку менеджеры все равно не могут его продать. Соответственно, департамент продаж старается завысить прогноз, а департамент закупок, наоборот, занизить. Это не лучшим образом сказывается на точности прогнозов.


Неопытность аналитиков

По моим наблюдениям, аналитики или специалисты по планированию делают менее точные корректировки, чем категорийные менеджеры, которые отлично знают товар. Кроме того, ошибки в прогнозах нередко возникают по банальной причине, когда аналитик не владеет в должной мере техниками прогнозирования. Как показало исследование компании Fildes & Goodwin, ручные изменения прогнозных значений на небольшие величины не приводят к существенному повышению точности прогноза, а в ряде случаев даже снижают ее. В исследовании участвовали четыре компании, деятельность которых связана с цепочками поставок; они корректировали вручную до 75% своих статистических прогнозов 1 .


Неточность программных инструментов

Существует множество видов спроса. Он может быть устойчивым сезонным, устойчивым несезонным, неустойчивым сезонным, неустойчивым несезонным и прерывистым. Отдельно выделяется спрос на товары с коротким жизненным циклом. Помимо всего этого, на спрос влияет множество внешних событий: маркетинговые акции, изменение розничных цен, смена товарных линеек, активность конкурентов и пр. Сочетания этих событий могут быть как взаимодополняющими, так и взаимоисключающими. Не все программные инструменты способны учитывать эти нюансы при формировании статистических прогнозов, и отсюда следуют неточности.

• Удобное прогнозирование продаж поможет сделать программа автоматизации бизнеса Класс365

Определите природу спроса. Универсального алгоритма, который бы гарантировал точные прогнозы для всех видов товаров, не существует. Но есть важное правило – первым делом нужно понять природу спроса на товар: он импульсивный или естественный? Определив это, вам будет проще подобрать правильные методы для управления продажами. 


Используйте эталонный прогноз спроса. Вопрос, насколько точен статистический прогноз, возникает уже в самом начале процесса прогнозирования. Чтобы понять, эффективны ли меры по корректировке прогноза, необходимо иметь эталонный прогноз для сравнения. Тогда статистический прогноз, допустим, на завтра сравнивается с эталоном. Таким прогнозом может служить скользящее среднее значение, например, за последние семь дней. Вы можете выбрать и другой эталон – главное, руководствоваться следующими принципами: 


• построение эталонного прогноза не должно отнимать много времени;
• алгоритм должен быть очень простым и подходить для всех видов спроса. Например, он должен одинаково стабильно прогнозировать спрос на товары с циклом продаж в одну неделю и на товары с циклом продаж в несколько лет.

Результаты дальнейших корректировок статистического прогноза необходимо сравнивать именно с эталонным. Введение эталонного прогноза изменит процесс предсказания будущего спроса (см. рис. 2 ).


Устанавливайте адекватные цели прогнозирования
 спроса. Вот пример неверно сформулированной цели: точность прогноза должна быть не менее 80% для всех товаров. Правильнее сформулировать цель следующим образом: точность итогового прогноза должна быть выше точности эталонного. Или так: точность итогового прогноза должна быть выше точности используемого на текущий момент.


Казалось бы, в последних формулировках цель выглядит более размытой, но зато она позволяет учитывать особенности спроса на разные товары. Например, в подразделении по продаже мобильных телефонов компании Mobistar долгое время не могли преодолеть планку в 30% по точности прогнозов ввиду редких и импульсивных продаж товаров. Развертывание системы статистического прогнозирования временных рядов позволило повысить точность прогнозов до 50%. Дальнейшее выстраивание процесса согласования итогового прогноза с экспертами из других отделов помогло поднять точность прогнозов до 60%. Текущий уровень точности прогнозов составляет порядка 70%, и этот результат был достигнут за счет повышения качества данных 2 .


Если же цели слабо связаны с реальностью, сотрудники начинают подстраивать прогнозы под имеющиеся данные. Это лишает смысла всю работу по прогнозированию.

Не копируйте цели конкурентов. Часто при прогнозировании спроса розничные сети смотрят на конкурентов. Однако это не всегда оправданно. Цели по точности прогнозов должны учитывать размеры компании, специфику ее процессов, географическое положение, широту ассортимента и т. д. То есть региональной розничной сети небольших или средних размеров не следует ориентироваться на точность прогнозирования федеральной сети из списка топ-10. Вместе с тем у более крупных конкурентов полезно позаимствовать сведения об организации бизнес-процессов и их автоматизации. 


• Категорийный менеджмент в рознице: 3 принципа увеличения продаж

Занимайтесь товарами, которые приносят максимальную прибыль, но показывают самую низкую точность прогнозов продаж. Если Вам удастся хотя бы немного повысить точность прогноза продаж товаров, приносящих основную маржу, Вы получите существенный финансовый эффект за счет сокращения издержек. Если же Вы повысите, пусть даже до 100%, точность прогноза продаж на товары с небольшой выручкой, эффект будет значительно меньше. Если же есть два товара, сопоставимые по выручке, разумнее сосредоточить усилия на повышении точности прогноза продаж того товара, у которого она ниже. Дело в том, что если точность прогноза уже высокая, то ее дальнейшее улучшение потребует несравнимо больших усилий. Если же первоначальная точность прогноза низкая, то ее проще повысить и, значит, проще получить прирост прибыли. 


Контролируйте качество поступающих данных. Использование в качестве отправной точки эталонного прогноза и установка адекватных целей еще не гарантия получения точных итоговых прогнозов. Важно контролировать качество поступающих данных. Например, фактические сведения о реализации могут не отражать действительной картины, поскольку продаж могло не быть не из-за отсутствия спроса, а, например, из-за нехватки товара на складе. В этом случае используйте среднее значение продаж в периоды отсутствия дефицита. Причем не стоит стараться восстанавливать спрос идеально точно – для прогнозирования нет принципиальной разницы, был ли реальный спрос вчера равен пяти или семи единицам товара. Достаточно знать, что в среднем спрос составлял шесть единиц. 


Автоматизируйте процессы, влияющие на спрос. Многие компании не собирают информацию о результатах проведенных маркетинговых акций и не оценивают их эффективность. Они уверены, что любая рекламная кампания увеличивает продажи, но это не так. Аналогично многие не отслеживают историю ценообразования и т. д. Важно выстроить процесс формирования прогноза спроса для каждой товарной группы, а лучше – для каждого товара. И здесь требуется программное обеспечение. Однако, выбирая его, обращайте внимание на возможности для анализа влияния внешних событий на спрос, таких как праздники, различные промоакции, изменение розничных цен и т. д. Откажитесь от ручной корректировки статистического прогноза по тем товарным категориям, по которым экспертное мнение специалиста не дает стабильного улучшения точности итогового прогноза.


Прогнозирование спроса в действии: опыт компании Nestle


В качестве примера расскажу о проекте компании Nestle по построению процесса прогнозирования спроса. Он был выполнен совместно со специалистами компании SAS. Небольшая справка: Nestle производит продукты питания, работает в 469 регионах в 86 странах мира, годовой оборот – 90 млрд швейцарских франков.


В компании особое значение для формирования прогнозов спроса придают категории товаров, именуемой «безумные быки», – это товары одновременно с высоким объемом продаж и вариативностью спроса. К «безумным быкам» можно отнести, например, кофе марки Nescafe. Для этого продукта характерен устойчивый спрос, однако, чтобы объем продаж не падал, постоянно проводят стимулирующие промоакции.


В Nestle пришли к выводу, что использование лишь статистического прогноза, равно как и только экспертного опыта специалиста по планированию, не дает должных результатов. Руководство поставило задачу выстроить пошаговый процесс формирования прогноза спроса, чтобы повысить его точность. Действовали следующим образом:


1. Сформировали эталонный прогноз – он был получен при помощи метода усреднения значений продаж.


2. Создали статистический прогноз, затем аналитик скорректировал данные, передал на рассмотрение другим отделам. Те внесли корректировки, вернули прогноз, руководитель утвердил. Кстати, точность прогноза рассчитывалась по следующей формуле: 
Точность прогноза спроса = 1 – |Прогноз – Факт| : Прогноз.


Компания Nestle не открывает точных цифр, поэтому рассмотрим условный пример. Допустим, сегодня 22-е число. Прогноз спроса, сделанный 20-го числа на 21-е, равен 10 единицам товара (банки кофе Nescafe). Фактические продажи за 21-е число составили 8 единиц. Точность прогноза, согласно формуле, которую используют в компании Nestle, составит 80% (1 – |10 – 8| : 10). 


3. Чтобы достичь высокой точности прогноза спроса, были сформулированы гипотезы возможных событий, которые могут повлиять на спрос: праздники, перенос выходных дней, структурные сдвиги продаж (например, обусловленные кризисом), промоакции. Эксперты оценивали влияние каждой гипотезы на спрос и затем сравнивали с эталоном. Если это повышало точность прогнозов, гипотезу учитывали в процессе прогнозирования.

Приведу условный пример (к сожалению, специалисты компании Nestle не предоставили точных данных, что именно они делали в рамках процесса экспертной корректировки). В компании узнали, что конкурент неожиданно снизил цены на 1%. Опыт эксперта показывает, что такие действия приведут к падению продаж на 3%. Значит, необходимо уменьшить величину прогноза на эти 3%.


Вернемся к опыту компании Nestle. Первоначально сформированный статистический прогноз спроса для «безумных быков» показал точность 55,2%. Затем его подвергли процессу экспертной корректировки, что повысило точность итогового прогноза до 82,4%. Кроме того, компания повысила точность прогнозов и по другим категориям товаров. Все это позволило высвободить время маркетологов и специалистов по планированию. Они стали уделять больше внимания стабильно прибыльным товарам, сконцентрировав свои усилия на сложной продукции (для поддержания высокого спроса на которую требуются постоянные рекламные акции и пр.). Работа с товарами с низкими продажами ведется по остаточному принципу.

Формирование прогноза спроса

1.	Данные	Сведения о продажах, остатках, поставках, прочих движениях, а также о маркетинговых акциях и других внешних событиях.
2.	Инструмент	Программа, с помощью которой можно сформировать статистический прогноз спроса (в нашем случае Excel)
3.	Статистический прогноз	Прогноз, сформированный при помощи инструмента прогнозирования спроса
4.	Скорректированный прогноз	Ручная корректировка статистического прогноза аналитиоки или специалистом по планированию
5.	Согласованный прогноз	Ручная корректировка и согласование итогового прогноза между департаментами (продажи, маркетинга и пр.)
6.	Утвержденный прогноз	Утверждение итогового прогноза ответственным менеджером и передача отделам для выполнения.

Сегмент	Точность статистического прогноза спроса, %	Точность прогноза после корректировки экспертами, %
«Лошади» - товары с высокими продажами и низкой вариативность	92,1	92,7
«Зайцы» - товары с низкими продажами и высокой вариативностью	56,3	55,5
«Безумные быки» - товары с высокими продажами и высокой вариативностью, например кофе марки Nescafe	55,2	82,4
«Мулы» - товары с низкими продажами и низкой вариантивностью	90,9	91,2

В каждой компании свои примеры, Nestle раскрывает информацию только для сегмента «безумные быки» – напиток Nescafe. Эта таблица дает директорам повод задуматься и попытаться составить аналогичную для своего ассортимента. Ведь Nescafe в «Пятерочке» может оказаться совсем в другой категории, нежели Nescafe в «Азбуке Вкуса».

Копирование материала без согласования допустимо при наличии dofollow-ссылки на эту страницу