Полная версия

Главная arrow Логистика arrow Управление запасами в цепях поставок

  • Увеличить шрифт
  • Уменьшить шрифт


<<   СОДЕРЖАНИЕ ПОСМОТРЕТЬ ОРИГИНАЛ   >>

ТЕХНИКА ПРОГНОЗИРОВАНИЯ ПОТРЕБНОСТИ В ЗАПАСЕ

Прогнозирование будущего потребления запаса основывается на двух принципиально различных подходах: количественном и качественном.

Количественный подход к оценке будущей потребности в запасе строится либо на основе временных рядов накопленной за прошлые периоды времени статистики потребления, либо на основе статистических данных изменения фактической величины спроса. В п. 6.1 приведены основные методы количественного прогнозирования потребности в запасе, использующие в качестве исходной информации статистические данные прошлых периодов.

Качественный подход к прогнозированию потребности опирается на экспертные оценки специалистов. Особенности этого подхода рассмотрены в подп. 6.2.2.

Комбинация количественного и качественного подходов к прогнозированию потребности в запасе позволяет говорить о комбинированном подходе к прогнозированию спроса, который описан в п. 6.3. Общая карта имеющихся методов прогнозирования потребности в запасе представлена на рис. 6.1.

Прогнозирование потребности в запасе на основе статистических данных

Прогнозирование потребности в запасе на основе статистических данных составляет количественный подход к прогнозированию. По группам используемых методов количественное прогнозирование можно разделить на два класса.

  • 1. Прогнозирование потребности по временным рядам (см. подп. 6.1.1).
  • 2. Прогнозирование по индикаторам (см. подп. 6.1.2).

Оба класса в качестве исходной информации используют накопленные за прошлые периоды данные об отгрузках (продажах, товарообороте или объеме потребности) запаса.

Прогнозирование потребности по временным рядам

Временной ряд {time series) представляет собой упорядоченные во времени наблюдения. Такие наблюдения производятся через равные интервалы времени и фиксируют объемы отгрузок запаса

Методы прогнозирования потребности в запасе в ответ на заявленный спрос на товарно-материальные ценности запаса

Рис. 6.1. Методы прогнозирования потребности в запасе в ответ на заявленный спрос на товарно-материальные ценности запаса. Элементы анализа временных рядов потребления запаса представлены в примере 3.1 (см. рис. 3.3, 3.10).

На основе анализа временных рядов можно строить прогнозы потребления на будущие периоды. Для этого достаточно построить график динамики отгрузок и внимательно его изучить. Во временном ряде потребности выделим следующие составляющие:

a) относительно равномерный спрос;

b) сезонная потребность;

c) тенденции изменения спроса;

d) циклические колебания спроса;

e) наличие эффекта стимулирования продаж;

f) случайные факторы колебания спроса.

а. Относительно равномерный спрос

Относительно равномерный (или базовый) спрос характерен для регулярно потребляемых запасов, не имеющих сезонных периодов потребления. Относительно равномерный спрос типичен для запаса основных материалов производственных предприятий. Для прогнозирования потребности в запасах, характеризуемых временными рядами отгрузок равномерного характера, можно использовать методы наивного прогноза и группу методов прогнозирования по среднему значению (простой средней, скользящей средней, взвешенной скользящей средней), а также метод экспоненциального сглаживания (см. рис. 6.1).

На примере потребления запаса за два года (табл. 6.1) проиллюстрируем простейшие методы прогнозирования, а именно:

  • 1) наивный прогноз;
  • 2) прогнозирование по средним значениям;
  • 3) метод экспоненциального сглаживания.
  • (1) Наивный прогноз является самой простой методикой прогнозирования. Она основывается на предположении о том, что прогнозируемое потребление будущего периода равно потреблению предшествующего периода.

Пример 6.1. Наивный прогноз потребности в запасе

Пример наивного прогноза потребности в запасе по текущему году представлен в табл. 6.2 и на рис. 6.2. Результаты прогнозирования демонстрируют отставание прогнозных значений от фактических.

Может показаться, что наивное прогнозирование является чрезмерно упрощенным методом. В то же время необходимо отметить

Временной ряд отгрузок товара со склада

Месяц

Фактические

отгрузки

Месяц

Фактические

отгрузки

Предыдущий год

Текущий год

Январь

20 232

Январь

17 244

Февраль

40 446

Февраль

57187

Март

61 633

Март

48 504

Апрель

65 989

Апрель

58 647

Май

55 498

Май

45 477

Июнь

25 189

Июнь

23 833

Июль

35 613

Июль

21 730

Август

114 141

Август

65 289

Сентябрь

81 257

Сентябрь

46 663

Октябрь

63 549

Октябрь

45 344

Ноябрь

40 105

Ноябрь

31 497

Декабрь

25 747

Декабрь

13714

Таблица 6.2

Пример наивного прогнозирования потребления запаса в предыдущем году

Месяц

Фактические отгрузки

Наивный прогноз

Январь

17 244

-

Февраль

57 187

17 244

Март

48 504

57 187

Апрель

58 647

48 504

Май

45 477

58 647

Июнь

23 833

45 477

Июль

21 730

23 833

Август

65 289

21 730

Сентябрь

46 663

65 289

Октябрь

45 344

46 663

Ноябрь

31 497

45 344

Декабрь

13714

31 497

и сильные стороны такого приема. Для проведения наивного прогноза не требуется наличия накопленной статистической базы. Наивный прогноз позволяет работать и при ее отсутствии. Наивный прогноз понятен, прост в подготовке, быстр в реализации, не требует фактически никаких затрат. Основным недостатком наивного прогнозирования является низкая точность прогноза, как, например, в случае на рис. 6.2.

Результаты наивного прогнозирования потребности в запасе

Рис. 6.2. Результаты наивного прогнозирования потребности в запасе

Другие методы прогнозирования, которые будут рассмотрены в данном разделе, могут дать более точные результаты, чем метод наивного прогнозирования, но, являясь более сложными, могут потребовать и более высоких затрат на их применение. Поэтому по критерию соотношения затрат на реализацию и точности прогнозирования менеджеры должны определиться, какой метод прогнозирования им следует применять. Вполне возможно, что таким методом окажется метод наивного прогноза.

(2) Прогнозирование по средним значениям. В случае если временной ряд имеет интервал наблюдений в один месяц, повысить точность наивного прогноза позволяет (а) метод прогнозирования по простой средней величине потребления с учетом числа рабочих дней в месяце.

Пример 6.2. Прогнозирование среднедневного потребления

Число рабочих дней по месяцам предыдущего года представлено в столбце 3 табл. 6.3.

Динамика фактических отгрузок по месяцам (см. столбец 2 табл. 6.3) приведена на рис. 6.3. Динамика среднедневного потребления запаса по месяцам (см. столбец 4 табл. 6.3) представлена на рис. 6.4.

Сравним рис. 6.3 с рис. 6.4. Учет числа рабочих дней позволяет более точно отразить фактические отгрузки. Так, например, рост потребности в январе — феврале по месячным оценкам составил приблизительно 2,3 раза (57187 - 17244) / 17244, а по среднедневным оценкам — приблизительно 1,7 раза (2859 - 1078) / 1078. Учет меньПрогноз потребления предыдущего года на основе среднедневного потребления

Месяц

Фактические отгрузки за месяц

Число

рабочих

дней

Среднее потребление в день

Прогноз

среднедневного

потребления

Прогноз

месячного

потребления

Январь

17 244

16

1078

0

0

Февраль

57 187

20

2860

1078

21 560

Март

48 504

21

2310

2860

60 060

Апрель

58 647

21

2793

2310

48 510

Май

45 477

20

2274

2793

55 860

Июнь

23 833

22

1084

2274

50 028

Июль

21 730

20

1087

1084

21 680

Август

65 289

23

2839

1087

25 001

Сентябрь

46 663

22

2122

2839

62 458

Октябрь

45 344

21

2160

2122

44 562

Ноябрь

31 497

21

1500

2160

45 360

Декабрь

13714

21

654

1500

31 500

Динамика фактических отгрузок товара по месяцам

Рис. 6.3. Динамика фактических отгрузок товара по месяцам

шего количества рабочих дней в январе по сравнению с февралем позволяет более точно определить реальное положение вещей.

Для расчета среднедневного потребления, например, в январе требуется разделить фактические отгрузки в январе на количество рабочих дней месяца:

Динамика среднедневного потребления запаса по месяцам

Рис. 6.4. Динамика среднедневного потребления запаса по месяцам

При получении дробной величины среднедневного потребления округление производится в большую сторону, чтобы исключить нехватку запаса при обеспечении потребности.

В феврале среднедневная потребность составит

Прогноз среднедневного потребления делается на основе расчета среднедневного потребления в предыдущем месяце. Для февраля прогноз среднедневного потребления составит 1078 единиц (см. табл. 6.3 и формулу (6.1)), для марта — 2860 единиц (см. формулу (6.2)) и т.д.

Прогноз месячного потребления (см. столбец 6 табл. 6.3) рассчитывается как произведение прогноза среднедневного потребления на количество рабочих дней в соответствующем месяце. Например, для февраля прогноз среднемесячного потребления составит

Иллюстрация результатов прогнозирования по средней величине потребления с учетом количества рабочих дней месяцев в сравнении с результатами наивного прогноза приведена на рис. 6.5. Как видно из рисунка, прогноз потребления с учетом числа рабочих дней по месяцам приводит в абсолютном большинстве случаев к более точному результату, что наивный прогноз.

Еще одним методом прогнозирования, относящимся к прогнозированию по средним значениям, является (б) прогноз на основе скользящего среднего значения потребления запаса.

Метод скользящей средней при составлении прогноза использует значение средней арифметической величины потребления за последние периоды наблюдений. Скользящая средняя рассчитывается по следующей формуле:

Результаты прогнозирования потребности в запасе на основе среднедневного потребления

Рис. 6.5. Результаты прогнозирования потребности в запасе на основе среднедневного потребления

где Pj — прогнозируемый объем потребности в периоде времени у, единиц; i — индекс предыдущего периода времени; Р. — объем потребления в предыдущем периоде времени /; п — число периодов, используемых в расчете скользящей средней.

Для составления прогноза по скользящей средней требуется определить число периодов наблюдений п, которые будут использоваться в расчете. При этом следует учитывать особенности имеющегося временного ряда. Чем большее число точек наблюдения берется в расчет, тем скользящая средняя менее чувствительна к изменениям значений потребления в прошлые периоды. Если изменение наблюдений имеет ступенчатый характер, то следует обеспечить высокую чувствительность прогноза к каждому наблюдению. Здесь следует применить возможно меньшее число наблюдений.

Пример 6.3. Прогнозирование по скользящей средней

В примере, который разбирается в данном разделе (см. табл. 6.3 и рис. 6.5), колебания спроса в течение первой половины года не длятся более 2 месяцев. Во второй половине года имеются более длительные тенденции (до 4 месяцев в конце года). Игнорируя пока характер сезонных колебаний и тенденции рассматриваемого примера, выберем в качества интервала расчета скользящей средней 2 месяца. Результат расчет прогноза по скользящей средней с учетом количества рабочих дней в месяцах приведен в табл. 6.4.

Таблица 6.4

Расчет прогнозного значения потребления запаса по скользящей средней

Месяц

Фактические отгрузки за месяц

Число

рабочих

дней

Среднее потребление в день

Прогноз

среднедневной

потребности

Прогноз

месячной

потребности

Январь

17 244

16

1078

-

-

Февраль

57187

20

2859

-

-

Март

48 504

21

2310

1969

41 349

Апрель

58 647

21

2793

2585

54 285

Май

45 477

20

2274

2552

51 040

Июнь

23 833

22

1083

2534

55 748

Июль

21 730

20

1087

1679

33 580

Август

65 289

23

2839

1086

24 978

Сентябрь

46 663

22

2121

1963

43 186

Октябрь

45 344

21

2159

2481

52 101

Ноябрь

31 497

21

1500

2141

44 961

Декабрь

13714

21

653

1830

38 430

Для получения прогноза среднедневной потребности (см. столбец 5 табл. 6.4), например, в марте следует использовать статистику фактических среднедневных отгрузок в январе и феврале (см. столбец 4 табл. 6.4):

Для прогнозирования среднедневной потребности в апреле (см. столбец 5 табл. 6.4) требуется использовать статистику фактических среднедневных отгрузок в феврале и марте (см. столбец 4 табл. 6.4):

Округление полученной средней величины потребления ведется до целого числа в большую сторону для обеспечения гарантии покрытия потребности запасом. Для получения прогноза месячной потребности (см. столбец 6 табл. 6.4), например, в марте требуется прогноз среднедневного потребления в марте (см. столбец 5 табл. 6.4) умножить на число рабочих дней в этом месяце (см. столбец 3 табл. 6.4 и формулу (6.4)):

Иллюстрация результатов прогнозирования по скользящей средней с учетом количества рабочих дней в месяцах приведена на рис. 6.6.

Преимущество прогнозирования по скользящей средней состоит в простоте метода. Основным недостатком является то, что значимость значений прошлых периодов при прогнозировании будущей потребности одинакова. Например, если в расчете скользящей средней используется 6 значений, то значимость каждого значения равна */6. Между тем очевидно, что значимость статистики последнего из предшествующих периодов более велика, чем предыдущих.

Для учета важности отдельных периодов наблюдений используют (в) метод взвешенной скользящей средней. В этом методе каждому используемому в расчете скользящей средней периоду присваивается коэффициент, отражающий значимость влияния этого периода на прогнозное значение потребления. Значимость более поздних периодов должна быть выше, чем значимость более ранних периодов. Например, из 6 периодов расчета скользящей средней последнему может быть присвоен удельный вес 5, предыдущему — 4; далее 3, 2, 1 и 1. В общем виде взвешенная скользящая средняя рассчитывается следующим образом: Результаты прогнозирования потребности в запасе методом скользящей средней где Pj — прогнозируемый объем потребности в периоде времениJ, единиц; i — индекс предыдущего периода времени

Рис. 6.6. Результаты прогнозирования потребности в запасе методом скользящей средней где Pj — прогнозируемый объем потребности в периоде времениJ, единиц; i — индекс предыдущего периода времени; ^.— коэффициент значимости периода времени /; Р. — объем потребления в предыдущем периоде времени /, единиц; п — число используемых в расчете предыдущих периодов времени.

Пример 6.4. Прогнозирование потребности в запасе по взвешенной скользящей средней

Для данных табл. 6.4 выберем коэффициенты значимости прошлых периодов при прогнозировании потребности будущего периода. Для последнего периода коэффициент значимости принимается равным 5, для предпоследнего — 1. Расчет взвешенной скользящей средней приведен в табл. 6.5.

Таблица 6.5

Расчет прогноза потребления запаса по взвешенной скользящей средней

Месяц

Фактические отгрузки за месяц

Число

рабочих

дней

Среднее потребление в день

Прогноз

среднедневной

потребности

Прогноз

месячной

потребности

Январь

17 244

16

1078

0

0

Февраль

57 187

20

2859

0

0

Март

48 504

21

2310

2563

53 823

Апрель

58 647

21

2793

2402

50 442

Май

45 477

20

2274

2713

54 260

Июнь

23 833

22

1083

2361

51 942

Июль

21 730

20

1087

1283

25 660

Август

65 289

23

2839

1087

25 001

Сентябрь

46 663

22

2121

2547

56 034

Октябрь

45 344

21

2159

2242

47 082

Ноябрь

31 497

21

1500

2154

45 234

Декабрь

13 714

21

653

1610

33 810

Для расчета прогноза среднедневного потребления запаса (см. столбец 5 табл. 6.5), например, в марте требуется статистика фактических среднедневных отгрузок (см. столбец 2 табл. 6.5) за январь и февраль:

Округление произведено в большую сторону для гарантии обеспечения потребности запасом. Для получения прогноза месячной потребности в марте (см. столбец 6 табл. 6.5) надо прогноз среднесуточной потребности в марте (см. столбец 5 табл. 6.5) умножить на количество рабочих дней в этом месяце (см. столбец 3 табл. 6.5):

2563 • 21 = 53823.

Иллюстрация результатов прогнозирования потребности в запасе на основе взвешенной скользящей средней (см. табл. 6.5) приведена на рис. 6.7.

В целом прогнозирование по взвешенной скользящей средней дает более точные результаты, чем по простой скользящей средней. Главное преимущество взвешивания состоит в том, что в прогнозируемой величине в большей степени учитываются последние значения потребности. Определенную проблему представляет собой подбор коэффициентов значимости. Они, как правило, определяются экспертно и проверяются экспериментально, т.е. путем проб и ошибок.

Более сложный метод прогнозирования на основе расчета взвешенного среднего — это метод экспоненциального сглаживания (см. рис. 6.1). В этом методе каждый новый прогноз основан на учете значения предыдущего прогноза и его отклонения от фактического значения. Прогнозное значение по методу экспоненциального сглаживания определяется следующим образом:

Результаты прогнозирования потребности в запасе методом взвешенной скользящей средней

Рис. 6.7. Результаты прогнозирования потребности в запасе методом взвешенной скользящей средней

Прогнозное значение = Значение предыдущего прогноза +

+ а • (Фактическая потребность — Значение предыдущего

прогноза),

или

где Р. — прогнозируемый объем потребности в периоде времени j, единиц; Р._х — прогнозируемый объем потребности в периоде времени (/—1), единиц; а — константа сглаживания; F. { — фактическая потребность в периоде (/—1), единиц.

Константа сглаживания а определяет чувствительность прогноза к ошибке. Чем ближе ее значение к нулю, тем медленнее прогноз будет реагировать на ошибки, тем, следовательно, будет выше степень сглаживания прогноза. Напротив, чем ближе значение сглаживающей константы к единице, тем выше чувствительность и меньше сглаживание. Подбор значения константы сглаживания проводится экспериментально. Цель такого подбора состоит в том, чтобы определить такое значение а, чтобы, с одной стороны, прогноз был чувствителен к изменениям временного ряда, а с другой стороны, хорошо сглаживал скачки потребления, вызванные случайными факторами.

Пример 6.5. Прогнозирование потребности в запасе методом экспоненциального сглаживания

Пример расчета прогноза при константе сглаживания, равной 0,2 и 0,8, приведен в табл. 6.6.

Для расчета ожидаемого потребления запаса в апреле использован прогноз отгрузки в марте по взвешенной скользящей средней (см. табл. 6.5 и столбцы 5 и 7 табл. 6.6). Величина прогнозного значения дневной потребности в запасе в апреле рассчитывается при значениях константы сглаживания а = 0,2 или а = 0,8 следующим образом:

и

Для мая расчет проводится следующим образом: и

Расчет прогноза потребления запаса по методу экспоненциального сглаживания

Таблица 6.6

Месяц

Фактические

отгрузки

Число

рабочих

дней

Среднее потребление в день

Прогноз среднедневной потребности при а = 0,2

Прогноз месячной потребности при а = 0,2

Прогноз дневной потребности при а = 0,8

Прогноз месячной потребности при а = 0,8

Январь

17 244

16

1078

0

0

0

0

Февраль

57 187

20

2859

0

0

0

0

Март

48 504

21

2310

2563

53 823

2563

53 823

Апрель

58 647

21

2793

2513

52 773

2361

49 581

Май

45 477

20

2274

2569

51 380

2737

54 740

Июнь

23 833

22

1083

2510

55 220

2367

52 074

Июль

21 730

20

1087

2225

44 500

1341

26 820

Август

65 289

23

2839

1998

45 954

1138

26 174

Сентябрь

46 663

22

2121

2167

47 674

2499

54 978

Октябрь

45 344

21

2159

2158

45 318

2198

46 158

Ноябрь

31 497

21

1500

2159

45 339

2168

45 528

Декабрь

13714

21

653

2028

42 588

1634

34 314

Округления полученных значений проводятся до ближайшего большего целого числа. Для получения прогноза месячной потребности (см. столбцы 6 и 8 табл. 6.6) следует умножить прогноз среднедневного потребления (см. столбцы 5 и 7 табл. 6.6) на количество рабочих дней соответствующего месяца (см. столбец 3 табл. 6.6):

для апреля (см. формулы (6.7) и (6.8)):

2513-21 = 52 773 и 2361 -21 =49 581;

для мая (см. формулы (6.9) и (6.10)):

2569 • 20 = 51 380 и 2737 • 20 = 54 740.

Для выявления, при каком значении константы сглаживания (а — 0,2 или а — 0,8) прогноз в табл. 6.6 (см. также рис. 6.8) имеет более высокую точность, следует провести оценку точности прогноза. Методы оценки точности прогноза приведены в подп. 6.4.1.

В практике часто встречаются случаи, когда запас отгружается неравномерно. В неравномерности могут присутствовать сразу несколько составляющих. Разберем их последовательно.

Ь. Наличие сезонного спроса

Спрос является сезонным, если в нем имеются краткосрочные (менее года) регулярные изменения, связанные с погодой или с

Результаты прогнозирования потребности в запасе методом экспоненциального сглаживания определенными календарными периодами

Рис. 6.8. Результаты прогнозирования потребности в запасе методом экспоненциального сглаживания определенными календарными периодами (время отпусков, праздники, времена года и пр.). Сезонный спрос проявляется в периодическом увеличении или уменьшении спроса в течение года.

В примере 6.1 (см. табл. 6.1) характерна явно выраженная сезонная тенденция спроса: пик отгрузок приходятся на март—апрель и сентябрь—октябрь двух следующих друг за другом лет (рис. 6.9). Соответственно, в январе—феврале и в июле—августе наблюдаются относительное повышение спроса, а в мае—июне и в ноябре—декабре — спады.

Для прогнозирования такого явно выраженного сезонного спроса требуется использовать статистику отгрузок соответствующих периодов прошлых лет.

Пример 6.6. Прогнозирование сезонной потребности в запасе

Проиллюстрируем возможности прогнозирования сезонного спроса в периоде роста и спада спроса, используя данные примера 6.1. Данные табл. 6.1 содержат временные ряды фактических отгрузок за три года: текущий год, предыдущий год и год, предшествующий предыдущему. Текущий год имеет как данные по фактической отгрузке запаса, так и данные прогнозных оценок отгрузки. Прогноз потребления запаса в текущем году выполнен на основе вывода о наличии сезонного спроса на товар (см. рис. 6.9). Расчет проводился по методу взвешенной скользящей средней по данным двух предшествующих лет. Результаты расчетов приведены в табл. 6.7.

Для получения прогноза среднедневной потребности (см. столбец 13 табл. 6.7), например, в январе текущего года были использованы коэффициенты значимости предыдущего года в раз-

Динамика отгрузок запаса товара за два года

Рис. 6.9. Динамика отгрузок запаса товара за два года

Результаты прогнозирования сезонной потребности в запасе по взвешенной скользящей средней

Таблица 6.7

Год, предшествующий предыдущему

Предыдущий год

Текущий год

Месяц

Факти

ческие

отгруз

ки

Число

рабочих

дней

Сред

неднев

ное

потреб

ление

Месяц

Факти

ческие

отгруз

ки

Число

рабочих

дней

Сред

неднев

ное

потреб

ление

Месяц

Факти

ческие

отгруз

ки

Число

рабочих

дней

Сред

неднев

ное

потреб

ление

Прогноз

сред

неднев

ной

потреб

ности

Прогноз

месяч

ной

потреб

ности

Январь

28 163

15

1878

Январь

20 232

15

1265

Январь

17 244

16

1078

1368

21 888

Февраль

56 795

20

2840

Февраль

40 446

20

2023

Февраль

57 187

20

2860

2160

43 200

Март

48 140

20

2407

Март

61 633

22

2935

Март

48 504

21

2310

2847

59 787

Апрель

54 986

21

2619

Апрель

65 989

22

3143

Апрель

58 647

21

2793

3056

64 176

Май

41 216

18

2290

Май

55 498

18

2775

Май

45 477

20

2274

2695

53 900

Июнь

58 916

20

2946

Июнь

25 189

22

1145

Июнь

23 833

22

1084

1446

31 812

Июль

4442

22

202

июль

35 613

22

1781

Июль

21 730

20

1087

1518

30 360

Август

94 425

21

4497

Август

114 141

22

4963

Август

65 289

23

2839

4886

112 378

Сентябрь

90 370

22

4108

Сентябрь

81 257

21

3694

Сентябрь

46 663

22

2122

3763

82 786

Октябрь

54 449

23

2368

Октябрь

63 549

20

3027

Октябрь

45 344

21

2160

2918

61 278

Ноябрь

30 609

19

1611

Ноябрь

40 105

21

1910

Ноябрь

31 497

21

1500

1861

39 081

Декабрь

11 697

22

532

Декабрь

25 747

23

1227

декабрь

13714

21

654

1021

21 451

мере 5 и года, предшествующего предыдущему, — 1. Прогноз среднедневной потребности был рассчитан следующим образом:

или

(1265 • 5 + 1878 • 1) / 6 = 1367, 17 - 1368,

где коэффициент значимости года, предшествующего предыдущему, равен 1, а коэффициент значимости предыдущего года равен 5.

Прогноз месячной потребности (см. столбец 14 табл. 6.7) определяется как произведение прогноза среднедневной потребности (столбец 13 табл. 6.7) на число рабочих дней в соответствующем месяце прогнозируемого года (столбец 11 табл. 6.7):

1368- 16 = 21 888.

На рис. 6.10 приведена иллюстрация результатов прогнозирования сезонной потребности (см. столбец 14 табл. 6.7). Прогнозирование выявленной сезонной потребности дает лучший результат по сравнению с прогнозированием методом наивного прогноза (см. рис. 6.2), простой средней (см. рис. 6.5), скользящей средней (см. рис. 6.6), взвешенной скользящей средней (см. рис. 6.7) и методом экспоненциального сглаживания (см. рис. 6.8).

с. Тенденции изменения спроса

Кроме сезонной потребности во временном ряде могут прослеживаться и иные тенденции изменения спроса краткосрочного (менее одного года) и долгосрочного (более одного года) характера. Тенденции изменения спроса краткосрочного характера могут иметь сезонную повторяемость из года в год. При отсутствии сезонных особенностей (например, в условиях, когда статистическая база поведения запаса еще не накоплена) принципиальной разницы работы с краткосрочными и долгосрочными тенденциями нет.

Результаты прогнозирования сезонной потребности в запасе методом взвешенной скользящей средней

Рис. 6.10. Результаты прогнозирования сезонной потребности в запасе методом взвешенной скользящей средней

Наиболее типичные тенденции изменения спроса представлены на рис. 6.11. Имеются линейные положительные тенденции спроса, соответствующие росту объема потребности в запасе в течение нескольких лет (рис. 6.11а); линейные отрицательные тенденции спроса, соответствующие падению объема потребности в запасе в течение нескольких лет (рис. 6.116). Кроме линейных тенденций могут иметься параболические тенденции (рис. 6.11 в, г), а также экспоненциальные, гиперболические и другие тенденции спроса.

Процесс прогнозирования потребности в запасе для временных рядов, имеющих долгосрочные тенденции, проводится в несколько этапов (рис. 6.12).

  • 1. Фильтрация значений статистического ряда.
  • 2. Выбор вида уравнения тренда.
  • 3. Прогнозирование объема потребления.
  • 4. Оценка точности прогноза (см. п. 6.4).

Фильтрация значений статистического ряда проводится для повышения надежности прогнозирования будущей потребности. В статистическом ряде могут иметься сведения о необычно больших или необычно малых объемах отгрузок (продаж, товарооборота) запаса в некотором периоде времени. Возможно, рост объема продаж был следствием уникальной ситуации на рынке, связан-

Временные тенденции изменения спроса

Рис. 6.11. Временные тенденции изменения спроса

ной, например, с временным отсутствием на рынке конкурента, проводящего техническое переоборудование своего производства, либо с временно образовавшимся у конкурентов дефицитом данного продукта в связи с погодными условиями. Малый объем продаж может быть связан с вынужденной приостановкой деятельности по решению органов надзора и пр. Необычно большие или

Процесс прогнозирования потребления запаса при наличии долгосрочной тенденции

Рис. 6.12. Процесс прогнозирования потребления запаса при наличии долгосрочной тенденции

малые объемы потребления запаса в прошедших периодах могут носить и просто случайный характер. При этом надо иметь в виду, что начало работы с новым партнером или потеря крупного клиента, вызвавшие изменение фактических объемов отгрузок запаса в прошлых периодах, должны быть учтены при составлении прогноза будущей потребности в запасе.

Таким образом, статистический ряд до начала его использования при составлении прогноза нуждается в фильтрации нетиповых, случайных, единичных данных, которые не предполагаются к повторению в будущие периоды. Такая фильтрация может быть проведена статистически или экспертно.

Если статистический ряд отражает многочисленные отгрузки больших объемов товарно-материальных ценностей может быть удобным и полезным использование статистического фильтра. В качестве фильтра могут быть заданы максимальная и минимальная границы значений фактических отгрузок статистического ряда, которые будут использоваться в дальнейших расчетах.

Пример 6.7. Фильтрация значений статистического ряда отгрузок запаса в звене цепей поставок

На рис. 6.13 приведен пример статистического ряда отгрузок запаса товара по дням 2005 г., в котором отражены единичные всплески объемов потребления запаса. Средний объем отгрузок в день составляет 4534 единицы при стандартном отклонении отгрузок — 5380 единиц.

В качестве возможной максимальной границы учитываемых значений статистического ряда был выбран объем отгрузок

Пример статистического ряда с единичными высокими объемами

Рис. 6.13. Пример статистического ряда с единичными высокими объемами

отгрузок запаса

15 000 единиц. Этот фильтр приводит к отсеиванию 9 значений с максимальным объемом из 264 имеющихся значений. Полученный результат фильтрации приведен на рис. 6.14.

Фильтрация значений статистического ряда может быть проведена и автоматически с помощью программных средств. Например, на рис. 6.15 приведен результат линейной фильтрации статистического ряда примера 6.7 по 5 точкам, выполненный с помощью Microsoft Excel. Сплошной линией на рисунке представлен выровненный статистический ряд, полученный методом наименьших квадратов.

Если число и объем отгрузок единичен, требуется провести тщательный анализ необычных по объемам отгрузок запаса экспертным путем, то есть с привлечением специалистов, связанных с работой с запасами и знающих все нюансы динамики потребности

Фильтрация максимальных значений статистического ряда с единичными высокими объемами отгрузок запаса

Рис. 6.14. Фильтрация максимальных значений статистического ряда с единичными высокими объемами отгрузок запаса

Результат автоматической линейной фильтрация значений статистического ряда с единичными высокими объемами отгрузок запаса

Рис. 6.15. Результат автоматической линейной фильтрация значений статистического ряда с единичными высокими объемами отгрузок запаса

в запасе. Привлеченные эксперты должны определить вероятность полного или частичного повторения ситуации прошлых периодов и провести фильтрацию статистического ряда.

Кроме того, следует иметь в виду, что при наличии тенденции резкого возрастания или падения отгрузок в прошлые периоды рекомендуется сокращение рассматриваемых при составлении прогноза отчетных периодов.

Выбор вида уравнения тренда. Поиск и анализ тенденции потребности в запасе включают в себя определение вида уравнения, которое может наиболее точно описать тенденцию. Прежде чем приступать к математической обработке статистического ряда, требуется выдвинуть и исследовать гипотезы дальнейшего потребления запаса. Вариантами таких гипотез могут быть предположения о монотонном возрастании (падении) будущей потребности в запасе, о наличии ограничений изменения потребности в запасе сверху или снизу, о наличии ограничения времени развития потребности и др.

Уравнения тренда могут быть линейными или нелинейными. Их построение можно выполнять с помощью широко доступных программных средств (Microsoft Excel, SPSS, MathCAD и др.). В частности, на рис. 6.16 приведены примеры трендов линейного, параболического и полиноминального вида, построенных с помощью Microsoft Excel. Часто используются также уравнения экспоненциальной и гиперболической формы. Окончательный выбор наиболее подходящего вида уравнения тренда производится экспериментально на основе оценки точности прогноза (см. п. 6.4).

Примеры уравнений трендов

Рис. 6.16. Примеры уравнений трендов

Прогнозирование объема потребления на основе имеющейся тенденции проводится с помощью метода экстраполяции (см. рис. 6.1), который позволяет на основе уравнения, описывающего тенденцию, определить предполагаемую величину аргумента на будущий период. Все компьютерные программы статистической обработки данных позволяют автоматически проводить такое прогнозирование. На рис. 6.17 представлены примеры прогнозирования тенденции на основе линейного и параболического трендов (см. рис. 6.16 а, б).

Временные ряды могут не иметь сезонную потребность, но только долгосрочную тенденцию. На рис. 6.18 представлен временной ряд на основе данных рис. 6.16а и рис. 6.17а по месяцам года. На рис. 6.18 видно, что при наличии явно выраженной тенденции роста потребности сезонная составляющая отсутствует.

Прогнозирование тенденций методом экстраполяции

Рис. 6.17. Прогнозирование тенденций методом экстраполяции

Временной ряд с долгосрочной тенденцией и отсутствием сезонной

Рис. 6.18. Временной ряд с долгосрочной тенденцией и отсутствием сезонной

потребности

Временной ряд может иметь долгосрочную тенденцию, например, роста и явно выраженную сезонную потребность по месяцам каждого года, как на рис. 6.19.

Если временной ряд имеет сезонное потребление на фоне наличия долгосрочной тенденции (увеличение или уменьшение год от года продаж сезонных товаров), для прогнозирования сезонной потребности требуется учитывать коэффициент тенденции.

Временные ряды с сезонной потребностью и наличием долгосрочной

Рис. 6.19. Временные ряды с сезонной потребностью и наличием долгосрочной

тенденции

Пример 6.8. Прогнозирование сезонной потребности в запасе с учетом долгосрочной тенденции.

В табл. 6.8 представлена статистика объемов отгрузок за три года: текущий год, предыдущий год и год, предшествующий предыдущему (см. столбцы 1—4 табл. 6.8).

Таблица 6.8

Прогноз потребности по методу взвешенной скользящей средней с учетом долгосрочной тенденции

Месяц

Объем отгрузок в году, предшествующем предыдущему

Объем отгрузок в предыдущем году

Объем отгрузок в текущем году

Прогноз

объема

отгрузок

Коэффи

циент

тенден

ции

Прогноз объема отгрузок с учетом тенденции

Январь

287

546

145

0

0,00

0

Февраль

69

127

81

0

0,00

0

Март

59

189

41

568

1,89

1074

Апрель

46

77

27

254

2,47

628

Май

8

18

10

213

2,53

540

Июнь

5

17

15

82

1,76

145

Июль

80

964

40

28

2,69

76

Август

104

1257

4051

683

11,54

7883

Сентябрь

1274

3690

15 074

1542

12,07

18613

Октябрь

953

1197

12 062

3758

3,59

13 492

Ноябрь

1390

1567

6772

4001

2,19

8780

Декабрь

260

1980

836

2624

1,18

3096

Прогноз объема отгрузок в текущем году (столбец 5 табл. 6.8) проведен по методу взвешенной скользящей средней. Для получения прогноза потребления, например, в третьем месяце года требуется учесть объемы отгрузок за первые два месяца двух предшествующих лет. Коэффициенты значимости равны 2 для предыдущего года и 1 — для года, предшествующего предыдущему. Расчет объема отгрузок в марте проведен следующим образом:

((546 + 127) • 2 + (287 + 69) • 1) / 3 = 567,33 - 568.

Прогноз объема отгрузок в апреле (столбец 5 табл. 6.8) рассчитан следующим образом:

((127 + 189) -2 + (69 + 59) • 1) / 3 = 253,33 - 254 и т.д.

Округление полученного расчетного значения прогноза отгрузок проводится в большую сторону для обеспечения гарантии обеспеченности потребности запасом. Наличие долгосрочной положительной тенденции статистики по данным табл. 6.8 описано с помощью коэффициента тенденции (см. столбец 6). Он рассчитывается в общем виде следующим образом:

где Кт. — коэффициент тенденции в периоде j;j — индекс прогнозируемого периода; i — индекс предшествующего месяца; п — число предшествующих месяцев, учитываемых для определения коэффициента тенденции; F.{ . — фактический объем потребности в предыдущем прогнозируемому периоде времени в предшествующем месяце /, единиц; Fj 2 . — фактический объем потребности в периоде времени, предшествующем предыдущему прогнозируемому, в предшествующем месяце /, единиц.

В табл. 6.8 коэффициент тенденции (см. столбец 6), например, для марта рассчитан следующим образом (см. формулу (6.12)):

(546 + 127)/(287 + 69) = 1,89.

В апреле коэффициент тенденции равен, соответственно, следующей величине (столбец 6 табл. 6.8):

(127 + 189) / (69 + 59) = 2,47 и т.д.

Прогноз объема отгрузок рассчитывает по формуле

где PTj прогноз потребности с учетом тенденции в периоде / единиц; j — индекс прогнозируемого периода; Р. — прогноз потребности в периоде / KTj — коэффициент тенденции в периоде/

Для примера 6.8 (см. табл. 6.8) прогноз объема отгрузок, рассчитанный по методу взвешенной скользящей средней (см. столбец 5), требуется скорректировать на коэффициент тенденции (см. столбец 6). Получаем, например, в марте прогноз потребности с учетом имеющейся долгосрочной тенденции

568 • 1,89 = 1073,52 = 1074.

В апреле прогноз объема отгрузок с учетом долгосрочной тенденции будет равен (столбец 6 табл. 6.8)

254 ? 2,47 = 627,38 « 628 и т.д.

Результаты расчета прогноза потребности, имеющей сезонный характер, при наличии долгосрочной тенденции (по данным столбца 6 табл. 6.8) приведены на рис. 6.20. Сравнение результатов прогнозирования объема потребности по этой же статистике методом взвешенной скользящей средней без учета долгосрочной тенденции показывает значительно более высокую точность прогнозирования объема отгрузок с учетом как сезонной, так и долгосрочной тенденции.

Прогнозирование сезонной потребности с учетом долгосрочной

Рис. 6.20. Прогнозирование сезонной потребности с учетом долгосрочной

тенденции

d. Циклические колебания спроса

Циклические колебания спроса представляют продолжительные изменения тенденций потребления, сменяющие друг друга в периоды, как правило, более двух лет. Выявление циклических колебаний спроса затруднено необходимостью наличия статистической базы за длительный период времени и влиянием на спрос различных нерегулярных тенденций. Для учета циклических колебаний спроса в условиях отсутствия очевидной картины по статистической базе следует полагаться на знание типовых циклов, характерных для данной отрасли или вида бизнеса.

Так, для всех видов готовой продукции характерно наличие цикла жизни товара (рис. 6.21). Отслеживание текущего этапа жизненного цикла позиции запаса и планирование ввода (вывода) новых позиций запаса (например, при обновлении ассортимента бренда) позволяют и без накопления статистической базы за длительный период делать выводы о наличии циклических колебаний спроса.

Циклические изменения спроса на товар, вызванные жизненным

Рис. 6.21. Циклические изменения спроса на товар, вызванные жизненным

циклом товара

Другим приемом отслеживания циклических изменений спроса является выявление ведущих показателей циклического изменения спроса на запас. Такими ведущими показателями могут быть, например, начало строительства крупного предприятия, которое в течение уже своего жизненного цикла будет заявлять потребность в обслуживании запасом своей деятельности, или принятие программ, соглашений операторов рынка о будущей деятельности и т.п.

е. Наличие эффекта стимулирования спроса

Эффект стимулирования спроса представляет собой изменение спроса на товар в ответ на маркетинговые мероприятия.

Маркетинговые мероприятия по стимулированию спроса, проводимые организацией, содержащей запас, оказывают существенное влияние на изменение потребности в запасе. Результат маркетинговых мероприятий дополняет тенденции развития рынка, определяемые отделом маркетинга или отделом продаж. Он также может повлечь существенное изменение тенденции спроса и сезонной потребности, имеющихся во временных рядах статистических данных. Применение своевременных методов получения информации о планируемых рекламных акциях — залог корректного прогнозирования потребности в запасе. Знание плана маркетинговых акций особенно важно при составлении прогноза отгрузок запаса товаров рынку конечного потребления, который чрезвычайно гибко реагирует на стимулирующие мероприятия.

В общем виде результат успешного маркетингового мероприятия, направленного на стимулирование спроса, представлен на рис. 1.11. Проведение рекламных акций позволяет спланировать цикличность изменения спроса на продукт (см. п. 6.1.1 .d).

В то же время стимулирующие маркетинговые мероприятия организации могут происходить регулярно, т.е. повторяться в одни и те же периоды года. В этом случае такое стимулирование спроса играет роль сезонного фактора и должно быть учтено в рамках прогнозирования сезонной потребности (см. п. 6.1.l.b).

Все это требует корректной организации системы обмена информацией между отделом маркетинга (отделом продаж) и отделом логистики (или иным подразделением, принимающим решения по управлению запасами организации).

f. Случайные факторы колебания спроса

При работе по выявлению периодов времени, в течение которых присутствует относительно равномерный спрос (см. п. 6.1.1.а), имеются сезонные (см. п. 6.1.l.b) и прочие тенденции потребления (см. п. 6.1.1.с), также циклические изменения спроса (см. п. 6.1.1.d) и влияние мероприятий по стимулированию спроса (см. п. 6. l.l.e), приходится сталкиваться со случайными и неожиданными факторами спроса.

К случайным изменениям спроса относятся те изменения, которые не получили объяснения наличием сезонных, циклических и прочих тенденций изменения спроса, а также влиянием мероприятий по стимулированию спроса.

Появление таких случайных изменений в потребности в запасе является неминуемым, что, естественно, снижает точность прогнозирования. Один из приемов преодоления влияния случайных факторов на точность прогнозирования — фильтрация статистического ряда, используемого при составлении прогноза. Он был рассмотрен ранее в п. 6.l.l.e (см. рис. 6.12 — рис. 6.15). Более сложные методы учета случайного фактора при прогнозировании потребности в запасе (например, имитационного моделирования, нейросетевых методов, модели авторегрессивной интегрированной скользящей средней Бокс — Дженкинса и др.) требуют специальной математической подготовки и, как правило, выполняются силами специалистов отделов бизнес-аналитики и бизнес-информатики. Наличие универсальных пакетов SYSTAT, SPSS, языка GPSS, специализированных пакетов анализа временных рядов (Forecast Expert, FreeFore, МЕЗОЗАБР и др.), а так же Neural Connection и др. существенно упрощает эту задачу.

Достаточно эффективным и простым методом, позволяющим справиться с влиянием случайных факторов на изменение потребности в запасе, является прогнозирование на основе регрессионного анализа (см. подп. 6.1.2).

 
<<   СОДЕРЖАНИЕ ПОСМОТРЕТЬ ОРИГИНАЛ   >>