Business-insider.ru

Про деньги в эпоху кризиса
3 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Прогнозный анализ продаж

Прогнозирование продаж и спроса

Прогнозирование покупательского спроса и продаж представляет собой исследование и оценку будущего спроса на товары и необходимо, в первую очередь, для принятия различных управленческих решений. Прогноз спроса – ключевая составляющая процесса планирования продаж и операций, а также необходимо для управления товарными запасами, формирования заказов поставщикам и в целом для качественного функционирования цепи поставок. Максимально точный прогноз продаж позволяет избежать случаев дефицита или переизбытка товара на складах и на полках магазинов, снижает вероятность простоев в работе производственных компаний, сбоев в расписании поставок и закупок, улучшает уровень сервиса при одновременном снижении запасов.

Прогнозирование продаж и спроса лежит в основе всех решений GoodsForecast

При необходимости система может осуществлять ежедневный расчет продаж по всему ассортименту товаров. Высокая точность обеспечивает эффективный выбор моментов и объемов закупок, а также размера страхового запаса. В то же время, очевидно, что, в зависимости от свойств товара, завышение и занижение прогноза не равноценны с точки зрения возможных потерь, поэтому стратегия минимизация возможных потерь предпочтительнее стандартной стратегией минимизации ошибок. Решения GoodsForecast построены на специальных алгоритмах, минимизирующих не ошибку анализа, а величину ожидаемых суммарных потерь. Кроме того, GoodsForecast производит автоматический выбор алгоритма индивидуально для каждого товара, и автоматически вычисляет доверительный интервал, оценивающий погрешность прогноза.

В процессе эксплуатации на основе получаемых новых данных осуществляется контроль точности алгоритмов, и при необходимости, их перенастройка. Кроме того, система может проводить сравнение полученных математических данных и цифр, вводимых пользователями, с фактическими данными о продажах.

Задачи прогноза объема продаж

Прогноз продаж представляет собой сложный, многоступенчатый процесс. Уровень,детализация и набор параметров прогнозирования определяются целью построения. К таким параметрам могут быть отнесены: горизонт (на какой срок формируется план), уровень (категория, группы товаров или отдельные SKU), частота пересмотра (как часто требуется пересматривать и корректировать данные), интервал построения модели (каким временным периодам должен соответствовать прогноз).

Выделяют 4 основных шага прогнозирования спроса на продукцию:

Получение исторических данных. На практике эта задача может оказаться далеко не тривиальной. Но будем считать, что все необходимые данные хранятся в учетной системе компании, и могут быть оттуда извлечены. Объем получаемых данных зависит от стоящих задач и горизонта прогнозирования, но как правило лежит в диапазоне 1-3 лет.

Предобработка. Иногда для целей прогнозирования фактические данные необходимо изменить. Например: нехарактерно высокий спрос в прошлом месяце был вызван проблемами у компаний-конкурентов. Если эти проблемы устранены, имеет смысл уменьшить значение фактических продаж.

Прогнозирование. Получившийся после корректировок факт продаж подается на вход алгоритму. Если для увеличения продаж не проводится никаких новых мероприятий, останавливаемся на этом этапе. Если же для стимулирования сбыта планируется дополнительная рекламная компания, или известна информация о внешних событиях, способных повлиять на продажи, — переходим к следующему шагу.

Постобработка. Эксперты оценивают вклад внешних факторов с помощью Volume Building Blocks (VBB). Каждое событие учитывается отдельно. Вводить факторы должны эксперты в предметной области: специалисту по промо-акциям не следует вводить VBB, связанный с деятельностью конкурентов. Каждый VBB сопровождается комментарием. Такой подход позволяет понять, кто, когда, насколько и почему изменил прогноз.

Подходы к прогнозированию объема продаж и покупательского спроса

  • Методы прогнозирования временных рядов. Под понятием понимаются такие методы, на вход которым подаются только предыдущие (известные) значения величины. Это как такие хорошо известные модели, как скользящее среднее, экспоненциальное сглаживание, так и некоторые более сложные модели, которые определяют будущее значение спроса в конкретный момент времени исходя из предыдущих значений спроса. Методы могут применяться как в краткосрочном прогнозировании с горизонтами планирования от одной недели до трех месяцев, так и на средний срок с горизонтами планирования от трех месяцев до нескольких лет. В таком случае они должны иметь возможность учитывать сезонный, циклический и трендовый факторы.
  • Причинно-следственные (каузальные) методы. Каузальные методы используют модели статической регрессии для установления взаимосвязи между зависимой переменной (спросом) и независимыми переменными, например ценой, рекламными бюджетами и т.д. Если такую модель удается построить, это позволяет проводить сценарный анализ, что является значительным преимуществом. Однако нужно помнить, что независимую переменную нужно уметь хорошо прогнозировать, а также то, что взаимосвязь со временем может меняться.
  • Качественные методы. В отличие от описанных выше количественных методов, качественные методы не используют математический аппарат. Они могут использоваться для прогнозирования спроса на продукцию как на новые изделия, для которых не существует никаких статистических данных и данных, имеющих к ним отношения, так и на текущий ассортимент. К этим методам относятся различные методы экспертных оценок, в том числе метод Делфи.
  • Методы прогнозирования спроса на новые изделия. Предсказание спроса на новые изделия не может быть связано со статистическими данными, описывающими продажи, просто в силу их отсутствия. В этом случае используются вспомогательные данные, например данные о существующих аналогах, данные исследовательских агентств и т.д.

Учет факторов, влияющих на спрос и объем продаж

  • Тренд (общая динамика объема продаж, которая может быть положительной, отрицательной или нейтральной);
  • Сезонность (регулярно повторяющийся паттерн, выделяемый в рамках прогноза, например, повышение объема продаж к Новому году и Рождеству, продажа спортивного инвентаря для зимних видов спорта и т.д.);
  • Промо-акции (история стимулирующих маркетинговых мероприятий, в т.ч. рекламных презентаций, распродаж, бесплатных предложений пробных продуктов и др. и их влияние на объемы продаж, например, возрастание спроса во время акции и падение спроса после ее завершения);
  • Жизненный цикл продукции и сроки годности.
Читать еще:  Анализ обеспеченности предприятия основными средствами производства

Также не стоит забывать, что одной из составляющих спроса является т.н. шум, то есть колебания спроса, которые происходят случайным образом и появление которых невозможно предусмотреть.

Экономический эффект

Работа торговых сетей, компаний из производственной сферы или дистрибьюторских компаний тесно связана с управлением товарными запасами. Избыток продукции приводит к дополнительным затратам, связанным с хранением, дефицит в свою очередь ведет к потере покупателей, снижению лояльности и, как следствие, к сокращению объемов реализации. В обоих случаях компания сталкивается с ростом финансовых издержек и недополучением возможной прибыли.

GoodsForecast предлагает высококачественное прогнозирование потребительского спроса по каждой ассортиментной позиции на каждый день, которое является основой для решения проблем оптимизации производственной и торговой деятельности. Автоматизация прогнозирования объемов продаж позволяет предприятию планировать закупки, оптимизировать их объемы, и как следствие, увеличивать товарооборот, повышать эффективность использования склада, повышать оборачиваемость денежных средств и сокращать издержки.

Грамотное прогнозирование продаж ведет к сокращению издержек во всей цепочке поставок. Чистая прибыль компании увеличивается, так как производится и хранится ровно столько продукции, сколько необходимо.

Алгоритм прогнозирования объёма продаж в MS Excel

На сегодняшний день наука достаточно далеко продвинулась в разработке технологий прогнозирования. Специалистам хорошо известны методы нейросетевого прогнозирования, нечёткой логики и т.п. Разработаны соответствующие программные пакеты, но на практике они, к сожалению, не всегда доступны рядовому пользователю, а в то же время многие из этих проблем можно достаточно успешно решать, используя методы исследования операций, в частности имитационное моделирование, теорию игр, регрессионный и трендовый анализ, реализуя эти алгоритмы в широко известном и распространённом пакете прикладных программ MS Excel.

В данной статье представлен один из возможных алгоритмов построения прогноза объёма реализации для продуктов с сезонным характером продаж. Сразу следует отметить, что перечень таких товаров гораздо шире, чем это кажется. Дело в том, что понятие “сезон” в прогнозировании применим к любым систематическим колебаниям, например, если речь идёт об изучении товарооборота в течение недели под термином “сезон” понимается один день. Кроме того, цикл колебаний может существенно отличаться (как в большую, так и в меньшую сторону) от величины один год. И если удаётся выявить величину цикла этих колебаний, то такой временной ряд можно использовать для прогнозирования с использованием аддитивных и мультипликативных моделей.

Аддитивную модель прогнозирования можно представить в виде формулы:

где: F – прогнозируемое значение; Т – тренд; S – сезонная компонента; Е – ошибка прогноза.

Применение мультипликативных моделей обусловлено тем, что в некоторых временных рядах значение сезонной компоненты представляет собой определенную долю трендового значения. Эти модели можно представить формулой:

На практике отличить аддитивную модель от мультипликативной можно по величине сезонной вариации. Аддитивной модели присуща практически постоянная сезонная вариация, тогда как у мультипликативной она возрастает или убывает, графически это выражается в изменении амплитуды колебания сезонного фактора, как это показано на рисунке 1.

Рис. 1. Аддитивная и мультипликативные модели прогнозирования.

Алгоритм построения прогнозной модели

Для прогнозирования объема продаж, имеющего сезонный характер, предлагается следующий алгоритм построения прогнозной модели:

1.Определяется тренд, наилучшим образом аппроксимирующий фактические данные. Существенным моментом при этом является предложение использовать полиномиальный тренд, что позволяет сократить ошибку прогнозной модели.

2 .Вычитая из фактических значений объёмов продаж значения тренда, определяют величины сезонной компоненты и корректируют таким образом, чтобы их сумма была равна нулю.

3.Рассчитываются ошибки модели как разности между фактическими значениями и значениями модели .

4.Строится модель прогнозирования:

где:
F – прогнозируемое значение;
Т – тренд;
S – сезонная компонента;
Е — ошибка модели.

5.На основе модели строится окончательный прогноз объёма продаж. Для этого предлагается использовать методы экспоненциального сглаживания, что позволяет учесть возможное будущее изменение экономических тенденций, на основе которых построена трендовая модель. Сущность данной поправки заключается в том, что она нивелирует недостаток адаптивных моделей, а именно, позволяет быстро учесть наметившиеся новые экономические тенденции.

F пр t = a F ф t-1 + (1-а) F м t

где:
F пр t — прогнозное значение объёма продаж;
F ф t- 1 – фактическое значение объёма продаж в предыдущем году;
F м t — значение модели;
а – константа сглаживания

Практическая реализация данного метода выявила следующие его особенности:

  • для составления прогноза необходимо точно знать величину сезона. Исследования показывают, что множество продуктов имеют сезонный характер, величина сезона при этом может быть различной и колебаться от одной недели до десяти лет и более;
  • применение полиномиального тренда вместо линейного позволяет значительно сократить ошибку модели;
  • при наличии достаточного количества данных метод даёт хорошую аппроксимацию и может быть эффективно использован при прогнозировании объема продаж в инвестиционном проектировании.
Читать еще:  Анализ трудовых показателей предприятия

Применение алгоритма рассмотрим на следующем примере.

Исходные данные: объёмы реализации продукции за два сезона. В качестве исходной информации для прогнозирования была использована информация об объёмах сбыта мороженого “Пломбир” одной из фирм в Нижнем Новгороде. Данная статистика характеризуется тем, что значения объёма продаж имеют выраженный сезонный характер с возрастающим трендом. Исходная информация представлена в табл. 1.

Таблица 1.
Фактические объёмы реализации продукции

Прогнозирование продаж и спроса

Прогнозирование покупательского спроса и продаж представляет собой исследование и оценку будущего спроса на товары и необходимо, в первую очередь, для принятия различных управленческих решений. Прогноз спроса – ключевая составляющая процесса планирования продаж и операций, а также необходимо для управления товарными запасами, формирования заказов поставщикам и в целом для качественного функционирования цепи поставок. Максимально точный прогноз продаж позволяет избежать случаев дефицита или переизбытка товара на складах и на полках магазинов, снижает вероятность простоев в работе производственных компаний, сбоев в расписании поставок и закупок, улучшает уровень сервиса при одновременном снижении запасов.

Прогнозирование продаж и спроса лежит в основе всех решений GoodsForecast

При необходимости система может осуществлять ежедневный расчет продаж по всему ассортименту товаров. Высокая точность обеспечивает эффективный выбор моментов и объемов закупок, а также размера страхового запаса. В то же время, очевидно, что, в зависимости от свойств товара, завышение и занижение прогноза не равноценны с точки зрения возможных потерь, поэтому стратегия минимизация возможных потерь предпочтительнее стандартной стратегией минимизации ошибок. Решения GoodsForecast построены на специальных алгоритмах, минимизирующих не ошибку анализа, а величину ожидаемых суммарных потерь. Кроме того, GoodsForecast производит автоматический выбор алгоритма индивидуально для каждого товара, и автоматически вычисляет доверительный интервал, оценивающий погрешность прогноза.

В процессе эксплуатации на основе получаемых новых данных осуществляется контроль точности алгоритмов, и при необходимости, их перенастройка. Кроме того, система может проводить сравнение полученных математических данных и цифр, вводимых пользователями, с фактическими данными о продажах.

Задачи прогноза объема продаж

Прогноз продаж представляет собой сложный, многоступенчатый процесс. Уровень,детализация и набор параметров прогнозирования определяются целью построения. К таким параметрам могут быть отнесены: горизонт (на какой срок формируется план), уровень (категория, группы товаров или отдельные SKU), частота пересмотра (как часто требуется пересматривать и корректировать данные), интервал построения модели (каким временным периодам должен соответствовать прогноз).

Выделяют 4 основных шага прогнозирования спроса на продукцию:

Получение исторических данных. На практике эта задача может оказаться далеко не тривиальной. Но будем считать, что все необходимые данные хранятся в учетной системе компании, и могут быть оттуда извлечены. Объем получаемых данных зависит от стоящих задач и горизонта прогнозирования, но как правило лежит в диапазоне 1-3 лет.

Предобработка. Иногда для целей прогнозирования фактические данные необходимо изменить. Например: нехарактерно высокий спрос в прошлом месяце был вызван проблемами у компаний-конкурентов. Если эти проблемы устранены, имеет смысл уменьшить значение фактических продаж.

Прогнозирование. Получившийся после корректировок факт продаж подается на вход алгоритму. Если для увеличения продаж не проводится никаких новых мероприятий, останавливаемся на этом этапе. Если же для стимулирования сбыта планируется дополнительная рекламная компания, или известна информация о внешних событиях, способных повлиять на продажи, — переходим к следующему шагу.

Постобработка. Эксперты оценивают вклад внешних факторов с помощью Volume Building Blocks (VBB). Каждое событие учитывается отдельно. Вводить факторы должны эксперты в предметной области: специалисту по промо-акциям не следует вводить VBB, связанный с деятельностью конкурентов. Каждый VBB сопровождается комментарием. Такой подход позволяет понять, кто, когда, насколько и почему изменил прогноз.

Подходы к прогнозированию объема продаж и покупательского спроса

  • Методы прогнозирования временных рядов. Под понятием понимаются такие методы, на вход которым подаются только предыдущие (известные) значения величины. Это как такие хорошо известные модели, как скользящее среднее, экспоненциальное сглаживание, так и некоторые более сложные модели, которые определяют будущее значение спроса в конкретный момент времени исходя из предыдущих значений спроса. Методы могут применяться как в краткосрочном прогнозировании с горизонтами планирования от одной недели до трех месяцев, так и на средний срок с горизонтами планирования от трех месяцев до нескольких лет. В таком случае они должны иметь возможность учитывать сезонный, циклический и трендовый факторы.
  • Причинно-следственные (каузальные) методы. Каузальные методы используют модели статической регрессии для установления взаимосвязи между зависимой переменной (спросом) и независимыми переменными, например ценой, рекламными бюджетами и т.д. Если такую модель удается построить, это позволяет проводить сценарный анализ, что является значительным преимуществом. Однако нужно помнить, что независимую переменную нужно уметь хорошо прогнозировать, а также то, что взаимосвязь со временем может меняться.
  • Качественные методы. В отличие от описанных выше количественных методов, качественные методы не используют математический аппарат. Они могут использоваться для прогнозирования спроса на продукцию как на новые изделия, для которых не существует никаких статистических данных и данных, имеющих к ним отношения, так и на текущий ассортимент. К этим методам относятся различные методы экспертных оценок, в том числе метод Делфи.
  • Методы прогнозирования спроса на новые изделия. Предсказание спроса на новые изделия не может быть связано со статистическими данными, описывающими продажи, просто в силу их отсутствия. В этом случае используются вспомогательные данные, например данные о существующих аналогах, данные исследовательских агентств и т.д.
Читать еще:  Пример анализа управленческого решения

Учет факторов, влияющих на спрос и объем продаж

  • Тренд (общая динамика объема продаж, которая может быть положительной, отрицательной или нейтральной);
  • Сезонность (регулярно повторяющийся паттерн, выделяемый в рамках прогноза, например, повышение объема продаж к Новому году и Рождеству, продажа спортивного инвентаря для зимних видов спорта и т.д.);
  • Промо-акции (история стимулирующих маркетинговых мероприятий, в т.ч. рекламных презентаций, распродаж, бесплатных предложений пробных продуктов и др. и их влияние на объемы продаж, например, возрастание спроса во время акции и падение спроса после ее завершения);
  • Жизненный цикл продукции и сроки годности.

Также не стоит забывать, что одной из составляющих спроса является т.н. шум, то есть колебания спроса, которые происходят случайным образом и появление которых невозможно предусмотреть.

Экономический эффект

Работа торговых сетей, компаний из производственной сферы или дистрибьюторских компаний тесно связана с управлением товарными запасами. Избыток продукции приводит к дополнительным затратам, связанным с хранением, дефицит в свою очередь ведет к потере покупателей, снижению лояльности и, как следствие, к сокращению объемов реализации. В обоих случаях компания сталкивается с ростом финансовых издержек и недополучением возможной прибыли.

GoodsForecast предлагает высококачественное прогнозирование потребительского спроса по каждой ассортиментной позиции на каждый день, которое является основой для решения проблем оптимизации производственной и торговой деятельности. Автоматизация прогнозирования объемов продаж позволяет предприятию планировать закупки, оптимизировать их объемы, и как следствие, увеличивать товарооборот, повышать эффективность использования склада, повышать оборачиваемость денежных средств и сокращать издержки.

Грамотное прогнозирование продаж ведет к сокращению издержек во всей цепочке поставок. Чистая прибыль компании увеличивается, так как производится и хранится ровно столько продукции, сколько необходимо.

Прогнозирование и анализ продаж на рынке услуг

Продолжительность: 4 дня

Город: Санкт-Петербург

Для кого будет полезен тренинг?

Тренинг для специалистов коммерческих, планово-экономических и сбытовых подразделений. Методы практической аналитики. Формирование доказательной базы для принятия и обоснования решений.

Возможность использования своих данных в процессе обучения

Вы получите

Пошаговые инструкции по применению каждого метода

Сертификат на 4-месячную бесплатную консультационную поддержку

Требования

Опыт работы в Excel на уровне пользователя

День 1. Азы прогнозирования и анализа, подготовка данных.
Прогнозирование продаж без учета дополнительной информации о факторах

Инструменты, методики, алгоритмы

  • Процесс прогнозирования: технология «Пять шагов»
  • Три способа систематизации экспертных мнений о факторах, влияющих на продажи:

– диаграмма Исикавы
– таблица факторных влияний
– причинно-следственная диаграмма

  • Правила подготовки исходных данных для прогнозирования в Excel. Работа с пропущенными данными
  • Графический анализ динамики продаж с целью выявления тренда, сезонности и других компонент
  • Влияние типа сезонности на выбор метода прогнозирования
  • Основные статистические показатели, используемые при прогнозировании: среднее значение, медиана, стандартное отклонение, стандартная ошибка, размах

Инструменты, методики, алгоритмы

  • Доверительный интервал прогноза
  • Точность модели и точность прогнозов. Показатели точности: MAPE, MAD и другие
  • Подходы к выбору адекватного показателя оценки точности модели и прогноза
  • Прогнозирование на основе метода экспоненциального сглаживания:

– идея метода: четыре параметра сглаживания
– пошаговый алгоритм в Excel
– влияние горизонта прогноза, выбросов и структурных сдвигов на точность прогнозов
–плюсы и минусы подхода

  • Оценка качества прогнозной модели. Графический анализ остатков модели: гистограмма, диаграмма рассеяния, график автокорреляции

Кейсы

  • Пример. Строим диаграмму Исикавы для факторов, действующих на рынке услуг, заполняем таблицу факторных влияний на основе экспертных мнений слушателей курса.
  • Пример в Excel. Изучаем динамику продаж по виду услуг. Учимся анализировать колебания продаж и формировать правильные ожидания.
  • Пример в Excel. Проводим графический анализ динамики объема оказанных услуг. Самостоятельно учимся определять наличие тренда, сезонности, структурных сдвигов и выбросов.
  • Пример в Excel. Строим прогноз продаж на несколько месяцев с помощью экспоненциального сглаживания. Оцениваем качество модели и прогноза.

День 2. Прогнозирование продаж с учетом дополнительной информации о факторах

Инструменты, методики, алгоритмы

  • Многофакторный регрессионный анализ: идея и требования к исходным данным
  • Пошаговый алгоритм прогнозирования на основе регрессионного анализа в Excel
  • Диагностика и решение проблемы взаимозависимых факторов (мультиколлинеарность)
  • Правила оценки качества модели:

– анализ остатков
– ANOVA
– R-квадрат и скорректированный R-квадрат

  • План действий при «плохих» остатках модели

Инструменты, методики, алгоритмы

  • Интерпретация коэффициентов регрессионного уравнения:

– как влияют факторы на продажи
– ранжирование факторов по силе влияния

  • Особенности прогнозирования при недостатке информации о факторах. Техника фиктивных (dummy) переменных
  • Учет в регрессии сезонности разного типа
  • Разработка сценариев продаж на основе регрессионного анализа
  • Пессимистический и оптимистический прогноз: варианты построения
  • Плюсы и минусы прогнозирования на основе регрессионного анализа
  • Правила перехода от регрессии к авторегрессии
  • Авторегрессионные модели для прогнозирования: идея и реализация
  • Плюсы и минусы прогнозирования на основе авторегрессионного анализа
Ссылка на основную публикацию
ВсеИнструменты 220 Вольт
Adblock
detector
×
×