Прогнозирование продаж для расчета заказа поставщику

Одним из основных показателей, который используется практически во всех моделях расчета потребности в товаре, являются средние продажи n. Большинство ритейлеров рассчитает их на основе статистики продаж за предшествующие дате составления заказа две недели, иногда – месяц. У этого метода есть существенный недостаток – он не учитывает сезонность продаж. В результате перед началом сезонного пика продаж закупщики вынуждены вручную увеличивать заказы, а перед окончанием сезона – снижать их. Причем делают они это на основании своих экспертных оценок. Если закупщик забыл учесть сезонный фактор или некорректно оценил возможный скачек продаж – сеть может остаться без товара или, наоборот, перетарить склады.

Качество формирования заказа существенно повышается, если рассчитывать средние продажи на основе прогноза – при этом учитывается история продаж, анализируется большой объем статистической информации и практически исключено влияние человеческого фактора.
Но и при таком расчете есть вероятность ошибки. Ни для кого не секрет, что при работе розничной сети в течение достаточно длительного периода времени могут изменяться условия работы: законодательство, конкурентное окружение, позиционирование сети и отдельной товарной категории, роль категории и принципы ценообразования, порядок выкладки товара и др. Определить, в какой момент времени эти изменения начали влиять на продажи, – очень сложно.
Для того чтобы избежать ошибок, связанных с тем, что не были своевременно учтены подобные изменения, нашей компанией была разработана собственная методика прогнозирования. Для составления прогноза используется статистическая информация за 25 месяцев работы сети. Составляем три прогноза на двадцать пятый месяц на основе статистики за 6, 12 и 24 месяца. Далее проводится оценка отклонения прогнозного значения от результатов продаж за двадцать пятый месяц – и тот из трех прогнозов, который показал наименьшую ошибку, и используется при составлении плана на следующий месяц.

Читайте другие статьи!

Есть и другие методы прогнозирования – они широко известны и описаны в литературе. Кроме того, существует множество вариантов их технической реализации. Поэтому подробно описывать их я не буду – остановлюсь на разработанной нашей компанией методике повышения достоверности прогноза.
В общем виде информация, необходимая для расчета прогноза, должна выгружаться из ERP системы в виде временных рядов двух типов (с детализацией по месяцам и магазинам):

продажи с привязкой к номенклатуре товара – за время присутствия товара в ассортиментной матрице (индивидуальные продажи каждого SKU);
продажи с привязкой к коду товара в ассортиментной матрице – по возможности, за период не менее 25 месяцев (период существования соответствующего кода в категории).

Прогнозирование, для простоты модели, проведем линейным и экспоненциальным методами, которые являются самыми распространенными.
При этом каждому методу присвоим свою достоверность прогноза К

Q_пр= К_лин*Q_лин+ К_эксп*Q_эксп (1),

где
Q – величина прогноза в штуках.
К – коэффициент достоверности прогноза.
При этом

К_эксп= (1 - К_лин) (2)

Изначально достоверность обоих прогнозов будем считать равной. В этом случае прогноз объема продаж (Q_пр), допустим, на месяц, может быть рассчитан по формуле:

Q_пр= 0,5 * Q_лин+ 0,5 *Q_эксп(3)

Алгоритм составления прогноза продаж

1. Определение периода, прогноз за который наиболее достоверен.
Необходимо взять статистику продаж за 25 месяцев и составить три прогноза на 25-й месяц на основе статистики продаж за следующие периоды:

1–24 месяцев (прогноз 24 мес.);
13–24 месяцев (прогноз 12 мес.);
19–24 месяцев (прогноз 6 мес.).

Это необходимо для того, чтобы понять, продажи за какой период наиболее соответствуют текущему тренду. Для этого результаты трех прогнозов сравниваются с реальными результатами продаж за 25 месяц.
Допустим, результаты прогнозов продаж на основе статистики равны:

за 24 месяца – 110 единицам (ед.) товара;
за 12 месяцев – 95 ед. товара;
за 6 месяцев – 135 ед. товара.

А реальные продажи в 25-м месяце составили 115 ед. товара. Минимальное отклонение от реальных продаж (5 ед.) дал прогноз на основе информации за 24 месяца. Значит, он и является наиболее достоверным. Прогноз на двадцать шестой месяц будем составлять на основе статистики продаж за 2-25 месяцы.

2. Определяем коэффициенты достоверности линейного
и экспоненциального прогнозов.

Коэффициент достоверности прогноза – весовой коэффициент от 0 до 1, показывающий, насколько мы «доверяем» результатам прогнозирования данным методом.

В формуле 1 при расчете прогноза продаж использовались коэффициенты достоверности линейного и экспоненциального прогнозов равные 0,5. Между собой данные коэффициенты
Оценим достоверность прогнозирования при фиксированном коэффициенте достоверности линейного прогноза равным 0,5. Для этого составим линейный и экспоненциальный прогноз продаж на основе анализа статистики за 24 месяца (наиболее достоверный прогноз – в соответствии с «шагом 1») на 25-й месяц.
При этом проведем оценку для пяти разных значениях продаж за двадцать пятый месяц (варианты № 1–5, таблица 27).
После этого рассчитаем отклонение прогноза продаж от реальных продаж за 25-й месяц. Из таблицы 57 видно, что отклонения достаточно большие. Особенно они велики, если реальные продажи больше максимального или меньше минимального прогноза.

Таблица 1.1. Расчет отклонений прогноза от продаж за 25-й месяц
при коэффициенте достоверности линейного прогноза = 0,5

Для повышения достоверности прогноза будем пересчитывать коэффициент достоверности линейного прогноза с учетом продаж за 25-й месяц. Возможны три варианта:
1. Если реальное значение – между прогнозными значениями, то коэффициент достоверности линейного прогноза рассчитывается по формуле:

где: /Q₂₅– Q_лин/ – модуль отклонения линейного прогноза от продаж за 25-й месяц;
/Q₂₅– Q_эксп/ – модуль отклонения экспоненциального прогноза от продаж за 25-й месяц.

2. Если продажи за 25-й месяц меньше минимального прогноза, коэффициент достоверности минимального прогноза принимается равным 100%.
3. Если продажи за 25-й месяц больше максимального прогноза, коэффициент достоверности максимального прогноза принимается равным 100%.
Пример расчета прогноза продаж при такой методике расчета коэффициентов достоверности приведен в таблице.

Таблица 1.2. Расчет отклонений прогноза от продаж за 25-й месяц
при коэффициенте достоверности линейного прогноза,
вычисляемом в соответствии с формулой

Как видно из таблицы 1.2 точность прогноза существенно повышается при изменении коэффициентов достоверности в зависимости от продаж за 25-й месяц.
Вывод:
Данный алгоритм использует двухэтапный алгоритм повышения качества прогнозирования. На первом выбирается период времени, тренд которого наиболее соответствует текущей ситуации. После этого на основе статистики этого периода составляется два прогноза (линейный и экспоненциальный) и с помощью коэффициентов достоверности их суммарный результат приближается к результату продаж в прогнозируемом месяце.
Далее идет уже прогнозирование продаж на будущий период с определенной на этапе предварительных расчетов шириной окна, за который рассматривается статистическая информация, и достоверностью прогнозов.

Подробнее на тренингах по категорийному менеджменту:

Для ритейлеров
Для поставщиков
В книге «Категорийный менеджмент. Алгоритмы для практиков». Возможен предзаказ.

Автор статьи

Сергей Илюха

Бизнес-тренер, к.т.н., один из ведущих экспертов по работе с розничными сетями, почетный член Ассоциации бизнес-тренеров.

Хотите записаться на обучение?

Заполняя форму, Вы даете Согласие на обработку своих персональных данных