Управление запасами. Просто о сложном

 – объем продаж за период i-1, ед.

F

 – прогноз продаж, ед.

n=3 или 5 – число периодов

Буквой F в данной формуле мы обозначаем прогноз, буквой S – скорректированные данные, подготовленную статистику продаж за прошлые периоды.

Допустим, в январе было продано продукции на 100 единиц, в феврале – на 123 единицы, в марте – на 117. Теперь попробуем составить прогноз на апрель.

Для этого найдем среднее арифметическое продаж за прошедшие три месяца: (100+123+117) /3. Получается приблизительно 113,33. Округляем эту цифру до 114, с некоторым избытком. Ну что ж, на апрель мы планируем продажу товара на 114 единиц, а продали (с учетом корректировок), предположим, на 128. Это нормальная погрешность расчетов, ничего страшного.

Прогнозируя продажи на следующий месяц, мы вновь выберем три последних периода. (Мы как бы скользим с течением времени.) Теперь рассчитаем по той же формуле: (123+117+128) /3 =

=368/3 = 123.

Таким образом, мы выбираем «плечо», кратное трем либо пяти периодам (в приведенном примере периодами выступают месяцы) и «скользим» с течением времени. Если продажи носят ярко выраженный сезонный характер, выбираем более короткое лечо, если сезонность выражена слабо – более длинное.

Скользящее среднее с весовыми коэффициентами

Перейдем ко второму способу расчета прогноза:

F

=a*S

+b*S

+c*S

a, b, c – весовые коэффициенты, значит a+b+c=1

S

, S

, S

 – объемы продаж за предыдущие периоды, ед.

F

 – прогноз продаж, ед.

По сути, скользящая средняя представляет собой частный случай скользящего среднего с весовыми коэффициентами. Просто в этом случае все весовые коэффициенты равны 1/3.

Применять предыдущий рассмотренный способ можно в том случае, когда продажи в мае похожи в равной степени на продажи в апреле, марте и феврале (для скольжения по 3-м точкам).

Однако если мы будем рассматривать, к примеру, мой любимый цемент (его продажам было отдано много лет), то увидим, что цифры за май будут в большей степени похожи на продажи в апреле, в значительно меньшей степени – на продажи в марте, и еще меньше похожи на показатели зимних месяцев. Отсюда следует, что в прогноз мая у апреля должен быть самый большой вклад (т.е. весовой коэффициент), у марта вклад меньше, а у февраля еще меньше.

Здесь налицо будет ярко выраженная сезонность спроса. Поэтому весовые коэффициенты, отражающие вклад каждого из упомянутых показателей, будут разными.

Посмотрим, как можно спрогнозировать продажи, допустим, мая, исходя из модели скользящего среднего с весовыми коэффициентами.

Итак, умножаем a на 128 – апрельскую величину, – b на 117 (мартовские скорректированные продажи), c – на 123 (февральские скорректированные продажи).

a*128+b*117+c*123=F

В сумме a, b и c равны единице. Кроме того, мы уже знаем, что a> b> c – иными словами, вклад апрельских показателей в прогноз продаж на май весомее, чем вклад марта, а последний значит больше, чем вклад февраля. Исходя из этих условий, необходимо подобрать (методом перебора) оптимальные значения для a, b, c.

Прогнозирование: регрессионный анализ

Чуть выше я уже писал, что график объема продаж от времени носит формальный характер. Понятно, что продажи (списание) сами по себе с течением времени не происходят. А от каких факторов на самом деле зависят продажи в вашей компании?

Легко угадать, к примеру, что продажи пива связаны с температурой окружающей среды. Можно привести и более сложные примеры. Как, по-вашему, существует ли взаимосвязь между продажами отделочных, строительных материалов, напольных покрытий, ковров, мебели и т. п. и объемом вводимого в эксплуатацию жилья в городе? Разумеется, некая зависимость тут есть, хотя речь и не идет о прямой пропорции.