Краеугольный камень в управлении запасами и огромная головная боль управляющего. Как это делать на практике ?
Целью данных записок не является изложение теории прогнозирования - книжек существует множество. Целью является сжато и по возможности без глубокой и строгой математики дать обзор различных методов и практик применения именно в области управления запасами. Я старался не "залезать в дебри", рассматривать лишь наиболее часто встречающиеся ситуации. Заметки написаны практиком и для практиков, поэтому не стоит искать здесь каких-то изощренных методик, описаны только самые общие. Так сказать, mainstream в чистом виде.
Впрочем, как и везде на этом сайте всячески приветствуется участие - добавляйте, исправляйте, критикуйте...
Прогнозирование. Постановка задачи
Любой прогноз всегда ошибочен. Весь вопрос в том, насколько он ошибочен.
Итак, у нас в распоряжении есть данные о продажах. Пусть это выглядит так:
На языке математики это называется временным рядом:
Временной ряд обладает двумя критическими свойствами
значения обязательно упорядочены. Переставьте два любых значения местами, и получите другой ряд
подразумевается, что значения в ряду — это результат измерения через одинаковые фиксированные промежутки времени; прогнозирование поведения ряда означает получение «продолжения» ряда через те же самые промежутки на заданный горизонт прогнозирования
Отсюда следует требование к точности исходных данных — если мы хотим получить понедельный прогноз, исходная точность должна быть не хуже, чем понедельные отгрузки.
Отсюда также следует, что если мы «достаем» из учетной системы данные о продажах помесячно, их нельзя использовать впрямую, поскольку количество времени, в течение которого производились отгрузки, в каждом месяце разное и это вносит дополнительную ошибку, поскольку объем продаж приблизительно пропорционален этому времени.
Впрочем, это не является такой уж сложной проблемой — давайте просто приведем эти данные к среднедневным.
Для того, чтобы сделать какие-то предположения относительно дальнейшего хода процесса, мы должны, как уже говорилось, уменьшить степень нашего незнания. Мы предполагаем, что наш процесс имеет какие-то внутренние закономерности течения, совершенно объективные в текущем окружении. В общих чертах это можно представить как
Y(t) — значение нашего ряда (например, объем продаж) в момент времени t
f(t) — некая функция, описывающая внутреннюю логику процесса. Ее в дальнейшем будем называть прогнозной моделью
e(t) — шум, ошибка, связанная со случайностью процесса. Или, что то же самое, связанная с нашим незнанием, неумением учесть другие факторы в модели f(t) .
Теперь наша задача состоит в том, чтобы отыскать такую модель, чтобы величина ошибки была заметно меньше наблюдаемой величины. Если мы отыщем такую модель, мы можем считать, что процесс в будущем пойдет примерно в соответствии с этой моделью. Более того, чем точнее модель будет описывать процесс в прошлом, тем больше у нас уверенности, что она сработает и в будущем.
Поэтому процесс как правило бывает итеративным. Исходя из простого взгляда на график прогнозист выбирает простую модель и подбирает ее параметры таким образом, чтобы величина
была в каком-то смысле минимально возможной. Эту величину как правило называют «остатками» (residuals), поскольку это то, что осталось после вычитания модели из фактических данных, то, что не удалось описать моделью. Для оценки того, насколько хорошо модель описывает процесс, необходимо посчитать некую интегральную характеристику величины ошибки. Наиболее часто для вычисления этой интегральной величины ошибки используют среднее абсолютное или среднеквадратическое величины остатков по всем t. Если величина ошибки достаточно велика, пытаются «улучшить» модель, т.е. выбрать более сложный вид модели, учесть большее количество факторов. Нам, как практикам, следует в этом процессе строго соблюдать как минимум два правила:
Наивные методы прогнозирования
Наивные методы
Простое среднее
В простом случае, когда измеренные значения колеблются вокруг некоторого уровня, очевидным является оценка среднего значения и предположение о том, что и впредь реальные продажи будут колебаться вокруг этого значения.
Скользящее среднее
В реальности же как правило картинка хоть немного, да «плывет». Компания растет, оборот увеличивается. Одной из модификаций модели среднего, учитывающей это явление, является отбрасывание наиболее старых данных и использование для вычисления среднего лишь нескольких k последних точек. Метод получил название «скользящего среднего».
Взвешенное скользящее среднее
Следующим шагом в модификации модели является предположение о том, что более поздние значения ряда более адекватно отражают ситуацию. Тогда каждому значению присваивается вес, тем больший, чем более свежее значение добавляется.
Для удобства можно сразу выбрать коэффициенты таким образом, чтобы сумма их составляла единицу, тогда не придется делить. Будем говорить, что такие коэффициенты отнормированы на единицу.
Результаты прогнозирования на 5 периодов вперед по этим трем алгоритмам приведены в таблице
Простое экспоненциальное сглаживание
В англоязычной литературе часто встречается аббревиатура SES — Simple Exponential Smoothing
Одной из разновидностей метода усреднения является метод экспоненциального сглаживания . Отличается он тем, что ряд коэффициентов здесь выбирается совершенно определенным образом — их величина падает по экспоненциальному закону. Остановимся здесь немного подробнее, поскольку метод получил повсеместное распространение благодаря простоте и легкости вычислений.
Пусть мы делаем прогноз на момент времени t+1 (на следующий период). Обозначим его как
Здесь мы берем в качестве основы прогноза прогноз последнего периода, и добавляем поправку, связанную с ошибкой этого прогноза. Вес этой поправки будет определять, насколько «резко» наша модель будет реагировать на изменения. Очевидно, что
Считается, что для медленно меняющегося ряда лучше брать значение 0.1, а для быстро меняющегося — подбирать в районе 0.3-0.5.
Если переписать эту формулу в другом виде, получается
Мы получили так называемое рекуррентное соотношение — когда последующий член выражается через предыдущий. Теперь мы прогноз прошлого периода выражаем тем же способом через позапрошлое значение ряда и так далее. В итоге удается получить формулу прогноза
В качестве иллюстрации продемонстрируем сглаживание при разных значениях постоянной сглаживания
Очевидно, что если оборот более-менее монотонно растет, при таком подходе мы будем систематически получать заниженные цифры прогнозов. И наоборот.
Ну и в заключение методика сглаживания с помощью электронных таблиц. Для первого значения прогноза мы возьмем фактическое, а далее по формуле рекурсии:
Составляющие прогнозной модели
Очевидно, что если оборот более-менее монотонно растет, при таком «усредняющем» подходе мы будем систематически получать заниженные цифры прогнозов. И наоборот.
Чтобы более адекватно промоделировать тенденцию, в модель вводится понятие «тренда», т.е. некоторой гладкой кривой, которая более-менее адекватно отражает «систематическое» поведение ряда.
Тренд
На рис. показан тот же ряд в предположении приблизительно линейного роста
Такой тренд называется линейным — по виду кривой. Это наиболее часто применяемый вид, реже встречаются полиномиальные, экспоненциальные, логарифмические тренды. Выбрав вид кривой, конкретные параметры обычно подбирают методом наименьших квадратов.
Строго говоря, эта компонента временного ряда называется тренд-циклической , то есть включает в себя колебания с относительно длинным периодом, для наших задач — порядка десятка лет. Эта циклическая составляющая характерна для мировой экономики или интенсивности солнечной активности. Поскольку мы тут решаем не такие глобальные проблемы, горизонты у нас поменьше, то и циклическую компоненту мы оставим за скобками и далее везде будем говорить о тренде.
Сезонность
Однако на практике нам оказывается недостаточно моделировать поведение таким образом, что мы подразумеваем монотонный характер ряда. Дело в том, что рассмотрение конкретных данных о продажах сплошь и рядом приводит нас к выводу о наличии еще одной закономерности — периодическом повторении поведения, некотором шаблоне. К примеру, рассматривая продажи мороженого, очевидно, что зимой они как правило ниже среднего. Такое поведение совершенно понятно с точки зрения здравого смысла, поэтому возникает вопрос, нельзя ли использовать эту информацию для уменьшения нашего незнания, для уменьшения неопределенности?
Так возникает в прогнозировании понятие «сезонности » - любое повторяющееся через строго определенные промежутки времени изменение величины. Например, всплеск продаж елочных игрушек в последние 2 недели года можно рассматривать как сезонность. Как правило, подъем продаж супермаркета в пятницу и субботу в сравнении с остальными днями можно рассматривать как сезонность с недельной периодичностью. Хоть и называется эта составляющая модели «сезонность», необязательно она связана именно с сезоном в бытовом понимании (весна, лето). Любая периодичность может называться сезонностью. С точки зрения ряда сезонность характеризуется прежде всего периодом или лагом сезонности — числом, через которое происходит повторение. Например, если у нас ряд месячных продаж, мы можем предполагать, что период составляет 12.
Различают модели с аддитивной и мультипликативной сезонностью . В первом случае сезонная поправка добавляется к исходной модели (в феврале продаем на 350 ед. меньше, чем в среднем)
во втором — происходит умножение на коэффициент сезонности (в феврале продаем на 15% меньше, чем в среднем)
Заметим, что, как уже говорилось в начале, само наличие сезонности должно быть объяснимо с точки зрения здравого смысла. Сезонность является следствием и проявлением свойства продукта (особенностей его потребления в данной точке земного шара). Если мы сможем аккуратно идентифицировать и измерить это свойство этого конкретного продукта, мы сможем быть уверены, что такие колебания продолжатся и в будущем. При этом один и тот же продукт вполне может иметь разные характеристики (профили ) сезонности в зависимости от места, где он потребляется. Если же мы не можем объяснить такое поведение с точки зрения здравого смысла, у нас нет оснований для предположительного повторения такого шаблона в будущем. В этом случае мы должны искать другие факторы, внешние по отношению к продукту и рассматривать их наличие в будущем.
Важно то, что при выборе тренда мы должны выбирать простую аналитическую функцию (то есть такую, которую можно выразить простой формулой), тогда как сезонность как правило выражается табличной функцией. Самый распространенный случай — годовая сезонность с 12 периодами по числу месяцев — это таблица из 11 мультипликативных коэффициентов, представляющих поправку относительно одного опорного месяца. Или 12 коэффициентов относительно среднемесячного значения, только очень важно, что при этом независимыми остаются те же 11, поскольку 12й однозначно определяется из требования
Ситуация, когда в модели присутствует M статистически независимых (!) параметров , в прогнозировании называется моделью с M степенями свободы . Так что если вам встретится специальный софт, в котором как правило необходимо в качестве входных параметров задать число степеней свободы, это отсюда. Например, модель с линейным трендом и периодом 12 месяцев, будет иметь 13 степеней свободы — 11 от сезонности и 2 от тренда.
Как жить с этими составляющими ряда, рассмотрим в следующих частях.
Классическая сезонная декомпозиция
Декомпозиция ряда продаж.
Итак, мы весьма часто можем наблюдать поведение ряда продаж, в котором присутствуют компоненты тренда и сезонности . Мы имеем намерение улучшить качество прогноза, учитывая это знание. Но для того, чтобы использовать эту информацию, нам необходимы количественные характеристики. Тогда мы из фактических данных сможем исключить тренд и сезонность и тем самым значительно уменьшить величину шума, а значит и неопределенность будущего.
Процедура выделения неслучайных компонент модели из фактических данных называется декомпозицией .
Первое, чем мы займемся на наших данных — сезонная декомпозиция , т.е. определение числовых значений сезонных коэффициентов. Для определенности возьмем наиболее распространенный случай: данные о продажах сгруппированы помесячно (поскольку требуется прогноз с точностью до месяца), предполагается линейный тренд и мультипликативная сезонность с лагом 12.
Сглаживание ряда
Сглаживанием называется процесс, при котором исходный ряд заменяется другим, более плавным, но основанным на исходном. Целью такого процесса является оценка общих тенденций, тренда в широком смысле. Методов (как и целей) сглаживания существует много, наиболее распространенные
укрупнение временных интервалов . Очевидно, что ряд продаж, агрегированный помесячно, ведет себя более гладко, чем ряд, основанный на дневных продажах
скользящее среднее . Мы уже рассматривали этот метод, когда говорили о наивных методах прогнозирования
аналитическое выравнивание . В этом случае исходный ряд заменяется некоторой гладкой аналитической функцией. Вид и параметры подбираются экспертно по минимуму ошибок. Опять же, мы это уже обсуждали, когда говорили о трендах
Дальше мы будем использовать сглаживание методом скользящего среднего. Идея состоит в том, что набор из нескольких точек мы заменяем одной по принципу «центра масс» - значение равно среднему этих точек, а расположен центр масс, как нетрудно догадаться, в центре отрезка, образованного крайними точками. Так мы устанавливаем некий «средний» уровень для этих точек.
В качестве иллюстрации наш исходный ряд, сглаженный по 5 и 12 точкам:
Как нетрудно догадаться, если происходит усреднение по четному числу точек, центр масс падает в промежуток между точками:
К чему это я все веду?
Для того, чтобы провести сезонную декомпозицию , классический подход предлагает сначала провести сглаживание ряда с окном, в точности совпадающим с лагом сезонности. В нашем случае лаг = 12, так что если мы сгладим по 12 точкам, по всей видимости, возмущения, связанные с сезонностью, нивелируются и мы получим общий средний уровень. Вот тогда уже мы начнем сравнивать фактические продажи с сглаженными значениями — для аддитивной модели будем вычитать из факта сглаженный ряд, а для мультипликативной — делить. В результате получим набор коэффициентов, для каждого месяца по нескольку штук (в зависимости от длины ряда). Если сглаживание прошло успешно, эти коэффициенты будут иметь не слишком большой разброс, так что усреднение для каждого месяца будет не столь уж дурацкой затеей.
Два момента, которые важно отметить.
- Усреднение коэффициентов можно делать как вычислением стандартного среднего, так и медианы. Последний вариант очень рекомендуется многими авторами, поскольку медиана не так сильно реагирует на случайные выбросы. Но мы в нашей учебной задаче будем использовать простое среднее.
- У нас будет лаг сезонности 12, четный. Поэтому нам придется сделать еще одно сглаживание — заменить две соседние точки сглаженного в первый раз ряда на среднее, тогда мы попадем на конкретный месяц
На картинке результат повторного сглаживания:
Теперь делим факт на гладкий ряд:
К сожалению, у меня были данные лишь за 36 месяцев, а при сглаживании по 12 точкам один год, соответственно, теряется. Поэтому на данном этапе я получил коэффициенты сезонности лишь по 2 на каждый месяц. Но делать нечего, это лучше, чем ничего. Будем усреднять эти пары коэффициентов:
Теперь вспоминаем, что сумма мультипликативных коэффициентов сезонности должна быть =12, поскольку смысл коэффициента — отношение продаж месяца к среднемесячному. Именно это делает последняя колонка:
Вот теперь мы выполнили классическую сезонную декомпозицию , то есть получили значения 12-ти мультипликативных коэффициентов. Теперь пришла пора заняться нашим линейным трендом. Для оценки тренда мы устраним из фактических продаж сезонные колебания, разделив факт на полученное для данного месяца значение.
Теперь построим на графике данные с устраненной сезонностью, проведем линейный тренд и составим для интереса прогноз на 12 периодов вперед как произведение значения тренда в точке на соответствующий коэффициент сезонности
Как видно из картинки, очищенные от сезонности данные не очень хорошо укладываются в линейную зависимость — слишком большие отклонения. Возможно, если почисить исходные данные от выбросов, все станет намного лучше.
Для более точного определения сезонности при помощи классической декомпозиции весьма желательно иметь не менее 4-5 полных циклов данных, так как один цикл не участвует в вычислении коэффициентов.
Что делать, если по техническим причинам таких данных нет? Нужно найти метод, который не будет отбрасывать никакую информацию, будет использовать всю имеющуюся для оценки сезонности и тренда. Попробуем такой метод рассмотреть в следующей части
Экспоненциальное сглаживание с учетом тренда и сезонности. Метод Холта-Винтерса
Возвращаясь к экспоненциальному сглаживанию...
В одной из предыдущих частей мы уже рассматривали простое экспоненциальное сглаживание . Напомним в двух словах основную идею. Мы предполагали, что прогноз для точки t определяется некоторым средним уровнем предыдущих значений. Причем способ, которым вычисляется прогнозное значение, определяется рекуррентным соотношением
В таком виде метод дает удобоваримые результаты, если ряд продаж достаточно стационарен — нет выраженного тренда или сезонных колебаний . Но на практике такой случай — счастье. Поэтому мы рассмотрим модификацию данного метода, позволяющую работать с трендовыми и сезонными моделями.
Метод получил название Холта-Винтерса по именам разработчиков: Холт предложил метод учета тренда , Винтерс добавил сезонность .
Для того, чтобы не только разобраться с арифметикой, но и «почувствовать», как это работает, давайте немного повернем нашу голову и подумаем, что меняется, если мы вводим тренд. Если для простого экспоненциального сглаживания оценка прогноза на p-й период делалась как
где Lt — усредненный по известному правилу «общий уровень», то при наличии тренда появляется поправка
,
то есть к общему уровню добавляется оценка тренда. Причем как общий уровень, так и тренд мы будем усреднять независимо по методу экспоненциального сглаживания. Что понимается под усреднением тренда? Мы предполагаем, что в нашем процессе присутствует локальный тренд, определяющий систематическое приращение на одном шаге — между точками t и t-1, например. И если для линейной регрессии линия тренда проводится по всей совокупности точек, мы считаем, что более поздние точки должны вносить больший вклад, поскольку рыночное окружение постоянно меняется и более свежие данные более ценны для прогноза. В итоге Холт предложил использовать уже два рекуррентных соотношения — одно сглаживает общий уровень ряда , другое сглаживает трендовую составляющую .
Методика сглаживания такова, что вначале выбираются начальные значения уровня и тренда, а затем делается проход по всему ряду, на каждом шаге вычисляя новые значения по формулам. Из общих соображений понятно, что начальные значения должны как-то определяться исходя из значений ряда в самом начале, однако четких критериев тут нет, присутствует элемент волюнтаризма. Наиболее часто используются два подхода в выборе «точек отсчета»:
Начальный уровень равен первому значению ряда, начальный тренд равен нулю.
Берем первые несколько точек (штук 5), проводим линию регрессии (ax+b). Начальный уровень задаем как b, начальный тренд как a.
По большому счету этот вопрос не является принципиальным. Как мы помним, вклад ранних точек мизерный, поскольку коэффициенты очень быстро (по экспоненте) убывают, так что при достаточной длине ряда исходных данных мы скорее всего получим практически идентичные прогнозы. Разница, однако, может проявиться при оценке ошибки модели.
На этом рисунке показаны результаты сглаживания при двух выборах начальных значений. Здесь хорошо видно, что большая ошибка второго варианта связана с тем, что начальное значение тренда (взятое по 5 точкам) получилось явно завышенным, поскольку мы не учитывали рост, связанный с сезонностью.
Поэтому (вслед за господином Винтерсом) усложним модель и будем делать прогноз с учетом сезонности :
В данном случае мы, как и раньше, предполагаем мультипликативную сезонность. Тогда наша система уравнений сглаживания получает еще одну составляющую:
где s — лаг сезонности.
И вновь заметим, что выбор начальных значений, как и величин постоянных сглаживания — вопрос воли и мнения эксперта.
Для действительно важных прогнозов, однако, можно предложить составить матрицу всех комбинаций постоянных и перебором выбрать такие, которые дают меньшую ошибку. О методах оценки ошибочности моделей мы поговорим немного позже. А пока займемся сглаживанием нашего ряда по методу Холта-Винтерса . Начальные значения будем в данном случае определять по следующему алгоритму:
Теперь начальные значения определены.
Результаты всего этого безобразия:
Заключение
Удивительно, но такой простой метод дает на практике очень неплохие результаты, вполне сравнимые с гораздо более "математическими" - например, с линейной регрессией. И при этом реализация экспоненциального сглаживания в информационной системе на порядок проще.
Прогнозирование редких продаж. Метод Кростона
Прогнозирование редких продаж.
Суть проблемы.
Вся известная математика прогнозирования, которую с удовольствием описывают авторы учебников, основывается на предположении, что продажи в некотором смысле "ровные". Именно при такой картинке в принципе возникают такие понятия, как тренд или сезонность.
А что делать, если продажи выглядят следующим образом?
Каждый столбик здесь - продажи за период, между ними продаж нет, хотя товар присутствует.
О каких "трендах" здесь можно говорить, когда около половины периодов имеют нулевые продажи? И это еще не самый клинический случай!
Уже из самих графиков видно, что нужно придумывать какие-то другие алгоритмы предсказания. Хочется еще заметить, что эта задача не высосана из пальца и не является какой-то редкой. Практически все aftermarket ниши имеют дело именно с этим случаем - автозапчасти, аптеки, обеспечение сервисных центров,...
Формулировка задачи.
Будем решать чисто прикладную задачу. У меня есть данные о продажах торговой точки с точностью до дней. Срок реакции системы поставок пусть будет ровно одна неделя. Задача-минимум - спрогнозировать скорость продаж. Задача-максимум - определить величину страхового запаса исходя из уровня обслуживания в 95%.
Метод Кростона.
Анализируя физическую природу процесса, Кростон (Croston, J.D.) предположил, что
- все продажи статистически независимы
- случилась продажа или нет, подчиняется распределению Бернулли
(с вероятностью p событие происходит, с вероятностью 1-p нет) - в случае, если событие продажи произошло, размер покупки распределен нормально
Это означает, что результирующее распределение имеет такой вид:
Как видим, от "колокола" Гаусса эта картинка сильно отличается. Более того, вершина изображенного холма соответствует покупке 25 единиц, тогда как если мы "в лоб" посчитаем среднее по ряду продаж, получим 18 единиц, а расчет СКО дает 16. Соответствующая "нормальная" кривая нарисована здесь зеленым.
Кростон предложил делать оценку двух независимых величин - периода между покупками и собственно размера покупки. Посмотрим на тестовые данные, у меня как раз случайно под руками данные о реальных продажах:
Теперь поделим исходный ряд на два ряда по следующим принципам.
| исходный | период | размер |
| 0 | ||
| 0 | ||
| 0 | ||
| 0 | ||
| 0 | ||
| 0 | ||
| 0 | ||
| 0 | ||
| 0 | ||
| 0 | ||
| 4 | 11 | 4 |
| 0 | ||
| 0 | ||
| 4 | 3 | 4 |
| 5 | 1 | 5 |
| ... | ... | ... |
Теперь к каждому из получившихся рядов применим простое экспоненциальное сглаживание и получим ожидаемые значения интервала между покупками и величины покупки. А разделив второе на первое, получим ожидаемую интенсивность спроса в единицу времени.
Так, у меня есть тестовые данные по дневным продажам. Выделение рядов и сглаживание с малым значением постоянной дало мне
- ожидаемый период между покупками 5.5 дней
- ожидаемый размер покупки 3.7 единиц
следовательно недельный прогноз продаж составит 3.7/5.5*7=4.7 единиц.
Вообще-то это все, что нам дает метод Кростона - точечную оценку прогноза. К сожалению, этого недостаточно для расчета потребного страхового запаса.
Метод Кростона. Уточнение алгоритма.
Недостаток метода Кростона.
Проблема вообще-то всех классических методов состоит в том, что они моделируют поведение с помощью нормального распределения. И здесь сидит систематическая ошибка, поскольку нормальное распределение предполагает, что случайная величина может меняться от минус бесконечности до плюс бесконечности. Но это небольшая беда для достаточно регулярного спроса, когда коэффициент вариации невелик, а значит и вероятность появления отрицательных значений столь незначительна, что мы вполне можем на это закрывать глаза.
Другое дело - прогнозирование редких событий, когда матожидание размера покупки имеет малое значение, а СКО при этом вполне может оказаться как минимум такого же порядка:
Чтобы уйти от такой очевидной погрешности, было предложено пользоваться логнормальным распределением, как более "логично" описывающим картину мира:
Если кого-то смущают всякие страшные слова, не волнуйтесь, принцип очень прост. Берется исходный ряд, от каждого значения берется натуральный логарифм, и предполагается, что получившийся ряд уже ведет себя как нормально распределенный со всей стандартной математикой, описанной выше.
Метод Кростона и страховой запас. Функция распределения спроса.
Сел я тут и задумался... Ну хорошо, получил я характеристики потока спроса:
ожидаемый период между покупками 5.5 дней
ожидаемый размер покупки 3.7 единиц
ожидаемая интенсивность спроса 3.7/5.5 единиц в день...
пусть я даже получил СКО дневного спроса для ненулевых продаж - 2.7. А что там насчет страхового запаса
?
Как известно, страховой запас должен обеспечить наличие товара при отклонении продаж от среднего с определенной вероятностью. Метрики уровня обслуживания мы уже обсуждали, давайте для начала поговорим об уровне первого рода. Строгая формулировка задачи звучит так:
У нашей системы поставок есть время реакции. Суммарный спрос на товар за это время есть величина случайная, имеющая свою функцию распределения. Условие "вероятность необнуления запаса" можно записать как
В случае редких продаж функция распределения может быть записана следующим образом:
q - вероятность нулевого исхода
p=1-q - вероятность ненулевого исхода
f(x) - плотность распределения размера покупки
Заметьте, в своем исследовании в предыдущий раз все эти параметры я измерял для дневного ряда продаж. Поэтому если время реакции у меня тоже равно одному дню, то эту формулу можно успешно применить прямо сразу. Например:
предположим, что f(x) - нормальная.
предположим, что в области x<=0 вероятности, описываемые функцией очень низкие, т.е.
тогда интеграл в нашей формуле ищется по таблице Лапласа.
в нашем примере p = 1/5.5, так что
алгоритм поиска становится очевидным - задав SL, наращиваем k, пока F не превысит заданный уровень.
Кстати, в последней колонке что? Правильно, уровень обслуживания второго рода, соответствующий заданному запасу. И тут, как я уже говорил, сидит некоторый методологический казус. Давайте представим себе, что продажи происходят приблизительно с частотой один раз в... ну пусть будет 50 дней. И еще представим себе, что мы держим нулевой запас. Какой уровень обслуживания будет? Вроде как нулевой - нет запаса, нет и обслуживания. Ту же цифру нам даст и система контроля запаса, поскольку наблюдается постоянный out of stock. Но ведь с точки зрения банальной эрудиции в 49 случаях из 50 продажа точно соответствует спросу. То есть не приводит к потерям прибыли и лояльности клиентов , а ни для чего другого уровень сервиса и не предназначен. Этот несколько вырожденный случай (чую, спор начнется) является просто иллюстрацией того, почему даже очень малый запас при редком спросе дает высокие уровни сервиса.
Но это все цветочки. А что, если у меня изменился поставщик, и теперь время реакции стало равняться неделе, например? Ну, тут все становится совсем веселым, тем, кто не любит "многаформул", рекомендую далее не читать, а ждать статью про метод Виллемейна.
Наша задача состоит теперь в том, чтобы проанализировать сумму продаж за период реакции системы , понять ее распределение, и уже оттуда вытаскивать зависимость уровня сервиса от величины запаса .
Итак, функция распределения спроса за один день и все ее параметры нам известны:
По-прежнему результат одного дня статистически независим от любого другого.
Пусть случайное событие состоит в том, что за n дней случилось ровно
m фактов ненулевых продаж. Согласно закону Бернулли (да ладно, я ж сижу и с учебника списываю!) вероятность такого события
где - число сочетаний из n по m, а p и q - опять те же вероятности.
Тогда вероятность того, что сумма проданного за n дней в результате ровно m фактов продаж
не превысит величины z, составит
где - распределение суммы проданного, то есть свертка m одинаковых распределений.
Ну и поскольку искомый результат (суммарные продажи не превышают z) может быть получен при любых m, осталось просуммировать соответствующие вероятности:
(первое слагаемое соответствует вероятности нулевого исхода всех n испытаний).
Что-то дальше мне лень со всем этим возиться, желающие могут самостоятельно построить таблицу, аналогичную вышеприведенной в применении к нормальной плотности вероятности. Для этого надо только вспомнить, что свертка m нормальных рапределений с параметрами (a,s 2) дает нормальное же распределение с параметрами (ma,ms 2).
Прогнозирование редких продаж. Метод Виллемейна.
Что плохого в методе Кростона?
Дело в том, что во-первых, он подразумевает нормальность распределения размера покупки. Во-вторых, для адекватных результатов это распределение должно иметь невысокую дисперсию. В-третьих, хоть это и не так смертельно, применение экспоненциального сглаживания для нахождения характеристик распределения неявно подразумевает нестационарность процесса.
Ну да бог с ним. Для нас самое важное - реальные продажи даже близко не выглядят нормальными. Именно эта мысль сподвигла Виллемейна (Thomas R. Willemain) и компанию к созданию более универсального способа. А потребность в таком методе была продиктована чем? Правильно, необходимостью прогнозировать потребность в запасных частях, в особенности в автомобильных запчастях.
Метод Виллемейна.
Суть подхода состоит в применении процедуры бутстраппинга (bootstrapping). Словечко это родилось из старой поговорки "pull oneself over a fence by one"s bootstraps", что почти буквально соответствует нашему "вытащить себя за собственные волосы". Компьютерный термин boot, кстати, тоже отсюда. И смысл этого слова в том, что некая сущность содержит в себе необходимые ресурсы, чтобы саму себя перевести в другое состояние, и при необходимости такую процедуру возможно запустить. Именно такой процесс происходит с компьютером, когда мы нажимаем на определенную кнопку.
В применении же к нашей узкой задаче процедура бутстраппинга означает вычисление внутренних закономерностей, присутствующих в данных, и выполняется следующим образом.
По условиям нашей задачи время реакции системы 7 дней. Мы НЕ знаем и НЕ ПЫТАЕМСЯ предположить вид и параметры кривой распределения.
Вместо этого мы из всего ряда 7 раз случайно "выдергиваем" дни, суммируем продажи этих дней и записываем результат.
Повторяем эти действия, каждый раз записывая сумму продаж за 7 дней.
Желательно произвести опыт достаточно много раз, чтобы получить наиболее адекватную картинку. 10 - 100 тысяч раз будет очень неплохо. Здесь очень важно, чтобы дни выбирались случайно РАВНОМЕРНО во всем анализируемом диапазоне.
В итоге мы должны получить "как бы" все возможные исходы продаж ровно семи дней, причем с учетом частоты появления одинаковых результатов.
Далее разбиваем весь диапазон получившихся значений сумм на отрезки в соответсвии с той точностью, которая нам потребуется для определения запаса. И строим частотную гистограмму, которая как раз и покажет реальное распределение вероятностей покупок. В моем случае я получил следующее:
Поскольку у меня продажи штучного товара, т.е. размер покупки всегда целое число, то я и не разбивал на отрезки, оставил как есть. Высота столбика соответствует доле общих продаж.
Как видим, правая, "ненулевая" часть распределения не напоминает нормальное распределение (сравните с зеленым пунктиром).
Теперь на основании этого распределения несложно рассчитать уровни обслуживания, соответствующие разному размеру запаса (SL1, SL2). Так что, задав целевой уровень сервиса, сразу получаем потребный запас.
Но и это не все. Если ввести в рассмотрение финансовые показатели - себестоимость, прогнозная цена, стоимость содержания запаса, легко считается и доходность, соответствующая каждому размеру запаса и каждому уровню сервиса. Она у меня показана в последней колонке, а соответствующие графики вот:
То есть здесь мы узнаем максимально эффективный запас и уровень обслуживания с точки зрения получения прибыли.
Напоследок (в очередной уже раз) хочется спросить: "а почему мы уровень обслуживания основываем на ABC-анализе ?" Казалось бы, в нашем случае оптимальный уровень сервиса первого рода составляет 91% вне зависимости от того, в какой из групп товар находится. Тайна сия велика есть...
Напомню, что одно из допущений, на которых мы основывались - независимость продаж одного дня от другого. Это очень хорошее допущение для розницы. Например, ожидаемые продажи хлеба сегодня никак не зависят от его вчерашних продаж. Такая картинка вообще характерна там, где есть достаточно большая клиентская база. Поэтому случайно выбранные три дня могут дать такой результат
такой
и даже такой
Совсем другое дело, когда мы имеем относительно немного клиентов, особенно если они покупают нечасто и помногу. в этом случае вероятность события, аналогичного третьему варианту, практически нулевая. Излагая простым языком, если у меня вчера были большие отгрузки, скорее всего сегодня будет затишье. И уж совсем фантастически выглядит вариант, когда спрос будет велик в течение нескольких дней подряд.
Значит, независимость продаж соседних дней в этом случае может оказаться чушью собачьей, и гораздо логичнее предположить обратное - они тесным образом связаны. Что ж, нас этим не испугаешь. Всего-то навсего мы не будем выдергивать дни совершенно случайно , мы будем брать дни, идущие подряд :
Все даже интереснее. Поскольку ряды у нас относительно короткие, нам даже не надо заморачиваться со случайной выборкой - достаточно прогнать по ряду скользящее окно размером в срок реакции, и готовая гистограмма у нас в кармане.
Но тут есть и недостаток. Дело в том, что мы получаем гораздо меньше наблюдений. Для окна в 7 дней за год можно получить 365-7 наблюдений, тогда как при случайной выборке 7 из 365 - это число сочетаний 365! / 7! / (365-7)! Считать лень, но это намного больше.
А малое число наблюдений означает ненадежность оценок, так что копите данные - они лишними не бывают!
Вы сможете спрогнозировать продажи, не прибегая к сложным формулам, рассчитать коридор спроса, определив верхнюю и нижнюю границы будущих продаж, использовать универсальный метод прогноза продаж для любого периода.
Вместо громоздких формул для прогноза спроса на продукцию мы используем один график в Excel, который строим исходя из данных о продажах компании. Алгоритм вывели самостоятельно, опираясь на советы знакомых бизнесменов и материалы из интернета. С помощью графика прогнозируем продажи на месяц, несколько месяцев или год. Чтобы повторить опыт, вам потребуется версия Excel 2003–2016 года. Кроме того, в конце статьи вы найдете альтернативный способ, который позволит построить прогноз за несколько минут. Однако он подходит исключительно для версии Excel 2016 года.
Ша г 1. Чтобы прогнозировать спрос на товары, собираем данные о продажах компании
Чтобы приступить к анализу, вам понадобятся данные о продажах компании за весь период ее существования. Чем больше информации, тем точнее прогноз. У нас, к примеру, есть сведения о продажах с января 2013 года по август 2015-го. Заносим их в таблицу (рисунок 1).
Лучшая статья месяца
Мы подготовили статью, которая:
✩покажет, как программы слежения помогают защитить компанию от краж;
✩подскажет, чем на самом деле занимаются менеджеры в рабочее время;
✩объяснит, как организовать слежку за сотрудниками, чтобы не нарушить закон.
С помощью предложенных инструментов, Вы сможете контролировать менеджеров без снижения мотивации.
Шаг 2. Делаем прогноз спроса на продукцию на заданный период
Чтобы спрогнозировать продажи, к примеру, на месяц или на будущий год, используем функцию «ПРЕДСКАЗ» в Excel. Функция основана на линейной регрессии и предназначена для прогнозирования продаж, потребления товара и пр.
В ячейку C34 записываем функцию:
ПРЕДСКАЗ(x; известные_значения_у; известные_значения_х),
х - дата, значение для которой необходимо предсказать (ячейка A34);
Шаг 3. Делаем расчет коэффициента сезонности для прогноза спроса
Чтобы учесть сезонные спады и рост продаж, с помощью стандартных функций вычисляем коэффициент сезонности. Для этого суммы продаж за первый и второй год делим на общую сумму продаж за два года и умножаем на 12. С помощью клавиши F4 устанавливаем абсолютные ссылки, чтобы расчет шел исключительно из нужного нам диапазона (рисунок 1).
=(($B$2:$B$13+$B$14:$B$25)/СУММ($B$2:$B$25))*12
Далее копируем формулу и вставляем в ячейки F2:F13 как формулу массива. Завершаем ввод сочетанием клавиш: Ctrl+Shift+Enter. Если этого не сделать, функция вернет значение ошибки #ЗНАЧ! В результате для января получим коэффициент 0,974834224106574, для февраля - 0,989928632237843 и т. д. Для наглядности можно назначить ячейкам процентный формат. Правой кнопки мыши выбираем «Формат ячеек», затем вкладку «Число» и далее вкладку «Процентный, два знака после запятой».
- Сезонные спады в бизнесе: 3 способа вытянуть продажи
Шаг 4. Корректируем прогноз спроса на продукцию, учитывая сезонность
Добавим рассчитанные коэффициенты в имеющуюся функцию «ПРЕДСКАЗ» (ячейки C34:C45):
Чтобы скорректировать продажи, учитывая коэффициент, используем функцию «ИНДЕКС» (рисунок 2).
Первым аргументом в функции указываем ссылку на 12 ячеек с коэффициентами сезонности ($F$2:$F$13), вторым - номер месяца, чтобы вернуть коэффициент для нужного месяца (для этого используем функцию «месяц», которая возвращает только номер месяца из указанной даты). Для сентября 2015 года формула индекса выглядит так:
ИНДЕКС($F$3:$F$14;МЕСЯЦ(A35))
Чтобы скорректировать прогноз, нужно значение «ИНДЕКС» умножить на значение «ПРЕДСКАЗ», которое рассчитывали в шаге 2. Вот что мы получим:
ПРЕДСКАЗ(A34; $B$2:$B$33; $A$2:$A$33)*ИНДЕКС ({97,48%:98,99%:90,38%:94,66%:100,86%:99,02%:100,66%:110,39%:100,47%:104,82%:105,13%:97,14%}; 9)
Распространяем функцию на дальнейшие периоды и получаем скорректированный прогноз с учетом сезонности в ячейках C34:С45 (рисунок 1).
Шаг 5. Рассчитываем отклонение и строим два сценария
Реальные продажи редко в точности соответствуют прогнозам. Поэтому компании дополнительно строят допустимые верхние и нижние границы - прогноз продаж по оптимистичному и пессимистичному сценариям. Это помогает отследить тенденцию и понять, выходят ли реальные показатели продаж за спрогнозированные значения. При большом отклонении можно в срочном порядке принять необходимые меры.
Верхние и нижние границы коридора спроса строим по формуле (ячейка G2 на рисунке 1):
ДОВЕРИТ(0,05 (АЛФА); СТАНДОТКЛОН(C34:C45); СЧЕТ(C34:C45)),
«ДОВЕРИТ» возвращает доверительный интервал, используя нормальное распределение. Функция учитывает колебания продаж компании, включая сезонные.
«АЛФА» - уровень значимости для вычисления доверительного уровня. Показатель 0,05 означает, что мы получим прогноз с точностью 95%.
«СТАНДОТКЛОН» - стандартное отклонение генеральной совокупности. Показывает, насколько прогнозируемые продажи отличаются от реальных.
«СЧЕТ» подсчитывает количество месяцев, по которым мы прогнозируем продажи.
Чтобы получить оптимистичный и пессимистичный сценарии, в ячейки D34 и D35 записываем формулы (рисунок 1).
Оптимистичный: =$C34+$G$2 (прибавляем к сумме прогноза сумму рассчитанного доверительного интервала)
Пессимистичный: =$C34–$G$2 (вычитаем из суммы прогноза сумму доверительного интервала)
Чтобы по полученным данным построить график, в ячейки C33, D33 и E33 копируем значения из ячейки B33. Далее выделяем все данные (A1:E45), переходим на вкладку «Вставка», находим вкладку «Диаграммы» и затем вкладку «График». В итоге получаем график с коридором спроса (рисунок 3).
Вывод. Построив коридор спроса, внимательно следим за продажами в новом году. В 99 % случаев они развиваются в рамках коридора. Если нет - анализируем продажи еще раз и строим новый график.
- Как регулярное изучение спроса повышает динамику продаж на 648%
Мнение эксперта
Метод эффективен для прогнозирования продаж малого количества SKU
Максим Люлин,
генеральный директор «Актион-пресс»
Я бы советовал использовать метод для прогноза в отношении одного артикула - тогда он будет максимально точным. В целом метод понравился мне своей простотой и тем, что позволяет избежать ошибок. Его также можно применять для прогноза продаж группы товаров, схожих по характеристикам и близких по цене.
К недостаткам метода отнесу сложность учета изменения цен, влияния аукционной деятельности. Кроме того, при оценке продаж в рублях вы не можете объективно оценить долю продаж компании в отраслевой нише, поэтому рискуете потерять долю рынка. Ваши конкуренты могут этим воспользоваться и предложить товар по более низкой цене.
Мнение эксперта
Метод идеален для анализа продаж по зафиксированным показателям
Кирилл Чихачев,
генеральный директор «МЦФЭР-пресс»
До прочтения статьи я был знаком с методом в теории. Теперь, попробовав его на практике, могу сказать, что он мне понравился. Метод идеален для анализа продаж по зафиксированным показателям: количество продуктов, сбытовая мощность и пр. Его также стоит применять для малого числа продуктов: рост и падение спроса на каждый из них зависит от разных причин. Прогноз предельно понятен, логичен и точен. Однако для еще большей точности я бы учел следующие моменты.
Максимальное и минимальное значения продаж проще рассчитывать исходя из двух точек в начале и конце периодов, а не искать точки, через которые должна проходить прямая.
При прогнозировании продаж на месяц разницу верхнего и нижнего значений для оптимистичного и пессимистичного сценариев логичнее делить не на 12, а на количество месяцев внутри отрезка. Так вы более точно рассчитаете ежемесячный прирост продаж.
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Подобные документы
Предложение товаров и его связь с потребительским спросом. Прогнозирование общей емкости регионального рынка потребительских товаров и спроса на торговом предприятии. Оценка и прогнозирование покупательского спроса населения Кемеровской области.
курсовая работа , добавлен 20.12.2007
Понятие спроса. Виды и экономическое содержание спроса. Механизм государственного воздействия на активизацию потребительского спроса в условиях российской экономики. Потребительский спрос в городе. Особенности и методы прогнозирования спроса в городе.
курсовая работа , добавлен 04.08.2010
Основные объективные экономические законы рынка. Связь между относительной ценой на товар и величиной спроса на него. Фармацевтические товары длительного и кратковременного пользования. Зависимость величины спроса от цены. Основные факторы спроса.
презентация , добавлен 25.10.2016
Сущность спроса как основной категории современного рынка, факторы формирования, классификация и разновидности, сбалансированность и удовлетворенность. Основные методы стимулирования спроса. Государственное регулирование рынка потребительских товаров.
контрольная работа , добавлен 25.03.2010
Методы прогнозирования конъюнктуры рынка: экстраполяция, экспертные оценки, математическое моделирование. Составление прогноза конъюнктуры рынка легковых автомобилей Самарской области. Определение соотношения спроса и предложения на товары данного вида.
курсовая работа , добавлен 04.01.2015
Характеристика, принципы маркетинговой политики компании. Платежеспособный спрос и факторы, влияющие на его развитие. Определение общего объема спроса населения. Прогнозирование спроса на продукцию общественного питания на примере ресторана "Тинькофф".
курсовая работа , добавлен 30.03.2009
Характеристика и методы реализации основных мероприятий по формированию спроса на новые товары и услуги: реклама, презентация, личная продажа, брендинг, паблик рилейшнз. Анализ эффетиквности применения данных мероприятий на предприятии "МЕГАМАРТ".
курсовая работа , добавлен 18.04.2010
Анализ взаимосвязи потребительского спроса и дохода покупателей. Изучение рынка розничной торговли продуктов питания, парикмахерских услуг, рынка жилья, фармацевтических товаров, мебели, оргтехники. Рассмотрение состояния пищевой промышленности в городе.
отчет по практике , добавлен 30.03.2011
Прогнозирование спроса - это научно обоснованное предсказание развития рынка во времени на основе изучения причинно-следственных связей, тенденций и закономерностей.
Прогнозирование спроса в торговом предприятии - это прогноз будущих продаж, определение потребности в товарах и необходимых объемов закупок, составление заказов на поставку товаров.
В зависимости от времени различают следующие виды прогнозирования спроса:
оперативное - до 1 месяца;
конъюнктурное - от 3 до 6 месяцев;
краткосрочное - от 1 года до 2 лет;
среднесрочное - от 2 до 5 лет;
долгосрочное - от 5 до 10 лет;
перспективное - свыше 10 лет.
Методы прогнозирования спроса
Прогнозирование спроса осуществляется с помощью различных методов, которые подразделяют на:
эвристические, в которых преобладают субъективные начала:
социологические - основаны на опросах конечных покупателей, выявлении их мнений и намерений;
экспертные методы - основаны на подборе и формировании группы достаточно компетентных специалистов, которые высказывают свое мнение на основе знаний, опыта, интуиции, и оно рассматривается как экспертная оценка (метод Дельфи, метод мозгового штурма);
экономико-математические, где преобладают объективные начала:
статистические методы - моделирование (строится прогнозная модель, которая характеризует зависимость изучаемого параметра от ряда факторов), расчет коэффициента эластичности спроса, экстраполяция (базируется на прошлом опыте, который пролонгируется на будущее);
специальные методы (трендовые модели в графическом или математическом виде). Тренд - временной фактор, который характеризует основную тенденцию изменения показателей - учитывают особенности спроса на различные товары (товары длительного пользования - тестирование рынка, панельные опросы; товары единовременного пользования - метод пробных покупок, повторных покупок).
Тема 4. Теория и анализ производства
ПРОИЗВОДСТВЕННАЯ ФУНКЦИЯ - функция, отображающая зависимость между максимальным объемом производимого продукта и физическим объемом факторов производства при данном уровне технических знаний.
Поскольку объем производства зависит от объема использованных ресурсов, то зависимость между ними может быть выражена в виде следующей функциональной записи:
где Q - максимальный объем продукции, произведенной при данной технологии и определенных факторах производства;
L - труд; К - капитал; М - материалы; f - функция.
Производственная функция при данной технологии обладает свойствами, которые определяют соотношение между объемом производства и количеством используемых факторов. Для разных видов производства производственные функции различны, тем не менее все они имеют общие свойства. Можно выделить два основных свойства.
1. Существует предел для роста объема выпуска, который может быть достигнут ростом затрат одного ресурса при прочих равных условиях. Так, в фирме при фиксированном количестве машин и производственных помещений имеется предел роста выпуска путем увеличения дополнительных рабочих, поскольку рабочий не будет обеспечен машинами для работы.
2. Существует определенная взаимная дополняемость (комплектарность) факторов производства, однако без уменьшения объема выпуска вероятна и определенная взаимозаменяемость данных факторов производства. Так, для выпуска блага могут быть использованы различные комбинации ресурсов; можно произвести это благо при использовании меньшего объема капитала и большего объема затрат труда, и наоборот. В первом случае производство считается технически эффективным в сравнении со вторым случаем. Однако существует предел того, насколько труд может быть заменен большим объемом капитала, чтобы не сократилось производство. С другой стороны, имеется предел применения ручного труда без использования машин.
В графической форме каждый вид производства может быть представлен точкой, координаты которой характеризуют минимально необходимые для выпуска данного объема продукции ресурсы, а производственная функция - линией изокванты.
Рассмотрев производственную функцию фирмы, перейдем к характеристике следующих трех важных понятий: общего (совокупного), среднего и предельного продукта.
На рис. 22.1, а показана кривая общего продукта (ТР), который изменяется в зависимости от величины переменного фактора X. На кривой ТР отмечены три точки: В - точка перегиба, С - точка, которая принадлежит касательной, совпадающей с линией, соединяющей данную точку с началом координат, D - точка максимального значения ТР. Точка А перемещается по кривой ТР. Соединив точку А с началом координат, получим линию ОА. Опустив перпендикуляр из точки А на ось абсцисс, получим треугольник ОАМ, где tg а есть отношение стороны AM к ОМ, т. е. выражение среднего продукта (АР).
Рис. 22.1. а) Кривая общего продукта (ТР); б) кривая среднего продукта (АР) и предельного продукта (МР)
Проведя через точку А касательную, получим угол Р, тангенс которого будет выражать предельный продукт МР. Сопоставляя треугольники LAM и ОАМ, находим, что до определенного момента тангенс Р по величине больше tg а. Таким образом, предельный продукт (МР) больше среднего продукта (АР). В том случае, когда точка А совпадает с точкой В, тангенс Р принимает максимальное значение и, следовательно, предельный продукт (МР) достигает наибольшего объема. Если точка А совпадает с точкой С, то значение среднего и предельного продукта равны. Предельный продукт (МР), достигнув максимального значения в точке В (рис. 22, б), начинает Сокращаться и в точке С пересечется с графиком среднего продукта (АР), который в этой точке достигает максимального значения. Затем и предельный, и средний продукт сокращаются, но предельный продукт уменьшается опережающими темпами. В точке максимума общего продукта (ТР) предельный продукт МР = 0.
Мы видим, что наиболее эффективное изменение переменного фактора X наблюдается на отрезке от точки В до точки С. Здесь предельный продукт (МР), достигнув своего максимального значения, начинает уменьшаться, средний продукт (АР) еще увеличивается, общий продукт (ТР) получает наибольший прирост.
В теории маржинального анализа (анализа безубыточности) выделяется такое понятие, как маржинальный доход, рассчитываемый в целом по предприятию как разность между выручкой и совокупными переменными затратами. Для единичного изделия маржинальный доход рассчитывается как разница между ценой реализации и удельными переменными затратами на единицу продукции.
Маржинальный анализ призван обеспечить объективную оценку состояния резервов производства и степени их использования, очевидный реальный дефицит или избыток ресурсов. На базе операционного анализа разрабатываются пути мобилизации резервов, возможности их ресурсного и финансового обеспечения.
Экономический смысл маржинального дохода заключается в том, что он обеспечивает покрытие постоянных затрат и формирует чистую прибыль от основной деятельности предприятия. Маржинальный доход (прибыль) – это предельная прибыль, которую может получить предприятие от производства и продажи каждого вида продукта.
Концепция маржинального дохода вписывается в метод управления и учета затрат, получивший название директ-костинг. Суть данного метода состоит в том, что к себестоимости относятся только прямые затраты, накладные же расходы, не зависящие от объема продаж, в себестоимость продукции не включаются, а периодически списываются на финансовый результат.
Основной смысл данной концепции в том, что самая точная калькуляция не та, в которую после трудоемких расчетов и распределения накладных расходов в соответствии с принятой на предприятии базой включаются все затраты предприятия, а та, в которую вносятся издержки, непосредственно обеспечивающие выпуск данной продукции.
В практической деятельности зачастую возникает ситуация, когда в выпускаемом предприятием ассортименте существуют отдельные продукты с отрицательной рентабельностью по себестоимости, но имеющие положительный маржинальный доход. Такие продукты полностью покрывают переменные затраты, связанные с их производством, и часть общих постоянных затрат предприятия.
Более глубокий анализ эффективности выпускаемой продукции с использованием понятия маржинального дохода показывает, что снятие с производства продукта с отрицательной рентабельностью по себестоимости не всегда оказывается оправданным и зачастую приводит к парадоксальным на первый взгляд результатам в виде снижения прибыли предприятия в целом.
Как правило, в операционном анализе наиболее часто используются следующие показатели: Коэффициент маржинального дохода; Коэффициент изменения валовых продаж; Коэффициент валового дохода; Коэффициент операционной прибыли; Прибыльность продаж.
1. Коэффициент маржинального дохода, который рассчитывается как отношение маржинального дохода к выручке:
КМД = (выручка - совокупные переменные затраты) / выручка
Данный коэффициент показывает в выручке долю, идущую на покрытие постоянных затрат и обеспечение прибыли. Рост данного коэффициента является положительным фактором, он возможен за счет повышения отпускных цен или снижения переменных затрат. Возможна ситуация, при которой выручка у предприятия
2. Коэффициент изменения валовых продаж. Показатель характеризует изменение объема валовых продаж текущего периода по отношению к объему валовых продаж предыдущего периода. Рассчитывается по формуле:
КВП = (Выручка за текущий год - Выручка за прошлый год) / Выручка за прошлый год
Следует иметь в виду то что, данный показатель содержит в себе инфляционную компоненту, что приводит к некоторому искажению значений данного показателя.
3. Коэффициент валового дохода (или коэффициент валовой маржи). Валовый доход (сумма для покрытия постоянных затрат и формирования прибыли) определяется как разница между выручкой и переменными затратами. Формула расчета:
КВД = Валовый доход / Выручка от реализации
Коэффициент валового дохода (валовой маржи) служит для оценки прибыльности продаж предприятия. По определению, валовой доход должен покрыть издержки, связанные с общим управлением компании и реализацией готовой продукции и, кроме того, обеспечить прибыль предприятию.
Иными словами коэффициент способность менеджмента компании управлять производственными издержками. Чем выше этот показатель, тем успешнее менеджмент предприятия управляет производственными издержками.
4. Коэффициент операционной прибыли (операционной маржи), характеризует отношение операционной прибыли, т.е. валового дохода за вычетом общих, административных и реализационных издержек, к объему продаж. Коэффициент рассчитывается по формуле:
КОП = Операционная прибыль / Выручка от продаж
Данный показатель показывает, насколько эффективна собственно производственная деятельность предприятия.
5. Прибыльность продаж или коэффициент чистой прибыли, формула расчета имеет вид:
КПП = Чистая прибыль / Выручка от реализации
Тема 5. Теория и анализ затрат
Определение и использование издержек в экономическом анализе. Первоначальная стоимость и восстановительная стоимость. Альтернативные и прямые издержки. Связь между производством и издержками. Эффект масштаба.
Издержки производства - затраты на покупку экономических ресурсов, потребленных в процессе выпуска тех или иных благ.
Любое производство товаров и услуг, как известно, связано с использованием труда, капитала и природных ресурсов, которые представляют собой факторы производства, стоимость которых определяется издержками производства.
В связи с ограниченностью ресурсов возникает проблема наилучшего их использования из всех отвергнутых альтернатив.
Альтернативные издержки - это издержки выпуска благ, определяемые стоимостью наилучшей упущенной возможности применения ресурсов производства, обеспечивающие максимальную прибыль. Альтернативные издержки предприятия называются экономическими издержками. Эти издержки необходимо отличать от бухгалтерских издержек.
Бухгалтерские издержки отличаются от экономических издержек тем, что они не включают стоимость факторов производства, являющихся собственностью владельцев фирм. Бухгалтерские издержки меньше экономических на величину неявного заработка предпринимателя, его жены, неявной земельной ренты и неявного процента на собственный капитал владельца фирмы. Иначе говоря, бухгалтерские издержки равны экономическим минус все неявные издержки.
Варианты классификации издержек производства многообразны. Начнем с установления различий между явными и неявными издержками.
Явные издержки - это альтернативные издержки, принимающие форму денежных платежей собственникам ресурсов производства и полуфабрикатов. Они определяются суммой расходов фирмы на оплату покупаемых ресурсов (сырья, материалов, топлива, рабочей силы и т. п.).
Неявные (вмененные) издержки - это альтернативные издержки использования ресурсов, которые принадлежат фирме и принимают форму потерянного дохода от использования ресурсов, являющихся собственностью фирмы. Они определяются стоимостью ресурсов, находящихся в собственности данной фирмы.
Классификация издержек производства может быть осуществлена с учетом мобильности факторов производства. Выделяются постоянные, переменные и общие издержки.
Постоянные издержки (FC) - издержки, величина которых в коротком периоде не изменяется в зависимости от изменения объема производства. Их иногда называют "накладными расходами" или "безвозвратными издержками". К постоянным издержкам относятся расходы на содержание производственных зданий, закупку оборудования, рентные платежи, процентные выплаты по долгам, жалованье управленческого персонала и т. д. Все эти расходы должны финансироваться даже тогда, когда фирма ничего не производит.
Переменные издержки (VC) - издержки, величина которых изменяется в зависимости от изменения объема производства. Если продукция не производится, то они равны нулю. К переменным издержкам относятся расходы на покупку сырьевых ресурсов, топливо, энергию, транспортные услуги, заработную плату рабочим и служащим и т. д. В супермаркетах оплата услуг работников-контролеров входит в переменные издержки, поскольку управляющие могут приспособить объем данных услуг к числу покупателей.
Общие издержки (ТС) - совокупные издержки фирмы, равные сумме ее постоянных и переменных издержек, определяются по формуле:
Общие издержки увеличиваются по мере увеличения объема производства.
Издержки на единицу производимых благ имеют форму средних постоянных издержек, средних переменных издержек и средних общих издержек.
Средние постоянные издержки (AFC) - это общие постоянные издержки на единицу продукции. Они определяются путем деления постоянных издержек (FC) на соответствующее количество (объем) выпущенной продукции:
Поскольку общие постоянные издержки не изменяются, то при делении их на увеличивающийся объем производства средние постоянные издержки будут падать по мере увеличения количества выпускаемой продукции, ибо фиксированная сумма издержек распределяется на все большее и большее количество единиц продукции. И наоборот, при сокращении объема производства средние постоянные издержки будут расти.
Средние переменные издержки (AVC) - это общие переменные издержки на единицу продукции. Они определяются путем деления переменных издержек на соответствующее количество выпущенной продукции:
Средние переменные издержки вначале падают, достигая своего минимума, затем начинают расти.
Средние (общие) издержки (АТС) - это общие издержки производства на единицу продукции. Они определяются двумя способами:
а) путем деления суммы общих издержек на количество произведенной продукции:
б) путем суммирования средних постоянных издержек и средних переменных издержек:
АТС = AFC + AVC.
Вначале средние (общие) издержки высокие, поскольку производится небольшой объем продукции, а постоянные издержки большие. По мере увеличения объема производства средние (общие) издержки снижаются и достигают минимума, а затем начинают расти.
Предельные издержки (МС) - это издержки, связанные с выпуском дополнительной единицы продукции.
Предельные издержки равны изменению общих издержек, деленному на изменение объема произведенной продукции, т. е. они отражают изменение издержек в зависимости от количества выпускаемой продукции. Поскольку постоянные издержки не меняются, то постоянные предельные издержки всегда равны нулю, т. е. MFC = 0. Поэтому предельные издержки - это всегда предельные переменные издержки, т. е. MVC = МС. Из этого следует, что увеличивающаяся отдача переменных факторов сокращает предельные издержки, а понижающаяся отдача - наоборот, их увеличивает.
Предельные издержки показывают, какова величина затрат, которые фирма понесет при росте производства на последнюю единицу продукции, или тех средств, которые она сэкономит в случае уменьшения производства на данную единицу. В том случае, когда дополнительные издержки на производство каждой дополнительной единицы продукции меньше средних издержек уже произведенных единиц, производство данной следующей единицы понизит средние общие издержки. Если же издержки на следующую дополнительную единицу будут выше, чем средние издержки, ее производство повысит средние общие издержки. Изложенное относится к короткому периоду.
В практике российских предприятий и в статистике используется понятие "себестоимость", под которой понимается денежное выражение текущих издержек производства и реализации продукции. В состав затрат, включаемых в себестоимость, включаются расходы на материалы, накладные расходы, заработная плата, амортизация и т. д. Различают следующие виды себестоимости: базисная - себестоимость прошлого периода; индивидуальная - сумма затрат на изготовление конкретного вида изделий; перевозок - затраты на транспортировку грузов (продукции); реализованной продукции, текущая - оценка реализованной продукции по восстановленной себестоимости; технологическая - сумма затрат на организацию технологического процесса изготовления продукции и оказания услуг; фактическая - на основе данных фактических затрат по всем статьям себестоимости за данный период.
Эффект масштаба производства
После того, как фирма определит для себя наиболее эффективный способ производства, расширение объемов выпуска возможно исключительно за счет изменения масштабов производства, т.е. пропорционального увеличения использования всех производственных ресурсов.
Пусть исходная зависимость между объемом выпуска и ресурсами описывается производственной функцией вида
Увеличение в некоторое количество раз (например, в z раз) всех применяемых ресурсов приведет к изменению объема выпуска с Q0 до Q1, так что
Если новый объем выпуска увеличится более, чем в z раз (Q1 > zQ0), то имеет место положительный эффект масштаба производства.
Если новый объем выпуска увеличится менее, чем в z раз (Q1< zQ0), то имеет место отрицательный эффект масштаба производства.
И наконец, если новый объем выпуска увеличится также в z раз (Q1= zQ0), то имеет место постоянный эффект масштаба производства.
Для большинства производственных процессов характер эффекта масштаба меняется в зависимости от достигнутых объемов выпуска. Первоначально эффект может быть постоянным или даже положительным, однако после расширения размеров предприятия сверх некоторого предела эффект становится отрицательным.
Графически эффект масштаба производства может быть проиллюстрирован через кривые долгосрочных средних издержек, как это представлено на рис. 3.3-3.5.
Положительный эффект масштаба предполагает возрастание отдачи используемых ресурсов. Как следствие этого, объем выпуска (Q) растет более быстрыми темпами, чем совокупные затраты (ТС) на факторы производства. Другими словами, средние издержки долгосрочного периода убывают, или
LATC0 > LATC1.
Рис. 3.3. Положительный эффект масштаба производства
Существует несколько причин, объясняющих положительный эффект масштаба.
Во-первых, крупное массовое производство позволяет использовать большую специализацию ресурсов и разделение труда, что в свою очередь повышает производительность всех применяемых ресурсов;
во-вторых, крупные предприятия могут применять более передовую технологию и дорогостоящую автоматизацию производства, недоступное мелким фирмам;
в-третьих, осуществлять специализацию управления и максимально полно использовать труд высококвалифицированных специалистов, так что расходы на управленческий персонал будут расти более медленными темпами, чем производство;
в-четвертых, эффект может быть связан с технологической спецификой отдельных видов производства (в том числе, как следствие геометрического закона соответствия площади поверхностей и объемов, или сечений). Утроение производительности сборочного конвейера может потребовать лишь одного, а не двух дополнительных контролеров. Увеличение диаметра трубы нефтепровода увеличит объем перекачиваемой нефти в более чем два раза и другие случаи, когда объем выпуска увеличивается раньше, чем потребуется дополнительная единица оборудования.
Отрицательный эффект масштаба производства Если объем выпуска (Q) растет более медленными темпами, чем совокупные затраты (ТС) на факторы производства, то в отрасли имеет место отрицательный эффект, а средние издержки долгосрочного периода увеличиваются, или
LATC0 < LATC1
Рис. 3.4. Отрицательный эффект масштаба производства
Отрицательный эффект связан:
во-первых, с ограниченными возможностями эффективного управления крупномасштабным производством. По мере расширения предприятия процесс принятия решений все более и более усложняется, нарастает чрезмерные формализация и бумаготворчество, усиливается бюрократизация управленческого персонала, и как результат, постепенно снижается эффективность производства;
во-вторых, с наличием технологических барьеров на пути чрезмерного увеличения размеров предприятия.
Постоянный эффект масштаба производства
Постоянный эффект предполагает неизменность отдачи используемых ресурсов. Это означает, что объем выпуска (Q) растет такими же темпами, как и совокупные затраты (ТС) на ресурсы. В этих условиях средние издержки долгосрочного периода остаются неизменными, или
Рис. 3.5. Постоянный эффект масштаба производства
Нахождение оптимального размера предприятия для производства той или иной продукции позволяет фирме поддерживать этот оптимум достаточно долго, уже после того, как иссякнут источники положительного эффекта. Это происходит путем создания в рамках единого технологического процесса не одного, а нескольких производственных единиц оптимального размера. Так, если Q*=5 тыс. ед., то крупная компания может производить 15 тыс. ед., построив три завода, и повышая эффективность за счет централизации закупок, сбыта, управления и т.д.
Тема 5 . Рыночные структуры и анализ ценообразования
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:
- Определить характер спроса на товар (если гладкий - прогнозирование нужно, если редкий - прогнозирование не нужно, можно рассчитывать оптимальный запас методами математического моделирования)
- Определить способы прогнозирования спроса (если товарный ассортимент небольшой, то можно вручную или при помощи Excel, если большой - лучше использовать специальное программное обеспечение
- Определить методы прогнозирования спроса (для некоторых товаров хорошо работают стандартные методы (см про скользящее среднее), в общем случае лучшие результаты достигаются нейронными сетями
- 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.
