Возможно ли автоматизировать прогнозирование продаж?

31 Октября 2012

Введение.

Залог успеха компании обеспечивается лояльностью ее клиентов. Сокращая количество случаев дефицита товаров, торговая компания гарантирует себе эту лояльность. Эффективное прогнозирование позволяет подготовить исходные данные для отдела закупок, которые, в свою очередь, планируют своевременные поставки и обеспечивают постоянное наличие необходимого количества товара на складах компании. Задача прогнозирования - кропотливая и рутинная работа. Она требует к себе внимания большого количества экспертов товарных групп, которые в совершенстве знают спрос на товар, особенности его ввода и вывода из ассортимента. А как быть, если содержание большого штата экспертов для компании нерентабельно, а имеющиеся эксперты не справляются с объемом задач, что, естественно, приводит к ошибкам прогнозирования и, как следствие, значительным убыткам компании. Тут на помощь приходят IT- решения.

Задача.

Разработать решение, обеспечивающее инструменты прогнозирования для экспертов товарных групп. Особенности реализации:

  • обработка значительных объемов информации о продажах и наличии товаров на складе;
  • математический прогноз продаж - как ассистент прогнозирования;
  • хранение истории прогнозов продаж;
  • визуализация адекватности прогнозов прошлых периодов.

Решение.

Анализ существующих методов прогнозирования продаж товаров выявил следующие недостатки:

  • данные методы чаще всего реализованы с использованием таблиц Excel, что не позволяет обрабатывать значительные объемы исходных данных (большой ассортимент товаров или значительный объем истории продаж);
  • существующие методы используют классическую статистическую экстраполяцию, которая, в большинстве случаев, не подходит для описания прогнозов продаж будущих периодов.

Для эксперта при прогнозировании товарной группы необходимо получить информацию:

  • о наличии товаров в исследуемом периоде;
  • о характере закупок и спроса на товар;
  • о случаях спецзаказов;
  • расчетных показателей математического тренда и прогнозов;
  • сравнительных характеристик своих прогнозов текущего и предшествующего периодов, для своевременного реагирования на изменение спроса на товар.

Предлагается хранить данные о прогнозах в документах (рис. 1). Это позволит хранить историю прогнозов прошлых периодов и обращаться к ним по мере необходимости. Реквизитами документа являются: период анализа продаж, период прогнозирования, сценарий продаж (сезонность), средний прогноз и закладываемый плановый рост продаж товаров.

Документ Прогноз продаж

Рис. 1 – Документ «Прогноз продаж».

Период анализа продаж выбирается достаточным для расчета таких показателей как: коэффициенты линейного тренда (имеющий уравнение вида x= bt+a), средние продажи товара, количество дней наличия товара на складе. Сценарий необходим для модификации спроса в различные месяцы прогнозируемого периода (например, сезонность, которая может быть различной для различных групп товаров), а также для выделения истинного спроса из данных о продажах товарной позиции. Также в документ выводится информация о накопленном отложенном спросе на начало периода прогнозирования (столбец «ОС» на рис. 1) и запланированных поставках товаров (столбец «Конт» на рис. 1).

Порядок работы с документом следующий:

  • заполнение документа товарами, имеющими общие характеристики сценария продаж (сезонности);
  • определение периода прогнозирования;
  • обработка данных о наличии и продажах товаров, определение истинного спроса на товар (столбец «С.пр.» на рис. 1), расчет коэффициентов линейного тренда (столбец «b=» на рис. 1), заполнение прогноза прошлого периода (столбец «П.С.» на рис. 1);
  • далее эксперт корректирует средний прогноз (столбец «П.Н.» на рис. 1), а алгоритм экстраполирует этот «новый» прогноз на выбранное количество месяцев прогнозирования, с учетом рассчитанных параметров линейного тренда с наложением сценария продаж группы товаров;
  • после чего проводится визуальная оценка адекватности полученных автоматическим способом данных о прогнозах (рис. 2).

Рис. 2 – Оценка адекватности данных о прогнозах.

Представленные на рис. 2 диаграммы, позволяют эксперту проанализировать прошлый период, и убедится, что алгоритм располагал достаточным объемом информации для расчета показателей в автоматическом режиме. Также по диаграмме «Продажи/Прогноз» проводится сравнительная оценка прогнозов продаж и реальных продаж, позволяющая своевременно отреагировать на резко изменяющийся спрос на товар. Третья диаграмма на рис.2 показывает отклонения мнения эксперта, если таковые имеются (диаграмма голубого цвета) от полностью автоматически полученных данных о прогнозе (диаграмма желтого цвета).

Выводы.

Представленное решение позволяет проводить прогнозирование большого ассортимента товаров с большим объемом истории продаж. В отличие от существующих методов, экстраполяция проводится не классическим статистическим способом, а наложением сценария на тренд продаж, что увеличивает точность прогнозов и будет доказано в следующих статьях. Эксперт, не прибегая к сложным манипуляциям с данными, может изменить прогноз, полученный автоматическим способом, а алгоритм, при необходимости, экстраполирует прогнозы заново, но уже с учетом мнения эксперта. Расширенная визуальная часть решения позволяет сократить количество ошибок, как автоматического алгоритма, так и эксперта.

Спасибо за проявленный интерес. Дмитрий Кальченко. Жду Ваших комментариев (необходима регистрация).

Короткая ссылка на новость: http://www.task-idea-solution.org/~c5GEw