• Как прогнозирование спроса на продукцию позволило компании «САХО-химпром» запланировать 30-процентный рост производства
• Какие прогнозы учитывает при составлении годового бюджета продаж кондитерский дом «Шандени»
• Зачем компания «БГ-холдинг» оценивает каждый новый товар по 30 параметрам
• Как научиться прогнозировать спрос на продукцию с точностью до 95%

Опыт Ваших коллег, изложенный в этой статье, показывает, что от грамотного прогнозирования спроса на продукцию напрямую зависит финансовая стабильность бизнеса. В условиях рынка выигрывает тот, кому удается оперативно корректировать работу своего предприятия в соответствии с изменчивым спросом.

Планировать объёмы производства нужно на основе прогнозирования спроса на продукцию, поступающего от конечных потребителей

Дмитрий Важенин, Директор торгового дома «САХО-химпром», Новосибирск

Российский рынок агрохимии – один из самых динамично развивающихся рынков в мире: его ежегодный рост составляет около 20%. Мы основали химическое производство в 2000 году. Наш успех во многом зависел от точного прогнозирования спроса на продукцию предприятия. Нельзя было допустить нехватки или, напротив, избытка продукции. Чтобы освоиться на рынке, нам нужно было обязательно поставить товар клиенту, оценившему пробную партию, – в противном случае заказчик оказался бы для компании потерян. С другой стороны, хранение многих препаратов жестко регламентировано. Мы же стремились обеспечить доступные цены на свою продукцию и не могли увеличивать их, закладывая в стоимость еще и хранение излишков.

При планировании производства приходилось учитывать, что структура спроса на агрохимию в разных земледельческих регионах России неоднородна. Например, в Башкирии и Татарии весьма развито свекловодство, а в Сибири – выращивание зерновых. Рассчитывая долю производства различных видов пестицидов в общем объеме предполагаемого выпуска, нужно принимать во внимание эту территориальную специфику. Замечу, что опираться на данные независимых исследований рынка мы не могли, поскольку они отражают общероссийскую картину, но не всегда дают верное представление о положении дел в конкретном регионе.

Чтобы прогнозирование спроса на продукцию было максимально точным, мы приблизились к конечному потребителю – иными словами, начали самостоятельно изучать региональные рынки. Для этого наши специалисты по сбыту отправлялись в главные земледельческие регионы, где общались с агрономами управлений сельского хозяйства, главами районов, а также собственно с сельхозпроизводителями. Собранная информация (в том числе данные сельхозуправлений об итогах прошедших агросезонов и их планы сева на будущий сезон) помогала нам строить прогнозы относительно того или иного региона. Рынок средств защиты растений, как и другие сельскохозяйственные рынки, – сезонный. Поэтому прогнозы строятся на ближайший агросезон. Со временем мы приступили к созданию разветвленной сети региональных филиалов. Это позволило регулярно оценивать емкость местных рынков. Мы открывали филиал или представительство, только если были уверены, что через несколько лет гарантированно сможем продавать здесь продукции более чем на 60–100 млн руб. ежегодно. Был разработан алгоритм выхода в новый регион. В первый год работы филиала планируются минимальные продажи: сельхозпроизводителям нужно время, чтобы познакомиться с нашими товарами. Во второй год продажи должны вырасти на десятки процентов, а в третий и последующие – каждый год увеличиваться в несколько раз. Затем, после нескольких лет работы, ежегодный прирост закономерно снижается. При этом стабилизация спроса облегчает прогнозирование: работа завода на ближайший год планируется исходя из числа заявок, уже поступивших от конечных потребителей.

Такая практика позволила нам за первые пять лет работы открыть 12 филиалов и 11 региональных подразделений и представительств в странах СНГ.

> ;

Антикризисные инструменты прогнозирования спроса на продукцию

1. Активизация сотрудничества с государственными заказчиками – участие в тендерах.

2. Развитие собственной программы товарного кредитования. В отличие от конкурентов, начавших жестко настаивать на предоплате, мы не свернули программу товарного кредитования, действовавшую многие годы, – напротив, еще и расширили ее. В прошлый кризис такая модель сотрудничества позволила не только сохранить объемы производства, но и существенно увеличить их.

Планируя работу с учетом этого, компания заложила рост объемов производства на 30% при увеличении лимита товарного кредитования на 50%. Сейчас мы строим краткосрочные прогнозы (на ближайший сезон), чтобы спланировать деятельность региональных филиалов сбытовой сети. Среднесрочное прогнозирование (на два-три сезона) применяется, когда нужно оценить целесообразность создания новых подразделений в регионах. А к долгосрочному (на пять-десять сезонов) мы прибегаем, чтобы просчитать эффективность открытия представительства в той или иной стране СНГ.

Различают сезон производства и сезон продаж. Первый короче: он стартует в январе-феврале и завершается фактически уже в июне (реже – в июле), когда возникает необходимость, быстро что-то подкорректировав, выпустить дополнительные объемы препаратов. А сезон продаж в нашей сбытовой сети длится с февраля по сентябрь.

Антикризисные инструменты прогнозирования спроса на продукцию демонстрируют высокую эффективность. Понимая это, мы тем не менее убеждены, что составлять объективные и максимально приближенные к реальности прогнозы нам удается за счет создания такой структуры, при которой прогнозирование, как это ни парадоксально, оказывается не нужно. Сейчас мы уже не прогнозируем спрос – мы его знаем.

Прогнозирование потребительского спроса на продукцию следует регулярно корректировать

Янис Куликовский, Генеральный Директор кондитерского дома «Шандени», Москва

В нашей компании спрос прогнозируется на год. Ежемесячно мы сверяем показатели запланированных и фактических продаж и при необходимости корректируем прогноз. Существенно на производственный цикл вносимые коррективы не влияют – речь идет лишь о перераспределении доли каждого изделия или сорта в общем объеме выпуска для минимизации потерь. В кризис эта модель работы не изменилась, однако мы стали детальнее анализировать потребности клиентов и тенденции в разных сегментах рынка.

При прогнозировании спроса на продукцию предприятия можно ориентироваться на разные данные: результаты сопоставления основных показателей прошлых периодов, прогнозы экспертов и аналитиков, анализ и прогноз действий конкурентов, разбор макроэкономической ситуации, сведения Росстата о среднедушевом потреблении продуктов, выпускаемых фирмой, и т. д. В нашей компании планирование ведется следующим образом.

• Прогнозирование затрат: пошаговый анализ и планирование бюджета

Чтобы оценить оборачиваемость разных видов продукции и сделать соответствующий вывод о возможности увеличить сбыт тех или иных наименований товара, мы отслеживаем по показателю SKU (от англ. stock keeping unit – единица продукции на полке) объемы продаж через разные каналы сбыта (прямые продажи в несетевых магазинах, продажи на открытых рынках, продажи сетевых ритейлеров). При этом нужно точно знать, в каком количестве магазинов присутствует наша продукция и какими наименованиями она представлена. Такую детализацию продаж нужно составить для каждого региона. Как правило, данные контролируются менеджерами по продажам на местах.

Кроме этих сведений, во внимание принимается также показатель, на который мы хотим увеличить продажи. Допустим, он составляет X%. Тогда нам нужно на Y% увеличить свою долю рынка (на определенной территории). Соответственно, в каждом регионе мы ищем возможности обеспечить необходимый рост продаж по всем каналам. Выясняем, в каких городах продукция еще не представлена, рассчитываем нужное количество торговых точек и т. д. Важный вопрос для розницы – выбор приоритетных продуктов, которые обязательно должны быть в магазинах. Решения в каждом случае принимаются на основе анализа текущей оборачиваемости разных товаров в магазинах такого типа. Результаты анализа корректируются маркетинговой службой; учитываются мнения экспертов рынка, данные исследовательских панелей компаний «Бизнес Аналитика» или ACNielsen, среднедушевое потребление продуктов той или иной категории.

Следующий пункт плана – проведение маркетинговых проектов по запуску товаров в существующих или новых категориях. Если необходимо, нишевые продукты (то есть продукты, предназначенные для определенных групп потребителей) мы дополнительно тестируем. Затем просчитываются затраты на ATL– и BTL-акции, промоакции для сотрудников, дистрибьюторов, дополнительные расходы на персонал и пр. В результате мы получаем годовой бюджет продаж по SKU.

Соответственно планируемому объему продаж рассчитывается (по рецептурам) нужное количество сырья и упаковки. В течение года специалисты отдела закупок постоянно ведут мониторинг стоимости сырья, а также собирают информацию о ценах на биржевые товары (какао-масло, сахар). На основании прогнозов урожаев и сведений о тенденциях в этих отраслях вычисляется стоимость сырья и биржевых товаров в каждом месяце ближайшего года. Практически так же осуществляется планирование закупок упаковки. Здесь необходимы знания отраслей, предприятия которых задействованы в цепочке производства того или иного вида упаковки. Кто из производителей устанавливает более современное оборудование по производству или переработке сырья в конечный продукт, где ситуация близка к монопольной, каких цен ожидать – всю эту информацию специалисты отдела закупок собирают из открытых источников или непосредственно при общении с поставщиками. Также немаловажно учесть сменность производственного персонала и затраты на ремонт и плановое обслуживание оборудования. На основании всех полученных данных прогнозируется сырьевая и производственная себестоимость продуктов. Вычислив ее, мы рассчитываем объем дополнительных средств для финансирования операционной деятельности и запуска новых продуктов или проектов. И, наконец, принимаем решение об отпускных ценах на нашу продукцию, учитывая планируемые изменения затрат в соответствии с позиционированием товаров по SKU относительно наших конкурентов.

• Как повысить точность прогнозов продаж в розничной торговле

Прежде чем включить в свой ассортимент какой-либо товар, мы оцениваем его по 30 различным критериям

Анастасия Закатова, Директор по маркетингу компании «БГ-холдинг», Санкт-Петербург

В нашей компании при прогнозировании спроса на продукцию и планировании учитываются специфика конкретного товара, а также характер сотрудничества с клиентом. Постоянным покупателям продукция доставляется на заказ. Наряду с этим мы продвигаем и принципиально новые, стратегические товары для увеличения числа заказчиков.

Товар на заказ поступает от постоянного поставщика, в определенные сроки и в известных объемах. Количество продукции определяется потребностью наших клиентов, просчитанной заранее, и риски связаны только с возможным отказом от товара, что происходит крайне редко.

С новым товаром дела обстоят сложнее. Поскольку килограмм или литр ингредиента для единственного потенциального клиента везти нецелесообразно, нужно спрогнозировать спрос. Например, груз идет контейнерами, и, если принято решение везти контейнер винной кислоты, одна половина его должна быть продана заранее, а для второй надо спланировать продажи на ближайшие месяцы. Таким образом, спрос на кислоты мы прогнозируем примерно на один-два месяца. Спрос на биржевые товары (цена на которые не фиксирована, а изменяется в зависимости от предложения на рынке) определяется тем, сколько товаров-субститутов представлено на рынке и по какой цене. Покупатель такой продукции обращает внимание прежде всего на цену: если где-то появится аналог дешевле – туда клиент и обратится. Поэтому строить какие-либо прогнозы, кроме краткосрочных, в отношении этих ингредиентов не получится. И, наконец, для уникальной продукции, на которую есть постоянные покупатели (пример такого товара – пектин), возможно прогнозировать спрос на срок три – шесть месяцев.

Чтобы снизить риски, мы прорабатываем базу потенциальных клиентов, заинтересованных в конкретном товаре по данной цене. В этом случае ошибка в прогнозировании может привести к зависанию товара на складе и увеличению продолжительности денежного цикла. Особенно это опасно, если продукция низколиквидная и цена на нее все время сильно колеблется. Спрос на некоторые товары (например, яйцепродукты) подвержен сезонным колебаниям. А на некоторые – годичным. Скажем, цены на агар-агар взлетели до заоблачных высот, когда два года назад часть водорослей, из которых производится этот ингредиент, уничтожило штормом.

Каждый товар оценивается нами по 30 пунктам (ликвидность, колебания цены, объемы, которые могут закупить имеющиеся клиенты, емкость рынка, наличие у конкурентов, технологические особенности использования и т. д.). Только после того как по всем пунктам продукт получает положительную оценку, отделу закупок дается задание найти подходящего поставщика, а отделу сбыта – начать работу с клиентами, чтобы продать, условно говоря, половину контейнера.

Одна из важнейших задач на этом этапе – определить цену, которая будет реально конкурентоспособной и при этом обеспечит нам достаточную прибыль. В ингредиентном бизнесе спрос очень эластичный – при малейшем изменении цены он способен радикально измениться, причем в течение одной поставки. Исправить ситуацию помогает пересмотр цены. Иногда приходится снижать свою маржу до нуля, а то и вовсе работать в минус – только бы не уменьшать объемы продаж, не затоваривать склад и не замораживать оборотные средства.

Прогнозирование спроса на продукцию: экспертное мнение

Геннадий Юшкин, Директор по консалтингу компании City Consulting Group, Москва

Планирование деятельности предприятия в условиях неопределенного спроса существенно зависит от продолжительности производственного цикла, который включает не только собственно процесс производства, но и закупку необходимого сырья или комплектующих, а также нахождение продукции на складе. Некоторые клиенты – например, розничные сети – требуют особенно четкого исполнения заказов, а для этого производителям необходим определенный запас товаров. Чтобы решить проблему, нужно:

1. Координировать закупку и сроки распределения товара по дистрибьюторской цепочке, которая порой представляет собой сложную систему, задействующую многочисленные транспортные и складские узлы.

2. Анализировать динамику продаж и их сезонность, обращая внимание на внутренние данные компании, изучая ассортиментную матрицу, движение товара в пределах фирмы, цикличность заказов в тот или иной период. Если производство включает несколько этапов и предполагает работу с полуфабрикатами или комплектующими, можно обеспечить их запас на складах компании – это позволит минимизировать риски. Также важно построить работу с клиентами на предварительных заявках (твердых или по крайней мере четко свидетельствующих о намерении сотрудничать), заблаговременно выяснив у покупателя интересующий объем и ассортимент заказа.

У меня был опыт работы с компаниями пищевой отрасли, поставляющими продукцию розничным продавцам. Приведу пример прогнозирования спроса в двух компаниях с различной длительностью производственного цикла. Одна из них гарантировала исполнение любого объема заказа в течение нескольких дней при условии предварительного оформления заявки. Раньше эта фирма принимала срочные заказы, отчего накапливались большие остатки, которые затем застревали на ее складах. Клиентов это не устраивало, поскольку сроки годности продуктов проходили, хотя временные затраты на доставку товара и его реализацию были для розничных продавцов минимальными. Тогда компания гарантировала исполнение заказа лишь в том случае, если он будет оформлен за пять – семь дней до получения товара. Со своей стороны, производственный отдел фирмы пообещал 100-процентное исполнение заказа по количеству наименований и ассортименту. Часть покупателей перешла на такую схему работы. Таким образом, клиенты стали получать продукцию, которая почти не хранилась на складе.

В другой компании выполнение заказа предполагало закупку дополнительных компонентов. Длительность производственного цикла при этом составляла около одного месяца. Фирма предложила аналогичную схему: примерный объем и ассортимент заказов согласовывается с потенциальными покупателями за два-три месяца, а уже ближе к сроку выполнения заявки вносятся коррективы – как правило, незначительные сравнительно с прежней схемой, когда компания выполняла срочные заказы. Это привело к прогнозированию спроса на продукцию с точностью до 95%.

Копирование материала без согласования допустимо при наличии dofollow-ссылки на эту страницу

ПРОГНОЗИРОВАНИЕ СПРОСА

Планирование и контроль рабочих процессов в логистике требуют точной оценки тех объемов продукции, с которыми будут выполняться соответствующие операции. Эта оценка обычно выполняется в форме прогнозов продаж или спроса. Впрочем, за прогнозирование спроса несут ответственность не только менеджеры по логистике. Скорее всего, эта задача будет выполняться в отделе маркетинга, экономического планирования или в специальной проектной группе. При определенных условиях, особенно при краткосрочном планировании – например, при планировании запасов или календарном планировании перевозок, – менеджеры по логистике находят необходимым взять эту функцию на себя. Следовательно, эта глава будет посвящена обзору тех методик планирования, которые прямо подходят именно для планирования и контроля рабочих процессов в логистике.

Обсуждение будет касаться преимущественно прогнозирования спроса, что является важным исходным пунктом при планировании и контроле процессов в логистике. С другой стороны, все те методики, которые будут обсуждаться в этой главе, подходят и для определенных типов планирования, таких как планирование запасов, снабжения (или закупок), контроль затрат, прогнозирование цен, затрат и пр.

ПРИРОДА ПРОБЛЕМЫ

Прогнозирование спроса – важнейшая управленческая функция любой компании, которая занимается производством и продажами товаров и услуг. Правильное прогнозирование – это основа успешного планирования и контроля всех основных функциональных подразделений компании – производства, логистики, маркетинга, финансов. Уровень спроса, его структура и временные колебания обуславливают масштабы производства, объем привлеченных инвестиций и в целом – структуру бизнеса компании.

Каждое функциональное подразделение имеет собственные особенности и потребности в прогнозировании. Конкретно в логистике прогнозирование касается таких вопросов, как пространственное и временное прогнозирование спроса, определение степени вариативности спроса.

Пространственное и временное прогнозирование спроса

Временное прогнозирование – это общий момент при прогнозировании любых видов спроса. Изменение спроса во времени является результатом общего роста или снижения спроса, сезонных колебаний спроса, а также случайных колебаний спроса, которые обуславливается множеством факторов. Именно эти три аспекта учитываются при краткосрочном прогнозировании в большинстве случаев.

Помимо временного измерения спрос имеет также и пространственное измерение. Менеджер по сбыту, в функции которого входит управление логистикой товара, должен знать не только КОГДА, но и ГДЕ может возникнуть спрос на товар. Пространственное прогнозирование спроса требуется для определения оптимального местоположения складов, оптимального распределения запасов по складской сети, эффективного управления транспортными потоками.

Методики временного прогнозирования следует наилучшим образом адаптировать под структурные особенности бизнеса и спроса. Например, временное прогнозирование можно осуществлять сперва на уровне фирмы в целом, а затем пропорционально «делить» прогноз по региональным подразделениям (прогнозирование «сверху-вниз»). Или наоборот, сперва прогнозировать спрос на уровне региональных подразделений, а затем агрегировать полученные результаты на уровне фирмы в целом (прогнозирование «снизу-вверх»).

Регулярный и нерегулярный спрос

Менеджеры по сбыту, как правило, объединяют товары по группам для того, чтобы дифференцировать обслуживание запасов или просто для того,

чтобы было удобнее ими управлять. Эти группы, а также отдельные товары имеют разный характер спроса. Если спрос регулярный, устойчивый, то его можно разложить на три составляющие:

Ÿ тренд (есть или нет);

Ÿ сезонные колебания (есть или нет);

Ÿ случайные колебания (как правило, есть).

Хорошо известные и апробированные методики прогнозирования, как правило, применяются для прогнозирования именно регулярного спроса, который обычно бывает на ходовые и перспективные товары.

С другой стороны, в практике продаж всегда попадаются товары, спрос на которые крайне неустойчив. Прогнозировать продажи таких товаров крайне сложно, если вообще возможно. Спрос на такие товары называется неустойчивым, или нерегулярным. К числу таких товаров относят, например, продукцию, которая уже практически снята с производства и востребована лишь небольшим числом покупателей, которые покупают ее по инерции или по старой памяти. Или, например, продукцию, продажи которой зависят от продаж и потребления другой продукции и т. д.

В некоторых случаях товары с нерегулярным спросом достигают 50% от общего объема продаваемых товаров. В этом случае прогнозирование продаж представляет для системы логистики особенно трудную проблему.

Рис. 1а. Регулярный спрос с постоянным средним уровнем колебаний

Рис 1 b Регулярный спрос с растущим трендом

Рис 1c . Регулярный спрос с растущим трендом и сезонностью

Рис. 2. Нерегулярный спрос

Производный и независимый спрос

В большинстве случаев спрос, который генерируется большим количеством покупателей (например, домохозяйств или физических лиц), каждый из которых приобретает лишь небольшое количество товара, является независимым. Такой спрос является массовым, а потому достаточно устойчивым и хорошо прогнозируемым. Он имеет определенные закономерности – общий рост или понижение (тренд), сезонные изменения, – однако все эти закономерности легко просчитываются по результатам обработки статистики продаж в предыдущие периоды.

Производный спрос – это спрос, который генерируется исходя из потребностей самого бизнеса компании. Например, это может быть спрос на сырье или материалы, комплектующие, запчасти, необходимые для нормального обеспечения производственного процесса. В этом случае для расчета потребностей в материалах требуется знать не только план производства готовой продукции , но также и то, из каких составляющих будет изготавливаться эта продукция, какие производственные операции будут при этом выполняться и когда потребуется та или иная поставка конкретных наименований изделий.

Пример . Отдел электрооборудования компании Lear-Siegler производит серию маломощных электродвигателей для промышленных потребителей, которые используют их в таких видах готовой продукции, как очистительные и шлифовальные машины. Хотя это и не очень сложное изделие, каждый электродвигатель включает в себя от 50 до 100 деталей. Календарный план производства двигателей составляется на основе заказов, которые поступают от промышленных фирм с поставкой на какую-нибудь дату в будущем, а также прогноза прямых продаж стандартных электродвигателей прямо со склада производителя. План производства составляется на три месяца вперед. В нем указывается, какие двигатели следует производить, когда и в каком количестве. Менеджер по закупкам должен следить, чтобы все компоненты, необходимые для производства, были своевременно в наличии в соответствии с планом производства.

Существует два подхода к планированию закупок материалов и компонентов, необходимых для производства:

1. Прогноз тех изделий и материалов, которые используются при производстве большинства электродвигателей (медная проволока, листовая сталь, краска), составляется на основе обобщенных данных об их потреблении. Затем они закупаются в необходимых количествах для создания запасов на складе сырья и материалов.

2. Те компоненты, которые стоят дорого или нужны под индивидуальные заказы потребителей, закупаются в соответствии с календарным графиком производства. В данном случае такими компонентами являются ось ротора и подшипники. Закупки этих изделий осуществляются в соответствии с расчетами, которые строятся на основе календарного производственного плана и спецификаций материалов по каждому электродвигателю.

Допустим, что в предстоящем месяце планируется произвести электродвигатели трех разных моделей в объеме 200, 300 и 400 шт. соответственно. Во всех моделях используется одинаковая ось ротора, но в моделях 1 и 2 требуется два подшипника, а в модели 3 – только один подшипник. Следовательно, требуется закупить 900 роторных осей и 1400 подшипников:

1´200 + 1´300 + 1´400 = 900 роторных осей

2´200 + 2´300 + 1´400 = 1400 подшипников

Этот план закупок получен по данным спецификаций материалов по каждой модели электродвигателя и планам производства каждой модели в предстоящем месяце.

Методики прогнозирования, как правило, применяются при прогнозировании независимого спроса. Однако производный спрос может быть оценен только при наличии прогноза независимого спроса на конечную продукцию. Далее при прогнозе производного спроса учитываются такие факторы, как тренды, сезонные и случайные колебания спроса, что позволяет планировать закупки необходимых материалов и комплектующих с большей точностью.

МЕТОДИКИ ПРОГНОЗИРОВАНИЯ

Существует определенное количество методик прогнозирования, которые могут быть использованы в реальной практике коммерческих фирм. Модели прогнозирования можно разбить на три группы:

Ÿ качественные;

Ÿ статистические;

Ÿ факторные.

Эти три группы различаются по степени точности прогноза в долгосрочном и краткосрочном периодах , степени сложности и трудоемкости при расчетах, а также по источнику, из которого черпаются исходные данные для прогнозирования (например, экспертные оценки, маркетинговые исследования, статистика и пр.).

Качественные методы

В качественных методах прогнозирование основывается на мнениях и суждениях экспертов, интуиции сотрудников, результатах маркетинговых исследований или сравнении с деятельностью конкурирующих предприятий. Информация такого рода, как правило, не содержит в себе количественных данных, является приблизительной и часто носит субъективный характер.

Разумеется, что из-за этого качественные методы не отвечают строгим научным критериям. Однако в случаях, когда статистические данные не доступны или нет уверенности, что статистические закономерности сохранятся в будущем, у качественных методов просто нет альтернатив. И хотя эти методы нельзя практически стандартизировать и добиться от них высокой точности прогноза, однако они с успехом могут использоваться при оценке рыночных перспектив нового продукта или новой технологии, прогнозировании изменений в законодательстве или правительственной политики и т. д. Как правило, качественные методы используются при средне - и долгосрочном прогнозировании.

Статистические методы

В случаях, когда фирме доступен достаточно большой объем статистических данных и есть уверенность, что тренд или сезонные колебания достаточно стабильны, то статистические методы показывают высокую эффективность при составлении краткосрочных прогнозов спроса на товары. Главной предпосылкой статистических методик является предположение, что будущее является продолжением прошлого. Поскольку статистические данные, как правило, носят количественный характер, то при прогнозировании широко используются различные математические и количественные модели, заимствованные, прежде всего, из области статистики. Точность прогноза на период до 6 месяцев обычно является достаточно высокой. Это объясняется тем, что в краткосрочном периоде тенденции спроса обычно достаточно устойчивы.

Статистические прогнозы напрямую зависят от имеющихся исходных данных. Чем обширнее статистическая база, тем точнее прогноз. По мере поступления новых статистических данных постепенно меняется и прогноз на будущее. Вместе с тем при переломе тенденции статистический прогноз сигнализирует об этом с некоторым запозданием. Это является серьезным недостатком статистических моделей и накладывает на них определенные ограничения при практическом использовании.

Факторные методы

Главной предпосылкой для использования факторных моделей при прогнозировании спроса является тот факт, что динамика спроса обусловлена целым рядом взаимно обусловленных причин, которые иногда можно выявить и проанализировать. Например, на уровень спроса положительно влияет уровень потребительского обслуживания. В этом случае при целенаправленной политике фирмы по повышению уровня сервиса можно ожидать увеличения объема спроса . В таких случаях говорят, что уровень обслуживания потребителей является фактором роста уровня спроса. В случае, когда удается полно и качественно выявить все причинно-следственные связи и описать их, факторные модели позволяют прогнозировать с высокой степенью точности будущие изменения спроса в средне - и долгосрочном периодах.

Факторные модели имеют несколько разновидностей

Ÿ статистические – например, регрессионные или эконометрические модели;

Ÿ дескриптивные – например, при описании объекта по методу «черного ящика», описании жизненного цикла объекта или компьютерном имитационном моделировании.

При прогнозировании результирующих показателей используются в той или иной степени статистические данные по факторным показателям. И на основании прогноза факторных показателей выстраивается прогноз результирующего показателя.

Основной проблемой, затрудняющей применение факторных моделей на практике, является то, что найти, выявить и описать причинно-следственные связи достаточно сложно. Даже если некоторые такие взаимосвязи выявлены, часто оказывается, что в рассматриваемом периоде эти связи не являются определяющими при прогнозировании спроса. Для качественного прогноза с помощью факторной модели требуется выявить и описать все наиболее важные и значимые факторы влияния, но именно это как раз и бывает сложно сделать. Кроме того, для прогноза необходимо иметь статические данные не только по результирующим, но и по факторным показателям, причем за период не менее чем 6 месяцев. Из этих проблем точность факторных моделей, к сожалению, оказывается не слишком высока.

Таблица 1. Методики прогнозирования спроса

Методика, описание, интервал прогнозирования

Дэльфи Группа экспертов опрашивается с помощью нескольких опросных листов . Результаты одного опроса используются для подготовки следующего опроса. Вся информация, необходимая для прогнозирования, должна быть доступна всем экспертам: владеющие информацией должны передать ее тем, кто не владеет ею. Техника исключает «стадный эффект», когда мнение одних экспертов влияет на мнение других экспертов.

Маркетинговые исследования Систематические, формализованные и целенаправленные процедуры, направленные на совершенствование и проверку гипотез о реальных рынках. Интервал прогнозирования: среднесрочный

Панельные исследования Методика базируется на предположении, что несколько экспертов обеспечивают лучший прогноз, чем один эксперт. Между ними нет никаких секретов, и наоборот, коммуникации поощряются. Прогноз иногда зависит от влияния социальных факторов и может не отражать настоящего консенсуса. Интервал прогнозирования: среднесрочный

Оценки торгового персонала Мнения торгового персонала фирмы могут иметь ценность, поскольку продавцы ближе к потребителям и имеют все возможности оценить их потребности и спрос.

Метод сценариев На основании личных мнений, оценок, видения ситуации и, если возможно, фактов строится несколько сценариев будущих продаж. В основе этих сценариев лежит простое воображение, или видение того или иного сценария будущего. Этот метод, конечно, является ненаучным.

Историческая аналогия Прогноз продаж основывается на сравнении с выведением на рынок и ростом продаж аналогичных продуктов, о которых уже накоплена соответствующая статистика. Интервал прогнозирования: среднесрочный и долгосрочный

Скользящие средние Значения скользящих средних получаются как средняя арифметическая или взвешенная величина, рассчитываемая по некоторому количеству значений из временного ряда . Количество значений временного ряда, которые используется при расчете скользящей средней, выбираются так, чтобы определить основную тенденцию и удалить случайные и сезонные колебания спроса.

Экспоненциальное сглаживание Методика экспоненциального сглаживания похожа на методику скользящих средних, только последние наблюдения имеют больший вес, чем прошлые наблюдения. Новый прогноз – это старый прогноз плюс некоторая доля последней ошибки прогнозирования. Более сложные модели экспоненциального сглаживания учитывают также тренд и сезонные колебания. Интервал прогнозирования: краткосрочный

Классический анализ временных рядов Метод декомпозиции временных рядов на тренд, сезонную и случайную составляющую. Это прекрасный инструмент, с помощью которого можно прогнозировать спрос на период от 3 до 12 месяцев. Интервал прогнозирования: краткосрочный и среднесрочный

Проекция тренда Эта методика позволяет выявить тренд с помощью математического уравнения и затем спроецировать его в будущее. Существует несколько вариантов методики: полиномы, логарифмы и пр. Интервал прогнозирования: краткосрочный и среднесрочный

Метод фокусирования Позволяет протестировать некоторое количество простых способов прогнозирования, чтобы проверить, какое из них наиболее дает наиболее точный прогноз по данным за 3-месячный период. Имитационное моделирование позволяет выполнить такой тест и проверить различные стратегии прогнозирования временного ряда. Интервал прогнозирования: среднесрочный

Спектральный анализ В модели предпринимается попытка разбить временной ряд на несколько фундаментальных компонентов.

ПРОГНОЗИРОВАНИЕ СПРОСА В ЛОГИСТИКЕ

В основном в сфере логистике требуется лишь небольшое количество методик прогнозирования. Поскольку прогнозы – особенно прогноз продаж, – необходимы различным сегментам организации, то прогнозирование обычно сосредотачивается в отделе маркетинга, плановом отделе или отделе экономического анализа . Долгосрочные и среднесрочные прогнозы часто составляются в отделе логистики. Однако потребности отдела логистики обычно ограничиваются краткосрочными прогнозами, которые необходимы для планирования запасов, календарного планирования перевозок, планирования загрузки складских помещений и т. п. Исключение составляют только потребности в каких-то специальных долгосрочных прогнозах.

Учитывая степень сложности, полезности, достоверности и доступности информации, лишь часть методик из тех, которые перечислены в таблице 1, имеет смысл рассматривать подробно. Многочисленные исследования показали, что «простые» модели анализа временных рядов позволяют прогнозировать продажи не хуже или даже еще лучше, чем более сложные и трудоемкие методики. Модель временного ряда относится к разряду факторных моделей и является наиболее распространенной в практике прогнозирования. В целом, усложнение модели прогнозирования не обеспечивает увеличения точности прогноза. Поэтому дальше будут рассмотрены только три наиболее популярные методики анализа временного ряда: экспоненциальное сглаживание, классический анализ временных рядов и множественный регрессионный анализ.

Экспоненциальное сглаживание

Возможно, что экспоненциальное сглаживание – это наиболее популярный метод прогнозирования. Он очень прост, требует минимальных исходных данных, обладает высокой точностью и легко адаптируется под конкретные задачи прогнозирования. Метод является вариантом методики расчета скользящих средних, при котором результаты прошлых наблюдений имеют меньший вес, чем результаты новых, более свежих наблюдений за продажами.

Такая схема распределения весовых коэффициентов может быть задана простым уравнением, в котором прогноз на будущий период составляется на основе прогноза предыдущего периода и фактических продаж в текущем периоде:

НОВЫЙ ПРОГНОЗ = a´(ФАКТИЧЕСКИЙ СПРОС) + (1 – a)´(ПРЕДЫДУЩИЙ ПРОГНОЗ)

В этой формуле a – это весовой коэффициент, или сглаживающая постоянная. Коэффициент a варьируется от 0 до 1. Отметим, что все прошлые наблюдения за продажами включены в прогноз предыдущего периода. Таким образом, вся предыдущая история продаж отражена в одном числовом значении прогноза за предыдущий период.

Пример . Допустим, что прогноз спроса в текущем месяце составляет 1000 шт. Фактический спрос в текущем месяце составил 950 шт. Сглаживающая константа составляет a = 0,3. Ожидаемый спрос в следующем месяце определяется по формуле:

Новый прогноз = 0,3´950 + 0,7´1000 = 985 шт.

Этот новый прогноз будет использоваться в формуле для расчета нового прогноза на второй месяц и т. д.

Для удобства расчетов запишем формулу экспоненциального сглаживания в виде следующей модели:

где t – текущий временной период; Ft – прогноз продаж на период t; Ft+1 – прогноз продаж на период (t+1); a – константа сглаживания; At – продажи в период t.

Пример . Следующий квартальный временной ряд представляют данные о спросе на продукцию за полтора года:

	Квартал
Прошлый год
Текущий год

Нам необходимо построить прогноз на третий квартал текущего года. Допустим, что сглаживающая постоянная a = 0,2. Прогноз предыдущего периода рассчитаем как средний уровень спроса в квартал по данным предыдущего года. Следовательно, А0 = (1200 + 700 + 900 + 1100)/4 = 975. Допустим, что прогноз продаж в прошлом году в среднем соответствовал фактическим продажам, т. е. F0 = А0 = 975.

Тогда

F1 = 0,2´A0 + (1 – 0,8)´F0 = 0,2´975 + 0,8´975 = 975

F2 = 0,2´A1 + (1 – 0,8)´F1 = 0,2´1400 + 0,8´975 = 1060

F3 = 0,2´A2 + (1 – 0,8)´F2 = 0,2´1000 + 0,8´1060 = 1048

В итоге получаем следующие результаты:

	Квартал
Прошлый год
Текущий год

Выбор оптимального значения сглаживающей константы основывается на оценочных суждениях.

§ Чем выше значение константы a, тем большее влияние на прогноз оказывают последние наблюдения за фактическими продажами. В результате модель более гибко и быстро реагирует на изменения в продажах. Однако слишком высокий уровень a делает модель слишком «нервной», слишком чутко реагирующей на любой случайное колебание спроса без учета основной тенденции развития.

§ Чем ниже значение константы a, тем больший вес в прогнозе имеют прошлые наблюдения за фактическими продажами. В виду этого модель реагирует на изменения в тенденциях развития спроса медленнее, с запозданием. При очень низком значение a модель реагирует на изменения спроса крайне медленно и тяжело, что обеспечивает очень «стабильный» прогноз, но делает его крайне неправдоподобным, не похожим на временной ряд.

Наиболее приемлемые значения константы a варьируются в интервале от 0,01 до 0,3. Более высокие значения a могут использоваться при краткосрочном прогнозировании, когда ожидаются какие-то серьезные изменения на рынке. Например, падение продаж, краткосрочные и агрессивные маркетинговые компании, вывод из продуктовой линии некоторых устаревших продуктов, начало продаж нового продукта, когда нет еще достаточной статистики для прогнозирования спроса и пр.

Основное правило при выборе значения константы a: модель должна отображать основную тенденцию в развитии спроса и сглаживать случайные колебания. Такая константа обеспечивает минимальную ошибку прогнозирования.

Корректировка прогноза с учетом тренда

Простое экспоненциальное сглаживание удобно использовать в том случае, если отсутствует устойчивая тенденция к увеличению или уменьшению спроса, т. е. средний уровень спроса достаточно стабилен во времени. Если же в продажах обнаруживается, например, тренд к повышению спроса, то каждый новый прогноз будет устойчиво меньше фактического спроса.

К счастью, прогноз можно откорректировать, введя в методику дополнительную формулу, с помощью которой рассчитывается тренд. Для этого к экспоненциальному уравнению необходимо добавить еще одну формулу, которая будет учитывать тренд:

где St – начальный прогноз в пери од t, Тt – тренд в период t, Ft+1 –прогноз на период t+1 с учетом тренда, b – сглаживающая постоянная для тренда.

Пример

	Квартал
Прошлый год
Текущий год

Для начала рассчитаем прогноз на первый квартал текущего года. В качестве исходных значений при расчетах будем использовать S0 = 975 (средний спрос за квартал по данным предыдущего года) и T0 = 0 (тренд отсутствует). Допустим, что сглаживающие постоянные a = 0,2 и b = 0,3. Теперь начнем расчеты.

Прогноз на первый квартал текущего года:

S0 = 975, T0 = 0 ® F1 = 975 + 0 = 975

Прогноз на второй квартал текущего года:

S1 = 0,2´1400 + 0,8´(975 + 0) = 1060

Т1 = 0,3´(1 060 – 975) + 0,7´0 = 25,5

F2 = 1060 + 25,5 = 1085,5

Прогноз на третий квартал текущего года:

S2 = 0,2´1000 +0,8´(1060 + 25,5) = 1068,4

Т2 = 0,3´(1068,4 – 1060) + 0,7´25,5 = 20,37

F2 = 1068,4 + 20,37 = 1088,77

В итоге получаем:

	Квартал
Прошлый год
Текущий год

Корректировка прогноза с учетом тренда и сезонности

При прогнозировании можно учесть не только тренд, но и сезонные колебания спроса. Прежде чем использовать модель, которая рассмотрена в следующем примере, следует проверить временной ряд на выполнение следующих двух условий:

1. Сезонные пики и падения спроса должны четко проглядываться на статистическом ряде, т. е. они должны быть больше, чем случайные колебания спроса (так называемый «шум»).

2. Сезонные пики и падения спроса должны устойчиво повторяться из года в год.

Если эти два условия не соблюдаются, то есть сезонные колебания неустойчивы, незначительны и трудно отличаются от «шума», то использовать модель для точного прогноза спроса на следующий временной период будет крайне трудно. Если условия выполняются и в модели устанавливается высокое значение сглаживающей постоянной, чтобы учитывать большую амплитуду колебаний спроса, то имеет смысл усложнить модель.

В этой новой модели прогноз строится с учетом корректировок тренда и сезонности, которые отображаются в форме индексов. Это позволяет достичь высокой точности прогноза.

Уравнения усложненной модели:

где Тt – тренд в период t, St – начальный прогноз в период t, Ft+1 – прогноз на период t+1 с учетом тренда и сезонности, It –индекс сезонных колебаний в период t, L – временной период, в течение которого совершается полный сезонный цикл, g – сглаживающая постоянная для сезонного индекса.

Пример . Рассчитаем прогноз на третий квартал текущего года с учетом тренда:

	Квартал
Прошлый год
Текущий год

Для начала рассчитаем прогноз на первый квартал текущего года. В качестве исходных значений при расчетах будем использовать St-1 = 975 (средний спрос за квартал по данным предыдущего года) и Tt-1 = 0 (тренд отсутствует). Допустим, что сглаживающие постоянные a = 0,2 и b = 0,3, а g = 0,4. Теперь начнем расчеты.

Прогноз на первый квартал текущего года:

S0 = 975 и T0 = 0. Тогда:

F1 = (975 + 0) ´ 1,23 = 1200, потому что I1 = 1200 / 975 = 1,23

Прогноз на второй квартал текущего года:

S1 = 0,2´1400 / 1,23 + 0,8´(975 + 0) = 1007,5

I1 = 0,4´1400 / 1007,5 + 0,6´1,23 = 1,29

Т1 = 0,3´(1007,5 – 975) + 0,7´0 = 9,75

F2 = (1007,5 + 9,75)´0,72 = 730,3, потому что I2 = 700 / 975 = 0,72

Прогноз на третий квартал текущего года:

S2 = 0,2´1000 / 0,72 +0,8´(1007,5 + 9,75) = 1092,4

I2 = 0,4´1000 / 1092,4 + 0,6´0,72 = 0,8

Т2 = 0,3´(1092,4 – 1007,5) + 0,7´9,75 = 32,3

F2 = (1092,4 + 32,3)´0,92 = 1005, потому что I3 = 900 / 975 = 0,92

В итоге получаем:

	Квартал
Прошлый год
Текущий год

Ошибка прогнозирования

Поскольку будущее никогда нельзя в точности предугадать по прошлому, то прогноз будущего спроса всегда будет содержать в себе ошибки в той или иной степени. Модель экспоненциального сглаживания прогнозирует средний уровень спроса. Поэтому следует построить модель так, чтобы уменьшить разность между прогнозом и фактическим уровнем спроса. Эта разность называется ошибкой прогнозирования.

Ошибка прогнозирования выражается такими показателями, как среднеквадратическое отклонение, вариация или среднее абсолютное отклонение. Раньше среднее абсолютное отклонение использовалось в качестве основного измерителя ошибки прогнозирования при использовании модели экспоненциального сглаживания. Среднеквадратическое отклонение отвергли из-за того, что рассчитывать его сложнее, чем среднее абсолютное отклонение, и у компьютеров на это просто не хватало памяти. Сейчас у компьютеров достаточно памяти, и теперь среднеквадратическое отклонение используется чаще.

Ошибку прогнозирования можно определить с помощью следующей формулы:

ОШИБКА ПРОГНОЗА = ФАКТИЧЕСКИЙ СПРОС – ПРОГНОЗ СПРОСА

Если прогноз спроса представляет собой среднее арифметическое фактического спроса, то сумма ошибок прогнозирования за определенное количество временных периодов будет равна нулю. Следовательно, значение ошибки можно отыскать путем суммирования квадратов ошибок прогнозирования, что позволяет избежать взаимного устранения положительных и отрицательных ошибок прогнозирования. Эта сумма делится на количество наблюдений и затем из нее извлекается квадратный корень. Показатель корректируется с уменьшением одной степени свободы, которая теряется при составлении прогноза. В результате, уравнение среднеквадратического отклонения имеет вид:

,

где SE – средняя ошибка прогнозирования; Ai – фактический спрос в период i; Fi – прогноз на период i; N – размер временного ряда.

Форма распределения ошибок прогнозирования является важной, когда формулируются вероятностные утверждения о степени надежности прогноза. Две типовые формы распределения ошибок прогнозирования показаны на рисунке 3.

Полагая, что модель прогнозирования отражает средние значения фактического спроса достаточно хорошо и отклонения фактических продаж от прогноза относительно невелики по сравнению с абсолютной величиной продаж, то вполне вероятно предположить нормальное распределение ошибок прогнозирования. В тех же случаях, когда ошибка прогнозирования сопоставима по величине с величиной спроса , имеет место скошенное, или усеченное нормальное распределение ошибок прогноза.

Определить тип распределения в конкретной ситуации можно с помощью теста на соответствие критерию согласия хи-квадрат. В качестве альтернативы можно использовать другой тест, с помощью которого можно определить, является ли распределение симметричным (нормальным) или экспоненциальным (разновидность скошенного распределения):

При нормальном распределении около 2% наблюдаемых значений превышают значение, равное сумме среднего и удвоенного значения среднеквадратического отклонения. При экспоненциальном распределении около 2% наблюдаемых значений превышают среднее на величину среднеквадратического отклонения, умноженного на коэффициент 2,75. Следовательно, в первом случае используется нормальное распределение, а во втором случае – экспоненциальное.

Пример . Снова вернемся к нашему примеру. В базовой модели экспоненциального сглаживания были получены следующие результаты:

	Квартал
Прошлый год
Текущий год

Оценим стандартную ошибку прогнозирования по данным за первый и второй кварталы текущего года, по которым нам известны фактические и прогнозные значения. Допустим, что спрос имеет нормальное распределение относительно прогноза. Рассчитаем границы доверительного интервала с вероятностью 95% для третьего квартала.

Стандартная ошибка прогнозирования:

Используя таблицу А (см. Приложение I), определяем коэффициент z95% = 1,96 и получаем границы доверительного интервала по формуле:

Y = F3 ± z(SE) =1005 ± 1,96´298 = 1064 ± 584,2

Следовательно, с 95%-й вероятностью границы доверительного интервала прогноза спроса на третий квартал текущего года составляют значения:

420,8 < Y < 1589,2

Отслеживание ошибки прогнозирования

Одним из существенных преимуществ модели экспоненциального сглаживания при краткосрочном прогнозировании является возможность постоянной адаптации прогноза с учетом самых последних наблюдений во временном ряде. При этом точность прогнозирования напрямую зависит от значения сглаживающей константы в каждый конкретный период времени. Следовательно, усложненная процедура прогнозирования должна включать в себя регулярное отслеживание средней ошибки прогнозирования и соответствующую корректировку значения сглаживающей постоянной. Если временной ряд достаточно постоянный, то можно устанавливать низкие значения константы. В период больших колебаний спроса следует установить высокое значение константы. Но не следует ограничиваться каким-то одним значением, если изменение константы может привести к уменьшению ошибки прогнозирования, особенно в случае высокой динамики временного ряда.

Популярным методом отслеживания ошибки прогнозирования является метод усреднения отслеживающего сигнала. Отслеживающий сигнал – это результат сравнения, получаемого обычно в виде соотношения, текущий ошибки прогнозирования со средним значениям прошлых ошибок прогнозирования. В результате этого вычисления сглаживающая экспоненциальная константа может быть пересчитана или переопределена, если полученное соотношение превосходит ранее определенный контрольный уровень.

В целом, наилучшей сглаживающей константой является та, которая минимизирует ошибку прогнозирования так, как это было бы при стабильном временном ряде. Изменяя значение константы по мере того, как временной ряд пополняется новыми значениями, позволяет уменьшить ошибку прогнозирования. Адаптирующиеся модели, которые пересчитывают значения сглаживающей константы постоянно, работают хорошо в случае, когда временной ряд меняется быстро, но они малоэффективны в условиях стабильных продаж. Наоборот, модели, в которых пересчет сглаживающей константы происходит только в случае, когда ошибка прогнозирования превосходит некий контрольный уровень, хорошо работают в условиях стабильности, когда возможны резкие и неожиданные скачки временного ряда. Пример такой адаптирующейся модели показан на рисунке 5.

КЛАССИЧЕСКИЙ АНАЛИЗ ВРЕМЕННЫХ РЯДОВ

Анализ временных рядов – это модель прогнозирования, которая используется на практике на протяжении многих лет. В него включается спектральный анализ, классический анализ временных рядов и анализ Фурье. В данной главе рассматривается классический анализ временных рядов в виду его простоты и популярности. К тому же он обеспечивает же ту же точность прогнозирования, как и более сложные методы.

Классический анализ временных рядов базируется на предположении, что статистический ряд можно разложить на четыре составляющие: тренд, сезонные колебания, циклические колебания и случайные колебания.

§ Тренд представляет долгосрочные изменения в продажах, обусловленные такими факторами, как рост населения, расширение рынков, изменения потребительских предпочтений, улучшение качества продукции и сервисного обслуживания и т. п. Виды трендовых кривых представлены на рисунке …

§ Сезонные колебания представляют собой регулярные всплески и падения продаж, которые повторяются с регулярностью в 12 месяцев. Причины, вызывающие эти перепады, включают в себя изменение спроса в зависимости от времени года, рост продаж накануне праздников, а также сезонное предложение товаров (например, овощи, фрукты).

§ Циклические колебания представляют собой долгосрочные (более 1 года) волнообразные изменения спроса.

§ Случайные колебания (остаток) отражает влияние на продажи всех прочих факторов, которые оказались неучтенными в тренде, сезонных и циклических колебаниях.

Если временной ряд достаточно хорошо описывает ся первыми тремя кривыми, то остаток должен представлять собой случайную величину.

Рис. 1. Примеры трендов с приложением математических формул

В классическом анализе временных рядов прогнозирование спроса осуществляется путем перемножения четырех значений:

F = T ´ S ´ C ´ R,

где F – прогноз спроса (в товарных или денежных единицах), T – линия тренда, S – индекс сезонных колебаний, C – индекс циклических колебаний, R – индекс случайных колебаний.

На практике в модели оставляют только тренд и сезонные колебания. Это объясняется тем, что в условиях хорошей прогнозируемости спроса индекс случайных колебаний равен единице (R = 1,0). Кроме того, во многих случаях достаточно сложно выявить многолетние циклические колебания, основываясь на анализе случайных колебаний. Поэтому индекс циклических колебаний также полагается единице (C = 1,0). И это допущение не имеет таких уж серьезных последствий, поскольку модель часто приходится корректировать по мере того, как поступают все новые и новые данные. Эффект циклических колебаний просто компенсируется регулярными корректировками модели.

Линия тренда может быть определена несколькими способами, например, методом скользящих средних (то есть практически «на глаз»), или методом суммы квадратов разностей.

Сумма квадратов разностей – это популярная математическая методика , которая позволяет подобрать такой тренд, при котором сумма квадратов разностей между фактическими и модельными значениями временного ряда сводится к минимуму. Методика применима к любым линиям тренда, как линейным, так и нелинейным.

Например, для линейного тренда (T = a + b´t, где t – это время, T – средний уровень спроса) коэффициенты a и b определяются с помощью следующих двух формул:

где N – размер временного ряда (количество периодов t во временном ряде); Dt – фактический спрос в период t; - средний спрос за N временных периодов; - среднее значение величин t за период N.

Нелинейные тренды имеют более сложную математическую структуру, и потому они здесь не рассматриваются.

Сезонная составляющая модели представлена в виде индекса, значение которого меняется в каждом из периодов в пределах горизонта прогнозирования . Этот индекс представляет собой отношение фактического спроса за данный период к среднему спросу. Средний спрос можно рассчитать как среднее арифметическое спроса за определенный период, методом скользящих средних или с помощью тренда. Например, можно воспользоваться следующей формулой:

где St – сезонный индекс периода t; Tt – величина тренда, рассчитанного по формуле Tt = a + b´t.

В результате прогноз продаж для периода t в будущем рассчитывается по формуле:

,

где Ft – прогноз продаж для периода t; L – количество периодов, которые охватывают один сезонный цикл.

Все эти идеи могут быть проиллюстрированы с помощью следующего примера.

Пример . Производитель одежды для молодых женщин должен принять решение о том, когда и в каких объемах ему делать закупки, опираясь на прогноз продаж своей продукции. В году он выделил пять сезонов, значимых для планирования и продвижения своей продукции: лето, межсезонье, осень, новогодние праздники и весна. У него есть статистика продаж примерно за 2,5 года (см. таблицу 1). Прогноз нужно сделать, как минимум, на два сезона вперед, чтобы можно было спланировать закупки и производство. В данном примере прогнозным периодом считаются новогодние праздники, хотя данные о продажа в промежуточный, осенний период пока еще неизвестны.

Первая задача – найти линию тренда. Используя формулу T = a + b´t, рассчитаем коэффициенты:

Следовательно, линия тренда имеет вид:

Значения сезонного индекса рассчитаны по выше приведенной формуле и представлены в колонке 6. В данном примере значения сезонного индекса посчитаны за все 2,5 года, поскольку сезонные отклонения не сильно различаются из года в год. Если сезонные отклонения из года в год имеют разные значения, то для каждого сезона рассчитывается свой индекс отклонения как среднее значение за несколько лет.

Прогноз продаж в новогодние праздники составляет величину:

Прогноз продаж в осенний период может быть составлен похожим образом.

Таблица 1. Прогноз продаж женской одежды, тыс. $

Сезон	Период	Продажи	Dt ´ t	t 2	Тренд (T t )		Прогноз
Межсезонье
Праздники
Межсезонье
Праздники
Межсезонье
Праздники
Итого

/* Прогнозное значение. Например, T13 =,08 + 486,13(13) =

/** F13 = T13´S13-5 или=´ 1,04

Здесь: N = 12; SDt´t = 1 ; St2 = 650; `D = (/ 12) = $14 726,92; `t = (78 / 12) = 6,5.

МНОЖЕСТВЕННЫЙ РЕГРЕССИОННЫЙ АНАЛИЗ

В моделях, которые рассматривались до сих пор, время было единственным фактором, который учитывался при прогнозировании. Другие факторы в той степени, в какой они объясняют изменения спроса, также могут быть включены в расчет. Множественный регрессионный анализ представляет собой статистическую методику, которая позволяет определить взаимосвязь между спросом и набором определенных переменных. Благодаря такому анализу эти переменные используются при прогнозировании спроса так же, как и время. Данные о значениях независимых переменных в процессе регрессионного анализа преобразуется в значения коэффициентов регрессионного уравнения, с помощью которого рассчитывается прогноз спроса.

Пример . Вернемся к проблеме прогнозирования продаж женской одежды, которая рассматривалась в предыдущем разделе. Альтернативой анализу временных рядов является регрессионный анализ. Желательно, чтобы независимые переменные регрессионной модели предшествовали по времени результату, то есть продажам одежды. Это значит, что значения переменных должны быть доступны для анализа заблаговременно до наступления прогнозного периода. Одна такая регрессионная модель была построена для периода летних продаж:

F = - 3,016 + 1,211X1 + 5,75X2 + 109X3,

где F – оценка средних продаж в летний период (в тысячах долларов); X1 – время в годах (1986 = 1); X2 – количество заявок на закупку одежды, поступивших в течение сезона (из книги заказов); X3 – чистое изменение задолженности покупателей, рассчитываемое по месяцам (в процентах).

Данная модель объясняет 99% (R = 0,99) общей вариации спроса и имеет статистическую погрешность в пределах 5%. Это обеспечивает высокую точность прогнозирования. Например, фактические продажи летом 1991 г. составили $20 Независимые переменные в 1991 г. имели значения: X1 = 6, X2 = 2732, X3 = 8,63. Подставляем эти значения в регрессионное уравнение и получаем прогноз продаж: $20

Для построения такой регрессионной модели требуются значительные знания по статистике. Однако можно воспользоваться и уже готовыми программными продуктами, такими как Statistics 6.0, которые позволяют произвести расчет параметров модели методом наименьших квадратов и оценить степень ее точности. Однако при пользовании такими программными пакетами следует проявлять определенную осторожность, так как они не гарантируют получение достоверной модели. Важно достоверно знать и понимать, как именно статистический алгоритм лежит в основе расчета параметров модели, потому что разные алгоритмы нередко дают разные результаты, и это сказывается на точности прогнозирования. Ответить на этот вопрос можно, но только разобравшись с математической начинкой программы.

ОСОБЕННОСТИ ПРОГНОЗИРОВАНИЯ ПРОДАЖ В ЛОГИСТИКЕ

При прогнозировании продаж в логистике иногда приходится сталкиваться с некоторыми специфическими проблемами, к числу которых относятся прогнозирование спроса на новые продукты и услуги, нерегулярный спрос, прогнозирование по регионам, а также оценка ошибки прогнозирования. Хотя эти проблемы встречаются не только в логистике, однако они оказывают большое влияние на решения, принимаемые в этой сфере.

Прогнозирование спроса на новые продукты и услуги

В логистике часто приходится решать проблему прогнозирования спроса на продукцию, по которой пока еще нет достаточно большой статистики продаж. Для решения этой проблемы используются несколько различных подходов, которые помогут преодолеть этот ранний период в продвижении продукта на рынке.

Во-первых, начальный прогноз можно получить из отдела маркетинга, пока не будет накоплена достаточная статистика продаж. Обычно маркетологи лучше знают, сколько средств требуется на продвижение товара, какой будет потребительская реакция на товар и какие будут ожидаемые продажи. Этот прогноз должен охватывать период не менее шести месяцев, чтобы можно получить достаточно представительную статистику для последующего прогнозирования.

Во-вторых, прогноз продаж можно построить на основании статистики о продажах схожих продуктов. Известно, что многие компании полностью обновляют свою продуктовую номенклатуру в среднем каждые пять лет. Однако некоторые товары оказываются принципиально новыми. Их появление связано с изменениями в размерах, стиле продукции или просто с радикальным пересмотром номенклатуры как элемента маркетинговой политики фирмы. Такие товары прогнозируются только на основании оценочных данных, получаемых из отдела маркетинга.

В-третьих, для прогнозирования можно использовать модель экспоненциального сглаживания, установив коэффициент a на уровне 0,5 и выше. По мере того, как будет накапливаться все больше и больше статистики, этот показатель можно снизить до нормального уровня.

Нерегулярный спрос

О проблеме нерегулярного спроса уже шла речь в начале этого раздела. При нерегулярном спросе случайные колебания столь велики, что не позволяют выявить тренд или сезонную составляющую спроса. У такого спроса может быть несколько причин:

§ продажи осуществляются редко, но очень крупными партиями;

§ продажа товара зависит от продаж других продуктов и услуг;

§ слишком велики сезонные и иные перепады в продажах в течение одного года, что не позволяет выявить тренд;

§ продажи обусловлены случайными факторами, такие как спекуляция, слухи, кратковременная мода и пр.

Нерегулярный спрос трудно прогнозировать с помощью математических методов вследствие большого разброса временного ряда. Однако все же можно дать несколько советов, что лучше делать при нерегулярном спросе.

Во-первых, следует выявить причины нерегулярности спроса и с учетом этого фактора построить прогноз продаж. Также следует отделить продукты с нерегулярным спросом от тех, который показывают устойчивый тренд, и использовать для каждой категории разные, наиболее подходящие методы прогнозирования.

Пример . Производитель химической продукции выпускает средство для очистки яблок во время сбора урожая. В зависимости от урожая яблок, продажи этого средства значительно колеблются из года в год. Для прогнозирования продаж этого средства использовалась модель экспоненциального сглаживания, как и для всех прочих продуктов. Вследствие этого запасы продукции данного средства на складах оказывались существенно больше, либо существенно меньше спроса, который предъявлялся на рынке. Причиной этого было то, что компания при прогнозировании не разделяла продукцию с регулярным и нерегулярным спросом. Ситуация можно исправить, если прогноз строить с учетом того главного фактора, который определяет спрос на товар, т. е. исходя из того, какой урожай яблок ожидается в этом году.

Во-вторых, не следует слишком быстро реагировать на изменения в продажах такого рода продуктов или услуг, если, конечно, нет серьезных причин полагать, что спрос действительно изменился. Лучше всего использовать простую модель прогнозирования, которая не слишком быстро реагирует на изменения. Например, это может быть экспоненциальное сглаживание с низким уровнем коэффициента a или регрессионная модель с шагом прогнозирования 1 год.

В-третьих, поскольку нерегулярный спрос часто наблюдается у товаров с небольшим объемом продаж, можно не уделять слишком много внимания точности прогноза. Например, если прогноз используется для определения уровня запасов, то более экономично будет создать небольшой дополнительный запас, чем использовать более сложные и точные методики прогнозирования.

Прогнозирование по регионам

Хотя до сих пор обсуждение касалось только вопросов прогнозирования продаж во времени, однако прогнозирование продаж в разрезе по регионам также заслуживает внимания. Необходимо решить, как будут прогнозироваться продажи: в целом по всему рынку, по отдельным районам и регионам или же по территориям, которые примыкают к конкретным заводам или складским комплексам. Очень важно обеспечить высокую точность прогнозирования, если оно ведется отдельно по каждому региону. Обобщающий прогноз по всему рынку оказывается, как правило, более точным, чем сумма отдельных прогнозов по регионам. Поскольку это так, то, возможно, лучше будет построить общий прогноз по рынку, чтобы затем его пропорционально разбить по регионам, чем вести раздельное прогнозирование по каждому региону. Впрочем, как показывает практика, однозначного ответа на вопрос, какой подход лучше, не существует. Следовательно, нужно иметь в виду оба варианта и использовать их в зависимости от конкретной ситуации.

Ошибка прогнозирования

В конце главы поговорим об одном очень важном инструменте прогнозирования. Было рассмотрено уже много моделей и методик прогнозирования. У каждой есть свои плюсы и минусы, поэтому лучше всего использовать при прогнозировании сразу несколько моделей, что позволит получить более точный и стабильный прогноз на будущее.

Пример . Вернемся к проблеме прогнозирования продаж женской одежды, которая обсуждалась выше. Производитель выделил в году пять сезонов продаж. Нет никакой гарантии, что для каждого сезона наилучшей будет одна и та же методика прогнозирования. Фактически, для прогнозирования использовалось четыре разных модели. Во-первых, использовалась модель множественной регрессии (R), которая учитывала факторы: 1) количество потребительских заявок; 2) изменения задолженности покупателей. Во-вторых, два варианта модели экспоненциального сглаживания (ES1, ES2). И в-третьих, собственный прогноз компании, который основывается на мнениях и оценках персонала (MJ). Средняя ошибка прогнозирования, полученная по каждому методу в разрезе по сезонам, показана на следующем рисунке:

/* в среднем за три сезона; /** в среднем за два сезона.

Объединить полученные прогнозы в один можно методом взвешенных коэффициентов, которые зависят от средней ошибки прогнозирования каждого метода. В этом случае не придется отказываться ни от одного из методов и впадать в зависимость от какой-то одной методики, которая кажется наиболее достоверной.

Для иллюстрации метода взвешенных коэффициентов, рассмотрим осенний период продаж. Средняя ошибка прогнозирования по методам, а также порядок расчета взвешенных коэффициентов представлены в следующей таблице (см. ниже).

Наконец, получив весовые коэффициенты, с их помощью можно рассчитать итоговый прогноз продаж, который составляет $20 210 тыс. Расчет показан во второй таблице (см. ниже).

Таблица 1

	Ошибка прогнозирования	Доля ошибки прогнозирования	Инверсия	Весовые коэффициенты

Таблица 2

Модель прогнозирования	Прогноз продаж	Весовые коэффициенты	Взвешенная пропорция
Мнения персонала фирмы (MJ)
Регрессионная модель (R)
Экспоненциальное сглаживание (ES1)
Экспоненциальное сглаживание (ES2)
Сумма

Для подбора нелинейных трендов следует обратиться к специальной литературе по статистике. Можно также воспользоваться функцией «Подбор параметра» или «Поиск решения», которая поддерживается в программе Microsoft Excel (см. справку).

Обычно именно отдел логистики жалуется на отсутствие точных прогнозов, поскольку слишком многое в его работе зависит от них. Но не всегда менеджеры понимают, о какой степени точности можно говорить в данном случае и как можно решать эту проблему.

Прогнозирование спроса или другого по определению есть взгляд в будущее, поэтому оно никогда не будет абсолютно точным. То есть разрабатывать логистическую систему нужно таким образом, чтобы она не полностью зависела от точности прогнозирования спроса, а была гибкой и могла адекватно реагировать на те или иные изменения в спросе. Пронозирование спроса позволяет эффективно наладить работу отдела логистики, так как исходя из прогнозирования спроса логист может составить прогноз поставок, т.е. прогнозирование спроса помогает отделу логистики составить прогноз предложения. При прогнозировании спроса надо быть очень акккуратным, так как любая ошибка в прогнозировании спроса может привести к плачевным результатам. Прогнозирование спроса не должно стать целью, а только средством. Причем каждый день надо обновлять прогнозирование спроса, чтобы оно было актуальным, ведь прогнозирование спроса есть взгляд в будущее продаж, а это очень важно.

И в то же время нельзя считать, что прогнозы ничего не дают. Разумеется, они должны быть неотъемлемой частью работы отдела логистики (планирования). Но чтобы правильно их использовать, нужно знать их основные свойства.сайт ЛОГИСТ рекомендует:

Для оптимизации процессов разгрузки и погрузки, используйте мобильные рампы AUSBAU.

Высокая эффективность, снижение затрат, рост прибыли.

компания "АВ-эксим", эксклюзивные прямые поставки в по Украине, России, Беларусь, Казахстан и др. страны СНГ. Связаться

1. Точность прогнозирования спроса выше для групп продуктов, чем для индивидуальных продуктов. Попытайтесь, например, предсказать рост первого встречного прохожего. Требуется большое везение, чтобы сделать это точно: он может оказаться как баскетболистом, так и карликом. Но прогноз «среднего» роста ста прохожих может быть достаточно точным. Прогноз для группы точнее прогноза для ее отдельного представителя, поскольку в этом случае происходит «взаимопогашение» отклонений: в одном случае прогноз завышен, в другом – занижен, но в целом он вполне приемлем. Это отражено на рис. 1.

Рисунок 1. Точность прогнозов зависимости от анализируемого параметра

2. Точность прогнозов выше для близкой перспективы, чем для дальней. Так, прогнозировать семейный бюджет на следующий месяц гораздо проще, чем на тот же период, но через год. Прогнозирование подобно стрельбе: чем дальше от цели, тем труднее в нее попасть. Часто от руководителя отдела логистики приходится слышать: «Вы только дайте нам заказы на как можно более продолжительный период, и мы обеспечим их на 100%». Однако по указанной причине подобный подход к прогнозированию спроса работает против заказчиков: при разработке плана закупок и производства вероятность ошибки в этом случае резко возрастает.

Менеджеру по планированию производства в действительности не нужно знать, какие наименования он будет производить в какой-то отдаленный период времени. Он должен знать, какие мощности ему потребуются. Этот прогноз менее сложен и вместе с тем более точен, чем детальное прогнозирование спроса.

В таблице 1 представлена матрица прогнозирования спроса в зависимости от уровня детализации и горизонта планирования.

Таблица 1. Матрица прогнозов спроса

Эта таблица позволяет сделать следующие выводы.

Квадранта I нужно избегать.

Квадрант II можно использовать для долгосрочных прогнозов.

Квадрант III можно применять для среднесрочного и краткосрочного прогнозирования спроса с вовлечением клиентов в формирование графика заказов.

Систему управления производством и запасами нужно проектировать таким образом (например, за счет сокращения времени на выполнение заказов), чтобы прогнозирование спроса находилось только в квадранте IV.

ЗАЧЕМ ДЕЛАТЬ ПРОГНОЗИРОВАНИЕ СПРОСА

Существуют условия, при которых делать прогнозирование спроса вообще не целесообразно:

когда приемлемое время на ожидание клиентом, пока выполнится его заказ, превышает время на производство и закупку компонентов; другими словами, клиент готов ждать свой заказ столько времени, сколько организации потребуется для выполнения заказа без предварительного планирования;

если мощности и прочие необходимые ресурсы для выполнения заказов клиентов этих организаций могут быть изменены быстро и не требуют существенных затрат;

когда нет необходимости в финансовом планировании.

Во всех остальных случаях без прогнозирования спроса не обойтись. Однако формировать прогнозы спроса нужно ровно настолько, насколько этого требуют конкретные цели. Каждый из перечисленных ниже параметров прогнозов спроса должен быть обоснован целью его использования и определен до начала формирования прогноза.

– Горизонт планирования. На какой период в будущем должен быть составлен прогноз? 10 лет? 12 месяцев? Неделя?

– Уровень детализации. Должен ли прогноз спроса отражать конечные продукты по заказчикам? Или достаточно суммарного плана по категориям?

– Частота пересмотра. Требуется ли прогноз спроса пересматривать раз в год? Раз в квартал? Раз в месяц? Раз в неделю? Каждый день? Каждый час?

– Интервал прогнозирования. Какие временные промежутки должен отражать прогноз спроса? Годы? Месяцы? Недели? Дни?

МЕТОДЫ ПРОГНОЗИРОВАНИЯ СПРОСА

Существует много классификаций методов прогнозирования спроса. Для удобства можно выделить всего две группы: экспертные и статистические.

Первые основаны на экспертных оценках и по своей природе субъективны. Суть их заключается в переведении различных экспертных мнений в формулы, из которых формируется прогноз. К экспертным методам относятся: метод комиссии, «мозговая атака», анкетный опрос, метод Дельфи.

Статистические методы предполагают применение статистических расчетов для построения будущего на основе прошлого. Типичный пример – методы исчисления средних. Один из них – применение скользящей средней величины. Предположим, компания захотела использовать скользящую среднюю величину за 12 недель для прогноза спроса какого-либо товара. Для этого суммируют продажи за последние 12 недель, сумму делят на 12, получая таким образом среднюю величину. Через 7 дней добавляют продажи за последнюю неделю и отбрасывают первую неделю, получая данные опять за 12 недель. В этом случае мы говорим об использовании простой средней. Пример расчета:

Старый прогноз (месячные продажи) – 100 ед.

Фактические продажи (последний месяц) – 80 ед.

Новый прогноз (простая средняя) – 90 ед.

Один из очевидных недостатков этого метода заключается в том, что фактическим продажам придается такой же вес, как и старому прогнозу. Обычно лучше придать больший вес старому прогнозу и меньший – текущим продажам, так как последние могут представлять собой случайную вариацию, единственную в своем роде.

Весовые коэффициенты логичнее определить в 0,8 и 0,2 (в сумме они обязательно должны равняться 1,0). Тогда среднюю величину исчисляют так:

Старый прогноз – 100 x 0,8 = 80 ед.

Фактические продажи – 80 x 0,2 = 16 ед.

Новый прогноз (взвешенная средняя) – 80 + 16 = 96 ед.

Этот метод называется экспоненциальным сглаживанием. Весовой коэффициент, приданный текущим продажам (в данном случае 0,2) называют альфа-множителем. Экспоненциальное сглаживание представляет собой исчисление взвешенной скользящей средней. Преимущество этого метода в том, что он упрощает вычисления и часто позволяет хранить меньший объем данных. При экспоненциальном сглаживании требуются данные о «старом прогнозе» и альфа-множителе. Еще более важна гибкость метода. Если прогноз занижает действительный спрос, аналитик способен вручную ввести скорректированный прогноз в систему и приступить к сглаживанию. Это значительно удобнее, чем пытаться скорректировать расчет скользящей средней величины.

При использовании регрессионного и корреляционного анализа рассчитывают формулы, которые придают различный вес «индикаторам», связанным с прогнозируемыми товарами или группами товаров. Например, закладка жилых домов оказывает определенное влияние на продажу металлических изделий строительным фирмам. Динамика валового национального продукта (ВНП), вероятно, тоже оказывает влияние. Таким образом, учитывая степень важности влияния того или иного фактора, можно построить формулу для прогноза суммарных продаж металлоизделий для строительства. При этом особенное внимание нужно уделять ведущим индикаторам, то есть тем, значение которых увеличивается или уменьшается до того, как начнут изменяться прогнозируемые продажи. Правда, использование такого рода индикаторов может принести пользу лишь в том случае, если оно опирается на здравый смысл. Влияние факторов, которые были очень существенны в прошлом, может измениться с течением времени, а потому для них нужно будет применять другой весовой коэффициент. И здесь не обойтись без экспертной оценки.

Следует также помнить, что ни один из указанных методов не может компенсировать или учесть воздействие на спрос других факторов. Например, если продавцы металлических изделий из-за финансовых затруднений решили сократить запасы, зависимость между закладкой домов и продажей металлоизделий не даст точного прогноза. Возросшая иностранная конкуренция также может оказать решающее влияние на динамику продаж.

В реальной практике необходимо использовать простые статистические методы в сочетании с разумным экспертным суждением. Кроме того, выбор метода прогнозирования может и должен определяться параметрами необходимого прогноза (горизонт планирования, уровень детализации и пр.). Например, для составления прогноза спроса для бизнес-плана на 10 лет целесообразнее использовать методы экспертных оценок, нежели статистические.

ИЗМЕРЕНИЕ ОШИБКИ ПРОГНОЗА

Для эффективного прогнозирования спроса необходимо регулярно измерять отклонения фактических продаж от прогноза.

Ошибка прогноза (Forecast Error) – это абсолютная разница между фактическим и прогнозируемым спросом. Для измерения отклонений может использоваться стандартное отклонение (SD, сигма) или среднее абсолютное отклонение (MAD).

Стандартное отклонение – это широко известная статистам мера измерения разброса и вариабельности. Но практики прогнозирования спроса предпочитают среднее абсолютное отклонение из-за легкости его расчета: MAD рассчитывается как сумма абсолютных отклонений, разделенная на количество измерений (периодов). Пример приведен в таблице 2, из которой видно, что среднее абсолютное отклонение отражает вариабельность отклонений в течение периода (несмотря на то что общая сумма отклонений равна нулю). Пример иллюстрирует случайные отклонения (random variation). Это такие отклонения, при которых сумма прогнозов за период равна или почти равна сумме фактических продаж.

Таблица 2. Расчет среднего абсолютного отклоненияМесяц Прогноз Факт Отклонение MAD

1 500,00 550 50 50

2 500,00 700 200 200

3 500,00 300 –200 200

4 500,00 400 –100 100

5 500,00 600 100 100

6 500 450 –50 50

Итого 3000 3000 0 117

Кроме случайных, встречаются систематические отклонения в одну сторону, именуемые смещением (BIAS). Пример показан на рис. 2. Смещение оказывает значительное негативное влияние на систему управления производством и запасами. Другими словами, оно означает занижение или завышение прогноза спроса. Кроме очевидной неопределенности, причинами смещения могут быть различные факторы.

Рисунок 2. Смещение (BIAS)

1. Занижение прогноза спроса может совершаться с целью:

перевыполнения плана продаж и получения премий;

снижения запасов.

2. Завышение прогноза спроса может совершаться с целью:

получения большего бюджета расходов;

поддержания равномерной загрузки производства;

увеличения запасов.

В результате смещения прогнозов спроса в ту или иную сторону возникают самые печальные последствия: невыполнение заказов клиентам в срок, незапланированные простои производства либо переработки, увеличение уровня запасов и т. д. Соответственно необходимо в первую очередь анализировать причины смещений, чтобы избегать их в будущем.

С ЧЕГО НАЧАТЬ?

Эффективное прогнозирование спроса, равно как и любой другой бизнес-процесс, состоит из трех взаимосвязанных элементов: люди, процесс, инструменты.

При проектировании процесса прогнозирования спроса нужно учесть следующие факторы:

каким образом организованы функции маркетинга и продаж;

кто в компании имеет возможность влиять на спрос;

где находится информация, необходимая для формирования прогнозов.

Рассмотрим несколько базовых вариантов организации маркетинга и продаж.

Пример 1. Функции маркетинга и продаж находятся в одном подразделении, руководитель которого подчиняется непосредственно первому лицу организации.

Пример 2. Подразделения маркетинга и продаж обособлены, их руководители подчиняются непосредственно первому лицу организации.

Пример 3. В компании более одного подразделения маркетинга и продаж, каждое из которых подчиняется непосредственно первому лицу организации (например, подразделения разделены по группам клиентов).

В первом случае все просто: процесс прогнозирования спроса находится в зоне ответственности руководителя подразделения маркетинга и продаж. Во втором и третьем примерах передача функций прогнозирования спроса одному из подразделений может спровоцировать дисбаланс в продажах. В этих случаях уместнее сделать ответственным за прогнозирование спроса третью сторону – департамент логистики (цепи поставок). Многие организации, соответствующие второму и третьему примерам, создают даже специальную должность менеджера по планированию спроса (Demand Manager).

Эффективное прогнозирование начинается с повышения качества входящей информации. Сбор входных данных должен быть организован с определенной регулярностью и в определенном формате. В частности, нужно выполнять следующие правила.

1. Необходимо собирать статистические данные с теми же параметрами, которые нужны для прогноза спроса. Если требуется составить прогноз спроса на продукцию, должны использоваться статистические данные, основанные на спросе, а не на отгрузках промежуточным звеньям цепи поставок. Интервал сбора данных должен быть таким же, как интервал для прогнозирования (для прогнозов спроса с разбивкой помесячно следует использовать статистику с разбивкой по месяцам). Группировка товаров в статистических данных должна соответствовать группировке в прогнозе спроса (для прогнозов спроса по категориям следует использовать статистику по категориям).

2. Необходимо фиксировать все события, имеющие отношения к данным. Спрос подвержен влияниям некоторых событий, и эти события следует хранить вместе с прогнозом, составленным с их учетом. Например, колебания спроса могут быть вызваны акциями по его стимулированию, изменением цен или погодными условиями. Фиксировать события необходимо, поскольку их анализ является основой для обсуждения новых прогнозов спроса.

3. Необходимо собирать отдельно статистические данные по разным группам клиентов. Многие компании распределяют продукцию через разные каналы дистрибуции, у каждого из которых свои отличительные характеристики спроса. Например, сетевой магазин может приобретать товар равномерными небольшими партиями два раза в неделю, а крупный региональный оптовик производит крупную закупку дважды в месяц. Поэтапная схема процесса прогнозирования спроса представлена на рис. 3. Циклы прогнозирования лучше всего организовывать раз в месяц: это оптимально с точки зрения временных изменений спроса и затрат на проведение этой работы.

Рисунок 3. Этапы прогнозирования

Таким образом прогнозирование спроса на основании статистических и исторических методов дает общую картину, но никогда прогнозирование спроса не дат четкого ответа СКОЛЬКО, ЧЕГО, КОГДА. Это не цель прогнозирования спроса. Прогнозирование спроса необходимо, чтобы товары, которые будут поставляться, были в рамках общего прогноза. К примеру на зиму можно сделать прогнозирование спроса в теплой обуви, но не значит что это будут именно валенки. Прогнозирование спроса, это как астрологический прогноз - очень близко, но не 100%. В любом случае прогнозирование спроса должно опираться на опыт предприятия в данной области.

ИНСТРУМЕНТЫ

Один из главных инструментов при использовании статистических методов прогнозирования – соответствующее программное обеспечение. Оно не должно быть слишком сложным, а заложенные в основу его работы алгоритмы обязаны быть четкими и понятными. Кроме ПО к инструментам также относится методика составления прогнозов спроса. В частности, при определении методики прогнозирования спроса можно использовать принцип Парето (см. таблицу 3).

Таблица 3. Принцип Парето при определении методики прогнозированияГруппа товаров Факторы, определяющие качество прогноза

Таким образом, основные принципы прогнозирования должны быть следующими.

1. Применение процессного подхода к действиям по разработке, согласованию и утверждению прогнозов спроса.

2. Измерение ошибки прогнозов спроса на регулярной основе; контроль отсутствия смещения.

3. Использование основных характеристик прогнозов при формировании методики прогнозирования спроса

• Почему прогнозы спроса оказываются неточными
• Как выстроила процесс прогнозирования спроса компания Nestle

Руководители розничных и дистрибьюторских компаний часто не удовлетворены объемом продаж, а также избытком или дефицитом товарных позиций. Отправная точка для изменения ситуации – прогнозирование спроса. Чем прогноз точнее, тем меньше будет на складе запасов непродаваемых товаров, востребованные же всегда будут в наличии. Кроме того, компания сможет вовремя вводить в ассортимент новые товары и убирать устаревшие, устанавливать конкурентоспособные розничные цены и оптимизировать цепочку поставки. 


Как формируется прогноз спроса 


Все данные о фактических продажах, проведенных и планируемых маркетинговых акциях, изменениях розничных цен и других событиях нужно проанализировать. Самый простой инструмент для этого – программа Excel. Тем самым компания получит статистические прогнозы спроса. Далее их выборочно корректирует аналитик и передает на согласование соответствующим подразделениям: отделам продаж, закупок, маркетинга и др. Итоговый прогноз утверждает руководство компании.


Формирование прозноза спроса

e&g t;

Почему появляются неточные прогнозы
 спроса

Прогнозы компании оказываются неточными по четырем причинам:

• вариативность спроса;
• субъективность корректировок;
• неопытность аналитиков;
• недостаточная функциональность программного обеспечения. 


Вариативность спроса

Например, спрос на сотовые телефоны или одежду чаще всего импульсивен, а значит, неравномерен в разных магазинах – объем продаж зависит от того, насколько умело продвигается товар. Соответственно, при планировании надо учитывать, какие рекламные акции будет проводить магазин, и корректировать прогноз в зависимости от ожидаемых результатов. Иное дело хлеб – этот товар пользуется спросом в любой ситуации. Поэтому достаточно рассчитать статистический прогноз, корректировки не требуются.


Субъективность корректировок

Нередко в компанию приходит эксперт с большим опытом и «на глаз» определяет спрос. Однако такого рода «экспертные» оценки зачастую ошибочны. Например, в американской компании по продаже электронной техники RadioShack обнаружили, что в 70% случаев прогноз, скорректированный специалистом, оказывается менее точным, чем статистический прогноз, полученный на основе средних значений еженедельных продаж за последние пять недель (так называемый прогноз по скользящим средним). 


Кроме того, разные подразделения, которые корректируют прогнозы, часто действуют несогласованно или намеренно искажают цифры, чтобы затем иметь возможность переложить ответственность друг на друга. Классический пример – противоборство отделов продаж и закупок. Первые утверждают, что низкие продажи обусловлены отсутствием товара на складе, а вторые заявляют, что не закупают товар, поскольку менеджеры все равно не могут его продать. Соответственно, департамент продаж старается завысить прогноз, а департамент закупок, наоборот, занизить. Это не лучшим образом сказывается на точности прогнозов.


Неопытность аналитиков

По моим наблюдениям, аналитики или специалисты по планированию делают менее точные корректировки, чем категорийные менеджеры, которые отлично знают товар. Кроме того, ошибки в прогнозах нередко возникают по банальной причине, когда аналитик не владеет в должной мере техниками прогнозирования. Как показало исследование компании Fildes & Goodwin, ручные изменения прогнозных значений на небольшие величины не приводят к существенному повышению точности прогноза, а в ряде случаев даже снижают ее. В исследовании участвовали четыре компании, деятельность которых связана с цепочками поставок; они корректировали вручную до 75% своих статистических прогнозов 1 .


Неточность программных инструментов

Существует множество видов спроса. Он может быть устойчивым сезонным, устойчивым несезонным, неустойчивым сезонным, неустойчивым несезонным и прерывистым. Отдельно выделяется спрос на товары с коротким жизненным циклом. Помимо всего этого, на спрос влияет множество внешних событий: маркетинговые акции, изменение розничных цен, смена товарных линеек, активность конкурентов и пр. Сочетания этих событий могут быть как взаимодополняющими, так и взаимоисключающими. Не все программные инструменты способны учитывать эти нюансы при формировании статистических прогнозов, и отсюда следуют неточности.

• Удобное прогнозирование продаж поможет сделать программа автоматизации бизнеса Класс365

Определите природу спроса. Универсального алгоритма, который бы гарантировал точные прогнозы для всех видов товаров, не существует. Но есть важное правило – первым делом нужно понять природу спроса на товар: он импульсивный или естественный? Определив это, вам будет проще подобрать правильные методы для управления продажами. 


Используйте эталонный прогноз спроса. Вопрос, насколько точен статистический прогноз, возникает уже в самом начале процесса прогнозирования. Чтобы понять, эффективны ли меры по корректировке прогноза, необходимо иметь эталонный прогноз для сравнения. Тогда статистический прогноз, допустим, на завтра сравнивается с эталоном. Таким прогнозом может служить скользящее среднее значение, например, за последние семь дней. Вы можете выбрать и другой эталон – главное, руководствоваться следующими принципами: 


• построение эталонного прогноза не должно отнимать много времени;
• алгоритм должен быть очень простым и подходить для всех видов спроса. Например, он должен одинаково стабильно прогнозировать спрос на товары с циклом продаж в одну неделю и на товары с циклом продаж в несколько лет.

Результаты дальнейших корректировок статистического прогноза необходимо сравнивать именно с эталонным. Введение эталонного прогноза изменит процесс предсказания будущего спроса (см. рис. 2 ).


Устанавливайте адекватные цели прогнозирования
 спроса. Вот пример неверно сформулированной цели: точность прогноза должна быть не менее 80% для всех товаров. Правильнее сформулировать цель следующим образом: точность итогового прогноза должна быть выше точности эталонного. Или так: точность итогового прогноза должна быть выше точности используемого на текущий момент.


Казалось бы, в последних формулировках цель выглядит более размытой, но зато она позволяет учитывать особенности спроса на разные товары. Например, в подразделении по продаже мобильных телефонов компании Mobistar долгое время не могли преодолеть планку в 30% по точности прогнозов ввиду редких и импульсивных продаж товаров. Развертывание системы статистического прогнозирования временных рядов позволило повысить точность прогнозов до 50%. Дальнейшее выстраивание процесса согласования итогового прогноза с экспертами из других отделов помогло поднять точность прогнозов до 60%. Текущий уровень точности прогнозов составляет порядка 70%, и этот результат был достигнут за счет повышения качества данных 2 .


Если же цели слабо связаны с реальностью, сотрудники начинают подстраивать прогнозы под имеющиеся данные. Это лишает смысла всю работу по прогнозированию.

Не копируйте цели конкурентов. Часто при прогнозировании спроса розничные сети смотрят на конкурентов. Однако это не всегда оправданно. Цели по точности прогнозов должны учитывать размеры компании, специфику ее процессов, географическое положение, широту ассортимента и т. д. То есть региональной розничной сети небольших или средних размеров не следует ориентироваться на точность прогнозирования федеральной сети из списка топ-10. Вместе с тем у более крупных конкурентов полезно позаимствовать сведения об организации бизнес-процессов и их автоматизации. 


• Категорийный менеджмент в рознице: 3 принципа увеличения продаж

Занимайтесь товарами, которые приносят максимальную прибыль, но показывают самую низкую точность прогнозов продаж. Если Вам удастся хотя бы немного повысить точность прогноза продаж товаров, приносящих основную маржу, Вы получите существенный финансовый эффект за счет сокращения издержек. Если же Вы повысите, пусть даже до 100%, точность прогноза продаж на товары с небольшой выручкой, эффект будет значительно меньше. Если же есть два товара, сопоставимые по выручке, разумнее сосредоточить усилия на повышении точности прогноза продаж того товара, у которого она ниже. Дело в том, что если точность прогноза уже высокая, то ее дальнейшее улучшение потребует несравнимо больших усилий. Если же первоначальная точность прогноза низкая, то ее проще повысить и, значит, проще получить прирост прибыли. 


Контролируйте качество поступающих данных. Использование в качестве отправной точки эталонного прогноза и установка адекватных целей еще не гарантия получения точных итоговых прогнозов. Важно контролировать качество поступающих данных. Например, фактические сведения о реализации могут не отражать действительной картины, поскольку продаж могло не быть не из-за отсутствия спроса, а, например, из-за нехватки товара на складе. В этом случае используйте среднее значение продаж в периоды отсутствия дефицита. Причем не стоит стараться восстанавливать спрос идеально точно – для прогнозирования нет принципиальной разницы, был ли реальный спрос вчера равен пяти или семи единицам товара. Достаточно знать, что в среднем спрос составлял шесть единиц. 


Автоматизируйте процессы, влияющие на спрос. Многие компании не собирают информацию о результатах проведенных маркетинговых акций и не оценивают их эффективность. Они уверены, что любая рекламная кампания увеличивает продажи, но это не так. Аналогично многие не отслеживают историю ценообразования и т. д. Важно выстроить процесс формирования прогноза спроса для каждой товарной группы, а лучше – для каждого товара. И здесь требуется программное обеспечение. Однако, выбирая его, обращайте внимание на возможности для анализа влияния внешних событий на спрос, таких как праздники, различные промоакции, изменение розничных цен и т. д. Откажитесь от ручной корректировки статистического прогноза по тем товарным категориям, по которым экспертное мнение специалиста не дает стабильного улучшения точности итогового прогноза.


Прогнозирование спроса в действии: опыт компании Nestle


В качестве примера расскажу о проекте компании Nestle по построению процесса прогнозирования спроса. Он был выполнен совместно со специалистами компании SAS. Небольшая справка: Nestle производит продукты питания, работает в 469 регионах в 86 странах мира, годовой оборот – 90 млрд швейцарских франков.


В компании особое значение для формирования прогнозов спроса придают категории товаров, именуемой «безумные быки», – это товары одновременно с высоким объемом продаж и вариативностью спроса. К «безумным быкам» можно отнести, например, кофе марки Nescafe. Для этого продукта характерен устойчивый спрос, однако, чтобы объем продаж не падал, постоянно проводят стимулирующие промоакции.


В Nestle пришли к выводу, что использование лишь статистического прогноза, равно как и только экспертного опыта специалиста по планированию, не дает должных результатов. Руководство поставило задачу выстроить пошаговый процесс формирования прогноза спроса, чтобы повысить его точность. Действовали следующим образом:


1. Сформировали эталонный прогноз – он был получен при помощи метода усреднения значений продаж.


2. Создали статистический прогноз, затем аналитик скорректировал данные, передал на рассмотрение другим отделам. Те внесли корректировки, вернули прогноз, руководитель утвердил. Кстати, точность прогноза рассчитывалась по следующей формуле: 
Точность прогноза спроса = 1 – |Прогноз – Факт| : Прогноз.


Компания Nestle не открывает точных цифр, поэтому рассмотрим условный пример. Допустим, сегодня 22-е число. Прогноз спроса, сделанный 20-го числа на 21-е, равен 10 единицам товара (банки кофе Nescafe). Фактические продажи за 21-е число составили 8 единиц. Точность прогноза, согласно формуле, которую используют в компании Nestle, составит 80% (1 – |10 – 8| : 10). 


3. Чтобы достичь высокой точности прогноза спроса, были сформулированы гипотезы возможных событий, которые могут повлиять на спрос: праздники, перенос выходных дней, структурные сдвиги продаж (например, обусловленные кризисом), промоакции. Эксперты оценивали влияние каждой гипотезы на спрос и затем сравнивали с эталоном. Если это повышало точность прогнозов, гипотезу учитывали в процессе прогнозирования.

Приведу условный пример (к сожалению, специалисты компании Nestle не предоставили точных данных, что именно они делали в рамках процесса экспертной корректировки). В компании узнали, что конкурент неожиданно снизил цены на 1%. Опыт эксперта показывает, что такие действия приведут к падению продаж на 3%. Значит, необходимо уменьшить величину прогноза на эти 3%.


Вернемся к опыту компании Nestle. Первоначально сформированный статистический прогноз спроса для «безумных быков» показал точность 55,2%. Затем его подвергли процессу экспертной корректировки, что повысило точность итогового прогноза до 82,4%. Кроме того, компания повысила точность прогнозов и по другим категориям товаров. Все это позволило высвободить время маркетологов и специалистов по планированию. Они стали уделять больше внимания стабильно прибыльным товарам, сконцентрировав свои усилия на сложной продукции (для поддержания высокого спроса на которую требуются постоянные рекламные акции и пр.). Работа с товарами с низкими продажами ведется по остаточному принципу.

Формирование прогноза спроса

1.	Данные	Сведения о продажах, остатках, поставках, прочих движениях, а также о маркетинговых акциях и других внешних событиях.
2.	Инструмент	Программа, с помощью которой можно сформировать статистический прогноз спроса (в нашем случае Excel)
3.	Статистический прогноз	Прогноз, сформированный при помощи инструмента прогнозирования спроса
4.	Скорректированный прогноз	Ручная корректировка статистического прогноза аналитиоки или специалистом по планированию
5.	Согласованный прогноз	Ручная корректировка и согласование итогового прогноза между департаментами (продажи, маркетинга и пр.)
6.	Утвержденный прогноз	Утверждение итогового прогноза ответственным менеджером и передача отделам для выполнения.

Сегмент	Точность статистического прогноза спроса, %	Точность прогноза после корректировки экспертами, %
«Лошади» - товары с высокими продажами и низкой вариативность	92,1	92,7
«Зайцы» - товары с низкими продажами и высокой вариативностью	56,3	55,5
«Безумные быки» - товары с высокими продажами и высокой вариативностью, например кофе марки Nescafe	55,2	82,4
«Мулы» - товары с низкими продажами и низкой вариантивностью	90,9	91,2

В каждой компании свои примеры, Nestle раскрывает информацию только для сегмента «безумные быки» – напиток Nescafe. Эта таблица дает директорам повод задуматься и попытаться составить аналогичную для своего ассортимента. Ведь Nescafe в «Пятерочке» может оказаться совсем в другой категории, нежели Nescafe в «Азбуке Вкуса».

Копирование материала без согласования допустимо при наличии dofollow-ссылки на эту страницу

Узнайте, как при помощи статистики о рождаемости в России в течение 30-40 минут спрогнозировать – какой товар будет пользоваться высоким спросом через три, пять, или двадцать лет?

 

• Вводная часть
• Как прогнозировать спрос

Вводная часть

Как рассчитывать спрос, исходя из общедоступных статистических данных, рассмотрим на примере данной статьи.

За основу примем показатели отечественной рождаемости. По аналогии можно моделировать спрос на определенные товары и услуги, исходя из статистики браков и разводов, количества мужчин и женщин, пенсионеров и трудоспособных граждан, смертности, занятости населения, уровня жизни и т.д. Все данные находятся в свободном доступе на сайте Федеральной Службы государственной статистики .

Рассмотрим таблицу:

Табл. 1. Статистика рождаемости, смертности и естественного прироста населения России

Начиная с 2005 года, в России начался сперва медленный, а потом все более интенсивный рост рождаемости. О чем говорит нам эта информация? Во-первых, самый закономерный вывод, складывающейся из сокращения числа умерших и увеличения числа родившихся - численность населения растет. Это значит, что эквивалентно росту количества людей в нашей стране, будет увеличиваться и спрос на товары массового потребления: продукты питания, бытовая химия и косметика, одежда, бытовые услуги и т.п.

Например, если в 2011 году, когда естественный прирост был отрицательным, количество потребителей хлеба в стране увеличилось по отношению к 2009 году на 119 тыс. человек (в общей картине населения страны - на 0,083%). А уже в 2013 году при положительном естественном приросте, увеличение потребителей хлеба к 2009 году составило 273 тыс. человек (подъем продаж хлеба на 0,19% в общей массе по стране). Таким образом, всего за четыре года динамика роста продаж хлеба составила 43,6%.

Это же можно сказать обо всех продуктах ежедневного потребления - молокопродуктах, мясе, воде, медикаментах и проч.

Теперь давайте рассмотрим эту же методику прогнозирования спроса в сегменте рынка недвижимости. В 2010 году в России, по данным Росстата, было зафиксировано 54,9 млн. частных домохозяйств, средний размер одного домохозяйства - 2,6 чел.

Таким образом, если принимать во внимание рост количества населения (см. Табл.2 Естественное движение прироста и смертности) с 142 856 536 человек в 2010 году до 143 347 059 человек в 2013 году (490,5 тыс. чел.), рынок недвижимости должен был дать за два-три года не менее 188,6 тысяч новых квартир. Это только для удовлетворения потребностей растущего населения, но если к этим расчетам добавить статистику браков и разводов, что также влияет на состояние рынка недвижимости, цифра может увеличиться в 2-2,5 раза.

Табл.2 Естественное движение прироста и смертности

Наглядный график этих же данных:

Что мы видим, исходя из данной таблицы (обратный анализ):

1. Падение рождаемости в 1986-1992 и 1996 -2009 годах (в течение 13 лет) стало причиной того, что уже сейчас на рынке труда ощущается дефицит молодых специалистов, т.е. поколение 1990-х не придет на смену поколению 1970-80хх, и в стране остро будет стоять (частично уже стоит) проблема нехватки новых кадров.
2. Начиная с 2015 года, конкурс на места в ВУЗах страны будет меньше, соответственно, в стране будет больше специалистов с высшим образованием и дефицит людей - со средним специальным, что приведет к пересмотру работы многих социальных структур;
3. Повышение рождаемости с 2010 по 2014 год и продолжение этой тенденции несет в себе еще одну угрозу на рынке занятости - снижение производственной эффективности среди молодых женщин.

Как прогнозировать спрос

Для прогнозирования спроса нам понадобятся:

• данные о рождаемости (Табл. 1. Статистика рождаемости, смертности и естественного прироста населения России);
• прогноз рождаемости (Табл.3.Демографический прогноз до 2030 года).

Например, редко в каком городе в России можно констатировать насыщенность рынка детских кафе. Они есть, но их недостаточно. Основным посетителем такого заведения являются родители с малышами в возрасте от двух до шести лет, т.е. детьми, рожденными в 2008 - 2012 годах. За этот период в стране появилось 8 963 295 детей - сейчас это аудитория детских кафе.

Принимая во внимание статистику рождаемости (см. Табл.1), а также прогноз рождаемости на ближайшие десятилетия, составленные специалистами Росстата (см. Табл.3.), можно быстро прикинуть, что аудитория детских кафе составит:

• в 2016 году (рожденные с 2010 по 2014 гг) - 9 223 627 человек;
• в 2018 году (рожденные с 2012 по 2016 гг) - 9 327 948 человек.

Т.е., заниматься детскими кафе надо уже сейчас, поскольку пик продаж этого продукта начнется уже в 2015-2016 гг и рост спроса ожидается по сравнению с нынешним в среднем на 3-5%.

Табл.3.Демографический прогноз до 2030 года

Варианты прогнозирования спроса товаров разных возрастных категорий

В 2013 году в школу пошли дети, рожденные в 2006 году. Предположительно, каждому первокласснику родители обеспечили персональный компьютер. При средней цене компьютера или ноутбука 15 000 руб., емкость данного сегмента составляет 22,1 миллиардов руб. А если спрогнозировать спрос на 2020 год, то размер рынка будет на 28 % больше, без учета изменения цены это составит 28,3 миллиардов рублей.

В 2014 году идут в детский сад малыши, рожденные в 2012 году (2 годика), соответственно, родители обеспечат группу наборами карандашей и альбомами для рисования для каждого ребенка. Такой набор в среднем стоит 35 рублей. На 2014 год спрос составит примерно 66,5 миллионов рублей, а уже в 2019 году падение спроса на этот товар составит 4,5% и в деньгах выразится суммой 63,8 миллионов рублей. Следовательно, 2014-2015 годы являются пиковыми в продаже подобных товаров аудитории яслей.

Группа товаров для новорожденных

Для того чтобы наглядно увидеть динамику рынка товаров для младенцев, возьмем периодичность в 2 года:

• в 2011 году родилось - 1 796 629 детишек;
• в 2013 году родилось - 1 895 822 детей;
• в 2015 ожидается рождение 1 848 608 младенцев.

Средний бюджет на содержание одного ребенка в первой год жизни составляет около 125 000 руб. (подсчитано тематическим сайтом baby.ru) Стоимость в течение года растет в среднем на 20%. Рассчитываем емкость рынка детских товаров для детей первого года жизни:

• 2011 год - 224,6 млрд. руб;
• 2013 год - 236,9 млрд. руб;
• 2015 год - 231 млрд. руб.;

Группа товаров для первоклассников

1 сентября 2014 года в школы страны отправятся дети, рожденные в 2007 году, т.е, стране понадобится 1 610 122 ранцев, столько же наборов тетрадей, пеналов и т.д.

Если предположить, что каждому школьнику родители покупают мобильный телефон, чтобы держать малыша на связи, можно посчитать, насколько увеличится за период конца лета-начала осени реализация в данном сегменте. Если покупка стоит около 4,5 тыс. руб. (нынешние младшие школьники носят смартфоны средней руки), то общее увеличение продаж этой электроники составит:

• в 2014 году 7,24 млрд. руб;
• в 2015 году 7,71 млрд. руб;
• в 2016 году 7,92 млрд. руб, т.е. динамика за 2-3 года составит 8-9%.

Сегодня можно наблюдать огромные очереди в детских поликлиниках, недостаток мест в дошкольных учреждениях, детских уличных площадках, развлекательных заведениях для детей. При этом наглядная картина рождаемости говорит о том, что этот сегмент товаров будет востребованным еще долгие годы, а если планировать акцент в собственном бизнесе, исходя из приведенной модели прогнозирования спроса, можно будет существенно увеличивать прибыль, удовлетворяя актуальный спрос.

Рассмотрим, как прогнозировать спрос на конкретном примере

Давайте представим конкретного предпринимателя, который строит свои прогнозы на количественных показателях рождаемости. ИП Семенов реализует в городе N с населением 400 тыс. человек товары для детей.

Таких реализаторов в городе 5 человек, т.е. при моделировании ситуации по высокому варианту прогноза рождаемости Минстата (табл.3), в 2015 году в N-ске родится около 5 120 младенцев, примерно по 426 в месяц. Т.е. приобретать товары новоиспеченные родители и их родственники будут у индивидуального предпринимателя Семенова и четырех его конкурентов. При равном распределении продаж, ИП Семенов будет реализовывать в месяц набор для младенцев в количестве 86 шт.

В 2016 году - 84 шт в месяц, в 2020 году - 79 шт в месяц, т.е. падение налицо. А значит, чтобы удержать доходность бизнеса, ИП Семенов должен рассматривать состав рынка и предоставлять покупателям те товары, которые подходят им по возрасту:

• с 2015 года - товары для детей от 5 лет (игрушки, одежда, книжки);
• с 2017 года - товары для детей уже трех категорий:
• младенцы, родившиеся в текущем году (памперсы, распашонки, погремушки, молочные смеси и т.д.);
• дети 2010-2011 г.р., которые к этому времени становятся школьниками (ранцы, тетради, школьная форма, а также это могут быть простейшие мобильные телефоны);
• дети 2012-2016 годов - малыши детсадовцы (игрушки, книжки, обучающие игры и материалы, одежда).

Уже с 2017 года ИП Семенов должен хорошо задуматься, чем ему торговать через три года, и пока бизнес основан на прежних расчетах, начать подыскивать варианты, соответствующее его взрослеющей аудитории.

Это могут быть товары для среднего школьного возраста, т.к. основной пик рождаемости пришелся на 2011-2013 года, соответственно, с 2020 года ИП Семенову лучше переключаться на товары той потребительской аудитории, которая представлена большим количеством клиентов - детьми 7-9 лет и их родителями. На волне этих товаров (это могут быть одежда, обувь, конструкторы, компьютеры, смартфоны, первая детская косметика и т.д.) предприниматель может продолжать свою деятельность вплоть до 2028-2030 гг.

Далее логика и статистика подсказывает переход на товары для аудитории студентов (модная одежда, услуги клубов и концертов, фаст-фуды и т.д.) а еще через 10 лет ИП Семенов может возвращаться к товарам для младенцев и будущих мам.

Таким образом, на простейшем примере мы разобрали основные принципы долгосрочного и перспективного планирования по методике моделирования спроса на основании демографической ситуации. Все расчеты относительны и не являются окончательными.