Прогнозирование сезонной потребности в запасе с учетом долгосрочной тенденции.
Вопрос 1. Прогнозирование потребности в запасе на основе статистических данных.
Вопрос 2. Оценка и анализ точности прогноза потребности в запасе.
Вопрос 1. Прогнозирование потребности в запасе на основе статистических данных.
Прогнозирование будущего потребления запаса основывается на двух принципиально различных подходах: количественном и качественном.
Количественный подход к оценке будущей потребности в запасе строится либо на основе временных рядов накопленной за прошлые периоды времени статистики потребления, либо на основе статистических данных изменения фактической величины спроса. Качественный подход к прогнозированию потребности опирается на экспертные оценки специалистов.
Количественный подход
Прогнозирование потребности в запасе на основе статистических данных
Прогнозирование потребности в запасе на основе статистических данных составляет количественный подход к прогнозированию. По группам используемых методов количественное прогнозирование можно разделить на два класса.
1. Прогнозирование потребности по временным рядам.
2. Прогнозирование по индикаторам.
Прогнозирование потребности по временным рядам
Временной ряд ( time series ) представляет собой упорядоченные во времени наблюдения. Такие наблюдения производятся через равные интервалы времени и фиксируют объемы отгрузок запаса в ответ на заявленный спрос на товарно-материальные ценности запаса.
|
|
На основе анализа временных радов можно строить прогнозы потребления на будущие периоды. Для этого достаточно построить график динамики отгрузок и внимательно его изучить. Во временном ряде потребности выделим следующие составляющие:
a) относительно равномерный спрос;
b) сезонная потребность;
c) тенденции изменения спроса;
d) циклические колебания спроса;
e) наличие эффекта стимулирования продаж;
f) случайные факторы колебания спроса.
Условия: относительно равномерный спрос
Относительно равномерный (или базовый) спрос характерен для регулярно потребляемых запасов, не имеющих сезонных периодов потребления.
На примере потребления запаса за два года (табл. 1) проиллюстрируем простейшие методы прогнозирования, а именно:
1) наивный прогноз;
2) прогнозирование по средним значениям;
3) метод экспоненциального сглаживания.
(1) Наивный прогноз является самой простой методикой прогнозирования. Она основывается на предположении о том, что прогнозируемое потребление будущего периода равно потреблению предшествующего периода.
Пример 1. Наивный прогноз потребности в запасе
Пример наивного прогноза потребности в запасе по текущему году представлен в табл. 2 и на рис. 2. Результаты прогнозирования демонстрируют отставание прогнозных значений от фактических.
|
|
Может показаться, что наивное прогнозирование является чрезмерно упрощенным методом. В то же время необходимо отметить и сильные стороны такого приема.
Таблица 1
Временной ряд отгрузок товара со склада
Месяц | Фактические отгрузки | Месяц | Фактические отгрузки |
Предыдущий год | Текущий год | ||
Январь | 20 232 | Январь | 17 244 |
Февраль | 40 446 | Февраль | 57 187 |
Март | 61 633 | Март | 48 504 |
Апрель | 65 989 | Апрель | 58 647 |
Май | 55 498 | Май | 45 477 |
Июнь | 25 189 | Июнь | 23 833 |
Июль | 35 613 | Июль | 21 730 |
Август | 114 141 | Август | 65 289 |
Сентябрь | 81 257 | Сентябрь | 46 663 |
Октябрь | 63 549 | Октябрь | 45 344 |
Ноябрь | 40 105 | Ноябрь | 31 497 |
Декабрь | 25 747 | Декабрь | 13 714 |
Таблица 2
Пример наивного прогнозирования потребления запаса в предыдущем году
Месяц | Фактические отгрузки | Наивный прогноз |
Январь | 17 244 | - |
Февраль | 57 187 | 17 244 |
Март | 48 504 | 57 187 |
Апрель | 58 647 | 48 504 |
Май | 45 477 | 58 647 |
Июнь | 23 833 | 45 477 |
Июль | 21 730 | 23 833 |
Август | 65 289 | 21 730 |
Сентябрь | 46 663 | 65 289 |
Октябрь | 45 344 | 46 663 |
Ноябрь | 31 497 | 45 344 |
Декабрь | 13714 | 31 497 |
Для проведения наивного прогноза не требуется наличия накопленной статистической базы. Наивный прогноз позволяет работать и при ее отсутствии. Наивный прогноз понятен, прост в подготовке, быстр в реализации, не требует фактически никаких затрат. Основным недостатком наивного прогнозирования является низкая точность прогноза, как, например, в случае на рис. 2.
|
|
Рис. 2. Результаты наивного прогнозирования потребности в запасе
Другие методы прогнозирования, которые будут рассмотрены могут дать более точные результаты, чем метод наивного прогнозирования, но, являясь более сложными, могут потребовать и более высоких затрат на их применение. Поэтому по критерию соотношения затрат на реализацию и точности прогнозирования менеджеры должны определиться, какой метод прогнозирования им следует применять. Вполне возможно, что таким методом окажется метод наивного прогноза.
(2) Прогнозирование по средним значениям. В случае если временной ряд имеет интервал наблюдений в один месяц, повысить точность наивного прогноза позволяет (а) метод прогнозирования по простой средней величине потребления с учетом числа рабочих дней в месяце. Для расчета среднедневного потребления, требуется разделить фактические отгрузки в месяце на количество рабочих дней месяца.
|
|
При получении дробной величины среднедневного потребления округление производится в большую сторону, чтобы исключить нехватку запаса при обеспечении потребности. Прогноз среднедневного потребления делается на основе расчета среднедневного потребления в предыдущем месяце.
Рис. 5. Результаты прогнозирования потребности в запасе на основе среднедневного потребления
Прогноз месячного потребления рассчитывается как произведение прогноза среднедневного потребления на количество рабочих дней в соответствующем месяце.
Прогноз на основе скользящего среднего значения.Этоеще одним метод прогнозирования, относящийся к прогнозированию по средним значениям.
Метод скользящей средней при составлении прогноза использует значение средней арифметической величины потребления за последние периоды наблюдений. Скользящая средняя рассчитывается по следующей формуле:
(3)
где — прогнозируемый объем потребности в периоде времени , единиц; — индекс предыдущего периода времени; . — объем потребления в предыдущем периоде времени ; — число периодов, используемых в расчете скользящей средней.
Для составления прогноза по скользящей средней требуется определить число периодов наблюдений , которые будут использоваться в расчете. При этом следует учитывать особенности имеющегося временного ряда. Чем большее число точек наблюдения берется в расчет, тем скользящая средняя менее чувствительна к изменениям значений потребления в прошлые периоды. Если изменение наблюдений имеет ступенчатый характер, то следует обеспечить высокую чувствительность прогноза к каждому наблюдению. Здесь следует применить возможно меньшее число наблюдений.
Иллюстрация результатов прогнозирования по скользящей средней с учетом количества рабочих дней в месяцах приведена на рис. 6.
Рис. 6. Результаты прогнозирования потребности в запасе методом скользящей средней
Преимущество прогнозирования по скользящей средней состоит в простоте метода. Основным недостатком является то, что значимость значений прошлых периодов при прогнозировании будущей потребности одинакова. Например, если в расчете скользящей средней используется 6 значений, то значимость каждого значения равна . Между тем очевидно, что значимость статистики последнего из предшествующих периодов более велика, чем предыдущих.
Метод взвешенной скользящей средней.Используют для учета важности отдельных периодов наблюдений. В этом методе каждому используемому в расчете скользящей средней периоду присваивается коэффициент, отражающий значимость влияния этого периода на прогнозное значение потребления. Значимость более поздних периодов должна быть выше, чем значимость более ранних периодов. Например, из 6 периодов расчета скользящей средней последнему может быть присвоен удельный вес 5, предыдущему — 4; далее 3, 2, 1 и 1. В общем виде взвешенная скользящая средняя рассчитывается следующим образом:
(5)
где . — прогнозируемый объем потребности в периоде времени, , единиц; — индекс предыдущего периода времени; — коэффициент значимости периода времени ;
. — объем потребления в предыдущем периоде времени , единиц; п — число используемых в расчете предыдущих периодов времени.
Иллюстрация результатов прогнозирования потребности в запасе на основе взвешенной скользящей средней приведена на рис. 7.
Рис. 7. Результаты прогнозирования потребности в запасе методом взвешенной скользящей средней
В целом прогнозирование по взвешенной скользящей средней дает более точные результаты, чем по простой скользящей средней. Главное преимущество взвешивания состоит в том, что в прогнозируемой величине в большей степени учитываются последние значения потребности. Определенную проблему представляет собой подбор коэффициентов значимости. Они, как правило, определяются экспертно и проверяются экспериментально, т.е. путем проб и ошибок.
Метод экспоненциального сглаживания. Более сложный метод прогнозирования на основе расчета взвешенного среднего. В этом методе каждый новый прогноз основан на учете значения предыдущего прогноза и его отклонения от фактического значения. Прогнозное значение по методу экспоненциального сглаживания определяется следующим образом:
Прогнозное значение = Значение предыдущего прогноза + а •
•(Фактическая потребность — Значение предыдущего прогноза), или
, (6)
где . — прогнозируемый объем потребности в периоде времени, , единиц;
— прогнозируемый объем потребности в периоде времени ( —1), единиц; а— константа сглаживания; — фактическая потребность в периоде ( —1), единиц.
Константа сглаживания а определяет чувствительность прогноза к ошибке. Чем ближе ее значение к нулю, тем медленнее прогноз будет реагировать на ошибки, тем, следовательно, будет выше степень сглаживания прогноза. Напротив, чем ближе значение сглаживающей константы к единице, тем выше чувствительность и меньше сглаживание. Подбор значения константы сглаживания проводится экспериментально. Цель такого подбора состоит в том, чтобы определить такое значение а, чтобы, с одной стороны, прогноз был чувствителен к изменениям временного ряда, а с другой стороны, хорошо сглаживал скачки потребления, вызванные случайными факторами.
Рис. 8. Результаты прогнозирования потребности в запасе методом экспоненциального сглаживания
В практике часто встречаются случаи, когда запас отгружается неравномерно. В неравномерности могут присутствовать сразу несколько составляющих. Разберем их последовательно.
Наличие сезонного спроса
Спрос является сезонным, если в нем имеются краткосрочные (менее года) регулярные изменения, связанные с погодой или с определенными календарными периодами (время отпусков, праздники, времена года и пр.). Сезонный спрос проявляется в периодическом увеличении или уменьшении спроса в течение года.
В примере 1 (см. табл. 1) характерна явно выраженная сезонная тенденция спроса: пик отгрузок приходятся на март—апрель и сентябрь—октябрь двух следующих друг за другом лет (рис. 9). Соответственно, в январе—феврале и в июле—августе наблюдаются относительное повышение спроса, а в мае—июне и в ноябре—декабре — спады.
Для прогнозирования такого явно выраженного сезонного спроса требуется использовать статистику отгрузок соответствующих периодов прошлых лет.
На рис. 10 приведена иллюстрация результатов прогнозирования сезонной потребности. Прогнозирование выявленной сезонной потребности дает лучший результат по сравнению с прогнозированием методом наивного прогноза (см. рис. 2), простой средней (см. рис. 5), скользящей средней (см. рис. 6), взвешенной скользящей средней (см. рис. 7) и методом экспоненциального сглаживания (см. рис. 8).
Рис. 10. Результаты прогнозирования сезонной потребности в запасе методом взвешенной скользящей средней
Тенденции изменения спроса
Кроме сезонной потребности во временном ряде могут прослеживаться и иные тенденции изменения спроса краткосрочного (менее одного года) и долгосрочного (более одного года) характера. Тенденции изменения спроса краткосрочного характера могут иметь сезонную повторяемость из года в год. При отсутствии сезонных особенностей (например, в условиях, когда статистическая база поведения запаса еще не накоплена) принципиальной разницы работы с краткосрочными и долгосрочными тенденциями нет.
Наиболее типичные тенденции изменения спроса представлены на рис. 11. Имеются линейные положительные тенденции спроса, соответствующие росту объема потребности в запасе в течение нескольких лет (рис. 11а); линейные отрицательные тенденции спроса, соответствующие падению объема потребности в запасе в течение нескольких лет (рис. 116). Кроме линейных тенденций могут иметься параболические тенденции (рис. 11 в, г), а также экспоненциальные, гиперболические и другие тенденции спроса.
Процесс прогнозирования потребности в запасе для временных рядов, имеющих долгосрочные тенденции, проводится в несколько этапов (рис. 12).
1. Фильтрация значений статистического ряда.
2. Выбор вида уравнения тренда.
3. Прогнозирование объема потребления.
4. Оценка точности прогноза (вопрос 2 лекции).
Фильтрация значений статистического ряда проводится для повышения надежности прогнозирования будущей потребности. В статистическом ряде могут иметься сведения о необычно больших или необычно малых объемах отгрузок (продаж, товарооборота) запаса в некотором периоде времени. Возможно, рост объема продаж был следствием уникальной ситуации на рынке, связанной, например, с временным отсутствием на рынке конкурента, проводящего техническое переоборудование своего производства, либо с временно образовавшимся у конкурентов дефицитом данного продукта в связи с погодными условиями.
Рис. 11. Временные тенденции изменения спроса
Малый объем продаж может быть связан с вынужденной приостановкой деятельности по решению органов надзора и пр.
Рис. 12. Процесс прогнозирования потребления запаса при наличии долгосрочной тенденции
Необычно большие или малые объемы потребления запаса в прошедших периодах могут носить и просто случайный характер. При этом надо иметь в виду, что начало работы с новым партнером или потеря крупного клиента, вызвавшие изменение фактических объемов отгрузок запаса в прошлых периодах, должны быть учтены при составлении прогноза будущей потребности в запасе.
Таким образом, статистический ряд до начала его использования при составлении прогноза нуждается в фильтрации нетиповых, случайных, единичных данных, которые не предполагаются к повторению в будущие периоды. Такая фильтрация может быть проведена статистически или экспертно.
Если статистический ряд отражает многочисленные отгрузки больших объемов товарно-материальных ценностей может быть удобным и полезным использование статистического фильтра. В качестве фильтра могут быть заданы максимальная и минимальная границы значений фактических отгрузок статистического ряда, которые будут использоваться в дальнейших расчетах.
Фильтрация значений статистического рада отгрузок запаса в звене цепей поставок. На рис. 13 приведен пример статистического ряда отгрузок запаса товара по дням 2005 г., в котором отражены единичные всплески объемов потребления запаса. Средний объем отгрузок в день составляет 4534 единицы при стандартном отклонении отгрузок — 5380 единиц.
В качестве возможной максимальной границы учитываемых значений статистического ряда был выбран объем отгрузок 15 000 единиц.
Рис. 13. Пример статистического ряда с единичными высокими объемами отгрузок запаса
Этот фильтр приводит к отсеиванию 9 значений с максимальным объемом из 264 имеющихся значений. Полученный результат фильтрации приведен на рис. 14.
Фильтрация значений статистического ряда может быть проведена и автоматически с помощью программных средств. Например, на рис. 15 приведен результат линейной фильтрации статистического ряда примера 7 по 5 точкам, выполненный с помощью Micro soft Excel . Сплошной линией на рисунке представлен выровненный статистический ряд, полученный методом наименьших квадратов.
Если число и объем отгрузок единичен, требуется провести тщательный анализ необычных по объемам отгрузок запаса экспертным путем, то есть с привлечением специалистов, связанных с работой с запасами и знающих все нюансы динамики потребности в запасе.
Рис. 14. Фильтрация максимальных значений статистического ряда с единичными высокими объемами отгрузок запаса
Рис. 15. Результат автоматической линейной фильтрация значений статистического ряда с единичными высокими объемами отгрузок запаса
Привлеченные эксперты должны определить вероятность полного или частичного повторения ситуации прошлых периодов и провести фильтрацию статистического ряда.
Кроме того, следует иметь в виду, что при наличии тенденции резкого возрастания или падения отгрузок в прошлые периоды рекомендуется сокращение рассматриваемых при составлении прогноза отчетных периодов.
Выбор вида уравнения тренда. Поиск и анализ тенденции потребности в запасе включают в себя определение вида уравнения, которое может наиболее точно описать тенденцию. Прежде чем приступать к математической обработке статистического ряда, требуется выдвинуть и исследовать гипотезы дальнейшего потребления запаса. Вариантами таких гипотез могут быть предположения о монотонном возрастании (падении) будущей потребности в запасе, о наличии ограничений изменения потребности в запасе сверху или снизу, о наличии ограничения времени развития потребности и др.
Уравнения тренда могут быть линейными или нелинейными. Их построение можно выполнять с помощью широко доступных программных средств ( Microsoft Excel , SPSS , MathCAD и др.). В частности, на рис. 16 приведены примеры трендов линейного, параболического и полиноминального вида, построенных с помощью Microsoft Excel . Часто используются также уравнения экспоненциальной и гиперболической формы. Окончательный выбор наиболее подходящего вида уравнения тренда производится экспериментально на основе оценки точности прогноза (см. вопрос 2 лекции).
Рис. 16. Примеры уравнений трендов
Прогнозирование объема потребления на основе имеющейся тенденции проводится с помощью метода экстраполяции (см. рис. 1.), который позволяет на основе управления, описывающего тенденцию, определить предполагаемую величину аргумента на будущий период. Все компьютерные программы статистической обработки данных позволяют автоматически проводить такое прогнозирование. На рис. 17 представлены примеры прогнозирования тенденции на основе линейного и параболического трендов (см. рис. 16 а, б).
Временные ряды могут не иметь сезонную потребность, но только долгосрочную тенденцию. На рис. 18 представлен временной ряд на основе данных рис. 16а и рис. 17а по месяцам года. На рис. 18 видно, что при наличии явно выраженной тенденции роста потребности сезонная составляющая отсутствует.
Рис. 17. Прогнозирование тенденций методом экстраполяции
Рис. 18. Временной ряд с долгосрочной тенденцией и отсутствием сезонной потребности
Временной ряд может иметь долгосрочную тенденцию, например, роста и явно выраженную сезонную потребность по месяцам каждого года, как на рис. 19.
Если временной ряд имеет сезонное потребление на фоне наличия долгосрочной тенденции (увеличение или уменьшение год от года продаж сезонных товаров), для прогнозирования сезонной потребности требуется учитывать коэффициент тенденции.
Рис. 19 Временные ряды с сезонной потребностью и наличием долгосрочной тенденции
Прогнозирование сезонной потребности в запасе с учетом долгосрочной тенденции.
Наличие долгосрочной тенденции статистики описывается с помощью коэффициента тенденции. Он рассчитывается в общем виде следующим образом:
(12)
где — коэффициент тенденции в периоде ;. — индекс прогнозируемого периода;
i — индекс предшествующего месяца; п — число предшествующих месяцев, учитываемых для определения коэффициента тенденции; . — фактический объем потребности в предыдущем прогнозируемому периоде времени в предшествующем месяце , единиц;
— фактический объем потребности в периоде времени, предшествующем предыдущему прогнозируемому, в предшествующем месяце , единиц.
Прогноз объема отгрузок рассчитывает по формуле
(13)
где .— прогноз потребности с учетом тенденции в периоде , единиц; - индекс прогнозируемого периода; .- прогноз потребности в периоде ; — коэффициент тенденции в периоде .
Результаты расчета прогноза потребности, имеющей сезонный характер, при наличии долгосрочной тенденции приведены на рис. 20. Сравнение результатов прогнозирования объема потребности по этой же статистике методом взвешенной скользящей средней без учета долгосрочной тенденции показывает значительно более высокую точность прогнозирования объема отгрузок с учетом как сезонной, так и долгосрочной тенденции.
Рис. 20. Прогнозирование сезонной потребности с учетом долгосрочной тенденции
Циклические колебания спроса
Циклические колебания спроса представляют продолжительные изменения тенденций потребления, сменяющие друг друга в периоды, как правило, более двух лет. Выявление циклических колебаний спроса затруднено необходимостью наличия статистической базы за длительный период времени и влиянием на спрос различных нерегулярных тенденций. Для учета циклических колебаний спроса в условиях отсутствия очевидной картины по статистической базе следует полагаться на знание типовых циклов, характерных для данной отрасли или вида бизнеса.
Так, для всех видов готовой продукции характерно наличие цикла жизни товара (рис. 21). Отслеживание текущего этапа жизненного цикла позиции запаса и планирование ввода (вывода) новых позиций запаса (например, при обновлении ассортимента бренда) позволяют и без накопления статистической базы за длительный период делать выводы о наличии циклических колебаний спроса.
Рис. 21. Циклические изменения спроса на товар, вызванные жизненным циклом товара
Другим приемом отслеживания циклических изменений спроса является выявление ведущих показателей циклического изменения спроса на запас. Такими ведущими показателями могут быть, например, начало строительства крупного предприятия, которое в течение уже своего жизненного цикла будет заявлять потребность в обслуживании запасом своей деятельности, или принятие программ, соглашений операторов рынка о будущей деятельности и т.п.
Дата добавления: 2021-04-15; просмотров: 159; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!