Введение в прогнозирование спроса.

Введение в прогнозирование спроса.
Добронравин Евгений Руфинович, директор фирмы SIMPLESOFT: к.э.н., преподаватель Логистики каф. "Управления и предпринимательства" Ярославского государственного университета. www.simplesoft.ru

Прогнозирование - это оценка значения переменной (или ряда переменных) для какого - то момента времени будущего. Обычно целью прогнозных расчетов на предприятии является обеспечение информацией процесса планирования. В прогнозировании исходят из того, что если мы можем хотя бы приблизительно спрогнозировать будущее, то сможем выбрать свое оптимальное поведение, чтобы при наступлении будущего находиться в лучшей позиции. 

Характерные черты прогнозов.

1. Прогноз всегда ошибочен.
2. Прогноз является более полным при оценке ошибки.
3. Прогноз более точен для большей группы наименований.
4. Прогноз более точен для более коротких промежутков времени.
5. Прогноз не может заменить расчетный спрос. Товары с зависимым спросом необходимо не прогнозировать, а должны быть рассчитаны исходя из спроса на конечные продукты, которые, в свою очередь, могут быть спрогнозированы.

Качество прогноза непосредственно отражается на качестве принимаемых управленческих решений по управлению запасами. Для эффективного управления запасами важно выбрать обоснованный метод и методику прогнозирования. Используемые методы прогнозирования зависят от вида бизнес-решений. Например, метод прогнозирования продаж на следующий месяц не подходит для прогнозирования продаж на пять лет вперед. Часто используют категории краткосрочный, среднесрочный, долгосрочный прогноз. При прогнозировании потребительского спроса во многих случаях прогноз до 6 месяцев является краткосрочным, свыше 2 лет - долгосрочным.

Срок прогнозирования в зависимости от вида бизнес-решений.

Методы прогнозирования делятся на следующие категории:

- качественные методы - где нет формальной математической модели часто из-за того, что имеющиеся данные не являются представителями будущего состояния (долгосрочный прогноз);

- метод регрессии - продолжение линейной регрессии, где предполагается, что переменная линейно зависит от ряда других переменных;

- методы множества уравнений - где имеется ряд переменных, которые взаимозависят посредством ряда уравнений (эконометрические модели);

- методы анализа рядов динамики - где мы имеем одну переменную, которая изменяется во времени и ее будущие значения зависят от прошлых.

Спрос можно разделить на следующие элементы: средний спрос для периода, тренд, сезонные влияния, циклическая составляющая, автокоррекция (связь с предшествующими значениями) и случайная вариация (то что остается). Если высокая автокоррекция, то спрос не будет сильно изменяться постоянно по периодам. 

Регрессионный анализ от ведущего индикатора. Регрессия используется для анализа основного движения спроса. Например по группе товаров. Но чем длиннее период, тем больше линия приближается к прямой, что ограничивает ее возможности. Когда трудно предсказать циклическую составляющую и если она существенная, часто возможно установить математическую зависимость между спросом, зависимой переменной и ведущим индикатором, независимой переменной. Например, зависимость количества построенных домов и количества закупаемых ковров по годам. Устанавливается линейная связь: y=ax+b .Точка пересечения с осью OY есть коэффициент а. Для оценки коэффициента b оценивается отношение приростов по X и Y. Подставляя значения построенных домов вместо X получаем прогноз спроса на ковры.

Чаще всего в управлении запасами при прогнозировании спроса пользуются методом анализа рядов динамики. Исходят из того, что переменная изменяется во времени и зависит только от времени и своих прошлых значений. Если Yt - значение переменной в момент времени t, то уравнение для Yt имеет вид: Yt = f(Yt-1,Yt-2,....,Y0 , t). Цель анализа временного ряда - обнаружить характер функции f и дать возможность спрогнозировать значение Yt. Методы временных рядов особенно хороши для краткосрочного прогнозирования, где прошлое поведение отдельной переменной является хорошим индикатором будущего поведения, по крайней мере, в краткосрочной перспективе.

Например, понедельные данные, собранные за шесть недель, могут быть использованы для прогнозирования на седьмую неделю. Существуют различные методы рядов динамики. Как было сказано выше, данные за прошлые периоды могут содержать различные элементы: тренды, сезонность, цикличность, автокоррекцию и случайность. Выбор метода прогнозирования зависит от ответа на вопрос, насколько глубоко необходимо анализировать данные. 

Рассмотрим два простейших варианта методик прогнозирования спроса.

Если спрос на товар ни растущий, ни быстро падающий и нет сезонных факторов, то в управлении запасами может использоваться скользящая средняя.

Пример расчета 3-месячной и 9-месячной скользящей средней.

Недостатком скользящей средней является то, что когда все индивидуальные значения спроса используются в расчетах, требуется много данных для расчета.

Взвешенная скользящая средняя. В то время, как простая скользящая средняя придает равные значения каждому составляющему базы данных, взвешенная средняя придает им разные веса, при этом сумма весов равна 1. Например, магазин может обратить внимание, что из данных за 4 месяцев наилучший прогноз обеспечивается взвешиванием на 40% фактического спроса за предыдущий месяц плюс 30% за предыдущий месяц плюс 20% за предыдущий месяц плюс 10% за месяц до этого. В этой методике, имеется возможность учета различной значимости, но требуется больше расчетов.