Для эффективного управления запасами важно уметь составлять адекватные прогнозы будущего спроса на каждый товар в вашем ассортименте. И если вы решаете задачу в крупной дистрибуторской компании, ассортимент которой может достигать нескольких тысяч и даже десятков тысяч наименования, делать это вручную крайне затруднительно.
К счастью, большинство современных информационных систем, используемых для автоматизации деятельности предприятия содержат те или иные инструменты прогнозирования спроса. Ну или хотя бы предоставляют возможность внедрить нужный алгоритм прогнозирования, используя готовый инструментарий информационной системы.
Но, не все так просто. Обратная сторона медали в том, что разработкой и внедрением алгоритмов прогнозирования спроса занимаются люди, не принимающие участие ни в продажах ни в закупках: аналитики, ИТ-специалисты и т.п. Иногда это приводит к тому, что в погоне за соблюдением принципов статистики и неукоснительным следованием алгоритмам прогнозирования теряется связь с реальностью и упускается из виду, собственно, цель составления прогнозов.
Чтобы продемонстрировать, чем это в итоге может обернуться, приведу пару примеров из практики.
В первом пирмере мы столкнемся с расчетом объема страхового запаса. Страховой запас, напомним — это запас, призванный обеспечить предприятие необходимыми товарами или материалами в случае непредвиденного скачка спроса. Многие информационные системы рассчитывают объем страхового запаса на основе отклонений прогнозных и реальных значений продаж за последние несколько месяцев.
В данном случае система рассчитывала через чур большой размер страхового запаса, даже с учетом того, что прогноз продаж превышал их реальное значение в течении последних 12 месяцев. В итоге по ряду товаров складской запас был через чур завышен. На предложение учитывать при расчете страхового запаса только те месяцы, в которые реальный спрос превышал спрогнозированный, специалисты, внедрившие данный алгоритм прогноза ответили, что это противоречит теории статистики и нарушает целостность данных. Как следствие, полученный результат будет статистически недостоверным.
На вопрос же о том, почему в таком случае мы имеем такой чрезмерный объем запаса по ряду товарных позиций, они ответили, что это отличительная особенность их программного обеспечения. Стоит ли говорить, что подобные «особенности» могут привести к резкому снижению рентабельности активов и даже, в особо запущенных случаях — к банкротству предприятия.
В другом примере дело было связано с дорогостоящим товаром, который продавался очень нерегулярно — это был товар из категории премиум ассортимента. Последние продажи были из серии: 1 штука 2 месяца назад + 1 штука 10 месяцев назад. Но система предлагала держать запас в количестве 8 штук! Дело в том, что система делала прогноз минимум на основе последних 6 продаж. Выглядит логично, но до этого продажи были около 2 лет назад, хотя и объемы продаж были побольше.
Было предложено учитывать в прогнозе период продаж не более 12 последних месяцев, на что разработчики программного обеспечения ответили, что малые выборки не дают достоверного результата. Опять же , статистически этот подход корректен, но не учитывает сокращения спроса на данный товар в течении времени.
Мораль в том, что ваша информационная система призвана строить достоверный прогноз и практически применимые параметры пополнения запаса. При этом, на сколько прогнозы буду корректны с позиции теории статистики — вопрос, на самом деле, второстепенный.
Вам нужны прогнозы, применимые в реальном мире. Поэтому при внедрении любых алгоритмов прогноза, рекомендую вам сделать следующее:
На основе реальных данных о продажах составить тестовые прогнозы спроса и сделать расчет параметров пополнения запасов для всего ассортимента;
Показать полученные результаты вашим специалистам по закупу и попросить их выбрать те позиции, по которым они бы изменили прогноз; Обязательно пусть укажут, каким образом следует его изменить и почему;
Обсудить экспертную оценку закупщиков с разработчиками программного обеспечения и определить, каким образом следует скорректировать алгоритм для получения адекватных результатов;
Помните, что лучшие инструменты прогнозирования составлены не только на основе голой теории статистики, но принимают во внимание весь опыт, накопленный вашими специалистами по продажам и закупкам. Система должна помогать им лучше выполнять свою работу, а не вводить в заблуждение в угоду перфекционизму.
Пожалуйста, войдите или зарегистрируйтесь, чтобы комментировать.