Savo gerą darbą pateikti žinių bazei lengva. Naudokite žemiau esančią formą
Studentai, magistrantai, jaunieji mokslininkai, kurie naudojasi žinių baze savo studijose ir darbe, bus jums labai dėkingi.
Panašūs dokumentai
Prekių pasiūla ir jos santykis su vartotojų paklausa. Bendro regioninės vartojimo prekių rinkos pajėgumo ir paklausos prognozavimas prekybos įmonėje. Kemerovo srities gyventojų vartojimo poreikio vertinimas ir prognozavimas.
kursinis darbas, pridėtas 2007-12-20
Paklausos samprata. Paklausos rūšys ir ekonominis turinys. Vyriausybės įtakos vartotojų paklausos suaktyvėjimui Rusijos ekonomikoje mechanizmas. Vartotojų paklausa mieste. Paklausos mieste prognozavimo ypatumai ir metodai.
kursinis darbas, pridėtas 2010-08-04
Pagrindiniai objektyvūs rinkos ekonomikos dėsniai. Santykinės prekės kainos ir už ją reikalaujamo kiekio santykis. Patvarūs ir netvarūs farmacijos produktai. Paklausos kiekio priklausomybė nuo kainos. Pagrindiniai paklausos veiksniai.
pristatymas, pridėtas 2016-10-25
Paklausos, kaip pagrindinės kategorijos, esmė moderni rinka, formavimosi veiksniai, klasifikacija ir veislės, pusiausvyra ir pasitenkinimas. Pagrindiniai paklausos skatinimo metodai. Vyriausybės reglamentas vartojimo prekių rinka.
testas, pridėtas 2010-03-25
Rinkos sąlygų prognozavimo metodai: ekstrapoliacija, ekspertiniai vertinimai, matematinis modeliavimas. Rengiame Samaros regiono lengvųjų automobilių rinkos sąlygų prognozę. Tam tikros rūšies prekių pasiūlos ir paklausos santykio nustatymas.
kursinis darbas, pridėtas 2015-01-04
Charakteristikos, principai rinkodaros politikaįmonių. Efektyvi paklausa ir jos raidą įtakojantys veiksniai. Bendros gyventojų paklausos apimties nustatymas. Viešojo maitinimo produktų paklausos prognozavimas pagal restorano Tinkoff pavyzdį.
kursinis darbas, pridėtas 2009-03-30
Pagrindinių veiklų, generuojančių naujų prekių ir paslaugų paklausą, charakteristikos ir įgyvendinimo būdai: reklama, pristatymas, asmeninis pardavimas, prekės ženklas, ryšiai su visuomene. Šių priemonių panaudojimo MEGAMART įmonėje efektyvumo analizė.
kursinis darbas, pridėtas 2010-04-18
Vartotojų paklausos ir pirkėjo pajamų ryšio analizė. Rinkos tyrimas mažmeninė prekyba maisto produktai, kirpyklos paslaugos, būsto rinka, farmacijos produktai, baldai, biuro įranga. Būklės apžvalga maisto pramonė mieste.
praktikos ataskaita, pridėta 2011-03-30
- Kodėl paklausos prognozės yra netikslios
- Kaip „Nestle“ sukūrė savo paklausos prognozavimo procesą
Mažmeninės prekybos ir platinimo įmonių vadovai dažnai nepatenkinti pardavimų apimtimis, taip pat prekių pertekliumi ar trūkumu. Atspirties taškas keisti situaciją yra paklausos prognozavimas. Kuo tikslesnė prognozė, tuo mažiau sandėlyje bus neparduotų prekių atsargų, kurių visada bus sandėlyje. Be to, įmonė galės laiku į asortimentą įtraukti naujų produktų ir pašalinti pasenusius, nustatyti konkurencingas mažmenines kainas ir optimizuoti tiekimo grandinę.
Kaip formuojama paklausos prognozė
Turi būti išanalizuoti visi duomenys apie realius pardavimus, vykdytas ir planuojamas rinkodaros kampanijas, mažmeninių kainų pokyčius ir kitus įvykius. Paprasčiausias įrankis tam yra Excel programa. Taigi įmonė gaus statistines paklausos prognozes. Tada analitikas juos selektyviai koreguoja ir pateikia tvirtinti atitinkamiems skyriams: pardavimų, pirkimo, rinkodaros ir kt. Galutinę prognozę tvirtina įmonės vadovybė.
Paklausos prognozės formavimas
| 1. | Duomenys | Informacija apie pardavimus, likučius, pristatymus, kitus judėjimus, taip pat rinkodaros akcijas ir kitus išorinius renginius. |
| 2. | Įrankis | Programa, kurią galima naudoti statistinei paklausos prognozei generuoti (mūsų atveju Excel) |
| 3. | Statistinė prognozė | Prognozė sukurta naudojant paklausos prognozavimo įrankį |
| 4. | Pakoreguota prognozė | Rankinis analitiko ar planuotojo atliekamas statistinės prognozės koregavimas |
| 5. | Konsensuso prognozė | Rankinis galutinės prognozės koregavimas ir derinimas tarp padalinių (pardavimų, rinkodaros ir kt.) |
| 6. | Patvirtinta prognozė | Galutinės prognozės tvirtinimas atsakingo vadovo ir perdavimas vykdyti skyriams. |
| Segmentas | Statistinės paklausos prognozės tikslumas, % | Prognozės tikslumas po ekspertų patikslinimo, % |
| „Arkliai“ - produktai su dideliu pardavimu ir mažu kintamumu | 92,1 | 92,7 |
| „Kiškiai“ - mažai parduodami ir labai kintami produktai | 56,3 | 55,5 |
| „Mad Bulls“ – produktai su dideliu pardavimu ir dideliu kintamumu, pavyzdžiui, „Nescafe“ prekės ženklo kava | 55,2 | 82,4 |
| „Mulai“ - produktai su mažu pardavimu ir maža variacija | 90,9 | 91,2 |
Kiekviena įmonė turi savo pavyzdžius, „Nestle“ atskleidžia informaciją tik „pamišusių bulių“ segmentui – gėrimui „Nescafe“. Ši lentelė suteikia režisieriams priežastį susimąstyti ir pabandyti sukurti panašų savo asortimentui. Juk „Nescafe“ Pyaterochka gali būti visiškai kitoje kategorijoje nei „Nescafe Azbuka Vkusa“.
Kopijuoti medžiagą be leidimo leidžiama, jei yra nuoroda į šį puslapį
Ypatingas paklausos matavimo bruožas yra tai, kad jis gali būti atliekamas netiesiogiai per prekių pardavimo rodiklius arba gyventojų išlaidas tam tikroms vartojimo prekėms įsigyti.
Potencialios paklausos matavimo metodai
Potenciali paklausa – tai didžiausia galima paklausos suma, kurią gali pateikti potencialūs tam tikros prekės vartotojai. Matavimo dydžiai yra šie:
Potencialių vartotojų skaičius;
Potencialiai galimas pardavimų skaičius fiziniais vienetais;
Potencialių pardavimų dydis vertės išraiška.
Potenciali paklausa yra teoriškai apskaičiuota vertė, kuri realiai, kaip taisyklė, nepasiekiama. Tačiau jo matavimas yra būtinas norint palyginti potencialias galimybes su faktine paklausa.
Yra du potencialios paklausos matavimo būdai :
„Paieškos“ metodas susideda iš tarpinių galutinių vartotojų skaičiavimo įvertinimų, pagrįstų bendru žmonių skaičiumi.
„Statybos“ metodas susideda iš visų galimų potencialių vartotojų grupių nustatymo, o po to jų apibendrinimo.
Realios paklausos matavimo metodai
Reali paklausa parodo faktiškai parduotų prekių kiekį per tam tikrą laikotarpį, išreikštą fizine arba verte. Kadangi pardavimų kiekis nevisiškai atitinka paklausos dydį, o yra tik netiesioginis jos matavimas, naudojami įvairūs vertinimo metodai.
Skaičiavimas pagal gamybos apimtis, eksportą, importą ir atsargas.
Asortimente esančių prekių gavimo, pardavimų ir atsargų matavimai parduotuvių pavyzdžiui per tam tikrą laikotarpį (vadinamojo Nielsen indekso apskaičiavimas).
Vartotojų išlaidų įverčiai remiantis biudžeto statistika.
Paklausos prognozavimo metodai:
Paklausos prognozavimas atliekamas įvairiais metodais. Praktikoje, kaip taisyklė, įgyvendinamas integruotas požiūris, atsižvelgiant į naudojamų metodų stipriąsias ir silpnąsias puses.
Yra įvairių paklausos prognozavimo metodų bendrieji ir specialieji susitikimų.
Bendrieji metodai Paklausos prognozavimas pagrįstas ekstrapoliacija, ekspertų vertinimais, standartais ir ekonominiu bei matematiniu modeliavimu.
1) Ekstrapoliacijos metodai. Paprasčiausi metodai, pagrįsti statistine laiko eilučių analize, leidžia prognozuoti prekių pardavimų augimo tempus artimiausioje ateityje, remiantis tendencijomis, susiklosčiusiomis per praėjusį laikotarpį.
2) Ekspertinių vertinimų metodai. Metodai pagrįsti objektyvių vertinimų gavimu remiantis subjektyvia ekspertų ir specialistų nuomone. Priimamas tam tikrų procedūrų išmanymas (delfų metodas, smegenų šturmas, velnių advokatas ir kt.).
3) Reguliavimo metodai. Jie dažnai naudojami prognozuojant pramonės prekių paklausą. Pirkimų dydį lemia technologinių, statybinių ir panašių normų bei reglamentų reikalavimai.
4) Ekonominio ir matematinio modeliavimo metodai. Sudėtingiausi metodai, kuriems reikia specialaus mokymo. Remiantis atsižvelgiant į paklausos ir jos raidą lemiančių veiksnių koreliaciją.
Specialūs metodai prognozuojant atsižvelgiama į įvairių prekių paklausos ypatybes. Jie grindžiami atskiru pagrindinių paklausos komponentų prognozavimu ir vėlesniu jų sumavimu.
Kainų paklausos elastingumas rodo, kiek procentų pasikeis paklausus kiekis, jei kaina pasikeis 1%. Paklausos kainų elastingumui įtakos turi šie veiksniai:
Konkuruojančių prekių ar pakaitalų buvimas (kuo jų daugiau, tuo didesnė galimybė rasti brangesnio produkto pakaitalą, tai yra, tuo didesnis elastingumas);
Pirkėjui nematomas kainų lygio pasikeitimas;
Pirkėjų konservatyvumas skoniuose;
Laiko veiksnys (kuo daugiau laiko vartotojas turi pasirinkti prekę ir apie tai galvoti, tuo didesnis elastingumas);
Prekės dalis vartojimo išlaidose (kuo didesnė produkto kainos dalis vartojimo išlaidose, tuo didesnis elastingumas).
Produktai su elastinga paklausa pagal kainą:
Prabangios prekės (papuošalai, delikatesai)
Produktai, kurių kaina yra reikšminga šeimos biudžetui (baldai, buitinė technika)
Lengvai keičiamos prekės (mėsa, vaisiai)
Produktai su neelastinga paklausa pagal kainą:
Būtiniausi daiktai (vaistai, batai, elektra)
Produktai, kurių kaina yra nereikšminga šeimos biudžetui (pieštukai, dantų šepetėliai)
Sunkiai pakeičiamos prekės (duona, lemputės, benzinas)
Pajamų paklausos elastingumas rodo, kiek procentų pasikeis paklausus kiekis, jei pajamos pasikeis 1%. Tai priklauso nuo šių veiksnių:
Produkto svarba šeimos biudžetui.
Nesvarbu, ar prekė yra prabangos ar būtinumo prekė.
Konservatyvumas skoniuose.
Kryžminis paklausos elastingumas yra vienos prekės paklausos procentinio pokyčio ir kitos prekės kainos procentinio pokyčio santykis. Teigiama reikšmė reiškia, kad šios prekės yra pakeičiamos (pakeičiamos), neigiama – kad jos yra viena kitą papildančios (papildo).
Yra pagrindiniai principai, į kuriuos reikia atsižvelgti prognozuojant paklausą bet kuriame planavimo sprendimų hierarchijos lygyje. Šių principų nesilaikymas lemia tai, kad paklausos prognozė tampa nekokybiška arba nereikšminga įmonės priimamų sprendimų požiūriu.
Paklausos prognozavimo horizontas. Laiko skirtumas tarp momento, kai prognozuojama paklausa, ir planavimo laikotarpio, kuriam prognozuojama paklausa, vadinamas laiko delsa. Reikiamo laiko tarpo pasirinkimas priklauso nuo to, kiek laiko įmonei reikia vystytis ir imtis visų reikiamų priemonių, kad reaguotų į informaciją apie paklausos prognozę. Jei gamybos pajėgumų padidinimas pagal būsimo paklausos augimo prognozę užtrunka metus, paklausos prognozė trumpesniu nei metų horizontu yra nepakankama ir neišspręs būtinos gamybos pajėgumų valdymo problemos. Arba, pavyzdžiui, jei „gamybos pagal užsakymą“ gamybos ciklo trukmė yra vienas mėnuo, nelogiška turėti trumpesnį prognozės horizontą, nes įmonė nespės laiku reaguoti į tokią prognozę, paruošdama būtinų žaliavų atsargų.
Renkantis paklausos prognozavimo horizontą, būtina atsižvelgti į tai, kad tolimesniems planavimo laikotarpiams prognozė bus ne tokia tiksli nei artimesniems. Atitinkamai, paklausos prognozavimo horizonto pasirinkimas turi būti pagrįstas tais sprendimais, kurie priimami remiantis sugeneruota prognoze – per trumpas prognozavimo horizontas neleidžia tinkamai išspręsti problemos, o ilgesnis sukuria problemų dėl prognozės kokybės. .
Paklausos prognozavimo objekto pasirinkimas . Kuo išsamesnė prognozė, tuo ji netiksli. Atitinkamai kiekvienam planų hierarchijos lygiui reikia pasirinkti tokį prognozuojamo objekto detalumo lygį, kuris leistų išspręsti užduotį, bet nesukeltų nereikalingo detalumo. Nereikalinga laikoma detalė, kuri, padidindama paklausos prognozės darbo intensyvumą ir kaštus, neprideda prognozei pridėtinės vertės sprendimų priėmimo požiūriu.
Apibendrinant galima teigti, kad paklausos prognozių parametrus lemia prognozės panaudojimo tikslas. Kuo aukštesnis sprendimų priėmimo lygis ir didesnis priimamų sprendimų mastas, tuo didesnė ir ilgesniam laikotarpiui sudaroma paklausos prognozė.
Paklausos kokybės prognozė. Bet kuriai prognozei būdinga klaidų rizika. Sunku įsivaizduoti prognozę, kurioje nebūtų klaidų. Galima išskirti dvi paklausos prognozės paklaidos rūšis: paklaidą vertinant paklausos apimtį ir paklaidą vertinant paklausos struktūrą. Tokio tipo klaidos turi būti įvertintos priklausomai nuo to, apie kokį sprendimų priėmimo lygį įmonėje kalbame.
Klaidos rizika apskaičiuojant paklausos apimtį kai prognozuojama paklausa gali būti bet kuriame planavimo lygyje. Prognozuojant ilgalaikę paklausą, rizika pasireiškia prekių kategorijų ir prekių grupių lygmeniu. Rizika turi įtakos reikiamos pagrindinių išteklių apimties prieinamumui ir vykdymui finansinius planusįmonių. Greitai prognozuojant paklausą, rizika pasireiškia prekių linijų lygiu ir turi įtakos faktiniam klientų aptarnavimo lygiui.
Klaidos rizika vertinant paklausos struktūrą prognozuojant paklausą, ji atsiranda tik ilgalaikiu paklausos prognozavimu prekių kategorijų ir prekių grupių lygmeniu. Prekės grupėje prekiaujama viena paklausos struktūra, tačiau iš tikrųjų struktūra skiriasi.
Į šią riziką galima atsižvelgti dviem būdais: gerinant prognozių kokybę ir (arba) rezervuojant išteklius, specialiai skirtus šiai rizikai padengti. Praktikoje jie paprastai taiko abu būdus vienu metu – dirba siekdami pagerinti paklausos prognozių kokybę ir (kadangi šimtaprocentinė prognozių kokybė praktiškai nepasiekiama) formuoja rezervinius išteklių kiekius (rezervinės atsargos, rezervinis laikas, rezervas). gamybos pajėgumai).
Prognozės kokybei įvertinti yra dvi pagrindinės išmatuotos charakteristikos: prognozės paklaida ir prognozės tikslumas.
Prognozės klaida— skirtumas tarp faktinės paklausos vertės ir jos prognozuojamos vertės. Jis gali būti išreikštas tiek absoliučiais, tiek santykiniais dydžiais – procentais nuo faktinės paklausos vertės.
Prognozės tikslumas yra procentinė reikšmė, lygi skirtumui tarp 100 % ir paklausos prognozės paklaidos, išreikštos procentais.
Pagrindinis dalykas norint įvertinti paklausos prognozės tikslumą ir kokybę yra išmatuota kiekvieno atskiro planavimo laikotarpio prognozės paklaida ir tikslumas.
Tačiau dažniausiai domina ne vienas planavimo laikotarpis, o tai, kiek konkretus paklausos prognozavimo metodas yra geras. Norėdami tai padaryti, įprasta apskaičiuoti paklausos prognozės tikslumo suvestines charakteristikas. Du pagrindiniai būdai įvertinti paklausos prognozavimo metodo tikslumą yra MAPE (Mean Absolute Percentage Erro) ir Mean Percentage Error (MPE).
Paklausos prognozės klaidos gali būti suskirstytos į dvi kategorijas: atsitiktinė variacija ir šališkumas.
Atsitiktiniai nuokrypiai reiškia, kad bendros prognozės paklaidos siekia nulį, o planavimo laikotarpiai, kurių paklausa buvo pervertinta, kaitaliojasi su planavimo laikotarpiais, kurių paklausa buvo neįvertinta, tai yra, paklausos prognozės paklaida nėra paklaida, neigiama ir teigiamas vertes Paklausos prognozės klaidos paprastai panaikina viena kitą.
Šališkumas reiškia, kad yra rimta problema – daug rimtesnė nei atsitiktinės klaidos – sistemingas paklausos prognozės pervertinimas arba nepakankamas įvertinimas. Prognozės šališkumą galima paaiškinti tiek objektyviomis, tiek subjektyviomis aplinkybėmis. Prie objektyvių priskiriamas paklausos prognozavimo modelio pasirinkimas, kuris gali būti ne visai aktualus, pavyzdžiui, neatsižvelgiama į reikšmingus paklausą įtakojančius veiksnius. Objektyvias aplinkybes galima įvertinti ir koreguoti tobulinant prognozavimo modelį, renkant ir ruošiant duomenis paklausai prognozuoti, mokant darbuotojus prognozuoti.
Subjektyvios aplinkybės yra susijusios su sąmoningu prognozuojamos vertės nuvertinimu arba pervertinimu. Tai reiškia, kad prognozuotojas dėl vienokių ar kitokių priežasčių yra suinteresuotas pakeisti prognozę, nes jis gauna tam tikros naudos iš prognozės pasikeitimo. Pavyzdžiui, jei paklausos prognozę sudaro įmonės pardavimų skyrius, o kartu gauna priedą už pardavimo plano viršijimą, iš jo sunku tikėtis optimistinės paklausos prognozės. Ir atvirkščiai, jei rinkodaros skyrius generuoja paklausos prognozę, o rinkodaros biudžetas skaičiuojamas procentais nuo planuojamų pajamų, neturėtumėte tikėtis pesimistinės paklausos prognozės. Tam tikru mastu pasiekiamas subjektyvių veiksnių įtakos neutralizavimas tinkama organizacija paklausos prognozavimo procesas.
Apibendrinant, reikia pasakyti, kad be sąvokos „ prognozės tikslumas “, galime pabrėžti „prognozės kokybės“ sąvoką. Prognozės kokybė suprantama kaip paklausos prognozavimo proceso gebėjimas generuoti prognozes, kurios nuolat skiriasi nuo faktinių paklausos verčių ne daugiau kaip nurodyta paklaidos reikšme. Tai yra, prognozės kokybė reiškia galimybę išlaikyti prognozės paklaidą nurodytose ribose. Tai labai svarbu valdymo požiūriu, nes įmonė gali iš anksto pasiruošti nurodytoms prognozuojamos paklaidos riboms, o toks klaidų mastas nekelia pavojaus klientų aptarnavimo lygiui.
Pastebėta, kad paklausos prognozės kokybę labiau lemia geras paklausos prognozavimo proceso organizavimas nei individualūs, kad ir kokie sudėtingi matematiniai modeliai. Tačiau panagrinėkime toliau, kokių tipų paklausos prognozavimo metodai egzistuoja ir kokiomis aplinkybėmis patartina juos naudoti.
Iš pirmo žvilgsnio klausimas skamba absurdiškai, tačiau atidžiau pažvelgus galima atskleisti štai ką: „jei prekė turi daug nulinio pardavimo faktų (prekės paklausa reta), tai visi taškinio prognozavimo metodai (įskaitant sudėtingus) duos blogą rezultatą"
Išeitis iš situacijos gali būti specialių matematinio modeliavimo metodų naudojimas, leidžiantis apskaičiuoti kumuliacinę paklausos atsiradimo tikimybę. Tai yra, įvertinkite nebandydami atspėti parduotų prekių skaičiaus, o norėdami pamatyti, su kokia tikimybe galima parduoti tam tikrą prekių kiekį. Tai leis mums suprasti, kiek produkto reikia saugoti, kad galėtume teikti tam tikro lygio paslaugas.
Supaprastinus, mechanizmas yra toks. Speciali programinė įranga atlieka seriją eksperimentų (100 000 kartų) apie galimą prekės paklausą pristatymo laikotarpiu (Vakarų praktikoje – pristatymo laikas LT). Ji analizuoja, kiek kartų atsirado skirtingos apimties paklausa. Po to sukonstruojama kumuliacinė paklausos pasiskirstymo tikimybė (ne daugiau, nei kiek prekių bus parduota skirtingomis tikimybėmis)
Po to atsižvelgiama į paslaugų lygį ir apskaičiuojamas optimalus atsargų kiekis kaip paklausos vertė, atitinkanti sukauptą tikimybę, lygią paslaugų lygiui.
Tai galima aiškiau matyti šioje diagramoje arba lentelėje: (iš prognozės DABAR!):
Ryžiai. 1 Aptarnavimo lygis ir optimalios atsargos naudojant programos Forecast NOW pavyzdį!
|
Tikimybės suma, % |
Tūris, vienetai |
Paveiksle kumuliacinė tikimybė pavaizduota šviesiai mėlyna spalva. Optimali atsarga yra nustatyto aptarnavimo lygio ir kaupiamosios tikimybės sankirtoje.
Taigi tokių metodų naudojimas padės iš karto apskaičiuoti optimalų retųjų prekių atsargą.
Svarbus klausimas išlieka prekių klasifikavimo kaip retųjų kriterijų:
Norėdami tai padaryti, apskaičiuojamas vidutinis atstumas dienomis tarp gretimų pardavimo faktų. Jei šis skaičius yra didesnis nei 1,25 dienos, tada turime retą paklausą, jei jis mažesnis, jis yra sklandus.
Prekių pardavimo istorija:
Vidutinis atstumas tarp gretimų pardavimo faktų = ((3-1)+(4-3)+(7-4)+(8-7))/4 = 1,75 > 1,25 -> reta paklausa
Tačiau prekėms, kurių paklausa yra sklandi, paklausos prognozavimas yra būtinas:
Kodėl reikia prognozuoti paklausą?
Bet kurios prekybos įmonės darbas neišvengiamai siejamas su atsargų optimizavimo problema. Prekių perteklius sukelia papildomų finansinių išlaidų, o trūkumas lemia nuolatinių klientų praradimą ir pardavimo apimčių mažėjimą. Abiem atvejais trūksta galimo pelno, o tai intensyvios konkurencijos sąlygomis gali sukelti įmonės bankrotą.
Vienas iš svarbiausių komponentų palaikant optimalų prekių asortimentą yra operatyvus ir ilgalaikis paklausos prognozavimas. Žinoma, planuodami pirkimus nieko negalite numatyti, kaip pradinės informacijos šaltiniu naudodamiesi susiklosčiusiu ar besiformuojančiu paklausos lygiu. Tačiau tokį pasenusį požiūrį dinamiškai besikeičiančioje rinkoje ir „išlepintą“ pirkėją vargu ar galima pavadinti efektyviu (išskyrus mažas gyvenvietes, kur yra tik viena parduotuvė).
Paklausos prognozavimas leidžia ne tik sukurti optimalų pirkimų planą, bet ir efektyviai valdyti įmonės išteklius. Taigi, pavyzdžiui, žinant, kad kitą mėnesį padidės poreikis ne ledams, o iš anksto bus galima samdyti pardavėjus, įsigyti šaldymo įrangą ir suteikti papildomą finansavimą. Jei visi tokie renginiai bus pradėti rengti sezono piko metu, visos pastangos gali būti bergždžios ir net nepelningos.
Kaip prognozuoti paklausą
Norint prognozuoti paklausą, buvo sukurta daugybė teorijų ir specialių įrankių.
Speciali programinė įranga
Pavyzdžiui, planuodami pirkinius prekybos centre neapsieisite be specializuotos programinės įrangos. Pagrindinė problema čia yra didžiulis prekių asortimentas, kurio tiesiog fiziškai neįmanoma „išlaikyti savo galvoje“. Be to, speciali programinė įranga leidžia automatizuoti paraiškų rengimo procesą, o tai, perkant didelius kiekius, leidžia sutaupyti daug laiko.
Microsoft Excel
Naudojant nedidelį gaminių asortimentą, naudojant standartinę programą galima gauti puikių rezultatų prognozuojant paklausą Microsoft Excel. Specialios statistinės funkcijos, tokios kaip TREND ir GROWTH, leidžia akimirksniu apdoroti didelius informacijos kiekius neįvedant sudėtingų formulių. Turtingos Microsoft Excel dizaino galimybės padės gautus duomenis pateikti ne tik lentelių pavidalu, bet ir vaizdingesne forma – grafikų ir diagramų pavidalu.
Rankiniu būdu
Atskirų prekių poreikio prognozę galima sudaryti ir rankiniu būdu. Taigi, pavyzdžiui, jei prekė yra nauja, tuomet net įmantriausios statistinės formulės ir anksčiau sukaupta informacija nepadės nuspėti jo populiarumo. Tokiais atvejais tenka pasikliauti ne skaičiavimais, o intuicija ir papildomais faktoriais (klientų nuomonėmis, reklamos pagalba ir pan.).
Paklausos prognozavimo formulės ir metodai
Prognozuojant paklausą naudojami metodai yra labai įvairūs – nuo naivų (manoma, kad paklausa kitą mėnesį bus tokia pati kaip praėjusį mėnesį) iki sudėtingų ekonominių ir matematinių teorijų bei jų programinių diegimų (neuronų tinklų) panaudojimo skaičiavimuose.
Paprastas vidurkio metodas
Paprasčiausias iš šių metodų yra skaičiavimai naudojant „paprasto vidurkio“ formulę. Paklausos prognozė kitą laikotarpįšiuo metodu jis apskaičiuojamas kaip visų ankstesnių laikotarpių paklausos rodiklių aritmetinis vidurkis. Šio metodo trūkumas yra didelis jo „konservatyvumas“ – pasenusi informacija apie ankstesnius pardavimus neleis naujausias tendencijas paklausa.
Slenkančio vidurkio metodas
„Slenkančio vidurkio“ metodas greičiau reaguoja į paklausos pokyčius. Šiuo atveju apskaičiavimas atliekamas pagal ne viso stebėjimo laikotarpio, o kelių paskutinių laikotarpių duomenis.
Pagrindinis klausimas yra „slenkančio lango“ nustatymas - per kiek pastarųjų laikotarpių reikia atlikti vidurkį. Kuo ilgesnis šis laikotarpis, tuo labiau slankiojo vidurkio prognozė sutampa su paprastu vidurkiu.
Laikotarpis gali būti nustatytas empiriškai, remiantis prognozės paklaida (RMSE) – apskaičiuokite šią paklaidą skirtingi laikotarpiai ir pasirinkti optimaliausią.
Akivaizdu, kad optimalus laikotarpis yra 4 dienos.
Įdomus metodo variantas yra slankiojo vidurkio apskaičiavimas pagal tam tikros dienos(tai yra, visų pirmadienių, atsižvelgiama į paskutinių n pirmadienių slenkamąjį vidurkį ir pan.) Šis metodas gali būti tinkamas prekėms, kurios turi ryškų savaitės sezoniškumą (pavyzdžiui, duonai).
Svertinio vidurkio metodas
Pirmiau minėtų metodų derinys yra „svertinio slankiojo vidurkio metodas“. Šis modelis apskaičiuoja svertinį vidurkį, pagrįstą keliais laikotarpiais, bet suteikia mažiau svorio tolimesniems laikotarpiams. Taigi skaičiavimams galima atlikti ilgesnius stebėjimus, tačiau nereikšmingų duomenų įtaka skaičiavimams gali būti apribota.
Eksponentinio išlyginimo metodas
Deja, aukščiau pateikti „vidutiniai“ skaičiavimo metodai leidžia gauti tik labai apytikslius rezultatus. Tikslesnę prognozę galima pasiekti naudojant „eksponentinio išlyginimo“ ir „eksponentinio išlyginimo su tendencija“ modelius. Pirmuoju metodu naujausia pardavimų prognozė koreguojama pagal prognozės klaidą paskutinis laikotarpis. Antrasis skaičiavimo metodas (dar vadinamas „dvigubo eksponentinio išlyginimo“ metodu) atsižvelgia į duomenis su tendencijomis - dėl to šis metodas gali būti naudojamas net vidutinės trukmės prognozėms.
Holto-Winterso metodas
Siekiant atsižvelgti į sezoniškumą ir bendrą paklausos tendenciją, naudojamas Holt-Winters modelis (trijų parametrų eksponentinis išlyginimas). Norint gauti paklausos prognozę šiuo metodu, būtina teisingai pasirinkti tris parametrus. Norėdami tai padaryti, galite naudoti specialius algoritmus arba apsiriboti paprasta žiauria jėga.
Autoregresijos metodas
Jei norite gauti dar sudėtingesnių prognozių, galite naudoti „autoregresinius“ modelius. Šis metodas leidžia labai išsamiai išanalizuoti turimus duomenis, nustatyti bet kokias tendencijas ir pašalinti atsitiktines įtakas. Tačiau, skirtingai nuo ankstesnių metodų, daugelio parametrų parinkimas iš vartotojo pareikalaus daug pastangų ir laiko.
Neuroniniai tinklai, genetiniai algoritmai
Pažymėtina, kad kuo sudėtingesni prognozavimo metodai naudojami, tuo sunkiau tai padaryti praktinis pritaikymas ir tuo didesnė klaidų tikimybė. Didžiulių informacijos kiekių analizė, optimalių parametrų parinkimas, operatyvi rinkos svyravimų apskaita – visa tai kartais būna ties žmogaus galimybių riba. Perspektyviausias šios problemos sprendimas yra „neuronų tinklo“ algoritmų naudojimas. Taikant šią techniką, speciali programa, po išankstinio mokymo, gali savarankiškai rasti geriausias sprendimas- tuo pačiu vartotojui nereikia gilintis į visas naudojamų teorijų subtilybes. Be to, „neuroniniai tinklai“ geba atsižvelgti į paslėptas tendencijas ir sukurti patikimą prognozę tokioje nestabilioje situacijoje, kai anksčiau prognozuoti buvo visiškai neįmanoma.
Remiantis projekto Forecast NOW specialistų atliktais tyrimais, prognozavimas neuroniniais tinklais duoda geresnių rezultatų nei visi minėti metodai:
X ašis rodo produktų skaičių analizėje, Y ašis rodo, kiek procentų neuroniniai tinklai yra geresni už kitą algoritmą santykiniu požiūriu.
Ryžiai. 2 Neuroniniai tinklai + Genetiniai algoritmai (GA) ir eksponentinis išlyginimas
Ryžiai. 3 Neuroniniai tinklai + Genetiniai algoritmai (GA) ir autoregresija
Ryžiai. 4 Neuroniniai tinklai + Genetiniai algoritmai (GA) ir Holto Vinterso metodas
Iš skaičių matyti, kad prognozavimas neuroniniais tinklais duoda žymiai geresnį rezultatą.
Išvados
Norėdami prognozuoti paklausą, jums reikia:
- Nustatyti prekės paklausos pobūdį (jei ji sklandi, reikia prognozuoti, jei retai – prognozuoti nereikia, optimalias atsargas galite apskaičiuoti matematinio modeliavimo metodais)
- Nustatykite paklausos prognozavimo metodus (jei prekių asortimentas mažas, galite tai padaryti rankiniu būdu arba naudodami „Excel“, jei jis didelis, geriau naudoti specialią programinę įrangą
- Nustatykite paklausos prognozavimo metodus (kai kuriems produktams standartiniai metodai gerai veikia (žr. slankųjį vidurkį) apskritai geriausi rezultatai pasiekiama neuroniniais tinklais
- Svarbu atminti, kad paklausos prognozavimas yra tik pirmoji tiekimo grandinės grandis ir net tiksliausia paklausos prognozė, jei atsargos ir papildymai nebus tinkamai valdomi, neužtikrins visos tiekimo grandinės efektyvumo.