Многие торговые сети придерживаются принципа максимально широкого ассортимента для удовлетворения постоянного, сезонного спроса, а также внезапно возникающих потребностей клиентов.
Давайте рассмотрим пример. Предположим, что мы – канцелярский магазин, предлагающий своим клиентам обширный ассортимент ручек: различные модели, цвет, бюджетные и премиум.
Очевидно, что наиболее стабильным спросом пользуются недорогие ручки, несмотря на выраженный сезонный характер. Спрос на дорогие ручки непостоянный, не зависит от каких-либо регулярных факторов. Но поскольку мы хотим удовлетворить максимум возможных клиентов, мы должны обеспечить наличие товаров обеих групп.
Если для прогнозирования спроса на товары первой группы мы можем использовать классические прогностики средних продаж, то с прогнозированием спроса на дорогие ручки возникают вопросы.
Сложность прогнозирования нерегулярного спроса связана с тем, что в этом случае, мы не можем использовать методы расчета обычной средней по периоду, так как продажи нерегулярны и не отличаются постоянством своего количества: мы могли 3 недели ничего не продавать, а потом за два дня продать 5 штук.
При этом ситуация зачастую складывается так, что товары второй группы имеют большую наценку, чем товары первой группы – то есть компании экономически выгодно продавать эти товары и хранить их на складе на случай внезапного спроса.
Предположим, что данные о продажах такого товара можно описать следующей таблицей:
Будем исходить из того, что время реакции системы равно четырем дням.
Это означает, что товар появится на нашем складе через четыре дня после заказа, а текущий остаток на складе составляет одну штуку. Сумма продаж за выбранный период – 30 штук.
Находясь в конце анализируемого периода, задаем себе вопрос: нужно ли сейчас покупать товар у наших поставщиков (чтобы через 4 дня он был у нас на складе). И если нужно, то в каком количестве?
Для этих целей нам нужно определить средний расход товара в день и интерполировать его в будущее. Для этого умножаем время реакции на средний расход и получаем прогноз будущих продаж на четыре дня (время реакции). Далее вычитаем текущий остаток на складе (1 штуку).
Если бы мы считали «в лоб», то для расчета средней продажи в день взяли бы количество дней анализа (31 день) и поделили бы его на сумму продаж в этом периоде, т.е. 30/31 = 0,97 штуки в день.
Если Vc – средняя дневная продажа, а tS – время реакции системы, то объем продаж на время реакции составит: St = Vc * tS = 0,97 * 4 = 3,9 штуки. Имея на складе одну штуку в наличии, мы можем предположить, что нам скорее нужно заказывать 3 штуки (3,9 – 1 = 2,9).
Но представим себе ситуацию, если внезапно к нам в магазин придут клиенты, которые в течении одного дня купят 5 штук (а судя по истории продаж, это возможный хотя и не частый) – готовы ли мы их терять? Или просто продадим им меньше? Нужно ли нам держать товар под таких клиентов? И если нужно, то сколько?
Проведенный выше анализ путем расчета средней дневной продажи не отвечает на эти вопросы. Для решения данной проблемы – при анализе нерегулярных и разреженных рядов – мы предлагаем использовать метод BRT.
Метод BRT – Bootstrapping Reaction Time широко используется в анализе. Слово «bootstrapping» пришло из поговорки «pull oneself over a fence by one’s bootstraps», что почти буквально соответствует нашему «вытащить себя за собственные волосы» – таким образом, мы попробуем сделать так, чтобы нужная информация сама себя показала, исходя из имеющихся у нас данных.
Давайте переформулируем первоначальный вопрос.
В первом случае мы искали среднюю дневную продажу, умножали ее на период реакции чтобы получить прогноз продаж на время реакции (4 дня). Но задача состоит не в поиске дневной продажи, а в поиске наиболее вероятного сценария продаж на период реакции – т.е. за наши заданные 4 дня.
Перефразируем вопрос так: «Какой наиболее приемлемый для нас вариант прогноза из возможных, исходя из имеющихся данных?» Для поиска ответа составим таблицу всех возможных исходов, опираясь на имеющиеся данные.
Для этого разбиваем наш ряд по порядку на периоды реакции: сначала с 1 по 4ый день, затем со 2 по 5, затем с 3 по 6 и т.д. Всего 28 возможных исходов:
В крайней правой колонке мы получили множество вариантов того, сколько у нас может продаться товара за выбранный промежуток времени (4 дня).
Что нам теперь делать с этой выборкой?
Мы получили разброс от 0 до 11 шт. Нужно решить, какое из этих значений наиболее отвечает нашему бизнесу. Для оценки этого параметра, составим частотную гистограмму – она покажет, как часто одно или другое значение встречается в выборке:
Что нам это дает данная информация? Благодаря полученным данным мы можем продвинуться в анализе наших продаж.
Скольким клиентам мы готовы обеспечить безусловную доступность товара? Под «безусловной доступностью» будем понимать ситуацию, когда у нас в среднем покупают по 10 штук ежедневно, но был случай покупки 100 штук. «Безусловная доступность» означает, что на нашем складе всегда должен быть доступен товар в количестве 100 штук.
Это хорошо с точки зрения уровня обслуживания наших клиентов – мы удовлетворим спрос. Но плохо с точки зрения распоряжения вложенными в товар деньгами и пространством на складе.
Высокий уровень доступности означает, что мы удовлетворяем потребности большего количества клиентов, но при этом храним больше товара на складе.
Низкий уровень доступности означает, что мы сознательно держим в наличии меньше запасов, теряем продажи из-за отсутствия товара, но при этом экономим на отсутствии излишних запасов на складе.
Поэтому логично определиться, сколько клиентов из 100 возможных мы готовы обслужить, продать им требуемый товар?
Это управленческое решение, которое должно принять ответственное за продажи или запасы лицо на основе анализа товароборота в штуках.
Популярным считается уровень доступности от 80/100 до 91/100.
Для нашего примера выберем первый вариант – 80/100. Принимая решение, мы понимаеме, что оставшихся клиентов мы«отбрасываем» – потребности этих клиентов мы удовлетворим частично или вообще не удовлетворим, так как не готовы хранить ради них лишний товар на складе.
Для нашего анализа эти цифры означают, что нам нужно найти такое максимальное значение продаж, чтобы согласно нашей гистограмме, суммарная частота спроса на меньшие показатели продаж была максимально приближена к выбранному нами уровню доступности.
Говоря простым языком, мы должны выбрать возможный максимум спроса, который возникнет у 80 из 100 наших клиентов за выбранное время реакции.
Для нашей выборки это значение равняется 8 штукам, что покроет требование 21 из 28 возможных исходов.
Если бы мы, к примеру, выбрали уровень доступности 70/10, то это было бы скорее значение 5 штук, что покрывало бы 20 возможных исходов из 28 возможных. В управленческой логике, найденное нами значение в размере 8 штук можно интерпретировать следующим образом: при обслуживании 8 из 10 клиентов, в течении 4 дней они купят суммарно меньше 8 штук товара, а рекомендация будет равняться 8 – 1 = 7 штукам.
Согласитесь, это существенно отличается от значения, полученного при расчете «обычной средней» за анализируемый период.
Таким образом, метод BRT дает более точную и обоснованную аналитику для постоянных, но редких продаж, для товаров, которые должны находиться в доступности для клиентов даже в том случае, если они их покупают достаточно редко, но постоянно.
КОРУС | Управление запасами позволяет установить индивидуальные настройки метода BRT для конкретных товаров или товарных групп. Это позволяет достаточно точно прогнозировать будущее потребление товаров.
- Анализ продаж.
- Управление запасами.
- Планирование.
Вы можете ознакомиться с функциональностью решения на примере собственных данных.
Запросите бесплатный тестовый доступ к сервису и начните оптимизацию запасов прямо сейчас!
Задайте вопрос эксперту на нашем сайте или по телефону: +7 495 130 01 87.
