**** „—„ — метод не застосовують для врахування сезонності.
Річ у тому, що базувати прогноз на двох точках не завжди правильно. Уявімо собі ситуацію, коли в певній точці збуту товар було розпродано лише завдяки відвідуванню екскурсійною групою певного пам'ятника архітектури, розташованого поряд. Прогноз замовлення на наступний період — добу або місяць — з урахуванням такого разового пікового сплеску є неправильним. Тому його необхідно застосовувати лише за наявності сталого тренду та за умови виключення разових пікових сплесків споживчої активності.
Арифметичне згладжування (метод довгострокової середньої) передбачає, що продажі в наступному періоді будуть дорівнювати середній арифметичній продажів за всі попередні періоди.
Наприклад, продажі за 2011 р. становили 10 000 одиниць. Тоді прогнозне значення на січень 2012 р. становитиме: 10 000 : 12 = 834 одиниці. Реальні продажі за січень становили 500 одиниць. Тоді прогнозне значення на лютий 2012 р. буде: (10 000 + 500):(12 + 1) = 808 одиниць. І так далі, кожного разу додаючи нове значення реальних продажів до попередніх значень та ділячи отриману суму на кількість усіх періодів.
До переваг методу можна віднести згладжування випадкових коливань. Цей метод просто не бачить їх, оскільки тягне всю статистику попередніх періодів. Власне це є і недоліком, оскільки метод таким чином не відображає зміни в тенденціях, завжди реагує із затриманням на суттєві коливання попиту. Але, якщо точка збуту товару має вільні складські площі і договір з постачальником складено так, що по завершенні періоду продажу всі витрати за реверсною логістикою (тобто витрати на відкликання непроданих товарів із точок) покладено на постачальника, то точка збуту в такий спосіб має 100-відсотковий захист від коливань попиту, і несе помірні витрати на утримання.
Метод ковзної середньої (метод Хольта — Вінтерса) є удосконаленим методом експоненційного згладжування часового ряду. Експоненційне згладжування забезпечує наочне уявлення про тренд і дає змогу робити короткострокові прогнози, а при спробі поширити прогноз на більший період показує абсолютно безглузді значення: складається враження, що розвиток процесу в бік зростання або зменшення зовсім припинився. Більш досконалим є метод Хольта — Вінтерса, який успішно справляється і з середньостроковими, і з довгостроковими прогнозами, оскільки він здатний виявляти мікротренди (тренди, пов'язані з короткими періодами) в моменти часу, що безпосередньо передують прогнозним, і екстраполювати ці тренди на майбутнє. І хоч можлива тільки лінійна екстраполяція в майбутнє, в більшості реальних ситуацій її виявляється достатньо.
Отже, метод ґрунтується на умові, що продажі у наступному періоді будуть дорівнювати середній арифметичній від обсягу продажів за попередні n-періоди. Головне — обирати оптимальне значення кількості попередніх періодів для отримання коректних прогнозів. Взагалі залежно від об'єкта дослідження — конкретної позиції, товару, запасу, групи — можна обирати 2, 5, 6, 10, 12 періодів. Приклад розрахунку наведено в табл. 4.10.
Таблиця 4.10.
Приклад розрахунку прогнозного значення методом ковзної середньої (період — З місяці)
| Січень | 100 | ||
| Лютий | 80 | ||
| Березень | 120 | ||
| Квітень | 60 | (100+ 80 + 120) :3 | 100 |
| Травень | 90 | (80 + 120 + 60):3 | 87 |
Таблиця 4.11.
Прогнозування продажів товарів сезонного попиту
| Січень | 1 | 3 | 2 |
| Лютий | 2 | 5 | 3 |
| Березень | 3 | 3 | 6 |
| Квітень | 5 | 8 | 11 |
| Травень | 18 | 20 | 24 |
| Червень | 45 | 60 | ? |
| Липень | 48 | 50 |
Джерело: Бузукова ЕЛ. Закупки и поставщики. Курс управления ассортиментом в рознице / Е.А. Бузукова ; под ред. С. Сысоевой. СПб. : Питер, 2009. — 432 с. : ил. — (Розничная торговля).
Як бачимо, цей метод є компромісним між попередніми двома. Він достатньо гнучкий і реагує на різкі зміни у продажах достатньо швидко, проте не миттєво.
Метод експоненційної середньої зваженої схожий з попереднім, але із застосуванням певних значень коефіцієнта (ІС), який набуває значень від 0 до 1. В разі, коли мова йде про запаси (товари) з постійним плавним трендом, то значення цього коефіцієнта дорівнюватиме 0,1—0,2. Для запасів, що мають занадто сильні коливання, і£ = 0,5 і вище. Наведемо приклад[4]. Нехай попит на продукцію в точці збуту на продукцію А є сталим. Отже, К = 0,2. За січень було реалізовано 300 одиниць товару, прогноз за ним був на рівні 290 одиниць. Таким чином, прогноз замовлення товару буде на рівні: 0,2 • 300 + (1 - 0,2) • 290 = 292 одиниці.
До переваг методу відносять те, що він базується на попередніх, найближчих до звітного періоду даних, гнучко реагує на зміни. До недоліків належить те, що всі дані всіх періодів мають однакову вагу.
Це полегшені для сприйняття основні підходи, на яких базуються певні методи прогнозування. Для прогнозування продажів товарів сезонного попиту на практиці використовують інший підхід, оснований на коефіцієнті тенденції. Цей коефіцієнт показує, наскільки змінилися продажі порівняно з попередніми роками. Але не загалом за рік, як було показано в попередніх прикладах, а лише за певним періодом — високим сезонним сплеском продажу. Отже, для прогнозування продажів товарів сезонного попиту необхідно порівнювати аналогічні періоди минулих років та коригувати отримані дані з урахуванням експертних оцінок. Порівняння періодів необхідне для врахування зміни в тенденціях — фіксації зростання або зменшення попиту порівняно з аналогічними періодами минулих років (табл. 4.11). Зробити це допомагає коефіцієнт тенденції (КД:
де Х1 — дані за звітний період;
Х2 — дані за попередній період.
Для визначення прогнозу на червень 2011 р. необхідно визначити зміни за роками. Зростання споживання за період березень
• червень 2009 р. становило: 26 одиниць (3 + 5 + 18), за 2010 р.
Сторінки
В нашій електронній бібліотеці ви можете безкоштовно і без реєстрації прочитати «Логістика» автора Автор невідомий на телефоні, Android, iPhone, iPads. Зараз ви знаходитесь в розділі „Методи прогнозування продажів товарів“ на сторінці 2. Приємного читання.
