Прогнозирование продаж - почему не все так просто?
Прогнозирование — как много в этом слове… И еще больше в этом слове иллюзий.
А теперь поподробнее остановимся на этом.
В последнее время очень часто наталкиваюсь на те или иные программные продукты, облачные решения или просто рекомендации по постановке системы прогнозирования в компании.
Каждый новый специалист обещает повысить качество прогнозирования компании на десятки процентов, сэкономить миллионы рублей на сокращении товара на складе, повысить уровень доступности товаров… И все это легко и непринужденно.
Так как сам являюсь одним из таких специалистов, решил поделиться некоторыми мыслями о классическом прогнозировании.
Итак, что же входит в «классический рецепт» построения прогноза продаж?
Встречаем, столпы прогноза:
- длинная статистика продаж прошлых лет с максимальной детализацией (желательно — 3 года или больше),
- устранение ситуаций дефицита товара, срезка пиков продаж (нетипичные всплески активности клиентов).
Далее на все это можно наложить классический математический аппарат с использованием различных методов и формул прогнозирования: от средних скользящих, экспоненциального сглаживания, Хольта-Винтерса, и до новомодного искусственного интеллекта, машинного обучения и т.д. Конечно, это очень скудное описание построения прогноза, но для данной статьи нам большего и не требуется.
Что же происходит далее?
Прогноз сформирован, заказ рассчитан, проходит время… Делаем план-факт — ошиблись на 50%, вместо запланированных 3000 единиц продукции продали лишь 1500.
Первое, что хочется сделать: обвинить систему прогнозирования — прогноз ведь был дан на 3000 штук с доверительным интервалом от 2700 до 3300 штук, почему провал продаж до 1500?
Конечно, это может быть дело «его величества Случая». Но, зачастую, это просто реальность, в которой мы живем. Это просто выброс в ряде данных, вероятность которого была не очень большой.
Но что, если подумать над объективными причинами случившегося:
- Был ли исторический ряд данных, на которых строился прогноз, достаточно «чист»? Не было ли так каких перекосов, задвоений, не учтенных продаж аналогов продукции, кризисных времен, форс-мажорных ситуаций в цепи поставки? Если были (а они будут у 95% компаний в том или ином виде) — держите первую погрешность. А математический аппарат про нее ничего не знал. А если и знал, то использовал какие-либо коэффициенты для устранения этой проблемы. Но, как говорится, в одном месте поправишь, в другом — ухудшишь.
- Была ли ситуация на рынке стабильна в плане цены на данный товар на историческом ряде данных? К примеру, в формировании прогноза участвовали последние 3 года продаж — на всем ли этом промежутке времени цена была адекватной рынку? Или были времена, когда товар был дороже товаров конкурентов или же наоборот, дешевле?
Вообще, какова эластичность спроса у данного товара?
- Какова была мотивация у отдела продаж на данный товар в последнее время и в прошлые годы?
- Кто управлял ценой на товар? Хорошо ли данный сотрудник справлялся со своей функцией?
Все это накладывает неизгладимый отпечаток как на ряд данных, закладываемый в прогноз, так и на сам прогноз.
Чтобы не быть голословным — несколько кейсов из реальной жизни:
а) iStore: однажды я был на тренинге, где один из участников был управляющий одного из московских магазинов iStore.
В один из перерывов он предложил дружественное пари тренеру:
«Что вы готовы отдать за то, что я докажу вам — любой из сотрудников моего магазина сделает 100% точный прогноз на продажи следующей недели по каждой из модели телефонов?»
Тренер удивился — «Это невозможно», сказал он. В чем подвох? «Спорить не буду — но кейс действительно интересный» — воскликнул тренер.
На что управляющий магазина ответил — мне всего лишь нужно дать моим сотрудника максимальные права управления ценой на товар. Далее — дело техники. Не хватает продаж для прогноза — сделал скидку 20-30%, выполнил план — взвинтил цены на 50%.
Конечно же, эта ситуация может подорвать рейтинг бренда, привести к снижению доходности магазина или еще к каким последствиям. Но факт остается фактом — прогноз мог быть дан с высочайшей долей вероятности только при одном условии: управление ценой было бы реализовано «в моменте», что позволило бы выполнить поставленную цель.
А теперь задумайтесь, не это ли мы все наблюдаем, когда видим ценник с перечеркнутой суммой в магазинах? Высока вероятность, что товара больше, чем нужно для продаж, поэтому менеджмент «стимулирует» продажи этим действием. Или наоборот: очередь на автомобили в автосалонах, когда люди готовы ждать месяцами авто с предустановленным втридорога дополнительным оборудованием — лишь бы им достался долгожданный автомобиль…
б) LED лампочка: данный продукт (светодиодная лампочка) производится в Китае и в момент роста популярности цена на товар падала несколько лет подряд каждый (!!!) месяц. Поэтому стоимость контейнера с товаром когда-то была 600 000$, но вскоре упала в разы, достигнул 100 000$ и даже ниже.
Причин падения цены было много: начиная от оптимизации конструкции лампочки, заканчивая конкуренцией и снижением затрат на единицу продукции на фабрике.
Так вот были моменты, когда месячный план продаж по лампочке выполнялся за несколько дней (сразу после прихода контейнеров на склад). Но также были моменты, когда цена на поступивший товар была значительно выше рынка, что непременно сказалось на продажах. Собственно — приходилось торговать в минус. И все эти нюансы не учитываются стандартным мат.аппаратом! Хотя многие знают про регрессию, которая позволяет учитывать влияние разнообразных факторов на продажи. Вот только построение правильной регрессионной модели достаточно сложная процедура и она все равно даст лишь определенную степень вероятности своему прогнозу.
в) План-продаж: все просто — одному из отделов компании нужно было выполнить квартальный план продаж по определенной категории товара. Также в компании действовала временная мотивация для менеджеров на реализацию излишнего запаса некоторых продуктов.
По счастливому стечению обстоятельство товар и клиент нашли себя, временно заменив на полке продукцию конкурента, который, наоборот, имел проблемы с логистикой данного товара. Через несколько месяцев затаренный товаром клиент вновь перешел на продукцию конкурента. Но эти несколько месяцев увеличенных продаж зашли в статистику и математическая модель постоянно будет использовать эти данные в построении свежих прогнозов.
Есть еще много случаев, которые я могу описать. Но статья получилась достаточно объемной. Надо закругляться.
Резюме: прогнозирование ОЧЕНЬ ВАЖНО и без него никак не обойтись. Чем более продвинутые методики мы используем — тем выше наши шансы в получении более точного прогноза.
Но есть одно НО: одним прогнозированием сыт не будешь, гораздо важнее связка учет/прогнозирование/нормирование/планирование/контроль с возможностью внесения корректив в цепь поставок в максимально кратчайшие сроки. Только применяя Agile (гибкий) подход мы можем рассчитывать на максимальные результаты.
Нельзя построить качественный прогноз только лишь манипулируя данными по продажам товара… Важно принимать во внимание гораздо больше факторов.
Об этом и многом можно почитать в следующих статьях. Постараюсь детально остановиться на каждом из поднятых тут вопросов.
#прогнозирование #прогноз продаж #закупки #доверительный интервал
