Влияние аномальных продаж на прогнозирование. Возможности системы Visual Forecast.

Прогнозирование продаж — очень сложный процесс. Хотя, если не волноваться за точность прогноза — плевое дело.

Представим себе стандартную задачу — сделать прогноз продаж на полгода вперед с помесячной разбивкой.

Что нам для этого нужно?

А нужно нам одно из двух:

1. Магический шар.

2. Как можно больше из списка ниже:

  • результаты маркетингового исследования
  • статистика продаж за последние несколько лет
  • информация по уровню сервиса за аналогичный период
  • данные по проведенным акциям и распродажам
  • данные по запланированным акциям
  • анализ цен закупки и реализации для понимания эластичности
  • грамотный сотрудник с математическим складом ума
  • еще один грамотный сотрудник с пониманием коммерции (маркетолог, например)
  • информация об ограничениях системы (финансы, склады)
  • IT продукт, начиная от MS Excel, заканчивая другими, более специфическими продуктами для аналитики
  • прогноз макроэкономической ситуации на ближайшее полугодие минимум
  • результаты анализа конкурентной среды
  • и т.д. и т.п., включая время и остальные ресурсы.

С приобретением шара возникли сложности, поэтому работаем по старинке.
Список выше есть идеальная ситуация. Осмелюсь предположить, единицы обладают таким набором данных. А если все еще и на еженедельном кванте времени… Так точно уже не останется таких компаний.

В данной статье хочу затронуть тему необходимости корректировки ретроспективного спроса перед построением среднесрочного или долгосрочного прогноза.

Точнее — хочу показать влияние экстремумов в продажах на прогноз.

Рассмотрим ситуацию на примере: есть данные по продажам, остаткам, уровню сервиса за последние 3 года с помесячной разбивкой. Необходимо построить прогноз продаж на ближайшие полгода с помесячной разбивкой для расчета заказа в Китае, где срок производства составляет 2 месяца, ну и доставка тоже исчисляется неделями, если не месяцами.
Первый скриншот из системы Visual Forecast, которую я разработал в Excel, отображает все имеющиеся у нас данные в наиболее эргономичном виде.

скриншот из системы Visual Forecast

Красными стрелками пометил те самые аномальные разовые продажи, которые меня насторожили.

  1. Январь 2014 года — продажи сильно ниже, чем обычно в январе (можно сравнить с 2013 и 2015 годами). Также о низких продажах говорит и низкий уровень сервиса (20% выше на экране).
  2. Май 2014 года — продажи резко выше стандартных весенних… Возможно была акция или что-то еще. В данной статье мы не обсуждаем маркетинговую составляющую, а строго работаем с данными.

Краткое описание системы прогнозирования продаж представлено тут . Эффективность системы тут.

Но в одном предложении опишу математический аппарат модели: система берет 3 года продаж, пытается спрогнозировать последний из них на основании предыдущих более, чем 20 методами прогнозирования (скользящие средние, взвешенные, Хольт-Винтерс и прочие топовые методы, описанные в многочисленных трудах известных математиков), выбирает лучший и предлагает визуальный прогноз для последующего анализа.

На данный момент мы видим, что прогноз на ближайшие полгода равен 17 384 штуки и лучший метод прогнозирования это средневзвешенный с сезонностью. Погружаться в детали сегодня не будем.

Хороший ли это прогноз? Не знаю. Но нам также дается помесячная разбивка и ошибка прогноза RMSE (Root mean squared error) = 52%

Большая ли это ошибка? Ответ на этот вопрос предоставлю в одной из следующих статей. Все относительно. Хотя психологически кажется, что достаточно большая. И это не вселяет уверенность в качестве прогноза.

А теперь попробуем провести корректировку спроса. Без применения высшей математики (а для устранения экстремумов есть достаточно четкие математические формулы): устраняем аномальный спрос в мае и восстанавливаем спрос в январе.

Visual Forecast

Чтобы оценить этот процесс в динамике — прошу взглянуть на короткое видео.
Сравниваем результаты: прогноз продаж на полгода изменился на 18 212 (немного вырос — почти на 5% по сравнению с первоначальным значением). Однако точность прогноза выросла более чем в 2 раза! Теперь RMSE равен 23%, что однозначно вызывает доверие!

Однако данный вид ошибки очень жесткий. Это среднеквадратичная ошибка, нужно уметь ей пользоваться.

Но то, что мы получили ГОРАЗДО более точный прогноз как по величине, так и по критерию доверия ему — можно сказать, что делали мы все не зря!

Дальше для закупщика остается лишь спланировать заказ и поставку исходя из данного прогноза, не забыв учесть ошибку RMSE, которая прекрасно “зашивается” в формулу страхового запаса. Экономический эффект от такой математики порадует руководство вашей компании.

Точных прогнозов вам, господа!

И да, всех желающих опробовать действие системы Visual Forecast на своих данных — обращайтесь! Перед приобретением системы делаю бесплатный аудит ваших данных!