Прогнозирование запасов для тех, кто не аналитик данных, звучит сложнее, чем есть на самом деле. Большинству команд не нужна модель-черный ящик. Нужна чистая история продаж, воспроизводимый метод и способ заметить, когда данные врут. Если товар был в дефиците в прошлую пятницу, в таблице не хватает не математики, а контекста.
Это хорошая новость, потому что простые методы часто работают лучше, чем принято думать. В обзоре Грина и Армстронга в Journal of Business Research авторы нашли 97 сравнений в 32 статьях и не обнаружили доказательств того, что дополнительная сложность повышает точность прогнозов. Прогнозирование остается трудным, но первый выигрыш обычно приходит от дисциплины, а не от дорогого софта.
Полезный прогноз - это не тот, в котором больше всего вкладок. Это тот, который закупщик может объяснить, оспорить и использовать до следующего дедлайна заказа.
Что на самом деле делает полезный прогноз запасов
Прогноз - это оценка будущего спроса за определенный период. Для запасов этот период должен совпадать с ритмом закупок: время поставки плюс время до следующего пересмотра. Если вы заказываете каждый понедельник, а поставщик везет 21 день, вас интересуют следующие 28 дней, а не теоретическое годовое среднее.
Прогноз дает достаточно времени, чтобы перезаказать до того, как ваши A-позиции столкнутся с предотвратимым дефицитом.
Он не дает медленным позициям поглощать оборотный капитал просто потому, что кто-то заказал чуть больше для подстраховки.
Продажи, закупки и операции могут спорить об одной цифре, а не защищать три разных интуитивных оценки.
Прогнозы - это не обещания. Это отправные точки. Вы по-прежнему учитываете проблемы поставщиков, коммерческие события и бизнес-суждение. Цель - не идеальная точность. Цель - меньше сюрпризов.
Начните с простых методов, усложняйте только когда это оправдано
Справочник NIST по сглаживанию описывает усреднение как простейший способ сгладить данные и снизить случайную вариацию. Именно с этого большинству команд стоит начинать. Если ваша история достаточно стабильна, скользящие средние и методы сглаживания быстро дадут операционную базу.
Метод 1: скользящее среднее для стабильного спроса
Скользящее среднее берет последние несколько сопоставимых периодов и рассчитывает их среднее. Если вы прогнозируете понедельно, скользящего среднего за 4 недели обычно достаточно для начала. Пример: если за последние 4 недели продано 92, 104, 96 и 108 единиц, базовый прогноз на следующую неделю: (92 + 104 + 96 + 108) / 4 = 100 единиц.
Прогноз на следующую неделю = (неделя -1 + неделя -2 + неделя -3 + неделя -4) / 4. Сравнивайте сопоставимые периоды: недели с неделями, месяцы с месяцами.
Метод 2: экспоненциальное сглаживание, когда недавняя история важнее
Если недавние продажи важнее старой истории, переходите к простому экспоненциальному сглаживанию. В Forecasting: Principles and Practice Хайндман и Атанасопулос представляют его как взвешенное среднее последнего фактического значения и предыдущего прогноза. Проще говоря: вчера важнее прошлого квартала, но прошлый квартал не игнорируется. Это делает сглаживание полезным, когда спрос медленно дрейфует, но не подвержен выраженной сезонности.
Метод 3: добавьте сезонный фактор, когда календарь действительно важен
Если спрос поднимается и падает по повторяющемуся календарному паттерну - подарки в декабре, летние выходные, школьный сезон, заказы в конце месяца - отделите сезонный эффект от базового уровня. В Forecasting: Principles and Practice практический подход состоит в том, чтобы прогнозировать очищенный от сезонности ряд и затем добавить сезонную структуру обратно. Это техническое описание простой идеи: этот декабрь должен больше походить на прошлый декабрь, чем на прошлый май.
Сезонность стоит усилий. В том же обзоре Грина и Армстронга сезонная поправка снизила MAPE с 23,0 до 17,7 процента на 68 месячных рядах из оригинального M-Competition. Это полезное напоминание, что простая календарная структура может обойти много дополнительной математики.
Используйте скользящее среднее за 4-8 периодов, когда товар продается регулярно и уровень не сильно дрейфует.
Используйте простое экспоненциальное сглаживание, когда спрос движется постепенно и недавние периоды заслуживают большего веса.
Используйте базовый прогноз плюс сезонные коэффициенты, когда один и тот же календарный подъем повторяется достаточно часто, чтобы ему доверять.
Очистите историю, прежде чем доверять математике
Метод прогнозирования важен, но качество входных данных важнее. Возвраты, разовые проектные заказы, недопоставки поставщиков и промо-пики - все это может исказить базу. Если подать в модель шум, вы просто автоматизируете плохое решение.
Дефициты - самая большая ловушка. В исследовании прогнозирования спроса при политиках потерянных продаж авторы отмечают, что если товар в наличии, продажи являются несмещенной оценкой спроса, но при дефиците продажи занижают спрос и сдвигают прогнозы вниз. Это именно та спираль, которую операторы ненавидят: заниженный прогноз, недозаказ, дефицит, повтор.
Когда полка пуста, продажи измеряют не спрос, а доступность.
Простой пример поправки на дефицит
Допустим, товар продал 210 единиц за 30-дневный месяц, но был в наличии только 21 день. Наивная дневная ставка - 7 единиц. Скорректированная ставка - 10 единиц, потому что 210 / 21 = 10. Для планирования пополнения второе число гораздо ближе к реальности. Первое число встраивает дефицит в прогноз следующего месяца.
Правила чистой истории
- Отмечайте периоды дефицита:Отслеживайте дни или недели с нулевой доступностью, чтобы исключить или скорректировать их, а не усреднять.
- Отделяйте промоакции от базы:Неделя распродажи или маркетинговый пик должны быть в колонке событий, а не постоянно раздувать базовый прогноз.
- Убирайте разовые заказы:Крупные проектные закупки, начальные партии и внутренние перемещения - это плановые события, а не обычный спрос.
- Используйте данные по запасам, а не только продажи:Если точность записей низкая, сначала наведите порядок в подсчетах. Грязные данные искажают и историю, и закупки. Подробнее: реальная стоимость неточных уровней запасов.
- Прогнозируйте группы, а не варианты, если нужно:Тонкая история по размерам-цветам или упаковкам часто прогнозируется лучше на уровне группы, а затем распределяется вниз.
Рабочий процесс в таблице, который можно запускать каждый понедельник
Серьезный прогноз можно вести в одной таблице со строками по SKU и столбцами для последних 12-24 периодов, флагов наличия, заметок о событиях, прогноза, факта и ошибки. Цель - не красивая модель. Цель - повторяемая рутина.
Понедельничная рутина прогнозирования
- Выгрузите историю по неделям или месяцам:Понедельно лучше для быстрых позиций. Помесячно достаточно для медленного каталога.
- Добавьте две вспомогательные колонки:одну для статуса наличия, одну для заметок о событиях. Эти два поля предотвращают удивительно много плохих прогнозов.
- Выберите один базовый метод для каждого класса товаров:Начните со скользящих средних для стабильных позиций и сглаживания для медленно дрейфующих.
- Применяйте сезонность только когда она повторяется:Если вы можете указать на один и тот же календарный подъем больше одного раза, добавьте сезонный коэффициент. Если нет, оставьте просто.
- Прогнозируйте окно пополнения:Оцените спрос на время поставки плюс промежуток до следующего пересмотра заказа.
- Записывайте каждую ручную корректировку:Если продажи говорят, что новый клиент добавит 300 единиц в следующем месяце, введите корректировку и причину. Скрытые корректировки разрушают обучение.
Три проверки точности, которые может посчитать любой
Вам не нужен дашборд, набитый статистикой. Нужны несколько показателей, которые скажут, систематически ли ошибается прогноз и насколько.
Средняя ошибка со знаком. Положительное смещение означает, что вы постоянно завышаете прогноз. Отрицательное - хронически занижаете и провоцируете дефициты.
Средняя абсолютная ошибка, средний промах в единицах. Как отмечают Грин и Армстронг, MAE - простая и полезная мера для решений в области производства и управления запасами.
Взвешенная абсолютная процентная ошибка. Документация AWS Supply Chain по планированию спроса использует WAPE как агрегатную метрику точности, потому что она показывает общий промах прогноза относительно общего фактического спроса.
Используйте MAPE с осторожностью. В руководстве Хайндмана по точности MAPE становится неопределенным при нулевом фактическом спросе и может взрываться при значениях, близких к нулю. Это делает его плохим выбором для медленных позиций, новинок или рядов с частыми нулевыми периодами.
Начните со смещения, MAE и WAPE. Добавляйте более сложные метрики только после того, как эти три стабильны и понятны.
Протестируйте на прошлых данных перед использованием в закупках
Прогноз не готов, потому что выглядит разумно. Он готов после проверки на прошлых периодах, которые он не видел. Руководство Хайндмана по кросс-валидации временных рядов описывает скользящий горизонт прогнозирования: двигайтесь по истории, прогнозируйте вперед и усредняйте ошибки. Это взрослая версия вопроса: сработало бы это в прошлом квартале?
Быстрый тест на прошлых данных
- Отложите последние 8-12 периодов:Не используйте их для построения первой модели.
- Запустите каждый метод-кандидат:скользящее среднее, сглаживание и любую сезонную версию для сравнения.
- Измерьте смещение, MAE и WAPE:Оценивайте методы на периодах, которые они не видели.
- Выберите метод, который команда может объяснить:Если два метода дают близкие результаты, выберите тот, который команда реально будет поддерживать.
Где таблица показывает свои ограничения
- Новые продукты: Заимствуйте историю похожего товара, категории или плана запуска, потому что у нового SKU еще нет устойчивого паттерна.
- Неравномерный или прерывистый спрос: Прогнозируйте сначала на уровне семейства или категории, затем планируйте пополнение по отдельным позициям с большей долей ручной проверки.
- Промоакции и проектный бизнес: Добавляйте корректировки событий отдельно, а не заставляйте базовую модель угадывать специальные мероприятия.
- Низкая точность запасов: Если приемка, корректировки и контроль мест хранения слабы, сначала наладьте процесс. Прогноз, построенный на плохих записях, все равно закупит неправильное количество.
Именно здесь важна приоритизация. Используйте ABC-анализ, чтобы решить, какие позиции заслуживают наибольшего внимания при прогнозировании, и дополните прогноз дисциплинированным пересмотром страхового запаса, чтобы неопределенность не превратилась в сплошной перезаказ.
Итоговый вывод
Прогнозирование запасов для тех, кто не аналитик данных, меньше связано с продвинутой математикой и больше - с операционной честностью. Очистите историю. Начните со скользящих средних или сглаживания. Добавляйте сезонность только тогда, когда она повторяется. Измеряйте смещение и абсолютную ошибку. Тестируйте на прошлых данных, прежде чем доверять цифре.
Следующий шаг: выберите 20 важных SKU, создайте одну еженедельную таблицу и сравнивайте прогноз с фактом на протяжении следующих 8 недель. После этого прогнозирование перестанет казаться теоретическим и станет частью того, как вы закупаете.