Как работает прогнозирование спроса в системе Papyrus

kak_rabotaet_prognozirovanie

Для прогнозирования спроса и анализа статистики продаж в первую очередь необходимо построить таблицу продаж. Таблица продаж - это таблица, в которой собраны данные о продажах каждого товара за каждый день и по каждому складу. Информация о продажах в этой таблице учитывается в количественных единицах и суммарных ценах продажи. Для использования модуля прогнозирования таблица продаж должна быть предварительно заполнена. Сама по себе, таблица продаж является исключительно полезным инструментом, используемым для анализа статистики продаж. Она позволяет идентифицировать наиболее стабильные с точки зрения спроса товарные позиции, а также обнаружить товары, которые есть на остатке, но продаются по каким-либо причинам, очень слабо.

Достоверность таблицы продаж

При построении таблицы продаж система отслеживает остатки товаров по каждому складу и на каждый день. Если на какую-либо дату остаток товара нулевой, то этот день пропускается, то есть мы не можем ничего сказать о продажах в такой день. Источником проблем являются дни, в которые товар присутствовал не весь рабочий день. К сожалению, мы не видим способа обойти эту сложность, поэтому считаем, что если товар был на складе хотя бы часть дня, то был весь день.

Охват истории продаж для прогнозирования

Для построения прогноза продаж система использует данные истории продаж не по календарному периоду, а по количеству достоверных точек продаж. То есть, программа извлекает заданное в конфигурации количество точек, соответствующих дням, на которые приходились не нулевые остатки товара.

Критерий надежности прогноза

Для “отбраковки” товаров, прогноз продаж по которым невозможно построить с достаточным уровнем надежности, применяется критерий надежности прогноза, основанный на отношении извлеченного из таблицы продаж количества точек продаж к периоду (в днях), на который эти точки приходятся. Чем меньше это отношение, тем менее надежен прогноз.

Для иллюстрации критерия приведем следующий пример: некоторый товар А имеет таблицу продаж за период до 30 июня 2017 года. Если система строит прогноз на период от дня, следующего за этой датой, и в конфигурации определено 14 точек прогнозирования, то система отсчитает эти точки от 30 июня до 15 июня включительно. При этом дни, когда товара на остатке не было, исключаются из рассмотрения (18 и 19 июня).

Таким образом, надежность прогноза составляет 14 точек / 16 дней = 0.875 = 87.5%. Если критерий надежности прогноза составляет 90%, то прогноз по нашему примеру будет признан ненадежным, если же критерий надежности, скажем, 75%, то прогноз по такому примеру признается адекватным.

Учет выходных дней

Проблема учета выходных дней состоит из двух частей:

1. Выходные дни, встречающиеся в периоде построения таблицы продаж. Такие выходные система распознает автоматически по отсутствию в эти дни документов, относящихся к видам операций продаж. В выходные дни значения в таблицу продаж не заносятся. Здесь потенциальным источником ошибок в построении таблицы продаж может оказаться наличие случайного единственного документа продаж. В этом случае система не сможет распознать такой день как выходной и неоправданно зафиксирует нулевые продажи по тем товарам, которые присутствовали в этот день на складе.

2. Выходные дни, попадающие в период, на который строится прогноз продаж. Так как продаж в дни, на которые строится прогноз, нет и быть не может (иначе, зачем нам прогноз), то такие выходные должны быть указаны явно в конфигурации.

Методы прогнозирования

Для прогнозирования в системе используется один из двух алгоритмов: простое среднее или линейная аппроксимация. Разберем каждый из этих алгоритмов.

Прогнозирование по простому среднему

Это - наиболее простой способ спрогнозировать спрос на товар в будущем. Для построения прогноза используется среднее значение ряда и система считает, что в каждый из дней, на который необходим прогноз будет продано количество товара, равное среднему значению продаж за предыдущий период. Такой метод не учитывает тренд, однако может быть настроен так, чтобы среднее значение продаж рассчитывалось не по всей статистике, а по любому числу последних точек. В этом случае прогноз будет учитывать последние тенденции в спросе на каждый из товаров.

Прогнозирование по линейной аппроксимации

Линейная аппроксимация несколько более сложный метод прогнозирования. В соответствии с этим методом система строит уравнение тренда по заданному количеству последних точек в таблице продаж и прогнозирует спрос исходя из этого уравнения. По сравнению с предыдущим методом, этот имеет преимущество в плане учета тренда, но может проиграть в надежности, если количество точек для построения уравнения тренда недостаточно велико.