Papyrus : принципы работы модуля анализа статистики продаж и прогнозирования

Прежде всего, сформулируем задачу, стоящую перед нами и выясним, с какими трудностями нам предстоит столкнуться.
Наша задача состоит в том, чтобы:
1. спрогнозировать спрос на любой из товаров, присутствующих в справочнике, на произвольный период времени с максимальной точностью
2. иметь средства анализа, позволяющие проверить качество прогноза
3. избежать индивидуального подхода к каждой позиции в справочнике, поскольку настроить каждую из нескольких тысяч позиций практически невозможно
4. рассчитать прогноз спроса за минимальное время
В чем трудности?
Теперь сформулируем основные проблемы, связанные с нашей задачей:
1. Временные ряды продаж по каждому отдельному товару крайне нестабильны. Это значит, что по большинству товаров коэффициент вариации превышает (часто на много) единицу.
2. Временные ряды продаж содержат большое число пропусков, возникающих из-за отсутствия товара на складе или в магазине. Эта проблема накладывается на предыдущую в результате чего, мы не можем с достаточной точностью заполнить пропуски.
3. Так как анализ статистики реализуется на уровне отдельных товарных позиций, мы вынуждены постулировать, что наши временные ряды продаж лишены какой-либо регулярности (сезонности). Это утверждение можно попытаться оспорить, но мы будем на нем настаивать, поскольку наш опыт убеждает нас именно в этом. Здесь уместно заметить, что не следует путать статистику по одному товару и статистику по выборке товаров. Так, например, временной ряд продаж пива имеет четко выраженную регулярность, в то время как ряд продаж совершенно конкретного наименования пива (скажем, Хольстен 12% в бутылках по 0,33 литра) регулярности не имеет. Еще одна оговорка по поводу этого утверждения: если ваше предприятие торгует очень узкой номенклатурой (до 100 наименований), то ряды по большинству из этих позиций все-таки будут регулярны. Аналогично, даже в большом торговом предприятии, оперирующем десятками тысяч наименований товаров, могут существовать очень стабильные с точки зрения спроса позиции, однако их число крайне мало и их сложно идентифицировать. Возможно, в следующих версиях нам удастся реализовать процесс автоматической идентификации таких товаров.
4. При построении прогноза необходимо учитывать выходные дни. Так, если вы хотите знать прогноз продаж на следующие 14 дней, но ваше предприятие по воскресениям не работает, то система должна учесть этот факт и спрогнозировать спрос только на рабочие дни, попадающие в заданный интервал.
Как работает прогнозирование в системе Papyrus
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 2022 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 собственно 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.
Автоматизация бизнес-процессов : http://www.petroglif.ru/
Тел./факс +7 (8142) 330 660
e-mail: mail@petroglif.ru
Skype: Petroglif.P
#автоматизациябизнеса