В прошлой части мы рассмотрели, как распознать различные случаи дефицита.
Почему не стоит прогнозировать продажи при управлении запасами? Часть 1
Теперь необходимо понять, как с ними бороться. В этой части мы познакомимся с четырьмя методами восстановления спроса в моменты дефицита.
Четвертый шаг.
Что же нам делать с найденными дефицитами? Как мы уже заметили, если мы не будем с ним ничего делать, то можем запросто попасть в порочный круг и получать постоянный дефицит.
Вариантов несколько.
Во-первых, мы можем просто не учитывать такие периоды, удалить их из истории продаж и забыть. Такой подход имеет право на существование. Но каковы его минусы?
Представим, что вы продаете товар, который в наличии был только 5% времени. За это время он каждый день продавался большими объемами. Говорит ли это о том, что спрос имеет такую природу? Что он будет продаваться такими же темпами и, если бы он был у нас в постоянном наличии, мы продали бы в 20 раз больше? Скорее всего, нет. Особенно в случае, если вы предлагаете уникальный товар потребителю.
Спрос не успевает насытиться, покупатели гребут то, что есть и с очень большой скоростью. Что будет, если мы воспользуемся такой статистикой? Мы закажем значительно больше товара, чем это нужно на самом деле. Что мы можем с этим поделать? Отказаться от такого подхода в случае, если есть риск не насыщения спроса или история продаж слишком коротка.
Рекомендация: Применять метод исключения дефицитных периодов только в том случае, если история продаж большая и уровень дефицита не превышает 20-30%.
Во-вторых, мы можем не просто удалять дефицитные продажи из второго шага (когда остаток на складе меньше средних продаж), а заменять их на статистически более достоверные продажи. Такой оценкой может служить среднее. Но оно, как мы видели ранее, не очень устойчиво к выбросам. Поэтому лучше посчитать, как часто встречается тот или иной объем продаж в истории продаж, а потом выбрать наиболее часто встречающийся объем. Также можно воспользоваться медианой.
В-третьих, если наш алгоритм прогнозирования достаточно хороший и точный, учитывает все наши нюансы, а не просто дает оценку по среднему, почему бы нам не использовать его для того, чтобы узнать какие продажи были бы в прошлом, если бы не было дефицита? Не все алгоритмы прогнозирования позволяют это сделать, часто дефицит возникает то тут, то там и этот шаг придется повторить многократно. Но, если алгоритм прогнозирования достаточно хорош, то можно просто выполнять прогнозирование на те периоды, которые помечены как потенциально дефицитные.
Попутно вы еще и получите разницу между реальными продажами и прогнозируемыми. А это даст оценку потерь от дефицита! Что же делать, если дефицит случается после небольшой истории продаж, а алгоритм требует на вход большее число периодов? Все очень просто, мы можем прогнозировать задом наперед. Если данных в будущем достаточно и дефицитами история в будущем не продырявлена, то будем подавать на вход данные в обратном порядке и прогнозировать в прошлое. Возьмем историю продаж с 1 августа по 15 июля и будем прогнозировать сначала на 14 июля, затем на 13 июля и т.д.
Как определить, какой метод устранения дефицита лучше применить?
Если, история продаж сильно продырявлена дефицитными участками, они случаются на малый период (один-два) и часто, то лучше применить статистическое восстановление.
Если период дефицита длительный, то лучше воспользоваться прогнозированием. В случае если этот период находится в начале данных, до их середины, то прогнозировать надо задом наперед.
Если период находится дальше середины, то прогнозируем в прошлом периоде вперед.
Почему не стоит прогнозировать продажи при управлении запасами? Часть 3
