BRT анализ

Многие торговые компании имеют широкий ассортимент товаров, чтобы удовлетворить как постоянные, так и внезапно возникающие потребности своих клиентов. Предположим, что мы – канцелярский магазин, это означает, что у нас есть достаточный ассортимент ручек на любой вкус и цвет, мы можем предложить нашим клиентам как недорогие ручки для школьников, студентов и в офис, так и имеем выкладку дорогих ручек. Очевидно, что спрос на недорогие ручки достаточно постоянный, хоть и подвержен сезонности. А вот спрос на вторую группу, из-за их большей цены и меньшей аудитории, — непостоянный, и не зависит от каких-либо регулярных факторов. Но, так как мы хотим обслужить максимум возможных наших клиентов, мы должны держать запас как одной группы товаров, так и другой.

В связи с этим возникает проблема прогнозирования продаж второй группы (предполагается, что для прогнозирования первой группы можно использовать классические инструменты прогностики средних продаж). Сложность в том, что не можем использовать методы расчета обычной средней по периоду, так как продажи нерегулярны и не отличаются постоянством своего количества – мы могли 3 недели ничего не продавать, а потом в 2 дня продать 5 штук. При этом, ситуация зачастую складывается так, что товары второй группы имеют большую наценку, чем продажи первой группы – так что компании интересно продавать эти товары и хранить их на складе – и в качестве заработка и в качестве расширения ассортиментной базы.

Для примера, предположим, что наши данные о продажах такого товара можно описать следующей таблицей:

1

Будем исходить из того, что время реакции системы равно 4м дням – т.е. это означает, что через 4 дня после заказа, товар будет у нас на складе, а текущий остаток на складе – 1 штука. Сумма продаж за наш выбранный период – 30 штук. Ставим себе цель — находясь в конце анализируемого периода, определить — нужно ли сейчас покупать товар у наших поставщиков (чтобы через 4 дня он был у нас на складе). И, если нужно, то в каком количестве?

Для этих целей нам нужно определить средний расход товара в день, и интерполировать его в будущее, умножив время реакции, на средний расход, получив таким образом будущие продажи на время реакции, и вычесть текущий остаток на складе (1 штуку).

Если бы мы считали «в лоб», то для расчета средней продажи в день, взяли бы количество дней анализа (31 день) и поделили бы его на сумму продаж в этом периоде, т.е. 30/31 = 0,97 штуки в день, таким образом

Если, Vc — средняя дневная продажа, а tS — время реакции системы, то

объем продаж на время реакции: St = Vc * tS = 0,97 * 4 = 3,9 штуки.

Имея на складе 1 штуку в наличии, мы можем предположить, что нам скорее нужно заказывать 3 штуки (3,9 – 1 = 2,9).

Но представим себе что будет, когда к нам придут клиенты, которые в течении одного дня смогут купить 5 штук (а, судя по истории продаж, у нас это регулярно, хоть и редко, встречается) – готовы ли мы их терять? Или просто продадим им меньше? Нужно ли нам держать товар под таких клиентов? И если нужно – то сколько?

Проведенный выше анализ путем расчета средней дневной продажи не отвечает на эти вопросы.

Для решения данной проблемы, при анализе нерегулярных и разреженных рядов мы предлагаем использовать метод, описанной данной статье. Он называется Bootstrapping Reaction Time (BRT); слово «bootstrapping» пришло из поговорки «pull oneself over a fence by one’s bootstraps», что почти буквально соответствует нашему «вытащить себя за собственные волосы» – таким образом, мы попробуем сделать так, чтобы нужная информация сама себя показала, исходя из тех данных, что мы имеем.

Давайте зададим первоначальный вопрос решаемой задачи немного иначе. В первом случае, мы искали среднюю дневную продажу и умножали ее потом на период реакции чтобы получить прогноз продаж на время реакции. Но задача стоит не в поиске дневной продажи, а в поиске наиболее вероятных из продаж на период реакции – т.е. за наши заданные 4 дня.

Перефразируем вопрос так: «Какой наиболее приемлемый для нас вариант прогноза из возможных, исходя из имеющихся данных?». Для поиска ответа, составим таблицу всех возможных исходов, из тех данных, какие мы имеем. Для этого разбиваем наш ряд по порядку на периоды реакции – сначала с 1 по 4ый день, потом с 2 по 5, потом с 3 по 6 и т.д. всего 28 возможных исходов:

2

Справа в колонке мы получили множество возможных вариантов того, сколько у нас может продаться товара за выбранный промежуток времени (4 дня).

Что нам теперь делать с этой выборкой? Мы получили разброс от 0 до 11 шт. Нужно решить какое из этих значений наиболее отвечает нашему бизнесу. Для оценки этого параметра, составим частотную гистограмму – она покажет как часто одно или другое значение встречается в выборке:

3

Что нам это дает? Теперь мы можем продвинуться в анализе наших продаж — зададим себе вопрос: «Скольким клиентам наша компания готова обеспечить безусловную доступность товара?». Под «безусловной доступностью» будем понимать, ситуацию если у нас в среднем покупают по 10 штук ежедневно, но был случай что кто-то   купил 100 штук, то «безусловная доступность» означает, что у нас на складе всегда должно быть доступно 100 штук товара, что хорошо с точки зрения уровня обслуживания наших клиентов, но плохо с точки зрения распоряжение вложенными в товар деньгами и пространством на складе. Высокий уровень доступности означает что мы оставляем довольными больше клиентов, но при этом больше храним товара на складе, низкий уровень обслуживания означает, что мы сознательно оставляем довольными меньшое количество клиентов, но при этом экономим на отсутствии излишних запасов на складе.

Потому надо решить, сколько клиентов из 100 возможных мы готовы обслужить (продать им требуемый товар) безусловно? Это управленческое решение, если проводить анализ товарооборота только в штуках – ответственное за продажи (или запасы) лицо должно принять его осознанно и самостоятельно. Популярным считается уровень доступности от 80/100 до 91/100, для нашего примера выберем первый вариант. Понимая, что оставшихся клиентов мы«отбрасываем» считая, что конкретно для этих клиентов мы либо предоставим им меньше товара, либо не готовы ради них хранить лишний товар на складе.

Что эти цифры означают для нашего анализа? Это означает, что нам нужно найти такое максимальное значение продаж согласно нашей гистограмме, чтобы суммарная частота спроса на меньшие показатели продаж была максимально приближена к выбранному нами уровню доступности. В управленческой логике это можно интерпретировать следующим образом: мы должны выбрать возможный максимум спроса, который возникнет у 80 из 100 наших клиентов за выбранное время реакции.

Для нашей выборки это значение равняется 8 штукам, что покроет требование 21 из 28 возможных исходов (а если бы мы, к примеру, выбрали уровень доступности 70/10, то это было бы скорее значение 5 штук, что покрывало бы 20 возможных исходов из 28 возможных). В управленческой логике, найденное нами значение в 8 штук можно интерпретировать следующим образом: при обслуживании 8 из 10 клиентов, в течении 4 дней они купят суммарно меньше 8 штук товара, а рекомендация будет равняться 8 – 1 = 7 штук.

Согласитесь, это существенно отличается от значения, полученного при расчете «обычной средней» за анализируемый период.

Таким образом, описанный метод дает более точную и обоснованную аналитику для постоянных, но редких продаж, рекомендую его использование для товаров, которые должны находиться в доступности для клиентов, даже в том случае, если они их покупают достаточно редко, но постоянно.

Система управления запасами Mycroft Assistant позволяет установить индивидуальные настройки метода BRT — для конкретных товаров или товарных групп. Это позволяет достаточно точно прогнозировать будущее потребление товаров.

4

 

Настройки выбранного метода прогноза влияют на следующий анализ:

— на Управление Запасами (информацию о котором вы можете прочитать по ССЫЛКЕ);

— на Планирование (информацию о котором вы можете прочитать по ССЫЛКЕ и ССЫЛКЕ);

Если Вы хотите начать работу в системе Mycroft Assistant, Вам необходимо пройти регистрацию по ССЫЛКЕ и следовать дальнейшим инструкциям.