Что бы ни утверждали производители, компьютерные системы сами по себе не способны давать точные прогнозы.
Директор информационной службы компании Scotts Сумантра Сенгупта наряду с компьютерной системой прогнозирования спроса пользуется услугами специальных наблюдателей, которые следят за положением дел на рынке. Это гарантирует, что результаты прогноза максимально приближены к данным реальных продаж

Прошло уже более двух лет с того момента, как Фил Найт, председатель совета директоров Nike, крупного производителя спортивной одежды и обуви, откровенно признался, что эксперимент по внедрению в его компании программного инструментария предсказания спроса (Demand Forecasting), отнявший свыше 400 млн. долл., провалился. Чем все это закончилось, известно: запустив систему i2 в июне 2000 года, уже через девять месяцев компания вынуждена была признать, что ей пришлось прибегнуть к весьма значительному списанию складских запасов, поскольку автоматизированная система выдала очень неточный прогноз. После этого заявления, сделанного в феврале 2001 года, акции Nike начали стремительно падать, а компания утратила репутацию обладателя самых передовых технологий.

Случившееся заставило специалистов вновь задуматься о серьезных ограничениях современных программных средств прогнозирования спроса. Как выяснилось, система прогнозирования i2 в принципе не могла взаимодействовать с уже существовавшей информационной системой Nike, поскольку та не обеспечивала условий для анализа больших объемов сведений о продуктах. Иногда данные даже приходилось вводить вручную, что заметно повышало вероятность совершения ошибок. Да и сами прогнозы оказались неверны. Основываясь исключительно на автоматизированном прогнозировании, Nike оформила заказы на сумму около 90 млн. долл., однако заказанная обувь (например, модель Air Garnett II) продавалась очень плохо. В то же время дефицит популярных моделей (в частности, Air Force One) оценивался в сумму от 80 млн. до 100 млн. долл.

Nike — не единственная компания, потерпевшая фиаско на этой ниве. Корпоративная Америка знает немало примеров крупных вложений в программное обеспечение прогнозирования спроса, которые не принесли компаниям желаемой отдачи, а в ряде случаев и вовсе оставили их ни с чем. В Goodyear, к примеру, в середине 2000 года развернули систему прогнозирования спроса, но не добились заметных улучшений в управлении запасами, и в прошлом году известный производитель шин потерял гораздо больше денег, чем годом ранее.

Впрочем, несмотря ни на что аналитики продолжают превозносить инструментарий прогнозирования. Только в 2002 году, по данным IDC, компании потратили на программные продукты прогнозирования спроса и другие средства оптимизации цепочек поставок 19 млрд. долл. А известный специалист в области управления цепочками поставок Хау Ли в речи, произнесенной в феврале в стенах Стэнфордского университета, всячески хвалил соответствующие решения, которые предоставляют его пользователям знания, необходимые для организации прогнозирования спроса.

Однако многие ИТ-руководители продолжают относиться к этому скептически. Слушатели, присутствовавшие на выступлении Ли, жаловались, что получить доказательства точности прогнозирования едва ли возможно. А результаты недавнего опроса 196 топ-менеджеров, проведенного консультационной компанией Booz Allen Hamilton, показывают, что 45% респондентов разочаровались в системах управления цепочками поставок и считают затраты на них неоправданными. Более половины (56%) говорят о недостатках программных средств прогнозирования спроса. Наученные горьким опытом директора информационных служб осознали, что сами по себе компьютерные системы не в состоянии обеспечить точность прогнозов.

На это есть целый ряд причин. Начнем с того, что системы прогнозирования хороши ровно настолько, насколько точна заложенная в них информация, а сложность современных цепочек поставок — когда предприятие собирает сведения о множестве товаров, связанных с многочисленными поставщиками и клиентами, — приводит к тому, что данные оказываются неточными гораздо чаще, чем точными. Кроме того, программы просто не в состоянии предсказать будущее, особенно в условиях экономической неустойчивости. Рациональный анализ поведения людей также не слишком совершенен, и сделанные на его основе выводы редко совпадают с реальным положением дел. Учитывая все это, можно утверждать, что возможности средств прогнозирования спроса весьма ограниченны, и компании, всецело на них полагающиеся и не учитывающие дополнительных факторов, на основе которых люди принимают решения о покупке, обречены на неудачу.

«Прогнозирование спроса — чисто теоретическое понятие, — отметил Сумантра Сенгупта, директор информационной службы компании Scotts, крупнейшего в мире поставщика оборудования для ухода за садом и газонами. — Но смею утверждать, что если провести водораздел между людьми и наукой, неизвестные, связанные с людьми, составят не менее половины уравнения. Алгоритмы есть алгоритмы. И ставка на них, на мой взгляд, не принесет выигрыша».

Для хорошего прогнозирования спроса требуются как точные данные, так и опытные специалисты. Данные о текущих продажах и информация, собранная с кассовых терминалов, всегда улучшают прогноз. То же самое относится к тенденциям развития и экспертным оценкам, которые имеет смысл учитывать, получив аномальные результаты, или просто для того, чтобы сверить выданный компьютером прогноз с реальной жизнью.

«Тот, кто думает, что все можно сделать с помощью математики и статистики, прав лишь отчасти, — пояснил директор информационной службы компании-производителя электронных компонентов Vicor Дуг Ричардсон. — Нужен еще и человеческий разум».

Эффект снежного кома

Директор информационной службы Vicor Дуг Ричардсон подтвердил, что у его компании остались огромные складские запасы, поскольку компьютерная система прогнозирования не смогла предсказать экономический спад. После этого в Vicor ввели систему двойного прогнозирования, при которой сотрудники отдела продаж выдают один прогноз, а компьютерная система — другой. Окончательные цифры в Vicor получают с учетом обоих вариантов

До того как разработчики начали продавать программное обеспечение планирования спроса, процедура прогнозирования представляла собой поиск компромисса между желаниями различных групп внутри компании.

«Отдел маркетинга ставит высокие цели, потому что заинтересован в успешном продвижении различных продуктов, — отметил финансовый директор подразделения корпоративных сетей компании Alcatel Toм Бернс. — Продавцы придерживаются более консервативных прогнозов, поскольку хотят сохранить низкие квоты и держать все под своим контролем. Если в отделе маркетинга говорят, что мы собираемся продать оборудования на 150 млн. долл., а менеджеры по продажам ограничивают эту планку 75 млн. долл., что прикажете делать парням, обслуживающим цепочки поставок?»

Некоторые призывают к созданию компьютерной системы, способной дать объективный ответ на возникающие вопросы. К тому же математический аппарат, необходимый для построения подобных систем, существует давным-давно. Вскоре после окончания Первой мировой войны английский математик Роналд Фишер задумал создать систему, которая могла бы обрабатывать имеющиеся цифры, находить присутствующие в них закономерности и делать на их основании необходимые прогнозы. В результате появилась классическая регрессионная модель, на основе которой построено 90% существующих систем прогнозирования спроса.

Ее суть заключается в анализе множества переменных, определении их взаимного влияния друг на друга и построении диаграмм, отражающих восходящий или нисходящий тренд. К примеру, изучение регрессии уровня смертности людей в возрасте от 20 до 80 лет, несмотря на массу исключений, в целом отражает общую тенденцию, в соответствии с которой чем старше становятся люди, тем больше их умирает. Из этого можно сделать вывод, что человек, которому исполнилось уже 81, 85 или 90 лет, с более высокой вероятностью умрет раньше того, кому пока только 80.

«Трудность состоит в том, что регрессионный анализ — равно как и любая другая статистическая модель прогнозирования спроса — требует достоверных данных и определения потенциальных связей между переменными, — пояснил Роб Кули, технический директор компании KXEN, поставляющей средства прогнозирования спроса. — Во времена Фишера мощность счетных устройств позволяла отследить соотношение лишь нескольких параметров. Таким образом можно было сосредоточиться на обеспечении точности нескольких узловых переменных, как в случае с определением уровня смертности. Сегодня же компьютерные системы позволяют рассматривать сотни, если не тысячи параметров — начиная от погодных условий и заканчивая временем суток. Под стать им и объем результатов».

Большая часть получаемых цифр не отличается точностью. Наиболее общий пример заключается в прогнозировании покупательского спроса исходя из результатов продаж компании. Если представители розничной торговли точно знают, сколько товаров у них продается, то производителю известны лишь цифры заказов розничного продавца. Кроме того, довольно часто между ними располагаются оптовики, которые напускают еще больше тумана в поступающие сведения о текущих продажах.

В логистической службе компании Procter & Gamble изучили воздействие этой динамики на планирование спроса и обнаружили, что чем дальше ваши данные находятся от торговой точки, тем ниже их точность и тем больше ошибок возникает при составлении прогнозов. В частности, как отмечают в Р&G, потребители стабильно покупали подгузники Pampers c определенным типом застежек, и заказы из розничной торговли подтверждали эту тенденцию: в цифрах заказов присутствовали лишь небольшие колебания, которые говорили об относительно устойчивом спросе. Однако на легкое увеличение спроса оптовики отреагировали не только увеличением заказов, но и пополнением своих складских запасов. В результате в Р&G поступила информация о значительном росте продаж. Производитель в свою очередь еще более увеличил выпуск требуемой модели подгузников, и растущие как снежный ком цифры продолжили свое движение по цепочке поставок. Со временем чрезмерное увеличение запасов больно ударило по всем звеньям этой цепи.

Фильтрация мусора

Лучший способ избежать ловушек, обусловленных завышенными прогнозами, заключается в использовании информации, поступающей непосредственно из розницы. Поскольку данные кассовых терминалов точно отражают потребительский спрос, они повышают качество прогноза. Благодаря этому Сенгупте удалось заметно улучшить результаты прогнозирования в своей организации. За счет использования информации, поступающей непосредственно из торговых точек, точность прогнозирования в Scotts за год выросла на 30%.

Прежде чем перейти к данным кассовых терминалов, в Scotts прогнозировали спрос на свою продукцию в масштабах всей страны сразу для всех клиентов (а не на уровне отдельного магазина), включая Wal-Mart и Номе Depot. B прогнозах учитывался объем товара, заказанного каждым клиентом в прошлые периоды (скажем, количество конкретного типа удобрения). На эти данные накладывались другие факторы (в частности, предполагаемый характер погодных условий). Поскольку заказы представляли собой всего лишь приблизительную оценку ожидаемых розничных продаж, компания сильно рисковала. Кроме того, большие расхождения между объемами отдельных заказов повышали вероятность возникновения ошибок при составлении прогнозов.

Сейчас, когда в Scotts получают информацию непосредственно из розничных торговых точек, точность прогнозов заметно возросла. Более того, детальные данные о продажах позволяют Сенгупте при желании выдавать отдельные, более детализированные прогнозы для каждого из розничных магазинов (на практике в Scotts предпочитают планировать поставки для группы магазинов, с тем чтобы смягчить отрицательное воздействие, которое случайные факторы, возникающие в одном магазине, способны оказать на других продавцов). Конкретизация, детализация и уточнение прогнозов еще более уменьшают вероятность появления общих ошибок.

Scotts удалось добиться немалых успехов в повышении качества составления своих прогнозов: здесь далеко продвинулись вперед, начав обмениваться с партнерами информацией, поступающей с кассовых терминалов. Большая часть торговых и логистических компаний сегодня следуют рекомендациям ассоциации Voluntary Interindustry Commerce Standards Association по организации взаимодействия в области планирования, прогнозирования и пополнения запасов.

Впрочем, в большинстве других отраслей предпочитают не анализировать информацию, касающуюся непосредственно конечных потребителей. Во-первых, это связано с тем, что данные о продажах в розничных торговых центрах не запрашиваются и не собираются. А во-вторых, многие просто не хотят делиться информацией, традиционно считающейся коммерческой тайной, разглашение которой приводит к снижению конкурентоспособности.

Впрочем, все это отнюдь не означает, что вам не удастся получить более точные данные, которые можно будет использовать для повышения качества прогнозов. В Европе, к примеру, Scotts принимает информацию о продажах только от трех своих самых крупных клиентов (около 20% от общего объема бизнеса в этом регионе) — другие не могут или не хотят делиться ею.

«Мы понимаем, нам вряд ли удастся получить в Европе доступ к сведениям о розничных продажах, но тем не менее пытаемся как можно ближе подойти к данным, связанным с конечными потребителями, — сообщил Сенгупта. — В данном случае речь идет об отгрузке с оптовых складов. Конечно, это не то же самое, что и розничные торговые центры, но, по крайней мере, мы получаем какую-то информацию о прохождении наших товаров и о том, какая часть из них поставлена в магазины. А ведь это гораздо более точные данные по сравнению с традиционными заказами оптовиков. Кроме того, от распределительного центра на несколько дней ближе к торговым точкам, чем от собственного склада Scott. Значит, соответствующая информация — лучший индикатор складывающихся на рынке тенденций».

Имеются и другие данные, помогающие ИТ-руководителям повышать качество прогнозов. Директор информационной службы компании Imperial Sugar Джордж Мюллер отмечает, что поступающая от клиентов информация о заказах сравнивается у него с аналитическими материалами фирмы Information Resources, отражающими реальные продажи в магазинах. Такие сведения показывают, к примеру, сколько сахара было продано в супермаркетах Атланты. Они являются своеобразным заменителем данных, поступающих с кассовых терминалов. По крайней мере, это дает Imperial Sugar повод для более внимательного изучения статистики заказов.

Рука на пульсе

Даже если система прогнозирования спроса предоставляет стопроцентно точную информацию, трудностей не избежать. Будущее нельзя предсказать на основе анализа прошлого. Компьютерная система использует архивные данные, на основании которых выдается предположение о том, что произойдет дальше. Но угадать, какие глобальные перемены грядут на рынке, к сожалению, невозможно. Канадская компания Belvedere International производит средства ухода за кожей. Когда в Торонто были зарегистрированы случаи заболевания атипичной пневмонией, Belvedere за месяц распродала годовой запас своего дезинфицирующего средства для рук One Step. Ни одна система прогнозирования не смогла бы предсказать это. Производственная линия Belvedere работала по 16 часов в день семь дней в неделю. Чтобы удовлетворить ажиотажный спрос, руководство предприятия пошло даже на переработку другой, уже готовой продукции.

«По сути, это ничем не отличается от прогнозирования погоды, — заметил вице-президент компании МЕТА Group Джин Альварес. — Время от времени события, которые метеорологическая модель предсказать не в состоянии, застигают врасплох. То же самое происходит и тогда, когда речь идет о вкусах покупателей и потребительском спросе».

Не годятся даже те прогнозы, которые получены при наличии точных данных, описывающих ограниченный набор параметров. Они всего лишь позволяют сделать фундаментальное предположение, в соответствии с которым все закономерности вчерашнего дня будут справедливы и для дня завтрашнего. Но поскольку информация об изменениях поступает уже после того, как сами изменения произошли, наблюдателям необходимо постоянно следить за изменением бизнес-климата.

В Vicor смогли убедиться в этом в самом начале последнего экономического кризиса. Еще год назад компания применяла систему прогнозирования собственной разработки, созданную в 1993 году. В основе ее лежит модель линейного прогнозирования исходя из результатов предыдущих продаж. При оценке характера спроса на свою продукцию руководство компании всецело полагалось на данные, предоставленные этой системой.

«Она прекрасно работала в 90-х годах, когда мы наблюдали устойчивый рост продаж, — вспоминал Ричардсон. — Но при падении спроса на отдельные позиции ассортимента все рухнуло, и бизнес пошел на спад».

Однако руководство компании не уловило момента, когда это произошло. И в апреле 2001 года генеральный директор Vicor Патрицио Винчиарелли вынужден был признать, что объем поставок «стремительно падает», а на складах накопились огромные запасы. «Когда будущее совершенно не похоже на прошлое, программное обеспечение прогнозирования перестает работать», — сделал вывод Ричардсон.

Неудачи поставили Vicor перед необходимостью использования человеческого разума при составлении прогнозов. Чтобы застраховать себя от неприятных неожиданностей, компания перешла к двухступенчатому процессу прогнозирования, при котором отделы продаж выдают один прогноз, а модернизированная год назад компьютерная система — другой. Оба прогноза дополняют друг друга, поскольку отдел продаж весьма консервативен в своих оценках. Ричардсон считает, что менеджеры по продажам ведут себя чересчур осторожно — впрочем, это легко объясняется возможностью получения премий за сверхплановые продажи. С другой стороны, компьютерная система не улавливает тех изменений на рынке, за которыми внимательно следят продавцы.

Приведем простой пример. Один из производителей телекоммуникационного оборудования, являющийся клиентом Vicor, из месяца в месяц размещал один и тот же заказ. Естественно, компьютерная система раз за разом выдавала один и тот же прогноз. Однако менеджер по продажам заметил, что клиент увеличил объем заказа другому поставщику, чьи компоненты использовались при производстве тех же продуктов, что и компоненты Vicor. Менеджер по продажам связался с представителями клиента и выяснил, что компания действительно планирует увеличить выпуск своей продукции. Располагая соответствующей информацией, Vicor также увеличила производство необходимых для этого компонентов, благодаря чему ей удалось своевременно подготовиться к приему более крупного заказа.

Если в Vicor используют компьютерный прогноз для проверки и сбалансирования результатов анализа, проведенного людьми, то Scotts следует прямо противоположному сценарию. Прогноз, сгенерированный компьютерной системой, передается в отдел планирования, специалисты которого, исходя из своего опыта и видения текущей ситуации, вносят в него необходимые коррективы. К примеру, сотрудник, курирующий Северо-Восточный регион, может уменьшить полученные цифры, поскольку плохой климат препятствует садоводству. А другой специалист-плановик, напротив, вправе увеличить план, потому что знает о намерениях клиента провести рекламную акцию по продвижению продаваемых товаров. Кроме того, руководство Scotts решило принять необычные меры, обеспечивающие доступ сотрудников к самой свежей информации: работники планового отдела регулярно навещают клиентов компании. К примеру, если сотрудник Scotts обслуживает в каком-то регионе сеть Номе Depot, он лично общается с клиентами на их территории. По словам Сенгупты, подобная близость способствует укреплению взаимодействия работников планового отдела с покупателями.

Подводя итог, подчеркнем: ошибки Nike и других компаний заключались в том, что их руководители излишне доверились технологиям. В ходе судебного разбирательства по искам акционеров к Nike выяснилось, что руководство компании даже не удосужилось провести собрание по обсуждению компьютерных прогнозов, и закончилось все это весьма плачевно. Другими словами, управленцы Nike проигнорировали необходимость организации проверки и сбалансирования компьютерных прогнозов силами своих экспертов. А когда ошибки были устранены, в Nike c успехом оправдали себя тем, что изначально не имели информации о неверных прогнозах, которые привели к созданию огромных складских запасов. Но выигрыш судебного процесса был пирровой победой. Компания уже понесла убытки в размере 180 млн. долл., потеряв около трети своего рынка.

История с Nike наглядно иллюстрирует то, что прогнозирование (независимо от оценок производителями собственных технологий) должно осуществляться на уровне высшего руководства. Топ-менеджерам необходимо изучить прогноз компьютерной системы и проанализировать, как он сочетается с оценками отдела продаж и маркетинговой службы. Только после этого можно утверждать окончательные цифры. Руководство Alcatel регулярно собирается, чтобы обсудить прогнозы, составленные на основе компьютерных расчетов и экспертных оценок.

«На заключительном совещании присутствую я, начальник службы управления цепочками поставок, а также руководители отделов маркетинга и продаж, — сообщил финансовый директор компании Бернс. — Только совместным решением мы утверждаем выработанный вариант. Ведь речь в данном случае идет о жизни и смерти компании».

ТРИ МИФА о прогнозировании спроса

1 Поскольку прогнозы всегда ошибочны, реальная потребность в прогнозировании отсутствует.

Неточные прогнозы тоже приносят пользу, поскольку их результаты — не догма, а руководство к действию. По крайней мере, наличие даже одного общего прогноза для всей компании избавляет ее подразделения от необходимости заниматься собственным прогнозированием, результаты которого очень сильно разнятся.

2 Для прогнозирования достаточно сбора статистики и наличия математического аппарата.

Безусловно, цифры имеют очень важное значение, но тем не менее качество прогноза очень сильно зависит от того, насколько хорошо вы знаете своих клиентов и рынок. Сотрудникам отделов продаж необходимо поддерживать тесную связь с клиентами и делиться полученной информацией с представителями других подразделений.

3 Хорошо работает только очень дорогостоящее программное обеспечение.

Хотя производители и стремятся убедить вас в обратном, смеем утверждать, что в большей части программ прогнозирования реализованы одни и те же алгоритмы. Они известны уже так давно, что нет никаких оснований ожидать превосходства какой-то одной системы над другой. При выборе инструмента прогнозирования спроса важно лишь убедиться в том, что система сможет обрабатывать те объемы данных, которые вы будете в нее вводить.