Компании накапливают в системах огромное количество различной информации, связанной с продажей продукции или услуг. На основании знаний «о прошлом», картины «настоящего» и экспертных ожиданий «будущего» аналитики прогнозируют объемы ожидаемых продаж, повышая тем самым эффективность решения ключевых бизнес-задач, в том числе прогнозирование оттока и удержание ключевых клиентов, дополнительные и перекрестные продажи, управление закупками и поставками.

Компании осуществляют моделирование и прогнозирование, будучи заинтересованы в сокращении количества упущенных продаж, снижении затрат, сокращении товарных запасов, повышении удовлетворенности клиентов. Используются для этого самые разные методы и инструментальные средства — от табличных редакторов, например Microsoft Excel, до систем стратегического планирования, обеспечивающих управление запасами.

Оптимизация запасов

По мнению Сергея Грачева, руководителя направления Value Chain консалтинговой группы «Борлас», моделирование и прогнозирование спроса — одна из самых критичных областей с точки зрения влияния на бизнес-показатели. «Так как полностью ошибок здесь избежать невозможно, а получаемые оценки, как правило, ложатся в основу производственных программ, любое отклонение от фактических значений приводит либо к избыточной загрузке мощностей, трате ресурсов и затовариванию складов, либо, на­оборот, к недозагрузке и дефициту товара. И в том и в другом случае — это прямая потеря прибыли. А значит, точный прогноз спроса — основа для любого бизнеса», — говорит он.

Андрей Щекалёв, директор по ИТ сети гастрономов «Глобус Гурмэ»
«Не существует ни одной торговой организации, которую бы не интересовал уровень ее запасов, вернее — оптимальный уровень запасов, не приводящий ни к дефициту, ни к избытку товаров на складе. От умелого прогноза будущих продаж во многом зависит объем заказываемого поставщику товара,  а следовательно, и итоговый уровень запасов», Андрей Щекалёв, директор по ИТ сети гастрономов «Глобус Гурмэ»

И директор по ИТ сети гастрономов «Глобус Гурмэ» Андрей Щекалёв согласен с Грачевым: «Наверное, не существует ни одной торговой организации, которую бы не интересовал уровень ее запасов. Вернее — оптимальный уровень запасов, не приводящий ни к дефициту, ни к избытку товаров на складе. Если у нас в гастрономе будут пустые полки, то мы не просто потеряем прибыль, а создадим мощный демотивирующий фактор для клиента: при желании купить взять нечего! С другой стороны, если уровень запасов гастронома будет чрезмерным, то мы вновь потеряем деньги, ведь в товаре надолго будут заморожены значительные финансовые средства. К тому же резко возрастает вероятность потерь вследствие окончания сроков годности хранимых продуктов питания. Поэтому очень важно умело прогнозировать будущие продажи. От их верного прогноза во многом зависит объем заказываемого у поставщика товара, а следовательно, и итоговый уровень запасов».

В сети гастрономов «Глобус Гурмэ» применяют такой подход при прогнозировании продаж. На основе статистики продаж за предыдущий аналогичный период рассчитывают долго­срочные и краткосрочные тенденции, что сразу позволяет делать предположения о будущем. Затем выявленные тренды очищают от влияния случайных факторов. И наконец, учитывают все возможные новые обстоятельства, которых не было в предыдущем периоде (году). Щекалёв приводит следующий пример. Летом покупатели приобретают больше минеральной воды, чем зимой. Если предыдущее лето было жарким, а нынешнее ожидается довольно прохладным, то следует ввести понижающий коэффициент, скорректировав в меньшую сторону заказ на воду поставщику. Но если в текущем году впервые предполагается проводить широкие рекламные акции по продаже минеральной воды со значительной скидкой, то можно предположить, что количественно продажи воды будут как минимум на уровне прошлого года.

В компании опираются на однопериодную модель оптимального заказа, которая, как поясняет Щекалёв, применима в ситуации, когда в следующий период продаж (месяц, год) данный товар продать будет уже невозможно. «Это в полной мере относится к продуктам питания, ведь осетрина бывает только первой свежести, — говорит он. — При заказе товара мы учитываем такие ключевые показатели, как текущие остатки товаров, средние продажи за аналогичный период, время ожидания товаров, сроки их годности, а также пороговую вероятность наступления дефицита. В итоге по каждой позиции менеджер получает рекомендацию». В случаях, когда не удается получить данные о продажах по сопоставимому периоду времени, рекомендованные значения увеличивают или уменьшают в соответствии с сезонным трендом.

Кому что

Описанный выше подход позволяет прогнозировать средне- и долгосрочный спрос в рамках всей компании. При этом, по мнению Грачева, опираться нужно на теорию случайных процессов и эконометрику: определяются влияющие на спрос факторы, выстраиваются причинно-следственные связи, создается эконометрическая модель, идентифицируется модель спроса. Для ее построения используются исторические данные по рынку и продажам компании за несколько лет, и от их качества во многом зависит адекватность модели. Правильно построенная эконометрическая модель может давать прогнозы высокого качества. Но в повседневной практике, отмечает Грачев, можно ограничиться простым бизнес-процессом, основанным на экспертном прогнозе — эту функцию обычно выполняет коммерческий блок либо выделенный бизнес-аналитик, и качество такого прогноза в большой степени зависит от знания рынка экспертом. «Действительно, кто, кроме менеджера по продажам «в полях», который постоянно общается с клиентами, может более точно сказать, сколько продукции он сможет продать? Он может довольно точно оценить количество ближайших сделок, а для больших горизонтов планирования его оценки уже будет недостаточно. На уровне всей компании погрешность собранного таким образом прогноза будет достаточно велика», — поясняет Грачев.

Это один из весьма часто встречающихся на практике подходов к моделированию и прогнозированию продаж. «В своей работе мы имеем дело с двумя основными подходами к прогнозированию продаж: прогнозирование в масштабах компании и прогнозирование по отдельным клиентам, — рассказывает Роман Колеченков, руководитель BI-практики «Техносерв Консалтинг». — Первый подход опирается на анализ продаж за прошедший период, учитывает сезонные тренды, результаты маркетинговых исследований, «факты из будущего» — например, вывод на рынок нового товара или изменения в законодательстве, а иногда и интуицию отдельных менеджеров. Однако этот подход работает только в компаниях со стабильным спросом, например в банках, телекоме или ретейле. Основа этого способа больше методологическая, чем техническая. Второй подход основан на накопленных данных о клиентах. Их анализ позволяет сформировать полный профиль клиента: сочетать социальные данные (пол, возраст, адрес) с поведенческими (средний чек, частота покупок и пр.). Используя исторические данные и статистические модели, можно с высокой вероятностью определить, скажем, отклик клиента на маркетинговое предложение. Основная сложность такого подхода — полнота и качество данных. По нашему опыту, на подготовку данных уходит 80% времени».

Инструменты

Эксперты отмечают, что для обработки данных и поддержки эконометрических моделей могут использоваться различные инструменты — от таблиц Excel до статистических и математических пакетов. «Я бы назвал их вспомогательными, так как несмотря на развитый математический аппарат, ни одна из этих программ изначально не была разработана для специфических задач прогнозирования спроса. Трудоемкость работы с ними напрямую зависит от объема данных, а объем, в свою очередь, определяется количеством измерений, по которым компания хочет получить прогноз (группы продукции, номенклатура, гео­графия спроса, бренды, контрагенты и т. д.)», — поясняет Грачев и приводит в качестве примера такого профессионального решения Oracle Demantra, позволяющее создавать сложные модели спроса с использованием нетривиальных причинно-следственных связей. Встроенные в такие решения аналитические модули повышают качество прогнозирования спроса благодаря использованию специальных алгоритмов — например, в Oracle Demantra применяется алгоритм Байеса-Маркова для комбинирования различных моделей временных рядов и факторов. Такие системы обеспечивают многомерный анализ (по продукту, региону, покупателю и др.) и позволяют выявлять причинно-следственные связи в фактах продаж с возможностями динамической отчетности.

Колеченков также считает: для того чтобы «заглянуть в будущее», компаниям необходим адекватный инструмент, и выбор его зависит от объема обрабатываемых данных. «Нередко для прогнозирования используется функционал по построению временных рядов, который есть в системах стратегического планирования, типа IBM Cognos TM1 и Oracle Hyperion, а также возможности классических аналитических систем — IBM SPSS Statistics/Modeler, SAP Predictive Analysis, SAS Forecasts. Но есть и третий путь — обзавестись средством прогнозирования: разработать под конкретные задачи собственную программу на основе используемых в компании технологических платформ. Но этот сценарий реже всего встречается на практике», — поясняет он.

Необходимость пользоваться специализированными инструментами, а не табличными редакторами, по мнению экспертов, обусловлена еще и тем, что снижается риск того, что с увольнением из компании бизнес-аналитика «уйдет» и созданная им эконометрическая модель прогнозирования.