Управление запасами. Просто о сложном

Глава 3. Экстраполяция или Будущее похоже на прошлое

В тех случаях, когда к ситуации применим математический аппарат, его непременно нужно использовать. Вы не только получите более точные результаты – вы еще и будете видеть, откуда эти результаты берутся, как их корректировать, как с ними работать.

Для прогнозирования нам понадобятся математические инструменты. Но сперва, хочу обратить ваше внимание на одно принципиальное различие. Математики могут себе позволить абстрактное мышление. Логисты – нет! За каждой нашей формулой, за каждым вычислением, за каждым решением кроется движение товаров на складе. И это может привести к огромной прибыли или таким же убыткам!

Ничего сверхсложного в предлагаемых мною расчетах нет. Нужно лишь четко представлять себе, что именно стоит за тем или иным производимым вами действием.

Начнем же мы с того, что поговорим об экстраполяции. В общем случае этот термин означает построение функции по имеющимся значениям и прогнозирование следующих значений.

Из школьного курса алгебры мы помним, как построить график, если задана функция, отражающая зависимость одного показателя от другого. Однако в жизни нам никто подобную функцию не даст. Поэтому единственное, что мы пока можем сделать – это построить график изменения объема продаж (потребления) от времени. Однако это будет весьма формальная зависимость, поскольку продажи не происходят с течением времени сами по себе. Вы не можете продавать продукцию без рекламного бюджета, без сотрудников, без складского запаса, без транспорта и т. д.

Следовательно, для получения реальной картины все эти (и многие иные) параметры также должны быть учтены при построении графика. Мы же пока просто берем временные координаты и отмечаем на них объемы продаж. Можем ли мы определить, каковы будут этим объемы в следующем месяце?

Экстраполяция позволяет нам утверждать, что «будущее похоже на прошлое». Мы можем увидеть, что происходило в последние периоды, и сделать вывод о том, что в ближайший отрезок времени картина будет похожей.

Такой подход используется не от хорошей жизни. Просто мы не можем предсказать будущее, и полагаем, что оно будет похожим на прошлое.

Если в последний месяц продажи росли, логично предполагать, что они будут расти и в следующем месяце, не правда ли?

Однако, прогнозировать точки перегиба графика продаж с помощью экстраполяции невозможно. Другими словами, если в прошлые периоды продажи падали, мы будем прогнозировать спад. Если росли – рост. А вот момент изменения ситуации (тренда) предсказать практически невозможно.

Получается, что эти модели хорошо работают при краткосрочном и среднесрочном прогнозировании. При долгосрочном прогнозировании они не работают.

Например, если сегодня на улице +20 С, то с определенной вероятностью можно предположить, что завтра и послезавтра погода будет примерно такой же. Но предполагать, что и через несколько месяцев она будет неизменной – безумие.

Теперь посмотрим, как эта идея реализуется в конкретных формулах.

Давайте разберем 2 подхода:

– скользящее среднее

– скользящее среднее с весовыми коэффициентами

Но сначала обсудим один принципиально важный момент, который почти всегда ускользает от практиков.

Глава 4. Подготовка статистики

Источники информации для уточнения прогноза

Если у вас имеются данные потребления за прошлые периоды, то их необходимо… Правильно, подготовить. Звучит парадоксально? На первый взгляд да. Давайте разбираться.

Для простоты мы по-прежнему будем оперировать месячным интервалом между размещением заказа и поступлением на склад (хотя в жизни Т может быть любым).

Допустим, продажи (списание со склада) АВ123 за март, апрель, май составляли по 100 единиц. Не надо быть ясновидящим, чтобы в подобной ситуации сделать прогноз на июнь. Очевидно, он будет 100 единиц (по крайней мере, из имеющихся данных, другой прогноз не сделать). Более того, наш прогноз легко может сбыться на практике, и потребление реально составит 100 единиц.

Здесь необходимо сделать одну весьма важную оговорку, и договориться о терминах. В бизнесе это не совсем так, а иногда и совсем не так, но в управлении запасами понятие «реализация», «продажа», «расход», «потребление», «списание», «отгрузка» – синонимы.

В логистике не существует понятия дебиторская задолженность. Если товар отгружен со склада и другой команды не поступало, снабженец обязан возобновить запас. А была эта отгрузка с прибылью в 200% по предоплате или наоборот фирме-однодневке в мертвую дебиторку – его не касается. Этот нюанс важно понимать читающим эту книгу управленцам.

Вернемся к нашему прогнозу. Допустим, на практике отгрузка действительно составила 100 единиц. Время открывать шампанское?

Не спешите. Может быть да. Но может быть нет. О чем это я? О дефиците.

Возможна ли ситуация, когда товара хватило на две недели? А остаток месяца склад был пустой. К сожалению, не только возможна, но и часто случается в жизни. Огромный риск такой статистики состоит в том, что формально подходя к ней, вы спрогнозируете дефицит и на будущие периоды. И будете глумиться над клиентами до тех пор, пока они у вас будут. Поверьте при нынешнем уровне конкуренции – это совсем недолгий период. Конкуренты их быстро утащат.

Значит, если дефицита на складе не было (то есть свободный, не зарезервированный остаток был больше нуля все время до следующей поставки), тогда на этих данных может основываться прогноз. А вот если был, то необходимо их корректировать. Как?

Давайте об этом поподробнее.

Имейте в виду, что товар, поставленный в резерв под клиента честным сотрудником (иногда они просто так накладывают лапу на дефицитный, хорошо продаваемый товар. Осторожно!) – это товар, с точки зрения управления запасами, уже проданный. Вы не можете так просто отказать клиенту, сняв с него резерв. Поэтому, когда я говорю про складской остаток, я всегда (!) имею в виду свободный.

Для корректировки дефицита необходимо рассчитать среднюю скорость потребления (продаж, списания, расходования, реализация и т.д.) или средние ежедневные продажи. Обозначим эту величину q.

q= (кол-во продаж) /число рабочих дней, от начала интервала до дня, когда остаток (свободный!) стал равен 0.

Допустим, q=100/10=10 ед./дн.

Экстраполируя, то есть, полагая, что скорость потребления будет постоянной, а до конца месяца осталось 12 рабочих дней, мы получаем:

12 р.д.*10 ед./дн.=120 ед.

Таким образом, 100 единиц (реально проданных) +120 ед. (экстраполированных) =220 ед./месяц

Мы считаем, что если бы у нас на складе было необходимое количество, мы бы отгрузили 220 единиц. Именно эту цифру необходимо брать в расчет при прогнозировании будущих периодов.

Так же обратите внимание, что подобную процедуру необходимо провести для всех периодов, когда был дефицит. И только после прогнозировать потребление.

Однако, в жизни довольно часто скорость потребления нестабильна. За оставшиеся 12 рабочих дней клиенты могли вообще не заказывать АВ123. Или наоборот, требовать 400 единиц.

Более сложные корректировки требуют настройки документооборота в компании, и могут быть применимы не на всех рынках. Так что я не буду подробно останавливаться на них. Однако, хочу заметить, что даже в случае резкого скачка потребления во второй части месяца на 400 единиц, получаемая с помощью экстраполяции величина в 220 единиц ближе к истинному значению в 500, чем 100 единиц (как в первоначальной ситуации).

А в случае, если за следующие 12 рабочих дней, спрос на АВ123 отсутствовал (=0), то мы получим избыток товара. Но он будет краткосрочным и позволит избежать дефицита в следующих периодах.

Так что можно сделать однозначный вывод: корректировать статистику лучше, чем не корректировать. (А «свобода лучше несвободы». )

Основное правило корректировки статистики отгрузки: а хотите ли вы, чтобы ситуация повторилась в будущем? Если вы считаете, что всё ок, то менять ничего не надо. В противном случае, не поленитесь внести изменения. Иначе вас ждет ужасный «день сурка».