Русский  |  English  |  Карта сайта

О компании

Общая информация

Цели и задачи

Стратегические цели и основные задачи

Бизнес-модель

Процесс разработки и поставки решений

История компании

Предпосылки, становление, развитие

Клиенты

Клиенты компании

Кадры

Кадровая политика компании

Персоналии

Визитные карточки сотрудников

Пресса

Cтатьи, обзоры, публикации о компании

Пресс-релизы

Пресс-релизы компании

Награды

Победа в конкурсах, получение премий

Контакты

Телефон, факс, почтовый и электронный адреса

Автоматизированное прогнозирование спроса — теперь и в российском ритейле

Журнал «Логинфо», 1/2006, стр.24-26

Автор: Григорий Александров

 

Основное назначение систем прогнозирования спроса — оптимизация поставок товаров в магазины или дилерам. Система прогнозирования отвечает на вопрос — сколько данного товара будет продано в этом магазине за время между поставками. Если известно, какой спрос будет на товар, то оптимальный размер заказа легко вычисляется исходя из остатков товара и заданного уровня минимального запаса. Несмотря на такую кажущуюся простоту, потребительский спрос подвержен постоянным колебаниям и зависит от десятков факторов, начиная от уровня цен и заканчивая погодой. Ошибки в прогнозах грозят затовариванием складов, снижением оборачиваемости, списаниями по истечении срока годности товаров или, наоборот, возникновением дефицита. Но в любом случае — упущенной прибылью.

Несмотря на всю полезность систем прогнозирования спроса, опыт их использования не всегда оказывается удачным.

Классический пример тому — произошедший в 2001 году случай с компанией Nike. Менеджеры крупного производителя спортивной одежды и обуви решили внедренить ИТ-инструментарий по предсказанию спроса и цепочкам поставок от i2 Techologies и потратили на этот проект около 400 млн. долл. Через девять месяцев огорченное руководство призналось, что прогноз одних товаров оказался завышен настолько, что их пришлось продавать со скидкой более 50%. А другая часть ассортимента, наоборот, была сразу раскуплена и срочно заказанные дополнительные партии пришлось транспортировать самолетом, что повысило транспортные издержки в 12 раз. Огласка этого факта спровоцировала обвал акций Nike на бирже. В этой ситуации не выглядело утешительным и заявление представителей компании i2 о том, что причиной ложного прогноза стала вовсе не «плохая система», а неполная ее «кастомизация» и отступление от рекомендуемой методологии внедрения.

Удалось выяснить и некоторые общие противопоказания к использованию автоматизированных систем прогнозирования спроса.

По словам Аллы Забровской, PR-менеджера розничной сети ИКЕА в России, «В магазинах ИКЕА установлена автоматизированная система, разработанная специально для нашей компании, которая помогает прогнозировать продажи. Из недостатков можно отметить лишь то, что обслуживающий их центр находится в Швеции, и в случае сбоя или какой-то неполадки в системе, проблема решается не так быстро, как бы хотелось. При всей универсальности системы прогнозирования она, к сожалению, не позволяет делать прогноз в новом регионе, где магазин только открывается и истории продаж пока что не существует. Преимущества таких систем очевидны, остается надеяться на их дальнейшее усовершенствование».

В нестабильных секторах рынка (таких как рынок сотового ритейла) автоматизированные системы прогнозирования применимы лишь для решения тактических вопросов о поставках товаров и не подходят для построения долгосрочных прогнозов.

По словам коммерческого директора компании «Беталинк» Сергея Вергазова «Существуют множество малопрогнозируемых внешних факторов воздействия на рынок мобильного ритейла, на пример, действия органов охраны правопорядка, сбои в работе таможни, приводящие сначала к дефициту товара, а затем к его «выплескиванию» на рынок и т.п. Масштаб такого рода воздействий в некоторых случаях может приводить к изменению емкости рынка и динамики его развития в целом. В настоящее время опираться на результат работы какой-либо автоматизированной системы прогнозирования спроса при принятии стратегических решений я бы не стал. Эту задачу в нашей компании решает собственный аналитический отдел.»

Впрочем, что касается краткосрочного прогнозирования, то его стремятся автоматизировать и на рынке мобильного ритейла. По мнению Татьяны Москалевой, руководителя службы по связям с общественностью группы компаний DIXIS «Вопрос прогнозирования спроса при заказе товаров является одной их важнейших составляющих бизнеса сотового (да и не только сотового) ритейла. Для оптимизации процесса планирования и прогнозирования спроса мы разработали собственную систему.» При этом она не исключила, что «возможно, придется заменить данную программу на более эффективную и современную, отвечающую условиям быстроменяющегося рынка и динамичного развития компании».

Факторы успеха

Итак, для успешного применения автоматизированных систем прогнозирования спроса необходимо выполнение следующих четырех условий.

Правильная постановка задачи. Не все задачи по силам автоматизированным системам. Их применение оправдано для краткосрочного прогнозирования спроса и в тех случаях, когда имеется достаточно данных о продажах за прошлые периоды.

Правильная система. Разумеется, не все системы прогнозируют одинаково хорошо, а их ошибки, помноженные на оборот розничной сети, обходятся весьма дорого. Кроме точности прогнозов имеют значение такие параметры, как требования к оборудованию, продолжительность расчета прогнозов, наличие встроенных инструментов для анализа и контроля точности прогнозов, а также возможность системы самостоятельно определять случаи «ненадежных» прогнозов для того, чтобы их вовремя могли рассмотреть менеджеры. На российском рынке кроме системы Goods4Cast от Forecsys возможности для прогнозирования спроса заявлены в продуктах компаний i2 (в рамках систем управления цепочками поставок, SCM), Oracle (в рамках ERP-системы JD Edwards).

Правильное внедрение. Цель внедрения — «кастомизация» системы для решения поставленной перед ней задачи с учетом особенностей бизнес-процессов заказчика и интеграция с другими его IT-системами. Неудачное внедрение может свести на нет все потенциальные преимущества системы. При этом важен уровень специалистов, выполняющих внедрение и вовлеченность в процесс внедрения руководителей отдела закупок и IT-службы заказчика.

Правильное использование. Автоматизированная система требует периодической проверки хотя бы того, что ей передаются правильные входные данные, а в идеале следует проверять и точность ее прогнозов. Наконец, всегда есть факторы, которые система прогнозирования просто не учитывает. Поэтому, время от времени любая такая система, конечно же, требует участия менеджера по заказам (например, в день футбольного матча, вероятно, следует скорректировать для ближайшего магазина прогнозы на алкоголь в сторону повышения.)

Опыт внедрения

В декабре прошлого года группа компаний «Перекресток» (оборот которой в 2005г. превысил 1,2 млрд. долл.) внедрила систему прогнозирования спроса Goods4Cast от компании Forecsys. Некоторые нюансы ее использования мы попросили прокомментировать Владимира Киву, IT-директора «Перекрестка».

Как «Перекресток» выбирал систему прогнозирования спроса?

При выборе системы прогнозирования был проведен конкурс, в котором участвовали шесть ведущих российских и зарубежных компаний. Конкурсантам была выдана двухлетняя история реального товародвижения и дополнительная информация, как например классификация товаров, которая могла быть полезна для составления прогнозов. На основе полученных данных компании представили прогнозы спроса на две недели. По результатам сравнения представленных конкурсантами прогнозов с данными о фактических продажах была выбрана система прогнозирования спроса Goods4Cast, разработанная российской компанией Forecsys, которая показала наилучший результат.

Как происходит пробная эксплуатация системы Goods4Cast?

Наши специалисты тестируют работу системы прогнозирования спроса, которая должна контролировать качество своих прогнозов и самообучаться. При разработке системы прогнозирования была предусмотрена возможность настройки в соответствии с закупочной политикой нашей сети, и сейчас анализируя прогнозы системы и реальные продажи, специалисты выбирают оптимальную настройку системы. Пробная эксплуатация позволяет настроить систему исходя их наших потребностей, а также выявить и устранить возможные ошибки в работе системы и определить причины их возникновения.

Каким образом происходит самообучение системы?

В самом начале работы над системой был определен функционал для оценки точности прогноза. Прогноз тем точнее, чем меньше потери от недозаказа или перезаказа товара. Система сравнивает свои прошлые прогнозы с фактическими продажами и для каждого магазина и товара выбирает оптимальную модель с точки зрения минимизации функционала потерь.

Будет ли интегрироваться система прогнозирования потребительского спроса с существующими информационными системами ГК «Перекресток»?

После окончания тестового режима Goods4Cast будет интегрирована в единую автоматизированную систему заказа товаров ГК «Перекресток».

Какой эффект Вы ожидаете получить от использования системы?

Внедрение системы прогнозирования позволит ГК «Перекресток»:

  • сократить потери от неточных прогнозов спроса при закупке товара;
  • оптимизировать товарные запасы в магазинах;
  • уменьшить влияние человеческого фактора при планировании закупок.

  

 

Статья опубликована с разрешения редакции журнала «Логинфо».