Как можно улучшить ваши показатели и процесс прогнозирования без сложных алгоритмов?

Как улучшить прогнозирование без сложных алгоритмов?

Разработка описательной аналитики может помочь выявить области фокусировки для улучшения ключевых показателей эффективности планирования спроса и процесса

Фото Лукаса Блажека на Unsplash

Введение

Планирование спроса находится в самом центре процесса интегрированного бизнес-планирования (IBP). Результаты этой стадии являются основой для других стадий (например, планирования поставок, планирования производства). Эта стадия обычно начинается с генерации статистического прогноза на основе исторических продаж и его комбинирования с продажными данными для получения начального базового прогноза. Этот прогноз затем уточняется для получения консенсусного прогноза после его рассмотрения и согласования с заинтересованными сторонами в продажах и маркетинге. В этой фазе IBP мы обычно отслеживаем точность и отклонение прогноза в качестве ключевых показателей эффективности (KPI). Команды поставок, продаж и маркетинга могут тратить значительное время и усилия (и деньги) для получения правильного прогноза, часто инвестируя в дорогостоящие инструменты прогнозирования. Хотя, безусловно, полезно иметь набор передовых алгоритмов для улучшения точности прогноза, описательная аналитика, основанная на исторических данных о продажах и прогнозах, также может помочь оптимизировать процесс планирования спроса и улучшить KPI.

Зачем нам нужна такая аналитика?

В основном, аналитика служит двум основным целям:

1) Она помогает распознавать возможности для улучшения KPI

2) Она помогает выявлять этапы процесса с неэффективностью

Например, сравнение точности прогноза продаж с точностью статистического прогноза для каждого продукта и клиента может помочь понять, где тратить время на сбор информации о продажах дает более точные результаты, чем системный статистический прогноз. Команда по продажам может сосредоточиться только на этих конкретных элементах, экономя время и усилия, при этом генерируя лучший прогноз.

Аналитика также помогает передать четкое сообщение руководству о действенных мероприятиях. Вместо попыток разобраться в неясных данных KPI, аналитика выделяет конкретные области для улучшения, а также успешные сущности, чтобы использовать полученные знания по всему бизнесу. Это очень эффективно в получении поддержки руководства для работы над конкретными, осязаемыми целями.

Проектирование аналитики

Один из более интуитивных подходов – рассмотреть отдельные компоненты процесса планирования спроса (рисунок 1) и разработать описательную аналитику для каждого из этих подпроцессов.

Рисунок 1. Процесс планирования спроса

* Все изображения в этой статье, если не указано иное, принадлежат автору

Сначала мы анализируем исторические продажи и удаляем выбросы. На этапе генерации статистического прогноза исторические продажи, скорректированные на выбросы, используются для генерации системного прогноза. На следующем этапе команды по продажам собирают обратную связь от клиентов или предоставляют свою оценку спроса, которая становится прогнозом продаж. Статистический и продажный прогнозы вместе с историческими продажами, информацией о специальных событиях анализируются менеджером по спросу с использованием аналитических панелей для получения базового прогноза. Базовый прогноз рассматривается заинтересованными сторонами в командах продаж, маркетинга и планирования поставок на регулярном совещании (часто ежемесячно или еженедельно) для согласования консенсусного прогноза. Все заинтересованные стороны рассматривают аналитику на этом совещании, чтобы установить конкретные действия. После этого обсуждения ограничения поставок (если таковые имеются) включаются в прогноз для получения конечного прогноза.

Перед внедрением аналитики необходимо определить ее детализацию. Различные бизнес-юниты внутри организации могут планировать свой спрос, поставки и логистику на разных уровнях продукта и клиента. Планирование продукции может осуществляться на уровне SKU, семейства товаров (или другого уровня) в зависимости от производственной структуры. Планирование клиентов может проводиться на уровне отдельного клиента или сегмента рынка и других уровней в зависимости от настройки учетных записей. Вместо разработки и показа описательной аналитики для каждой отдельной сущности может быть целесообразно разработать гибкость выбора уровней, на которых вы хотите видеть анализ и информацию. Проектирование аналитики также определяется KPI, которые мы хотим улучшить. В этой статье мы сосредоточимся на описательной аналитике на основе объема, которая поможет улучшить среднюю взвешенную абсолютную процентную ошибку (MAPE) в качестве показателя точности прогноза.

Аналитические шаблоны

В этом разделе мы рассмотрим описательную аналитику, которая использует прогнозы и исторические продажи (факты) при расчетах. Следует отметить, что все прогнозы и факты относятся к объемам продаж на выбранной детализации. Выбранные детализации (в терминах иерархий продуктов и клиентов, исторических временных периодов, типов прогнозов и т. д.) на приведенных ниже визуализациях являются просто примерами и могут быть обновлены для соответствия деловым настройкам. Синие блоки в верхней части каждой визуализации – это выпадающие списки, где пользователь может выбрать несколько элементов (за исключением Display Entity, где можно выбрать только одну сущность). Display Entity – это уровень, на котором осуществляется визуализация анализа. Период времени обозначает наиболее последний прошлый период (в месяцах в приведенных в этом разделе примерах), по которому выполняется анализ.

I. Масштаб и изменчивость спроса

Рисунок 2. Масштаб и изменчивость спроса

На рисунке 2 мы отображаем фактические продажи на уровне SKU за последние 12 месяцев. Это отображается в виде “ящика с усами”, выделяющего медиану, 25-й и 75-й процентили, минимум и максимум продаж за исторический период времени.

Познание(я): “Ящики с усами”, как показано на рисунке 2, дают представление о масштабе спроса (обозначенного медианой) за исторический период времени и изменчивости спроса, выраженной с использованием интерквартильного размаха (IQR). Мы можем выбрать сортировку по медиане или IQR, чтобы идентифицировать элементы с наибольшим объемом или наибольшей изменчивостью, соответственно.

Действие(я): Обычно мы сосредотачиваем свои усилия на прогнозировании товаров с большим объемом и большой изменчивостью, используя статистический прогноз для товаров с низким объемом или низкой изменчивостью.

II. Парето исторических продаж

Рисунок 3. Парето исторических продаж

На рисунке 3 мы строим график фактических продаж, сделанных каждым клиентом за последние 6 месяцев.

Познание(я): Диаграмма на рисунке 3 показывает клиентов, перечисленных рядом в порядке убывания объема продаж за 6 месяцев. Этот вид также позволяет нам рассчитать накопленные продажи за этот прошлый период для набора клиентов.

Действие(я): Часто малый процент клиентов отвечает за большинство спроса (правило 80-20). Было бы разумно сосредоточиться на прогнозировании этих товаров для более высокой отдачи от вложения времени.

III. Постоянные неэффективные показатели

Рисунок 4A. Отклонение прогноза от фактических данных (сырые)
Рисунок 4B. Отклонение прогноза от фактических данных (абсолютные)

На рисунках 4A и 4B мы рассматриваем сырое и абсолютное отклонение прогноза от фактических данных, соответственно, на уровне SKU, суммированное за последние 6 месяцев.

Познание(я): Положительные отклонения на рисунке 4A показывают области, где мы последовательно прогнозируем слишком высокий спрос, а отрицательные отклонения выявляют товары, на которых наблюдается постоянное недопрогнозирование. Вторая диаграмма (рисунок 4B) показывает, где мы ошибаемся в прогнозировании времени для товара (периодически пере- и недопрогнозированный).

Действие(я): В идеале, мы должны снижать прогноз для товаров с постоянным положительным смещением и увеличивать прогноз для товаров, которые постоянно недопрогнозируются, если деловые условия не изменились. Для товаров, в которых нам не удается правильно уловить время, мы можем сотрудничать с клиентами, чтобы понять коренные причины и лучше уловить время.

IV. Сегменты товаров на основе точности прогноза

Рисунок 5. Отклонение между ошибкой прогноза продаж и статистической ошибкой прогноза

На рисунке 5 показано отклонение между ошибкой прогноза продаж и статистической ошибкой прогноза для комбинации SKU-клиент, агрегированной за последние 6 месяцев.

Инсайт(ы): Положительное смещение на рисунке 5 показывает, где прогноз продаж имел более высокую кумулятивную ошибку за 6 месяцев, чем соответствующий статистический прогноз. Отрицательные отклонения показывают, где корректировки продаж делают прогноз лучше статистического прогноза (т.е. кумулятивная ошибка прогноза продаж ниже кумулятивной статистической ошибки прогноза за выбранный период времени).

Действия: Чтобы улучшить метрики, мы бы использовали статистический прогноз для товаров с положительными отклонениями и прогноз продаж для сущностей с отрицательными отклонениями. Опять же, это при условии стабильности бизнес-условий.

V. Выбросы на основе последних продаж

Рисунок 6. Отклонение прогноза от последних продаж

На рисунке 6 исследуется отклонение прогноза продаж на следующий месяц от среднего значения за последние 3 месяца.

Инсайт(ы): Положительные ошибки на рисунке 6 показывают, где мы делаем перепрогнозирование по сравнению с последними продажами, в то время как отрицательные отклонения показывают, где мы ожидаем, что продажи будут намного ниже, чем в последнее время.

Действия: Мы хотели бы тщательно изучить выбросы и проверить, является ли прогноз несоответствующим или была ли аномалия в последних продажах, и при необходимости скорректировать прогноз.

VI. Выбросы на основе роста и сезонности

Рисунок 7A. Отклонение прогноза от ожидаемых продаж на основе темпов роста
Рисунок 7B. Фактические показатели и темпы роста прогноза

Для этих визуализаций мы обычно выбираем семейство товаров или более высокий уровень, так как более низкий уровень атрибута (например, SKU) может привести к шуму в темпах роста. По той же причине мы склонны рассматривать выбросы на квартальной основе, а не на месячной. На рисунке 7A мы рассматриваем семейства товаров с отклонением прогноза продаж от ожидаемых продаж во втором квартале. Ожидаемые продажи во втором квартале являются результатом произведения последних доступных продаж во втором квартале и среднего темпа роста продаж во втором квартале за несколько лет. На рисунке 7B мы подробно изучаем темпы роста (%) для нескольких кварталов, сравнивая их с темпами роста за последние 3 года.

Инсайт(ы): Положительные ошибки на рисунке 7A показывают, где мы делаем перепрогнозирование по сравнению с ожидаемыми продажами, учитывая средний годовой темп роста и сезонность, в то время как отрицательные отклонения показывают, где мы ожидаем, что продажи будут ниже, чем ожидаемый скорректированный годовой темп роста, учитывающий сезонность. При более подробном изучении семейства товаров (например, PF21) на рисунке 7B мы обнаруживаем, что ожидаемый темп роста во втором квартале следующего года значительно ниже среднего темпа роста во втором квартале за последние 3 года и требует дальнейшего изучения.

Действия: Наиболее значительные отклонения (положительные и отрицательные) необходимо рассмотреть, чтобы понять, почему прогнозы не соответствуют ожидаемому росту и сезонности, и внести соответствующие корректировки.

VII. Выбросы цены и объема

Рисунок 8. (Нормализованная) Цена по сравнению с объемом

На рисунке 8 мы строим нормализованную цену относительно объема для семейства продуктов PF23. В то время как цена нормализуется с использованием цены соответствующего питания «Feed3», объем не нормализуется, так как у нас может не быть данных о общем спросе на отрасль на эту или сравнимую семью продуктов. Для исторических периодов используются исторические цены и объемы для построения диаграммы рассеяния, в то время как прогнозные цены и объемы используются для создания прогноза нормализованной цены и объема с прогнозным характером.

Инсайт(ы): Диаграмма рассеяния показывает, как цена (нормализованная) и объем (нормализованный) взаимосвязаны на разных гранулярностях. Хотя это приближает, как объем меняется с изменением цены (обратите внимание, что нормализующие сущности сами по себе являются приближениями), диаграмма может помочь выявить аномалии прогноза (например, слишком высокий прогнозируемый (нормализованный) объем для заданной прогнозируемой (нормализованной) цены, при сравнении с (нормализованной) исторической тенденцией цены и объема).

Действие(ия): Мы изучаем аномалии прогноза на диаграмме цены против объема для горизонта прогнозирования и анализируем исторический деловой контекст и текущие рыночные условия спроса и предложения, чтобы оценить, оправданы ли значения аномалий. Если нет, объемы или цены корректируются, чтобы привести прогнозы в соответствие с историческими тенденциями.

VIII. Сущности с последовательным ухудшением или улучшением прогноза со временем

Рисунок 9A. Разница между прогнозом и фактическими данными (необработанные)
Рисунок 9B. Элементы с наименьшей ошибкой для выбранного прогноза
Рисунок 9C. Сравнение прогнозов с отставанием с фактическими данными

На рисунке 9A мы анализируем производительность прогноза Lag2Final (прогноз, завершенный за 2 месяца до месяца с анализируемыми фактическими данными) на уровне SKU за последние 6 месяцев. Далее мы также исследуем продукты семейства, у которых наибольшая абсолютная ошибка прогноза Lag2Final за 6 месяцев, как показано на рисунке 9B. Чтобы понять тенденции для каждого из этих элементов, мы строим различные прогнозы с отставанием относительно фактических данных на рисунке 9C.

Инсайт(ы): Из рисунка 9A мы можем определить сущности, которые последовательно прогнозируются с переоценкой или недооценкой на основе положительных или отрицательных ошибок соответственно. Рисунок 9B показывает элементы, имеющие наивысшую точность для выбранного прогноза Lag за определенный период времени. Мы исследуем каждый элемент из таблицы на рисунке 9B, чтобы понять, как он выполнился по сравнению с другими прогнозами Lag за прошлый период, как показано на рисунке 9C.

Действие(ия): Мы хотели бы уменьшить ошибку для всех прогнозов Lag и, следовательно, сосредоточиться на плохо выполняющихся элементах для всех этих прогнозов. Еще один действенный момент – изучить наиболее стабильный прогноз Lag с наилучшей точностью на любой интересующей нас гранулярности и использовать его для будущих справок. Например, если прогноз ухудшается при переходе от Lag3Final к Lag2Final к Lag1Final для любого элемента, мы сначала хотели бы понять коренную причину – если она считается неправильными обновлениями прогноза, не связанными с какой-либо бизнес-аномалией, мы можем просто прекратить обновление прогноза после Lag3Final для конкретного элемента.

Резюме

Хотя мы обсудили ряд ключевых аналитических инструментов для описания планирования спроса, они не являются исчерпывающими. Например, подробный список можно найти здесь. Однако важно учитывать компромисс между слишком большим и слишком малым количеством аналитики. Слишком мало не предоставляет достаточно информации, а слишком много занимает много времени и усилий, противоречащих исходной цели управления прогнозами с помощью исключений. Цель состоит в том, чтобы искать согласованность в выводах из различных аналитических инструментов. В конце дня, независимо от количества аналитики, мы хотим использовать их для выявления областей, требующих дополнительного внимания для улучшения процесса планирования спроса и точности прогноза организации.

Спасибо за чтение. Надеюсь, это было полезно. Не стесняйтесь присылать свои комментарии на rkumar5680@gmail.com. Давайте свяжемся в LinkedIn