Возможен ли точный прогноз в ритейле

Каждый, кому приходилось заниматься управлением заказами, знает, насколько это непростая, трудоемкая и зачастую неблагодарная задача. Многие на собственном опыте неоднократно убеждались, что известные методы прогнозирования не позволяют с достаточной точностью рассчитать, как в ближайшее время, а тем более в течение года будет меняться спрос на тот или иной товар на нашем нестабильном рынке. А значит, никуда не уйти от дефицитов или больших возвратов, да и планирование потребности в логистических мощностях становится довольно условным. Однако Павел ЩЕРБАКОВ, эксперт по данным вопросам, уверен, что наработанные передовыми европейскими компаниями методы позволяют делать прогнозы по широкой товарной номенклатуре более точными, причем с меньшими затратами сил и времени.

Для успешной работы торговой компании ее закупщики должны заказывать товары своевременно и в нужном количестве – так, чтобы и продажи не терять, и лишних запасов не делать. А для этого необходимо понимать, как эти товары будут продаваться в ближайшее время – т.е. нужен как можно более точный прогноз продаж. Однако точным его сделать не так-то просто, поскольку спрос постоянно меняется, и если, скажем, на прошлой неделе продукт продавался хорошо, это совсем не гарантирует, что на следующей его будут покупать так же часто.

Усложняют прогнозирование сезонность товаров, скачкообразный спрос, изменение цен, рекламные и промо-акции. Влияют на объемы продаж и различные праздники и пр. события – к примеру, выдача зарплаты в районе, где расположена торговая точка – в первые дни после нее спрос также становится более активным. Наличие хорошей базы исторических данных (как минимум за три года) позволяет отслеживать эти изменения и учитывать их при составлении прогнозов. Особенно, если в этой базе отражены не только объемы продаж, но и факторы, которые на них влияли – прежде всего, различные акции по продвижению.

Каждая компания использует какую-то систему, которая позволяет формировать заказы в соответствии с созданными прогнозами. Понятно, что делать это «вручную» при многотысячной номенклатуре практически невозможно – трудозатраты в таком случае с лихвой перекроют любой полученный результат. Поэтому процесс обычно в той или иной мере автоматизирован. Кто-то приобретает для этого специализированное ПО, кто-то использует самописные программы или делает все необходимые расчеты в Excel.
При этом специалисты отмечают, что широкому распространению в нашей стране автоматизированных систем управления заказами, особенно европейской разработки, препятствует не столько дефицит средств, сколько недостаток доверия к ним. Сравнивая опыт ритейлеров Западной Европы и Украины, нетрудно найти «три отличия», которые ставят под сомнение эффективность систем прогнозирования, хорошо зарекомендовавших себя на развитых рынках.

Это, прежде всего, широта ассортимента: в европейских странах в супер- и гипермаркетах площадью до 5 тыс. м2 он составляет около 15 тыс. позиций, а в наших сетях – от 25 до 40 тыс. При этом количество новинок при сегодняшней изменчивости украинского рынка может доходить до сотни и даже нескольких сотен в неделю, тогда как европейские ритейлеры называют цифру не более 40. Но главный источник трудностей – отсутствие базы исторических данных, ведь не у каждой отечественной компании есть полноценная статистика продаж даже за 3–4 года, тогда как в Европе она собирается десятки лет.

Поэтому чаще всего в украинском ритейле формирование заказов осуществляется в так называемом полуавтоматическом режиме, когда менеджеры по закупкам проверяют полученные в результате расчетов ИС цифры и при необходимости вносят коррективы – допустим, в начале или в конце сезона, перед акцией и по ее завершению и т.п.

Павел Щербаков о закупках в сетевом ритейле– По собственному опыту работы в отделе закупок могу сказать, что практически для 90% ассортимента объем заказов можно посчитать с помощью уравнений, а значит, это можно «поручить» компьютеру, – рассказывает П. ЩЕРБАКОВ. – А вот по остальным позициям приходится все очень кропотливо пересчитывать и перепроверять. Обычно это либо сезонные товары, либо новинки, по которым истории продаж еще нет, либо продукты, спрос на которые имеет схоластический характер. В итоге все сводится к тому, что сотрудник тратит большую часть времени на работу с 2–3 позициями.

Естественно, одна из главных целей при совершенствовании систем автозаказов – довести до автоматизации расчет потребности и, соответственно, формирование заказов и по таким «нестандартным» товарным позициям. И сегодня пути решения этой задачи уже найдены.

История в цифрах

– Изменения спроса на товар в системах прогнозирования можно выражать с помощью соответствующего коэффициента, – предлагает эксперт. – Скажем, продажи 12-й недели составляют 0,9 продаж 11-й, а 13-й – 1,2 продаж 12-й. Этот коэффициент – назовем его F – выводится на основании статистики предыдущих лет и позволяет делать прогнозы более точными. Ведь просто пролонгировать текущую тенденцию на последующие периоды можно далеко не всегда – если на прошлой неделе спрос вырос на 20%, совсем не факт, что на следующей он будет расти такими же темпами. Именно статистика подскажет, когда начнется и закончится, к примеру, сезонный или предпраздничный всплеск продаж.

Такой коэффициент от недели к неделе можно рассчитать на целый год на основании исторических данных. Это значительно облегчит процесс прогнозирования, особенно в долгосрочной перспективе. Однако при таких расчетах следует уделять особое внимание ситуациям, при которых данные о продажах могут не соответствовать реальному спросу. В частности, случаям out-of-stock, когда спрос на какой-то товар не был удовлетворен. Понятно, что коэффициент (и, соответственно, объем заказа) в таком случае нужно корректировать, чтобы снова не терять продажи. Но стоит присмотреться и к объемам сбыта возможных товаровзаменителей дефицитного – они могли в это время несколько вырасти, но когда дефицит будет ликвидирован, этот рост, скорее всего, не повторится.


То же касается различных промо-акций: они обычно влияют на продажи не только акционных, но и вариантных, а также сопутствующих товаров. Скажем, при проведении акции одним из производителей пива спрос на другие марки, скорее всего, упадет, а на сухарики, рыбку и пр. закуски несколько повысится.

– В целом промо-акции бывают двух типов – те, что проводились в прошлом и повлияли на исторические данные, и те, что планируются в будущем, – напоминает П. ЩЕРБАКОВ. – В первом случае все зависит от того, есть ли информация о проведенной акции в базе данных – тогда ее можно проанализировать, чтобы понимать, как аналогичные мероприятия могут сказаться на объемах спроса в будущем. Но такая информация есть, к сожалению, не всегда. Поэтому, анализируя статистику, важно обращать внимание на периоды заметного роста продаж – возможно, он стал результатом акции, данные о которой в базу не внесли, и в этом году не повторится, т.е. коэффициент будет другой.

По этой же причине так важно иметь графики промо-акций на период планирования – чтобы изначально, зная время их проведения, корректировать прогноз. А эта корректировка может быть весьма существенной, опять-таки, не только по акционным товарам – помимо «эффекта домино» (когда растут продажи позиций, похожих на акционные), важно учитывать и эффект каннибализации.
Так, в приведенном экспертом примере анализ показал, что в период проведения акции Coca-Cola «2,5 л по цене 2 л» спрос на Pepsi сокращается почти на 25%. При классическом автозаказе это обычно не учитывается – поскольку накануне Pepsi продавалась хорошо, ее закупают то же количество, т.е. создают излишний запас, который, как известно, стоит компании дополнительных затрат. Их вполне можно избежать, если, опираясь на исторические данные, своевременно внести изменения в прогнозы продаж и, соответственно, планы закупок.

Немало трудностей связано и с прогнозированием спроса на новинки. Первый заказ на них формируется, исходя из широты и глубины полки и, возможно, места на демонстрационных дисплеях. И продается новый товар обычно неплохо – как за счет пробных покупок, так и благодаря активному продвижению. Но как будут меняться его продажи через 2–3 недели, когда реклама и промо-акции прекратятся, сказать трудно. И в какой-то момент расчет объема заказов на него отчасти напоминает гадание на кофейной гуще – до тех пор, пока не накопится хоть какая-никакая статистика.

Объединяй и властвуй

Опираясь на базу данных о продажах и используя современные инструменты и различные методы прогнозирования, коэффициент изменения спроса (F) можно вывести практически для любого артикула. Хотя единого правила, уравнения для этого не существует – для товаров, которые продаются равномерно в течение всего года, оно будет одно, для сезонных – другое, там, где продажи растут и падают скачкообразно, – третье и т.д. Понятно, что при широком ассортименте такая работа займет немало времени и обойдется компании в круглую копеечку. А окупится ли она, если практика показывает, что с точностью 100% предусмотреть, как будет продаваться конкретный товар в отдельной торговой точке, все равно невозможно.

Но изучая принципы, заложенные в основу современных систем прогнозирования, П. ЩЕРБАКОВ увидел, что выход из этой ситуации уже найден. И состоит он в том, что работать с каждым отдельным артикулом не обязательно. Анализируя статистику продаж многих розничных операторов, специалисты пришли к выводу, что всегда можно выделить группы товаров, спрос на которые изменяется практически синхронно. И тогда коэффициент F рассчитывается не для каждого артикула, а для всей такой группы. Согласно теории больших чисел, расчет при этом значительно точнее, а погрешность прогноза, соответственно, ниже.


– На такие группы можно распределить весь товар – это было проверено практически на всех ассортиментах, – поясняет эксперт. – Причем в одной группе могут оказаться позиции, принадлежащие к разным товарным категориям, находящиеся на разных «ветвях» товарного дерева. Но коэффициент, который описывает колебания спроса на них от недели к неделе, будет один и тот же. По такому принципу работают современные автоматизированные системы прогнозирования и управления заказами, но реализовать его позволяют и инструменты, доступные большинству украинских компаний. Правда, лишь при работе с достаточно широким ассортиментом – для пары десятков артикулов это сделать невозможно.

Пример создания классификатора товара

Самая сложная и трудоемкая задача в процессе перехода на такой вид прогнозирования – собственно разделение товаров на группы. Ведь их архитектура совсем не совпадает с той, которой пользуются маркетологи. Если разделение происходит по характеру колебаний спроса, в одной группе могут оказаться позиции из разных товарных категорий – скажем, отдельные виды кондитерских и мясных изделий либо какие-то витамины и жаропонижающие средства в фармакологии. В то же время товары из одной категории нередко оказываются в разных группах – к примеру, французские и отечественные твердые сыры продаются далеко не одинаково.

При этом важно понимать, что речь идет не об объемах продаж (они могут отличаться в разы), а именно о характере их колебаний, т.е. практически в одну группу попадают товары, кривые графиков продаж которых очень похожи. Именно по этому признаку они объединяются с тем, чтобы вывести для всей группы (их еще называют семьями) единый коэффициент F. Он и ляжет затем в основу составления прогнозов – опять-таки, не для каждого отдельного артикула, а для целой семьи. Причем для каждой из них подбирается наиболее подходящий именно в такой ситуации, для такого характера колебаний метод расчета будущих прогнозов. И все это в комплексе позволяет повысить эффективность любой системы прогнозирования – хоть покупной, хоть самописной.

Как показывает практика, подобная категоризация проходит обычно в несколько этапов. Сначала на основании исторических данных весь ассортимент делится на семьи, так сказать, в первом приближении. Выводится коэффициент колебаний спроса для каждой группы, и поведение товаров в них постоянно отслеживается. Велика вероятность, что вскоре график продаж какой-то позиции покажет заметное отклонение от общего тренда. Ее нужно вывести в отдельную группу и продолжать наблюдение. Таких «неправильных» позиций будет все больше, но вполне может оказаться, что спрос на некоторые из них колеблется практически одинаково, и они образуют еще одну, новую группу.

В этой работе велика роль сотрудников отделов продаж и закупок – на поверку, они хорошо знают, как ведет себя спрос на те или иные товары в разные периоды, и этот их опыт позволит провести сортировку ассортимента быстрее и качественнее. Обычно в течение 3–6 месяцев все «нестандартные» артикулы удается выявить и перевести в подходящие семьи, прогнозирование и формирование заказов по которым ведется с помощью одних и те же уравнений, с использованием одних и тех же коэффициентов.

– Сделать прогнозы еще более точными можно, если параллельно вывести еще один график коэффициентов на основании календаря событий, влияющих на объемы продаж, – подсказывает П. ЩЕРБАКОВ. – В каждом сегменте ритейла (FMCG, строительные материалы, одежда и обувь, бытовая техника и пр.) этот календарь свой: где-то больше «играют» праздники, где-то – погодные условия или еще что-то. Важно только по возможности внести в эти графики и промо-акции, ведь они также заметно влияют на спрос. А дальше, умножая коэффициент F, выведенный системой, на коэффициент события, можно сделать прогноз еще более точным и, с одной стороны, не терять продажи на пиках, а с другой – не закупать и не завозить в магазины лишний товар, который все равно не будет продан.

Еще одно важное преимущество, которое дает подобная система прогнозирования – возможность практически сразу вывести коэффициент колебаний спроса для новинок на основании того, в какие семьи они попадают. Принципиально новые товары появляются сегодня редко – как правило, производители предлагают новый вкус или новую упаковку, но сам по себе товар априори принадлежит к какойто из существующих групп. И спрос на него после окончания акционного периода будет подчиняться тем же правилам, а значит, составлять прогнозы и формировать заказы можно с использованием того же коэффициента. Правильность такого решения вполне можно проверить в первые 2–3 недели. А параллельно проследить, как появление новинки повлияло на продажи всей группы, ведь она, скорее всего, будет отбирать часть продаж у подобных продуктов. Со временем по итогам таких наблюдений можно вывести и определенные коэффициенты взаимозаменяемости артикулов, которые еще больше облегчат работу с новинками.

Анализ продаж

 

Пример графика колебаний закупок в семье

В автоматическом режиме

– По такому принципу работают лучшие современные системы прогнозирования и управления заказами, в частности, – продолжил свой рассказ П. ЩЕРБАКОВ. – Они способны автоматически переводить товар в нужную группу, подбирать для каждой их них наиболее подходящие математические инструменты и высчитывать, сколько должно быть продано каждого товара, к этой группе отнесенного. Они анализируют все поступающие данные и тут же дают рекомендации, на что нужно обратить внимание – скажем, на недостаток исторических данных по какому-то продукту, скачкообразные продажи в последнее время, прогнозируемые акции и т.д. Благодаря этому пользователь может своевременно внести поправки в настройки группы для того, чтобы прогнозы продаж и, соответственно, сформированные автоматически заказы были более точными.

В качестве примера эксперт рассказал о проекте внедрения системы в одной из отечественных розничных компаний, у которой была всего 3-летняя история продаж. Тогда сопоставление всех артикулов и распределение их по группам длилось порядка трех месяцев, причем команда внедрения активно сотрудничала с отделом закупок. В финале заказы, которые формировались в автоматическом режиме, были намного точнее, чем те, которые люди пробовали делать «вручную», а новинки сразу попадали в «свою» семью, что позволяло довольно точно прогнозировать изменения спроса на них.

При этом штат отдела закупок сократился наполовину – с 30 до 15 человек. Такого количества людей было вполне достаточно, поскольку им не приходилось перепроверять и пересчитывать заказы – теперь их задача сводилась к тому, чтобы реагировать на так называемые тревожные сообщения системы. Они появляются, когда в какой-то из групп обнаруживаются отклонения (скажем, резкий рост продаж в прошлом году, который не отмечен как промо-акция), и система тут же дает 4–5 рекомендаций, что в этом случае нужно сделать и проверить.

Но основной эффект внедрения заключался в том, что без каких-либо дополнительных мероприятий, только изменив систему прогнозирования, компания смогла сократить количество остатков на складе примерно на 30% (в деньгах), а расходы на хранения уменьшить на 5%. Кроме того, благодаря качественному долгосрочному прогнозированию появилась возможность делать инвестиционные закупки и получать на этом дополнительный доход.

Значение прогноза

Безусловно, внедрение современных IT-систем – мероприятие не из дешевых. Да и реализация используемых в них инструментов своими силами потребует значительных затрат сил, времени и средств. Оправдают ли они себя, зависит от того, какое значение придается в


Первый ответ, который лежит на поверхности, – чтобы выставлять более точные заказы поставщикам, обеспечить своевременное наличие товаров на полке и не терять продажи. Но на самом деле это только верхушка айсберга, ведь в современных условиях конкурентоспособность компании в немалой степени зависит от того, с какими затратами это наличие обеспечивается, т.е. от стоимости логистики. А она будет заметно ниже, если не возить и не хранить лишнего, и, соответственно, сократить количество возвратов.
Зная, когда, сколько и какого товара необходимо доставить в распредцентр и в магазины, можно более взвешенно планировать работу логистических подразделений – как склада, так и транспорта. В приведенном примере уровень обслуживания РЦ после внедрения новой системы прогнозирования вырос до 99,5%. Конечно, это еще не гарантия, что на торговой полке оказывается именно тот товар, который хочет приобрести потребитель – для этого нужно идти дальше и формировать заказы на поставки в РЦ также на основании прогнозов продаж, сформированных магазинами.

– Важным фактором в процессе оптимизации логистики является и частота поставок, – констатирует эксперт. – Заказы поставщикам так или иначе создаются – хоть вручную, хоть полуавтоматически или автоматически, и товар затем нужно доставить в распредцентр и развезти по магазинам. Как это сделать с наименьшими затратами – обычно вопрос логистов. Но на самом деле он отчасти сдвигается на момент выставления заказов. Многое, конечно, зависит от договоренностей с поставщиками, плеча доставки и сроков реализации товара, но зная наперед, сколько товара понадобится, частоту и объемы поставок можно рассчитать так, чтобы транспортные и складские затраты в сумме были минимальными.

Есть, конечно, масса транспортных систем, которые помогают делать такие расчеты, но информация, выходящая из системы управления заказами, должна быть подготовлена к этому – так, чтобы заказанный объем легко можно было разбить по тракам и понять, как они поедут, а при необходимости предусмотреть сборку товаров в нескольких местах от нескольких поставщиков. Для этого, очевидно, можно ввести какие-то ограничения по объемам и срокам заказов.

Впрочем, качественный долгосрочный прогноз позволяет планировать и инвестиционные закупки, соразмеряя скидки, которые можно получить при этом, и экономию на транспорте с будущими затратами на хранение (учитывая, в какие сроки весь закупленный товар будет продан). Хотя в условиях украинской действительности, при нестабильной экономике, колебаниях курсов валют и, соответственно, цен просчитать это довольно сложно. Тем не менее, в проекте, о котором шла речь выше, за счет таких спекулятивных закупок доходность компании повысилась на 1%.

И напоследок П. ЩЕРБАКОВ коснулся вопроса исторических данных, которые необходимы для прогнозирования. Не секрет, что большинство украинских бизнесов не имеют подробной многолетней статистики. Разбиение ассортимента на группы по характеру спроса помогает снять остроту этой проблемы, поскольку позволяет прогнозировать объемы продаж и тех товаров, истории по которым нет. Если делать расчеты поартикульно, понадобится длительное время, чтобы вывести какую-то закономерность, и все равно практически нереально предсказать, как поведет себя конкретный продукт. Но группа подобных товаров ведет себя одинаково, и задача значительно облегчается, если сформировать такие группы и подобрать формулы расчета для каждой из них. Вопрос лишь, сколько времени на это потребуется.
А он неразрывно связан с другим вопросом: как компания использует свои данные о продажах и готова ли меняться ими с поставщиками. Кроме того, есть такие международные аналитические компании, как, к примеру, Nielsen, которые собирают статистику производителей, дистрибьюторов и ритейлеров во всем мире – с ними тоже можно наладить обмен. Ведь чем больше информации, тем точнее будут результаты ее анализа.

Это подтверждает еще один пример из практики. В одном из проектов по данным компании определенный товар продавался слабенько, а данные Nielsen показывали, что рынок в целом торгует этим же товаром намного лучше. Стали проверять, в чем дело, и оказалось, что именно по этому артикулу в сети периодически были аутофстоки, в то время, как другие завозились с избытком. Т.е. получалось, что компания торговала не тем, что люди хотели покупать. Внеся соответствующие изменения в планы закупок, ритейлер смог заметно увеличить общие объемы продаж. Вряд ли это удалось бы сделать, не имея подробной и достоверной информации по рынку.

– Так что в целом сделать прогнозы продаж и, соответственно, объемы заказов более точными и взвешенными – задача вполне выполнимая, – резюмировал П. ЩЕРБАКОВ. – Нужно только подойти к этому вопросу системно. По большому счету, это вопрос целей и ресурсов. Но ведь цель любой компании – увеличивать свои доходы. А чтобы заработать, т.е. продать, надо сначала купить именно то, что продается.

Другие публикации автора: