Цитаты из книг автора «Константин Терёхин»

Оказывается, что практически любой ассортимент можно разделить на 3 части: – Товар (услуга) для рекламы– Товар (услуга) для выручки – Товар (услуга) для прибыли

Отсюда следует, что в прогноз мая у апреля должен быть самый большой вклад (т.е. весовой коэффициент), у марта вклад меньше, а у февраля еще меньше. В сумме a, b и c равны единице. Кроме того, мы уже знаем, что a> b> c – иными словами, вклад апрельских показателей в прогноз продаж на май весомее, чем вклад марта, а последний значит больше, чем вклад февраля. Исходя из этих условий, необходимо подобрать (методом перебора) оптимальные значения для a, b, c.

Прогнозирование: скользящее среднее

Если на вашем рынке сезонность выражена слабо, то для уменьшения влияния случайных факторов на прогноз потребления (продаж) стоит использовать методику сглаживания по 5-и точкам. Все рассуждения аналогичны предыдущим расчетам. С той разницей, что мы берем интервал, равный 5-ти точкам. Последовательно слева направо, мы сглаживаем центральные точки.

Так что можно сделать однозначный вывод: корректировать статистику лучше, чем не корректировать.

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./месяцМы 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.

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?

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.

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.

К довольно экзотическому, зато легко автоматизируемому, критерию относится большой разброс коэффициентов оборачиваемости по основной номенклатуре (продукты категории А и В в терминологии АВСD-анализа). Про эти параметры мы поговорим в свою очередь.