Меню
Главная
Авторизация/Регистрация
 
Главная arrow Логистика arrow УПРАВЛЕНИЕ ЗАПАСАМИ В ЦЕПЯХ ПОСТАВОК
Посмотреть оригинал

Понятие и основные проблемы прогнозирования в управлении запасами.

Различным аспектам прогнозирования посвящено значительное количество исследований. Прогноз определяется как вероятностное научно обоснованное суждение о перспективах, возможных состояниях того или иного явления в будущем и (или) об альтернативных путях и сроках их осуществления, приводятся классификации методов прогнозирования.

На наш взгляд, для успеха в построении прогнозных оценок знаний только о способах их получения недостаточно. Важно четко разграничивать области применения разных методов прогнозирования и в зависимости от объема и характера данных быстро и безошибочно выбирать нужный в соответствии с целью получения конкретного прогноза. Одним из параметров выбора метода прогнозирования является величина ошибки модели прогноза. Так, для товаров с предсказуемым спросом ошибка прогноза должна быть небольшой, а для товаров с непредсказуемым спросом — инновационных товаров — может быть значительно выше. Средний за период производства предел ошибки прогнозирования для первой группы отмечен на уровне 10%, для второй группы — от 40 до 100%[1].

При прогнозировании логист, занимающийся управлением запасами, сталкивается с несколькими проблемами. Первая группа проблем разработки прогнозов связана с исходными данными. Возникают вопросы о том, на основе каких данных строить прогнозы, как их сгруппировать (по месяцам, неделям, дням), каково их достаточное количество, как «увидеть» в них наличие тенденции, сезонности, каков должен быть уровень агрегирования (объединения) данных и т.п. На все эти вопросы однозначно ответить сложно. Если речь идет о прогнозе независимого спроса, то исходными данными являются сведения о заказах потребителей. Часто многие организации совершают ошибку, учитывая при составлении прогнозов данные, указанные в накладных и других документах, т.е. не учитывают невыполненные заказы. Если учесть реальный спрос, то в долгосрочной перспективе удастся избежать невыполненных заказов, и через какое-то время прогнозы станут более точными. При прогнозировании расхода материальных ресурсов можно в качестве исходных данных использовать как данные о требованиях, так и данные об имеющихся остатках.

Ценность прогнозов повышается, если модели прогнозирования достаточно быстро адаптируются к появлению новых данных. Так, если мы сделаем прогноз спроса на месяц на основе данных, сгруппированных по месяцам, то в течение этого периода мы не будем способны включить оперативные данные о реальных продажах. Если данные сгруппированы по неделям, то по окончании каждой недели можно адаптировать модель или полностью ее изменить, что даст нам возможность реагировать на изменения в спросе. Часто возникает необходимость группировки данных о спросе, расходе и но дням недели. Адаптивные возможности моделей прогнозирования, построенных на таких данных, будут значительно выше. Таким образом, проблема группировки данных связана с повышением эффективности управления: наилучшие решения принимаются на основе синтеза ретроспективной информации, прогнозных оценок и оперативных данных, вовремя включенных в модели принятия решений.

Что касается агрегирования данных, то прогнозы, выполненные на более высоком уровне агрегирования, в среднем точнее прогнозов с более низким уровнем агрегирования. Сравните прогноз продаж, например, макаронных изделий в одном гипермаркете и во всех магазинах, расположенных в крупном городе. Колебания спроса в отдельных магазинах на более высоком уровне агрегирования, как правило, погашают друг друга.

Решение о том, на каком уровне агрегирования выполнить прогноз, представляет собой компромисс между повышенной степенью точности, достигаемой на более высоком уровне, и снижением точности, получаемой на более низком, т.е. необходимо выбрать какой-то промежуточный вариант, например из тех, что показаны на рис. 8.1. Большинство специалистов по управлению цепями поставок рекомендуют организациям не заниматься прогнозированием на низких уровнях в разных их точках, а выбрать необходимый уровень агрегирования.

Варианты агрегирования данных для прогнозирования

Рис. 8.1. Варианты агрегирования данных для прогнозирования1

Прогнозирование на низких уровнях агрегирования является «опасным» явлением. Эта проблема связана с появлением эффекта кнута (хлыста), или эффекта Форрестера, который приводит к тому, что небольшие изменения спроса конечных потребителей при обратном прохождении по цепи поставок усиливаются и искажаются (рис. 8.2).

Эффект Форрестера (эффект кнута)

Рис. 8.2. Эффект Форрестера (эффект кнута)

«Эффект кнута» является одной из причин появления скрытых издержек в цепи поставок. Его влияние особенно велико в ситуации, когда участники цепи поставок действуют независимо друг от друга и с минимальным обменом информацией. Другими словами, его влияние может быть снижено путем обмена данными в цепи поставок, и чем полнее и достовернее предоставляется информация партнерами по цепи, тем точнее прогнозы.

Вторая группа проблем заключается в выборе метода прогнозирования. Традиционная классификация видов прогнозов не позволяет разгра Управление цепями поставок. Справочник издательства Gower / под ред. Дж. Гаторны. М.: ИНФРА-М, 2008.

ничить области их применения в логистической деятельности, особенно в управлении запасами, где важны не краткосрочные прогнозы в пределах года (тем более не среднесрочные и долгосрочные), а прогнозы на один или несколько периодов, которые по продолжительности во много раз меньше горизонта краткосрочного прогнозирования социально-экономических процессов: на квартал, месяц, неделю, день. Поэтому в управлении запасами более целесообразно выбирать методы прогнозирования в зависимости от возможности получить прогноз на один или несколько периодов, а также адаптировать модель прогноза к появлению новых данных. Так, методы, позволяющие выполнить прогноз только на один период, — это простое экспоненциальное и арифметическое сглаживания. Прогноз на один и несколько периодов может быть выполнен с помощью трендовых моделей, экспоненциального сглаживания с двумя и тремя (при наличии сезонности) параметрами. При этом важно помнить о необходимости соблюдения следующего правила: отношение продолжительности предпро- гнозного периода и периода прогнозирования должно быть не меньше, чем 3:1. Также необходимо соотнести имеющееся количество и вид данных с требованиями к минимальному количеству исходных данных, на основе которых можно сделать прогноз тем или иным методом.

Рекомендуемое минимальное количество данных для разных методов прогнозирования приведено в табл. 8.1.

Таблица 8.1

Общие рекомендации по выбору метода прогнозирования1

Метод

прогнозирования

Наличие

тренда

Наличие

сезонности

Требования к минимальному количеству данных

Количество периодов прогноза

Несезонные

Сезонные

Один

Несколько

Экспертный

Необязательно

Необязательно

0

0

Да

Да

Наивный

Да/нет

Да/нет

1

_*

Да

Нет

Экспоненциальное сглаживание (простое)

Нет

Нет

2

Да

Нет

Арифметическое

сглаживание

Нет

Нет

4

Да

Нет

Метод Хольта

Да

Нет

3

-

Да

Нет

10

-

Да

Да

Метод экспоненциальных средних (метод Брауна)

Да

Нет

3

Да

Да**

1 Модели и методы теории логистики / под ред. В. С. Лукинского. 2-е изд.

Метод

прогнозирования

Наличие

тренда

Наличие

сезонности

Требования к минимальному количеству данных

Количество периодов прогноза

Несезонные

Сезонные

Один

Несколько

Экстраполяция

тренда

Да

Нет

3

-

Да

Да**

Да

Да

-

1 • т***

Да

Да**

Метод Винтерса

Да

Да

-

2 -т

Да****

Комбинированный прогноз (оценка среднего значения)

Да/иет

Да/иет

1

Да

Нет

Комбинированный прогноз (оценка среднего значения и отклонения)

Да/нет

Да/нет

3

Да

Нет

* «—» — метод не используется.

** Прогноз на несколько шагов возможен при соблюдении соотношения длины предпрогнозного периода и периода прогнозирования 3:1.

*** т — периодичность сезонности.

**** Прогноз на один период, содержащий сезонность (например, на 1 год поквартально).

Помимо требований, указанных в табл. 8.1, необходимо учитывать особенности применения методов прогнозирования. Так, простое экспоненциальное сглаживание нельзя применять, если динамический ряд содержит тенденцию. Если наблюдается тенденция роста, то прогноз, полученный с помощью простого экспоненциального сглаживания, всегда окажется заниженным. А если содержится ниспадающая тенденция, то прогноз, полученный данным методом, всегда будет завышенным.

Следует помнить, что часто простые методы позволяют получить более высокие результаты, чем более сложные, особенно в краткосрочном прогнозировании. Поэтому прежде всего следует сосредоточиться на «правильной» информации и ее интеграции, а не на усложнении процедуры прогнозирования.

Наиболее часто в управлении запасами используются методы прогнозирования, основанные на анализе временных рядов. Они имеют разную сложность. Так, например, если все имеющиеся данные существенны и имеют равную ценность для прогноза, можно найти среднее всех значений динамического ряда — это и будет являться прогнозом на один шаг. Такой метод можно применять при любом количестве данных при условии равноценности всех данных. Но если последнее значение динамического ряда наиболее значимо по сравнению с остальными, то оно и может быть принято как прогноз на один шаг. Это наивные методы прогнозирования, которые практически не требуют каких-либо сложных расчетов.

  • [1] Фишер М. Какая цепочка поставок оптимальна для вашего товара // Построениецепочки создания стоимости. М.: Альпина Бизнес Букс, 2007. С. 130—157.
 
Посмотреть оригинал
< Предыдущая   СОДЕРЖАНИЕ   Следующая >
 

Популярные страницы