Автоматизированный заказ высокооборачиваемых товаров с низкими сроками годности с использованием почасовых продаж

Для определенного типа товаров, реализуемых розничными сетями, требуется максимально возможная точность прогнозирования спроса и расчета количества к заказу. В данной статье приводится методика, которая позволяет учесть отсутствие товара в определенный момент дня в прошлом и на основании этих данных получить более точные прогнозы спроса.

Постановка и математическая модель задачи

Необходимость качественного прогнозирования спроса на товары является одним из наиболее важных условий эффективной работы очень большого спектра различных предприятий, в частности розничных сетей. Это подтверждается как эмпирически, так и в исследованиях многих авторов, таких как [1, 2].

Одним из основных параметров, используемых при автоматизированном формировании заказов на закупку, является прогноз продаж товаров. На данный момент известно множество методик, позволяющих получать их для совершенно разных типов товаров. Рассмотрим тип товаров, характеризуемый следующими свойствами:

• •    низкий срок годности (1–5 дней);

• •    средние продажи в день не менее 30–40 единиц;

• •    ежедневные поставки от поставщика или со склада;

• •    нет неснижаемого остатка;

• •    слабый тренд и месячная сезонность, но возможна ярко выраженная недельная сезонность.

Примерами таких товаров являются молоко, хлеб, отдельные виды фруктов и т. п. Данный тип товаров требует очень точных прогнозов продаж, поскольку завышенное значение может приводить к списаниям по срокам годности, а заниженное – к отсутствию товара в наличии. Любая из этих проблем, учитывая средние продажи товара в день, чревата большими потерями для компании. В данной статье описывается способ расчета прогноза продаж для таких товаров, учитывающих влияние дефицита товара в определение периоды дня.

Одним из подходов для уточнения прогноза продаж и, соответственно, автоматизированного заказа товаров, является восстановление спроса, учитывающего дефицит товара. Как правило, в таком случае используется следующие правила:

• •    если остаток товара (здесь и далее он рассматривается на основании данных в информационной системе предприятия) на утро определенного дня равно 0, то продажи этого дня в расчет не берутся (продажи возможны даже при 0, поскольку остаток в системе может быть некорректен);

• •    если продажи товара в определенный день равны остатку товара на утро плюс поставленное количество, то продажи данного дня также не учитываются в расчете (поскольку мы не знаем, в какой момент товар закончился);

• •    если продажи товара в определенный день меньше остатка на утро этого дня плюс поставленное количество, то данный день учитывается в прогнозировании.

Для товаров, описанных выше, данная методика плохо подходит по следующей причине: в случае, если какой-то период времени товар не был выложен (например, с 09:00 до 13:00), то общие продажи за день будут больше 0 и, вероятно, меньше остатка плюс поставленное количество. По описанной выше методике данный день будет рассматриваться для расчета продаж, что приведет к заниженному прогнозу. Для обычных товаров данный момент может быть сглажен следующими методами (хотя и увеличит товарный запас, с сопутствующими проблемами):

• •    задать неснижаемый остаток товара. В таком случае, при заниженном прогнозе продажи будут осуществляться за счет неснижаемого остатка, что, в свою очередь, позволит восстановить значение спроса;

• •    увеличить/задать страховой запас товара на случай колебаний спроса;

• •    увеличить кратность заказа товара.

Однако для товаров, о которых идет речь выше, такие методы плохо подходят, поскольку при больших продажах значения этих показателей также придется делать достаточно высокими, что, в конечном итоге, приведет к излишнему остатку и в перспективе – большим списаниям по сроку годности.

Алгоритм расчета количества к заказу

Задача состоит в том, чтобы рассчитать количество заданного товара, которое надо заказать на заданный магазин, чтобы только в момент последующего прихода товара остаток был равен 0. Для ее решения предлагается использовать следующий алгоритм:

• 1)    получить историю продаж товара в разрезе дата–час;

• 2)    получить коэффициенты недельной сезонности для товара, в разрезе дней недели;

• 3)    скорректировать историю продаж на коэффициенты недельной сезонности;

• 4)    получить коэффициенты часового профиля (распределение продаж по часам внутри дня), в разрезе тип дня–час, где под типом дня подразумевается, является он выходным либо рабочим днем;

• 5)    скорректировать историю продаж, полученную на этапе 3, на коэффициенты часового профиля;

• 6)    для каждого часа рассчитать доверительные интервалы, на основе экспертно заданного значения вероятности и среднеквадратического отклонения, и среднее значение;

• 7)    скорректировать историю продаж, полученную на этапе 5, заменив все значения, которые не попадают в доверительный интервал, на среднее значение для данного часа;

• 8)    для каждого часа найти среднее значение, на основе истории продаж, полученной на этапе 7;

• 9)    построить прогноз почасовых продаж на сегодня, завтра и послезавтра, на основании средних продаж в час, рассчитанных на этапе 8 и с обратной корректировкой на часовой профиль и недельную сезонность;

• 10)    на основании полученных прогнозов рассчитать следующие значения:

• а)    количество товара, которое будет продано сегодня;

• б)    количество товара, которое будет продано завтра;

• в)    количество товара, которое будет продано завтра с открытия магазина до часа поставки N ;

• 11)    рассчитать количество к заказу на основании рассчитанных выше значений, текущего остатка и уже заказанного количества.

Расчет недельной сезонности

Для корректного расчета недельной сезонности предлагается воспользоваться следующим алгоритмом:

Автоматизированный заказ высокооборачиваемых товаров с низкими сроками годности с использованием почасовых продаж

• 1)    в ру чну ю в ыбра ть ра зре з ы, которым принадлежит заданный товар. К а к п р а в и ло, в так о м к а че с тв е в ы с ту п а е т с а м т ов а р, н екоторая категория, которой он принадлежит, б ре н д и л и к ак и е - л и б о фи зи чес к и е ха рак теристи к и тов а ра (нап рим ер, в к у с ) ;

• 2)    в ру чну ю в ы б ра ть ра зре з ы, которым принадлежит данный магазин. В так о м к а чес тв е м ожет выступать сам магазин, фор м ат , горо д , с в язк а форма т –город и т. п.;

• 3)    в ру чну ю за да ть та б ли ц у приоритетов выбора следующего вида (на ос н ове в ыбра н н ых в пунктах выше разрезах) (с м. та бли ц у);

Таблица

	Магазин	Формат	Формат – Город	Город	Компания
Товар	1	2	3	7	8
Бренд	4	5	6	9	10
Категория	11	12	13	14	19
Вкус	15	16	17	18	20

• 4)    в п оряд к е при ори те тов , заданных на этапе 3, рассчитывается разрез, в ра мк а х к от оро г о п родажи д ос та точн о с т а би льн ы (что проверяется некоторым критерием). Н а п ри ме р, в к а че стве п ок аз ате ля м ожн о ис п оль зов а ть соотношение максимальных и минимальных продаж в один день недели, а в качестве критерия – от к л он е н и е бол е е 50 % в ту или иную сторону.

С п омощ ью да н н ого алг ори т ма система рассчитает максимально близкие к т ов а ру и ма га зи н у коэ ффи циенты с е зон н ос т и , н о п ри э т ом будет избавлена от лишних отклонений. Так как в статье р е чь и д е т о тов ара х с б ол ьш и ми продажами, наиболее частым итогом расчета б у д е т ра зре з тов а р – мага зин . О днак о в с лу ча е , е с ли в к а к и е -то дни в магазине были какие-либо проблемы, система автоматически выберет какой- ли б о д ру гой ра зре з ( н а п ри ме р «тов а р – формат»), внутри которого э ти п роб л е мы б у д у т с глаже н ы. Т ем не менее, данный алгоритм возможно ис п ользов а ть для лю бых тов а ров , п о к отор ым тре б у е т ся рассчитать коэффициенты недельной сезо н н ос ти .

Расчет часового профиля

Для рас че та ч а с ов ого п ро филя продаж был проведен предварительный ан а л и з д а н н ых, к от о р ый п ок а зал, что ра с ч е т ы можно проводить в разрезе типов дней недели, а не н е п ос р е д с тв е н н о дн е й н е де ли . Э то позв оли ло и с п ользов а ть б олее к о ротк у ю и с тори ю ис ход ных данных, что позво л яе т п ров од и ть р а с че т ы н а н а и более актуальных данных. Для наглядности п ри в е д е м г рафи к , н а кот ором и зо б раже н ы д ол и п род а ж каждого часа в сутках, в зависимости от дн е й н е де ли , д ля оп р е д е л е н н ого на б ор а тов а р ов и м ага зи нов (см. рисунок).

0%      10%     20%      30%     40%      50%     60%     70%     80%     90%     100%

■ 9 110 111 112 113 114 115 116 117 118 119 120 121 122

Структура продаж по часам

На данном изображении можно увидеть, что профили выходных дней (линии 6 и 7) отличаются от профилей рабочих дней (линии 1–5), но внутри данных групп профили достаточно похожи, что позволяет в дальнейшем их рассматривать как один объект.

Для более корректного расчета значений процентов в часовом профиле можно воспользоваться алгоритмом, аналогичным описанному для недельной сезонности выше. При этомследует задать другой критерий «стабильности» показателя и, при необходимости, другие приоритеты выбора.

Расчет доверительных интервалов для продаж по часам

Доверительные интервалы [3], в которые должны попадать продажи по часам, рекомендуется делать неравномерными относительно среднего значения, например:

[A – 1 · d; A + 2 · d], где A – среднее значение продаж в час, а d – среднеквадратическое отклонение.

Данная методика позволит, с одной стороны, убрать потери продаж от дефицита, с другой – позволить учесть некоторые всплески продаж.

Расчет количества к заказу

На 10-м этапе базового алгоритма мы получим следующие значения:

A – количество товара, которое будет продано сегодня;

B – количество товара, которое будет продано завтра;

C – количество товара, которое будет продано завтра с открытия магазина до часа поставки N .

Действующий остаток товара обозначим буквой D , уже заказанное количество – буквой E .

Таким образом, количество к заказу находим следующим образом:

[ A + B + C - D - E, A + B + C > D + E;

КЗ =                  ,

• [0,                A + B + C < D + E.

Заключение

В данной статье приведен алгоритм и математическая модель расчета прогноза спроса на основании данных по почасовым продажам товара. Данный алгоритм был реализован и успешно внедрен в одной из розничных сетей регионального уровня.