МДМ-Комплект: Система аналитического планирования и автозаказа

февраль 2013Оптовая торговля

Постановка задачи

Выбор аналитического программного обеспечения был обусловлен тем, что большую часть времени аналитик проводил над расчетами в MS Excel. Для отказа от рутинной работы нужен был гибкий инструмент, позволяющий организовать автоматическую обработку данных: построение нескольких моделей прогнозирования выручки, реализация автозаказа, настройка оперативных отчетов и т.п. После анализа рынка аналитических продуктов выбор остановился на платформе российского производства Deductor.

Решение

На базе Deductor была разработана система аналитического планирования и автозаказа. Далее пойдет речь о подробной реализации этих задач и полученных результатах.

1. Планирование выручки

Этап 1. Подготовка данных.

Из хранилища данных были взяты приходы денежных средств от покупателей за последние 3 года. На первом этапе расчета необходимо было грамотно подготовить данные для прогноза, так как от этого напрямую зависит качество прогноза. Для очистки и поправки исходных данных на сезонность была проведена корректировка аномальных значений. Отдельный момент в очистке уделялся сглаживанию фактических данных. Для этого был реализован метод, в котором значения исходного ряда делились на значения сезонного индекса. Сглаженные данные приведены на рисунке. Красным цветом изображены фактические значения; синим цветом изображены сглаженные значения.

В ходе расчета прогнозных значений также применялся обработчик «Парциальная обработка» для сглаживания данных и удаления аномальных значений, которые могли появиться в промежуточных значениях.

Этап 2. Расчет прогнозных моделей

Решение задачи основано на реализации нескольких моделей планирования выручки:

• Скользящее среднее по 3- 6 предыдущим периодам;
• Линейная Регрессия;
• Мультипликативная модель.

Все модели были разработаны с помощью инструментов Deductor, и на их основании можно было строить прогноз на будущие периоды времени.

Этап 3. Расчет ошибки

Для каждой модели была рассчитана средняя и максимальная абсолютная ошибка. Их значения приведены в таблице 1.

Этап 4. Выбор наилучшей модели прогнозирования

Выбираем модель с минимальной ошибкой. В нашем случае - это среднее с глубиной погружения на 6 месяцев. Наилучший прогноз приведен на рисунке.Прогноз по среднему значению для 6 периодов. Зеленым цветом изображены фактические значения; красным цветом изображен прогноз.

2. Автоматический заказ с центрального склада

Для реализации данной задачи анализировалась история продаж за последние 6 месяцев.

Как и при выполнении первой задачи сначала данные предварительно обрабатывались. Во временных рядах анализировались пиковые продажи по организациям. Их значения корректировались путем замены на среднее значение продаж по организации без учета пика.

Похожим способом производилась корректировка дефицита. Вначале проверялось наличие позиции на каждый день. В те дни, когда продаж не было, данные заменялись средним значением. Оно рассчитывалось для дней продаж позиций, в которых товар присутствовал в магазине в достаточном количестве.

Далее вычислялся потоварный прогноз продаж на следующий месяц. Использовалась нехитрая формула: скорректированные продажи делились на сезонный коэффициент месяца, и далее значение умножалось на сезонный коэффициент будущего месяца.

После этого рассчитывался среднедневной доход.

Потоварный прогноз считался по дням, т.е. прогноз на месяц делился на количестве дней в месяце. На следующем шаге выбирался горизонт прогноза - в нашем случае 45 дней от текущей даты. Получали для каждой позиции дневной прогноз на 45 дней. После этого значения прогноза суммировали с помощью обработчика «Группировка» и рассчитывали итоговый прогноз для каждой позиции.

Полученные значения сравнивались с текущим свободным остатком и товаром в пути. Если рассчитанные показатели указывают на нехватку товаров, то соответственно проводился дозаказ.

Результаты внедрения

Благодаря использованию Deductor были достигнуты следующие результаты:

1. Повышение качества прогнозирования данных. Deductor дал возможность реализовывать несколько моделей прогнозирования, выбирать наилучшую из них, что повлияло на точность прогноза в лучшую сторону. В прошлом ошибка прогноза для некоторых позиций могла достигать 200-300%. В настоящее время ошибка составляет от 5% (для продаваемых на регулярной основе позиций) до 50% (для позиций спорадического спроса).
2. Снижение трудозатрат наших сотрудников на обработку данных. Для получения результатов необходимо только загрузить новые данные, и модели сами все автоматически рассчитают. Ежедневные длительные расчеты в MS Excel теперь в прошлом. Мы используем гибкий инструмент бизнес-аналитики на базе Deductor. Внедрение данного решения позволило сократить время на расчеты данных аналитиком с 10 дней до 2 часов! Поэтому в настоящее время работа аналитика направлена на оптимизацию существующего алгоритма прогнозирования и выявление узких мест, влияющих на точность прогноза.

Перспективы

Deductor обеспечил широкий функционал аналитических инструментов. Реализация новых задач, облегчающих работу аналитиков, в частности реализация алгоритмов распределения по торговым точкам и системы прогнозирования по товарным запасам являются перспективными направлениями развития системы.