Повышение точности (при низком коэффициенте оборачиваемости) и его финансовое воздействие

Жоаннес Верморель, февраль 2012 г.

Более точное прогнозирование спроса обеспечивает заметную экономию средств, когда речь идет о запасах. В данной статье мы расскажем об экономии для «товаров с коэффициентом оборачиваемости ниже 15». Благодаря более точным прогнозам мы стремимся снизить уровень запасов, при этом сохраняя количество случаев отсутствия товаров на прежнем уровне.

Для товаров с высоким коэффициентом оборачиваемости мы рекомендуем использовать альтернативную формулу экономии средств, по которой основные усилия идут на снижение количества случаев отсутствия товара, тогда как уровень запасов остается прежним.

Формула

Начнем с конечного результата (подробное обоснование формулы приводится ниже). Введем следующие переменные:
  • $V$ — итоговая стоимость запасов.
  • $H$ — стоимость хранения запасов за год (в процентах); это сумма всех расходов, связанных с запасами.
  • $\sigma$ — ошибка прогнозирования работающей системы, выраженная в «общей САО» (средней абсолютной ошибки). Определение данной величины приведено ниже.
  • $\sigma_n$ — ошибка прогнозирования новой системы (меньше $\sigma$).

Ежегодная прибыль от пересмотра прогнозов $B$ выражается как: $$B=V H \left(\sigma - \sigma_n \right)$$

Общая САО

Приведенная здесь формула работает при условии, что ошибки измеряются по времени выполнения заказа и выражаются одинаково в процентах от общего объема продаж за время выполнения заказа.

Мы настоятельно «не рекомендуем пользоваться САОП» в данном случае, несмотря на то, что САОП (средняя абсолютная ошибка в процентах) подходит под определение. Если среди запасов есть товары с низким коэффициентом оборачиваемости, САОП выдает неправильные показатели. Поскольку данная статья посвящена именно таким товарам, мы будем рассматривать только случаи, когда они есть в наличии.

Чтобы рассчитать «общую» САО (то есть однородную по процентам), давайте введем следующее:
  • $y_i$ — действительный спрос на товар $i$ за время выполнения заказа.
  • $\hat{y}_i$ — прогноз спроса на товар $i$ за время выполнения заказа.

Для состоятельности расчетов примем, что для всех товаров используется одна и та же дата начала прогнозирования $t$. Общая MAE для набора товаров $i$ может быть представлена как: $$\sigma = \frac{\sum_i |y_i - \hat{y}_i|}{\sum_i y_i}$$ Значение данной формулы «однородно по процентам и функционирует как САО». В отличие от САОП данная формула не выдает ошибки из-за товаров с низким коэффициентом оборачиваемости, то есть товаров, для которых за рассматриваемый период $y_i = 0$ .

Пример применения на практике

Возьмем большую розничную сеть профессионального оборудования, которая может снизить ошибки в прогнозах на 20 % с помощью новой системы прогнозирования.

  • $V = 100 000 000$ € (100 миллионов евро)
  • $H = 0,2$ (ежегодные расходы на хранение запасов — 20 %)
  • $\sigma=0,2$ (ошибка старой системы — 20 %)
  • $\sigma_n=0,16$ (ошибка новой системы — 16 %)

По формуле, приведенной выше, мы получаем прибыль $B=800 000$&euro (800 000 евро) в год.

Обоснование формулы

Чтобы обосновать результат, полученный выше, давайте введем «систематическую понижающую ошибку» в процентах от $\sigma - \sigma_n$ на все прогнозы новой системы. Благодаря такой ошибке мы сможем:
  • повысить объем запаса товаров, которых заказано недостаточно на $\sigma - \sigma_n$ процентов.
  • сократить объемы излишних заказов (количественные показатели не определены).

Если не учитывать улучшение качества прогноза за счет снижения излишков, мы увидим, что в худшем случае точность новой (ошибочной) системы прогнозирования снижается на $\sigma - \sigma_n$ процентов, что приводит к тому, что общая точность меньше или равна $\sigma$.

Затем обратим внимание, что общий объем запасов $V$ «пропорционален основному спросу». Это характерно для использования модели определения уровня запасов с применением резервного запаса, но в целом действительно и для альтернативных методов.

Снижая прогнозы на $\sigma - \sigma_n$ процентов, мы снижаем объем запасов $V$. Затем, поскольку точность ошибочной системы остается ниже $\sigma$, частота случаев отсутствия товара также должна быть ниже, чем у старой системы.

Наконец, мы показали, что на основании более точного прогноза можно снизить уровень запасов на $\sigma - \sigma_n$ процентов, что не приведет к более частым случаям отсутствия товара, потому что прогнозы будут точнее или такими же точными, как и в старой системе.

Таким образом, снижение уровня запасов можно выразить как $V \left(\sigma - \sigma_n \right)$. С точки зрения ежегодных расходов на хранение $H$ данное снижение обеспечивает экономию в $B=V H \left(\sigma - \sigma_n \right)$.

Частые ошибки относительно расходов на хранение запасов

Переменная $H$ должна включать в себя «все расходы, связанные с хранением запасов». Мы часто сталкиваемся с ошибкой, когда значение $H$ берется от 4 % до 6 %. Данные цифры отражают только расходы компании на оборотный капитал, которые покрываются за счет банковских кредитов.

Очень просто превратить деньги в запасы, превратить запасы обратно в деньги гораздо сложнее.
Очень часто расчет финансовых расходов не отражает действительные расходы на хранение запасов.
  • Так, хранение само по себе обычно добавляет от 2 % до 5 % расходов ежегодно.
  • Расходы на моральный износ товара достигают 10 – 20 % в год практически для всех промышленных товаров.

Таким образом, к расходам на сохранение запасов большинства товаров имеет смысл добавить еще 20 % в год.

Особенности Lokad

Квантильные прогнозы обычно дают более точные результаты для товаров с низким коэффициентом оборачиваемости. Классические прогнозы работают плохо и «выдают ошибки», когда речь идет о неустойчивом спросе на товар.