Как точность алгоритма прогнозирования позволяет оптимизировать страховые запасы

Сергей Кравченко, Старший аналитик данных, Beltel Datanomics

Для улучшения автозаказа одним из важнейших факторов является прогноз спроса. Как правило, для ритейла необходимо прогнозирование на уровне SKU в магазине.

Одна из метрик, которую используют для оценки качества прогноза – среднеквадратичная ошибка (RMSE), которая определяется следующим образом:

 

Q(t) – продажа товара за определенный день t

F(t) – прогноз продаж товара на день t

Страховые запасы и уровень сервиса

Среднеквадратичная ошибка позволяет оценивать качество алгоритма. Однако у этой величины есть еще одно полезное применение, её используют для формирования страховых запасов.  Страховые запасы используются для управления ожидаемого дефицита товара. Так как спрос – случайная величина, то любой из современных алгоритмов прогнозирования будет давать прогноз с ошибкой.

Обычно среднее отклонение между реальным спросом и прогнозом за продолжительный промежуток времени равно нулю. Закон распределения отклонения прогноза от спроса принято считать нормальным, ширина распределения определяется среднеквадратичной ошибкой. Если прогноз спроса не смещен относительно средних продаж товара, то распределение отклонения прогноза от спроса выглядит так:

Рисунок 1

Для простоты используем распределение со среднеквадратичным отклонением, равным единице. Случаи, когда значения отклонений левее красной вертикальной линии, дают нам прогнозирование спроса с дефицитом, правее – профицит (рис. 1). При несмещенном прогнозе вероятности дефицита и профицита равны.

Предположим, что мы закладываем страховой запас в прогноз равным среднеквадратичной ошибке, тогда распределение будет таким:

Рисунок 2

Количество дефицитных случаев стало существенно меньше, однако заказ со страховым запасом стал профицитным. Из свойств нормального распределения следует, что количество дефицитных дней сократилось с 50% до 16%.  В таком случае говорят, что увеличение страхового запаса повысило уровень сервиса с 50% до 84% — это число случаев, когда товар был представлен на полке до конца рабочего дня в магазине.

По факту производится намеренное увеличение ошибки заказа в сторону профицита, чтобы повысить уровень сервиса, сократив тем самым нехватку товара.

Формула заказа со страховым запасом выглядит так:

O – заказ

SS – страховой запас

F – прогноз на период продаж

R – остатки

В наших выкладках выше для простоты мы взяли период продаж равный одному дню. Если расчет заказа производится на несколько дней, то чтобы обеспечить тот же уровень сервиса, необходимо величину страхового запаса умножить на квадратный корень из N, где N количество дней продаж. Общая формула страхового запаса выглядит таким образом:

Где z – коэффициент, обеспечивающий заданный уровень сервиса. Ниже представлена таблица зависимости z от уровня сервиса:

Таким образом, при формировании страхового запаса, необходимо учитывать три составляющие: уровень сервиса, ошибку прогноза RMSE, количество дней продаж.

Обоснованное снижение страховых запасов позволяет сократить количество товара на складе, высвобождая деньги, которые можно пустить в оборот, и дает возможность реализовывать скоропортящуюся продукцию в срок.

Дополнительно

Больше статей о прогнозировании в ритейле и FMCG вы найдете в нашем блоге:

Почему важно поддерживать актуальность данных по акциям и остаткам (datanomics.ru)

Food-to-go в ритейле. Как автоматизировать заказ сырья для собственного производства (datanomics.ru)

У природы нет плохой погоды для продаж. Как учитывать погоду при прогнозировании спроса (datanomics.ru)

Внедрение прогнозирования спроса методами машинного обучения в ритейле. Результаты A/B тестирования (datanomics.ru)

Оставьте заявку и получите бюджет и план внедрения наших решений в ваш бизнес

    Заполняя форму, Вы соглашаетесь с правилами обработки персональных данных.

    Мы используем файлы cookies, чтобы получать статистику и делать наш сайт и другие сервисы удобными для вас. Продолжая дальнейшее использование сайта и/или его сервисов, вы соглашаетесь с этим. Более подробную информацию можно прочитать в «Политика обработки персональных данных» и в «Политика Cookies»