Прогнозирование спроса. Традиционные и новые методы

Кому нужно прогнозирование спроса?

Коротко на этот вопрос можно ответить так: любому бизнесу, продажи которого зависят от спроса. Таких компаний на рынке абсолютное большинство, поэтому многие авторы статей о прогнозировании говорят, что этот инструмент необходим всем предприятиям. На практике исключения все же встречаются — им посвящен раздел ниже. Остальным же участникам рынка не стоит пренебрегать прогнозированием.

Прогноз помогает определить, каким будет спрос в будущем, опираясь на данные из прошлого и другую релевантную информацию. Качественная аналитика дает довольно точные цифры, на которые можно опираться, принимая любое коммерческое решение: какое количество продукции закупить и сколько складских площадей арендовать под нее, с какими поставщиками работать, как удержать клиентов. Ритейлерам она помогает правильно позиционировать и размещать ассортимент, интернет-платформам — эффективнее подбирать персональные предложения и настраивать рекламу. Этим инструментом пользуются и микро-компании, и российские крупные сети ритейлеров, и международные гиганты уровня Amazon или службы доставки FedEx.

Даже при минимальном анализе уже состоявшихся продаж можно выявить факторы, влияющие на спрос, и либо изменить их, либо подстроиться. Важно при этом исследовать не только голые цифры продаж, но и сопутствующие факторы: сезонность, действующие акции, внешние обстоятельства. Например, во время пандемии произошло несколько предсказуемых скачков спроса на определенные категории товаров: антисептики, туалетная бумага, консервы. Эффективное прогнозирование учитывает все эти нюансы, а еще предсказывает моду. Принято считать, что мода определяет спрос только в индустриях, связанных с одеждой, обувью и аксессуарами, но это не так. Модными становятся игрушки (вспомните хотя бы спиннер), гаджеты, книги и даже еда или напитки. Правда, чтобы отслеживать такие тренды, прогнозирование нужно проводить в оперативном режиме.

Когда без прогнозирования можно обойтись

В отдельных исключительных случаях прогнозировать спрос нет необходимости. Например, в таких:

1. Компания работает исключительно (или преимущественно) под заказ, причем в срок ожидания покупателем уже заложено время на поиски и закупку необходимого сырья или материалов, запуск оборудования. Такая модель встречается в мебельном производстве: в магазинах выставлены демонстрационные образцы, а основная часть продаж приходится на товары, изготовленные на заказ.

2. Производство или цепочку поставок легко перестроить под нужную задачу. Такой гибкостью обладают в основном интернет-магазины и небольшие компании. Например, типография, специализирующаяся на изготовлении одежды с принтами, при резком повышении спроса может быстро арендовать дополнительное оборудование и докупить материалы.

3. Бизнес уже работает на пределе своих возможностей. Так происходит при ограниченности какого-то ресурса, без которого расширить производство невозможно. Скажем, для производства сумок нужен определенный материал, который выпускается лимитированными партиями, и его нечем заменить. Если при этом на всю продукцию уже есть покупатели, прогнозировать дальнейший спрос бессмысленно — даже если он будет, это никак не повлияет на политику компании.

4. Покупателей немного и их поведение предсказуемо. Скажем, производитель эксклюзивного музыкального оборудования продает свои акустические системы в узком аудиофильском кругу. У такой целевой аудитории всплески спроса происходят после определенных событий: тематических выставок, специализированных конгрессов. Если потенциальных покупателей — всего несколько десятков по всему миру, нет нужды в массовых исследованиях.

5. Нет необходимости в финансовом планировании: у компании профицит бюджета или бизнес был создан не ради заработка.

Как прогнозируют спрос

Существует множество общепринятых методов прогнозирования спроса, их можно разделить на две группы: экспертные и статистические.

Экспертные методы

Прогноз строится на экспертных оценках — то есть на субъективном мнении отдельного человека или группы людей. Минусом таких инструментов считается человеческий фактор, но он же дает и главный плюс: возможность не только увидеть динамику спроса, но и найти ей объяснение.

На практике чаще всего используются следующие экспертные методы:

• метод комиссии: организуется встреча экспертов, на которой они обсуждают проблему и сообща составляют прогноз;

• интервью: индивидуальная беседа со специалистом, обычно на заранее заданную тему по конкретному аспекту прогнозирования;

• анкетный опрос: заочный опрос эксперта по заранее составленной анкете, чаще всего ее рассылают разным экспертам;

• метод Дельфи: объединяет компоненты всех остальных методов в многоступенчатый опрос экспертов.

Спрос также прогнозируется более прикладными (и менее универсальными) способами. Например, в торговле принят способ минимакса: эксперт, хорошо знакомый с товаром и динамикой спроса, устанавливает минимум и максимум для запаса определенного товара. Как только количество товара опускается до нижнего порога, заказывается новая партия — такого объёма, чтобы достичь максимального значения. Это помогает избежать и недостатка нужной продукции, и переизбытка на складе. Правда, метод подойдет скорее небольшим торговым точкам — крупным ритейлерам пришлось бы определять минимакс по тысячам позиций, а потом еще регулярно его обновлять.

Статистические методы

Статистические методы используют расчеты, чтобы на основе прошлых показателей предположить, какими будут те же показатели в будущем. Результат такого прогноза всегда числовой и безоценочный. К статистическим относят такие способы анализа:

1. Расчёт по среднему (SMA): тактика, подходящая для крупных ритейлеров, которым нужно рассчитать товарные запасы по позициям, которые стабильно продаются с незначительными колебаниями. Средний спрос рассчитывается по выбранному ряду продаж за определенный срок: это могут быть дни, недели или месяцы (как последние, так и, например, тот же месяц в прошлом году). Поскольку учитываются только фактические продажи без факторов, влияющих на динамику, этот метод может давать достаточно большие погрешности.

2. Метод средней взвешенной по Шрайбфедеру. Тоже использует показатели состоявшихся продаж за единицу времени, но полученные цифры дальше индексируются исходя из важности каждой характеристики, в этой методике они называются весами. Каждая компания выбирает систему весов под свои потребности или разрабатывает собственную: это может быть сезонность, давность продаж, другие релевантные параметры.

3. Экспоненциальное сглаживание (ES). Для расчета спроса в будущем используется количество продаж в прошедшем периоде и прогноз, составленный на тот же период, а также специальный коэффициент сглаживания.

4. Метод Хольта-Винтерса. Работает по тому же принципу, что и предыдущий метод, но позволяет учесть больше релевантных факторов: тренд, сезонность, какие-то специфические отраслевые характеристики. Прогноз составляется по сложной формуле, в которую можно включать нужные коэффициенты для уточнения результата.

5. Методы авторегрессии. Сама по себе авторегрессия подразумевает подбор нужного количества прошлых периодов, за которые необходимо посчитать продажи. Для каждого периода составляют свой набор коэффициентов, так продажи оцениваются за длительный период с учетом факторов, которые сменялись за этот период. То есть, при анализе продаж за квартал можно учесть, например, сезонность каждого месяца и количество рабочих дней.

Универсальные правила прогнозирования спроса

Какой бы метод вы ни выбрали, до начала исследования необходимо определить ключевые параметры:

• горизонт планирования — то есть, на какой период составляется прогноз;

• частота актуализации — с какой регулярностью следует пересматривать результаты, шаг может быть от часа (например, для выявления точечного спроса в супермаркетах) до года;

• подробность прогноза: учитываются группы товаров или отдельные позиции, важны ли показатели отдельных магазинов или достаточно данных по всему городу.

Все эти показатели устанавливаются под конкретную цель: ее достижение должно оправдывать проведение исследования. То есть, если цель — сэкономить определенную сумму на складских помещениях, стоимость прогноза не может превышать сумму потенциальной экономии.

Также при прогнозировании действуют два универсальных правила:

• Для отдельного продукта точность прогноза будет ниже, чем для группы или категории. В каждом конкретном случае на продажи влияет множество факторов, в том числе случайных и не повторяющихся. Для больших массивов данных эта погрешность ниже.

• Краткосрочные прогнозы точнее долгосрочных. То есть, предсказать динамику продаж на ближайшую зиму проще, чем на следующую. Практика последних двух лет показала это очень ярко: во многих отраслях конъюнктура рынка уже несколько раз изменилась до неузнаваемости.

Важная фаза аналитики спроса — это «сверка часов» с реальными показателями. Когда период, на который составлялся прогноз, заканчивается, обязательно нужно сравнивать фактический и прогнозируемый спрос, разница между ними называется ошибкой прогноза. Отклонения (в любую сторону) могут быть случайными, такие колебания считаются нормальными — для активно продающихся товаров они практически неизбежны. Критичны систематические отклонения реальных продаж от прогнозов: они свидетельствуют о том, что при анализе не учли какие-то релевантные факторы.

Регулярные отклонения в одну сторону могут быть признаком намеренного занижения или завышения спроса. Если прогноз составляли сотрудники компании, а не сторонний подрядчик, такой сценарий вполне вероятен. Занизить ожидаемые продажи могут отделы, которые получают премию при перевыполнении плана. Для завышения тоже бывают причины: например, производство заинтересовано в повышении нагрузки на свои мощности, соответствующий отдел завышает план, не особо заботясь о том, как потом продастся переизбыток продукции. Или департамент, отвечающий за закупку, опасается уменьшения бюджета и заранее пытается оправдать высокие расходы.

Недостатки классических методов

Как мы уже говорили, экспертные методы считаются не самыми точными, поскольку результаты строятся на субъективном мнении. Даже когда в исследовании участвует несколько специалистов, есть риск, что прогноз будет построен не на самой точной гипотезе, а на той, которую убедительнее всего презентовал эксперт. Статистические подходы лишены эмоций и предположений, но и информации они дают меньше: только ориентировочные цифры. И у всех этих методов есть общие проблемы:

1. При большом объёме данных страдает точность. Для любого товара можно подобрать подходящий набор коэффициентов, которые учтут все особенности спроса. Но это трудоемкий и небыстрый процесс, как и сами подсчеты. Для производителей, которые продают небольшой ассортимент собственных товаров, это не так страшно, а вот крупные магазины физически не могут обрабатывать информацию по тысячам позиций. Поэтому обычно выбирают относительно универсальный метод прогнозирования, который дает примерные цифры. Но это погрешность может оказаться критичной, если произойдет непредвиденный скачок спроса.

2. Учитываются только продажи, без мотивации покупателя. Обстоятельства потребителя во многом определяют дальнейший спрос: почему он купил именно эту марку? Почему в этом магазине? В это время? Откуда он узнал о товаре? Ответы на эти вопросы помогают понять, как привлечь новых клиентов и удержать актуальных, можно ли увеличить чек, нужны ли для увеличений продаж специальные акции. Покупательское поведение можно объяснить, но для этого нужны большие массивы данных, что приводит нас к следующей проблеме.

3. Ограниченный доступ к информации. Для полноценного прогнозирования спроса необходимо понимать покупателя: что он смотрит и ищет в Интернете, как передвигается по городу, чтоб обычно покупает, сколько в среднем тратит. Если с поисковыми запросами помогают файлы cookie, то остальные сведения найти не так просто, и уж тем более — в одном месте.

4. Подходы к анализу быстро устаревают. Механизмы прогнозирования, которые прекрасно справлялись в январе 2020, уже в марте того же года начали давать сбои: алгоритмы не учитывали специфику пандемии и выдавали цифры, актуальные для весенних и летних месяцев в обычное время.

Как построить эффективную модель прогнозирования

Все перечисленные проблемы может решить метод, объединяющий статистические и экспертные элементы: например, параметры оценки и релевантные коэффициенты задает специалист, а данные обрабатываются по математическим формулам. Чтобы при исследовании больших массивов информации не падала точность, были созданы программы на базе машинного обучения. Алгоритмы таких программ умеют одновременно анализировать десятки факторов и находить между ними связи.

Многие компании — в основном, ритейлеры — уже разработали свои модели на базе машинного обучения. Общая проблема такого софта — ограниченное количество вводных. Компания оперирует только своими внутренними данными: какие в момент продажи действовали скидки и акции, как товар лежит на полке. Иногда учитывают также универсальные коэффициенты и общеизвестные факты — сезонность, календарь праздников. То есть прогнозирование спроса состоит в анализе поведения покупателя в магазине, а его мотивы, текущие тренды, мода или нестандартные обстоятельства вроде пандемии остаются за кадром. Такие модели справляются с аналитикой спроса на стабильно продающиеся товары и в спокойные периоды, без каких-либо потрясений.

Программы с машинным обучением способны адаптироваться к самым разным изменениям, если у них есть доступ к максимально полной информации. Конечно, количество коэффициентов, которые приходится учитывать, заметно возрастает, а из-за этого снижается точность прогноза. Но большинству компаний для принятия коммерческих решений хватает точности в 85—90%, а этого показателя при правильно настроенном алгоритме добиться вполне реально. В условиях стремительно меняющегося рынка адаптивность гораздо важнее стопроцентной точности.

Чтобы предсказать, как поведет себя покупатель, нужно не только понять, как он тратит деньги, но и почему именно таким образом. Для этого понадобится информация о его транзакциях, а еще данные о его информационном поле: что он смотрит по телевизору, ищет в интернете, на что обращает внимание в соцсетях, в какие игры регулярно играет. Так выявляются информационные тренды, которые влияют на дальнейший спрос. По ним можно составлять довольно точные оперативные прогнозы (на две-четыре недели), а также планировать долгосрочные стратегии продаж.

Главный вопрос — где получить все эти сведения. Единственный способ получить нужные данные — межотраслевые партнёрские проекты.

Над таким сейчас работает Platforma — маркетплейс инструментов на основе Big Data. На рынке теперь есть модель прогнозирования спроса, в основе которой лежат агрегированные знания партнёров об их клиентах. Platforma использует массивы данных телекоммуникационных и финансовых компаний (например, «Ростелеком» и «Теле2», ВТБ). Обезличенные сведения о транзакциях собираются в хранилище, математическая модель находит пересечения и выявляет похожие паттерны в потребительском поведении. Это позволяет составить профиль потребителя, сегментировать аудиторию и составить точный прогноз спроса уже на основании обобщенных данных сегментов.

Platforma может эффективно решать даже довольно специфические задачи: партнёры компании предоставляют анонимные сведения о транзакциях в самых разных сегментах рынка. Данные регулярно и быстро обновляются, это позволяет отслеживать динамику спроса, предугадывать тенденции и эффективнее настраивать рекламу.