Моделирование системы автоматизированного анализа спроса продукции косметического сектора



Предложен метод расчета будущего спроса на продукцию косметического сектора. На основании предложенного метода противопоставлены готовые решения по прогнозированию спроса. Также предложена программная реализация данного метода.

Ключевые слова: спрос, косметика, закупки, математическая модель, прогнозирование.

Исследование проводилось для компании «Профи Косметик», модель расчета будущего спроса разрабатывалась с учетом требований и особенностей работы компании.

Компания закупает косметическую продукцию у производителей и продает ее салонам, розничным магазинам и конечным потребителям. Была поставлена задача разработать автоматизированную систему для анализа будущего спроса на продукцию и разработки рекомендаций для закупок товаров. Цель разработки — повысить эффективность работы сотрудников торговой компании за счет автоматизации процесса составления плана закупок продукции в разных филиалах.

Главный показатель эффективности — трудозатраты сотрудников отдела продаж, выражаемые в часах [1]. Схема процесса представлена на рисунке 1:

Рис. 1. Схема процесса составления плана закупок до автоматизации

В исходном процессе есть 5 подпроцессов:

1. сбор информации о покупках клиентов (в среднем 6 часов);
2. выявление тенденций спроса (в среднем 3 часа);
3. предсказание уровня спроса товаров на следующий период (в среднем 4 часа);
4. поиск наиболее рентабельных товаров (в среднем 2 часа);
5. составление плана закупок на следующий период (в среднем 3 часа);

Суммарно получаем 18 часов для выполнения процесса. Параллельно выполняются только 1 и 2 подпроцессы, для остальных нужны результаты предыдущих.

В исследуемом процессе действия 1–4 можно автоматизировать. Сотруднику останется только задать начальные параметры (1–2 минуты), получить рекомендации от системы и на их основе составить план закупок (3 часа). Так как система работает без участия человека, время выполнения анализа не учитывается в трудозатратах [2].

В итоге длительность процесса сократилась с 18 часов до 3. Внедрение системы позволит повысить эффективность работы сотрудников на 83 %. Схема процесса после автоматизации представлена на рисунке 2:

Рис. 2. Схема процесса составления плана закупок после автоматизации

Были составлены требования к системе, с учетом особенностей работы компании:

1. система должна учитывать историю продаж компании (заказы клиентов в прошлые периоды);
2. система должна учитывать сезонные тенденции изменения спроса на товары;
3. система должна использовать метод «Хольта-Уинтерса» или авторегрессии, которые позволяют не только строить тенденцию спроса, но и учитывать сезонное влияние на спрос;
4. система должна составлять рекомендации закупок как отдельных товаров, так и групп аналогичных товаров;
5. рекомендации должны быть ранжированы по рентабельности товаров;
6. система должна учитывать ограниченную сумму закупочных средств компании;
7. система должна учитывать остатки товаров на складе;
8. система должна работать с системой «1С:Предприятие» или с форматами выгрузки из этой системы;
9. стоимость внедрения не должна превышать 300 000 рублей (компания относится к малому бизнесу и не сможет позволить себе дорогое решение); [3].

Далее был проведен обзор существующих на рынке систем анализа и прогнозирования спроса.

На рынке присутствует множество решений для анализа и прогнозирования спроса для коммерческих предприятий. Однако стоимость внедрения большинства из них превышает 500 тысяч рублей, что не подходит по требованию к стоимости. Удалось найти только одно решение «Novo Forecast PRO», стоимость внедрения которого составляет 100 тысяч рублей, но у него отсутствуют такие необходимые требования как учет остатков на складе и работа с форматами системы «1С:Предпричтие». Фактически данное решение является надстройкой для «Microsoft Excel» и имеет крайне ограниченный функционал. Подробное сравнение готовых решений представлено в таблице 1.

Таблица 1

Информация о жидкостях для снятия лака

Название системы	Учет истории продаж	Учет сезонного влияния	Работа с товарами и группами товаров	Учет остатков на складе	Работа с «1С:Предпр».	Стоимость внедрения
1С:ERP	+	+	+	+	+	>500 т. р.
Forecast NOW!	+	+	+	+	+	>1 млн. р.
JDA Demand	+	+	+	+	–	>1 млн. р.
Novo Forecast PRO	+	+	+	–	–	100 т.р.
GoodsForecast	+	+	–	+	–	>500 т. р.

Так как готового решения не нашлось, было принято решение разработать систему, подходящую под требования, своими силами. Так как проводить анализ и прогнозирование спроса необходимо не чаще одного раза в месяц, было принято решение использовать в качестве источника данных выгрузку истории продаж компании в формате «xls» файла из системы «1С:Предприятие», установленной на сервере в офисе компании. Анализ и прогноз необходимо представить также в формате «xls» файла для дальнейшей удобной работы сотрудника с ним. Разработка велась на языке программирования PHP, готовая система будет установлена на сервер компании.

Анализ и прогноз спроса проводится методами «Тренд + сезонность», «Скользящая средняя + сезонность» и «Хольта-Уинтерса» для каждого товара, результаты сравниваются и выбирается лучший. Значения, предсказанные лучшим методом, попадают в итоговый файл. Выбор лучшего метода необходим из-за того, что для разных товаров и групп товаров могут лучше подходить разные методы прогнозирования. Например, для прогнозирования больших групп товаров лучше подходит метод «Хольта-Уинтерса». А для отдельного товара, который не особо пользуется популярностью, лучше подходит трендовая модель.

Для растущего спроса прибыли компании может не хватать для полного удовлетворения спроса. Поэтому следующий этап работы системы — распределение закупочных средств компании на товары. Для поддержания полного ассортимента продукции держать на складе нужно все товары, однако товары с наибольшей разницей между ценой закупки и ценой продажи следует закупать в объеме, полностью удовлетворяющем спрос. На этом этапе нужна вторая выгрузка из системы «1С:Предприятие», в которой указаны цены закупки и продажи, а также остатки товаров на складе.

Для тестов была выбрана история продаж товаров бренда «Nexxt». На рисунке 3 представлен график истории продаж группы всех товаров выбранного бренда, а также прогнозные значения, рассчитанные исследуемыми методами. Минимальная ошибка у метода «Хольта-Уинтерса», именно этот метод будет использоваться для прогнозов этой группы товаров.

Рис. 3. График истории продаж всех товаров бренда и прогнозных значений методов

На рисунке 4 представлен график истории продаж товара «Шампунь серебристый 250 мл», а также прогнозные значения, рассчитанные исследуемыми методами. Минимальная ошибка у метода «Скользящая средняя + сезонность», это даже видно на графике невооруженным глазом.

Рис. 4. График истории продаж товара «Шампунь серебристый 250 мл» и прогнозных значений методов

Также были исследованы разделения товаров по группам. Это нужно для отслеживания тенденций и примерного предсказания спроса на новый товар в ассортименте компании. Для определения количества продаж за месяц в группе складываются продажи за месяц всех товаров, входящих в эту группу

Обычно товары группируют по сериям, к которым они принадлежат, например, «Зимняя серия» или «Серия ежедневного ухода», либо по назначению, например, «Оксидативные средства» или «Средства для обесцвечивания волос». Такое распределение не подойдет для прогноза, так как в такие группы входят совершенно разные товары. Это и смесь дорогих, дешевых товаров, разного объема и разной популярности. Из-за этого история продаж получается достаточно хаотичной и непредсказуемой. Пример графика истории продаж группы «Оксидативные средства» с наилучшим прогнозом представлен на рисунке 5. На графике видно, что явной тенденции нет, а также, что прогноз сильно отличается от реальных данных.

Рис. 5. График истории продаж группы «Оксидативные средства» с наилучшим прогнозом

Правильная группировка товаров происходит по типу и ценовому сегменту, например «Дешевые шампуни 250 мл», в которую попадут все шампуни данного бренда с объемом 250 мл и стоимостью до 200 руб. Такая группа позволяет увидеть спрос на дешевые шампуни, в большинстве случаев изменение спроса у таких товаров пропорционально друг другу. Также к правильной группе относятся все оттенки одной и той же краски для волос. На рисунке 6 представлен график истории продаж группы «Дешевые шампуни 250 мл» с наилучшим прогнозом. Видно, что для данной группы прогноз строится намного лучше, чем для предыдущей.

Рис. 6. График истории продаж группы «Дешевые шампуни 250 мл» с наилучшим прогнозом

На всех графиках выше отчетливо видно снижение продаж каждый январь. Все методы учитывают коэффициент сезонности, поэтому в прогнозных значениях не только совпадают снижения продаж в январе, но и учитываются другие, неочевидные тенденции, за счет этого прогноз получается достаточно точным.

Литература:

1. Карасев А. П. Маркетинговые исследования и ситуационный анализ. — 2 изд. — М.: Юрайт, 2017. — 315 с.
2. Кочкина Е. М., Радковская Е. В. Математические методы и модели в экономике. — Raleigh: Open Science Publishing, 2017. — 173 с.
3. Горбунов В. К. Потребительский спрос. Аналитическая теория и приложения. — Ульяновск: Ульяновский государственный университет, 2015. — 264 с.
4. Анализ спроса рынка // TK Solutions URL: http://tk-solutions.ru/article/analiz_sprosa_rynka (дата обращения: 01.05.2021).
5. Математическое моделирование спроса и предложения // Bstudy URL: https://bstudy.net/712570/ekonomika/matematicheskoe_modelirovanie_sprosa_predlozheniya (дата обращения: 01.05.2021).