Повышение эффективности управления запасами с использованием методов прогнозирования спроса

Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет Санкт-Петербургская школа экономики и менеджмента

Национального исследовательского университета «Высшая школа экономики»

Выпускная квалификационная работа

Повышение эффективности управления запасами с использованием методов прогнозирования спроса

Нефедьева Екатерина Валерьевна

Санкт-Петербург 2020



Содержание

Введение

Глава 1. Прогнозирование спроса в цепях поставок

1.1 Понятие прогнозирования

1.2 Методы экстраполяции

1.3 Метод экспоненциального сглаживания

1.4 Методы, основанные на регрессионных моделях

1.5 Интуитивные методы

1.6 Особенности прогнозирования при осуществлении управлении запасами в цепях поставок

Глава 2. Прогнозирование низкого и редкого спроса

Глава 3. Решение задачи прогнозирования для склада запасных частей

Заключение

Список использованных источников

Приложение



Введение

В настоящий момент логистику принято считать затратной деятельностью (кост-центром) на производственных предприятиях. С классической точки зрения данное утверждение логично, так как логистика не является профильной деятельностью производственного предприятия, и, соответственно, не является прибыльной. Напротив, она сопряжена с возникновением издержек, которые необходимо минимизировать. Однако с развитием концепции управления цепями поставок, а также с увеличением требований к уровню сервиса (надежность цепи поставок, скорость доставки, доставка «до двери» и т.д.) взгляд на логистику претерпел изменения. Теперь данная функция рассматривается как один из стратегических компонентов [48, с.15], для которого помимо критерия минимума затрат в вопросах оптимизации добавляются и иные критерии, связанные с различными сервисными показателями. На современном этапе обеспечение прироста добавленной ценности в логистической деятельности, а также обеспечение функционирования цепей поставок происходит посредством увеличения затрат на сервисную составляющую [18, с.206]. Таким образом, потребители материальных потоков в цепи поставок, удовлетворение которых достигается путем поддержания определенного уровня сервиса логистической деятельности, имеют наивысший приоритет с точки зрения повышения конкурентоспособности предприятия. Тем не менее, вопрос сокращения логистических издержек не теряет своей актуальности.

Что касается критерия минимума затрат, то оптимизация логистической деятельности на предприятии или в цепи поставок, должна производиться в первую очередь в области управления запасами. Затраты на управление запасами составляют до половины расходов на логистику в целом [10, с.46], что и делает данную функцию наиболее очевидной с точки зрения сокращения издержек. Сервисные показатели также тесно связаны с управлением запасами, так как данная функция обеспечивает своевременность поставок товарно-материальных ценностей, будь то на производство, оптовым складам, распределительным центрам, на предприятия розницы. В конечном счете, именно управление запасами обеспечивает получение товара конечным потребителем.

Управление цепями поставок определяется как «интеграционный подход к планированию и контролю материальных потоков от поставщиков к конечному потребителю, который заключается в совместном управлении и контроле каналов распределения, приводящем к выгоде всех контрагентов посредством максимизации эффективности используемых ресурсов при удовлетворении запросов конечных потребителей» [40, с.14]. Данное определение было дано в 1991 году, и с тех пор любое определение управления цепями поставок во многом дублирует его в части акцента на необходимости интеграции и координации деятельности участников с целью оптимизации логистических затрат. Соответственно, в рамках концепции управления цепями поставок управление запасами должно представлять из себя интегрированный и скоординированный процесс на протяжении цепи поставок. Интеграция и координация достигается в первую очередь посредством совместного планирования управлением запасами.

На предприятиях, ориентированных на повышение удовлетворенности потребителя, выстраивается «вытягивающая» система (pull system). Изначально данная концепция относилась исключительно к производственным системам, где при планировании движение производственного заказа осуществлялось к предыдущему участку от последующего, при сопутствующей минимизации времени выполнения заказа [23, с.70]. В дальнейшем данная система стала рассматриваться и в рамках управления цепями поставок в целом, где процесс движения материальных потоков, а, соответственно, и выполнения заказов происходит на межорганизационном уровне [49, с.98]. В системах «вытягивающего» типа как производственный процесс, так и управление запасами основывается либо на реальных заказах потребителей, либо в большинстве случаев на прогнозах спроса.

При этом прогнозирование в 50% случаев делается в условиях неопределенности, например, когда жизненный цикл продукта является коротким, спрос на товар является низким или нестабильным [63, с.122]. В отношении такого рода продуктов используются термины «редкий спрос» или «низкий спрос». При этом данные ситуации, как правило, характеризуются недостаточными историческими данными, а именно временными рядами, которые либо являются короткими, либо имеют множество нулевых значений. Использование классических методов для прогноза детерминированного или даже стохастического спроса в данных ситуациях будет некорректным, а результаты далекими от точных.

В связи со всем вышеперечисленным можно сделать вывод, что улучшение методов прогнозирования в условиях неопределенности является актуальной задачей в рамках проблемы повышения эффективности управления запасами.

Одним из примеров ситуаций, в которых спрос можно назвать как редким, так и низким, является спрос на запасные части для производственного оборудования [28, с.155]. Разработка адекватной методики прогнозирования для данных ситуаций способна привести к значительному повышению эффективности управления запасами, за счет минимизации рисков остановки производственного оборудования и, как следствие, невыполнения заказов, а также возможного сокращения затрат на хранение запасных частей на базе предприятия.

Объектом исследования данной выпускной квалификационной работы является цепь поставок запасных частей для производственного оборудования на предприятии, предметом - методы и инструменты прогнозирования спроса на запасные части для производственного оборудования в цепях поставок.

Целью данной работы является уточнение имеющихся методов для более корректной оценки будущего спроса на запасные части в условиях неопределенности в цепях поставок. Для решения поставленной цели в рамках данной работы необходимо решить следующие задачи:

провести обзор литературных источников на тему прогнозирования спроса;

проанализировать реальные данные движения материалов (поставки, списание) склада запасных частей производственного предприятия;

уточнить методы прогнозирования спроса на запасные части для производственного оборудования в зависимости от характера спроса на них;

сравнить реальные данные движения материалов и прогнозные значения, дать оценку резервов повышения эффективности при использовании предложенного метода.

Выпускная квалификационная работа состоит из трех частей: введения, основной части и заключения. Основная часть делится на три главы: первая глава содержит обзор литературы на тему методов прогнозирования спроса в цепях поставок, вторая глава посвящена теме прогнозирования редкого спроса, третья глава представляет собой пример решения задачи прогнозирования редкого спроса на складе запасных частей производственного предприятия.



Глава 1. Прогнозирование спроса в цепях поставок

В современных трактовках понятия управления цепями поставок упор делается на удовлетворение потребностей конечного потребителя, на согласованности действий участников цепи поставок в соответствии с рынком. Мартин Кристофер заявляет, что управление цепями поставок (Supply Chain Management) является некорректным названием для концепции, представляемой им. Согласно его утверждению, слово «цепь» следует заменить на «сеть» («network»), а «поставок» - на «спроса» («demand»), для отражения движущей силы рынка (потребителей), воздействующей на цепь (или сеть) [38, с.3]. Джонстон и Лоуренс, в свою очередь, использовали термин «партнерство, добавляющее ценность» («value-adding partnership») в 1988 году [51, с.94] еще до введения понятия «управление цепями поставок», отождествляя понятия «цепь поставок» и «цепочка создания ценности», где основная цель управления последним и заключается в удовлетворении потребностей потребителей. Таким образом, определение критерия минимума затрат в процессе оптимизации на данном этапе считается недостаточным, так как сервисные показатели имеют больший приоритет.

В сфере поставок товаров для конечного потребителя важна помимо характеристик, связанных с качеством самой продукции, ее доступность. Доступность товара продиктована способностью цепи поставок спрогнозировать потребность в нем. В большинстве случаев цепь поставок выстраивается таким образом, что ритейлер составляет прогноз спроса, на основании которого пополняет свои запасы от предыдущего участника цепи, который, в свою очередь, либо на основании непосредственно заказа, либо своего прогноза содержит свои запасы и т.д. В итоге запасы всех участников цепи поставок увеличиваются, при этом не соответствуя реальной потребности в них. Возникает так называемый эффект хлыста (bullwhip effect), причиной которого и является искажение информации о спросе на конечный продукт в цепи поставок [30, с.193]. Искажение может быть результатом как выбора некорректного метода прогнозирования, так и отсутствия координации процессов прогнозирования и планирования.

Функция прогнозирования и функция планирования тесно взаимосвязаны. Прогнозирование и планирование могут осуществляться раздельно, однако для повышения эффективности и результативности процесса планирования он должен осуществляться на основании ранее сделанных прогнозов [2, с.11]. В цепях поставок координация процесса прогнозирования между участниками цепи приводит к выгодам в противовес разделению данного процесса, когда каждый субъект составляет свои прогнозы. Координация в случае с отношениями поставщик-ритейлер-потребитель представляет составление прогноза на спрос, доступного как ритейлеру, так и поставщику, на основании данных обоих субъектов. Выгоды заключаются в повышении качества прогноза [50, с.800], и, как следствие, снижении несоответствия предложения и спроса, и, соответственно, непроизводительных затрат на содержание запаса нескольких участников цепи [57, с.97], и увеличении сервисных показателей [75, с.17]. Данные выводы актуальны для make-to-stock сценариев, но не обязательно для make-to-order [64, с.152], так как основные выгоды приходятся именно на снижение затрат на хранение или снижение издержек, вызванных дефицитом, или увеличение сервисных показателей, то есть на выполнение функции управления запасами. При этом затраты, связанные с образованием дефицита (упущенная выгода, штрафы) и несоответствием уровня сервиса, оцениваются выше, чем затраты на хранение, что приводит к формированию на предприятиях страхового запаса [66, с.145].

Таким образом, в цепях поставок движение материального потока определяется потребностями конечного потребителя, которые необходимо максимально точно прогнозировать. Информация же о прогнозах должна быть доступна другим участникам цепи в тех цепях, в которых образуются запасы.

1.1 Понятие прогнозирования

Упрощенно прогнозирование можно определить как предсказание будущих событий, целью которого является уменьшение риска и неопределенности при принятии решений [20]. Прогнозирование понимается как процесс научного исследования как количественного, так и качественного характера, который направлен на определение тенденций развития какого-либо явления в будущем. Результатом процесса прогнозирования является прогноз, который представляет собой совокупность аргументированных предположений касательно параметров экономического или иного объекта, опять же выраженных как в количественной, так и в качественной форме [17, с.27].

Прогноз всегда строится относительно будущих явлений, сопряженных с неопределенностью и/или риском. В связи с этим прогноз априори не может быть точной оценкой будущего. Прогноз всегда ошибочен, однако степень ошибки зависит от методов и инструментов и технологии прогнозирования, которая используется исследователем.

Понятия риска и неопределенности часто используются для характеристики процесса прогнозирования. Оба понятия связаны с неизвестностью будущего. Неопределенность является характеристикой будущего, при которой у исследователя недостаточно информации для точной его оценки. То есть о будущей ситуации у исследователя имеется только частичное знание, не полное незнание и не полная информированность. Неопределенность может быть выражена как количественно измеримая вероятностная оценка [55, с.233]. Риск же, как правило, определяется через вероятность наступления неблагоприятного исхода и размер потерь от его наступления [69, с.48]. То есть риск возникает в ситуациях, когда присутствует неопределенность, однако он ей не тождественен. При этом в основе своей и риск, и неопределенность - качественные параметры по своей природе, которые оцениваются индивидом на весьма субъективной основе. Им можно дать количественные оценки, которые опять же будут субъективны в том, что их определение остается на усмотрение исследователя, то есть будут зависеть от выбранного метода оценки ли же полностью отдаваться на откуп мнения эксперта в случае с применением эвристических методов прогнозирования. Поэтому данные оценки никогда не бывают абсолютно точными, однако применение различных методов для их определения способно снизить неопределенность и соответственно риски при принятии решений.

Неопределенность бывает двух видов. Описание данных видов представлено в таблице 1.

Таблица 1 - Виды неопределенности

Вид неопределенности	Характеристика неопределенности	Тип информации о неопределенных параметрах	Представление параметров	Используемые методы
Алеаторная	Вариабельность параметров в статистических данных	Статистическая	Функции распределения вероятностей	Стохастические методы [5, с.66]
Эпистемическая	Недостаток знаний и результатов наблюдений	Экспертная	Нечеткие множества [78, с.6] Неопределенные распределения, неопределенные переменные, меры неопределенности [61, с.9]	Модели неопределенного программирования [67, с.280]

При введении тем или иным способом параметра неопределенности в модель она трансформируется в детерминированную модель, которая впоследствии решается исследователем.

Согласно Лю, основателю теории неопределенности, на базе которой решаются задачи с применением моделей неопределенного программирования, неопределенность может быть количественно определена, ей может быть дана мера неопределенности (uncertainty measure). Неточное значение величины параметра, связанного с неопределенным событием, не является случайным. Данный параметр может быть выражен как неопределенная переменная, принадлежащая неопределенному распределению. То есть количественно параметр в условиях неопределенности учитывает степень его неопределенности на стадии моделирования [61, с.9].

В контексте темы данной выпускной квалификационной работы неопределенность связана с невозможностью точно предугадать возникающую потребность в запасе, то есть невозможностью точной оценки будущего спроса на запас. Спрос является неопределенной величиной. В связи с этим возникает риск возникновения как излишков, так и дефицита запасов, что приводит к денежным потерям, измеряемым как излишние затраты на хранение, иммобилизация средств в запасах, затраты на уничтожение продукции в случае наличия сроков годности и т.д. в случае возникновения излишков; и как упущенная выгода, штрафы от невыполнения заказов, производственные расходы, связанные с остановкой производственной линии и т.д. в случае с возникновением дефицита.

Классические методы прогнозирования не учитывают неопределенность в явном виде (экстраполяция, регрессионные модели, методы экспертных оценок). Поэтому в рамках обсуждения данных методов говорить о неопределенности представляется ошибочным. Алеаторная неопределенность часто учитывается посредством представления прогнозируемого параметра в качестве случайной величины, распределенной по какому-либо закону распределения, или посредством определения доверительного интервала прогноза. Учет неопределенности повышает качество прогноза, его точность, что делает дальнейшие действия, связанные с планированием, более адекватными.

Понятия прогнозирования и планирования довольно тесно переплетены, однако данные функции управления по содержанию отличаются. Основным отличием является характер результатов. Так, прогнозы имеют индикативный характер, а планы - директивный [3, с.1], то есть прогнозы описывают возможное будущее состояние объекта исследования, планы же представляют собой конкретные действия, направленные на объект управления. Так как данные функции различны и разделены, нередки ситуации, когда планы строятся не на основании прогнозов, однако данный подход во многих ситуациях является ошибочен, так как целью прогнозов является снижение неопределенности для повышения качества решений, принимаемых в отношении объектов, в том числе и для повышения эффективности составления планов, а также их реализации. Таким образом, прогноз, а, соответственно, и процесс прогнозирования, должен предшествовать процессу планирования.

Процесс прогнозирования состоит из трех этапов:

Ретроспекция. На данном этапе происходит сбор и исследование исторических данных, касающихся объекта исследования. В качестве результата данного этапа получается систематизированное описание объекта.

Диагноз. На данном этапе исследуется описание объекта, полученное на этапе ретроспекции, определяются тенденции и происходит выбор метода прогнозирования.

Проспекция. На данном этапе уже составляется непосредственно прогноз, на основании выбранного метода прогнозирования, происходит его верификация, а именно оценка достоверности, обоснованности и точности прогноза. Также на данном этапе возможна корректировка прогноза, полученная в результате уточнения модели [17, с.32].

Выбор метода прогнозирования должен быть продиктован ситуациями и данными, для которых он должен быть применен. Оценка метода имеет следующие элементы: проверка предположений, апробация данных и методов, воспроизводимость результатов и их оценка [26, с.443].

С точки зрения поиска данных для исследования, их анализа и построения прогноза в контексте прогнозирования спроса важным понятием является временной ряд. Временной ряд - это последовательность значений, упорядоченных по временному параметру. Это означает, что методология анализа временных рядов отличается от классических статистических методов, где анализируемые данные представляют собой набор случайных величин описывающих исходы независимых экспериментов, так как порядок значений во временном ряде имеет собственную важность. Наблюдаемые величины во временном ряду описывают какой-либо стохастический процесс. Таким образом, суть обработки временного ряда - построение предположений о характеристиках стохастического процесса на основании данных наблюдений [44, с.2].

Временные ряды имеют три компоненты:

тренд/цикл (trend-cycle);

сезон (season);

нерегулярная компонента (irregular) [46, с.307].

Тренд и цикл может быть представлен различными компонентами, то есть, может иметься цикличность на протяжении всего временного ряда, но при этом на его фоне может выявляться общий тренд на повышение/снижение. Таким образом, при наличии определенной амплитуды и продолжительности цикла абсолютные его значения увеличиваются или уменьшаются согласно определенной тенденции.

При прогнозировании спроса могут быть выявлены и учтены любые из вышеперечисленных компонент. Однако это будет зависеть от количества наблюдений и характера спроса. Очевидно, что для прогнозирования спроса на новый продукт исторических данных может не быть, тогда проанализировать временные ряды не представляется возможным. Соответственно, статистические методы в таких ситуациях использованы быть не могут. То же самое касается ситуаций, когда количество наблюдений малое, то есть недостаточное для проведения какого-либо статистического анализа. Также при слишком выраженной нерегулярной компоненте статистический анализ не всегда представляется адекватным, так как может привести к большим ошибкам.

Методы прогнозирования традиционно делятся на формализованные и эвристические в зависимости от того, на основании чего строится прогноз: анализа статистических данных или мнения экспертов. То есть формализованные методы являются количественными аналитическими методами, а эвристические - качественными методами, основанными на суждениях экспертов. Подробнее классификация представлена на рисунке 1.

Рисунок 1 - Классификация методов прогнозирования [9, с.6]

Далее в данной главе рассмотрим основные методы прогнозирования более подробно.

1.2 Методы экстраполяции

Экстраполяция определяется как распространение установленных тенденций временного ряда на будущие периоды [14, с.155]. Допущением данного метода является то, что тенденция, установленная при анализе наблюдений, будет соблюдаться и в будущем, в связи с чем прогноз при применении метода экстраполяции и будет иметь точность.

Метод экстраполяции в общем может быть представлен в виде определения значения функции (формула 1):

,

где - прогнозируемое значение;

- база экстраполяции;

- период упреждения [2, с.33].

В рамках данного метода выделяют множество подходов. Некоторые из них достаточно примитивные, поскольку не требуют практически никаких вычислений. Среди них «наивный» подход, когда прогнозное значение равно последнему наблюдаемому [35, с.2126]. Также экстраполяция по среднему входит в данный список, когда прогноз равен среднему всех значений временного ряда. В этом случае, чтобы прогнозные значения были достоверными, необходимо, чтобы временной ряд был достаточно однородным, то есть, чтобы все его значения принимали схожие значения. Есть также небольшие модификации «наивного» метода, когда, например, учитывается тренд, на основании первого и последнего значения временного ряда, когда прогноз по сути продолжает линию, проведенную между этими двумя точками. Для достоверности прогноза с использованием такого метода также необходимо, чтобы значения представляли собой линейный тренд. Другой модификацией является учет сезонности, когда прогнозируемое значение повторяет результат наблюдения в аналогичном прошлом периоде. Для получения достоверного прогноза здесь необходимо, чтобы цикл имел одинаковую продолжительность, чтобы амплитуда колебаний была одинаковой на протяжении всего временного ряда [79].

Очевидно, что вышеупомянутые методы имеют множество допущений и в большинстве случаев прогнозирования спроса они не будут актуальны, так как он может быть довольно вариабельным, нелинейным, а сезонная компонента может быть не столь четко выражена. В случае же с редким спросом такие методы абсолютно неприменимы. Однако их большим преимуществом является простота вычислений. Поэтому в случае, когда допущения не являются столь критичными, они могут быть применены с получением достоверных результатов.

Экстраполяция также может быть проведена на основании простой средней, среднего темпа роста, среднего абсолютного прироста, скользящей средней. В рамках данных методов уже идет учет и других значений временного ряда. Расчеты для них по-прежнему довольно простые, результаты прогноза же также могут быть достоверны при наличии ярко выраженного линейного тренда. Метод скользящей средней также применим для сглаживания временного ряда для облегчения процесса выявления тренда во временном ряду. Применение метода скользящей средней требует расчета средних за установленное количество периодов для всего временного ряда. Также возможно применение взвешенной скользящей средней, где определяются веса для каждого из значений наблюдений. Таким образом, скользящую среднюю можно назвать частным случаем взвешенной средней, где все веса для всех наблюдений одинаковы.

Более сложными приемами экстраполяции является определение функции тренда на основе наблюдений и выявление прогнозного значения посредством использования значения следующего периода в функции. Тренд может быть как линейным, так и нелинейным (полиномиальное, экспоненциальное, тригонометрическое, коническое приближение и т.д.). Сначала определяется характер тренда, для которого определяется теоретическая функция. Далее происходит поиск коэффициентов в уравнении. Как правило для определения уравнения тренда используется метод наименьших квадратов [17, с.33]. Так, для линейной модели уравнение в общем виде имеет вид (формула 2):



,

где - значение временного ряда;

- значение периода;

- наклон прямой;

- свободный член.

Тогда метод суммы квадратов отклонений формализовано выглядит следующим образом (формула 3):

.

Метод наименьших квадратов довольно прост в вычислениях, так как его можно выполнить средствами Excel - «Поиск решения». Определение прогнозного значения в случае с линейным трендом оптимальнее делать методом экстраполяции при поиске уравнения тренда, нежели посредством «наивного» метода. Получаемое в результате применения метода наименьших квадратов уравнение дает более адекватное приближение фактических данных наблюдений к линии тренда, нежели простое определение прямой на основании первого и последнего наблюдения, где не учитываются в принципе остальные значения временного ряда. Лучшее приближение повышает точность модели, что, в свою очередь, приводит к получению более адекватных прогнозных значений. Метод актуален к применению для любого вида уравнений, не только линейных, но и полиномиальных, экспоненциальных и т.д.

1.3 Метод экспоненциального сглаживания

Данный метод также относят к методам прогнозной экстраполяции [2, с.27]. Метод экспоненциального сглаживания является модификацией метода наименьших квадратов. Отличием является придание более поздним значениям, то есть значениям, более близким к прогнозируемым, больших весов. При этом веса наблюдений убывают по мере движения в прошлое экспоненциально. Таким образом, данная модель может быть также названа адаптивной, так как она учитывает условия, изменяющиеся во времени, учитывает изменение тенденции. Этим она отличается от других методов экстраполяции, принцип которых заключается в переносе общей тенденции временного ряда на прогнозное значение [17, с.36].

Суть адаптации заключается в том, что модель меняется, когда в нее добавляется новое фактическое значение. Данный метод, в отличие от методов экстраполяции, поэтому можно применять уже в ситуациях, когда присутствует некоторое непостоянство тренда. То есть данное допущение здесь не столь актуально. Тем не менее, все равно сама суть экстраполяции сохраняется, то есть некоторая тенденция, выявленная в более поздних наблюдениях с поправкой на более ранние наблюдения, переносится на будущее. Такая особенность делает данный метод более адекватным для краткосрочных прогнозов, в том числе для прогнозов спроса, имеющего нестабильный характер.

Прогнозное значение (экспоненциальная средняя) при применении данного метода находится по формуле 4:

,

где - прогнозируемое значение (экспоненциальная средняя);

- параметр сглаживания, то есть, коэффициент, который характеризует в ходе расчета экспоненциальной средней вес текущего наблюдения, ;

- значение предыдущего наблюдения;

- экспоненциальная средняя для значения предыдущего периода.

Как следует из формулы 4, уменьшение веса наблюдений предшествующих текущему, зависит от параметра сглаживания. Чем выше определяется данное значение, тем ниже влияние предыдущих наблюдений на прогнозное значение. Очевидно, что, напротив, значение параметра сглаживания, равное 1, приведет к тому, что модель превратиться в «наивную», то есть, прогнозное значение будет равно предыдущему наблюдению. Таким образом, увеличение параметра сглаживания приводит к увеличению веса более поздних наблюдений, повышению важности более поздней тенденции для определения прогнозного значения; понижение параметра сглаживания исключает из модели случайные колебания более поздних наблюдений, которые могут в действительности не влиять на общий тренд. Определение величины параметра сглаживания остается на усмотрение исследователя. Существуют некоторые формулы его расчета, но они носят скорее рекомендательный характер и не являются универсальными для решения задач прогнозирования.

1.4 Методы, основанные на регрессионных моделях

Суть регрессионных моделей заключается в выявлении независимых переменных (факторов, предикторов) и определении их влияния на зависимую переменную. В результате исследователь выводит уравнение регрессии, подставляя в которое значения факторов, можно определить результирующий параметр, прогнозное значение.

По количеству предикторов регрессионные модели делятся на:

простые (парные) модели регрессии, где присутствует только один предиктор, влияющий на зависимую переменную;

множественные модели регрессии, где присутствует несколько влияющих факторов.

Виды регрессионных моделей по типу зависимостей между переменными представлены на рисунке 2.



Рисунок 2 - Классификация регрессий по типу зависимостей

Различие квазилинейных регрессий от существенно нелинейных заключается в следующем. Квазилинейные регрессии нелинейны относительно зависимых переменных, существенно нелинейные же нелинейны еще и относительно оцениваемых параметров [2, с.71-72].

Простая линейная модель регрессии имеет следующий вид (формула 5):

,

где - зависимая переменная;

- независимая переменная (предиктор);

и - оцениваемые параметры;

- возмущение (случайная переменная, получаемая как разница между фактическим значением и значением, определенным по модели).

Для составления модели необходимо проверить ряд положений, которые должны быть соблюдены, чтобы модель можно было признать адекватной:

Количество наблюдений превышает количество предикторов.

Предикторы не коррелируют с возмущением.

Между предикторами отсутствует коллинеарность или мультиколлинеарность.

Возмущение является нормально распределенной случайной величиной.

Средняя величина остатков (математическое ожидание возмущения) равна нулю.

Гомоскедатичность (дисперсия остатков - постоянная величина).

Для возмущений не характерна автокорреляция (последовательные значения возмущений не зависят друг от друга) [8, с.39].

Очевидно, что регрессионные модели актуальны для целей прогнозирования, когда можно выделить факторы, влияющие на зависимую переменную. Полнота модели оценивается коэффициентом детерминации (), который показывает, насколько изменение зависимой переменной объясняется изменением предикторов в рамках рассматриваемой модели. Доля дисперсии случайной ошибки модели определяется как .

Такой параметр, как спрос, может поддаваться множеству влияний различных факторов, многие из которых не могут быть определены достоверно или даже количественно оценены, что затрудняет процесс составления адекватной регрессионной модели. В связи с этим подобный метод в части прогнозирования спроса может приводить к ошибкам.

Возможно также составление регрессионной модели на основании данных исключительно временного ряда параметра. Такой метод называется авторегрессией. В его рамках выявляется зависимость результирующего показателя от предыдущего значения наблюдения временного ряда. Уравнение авторегрессии имеет вид (формула 6):

.

Формализованные методы, рассмотренные ранее в данной главе и применимые к временным рядам, представлены в таблице 2.



Таблица 2 - Классические методы прогнозирования, применимые для временных рядов

Метод прогнозирования	Формула	Условие применения
«наивный» метод с учетом тренда с учетом сезонности	, где - период сезонности	отсутствие вариативности линейный тренд постоянная периодичность и выраженность сезонности
Экстраполяция на основании: простой средней; среднего темпа роста; среднего абсолютного прироста; скользящей средней	, где - среднее значение параметра во временном ряду; - средний темп роста параметра (средняя геометрическая); - средний абсолютный прирост; - число периодов в скользящей средней.	наличие постоянной тенденции (линейного тренда) в прошлом, при отсутствии ее изменения в будущем
Трендовые модели: линейный; параболический; степенной; показательный; экспоненциальный; гиперболический; логарифмический		наличие постоянной тенденции в прошлом, при отсутствии ее изменения в будущем
Метод экспоненциального сглаживания		краткосрочное планирование, важность последних наблюдений над более ранними определяется исследователем через введение значения параметра сглаживания
Авторегрессия (линейная)		наличие тренда, зависимость величины параметра текущего периода от предыдущего

1.5 Интуитивные методы

Суть интуитивных методов заключается в получении прогнозных оценок о состоянии оцениваемого параметра в будущем путем проведения экспертных оценок. Данные методы направлены на решение неформализуемых проблем, когда эксперты проводят интуитивно-логический анализ проблемы, после чего осуществляется количественная оценка их суждений, результаты которой формально обрабатываются. Данные методы применяются в ситуациях, когда формализация задачи прогнозирования не представляется возможной [17, с.39].

На данный момент существует множество разновидностей интуитивных методов, однако всех их отличает субъективность, в особенности с индивидуальными методами. Даже при применении коллективных методов возможны ошибки, так как субъективность одного эксперта не обязательно исправляется субъективностью другого. Таким образом, данные методы имеют определенные алгоритмы и положения, некую формализацию по части их осуществления, однако сама суть конкретной задачи, подлежащей решению, не всегда поддается формализации.

В контексте прогнозирования спроса данные методы не столь применимы. Основная задача в рамках реализации интуитивных методов - использование опыта, знаний и латерального мышления экспертов для принятия решения. То есть корректнее было бы сказать, что данный метод может применяться уже на стадии планирования, когда для целей прогнозирования спроса задачу прогнозирования невозможно формализовать таким образом, чтобы получаемые прогнозы считались в достаточной мере достоверными. Тогда эксперт или эксперты могут высказать суждение касательно прогнозируемого спроса в будущем, что условно решит задачу прогнозирования. Однако многие методы предполагают принятие управленческих решений в рамках их реализации.

В целом интуитивные методы делятся на индивидуальные и коллективные. Коллективные методы часто считаются более эффективными [12, с.530]. Однако привлечение экспертов для решения тех или иных задач, а также организация реализации конкретного метода могут быть достаточно затратными.

Метод Дельфи был разработан в рамках написания Report on a long-range forecasting study. Его разработка шла в противовес принятому тогда подходу к достижению консенсуса посредством открытой дискуссии. Метод Дельфи, исключая данный дискуссионный фактор, очищает прогнозы экспертов от ряда психологических факторов, таких, как внешнее убеждение, нежелание идти против мнений, высказанных публично, а также следование за мнением большинства. Эксперты независимо друг от друга проходят опросы, которые в процессе уточняются, дополняются более крайними точками зрения, которые вновь рассматриваются экспертами с возможностью изменения их мнения. Данный процесс является итерационным и продолжается до тех пор, пока не установится консенсус в группе. Изложение тех или иных точек зрений иных экспертов дает возможность каждому респонденту взглянуть на проблему под новым углом, изучить ранее не осмысленные факторы [43, с.5-6].

Таким образом, метод Дельфи позволяет получить групповое мнение экспертов касательно прогнозов, при этом каждый эксперт дает индивидуальные оценки. Сложность реализации метода может заключаться в поиске компетентных экспертов. Но данная проблема актуальна для каждого из интуитивных методов. Его преимуществом является возможность рассмотрения каждым экспертом совокупности мнений и факторов, которые в индивидуальном порядке не могли бы быть рассмотрены, при этом происходит минимизация внешних влияний на оценки экспертов посредством анонимности проводимых опросов. Данный метод может быть применен и для задач прогнозирования спроса, когда нет возможности использовать формализованные методы.

Метод коллективной генерации идей (brainstorming) противоположен в своей основе методу Дельфи, поскольку решение получается в ходе групповой дискуссии. Его суть заключается в коллективной генерации прогнозных путей развития исследуемого объекта с последующим предоставлением конструктивной критики. Заседание экспертов должно быть четко регламентировано по времени. Сам процесс генерации идей советуют проводить в течение 20 минут - 1 часа. Данный интервал довольно условный, время может варьироваться, поэтому эта продолжительность должна быть определена в каждом случае, за рамки которой процесс не должен выходить. Следующим этапом идет систематизация всех идей, высказанных на этапе их генерации, с их дальнейшим обсуждением [11, с.26].

Метод коллективной генерации идей слабо подходит для целей прогнозирования спроса. Он более актуален в рамках предприятия для процесса принятия управленческих решений, часто стратегического характера [2, с.31]. Опять же данный метод более актуален для задач планирования, нежели прогнозирования.

Морфологический анализ нацелен на то, чтобы создать новый объект с новыми свойствами на основании изучения существующего объекта и классификации его признаков. В рамках применения морфологического метода выделяется три принципа:

Принцип отрицания и конструирования. Суть данного принципа заключается в том, что любое суждение может быть подвергнуто сомнениям, так как не учитываются все факторы, влияющие на объект исследования. Происходит исследование объекта и его характеристик с дальнейшим их критическим анализом, а также анализом связей между элементами системы, которую и представляет объект. После этого происходит постепенное изменение объекта в случае нахождения сомнений в правильности построения текущего объекта. Данный принцип в большей степени применим для конструирования технических объектов. Также он может быть использован для изменения организационной структуры предприятия.

Принцип систематического покрытия поля знания. Данный принцип предполагает, что исходное поле знаний (представленное как множество, состоящее из подмножеств, которые управляются по некоторым законам) не является полным, так как в таком случае невозможно совершенствование системы. Совершенствование заключается в конструировании нового поля знаний с осмыслением свойств.

Принцип морфологического ящика. Морфологический ящик подразумевает собой систему, в которой находятся различные подсистемы объекта исследования, а, соответственно, и множество решений проблемы [6, с.41].

Суть метода в целом заключается в полном анализе объекта и его свойств, выявлении всех причинно-следственных связей, а также в сопутствующем поиске всех возможных решений, включая тривиальные. Рассмотрение всей системы, ее элементов и связей между ними, а также всех вариантов решений, понимание всех факторов, влияющих так или иначе на результат, позволяет повысить точность прогноза за счет того, что не происходит отсечения каких-либо составляющих из-за признания их незначительными. Таким образом, все факторы принимаются во внимание, когда данным методом решается задача прогнозирования.

Данный метод может быть применен в рамках решения задачи прогнозирования спроса, однако он будет весьма трудоемким. При этом выявление всех факторов, влияющих на спрос на товар, может быть не только сложной задачей, но и нереализуемой.

Суть метода написания сценария заключается в моделировании процесса, определении его логики во времени в различных гипотетических ситуациях, которые связаны между собой причинно-следственными связями. Определяется цель развития объекта исследования, выявляются все факторы, воздействующие на него. При коллективной реализации данного метода важна согласованность экспертов в части прогнозирования развития событий и состояний, которые рассматриваются во временной системе координат. В рамках реализации метода определяются те управляющие воздействия, которые должны быть совершены в отношении объекта, а также моменты времени, когда они должны быть совершены для достижения определенной цели [2, с.29].

С точки зрения прогнозирования спроса для целей управления запасами данный метод не особо применим, так как спрос для данной функции не является управляемым явлением. Данный метод больше подходит для целей планирования в целом, в том числе и на основании различных сценариев, отличающихся значениями прогноза на спрос. Но в любом случае процесс прогнозирования, как было сказано ранее, имеет индикативный характер, поэтому разработка каких-либо воздействующих механизмов не является задачей в рамках решения данной проблемы.

При решении задачи прогнозирования спроса, как правило, имеются исторические данные, позволяющие формализовать данную задачу и, соответственно, использовать один из методов прогнозирования, позволяющий работать с данными временных рядов. Однако существуют ситуации, когда исторических данных нет (новый продукт), для которого можно строить прогнозы аналогично другим новым продуктам, которые были ранее выведены на рынок, однако подобные аналогии тоже не всегда возможны, при этом, такие оценки могут иметь весьма неточный характер. Различного рода интуитивные методы здесь могут послужить в качестве метода прогнозирования, однако мнения экспертов также могут быть ошибочными.

На основании анализа литературы можно сделать вывод, что интуитивные методы, которые заявлены как методы прогнозирования, часто не столь применимы для данной функции. Поиски решения проблем, разработка конкретных действий уже не входит в задачи прогнозирования. Такие действия актуальны для директивной функции планирования. Тем не менее, ряд интуитивных методов может быть применен для целей прогнозирования. Прибегать к ним следует, только если нет возможности использовать формализованные методы, которые исключают субъективность, свойственную всем методам, основанным на суждениях экспертов. При этом точность прогнозов может быть высокой или низкой как в случае с использованием формализованных методов, так и в случае с использованием интуитивных методов. Основной ошибкой при использовании формализованных методов может быть некорректный выбор самого метода прогнозирования. Для каждого из рассмотренных методов существуют свои допущения. В ряде случаев данные допущения соблюдаются, однако исследователю важно понимать, когда это так. Поэтому важно проводить детальный анализ ситуации, предварительный анализ временных рядов в случае их наличия для исключения ошибок, связанных с некорректным выбором метода прогнозирования, приводящим к неадекватным результатам.

1.6 Особенности прогнозирования при осуществлении управлении запасами в цепях поставок

Как было отмечено ранее, в цепях поставок важна согласованность процессов прогнозирования, планирования и других функций управления запасами. Данная согласованность выражается в совместном осуществлении различных процессов, их координации и интеграции. Обязательным условием для обеспечения должного уровня как интеграции, так и координации является своевременный обмен актуальной информацией между участниками цепи поставок. В современных условиях данный обмен происходит за счет внедрения различных информационных систем, позволяющих совершать обмен информацией, а также автоматизировать процессы на межорганизационном уровне.

На каждом этапе управления цепями поставок, включая прогнозирование и планирование, производится работа в корпоративных информационных системах, а именно в различных системах управления бизнес-процессами. Информация играет важнейшую роль в процессе управления цепями поставок. Перечень типов информационных потоков, которые создаются и управляются в цепях поставок, можно свести к пяти пунктам:

уровни запасов;

информация о реализации и прогнозы ее объемов;

статус выполнения заказа;

план и расписание производства и доставок;

иные показатели [59, с.88].

Различные проблемы в работе с информацией по каждому из вышеописанных пунктов, будь то ее искажение, несвоевременная передача или же потеря, ведут к тем или иным негативным последствиям, выражающимся в повышении затрат в результате борьбы с неопределенностью. Появляется необходимость повышения уровней страхового запаса, как у производителей, так и у поставщиков с целью борьбы с неопределенностью в отношении уровня запасов иных контрагентов. Обратная ситуация заключается в остановке производства из-за возникновения дефицита запаса.

Отсутствие данных о продажах и ориентация только на заказы, а также отсутствие данных о прогнозах спроса на товар от других участников цепи создают «эффект хлыста», когда информация, переходящая по заказам по цепи поставок «вверх», искажается и вызывает ошибки в планировании производства и запасов. Эффект отражает тенденцию увеличивать размеры заказов по их движению по цепи от производителя до начального поставщика [58, с.546]. Отсутствие информации о статусе выполнения заказа способно отсрочить процесс решения проблем, если таковые возникают. Дефицит информации о планах других участников цепи предотвращает корректировочные действия в отношении планов предприятия.

Для того, чтобы вся вышеперечисленная информация передавалась между участниками цепи поставок, необходима определенная программная инфраструктура для организации ее сбора и движения, а именно те или иные информационные продукты. Информационные технологии являются важным инструментом информационной интеграции в цепи поставок, так как они предоставляют возможность преодолевать временные и пространственные ограничения. К данному типу технологий относятся информационные системы разных классов, обеспечивающие межорганизационное взаимодействие.

Классических ERP-систем недостаточно, так как они направлены на интеграцию внутренних процессов и традиционных функций предприятия, таких как управление производством, продажами и запасами. Для организации взаимодействия между различными бизнес-единицами нужны иные инструменты [52, с.41]. Межорганизационные системы, также именуемые экстранетом, - это системы, связывающие множество контрагентов в цепях поставок, используя телекоммуникационную инфраструктуру [65, с.2].

Четыре вида подобных технологий, обеспечивающих межорганизационное планирование и прогнозирование на основании организации ранее описанных информационных потоков, можно выделить:

«совместное планирование, прогнозирование и пополнение» (Collaborative Planning, Forecasting and Replenishment, CPFR);

«управление запасами поставщиком» (Vendor Managed Inventory, VMI);

«план продаж и операций» (Sales and Operations Plan, S&OP);

«управление расширенной цепью создания стоимости» (Extended Value Chain Management, EVCM).

Все вышеперечисленные концепции относятся к платформам совместной работы участников цепи поставок.

Концепция совместного планирования, прогнозирования и пополнения запасов заключается в организации процесса планирования, основанного на эффективном обмене информацией между участниками, управлении товарными позициями со спросом, не поддающимся точным прогнозам, и налаживании взаимодействия для удовлетворения потребностей потребителя. Данная технология интегрирует функции участников цепи поставок в части маркетинга и логистики, а также процессы управления и планирования.

Таким образом, реализация данной концепции имеет целью интеграцию и координацию усилий участников цепи поставок для удовлетворения потребностей потребителей. В состав концепции входит четыре блока кооперационных отношений: стратегия и планы, управление спросом и поставками, реализация, а также анализ и оценка. Внедрение данной технологии позволяет наладить обмен информацией таким образом, чтобы на межорганизационном уровне синхронизировался большой объем данных, а также обеспечивались достоверность и актуальность передаваемой информации [4, с.95].

Среди преимуществ, получаемых от внедрения технологии CPFR можно выделить:

снижение времени выполнения заказа;

улучшение реагирования на изменения запросов клиентов;

повышение точности процесса прогнозирования;

увеличение объемов реализации [22, с.99].

Концепция «Управление запасами поставщиком» основана на принципе «выталкивания» и выполнении операций «активного снабжения» [15, с.75]. Технология используется для оптимизации запасов предприятия. Суть ее заключается в переносе ответственности решения задачи пополнения запасов на предприятие, находящееся выше по цепи поставок, то есть на поставщика. Системы данного класса обеспечивают синхронизацию информационных потоков о потребностях в материалах и их запасах с поставщиками. В рамках концепции именно поставщик определяет параметры поставок, такие как их сроки и объем. Основными преимуществами реализации технологии VMI являются:

оптимизация уровней запасов;

снижение затрат на хранение;

увеличение объемов реализации;

сокращение дефицита запасов;

оптимизация планирования реализации [16, с.448].

Концепция планирования продаж и операций - это технология, объединяющая планы участников цепи поставок в части прогнозирования и планирования спроса, ресурсов и производства в единый интегрированный план с целью достижения стратегических целей [71, с.3]. Процесс планирования в данном случае заключается в совокупности последовательных этапов принятия решений в сферах планирования спроса, производства, поставок, выпуска новых продуктов на рынок, а также утверждении и реализации интегрированных планов. Модули управления спросом, планирования потребностей в ресурсах, планирования закупок, производства и распределения и управления складскими операциями являются стандартными в программных продуктах, принадлежащих данному классу [19, с.320].

В результате внедрения технологий S&OP цепи поставок получают следующие преимущества:

согласованность стратегических и тактических целей участников цепей поставок;

повышение точности процессов прогнозирования и планирования;

достижение межорганизационной интеграции;

обеспечение принципа кросс-функционального взаимодействия в цепи на межорганизационном уровне;