Привет, Хабр! Сегодня расскажу о процессе создания заказов в системе SAP F&R с примерами и расчетами.
Напоминаю, что SAP F&R – система прогнозирования спроса и управления запасами на уровне целевое местоположение-местоположение поставщик. Система входит в состав решения SAP SCM (управление цепочками поставок) и внедряется в двух вариациях:
Весь функционал SAP F&R можно условно разбить на 4 основных блока:
На вход в SAP F&R подаются данные продаж в разрезе товар-местоположение, история остатков, основные данные товаров и поставщиков, заранее сформированные графики поставок и некоторые настроечные параметры, позволяющие системе функционировать эффективно в соответствие с бизнесом ритейлера.
Часто случается, что статистика продаж ритейлера бывает некорректной (допустимы необъясненные пики, потерянные дни, заниженные продажи из-за дефицита). SAP F&R умеет работать с неточными входными данными. Смысл очищения статистики от посторонних значений в том, чтобы избежать влияния постороннего значения на прогноз продаж. F&R сначала обнаруживает посторонние значения, а затем заменяет их на локальное среднее значение продаж. Локальное среднее – это среднее значение между соседними неделями, по отношению к неделе с посторонним значением.
Пример 1. Коррекция пиковых значений
На рисунке видим несколько необъясненных системе всплесков (пиковых значений продаж). Черная линия – реальная статистика, красная линия – скорректированные значения продаж.
Обнаружение: Чтобы обнаружить постороннее значение в случае пика, F&R рассчитывает насколько сильно значение недельных продаж пика или спада отклоняется от локального среднего недельных продаж, принимая во внимание соседние недели (две недели с одной стороны и две с другой). Если отклонение от локального среднего > Стандартного отклонения временного ряда * коэффициент то такие недельные продажи считаются посторонним значением. Коэффициент задается в настройках. Отклонение от локального среднего = локальное среднее недельных продаж – значение продаж конкретной недели, взятое по модулю. Стандартное отклонение временного ряда рассчитывается по всем неделям, за которые предоставлена история продаж.
Пример 2. Коррекция истории заниженных из-за дефицита данных продаж
На рисунке показан явный оптовый сбыт товара и, в последствие, нулевые запасы по товару или дефицит. Дни с дефицитом товара ведут к неправильной статистике продаж (не учитываются потерянные продажи). Система так же корректирует подобные значения.
Обнаружение: Данные о нулевом запасе так же выгружаются в систему, как входные данные. Товары, для которых в некоторые дни недели запас был нулевым, имеют заниженные продажи за неделю. Система добавляет к недельным продажам величину = (Локальное среднее * количество дней с дефицитом за неделю)/ количество рабочих дней в неделю.
Пример 3. Коррекция подряд идущих заниженных продаж
Система также корректирует историю продаж для слишком длинных подряд идущих периодов низких недельных продаж.
Обнаружение: Длина обнаружения подряд идущих недель задаётся в настройках. Если в течение нескольких недель, где их количество не менее заданной длины, подряд идущие недельные продажи меньше заданного порогового значения, то система считает эти недели неделями заниженных продаж и корректирует историю продаж за эти недели в соответствии с локальным средним.
В данном блоке в системе прогнозируются средние значения продаж (или средний прогноз). Средний прогноз в терминологии SAP F&R — это такое значение объема товара на местоположении, которое с вероятностью в 50% удовлетворит спрос клиентов в магазине, или, другими словами, позволит обеспечить уровень клиентского сервиса = 50%. Средний прогноз не является конечным результатом, положенным к заказу.
Для построения среднего прогноза в системе SAP F&R используются модели прогнозирования продаж, учитывающие не только статические данные расхода, но и влияние внешних факторов, таких как календарные события или промо-акции. Эффект от таких факторов может быть задан как вручную, так и выявлен системой в прошлом автоматически. Таким образом, при формировании прогнозной модели временного ряда как в прошлом, так и в будущем, SAP F&R использует данные о возможном изменении прогнозируемого значения и накладывает эффект от внешнего фактора на сглаженный ряд.
Как видно на рисунке, при формировании прогнозной модели в прошлом, SAP F&R явно выявила сезонные колебания продаж и пиковые всплески в предновогодний период и периоды других праздников.
Как было сказано выше, при расчете среднего прогноза система учитывает не только поведение продаж в прошлом, но и некоторые особенности бизнеса. Для более гибкой настройки прогнозной модели все комбинации товар-местоположения разбиваются на 6 групп по скорости оборачиваемости: быстрооборачиваемые 1, Быстрооборачиваемые 2, среднеоборачиваемые 1, среднеоборачиваемые 2, низкооборачиваемые 1, низкооборачивыемые 2. Границы значений, по которым производится распределения в группы задаются в настройках. Распределение по группам – динамический процесс, товар может относиться как к одной группе, так и к другой в случае повышении/снижении скорости оборачиваемости. Многие бизнес-настройки в системе ведутся в разрезе данных групп.
Так же, на базе группы товаров по скорости оборачиваемости в системе автоматически выбирается прогнозная модель:
Методы так же могут быть настроены и вручную по желанию компании клиента.
После выбора метода прогнозирования в системе производится автокалибровка модели прогнозирования (расчет и выбор коэффициентов сглаживания, тренда, адаптивности и т.д. по наименьшей ошибке прогноз-факт в прошлом).
Факторы, влияющие на спрос
В системе используется 3 основных группы факторов, влияющих на спрос:
Прогнозирование новинок
В F&R новинки прогнозируются по 2 сценариям:
Пример 4. Прогнозирование новинок
При указании аналога с того же магазина, история продаж товара-предшественника «приклеивается» в хвост товару-новинке. Система прогнозирует исходя из статистики продаж товара предшественника. Реальная история продаж отсутствует (черная линия). Красная линия: история товара-аналога.
Дополнительный функционал
Также SAP F&R умеет учитывать периоды временного исключения товара из ассортиментной матрицы, взаимное влияние продаж (когда продажи пива влияют на продажи чипсов, например), использование ссылочного модуля для прогнозирования продаж товара-новинки (объединение истории продаж нескольких товаров) и т.д. и т.п. для достижения наиболее точного результата.
Как я уже писала выше, в результате работы модуля формируется средний прогноз — такое значение объема товара на местоположении, которое с вероятностью в 50% удовлетворит спрос клиентов в магазине, или, другими словами, позволит обеспечить уровень клиентского сервиса = 50%.
Для того, чтобы избежать потерянных продаж, целевой уровень клиентского сервиса, как правило, планируется не ниже 95%. Это означает, что в 95 случаев из 100 клиент купит в магазине то, что планировал. Обеспечение высокого уровня сервиса в SAP F&R производится посредством страховой надбавки к среднему прогнозу, которая зависит не только от целевого уровня сервиса, но и от вариативности прошлых значений продаж товара. Таким образом в системе формируется максимальный прогноз продаж, объема которого будет достаточно для минимизации запаса на складе или в магазине (а, значит, вывода замороженного в запасах капитала) и соблюдения целевого уровня клиентского сервиса.
Во второй части расскажу про расчет потребности и оптимизации количества товаров в заказе.
Читайте мои публикации по SAP F&R:
» Обзор: SAP F&R сегодня и завтра – будущее прогнозирования продаж
» Искусство прогнозирования в системе SAP F&R для управления запасами
Напоминаю, что SAP F&R – система прогнозирования спроса и управления запасами на уровне целевое местоположение-местоположение поставщик. Система входит в состав решения SAP SCM (управление цепочками поставок) и внедряется в двух вариациях:
- SAP F&R SCM – внедрение с бесшовной интеграцией с SAP-системами;
- SAP F&R OI – система для интеграции с неSAP-системами.
Весь функционал SAP F&R можно условно разбить на 4 основных блока:
- Обработка входных данных
- Расчет прогноза
- Расчет потребности
- Оптимизация потребности
На вход в SAP F&R подаются данные продаж в разрезе товар-местоположение, история остатков, основные данные товаров и поставщиков, заранее сформированные графики поставок и некоторые настроечные параметры, позволяющие системе функционировать эффективно в соответствие с бизнесом ритейлера.
Обработка входных данных
Часто случается, что статистика продаж ритейлера бывает некорректной (допустимы необъясненные пики, потерянные дни, заниженные продажи из-за дефицита). SAP F&R умеет работать с неточными входными данными. Смысл очищения статистики от посторонних значений в том, чтобы избежать влияния постороннего значения на прогноз продаж. F&R сначала обнаруживает посторонние значения, а затем заменяет их на локальное среднее значение продаж. Локальное среднее – это среднее значение между соседними неделями, по отношению к неделе с посторонним значением.
Пример 1. Коррекция пиковых значений
На рисунке видим несколько необъясненных системе всплесков (пиковых значений продаж). Черная линия – реальная статистика, красная линия – скорректированные значения продаж.
Обнаружение: Чтобы обнаружить постороннее значение в случае пика, F&R рассчитывает насколько сильно значение недельных продаж пика или спада отклоняется от локального среднего недельных продаж, принимая во внимание соседние недели (две недели с одной стороны и две с другой). Если отклонение от локального среднего > Стандартного отклонения временного ряда * коэффициент то такие недельные продажи считаются посторонним значением. Коэффициент задается в настройках. Отклонение от локального среднего = локальное среднее недельных продаж – значение продаж конкретной недели, взятое по модулю. Стандартное отклонение временного ряда рассчитывается по всем неделям, за которые предоставлена история продаж.
Пример 2. Коррекция истории заниженных из-за дефицита данных продаж
На рисунке показан явный оптовый сбыт товара и, в последствие, нулевые запасы по товару или дефицит. Дни с дефицитом товара ведут к неправильной статистике продаж (не учитываются потерянные продажи). Система так же корректирует подобные значения.
Обнаружение: Данные о нулевом запасе так же выгружаются в систему, как входные данные. Товары, для которых в некоторые дни недели запас был нулевым, имеют заниженные продажи за неделю. Система добавляет к недельным продажам величину = (Локальное среднее * количество дней с дефицитом за неделю)/ количество рабочих дней в неделю.
Пример 3. Коррекция подряд идущих заниженных продаж
Система также корректирует историю продаж для слишком длинных подряд идущих периодов низких недельных продаж.
Обнаружение: Длина обнаружения подряд идущих недель задаётся в настройках. Если в течение нескольких недель, где их количество не менее заданной длины, подряд идущие недельные продажи меньше заданного порогового значения, то система считает эти недели неделями заниженных продаж и корректирует историю продаж за эти недели в соответствии с локальным средним.
Расчет прогноза
В данном блоке в системе прогнозируются средние значения продаж (или средний прогноз). Средний прогноз в терминологии SAP F&R — это такое значение объема товара на местоположении, которое с вероятностью в 50% удовлетворит спрос клиентов в магазине, или, другими словами, позволит обеспечить уровень клиентского сервиса = 50%. Средний прогноз не является конечным результатом, положенным к заказу.
Для построения среднего прогноза в системе SAP F&R используются модели прогнозирования продаж, учитывающие не только статические данные расхода, но и влияние внешних факторов, таких как календарные события или промо-акции. Эффект от таких факторов может быть задан как вручную, так и выявлен системой в прошлом автоматически. Таким образом, при формировании прогнозной модели временного ряда как в прошлом, так и в будущем, SAP F&R использует данные о возможном изменении прогнозируемого значения и накладывает эффект от внешнего фактора на сглаженный ряд.
Как видно на рисунке, при формировании прогнозной модели в прошлом, SAP F&R явно выявила сезонные колебания продаж и пиковые всплески в предновогодний период и периоды других праздников.
Как было сказано выше, при расчете среднего прогноза система учитывает не только поведение продаж в прошлом, но и некоторые особенности бизнеса. Для более гибкой настройки прогнозной модели все комбинации товар-местоположения разбиваются на 6 групп по скорости оборачиваемости: быстрооборачиваемые 1, Быстрооборачиваемые 2, среднеоборачиваемые 1, среднеоборачиваемые 2, низкооборачиваемые 1, низкооборачивыемые 2. Границы значений, по которым производится распределения в группы задаются в настройках. Распределение по группам – динамический процесс, товар может относиться как к одной группе, так и к другой в случае повышении/снижении скорости оборачиваемости. Многие бизнес-настройки в системе ведутся в разрезе данных групп.
Так же, на базе группы товаров по скорости оборачиваемости в системе автоматически выбирается прогнозная модель:
- Упрощенные методы прогнозирования (скользящее среднее, среднее взвешенное и т.п.) выбираются для товаров-новинок, чья история продаж не превышает 6-ти недель.
- Методы константы (прогноз = n) применяются для товаров с низкой скоростью оборачиваемости.
- Методы на базе экспоненциального сглаживания и регрессионного анализа применяются для всех товаров, в случае действия на продажи внешнего фактора, влияющего на спрос.
Методы так же могут быть настроены и вручную по желанию компании клиента.
После выбора метода прогнозирования в системе производится автокалибровка модели прогнозирования (расчет и выбор коэффициентов сглаживания, тренда, адаптивности и т.д. по наименьшей ошибке прогноз-факт в прошлом).
Факторы, влияющие на спрос
В системе используется 3 основных группы факторов, влияющих на спрос:
- Булевы факторы: событие булевого фактора состоит из двух возможных ситуаций: фактор либо действует, либо нет (например, рекламные мероприятия, праздники, другие календарные события). F&R оценивает эффект на продажи товара на магазине, который был в прошлом из-за события фактора, например, фактор подъёма равный 1.5 вызванный рекламным мероприятием. В случае, если событие фактора с тем же индикатором произойдёт в будущем для этого же товара и магазина, система рассчитает его ожидаемый эффект на прогноз. На рисунке представлено действие факторов ПРОМО, и новый год (+ недели перед новым годом). Реакция на остальные факторы не столь явная. Прогноз (синяя линяя) считается с учетом действия фактора «До нового года».
- Метрические факторы: фактор имеет определённое значение в любой момент времени (например, динамика цены). Система оценивает корреляцию между значениями продаж при действии фактора и историей расхода товара. Если в качестве метрического ФВС используется скидка, то в периоды отсутствия скидки значение ФВС должно быть определено и равно 0.
- Фактор «Игнорировать»: события этого фактора используются для того, чтобы исключить некоторые периоды истории продаж из статистики, так как они не являются правильными значениями (например, период ремонта части магазина и т.п.).
Прогнозирование новинок
В F&R новинки прогнозируются по 2 сценариям:
- Упрощенные: ручной заказ или прогноз средними методами до добора необходимой истории товаров;
- Сложный: указание товара предшественника с того же магазина.
Пример 4. Прогнозирование новинок
При указании аналога с того же магазина, история продаж товара-предшественника «приклеивается» в хвост товару-новинке. Система прогнозирует исходя из статистики продаж товара предшественника. Реальная история продаж отсутствует (черная линия). Красная линия: история товара-аналога.
Дополнительный функционал
Также SAP F&R умеет учитывать периоды временного исключения товара из ассортиментной матрицы, взаимное влияние продаж (когда продажи пива влияют на продажи чипсов, например), использование ссылочного модуля для прогнозирования продаж товара-новинки (объединение истории продаж нескольких товаров) и т.д. и т.п. для достижения наиболее точного результата.
Как я уже писала выше, в результате работы модуля формируется средний прогноз — такое значение объема товара на местоположении, которое с вероятностью в 50% удовлетворит спрос клиентов в магазине, или, другими словами, позволит обеспечить уровень клиентского сервиса = 50%.
Для того, чтобы избежать потерянных продаж, целевой уровень клиентского сервиса, как правило, планируется не ниже 95%. Это означает, что в 95 случаев из 100 клиент купит в магазине то, что планировал. Обеспечение высокого уровня сервиса в SAP F&R производится посредством страховой надбавки к среднему прогнозу, которая зависит не только от целевого уровня сервиса, но и от вариативности прошлых значений продаж товара. Таким образом в системе формируется максимальный прогноз продаж, объема которого будет достаточно для минимизации запаса на складе или в магазине (а, значит, вывода замороженного в запасах капитала) и соблюдения целевого уровня клиентского сервиса.
Во второй части расскажу про расчет потребности и оптимизации количества товаров в заказе.
Читайте мои публикации по SAP F&R:
» Обзор: SAP F&R сегодня и завтра – будущее прогнозирования продаж
» Искусство прогнозирования в системе SAP F&R для управления запасами
