Сезонность (цепочка поставок)

В цепочке поставок спрос - или продажи - определенного продукта считаются сезонными, когда базовый временной ряд подвергается предсказуемому циклическому изменению в зависимости от времени года. Сезонность является одним из наиболее часто используемых статистических паттернов для повышения точности прогнозов спроса.

Иллюстрация сезонного временного ряда

Ниже приведен график, иллюстрирующий 4 сезонных временных ряда (нажмите для увеличения). Временные ряды агрегированы на недельном уровне за период в 159 недель (примерно 3 года). Данные представляют недельные отгрузки 4 различных продуктов со склада склада крупного европейского розничного продавца.

Первый день года (1 января) отмечен серым вертикальным маркером. Исторические данные отображаются красным цветом, а прогноз Lokad отображается фиолетовым цветом. Сезонность можно визуально наблюдать как сходство паттернов с году на год; используйте серые маркеры в качестве ориентиров.

Базовая модель для сезонного разложения

Пусть Y(t) будет спросом в момент времени t. Мы разделяем спрос Y(t) на две составляющие: S(t) - строго циклическую функцию и Z(t) - несезонную составляющую. Это дает:

Y(t) = S(t) * Z(t), где S(t + 1 год) = S(t)

Если такая функция S(t) может быть оценена, то процесс прогнозирования обычно проходит в три этапа:

• Вычислите десезонированный временной ряд как Z(t) = Y(t) / S(t).
• Сделайте прогноз по временному ряду Z(t), возможно, с помощью скользящего среднего.
• После этого примените сезонные индексы к прогнозу.

Вернемся к исходной проблеме оценки сезонных индексов S(t), предполагая, что нет тренда (среди прочего), S(t) может быть оценено следующим образом:

S(t) = СРЕДНЕЕ( Y(t-1)/MA(t-1) + Y(t-2)/MA(t-2) + Y(t-3)/MA(t-3) + ... )

где Y(t-1) - это сокращение для Y(t - 1 год), а MA(t) - 1-летнее скользящее среднее Y(t).

Предложенный подход в этом разделе является наивным, но его легко реализовать в Excel. В литературе можно найти множество статистических моделей для борьбы со сезонностью с более сложными методами. Например, Box-Jenkins, ARMA, ARIMA, Holt-Winters…

Проблемы при оценке сезонных индексов

Представленная выше модель сезонности является довольно наивным подходом, который работает для длинных плавных сезонных временных рядов. Однако при оценке сезонности возникает несколько практических трудностей:

1. Временные ряды короткие. Срок службы большинства потребительских товаров не превышает 3 или 4 года. В результате для данного продукта история продаж в среднем предлагает очень мало точек в прошлом для оценки каждого сезонного индекса (то есть значений S(t) в течение года, см. предыдущий раздел).
2. Временные ряды шумные. Случайные рыночные флуктуации влияют на продажи и затрудняют выделение сезонности.
3. Участвуют несколько сезонностей. При анализе продаж на уровне магазина сезонность самого продукта обычно переплетается с сезонностью магазина.
4. Другие закономерности, такие как тренд или жизненный цикл продукта, также влияют на временные ряды, внося различные виды смещений в оценку.

Простой - хотя и требующий больших затрат труда - метод решения этих проблем заключается в ручном создании профилей сезонности на основе агрегатов продуктов, известных своим сезонным поведением. Срок службы агрегата продукта обычно гораздо дольше, чем срок службы отдельных продуктов, что смягчает эти проблемы оценки.

Квази-сезонность

Существует множество паттернов, которые происходят один раз в год, но не всегда в один и тот же день. В Lokad мы называем эти паттерны квази-сезонными. Например, День матери (который выпадает на разные даты в зависимости от года и также меняется в разных странах) и другие праздники, такие как Рамадан, Пасха и Ханука (которые выпадают на разные даты в зависимости от года), являются квази-сезонными.

Эти квази-сезонные события выходят за рамки классических циклических моделей прогнозирования, которые предполагают, что период цикла строго постоянен. Для работы с этими квази-сезонными событиями требуется более сложная квази-циклическая логика.

Особенность Lokad

По нашему опыту, сезонность влияет на подавляющее большинство человеческих деятельностей. В частности, во временных рядах, представляющих продажи потребительских товаров (пищевых и непищевых), сезонный фактор почти всегда присутствует. Однако часто бывает так, что из-за большого количества рыночного шума качество оценки сезонных индексов оказывается слишком низким для практического использования в уточнении прогнозов.

Технология прогнозирования Lokad изначально учитывает как сезонность, так и квази-сезонность, поэтому вам не нужно сообщать Lokad об этом, это уже учтено.

Для преодоления проблем, связанных с ограниченной исторической глубиной, доступной для большинства временных рядов в розничной торговле или производстве, Lokad использует анализ нескольких временных рядов, и сезонность оценивается не на одном продукте, а на нескольких продуктах. Таким образом, мы уменьшаем шум в нашей оценке сезонности, но также вносим сезонность в прогнозы, даже когда продукты продавались менее года.