Формула прироста точности (низкая оборачиваемость)
Более точные прогнозы спроса позволяют сэкономить затраты, связанные с запасами. В данной статье рассчитываются сбережения для запасов с оборачиваемостью ниже 15. Мы используем подход, при котором дополнительная точность полностью направлена на снижение уровней запасов при неизменном уровне дефицита товара.
Формула
Доказательство представлено ниже, но начнем с конечного результата. Введем следующие переменные:
- $${V}$$ общая стоимость запасов.
- $${H}$$ годовая стоимость владения (в процентах), которая представляет сумму всех издержек, связанных с запасами.
- $${\sigma}$$ ошибка прогноза существующей системы, выраженная в единичном MAE (средняя абсолютная ошибка). Определение этой величины приведено ниже.
- $${\sigma_n}$$ ошибка прогноза новой системы, с которой проводится сравнение (желательно, чтобы была ниже, чем $${\sigma}$$).
Ежегодная выгода $${B}$$ от пересмотра прогнозов определяется следующей формулой:
Единичный MAE
Предложенная формула работает при условии, что ошибки измеряются за срок поставки и приводятся к однородному виду в процентах от общего объема продаж за этот период.
Хотя MAPE (средняя абсолютная процентная ошибка), измеренная за период поставки, соответствовала бы этому определению, мы настоятельно не рекомендуем использовать MAPE здесь. Дело в том, что MAPE дает нестабильные значения, когда в запасах присутствуют медленно оборачиваемые позиции. Поскольку эта статья посвящена запасам с низкой оборачиваемостью, наличие медленно оборачиваемых позиций почти гарантировано.
Чтобы вычислить единичный MAE (то есть привести к процентному выражению), введем следующие обозначения:
- $${y_i}$$ фактический спрос на позицию $$i$$ в течение срока поставки.
- $${\hat{y}_i}$$ прогноз спроса на позицию $${i}$$ в течение срока поставки.
Для обеспечения согласованности измерений, предполагается использование одной и той же начальной даты $${t}$$ для всех позиций. Тогда для набора позиций $${i}$$ единичный MAE можно записать как:
Это значение приводится к единичному виду в процентах и по сути ведет себя как MAE. В отличие от MAPE, его не искажает наличие медленно оборачиваемых позиций, т.е. позиций, где $${y_i = 0}$$ за рассматриваемый период.
Практический пример
Рассмотрим крупную B2B сеть по продаже профессионального оборудования, которая может добиться сокращения относительной ошибки прогноза на 20% за счет новой системы прогнозирования.
- $${V = 100,000,000}$$ € (100 миллионов евро)
- $${H = 0.2}$$ (20% годовых издержек по запасам)
- $${\sigma=0.2}$$ (старая система имеет ошибку 20%)
- $${\sigma_n=0.16}$$ (новая система имеет ошибку 16%)
Исходя из приведенной формулы, получаем выгоду в размере $${B=800,000}$$ € в год.
Доказательство формулы
Чтобы доказать приведенный выше результат, введем систематический сдвиг вниз на $${\sigma - \sigma_n}$$ процентных пункта для всех прогнозов, полученных новой системой прогнозирования. Вводя этот сдвиг, мы:
- увеличиваем ошибку всех заниженных прогнозов на $${\sigma - \sigma_n}$$ процентных пункта.
- уменьшаем среднюю ошибку завышенных прогнозов (хотя метод их количественной оценки неясен).
Не учитывая улучшение, вносимое сдвигом в завышенные прогнозы, видим, что в худшем случае точность новой – и теперь с отклонением – системы прогнозирования ухудшается на $${\sigma - \sigma_n}$$ процентных пункта, что приводит к общей точности, остающейся ниже или равной $${\sigma}$$.
Затем замечаем, что общий объем запасов $${V}$$ пропорционален спросу за время поставки. Это поведение явно при использовании модели резервного запаса, но, по сути, оно применимо и для альтернативных методик.
Понижая прогнозы на $${\sigma - \sigma_n}$$ процентных пункта, тем самым мы применяем аналогичное снижение к объему запасов $$V$$. Далее, поскольку точность системы с сдвигом остается ниже $${\sigma}$$, частота дефицита товара также должна оставаться ниже, чем в старой системе.
Таким образом, мы показали, что благодаря более точному прогнозу можно обеспечить снижение уровня запасов на $${\sigma - \sigma_n}$$ процентных пункта, не приводя при этом к увеличению дефицита товара – поскольку точность прогнозов остается такой же или лучше, чем у старой системы.
Таким образом, сокращение запасов составляет $${V \left(\sigma - \sigma_n \right)}$$. Учитывая общие годовые издержки $${H}$$, это сокращение приводит к экономии, равной $${B=V H \left(\sigma - \sigma_n \right)}$$.
Заблуждения относительно издержек по запасам
Переменная $${H}$$ должна включать все издержки, связанные с владением запасами. В частности, часто встречающееся заблуждение заключается в утверждении, что значение $${H}$$ составляет от 4% до 6%. Однако это лишь стоимость привлечения оборотного капитала посредством займа в банке.
Учитывать только прямые финансовые затраты означает значительно недооценивать реальные затраты на запасы:
- Само хранение обычно добавляет накладные расходы в размере от 2% до 5% в год.
- Издержки, связанные с устареванием, составляют от 10% до 20% в год для почти всех видов готовой продукции.
Таким образом, 20% годовых накладных расходов является вполне разумным показателем издержек для большинства запасов готовой продукции.
Подводные камни Lokad
Для запасов с низкой оборачиваемостью нативные квантильные прогнозы обычно дают более высокую точность. Действительно, классические средние прогнозы работают плохо при прерывистом спросе.