Приоритетное пополнение запасов в Excel с вероятностными прогнозами

Неопределенность является неизбежным аспектом прогнозирования. Однако в 20-м веке статистическое прогнозирование возникло с надеждой на то, что, при наличии достаточно математических моделей, неопределенность может быть устранена. В результате ранние теории управления цепями поставок преуменьшали или отвергали неопределенность, так как ожидалось, что новые или лучшие методы прогнозирования позволят ее устранить или, в случае неудачи, сделают ее незначительной. Хотя эти подходы были благонамеренными, они были недостаточными, поскольку неопределенность, после столетия статистического моделирования, остается неизменно неустранимой. В 2012 году компания Lokad предложила альтернативную перспективу управления цепями поставок, которая принимает и количественно оценивает неопределенность. Этот подход использует вероятностные прогнозы вместо классических точечных временных рядов. В этом руководстве и сопровождающей электронной таблице Microsoft Excel мы применяем вероятностные прогнозы к проблеме пополнения запасов. Этот подход приводит к приоритетной политике пополнения запасов, которая здесь демонстрируется с помощью Excel. Наша цель двоякая: во-первых, популяризировать этот подход среди аудитории, которая может не быть знакома с более продвинутыми программными инструментами; и во-вторых, продемонстрировать, что принятие неопределенности требует определенного мышления, а не сложных инструментов.

Скачать: probabilistic-inventory-replenishment.xlsx

1. Проблема пополнения запасов

Проблема пополнения запасов фокусируется на определении лучшего списка закупок - такого, который учитывает основные финансовые ограничения и цели компании. Метод составления такого списка должен работать одинаково хорошо независимо от бюджетных ограничений, поскольку его целью является максимизация возврата инвестиций за каждый потраченный доллар. Проблема заключается в том, что все SKU конкурируют за одни и те же доллары, поэтому финансовый доход от запасения любой единицы SKU должен быть количественно оценен и ранжирован в контексте всех дополнительных единиц каждого SKU.

1.1 Приоритетное пополнение запасов товара

Процесс ранжирования запасов товара, описанный выше, требует микроуровня анализа. Для сравнения доходности добавления определенной единицы товара в список покупок необходимо учесть несколько факторов. А именно, вероятность его продажи, предоставленная вероятностным прогнозом спроса, и экономические факторы, такие как валовая прибыль и закупочная цена. Каждое рассматриваемое количество товара должно быть сбалансировано с учетом внутренних и внешних ограничений (таких как ограниченная вместимость склада, множители партий и MOQs/MOVs и т. д.). Крайние случаи, такие как равная ожидаемая прибыльность двух (или более) единиц, должны быть учтены в политике пополнения запасов товара путем оценки относительной важности каждого продукта. Товары не должны рассматриваться изолированно, а скорее в корзинах. Некоторые товары, несмотря на более низкую прибыльность в изоляции (например, молоко), являются более важными, так как способствуют продажам товаров с высокой прибылью. Таким образом, финансовое вознаграждение за поддержание уровня обслуживания товара с более низкой прибыльностью - товара, способствующего другим продажам - представляет собой еще один фактор (“защита от исчерпания запасов”)¹. Приоритетный подход к пополнению запасов товара (PIR), использующий вероятностный прогнозирование в качестве входных данных, учитывает все вышеуказанные факторы.

Вкратце, решение PIR можно свести к трем шагам:

1. Создание вероятностного прогноза спроса.

2. Составление списка всех возможных объемов закупки.

3. Ранжирование всех возможных объемов закупки с учетом экономических факторов.

1.2 Приоритетное пополнение запасов товара в Excel

Используя финансовые данные для вымышленного магазина, включая экономические факторы, перечисленные в предыдущем разделе, эта электронная таблица Excel моделирует политику пополнения запасов товара для трех SKU (ручки, клавиатуры и книжные шкафы)². Финансовые последствия каждой дополнительной единицы товара (если заказана) и вероятность его продажи иллюстрируются на листе Charts (см. Рисунок 1). Диаграммы и графики будут обновляться в зависимости от входных данных и предположений модели (например, начальные уровни запасов, цены покупки и продажи и т. д.) на листе Control Tower (Рисунок 2). Подробный список возможных вариантов принятия решений генерируется на листе Micro purchasing decisions (Рисунок 3) на основе ключевых входных данных. Этими входными данными являются вероятностные прогнозы спроса из листа Distribution generators (Рисунок 4) и входные данные с листа Control Tower. Наконец, таблица приоритетных решений по пополнению запасов товара собирается и ранжируется по ожидаемому доходу от инвестиций (см. лист Ranked purchasing decisions на Рисунке 5).

2. Прогноз вероятностного спроса

В этом контексте вероятностный прогноз - это набор всех вероятных будущих значений спроса и их соответствующих вероятностей. Он объединяет в себе неопределенность будущего спроса и может быть построен на любой временной период. Как и в традиционном прогнозе временных рядов, определяется одно наиболее вероятное значение спроса (белые точки на рисунке 6) и линия тренда (серая линия, соединяющая белые точки). Однако вероятностный прогноз интегрирует неопределенность путем добавления всех возможных (хотя и не равновероятных) значений спроса. Этот подход можно увидеть на рисунке 6, где разные доверительные интервалы представляют значения спроса с разными вероятностями.

Белые точки на рисунке 6 представляют наиболее вероятные значения спроса на фиксированные будущие интервалы. Сопровождающая полоса цвета соответствует диапазону альтернативных значений будущего спроса - вероятностному распределению цвета. Чем дальше от белой точки, тем бледнее цвет, что означает большую неопределенность и меньшую вероятность. В целом, полосы цвета бледнеют по мере продвижения времени (по горизонтальной оси), поскольку неопределенность усиливается с течением времени. Однако, независимо от неопределенности, всегда есть хотя бы одно значение, которое является наиболее вероятным, и это всегда представлено белыми точками. Пример вероятностного распределения для одного момента времени показан на рисунке 7.

Рисунок 7 выражает выделенные данные с рисунка 6 в виде гистограммы вероятности с явными числовыми значениями, обозначающими вероятность различных значений спроса. Цветовая кодировка сохраняется для лучшего понимания (помните, более бледные цвета менее вероятны, более насыщенные цвета более вероятны). В этом примере наиболее вероятное значение спроса составляет 167 единиц (+/-), поэтому белая точка в обрезанном диапазоне значений с рисунка 6 расположена непосредственно над самым высоким столбцом на гистограмме. Однако мы также присваиваем вероятности спроса к крайне низким и высоким значениям спроса (около 80 и 260 единиц соответственно, оба из которых очень бледно-оранжевые). Это демонстрирует потенциальную информативность данных вероятностного прогноза, и подобные гистограммы включены в электронную таблицу Excel - по одной для каждого из наших SKU (см. рисунок 4). Используя эти гистограммы (как на рисунке 7 выше), можно определить значения спроса (в единицах), которые имеют ненулевую вероятность возникновения и учесть их в PIR.

2.1 Построение вероятностного прогноза

Хотя в Excel возможно создать реальный вероятностный прогноз на основе исторических данных, это, пожалуй, наименее подходящий инструмент для этой цели. В целом, специфика построения производственного вероятностного прогноза выходит за рамки данного документа, поэтому для простоты были выбраны синтетические вероятностные прогнозы. Параметры этих синтетических прогнозов могут быть изменены в Генераторах распределений (см. рисунок 4). Однако рекомендуется сначала изучить настройки по умолчанию перед внесением изменений.

В основных практиках цепочки поставок спрос обычно считается нормально распределенным, однако это редкость. В реальных цепях поставок большинство SKU отклоняются от нормальных распределений. Исходя из этой реальности, мы специально выбрали три различных распределения: нормальное (для клавиатур), отрицательное биномиальное (для ручек) и двухмодальное (для книжных шкафов - смесь двух отрицательных биномиальных распределений). Ниже приведено обоснование этого предположения.

Например, мы предполагаем, что книжные шкафы покупаются как физическими лицами, так и компаниями (например, школами), поэтому мы используем двухмодальное распределение. В стандартной настройке книжных шкафов имеется частый спрос от физических лиц, с покупкой одной или двух единиц на клиента. Это представляет первый режим распределения (см. Рисунок 4). Компании, однако, представляют менее частые источники спроса, но делают более крупные заказы (больше, чем физические лица обычно делают). Когда это происходит, их спрос добавляется к спросу, созданному покупками физических лиц, и появляется второй режим распределения. Этот второй режим сдвинут вправо (представляя высокие значения спроса) и заметно меньше первого режима, отражая тот факт, что это происходит реже (Рисунок 4). Наша модель также предполагает, что ручки покупаются физическими лицами с редким высоким спросом (например, студенты покупают перед экзаменами в школе). Наконец, чтобы отразить тот факт, что нормальное распределение иногда все же возникает, продажи клавиатур следуют нормальному распределению.

Внутри Генераторов распределения (Рисунок 4) можно изменять распределение спроса, изменяя параметры в редактируемых ячейках. Например, увеличение среднего значения для клавиатур (см. “Параметры NORM” на рисунке 4) с 40 до 50 приведет к сдвигу распределения на 10 единиц вправо. В результате увеличения среднего спроса ожидаемая прибыль от всех единиц клавиатур увеличится. Аналогично можно вносить изменения в параметры отрицательного биномиального (ручки) и двухмодального (книжные шкафы) распределений.

Поскольку Excel не обладает достаточной выразительностью для таких расчетов, в этой демонстрации ограничивается количество изменений до 100 единиц на продукт. Например, установка среднего значения для клавиатур равным 99 приведет к тому, что почти 50% единиц спроса не будут вычислены в листе Принятие микро-закупочных решений.

2.2 Выбор горизонта для вероятностного прогноза спроса

Обычно прогнозы разделяются на дневные/недельные/месячные интервалы, хотя эти дискретные периоды имеют ограниченную полезность и ценность с точки зрения пополнения запасов. Спрос в течение следующего срока поставки не может быть покрыт решениями о закупке, принятыми сегодня, если не допускаются предзаказы, потому что любые закупленные единицы прибудут через период, равный сроку поставки. Таким образом, спрос должен быть покрыт имеющимся на складе товаром и товаром, находящимся в заказе (см. Рисунок 8), предполагая, что единицы, находящиеся в заказе, прибудут до спроса. Поэтому вероятностный прогноз касается спроса между точками перезаказа или, другими словами, спроса во время Периода перезаказа 1 (см. Рисунок 9). Более отдаленный будущий спрос будет покрыт будущими заказами (см. Период перезаказа 2 на рисунке 9).

В теории, вероятностной прогноз спроса должен быть построен на протяжении временного интервала, равного Периоду перезаказа 1 - этот временной интервал называется Окно ответственности A (см. Рисунок 9). Для этого нам нужно сделать прогнозы на будущее для остатка товара на складе и товара в заказе в конце срока поставки. Однако спрос за срок поставки, для которого мы уже приняли решения в предыдущем периоде заказа, также является вероятностным, и это приведет к тому, что уровни запасов также будут представлять собой вероятностные распределения³. Позволяя обратные заказы (общая практика в некоторых отраслях), вероятностный прогноз может быть построен на совместный период (Срок поставки плюс Период перезаказа 1, согласно Рисунку 9, также известный как Окно ответственности B).

Можно предположить, что текущие уровни остатка товара на складе и товара в заказе будут обслуживать спрос в течение срока поставки. Если происходит дефицит товара, любой последующий спрос будет покрыт обратными заказами. Эти обратные заказы будут обслуживаться микро-закупочными решениями, принятыми на сегодняшний день. Это позволяет нам рассматривать остаток товара на складе и товар в заказе как дискретные значения (а не случайные)⁴.

3. Определение возможных вариантов принятия решений по пополнению запасов

В реальной ситуации пополнения запасов на складе необходимо определить все возможные варианты принятия решений, поскольку нет прямого способа перехода от вероятностного прогноза к единственному наилучшему решению (количеству закупки, в данном случае) для каждого товара. Вместо одного идеального выбора вероятностный подход представляет диапазон возможных решений, которые необходимо рассмотреть с точки зрения возможности.

Возможность здесь имеет простое значение, что решение можно немедленно принять; его можно выполнить “как есть” без дополнительных вычислений или проверок. Например, решение является “возможным”, если оно прибыльно и удовлетворяет всем нашим ограничениям (например, Минимальные объемы заказа, Экономичные объемы заказа, размеры партий, полные контейнерные отправки и любые другие ограничения, которые могут существовать в нашей цепочке поставок)⁵.

На каждой строке листа “Микро принятие решений о закупках” (Рисунки 3 и 10) мы должны рассмотреть возможность добавления еще одной единицы товара в наш заказ на покупку для определенного продукта⁶. Наш “настоящий” (или День 1 этого эксперимента) начинается со строки 29, которая показывает текущий уровень запасов. Он рассчитывается как сумма запасов на складе и запасов в заказе. Если мы решим добавить единицу в заказ на покупку, то общее количество покупки будет рассчитано в столбце L как сумма всех рассмотренных до сих пор единиц для покупки (см. примечания на Рисунке 10).

После определения этих возможных решений по запасам мы будем рассчитывать и ранжировать экономическую выгоду каждой возможной покупки. Обратите внимание, что мы не оцениваем экономическую выгоду покупки для единиц, которые в настоящее время находятся на складе или находятся в заказе (столбцы F и G на Рисунке 10). Учитывая, что мы уже купили эти единицы, теоретическая экономическая выгода была определена (и ранжирована) на предыдущую дату. Например, если мы посмотрим на данные о клавиатурах на Рисунке 10, в наличии находится 26 единиц. Таким образом, мы начнем вычисления со строки 29 и рассмотрим, следует ли нам заказать нашу первую единицу дополнительного товара (что повысит уровень запасов с 26 до 27 единиц).

3.1 Оценка возможных решений по закупкам

Для выбора наилучшего количества покупки для каждого продукта необходимо рассчитать ожидаемую денежную отдачу на уровне единицы для каждого возможного количества для каждого продукта (учитывая неопределенное будущее, представленное вероятностным прогнозом). Это концепция ожидаемой стоимости, адаптированная к наиболее детализированному уровню запасов принятия решений.

На самом деле, при попытке рассчитать ожидаемую отдачу для каждого возможного решения следует учитывать все виды экономических факторов⁷. В рамках этой демонстрации мы рассмотрим следующие факторы:

• Цена продажи: Сколько мы берем с клиентов за продукт.
• Стоимость хранения: Сколько нам стоит хранить продукт.
• Цена закупки: Сколько нам стоит купить продукт у нашего поставщика/оптовика.
• Покрытие дефицита: Подробно рассмотрено ниже, так как это менее известный, но важный фактор⁸.

Покрытие дефицита представляет собой финансовое поощрение для поддержания единицы продукта на складе, но не с явной целью продажи. Этот экономический фактор используется для моделирования относительной важности продукта по сравнению с другими. Он стимулирует избегание дефицита продуктов, которые могут быть рассмотрены как менее важные из-за их прямого вклада в маржу, поскольку эти продукты могут значительно способствовать прибыльности косвенным образом. Поэтому он больше похож на фактор вознаграждения⁹. Хотя этот фактор неоднозначен, важно определить все критические продукты (даже те, которые не являются прямыми маржинальными факторами).

3.2 Расчет оценки каждого возможного решения

Общая экономическая последствия (или награда за покупку) решения о пополнении запасов на складе - это сумма всех экономических факторов, включая ожидаемую маржу, ожидаемую стоимость запасов и покрытие дефицита (подробно определено ниже). Стоимость хранения включена в эти расчеты как отрицательный фактор, действующий в качестве противовеса для балансировки наших решений о пополнении запасов.

Ниже приведен анализ экономических последствий формул в каждом столбце, используя строку 29 листа Микро решения о закупках в качестве примера (см. Рисунок 12).

Для расчета ожидаемой награды для каждого решения нам необходимы следующие факторы:

Валовая маржа (столбец E) = Цена продажи - Цена покупки.

Вероятность продажи (столбец Q) = проверьте формулу на листе¹⁰.

Вероятность непродажи (нет столбца) = 100% - Вероятность продажи

Ожидаемая маржа (столбец R) = Валовая маржа * Вероятность продажи/100.

Фактор агрессивности (столбец S) = Варьируется от 0 до 1. Для этого инструмента выбрано значение 0,8.

Покрытие дефицита (столбец T) = Цена продажи * Фактор агрессивности * Вероятность продажи

Стоимость хранения (столбец U)

Ожидаемая стоимость запасов (столбец V) = Стоимость хранения * Вероятность непродажи¹¹.

Используя вышеуказанные данные, награда за покупку для каждого микроуровневого решения о запасах (каждая единица каждого продукта) рассчитывается следующим образом:

Награда за покупку (столбец W) = Ожидаемая маржа + Покрытие дефицита + Ожидаемая стоимость запасов.

После оценки награды за покупку мы можем рассчитать окончательную оценку, которую затем будем использовать для ранжирования всех рассматриваемых решений.

Оценка (столбец Y) = Награда за покупку / Инвестиции (столбец X)¹².

Учитывая, что покрытие дефицита является нечетким фактором, который включает как прямые, так и косвенные доходы, награда за покупку не является строгим отражением ожидаемого дохода от решения о запасах в отрыве от других факторов. Если вы хотите рассчитать этот тип дохода, следует исключить покрытие дефицита из этой формулы¹³.

4. Ранжирование возможных решений по пополнению запасов на складе

После получения оценки для каждого возможного решения по пополнению запасов на складе (для каждого продукта) генерируется список, отсортированный в порядке убывания (от наибольшего к наименьшему) в Ранжированные решения по закупкам (см. Рисунок 13). Каждое возможное решение по запасам на складе сортируется по положительному проценту ROI. Каждому решению также присваивается порядковый ранг (1-й, 2-й, 3-й и т. д.) (см. столбец A на том же рисунке).

Ранжированные решения по закупкам содержат строку с цветовым кодированием для каждого продукта (клавиатуры, ручки и книжные шкафы), используемого здесь для демонстрации того, как выбор добавления одной дополнительной единицы любого заданного продукта взаимодействует с каждой другой дополнительной единицей каждого другого продукта. Каждое из этих решений по запасам влияет на ROI. Наконец, вычисляется значение накопительных инвестиций (столбец AA, Рисунок 13). Это может использоваться для указания места, где следует прекратить принятие решений о закупке в свете ограничений бюджета - хотя это только один из возможных показателей прекращения¹⁴.

5. Определение критериев прекращения

При выборе точки прекращения (как в Ранжированных решениях по закупкам, так и в реальности) критерии будут различаться в зависимости от множества переменных. Например, у кого-то может быть скромный бюджет, и поэтому максимизация ROI является проблематичной при особенно узких маржах. В качестве альтернативы, возможно, у кого-то есть общая цель по уровню обслуживания, и тогда необходимо сбалансировать этот приоритет с стремлением максимизировать прибыльные маржи.

Чтобы стать еще более детализированным, критерии прекращения могут включать стремление к максимизации ROI с различными целями по уровню обслуживания для каждого продукта или категории. Критерии прекращения - это стратегический выбор, который следует сделать после откровенного обдумывания общих бизнес-целей компании. Приоритетное пополнение запасов (PIR) в этом отношении является чрезвычайно гибким; критерии прекращения для каждого цикла закупок могут быть скорректированы с использованием той же общей процедуры ранжирования.

Для явного визуализации возможных решений по пополнению запасов у нас есть три диаграммы и графика для каждого продукта в Панели инструментов dashboard (лист 3, см. Рисунок 14). Особый интерес представляет “Driving forces_product name” (в примере используется Keyboard), который показывает эволюцию ROI при различных количествах закупок на уровне единицы.

Как видно на графике, существует точка, при которой увеличение количества закупок приведет к отрицательному ROI. Это происходит потому, что на определенном уровне нет смысла покупать больше единиц, так как наши ожидаемые маржи будут критически снижены из-за увеличения ожидаемых затрат на запасы.

После определения критериев прекращения, принимаемые решения о пополнении запасов инвентаря сгруппировываются по SKU, что в свою очередь обновляет Количество, Инвестиции и Ожидаемый заполнитель, достигнутый в рекомендациях по закупкам для каждого SKU (см. Рисунок 15). Можно изменить ограничения бюджета ($0 до $1450), что в свою очередь обновит рекомендованный список покупок. Для удобства в контрольной башне есть два дополнительных блока: Базовый случай - бумажная копия и Изменения в базовом сценарии. Первый является статическим и отображает настройки по умолчанию для демонстрации, разработанные Lokad; последний отображает разницу между любыми внесенными изменениями и настройками по умолчанию Lokad.

Список рекомендаций по закупкам в Контрольной башне представляет собой цель этой демонстрации (см. Рисунок 15).

6. Заключение

Традиционные прогнозы временных рядов просто не способны уловить уровень детализации, необходимый для принятия решений о пополнении запасов инвентаря, отражающих будущую неопределенность и полный масштаб ограничений и факторов. Это происходит потому, что они не имеют явного измерения неопределенности, представленного вероятностными значениями ожидаемых будущих результатов. Поскольку традиционный временной ряд фактически не учитывает этот тип данных, классический метод справления, такой как запас безопасности, сводится к догадкам; недостаточно и теряются прибыльные продажи с положительным ожидаемым ROI; слишком много и снижается ROI за счет запасов единиц, которые (как показано в электронной таблице) имеют отрицательный ожидаемый ROI.

Приоритетное пополнение запасов инвентаря с использованием вероятностных прогнозов - наше решение этой проблемы. Такой подход рассматривает выбор пополнения запасов инвентаря в комбинации, а не в отдельности. Таким образом, ожидаемая финансовая награда от выбора пополнения запасов инвентаря может быть полностью количественно определена и выявлена. Основой такого подхода является принятие неопределенности и использование вероятностных прогнозов. В свою очередь, можно также получить больше информации о том, какие уровни обслуживания (по SKU) приносят значимые финансовые вознаграждения, а не устанавливать произвольные цели.

Представленный в этом документе подход PIR был разработан с использованием синтетических данных и узких параметров. Эти выборы были сделаны для адаптации обычного инструмента (Excel) к необычной цели (PIR). Среди других необходимых уступок, SKU и единицы были ограничены (соответственно 3 и 100), чтобы сократить время обработки, так как обработка данных всего каталога (не говоря уже о данных нескольких магазинов) была бы слишком трудоемкой. Кроме того, не было добавлено никаких ограничений цепей поставок. Ключевым моментом является то, что Excel не предназначен для обработки случайных величин - ключевого шага в генерации вероятностных прогнозов и политики PIR. Эти ограничения не применяются к PIR-решению производственного класса.

Практики в сфере цепей поставок, чьи бизнесы выросли за пределы Excel, могут написать на электронную почту contact@lokad.com, чтобы организовать демонстрацию PIR-решения производственного класса.

7. Обзор электронной таблицы

7.1 Прочти меня

Этот лист служит в качестве стартовой страницы для пользователя. Здесь есть ссылка на онлайн-учебник (тот, который вы сейчас читаете).

7.2 Микро-решения по закупкам

Это второй лист, посвященный детальному финансовому анализу всех возможных вариантов решений по пополнению запасов. Обратите внимание, что здесь не выполняется никаких ручных манипуляций данными. Этот лист только отображает результаты вычислений на основе входных данных из листов Control Tower и Distribution generators.

Основные особенности:

• Строки с условным форматированием являются “прошлыми решениями” и не могут быть изменены. Мы рекомендуем использовать приложение для настольного компьютера, так как веб-версия Excel иногда ненадежна в плане форматирования.
• Наведение курсора на каждый заголовок столбца позволит увидеть полезное определение/примечание.

7.3 Диаграммы

Это третий лист, посвященный визуализации основных факторов, влияющих на принятие решений по пополнению запасов. Обратите внимание, что здесь не выполняется никаких ручных манипуляций данными. Этот лист предназначен для помощи практику в визуализации (и, следовательно, лучшем понимании) внутренней работы процесса PIR.

Основные особенности:

• Три графика на каждый артикул (клавиатура, ручка и книжный шкаф).
• Диаграмма “движущих сил” визуализирует основные движущие силы для каждого решения на уровне единицы (для каждого артикула). Поэтому ось x содержит только единицы артикула, которые еще не были заказаны.
• Два других графика (“приращения заполнения” и “вероятностный прогноз спроса”) содержат все единицы товара - имеющийся на складе запас и единицы, которые можно заказать.

7.4 Ранжированные решения по закупкам

Это четвертый лист, посвященный перечислению всех возможных решений по пополнению запасов, отсортированных по ROI/оценке в порядке убывания. Этот список автоматически сортируется на основе данных листа 2 (Микро-решения по закупкам). Возможные решения отображаются относительно друг друга (см. “Основные особенности” ниже). Обратите внимание, что здесь не выполняется никаких ручных манипуляций данными. В зависимости от изменений, внесенных во входные данные на листах 5 и 6, этот список будет меняться.

Основные особенности:

• Возможные решения по пополнению запасов ранжируются в порядке убывания (от наивысшего к наименьшему) по ROI/оценке.
• Вычисляется накопительные инвестиции для отсортированных решений (см. столбец AA на листе 4).
• Наведение курсора на каждый заголовок столбца позволит увидеть полезное определение/примечание.

7.5 Мини-оптимизатор контрольной башни

Это пятый лист и содержит сводку модельных предположений (входных данных) и рекомендуемых решений (выходных данных). Данные в ячейках, которые можно изменять, могут быть изменены для изменения модельных предположений и, следовательно, выходных данных модели.

Основные особенности:

• Три блока для помощи в демонстрации: “Контрольная башня” для ручного изменения входных данных; “Базовый случай - бумажная копия” для отображения настроек по умолчанию; и “Изменения в базовом сценарии” для отображения разницы между обновленными и настройками по умолчанию (см. лист 5).
• Четвертый блок (“Предположения модели”), расположенный под “Контрольной башней”, посвящен изменению начальных предположений о запасах (см. лист 5).
• Можно изменять только данные в ячейках, которые можно изменять.

7.6 Генераторы распределения

Это шестой лист и посвящен генерации вероятностных прогнозов спроса. Параметры в ячейках, которые можно изменять, могут быть изменены, что приведет к обновлению распределений и отображению новых значений вероятности спроса.

Основные характеристики:

• Один график распределения на один артикул.
• У каждого артикула свой уникальный шаблон распределения (обоснование объяснено в разделе 2.1).
• Слева от серии графиков распределения находится таблица, предназначенная для изменения параметров распределений.
• Можно изменять только параметры в ячейках, которые можно изменять.
• Наведение курсора на соответствующие заголовки столбцов (в таблице) позволит увидеть полезное определение/примечание.

Примечания