Сезонность (Цепочка поставок)
В цепочке поставок спрос - или продажи - данного продукта считается проявляющим сезонность, когда базовый временной ряд претерпевает предсказуемое циклическое изменение в зависимости от времени года. Сезонность является одним из наиболее часто используемых статистических паттернов для повышения точности прогнозов спроса.
Иллюстрация сезонных временных рядов
Ниже приведенный график иллюстрирует 4 сезонных временных ряда (нажмите для увеличения). Временные ряды агрегированы на еженедельном уровне за период в 159 недель (примерно 3 года). Данные представляют собой еженедельные поставки для 4 различных продуктов из склада крупного европейского ритейлера.

Первый день года (1 января) отмечен серым вертикальным маркером. Исторические данные отображаются красным цветом, а прогноз Lokad показан пурпурным. Сезонность можно визуально наблюдать по схожести паттернов от года к году; используйте серые маркеры в качестве ориентиров.
Базовая модель сезонной декомпозиции
Пусть Y(t) — это спрос в момент времени t. Мы декомпозируем спрос Y(t) на два компонента: S(t) — строго циклическая функция, и Z(t) — несезонное дополнение. Таким образом получаем:
Y(t) = S(t) * Z(t) где S(t + 1 год) = S(t)
Если такую функцию S(t) можно оценить, то процесс прогнозирования обычно проходит в три этапа:
- Вычислите обезсезоненный временной ряд как Z(t) = Y(t) / S(t).
- Составьте прогноз для временного ряда Z(t), возможно, с использованием скользящего среднего.
- Затем вновь примените сезонные индексы к прогнозу.
Возвращаясь к исходной задаче оценки сезонных индексов S(t), при предположении отсутствия тренда (и не только), S(t) можно оценить следующим образом:
S(t) = AVERAGE( Y(t-1)/MA(t-1) + Y(t-2)/MA(t-2) + Y(t-3)/MA(t-3) + ... )
где Y(t-1) является сокращением для Y(t - 1 год), а MA(t) — скользящее среднее за 1 год для Y(t).
Подход, предложенный в этом разделе, является наивным, но может быть легко реализован в Excel. В литературе можно найти множество статистических моделей для решения проблемы сезонности с использованием более сложных методов. Например: Box-Jenkins, ARMA, ARIMA, Holt-Winters…
Проблемы оценки сезонных индексов
Модель сезонности, представленная выше, является довольно наивным подходом, который работает для длинных гладких сезонных временных рядов. Однако при оценке сезонности возникают множественные практические сложности:
- Временные ряды короткие. Срок жизни большинства потребительских товаров не превышает 3 или 4 лет. В результате для данного продукта история продаж в среднем содержит очень мало точек для оценки каждого сезонного индекса (то есть значений S(t) на протяжении года, см. предыдущий раздел).
- Временные ряды зашумлены. Случайные колебания на рынке влияют на продажи и затрудняют выделение сезонности.
- Задействовано множество сезонностей. При анализе продаж на уровне магазина сезонность самого продукта обычно переплетается с сезонностью магазина.
- Другие паттерны, такие как тренд или жизненный цикл продукта, также влияют на временные ряды, внося различные виды смещений в оценку.
Простой, хотя и требующий значительных трудозатрат, метод решения этих проблем заключается в ручном создании профилей сезонности на основе агрегатов продуктов, известных своим одинаковым сезонным поведением. Срок жизни агрегата продуктов обычно значительно длиннее, чем срок жизни отдельных продуктов, что смягчает проблемы оценки.
Квазисезонность
Существует множество паттернов, которые происходят раз в год, но не всегда в одну и ту же дату. В Lokad мы называем эти паттерны квазисезонными. Например, День матери (который приходится на разные даты в зависимости от года и также варьируется в зависимости от стран) и другие праздники, такие как Рамадан, Пасха и Ханука (которые также приходятся на разные даты в зависимости от года), являются квазисезонными.
Эти квазисезонные события выходят за рамки классических циклических моделей прогнозирования, которые предполагают, что период цикла строго постоянен. Для учета квазисезонных событий требуется более сложная квазицциклическая логика.
Особенности Lokad
По нашему опыту, сезонность влияет на подавляющее большинство человеческих активностей. В частности, в временных рядах, представляющих продажи потребительских товаров (как пищевых, так и непищевых), сезонный фактор практически всегда присутствует. Однако часто случается так, что из-за шума на рынке качество оценки сезонных индексов оказывается слишком низким для практического использования в улучшении прогнозов.
Технология прогнозирования Lokad нативно обрабатывает как сезонность, так и квазисезонность, поэтому вам не нужно сообщать Lokad о них — они уже учтены.
Чтобы преодолеть проблемы, связанные с ограниченной исторической глубиной большинства временных рядов в ритейле или производстве, Lokad использует анализ нескольких временных рядов, и сезонность оценивается не для одного продукта, а с учетом множества продуктов. Таким образом, мы уменьшаем шум в оценке сезонности, а также вводим сезонность в прогнозы, даже если продукт продавался меньше года.