Формула пополнения запасов, упомянутая в предыдущей главе, имеет некоторые очевидные ограничения. Одно из них заключается в том, что продажи могут отличаться от среднего значения. Другое в том, что предполагает постоянное наличие запасов во всей цепочке поставок. А ведь существуют ещё и ценовые колебания. Если покупка в определённые дни может быть дешевле, чем в другие, в игру вступают коммерческие соображения. Курсы менеджмента цепочек поставок редко учитывают коммерческую политику.
Но давайте остановимся на вопросе средних продаж. Формула, которую мы использовали, зависит от наличия надежной средней скорости продажи. Но некоторые ритейлеры могут запускать распродажи по низким ценам (high-low promotion) и уровень продаж будет отличаться высокой волатильностью. В этом случае расчет среднего объема продаж может сильно различаться в зависимости от выбранного для его составления периода.
В этом примере уровень продаж является волатильным. Средний объем продаж в восьмом периоде может составлять 2.5,16.0 или 21.5, в зависимости от того, использует ли формула историю последних 2, 4 или 8 недель. Причина, по которой разница настолько велика, заключается в том, что история продаж имеет большие пики и впадины, типичные для продуктов с динамичной ценой и высоким уровнем рекламной активности. Также могут быть нетипично низкие продажи из-за отсутствия товара на складе. Независимо от того, как рассчитывается среднее значение, продажа 75 штук в четвёртом периоде представляет собой проблему для всей концепции использования средних значений в пополнении. Если ничего не будет предпринято дополнительно, розничному продавцу, скорее всего, не хватит товара.
Еще одна проблема заключается в том, что среднее значение не очень точно предсказывает продажи на следующей неделе в значительной части показанных недель. В нашем примере недели, показанные красным цветом, не попали в предел 50% точности при их использовании в качестве прогноза продаж на следующую неделю. Любой метод прогноза, основанный на истории продаж, имеет тенденцию заказывать слишком много товаров после проведения рекламных акций и слишком мало до их начала.
Мы можем поспорить о том, следует ли использовать более длительный или более короткий период в качестве основы для расчета среднего. Но какой бы метод не использовался, для товаров, постоянно продвигаемых акциями очень трудно рассчитать среднее значение, которое может быть использовано для целей пополнения. Но при прочих равных, более длительные периоды расчета, как правило, оказываются более надежными, особенно когда они охватывают более одной акции. Как правило, они дают прогноз, который выше, чем продажи без акций и это может приводить к переизбытку запасов в магазинах между акциями.
Очевидно, что ритейлерам нужно знать, когда рекламные акции проводились в прошлом и когда они планируются на будущее. Имея дополнительную информацию в этой области, для расчетов можно использовать прогноз ожидаемого спроса. Управление запасами магазинов становится намного проще, если бизнес может использовать точные прогнозы, а не тупые средние.
Например, при идеальном прогнозе ИТ-система может применять формулу заказа на основе ожидаемого спроса. Фактический заказ также будет зависеть от срока поставки и времени проверки. Таблица выше показывает, каким будет порядок, если необходимо заказать товары на 1, 2 или 4 недели вперёд.
Например, в периоде 14, если требуется заказ на 1 неделю, система может использовать прогноз на следующую неделю, создавая заказ на 10 единиц. Если общий срок поставки заказа составляет 2 недели, система должна заказать 85, прогноз на ближайшие две недели. Если для поставки заказа требуется четыре недели, заказ должен быть 150. Во всех случаях нужно вычесть текущие остатки на складе и товары в пути.
Очевидно, что при наличии точного прогноза формула пополнения не будет зависеть от множителя, основанного на среднем уровне продаж. Мы можем использовать прогноз спроса на нужное количество будущих периодов, требуемых с учетом срока поставки заказа, времени проверки и буфера. Но хитрость в том, что нужно иметь точный прогноз. В реальной жизни это не так просто. Правильный прогноз нельзя создать из воздуха. Есть только два способа получить его. Человеческий интеллект — первый способ, и ультра-умная система программного обеспечения с умными алгоритмами — второй. Оба полагаются на интерпретацию прошлых событий, чтобы предсказать будущее. Опять же, это та область, к которой мы вернемся. Правда в том, что делать сбывающиеся прогнозы в ритейле очень сложная и практически не достижимая задача. Закупщики обычно безнадежно оптимистичны, когда речь идет о прогнозах продаж, а ИТ-системы редко понимают настроения потребителей.
Пополнение запасов, основанное на прогнозе, также сложно и в реальной жизни. Когда люди ходят по магазинам, они редко применяют прогноз. Выше я приводил пример с молоком, когда покупатель пытался определить, сколько ему нужно молока, чтобы продержаться до вылазки в магазин через три дня. В этом примере предполагалось, что потребление молока дома будет стабильным по одному литру в день. Но жизнь не всегда так проста. Что, если некоторые члены семьи уезжают сегодня, а несколько гостей забегут завтра, а на следующий день — вечеринка? Прогноз на 3 следующих дня может составить 0.5 л плюс 2 л плюс 3 л. Но люди редко идут на такие расчеты. «У меня будут гости, поэтому я куплю немного больше» — вот нормальный подход.
Учитывая все сложности при составлении и использовании прогнозов, что ещё можно придумать, чтобы улучшить процесс закупки в магазинах?