Комьюнити и центр компетенций по цифровизации пищевой отрасли
Обучение, консалтинг, аналитика
  • Главная
  • Статьи
  • Как точность алгоритма прогнозирования спроса позволяет оптимизировать запасы для пищевого производства

Как точность алгоритма прогнозирования спроса позволяет оптимизировать запасы для пищевого производства

Сергей Кравченко

Старший аналитик данных Beltel Datanomics

Повышение точности прогнозирования спроса улучшает два ключевых показателя производства:

  • Удовлетворенность клиентов или другими словами уровень сервиса.

Отсутствие товаров на складе может привести к негативным отзывам и потере продаж, а возможно, и клиента. Точное прогнозирование увеличивает вероятность доступности товаров для клиентов, исключает дефициты.

  • Уровень запасов.

На основе точных прогнозов можно предотвратить дефицит, избегая при этом чрезмерных запасов. Этот баланс помогает поддерживать оптимальный уровень запасов, сокращая затраты и повышая эффективность.

Одна из метрик, которую используют для оценки качества прогноза спроса – среднеквадратичная ошибка (RMSE). Она измеряет среднее отклонение между прогнозируемыми значениями, рассчитанными алгоритмом прогнозирования, и фактическими значениями в выборке данных.

Формула выглядит следующим образом:

Как точность алгоритма прогнозирования спроса позволяет оптимизировать запасы для пищевого производства

Q(t) – фактическая продажа товара за определенный день t

F(t) – прогноз продаж товара на день t

Эта величина также может использоваться для оценки оптимального значения запасов на складе, как мы покажем ниже.

Запасы и уровень сервиса

Среднеквадратичная ошибка позволяет оценивать качество алгоритма. Однако у этой величины есть еще одно полезное применение, её используют для формирования запасов. Так как спрос – случайная величина, то любой из современных алгоритмов прогнозирования будет давать прогноз с ошибкой.

Закон распределения отклонения прогноза от спроса принято считать нормальным, ширина распределения определяется среднеквадратичной ошибкой. Если прогноз спроса не смещен относительно средних продаж товара, то распределение отклонения прогноза от спроса выглядит так:

Как точность алгоритма прогнозирования спроса позволяет оптимизировать запасы для пищевого производства

Для простоты используем стандартное распределение ошибки и RMSE равным единице. Случаи, когда значения отклонений левее красной вертикальной линии, дают нам прогнозирование спроса с дефицитом, правее – профицит (рис. 1). При несмещенном прогнозе вероятности дефицита и профицита равны.

Предположим, что мы закладываем запас в прогноз равным среднеквадратичной ошибке, тогда распределение будет таким:

Как точность алгоритма прогнозирования спроса позволяет оптимизировать запасы для пищевого производства

Количество дефицитных случаев стало существенно меньше, однако товара в запасе стало больше. Из свойств нормального распределения следует, что количество дефицитных дней сократилось с 50% до 16%.  Увеличение товарного запаса повысило его доступность с 50% до 84%.

По факту производится намеренное увеличение профицита (страхового запаса), чтобы повысить уровень сервиса.

В наших выкладках выше для простоты мы взяли период поставок товара равным одному дню. Для расчета страхового запаса на несколько дней и обеспечения того же уровня сервиса, необходимо величину запаса умножить на квадратный корень из N, где N – количество дней в периоде поставок. Общая формула запаса выглядит таким образом:

Как точность алгоритма прогнозирования спроса позволяет оптимизировать запасы для пищевого производства

Где z – коэффициент, обеспечивающий заданный уровень сервиса. Ниже представлена таблица зависимости z от уровня сервиса:

Как точность алгоритма прогнозирования спроса позволяет оптимизировать запасы для пищевого производства

Таким образом, при формировании запаса, необходимо учитывать три составляющие: уровень сервиса, ошибку прогноза RMSE, количество дней продаж.

Из формулы следует, что снижение ошибки прогноза позволяет уменьшать запасы.

Обоснованное снижение страховых запасов позволяет сократить количество товара на складе, высвобождая деньги, которые можно пустить в оборот, и дает возможность реализовывать скоропортящуюся продукцию в срок.

Как повысить точность прогнозирования, в том числе прогнозирования промо, читайте в статье Beltel Datanomics: Ссылка на вторую статью “Решаем три проблемы прогнозирования в пищевой отрасли с помощью проверенных математических методов»

Узнать подробнее про Beltel Datanomics и оставить заявку на консультацию можно по ссылке: https://datanomics.ru/

Оставить комментарий

Производишь готовую еду?
Пройди опрос и получи исследование отрасли.
Опрос

Стать партнёром

Для ИТ компаний

Хотите стать партнером проекта Digital4food?

Оставляйте заявку
Для пищевых предприятий

Хотите получать полезную информацию?

Присоединяйтесь
Для пищевых предприятий

Хотите делиться экспертизой?

Оставляйте заявку