Влияние планирования продаж и прогнозирования спроса на логистические показатели организации

Защита на "отлично".
II. Анализ бизнес-окружения организации
Бизнес-окружение компании подразумевает все внешние условия, прямо или косвенно влияющие на ее деятельность. Выявить их можно с помощью PESTLE-анализа, т.е. это шесть групп факторов:
 политические (регулирование международной торговли, степень участия страны на мировом рынке, стабильность Правительства, политические события в мире, финансовая, налоговая, социальная политика и пр.);
 экономические (инфляция, ставка рефинансирования, уровень безработицы, кризисы, конкуренция, поставщики и т.д.);
 социальные (демографическая ситуация, изменения социальных слоев, средняя заработная плата, уровень жизни, СМИ, менталитет, вкусовые предпочтения, мода, предубеждения, уровень образования и т.п.);
 технологические (совершенствование ...

ВВЕДЕНИЕ 3
1. ИНДИКАТИВНОЕ ПЛАНИРОВАНИЕ В УПРАВЛЕНИИ ОРГАНИЗАЦИЕЙ 6
1.1. Логистика запасов в деятельности предприятия 6
Общая характеристика системы логистики 6
Основные показатели оценки эффективности логистической системы 9
1.2. Теоретические аспекты индикативного планирования 12
Принципы классификации планов хозяйствующих субъектов 12
Индикативное планирование 14
1.3. Опыт планирования в России и за рубежом 16
Международный опыт индикативного планирования 16
Практика индикативного планирования в России 19
2. МЕТОДЫ И ИНСТРУМЕНТЫ ПРОГНОЗИРОВАНИЯ СПРОСА В ПЛАНИРОВАНИИ ДЕЯТЕЛЬНОСТИ ПРЕДПРИЯТИЯ 25
2.1. Методология и методы прогнозирования 25
Классификация методов прогнозирования 25
Оценка точности прогноза 32
2.2. Инструментальные средства прогнозирования 34
2.3. Прогнозирование сбыта и спроса в логистической цепи 36
Краткая характеристика компании Unilever 36
Зависимость объема продаж и затрат 37
3. ОЦЕНКА ВЛИЯНИЯ ПЛАНИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ СПРОСА НА ПОКАЗАТЕЛИ ЭФФЕКТИВНОСТИ ЛОГИСТИКИ 41
3.1. Алгоритм оценки эффективности логистики предприятия 41
3.2. Анализ влияния планирования и прогнозирования на логистические показатели организации 49
ЗАКЛЮЧЕНИЕ 56
ЛИТЕРАТУРА 61
ПРИЛОЖЕНИЯ 64

Введение
Современные теоретические исследования и практические приемы в управлении запасами основаны на эффективности логистического воздействия на экономические, социальные, технологические процессы в компании. Специфика производства и реализации продукции требует систематической оценки и анализа логистических показателей, поскольку их отклонение от планируемых значений может привести к недостатку запасов сырья и материалов для производства продукции или избыточным запасам готовой продукции, повышению затрат на хранение товарно-материальных ценностей и другим проблемам. Плановые значения логистических показателей основываются на прогнозировании продаж и спроса. Решение данной задачи нельзя назвать простым, поскольку спрос на продукцию зависит от ряда причин, к числу которых можно отнести динамику отрасли или сегмента рынка, жизненный цикл продукции и фактическое нахождение той или иной категории продукции на этапе активного роста или спада, результативность маркетинговых компаний, сезонность спроса и др.
Существенным для получения обоснованных плановых значений логистических показателей являются методы прогнозирования спроса и предложения, репрезентативность выборки, используемая для построения прогнозной модели, оценка допустимой величины погрешности прогнозирования. Величина допустимой погрешности прогноза является неоднозначной и зависит от категории реализуемой продукции, масштабов производства, системы дистрибуции, объекта прогнозирования (например, спрос по регионам, продукции и компании в целом допускает различную точность прогнозирования).
Рассматривая прогнозирование и планирование как обязательный элемент управления компанией, важно оценить, как данные процессы влияют на логистические показатели организации. Такой подход позволяет определить оптимальные затраты на прогнозирование и планирование, обеспечивающие минимизацию логистических затрат, оценить возможные риски, связанные различными сценариями прогноза спроса и предложения (реальный, оптимистичный и пессимистичный сценарии), сформировать базу прогнозных моделей, максимально соответствующих задачам планирования в компании.
В этой связи анализ влияния планирования продаж и прогнозирования спроса на логистические показатели является актуальным и востребованным в практике управления логистическими цепями.
Целью исследования является анализ влияния прогнозов сбыта на логистические показатели и разработка алгоритма оценки эффективности логистической цепи в системе планирования деятельности в компании Unilever.
Для достижения поставленных целей необходимо выполнить решение следующих задач:
- определить значимость логистики запасов, а также влияющих на объемы продаж внешних и внутренних факторов;
- выявить основные показатели эффективности логистической системы;
- классифицировать системы планирования деятельности организации;
- оценить роль и задачи индикативного планирования в России и других странах на разных масштабных уровнях;
- осуществить выбор методов и методологий прогнозирования спроса;
- выявить зависимость между затратами и объемами продаж;
- разработать алгоритм оценки эффективности логистики предприятия в системе планирования деятельности компании;
- выполнить анализ влияния планирования и прогнозирования на логистические показатели компании Unilever.
В работе использована научная литература, научные публикации, электронные журналы, интернет-ресурсы. В качестве методологических основ: математико-статистические методы, контент-анализ, сравнительный анализ.
Предметом исследования выступают системы планирования продаж и прогнозирования спроса, а объектом – компания Unilever.
Работа занимает 66 страниц и состоит из трех логически связанных глав, а также введения, заключения, списка литературы и приложений. В первой главе рассматривается взаимосвязь логистики запасов и сбытовой деятельности и раскрывается понятие индикативного планирования. Во второй главе описаны методы прогнозирования и показатели точности созданных прогнозов, инструменты, обосновано влияние затрат на объемы продаж и приведена краткая характеристика компании Unilever. В третьей главе содержится алгоритм оценки эффективности логистической цепи в системе планирования деятельности предприятия, описаны его этапы с конкретными примерами, проведен сравнительный анализ двух моделей прогнозирования и определено изменение логистических издержек при их использовании.
Содержание данной работы может быть использовано для понимания значимости логистической деятельности не только в пределах организации, но и на более высоких масштабах, а также для совершенствования процессов планирования продаж и операций и прогнозирования спроса в компаниях.
 

В современном понимании, согласно Г. Тейлу [17], прогноз «это некоторое суждение относительно неизвестных, особенно будущих событий». Задачи прогнозирования состоят в обработке имеющейся в распоряжении организации информации о состоянии изучаемого объекта (процессов, подлежащих прогнозированию) в предшествующий и настоящий моменты и формировании с определенной степенью достоверности системы знаний о будущем состоянии или поведении объекта. Прогнозирование позволяет раскрыть устойчивые тенденции или выявить существенные изменения в социально-экономических процессах, оценить их вероятность для будущего планового периода, выявить возможные альтернативные варианты, накопить научный и эмпирический материал для обоснованного выбора той или иной концепции развития или управленческого решения [12]. Интенсивное развитие теории и практики прогнозирования приходится на 50-е гг. XX в. Именно в это время было разработано значительное число прогнозных моделей и выполнено множество прогностических научных исследований. Пик в развитии теории и практике создания прогнозных моделей пришелся на 60-70-е гг. XX в. С начала 80-х гг. прогнозирование начинает активно использоваться в практической деятельности организаций в различных отраслях народного хозяйства и становится одной из функций управления наряду с анализом, планированием, мотивацией, контролем.Результатом прогнозирования является прогноз научно-обоснованное суждение о возможных состояниях объекта в будущем, об альтернативных путях и сроках их осуществления [10]. В соответствии с принятыми в теории прогнозирования критериями обычно выступают цели и задачи прогнозирования, период прогнозирования, объекты прогнозирования, характер исследуемых процессов и явлений, методы прогнозирования. В зависимости от целей и задач прогнозов выделяют поисковый и нормативно-целевой прогнозы.Поисковый прогноз – это определение возможных состояний процесса или явления (объекта исследования) в будущем. При таком прогнозе имеет место условное продолжение тенденций прошлого в настоящее и будущее. Поисковое прогнозирование может быть двух видов: традиционное (экстраполятивное) и новаторское (альтернативное). Традиционное прогнозирование основывается на предположении, что развитие объекта происходит гладко и непрерывно, т.е. будут сохранены все выявленные в прошлом тенденции. Если такой прогноз не учитывает влияния различных факторов на исследуемый объект, а использует зависимость показателей только от времени, то такой прогноз именуется «наивным».Новаторский подход исходит из предположения, что исследуемый процесс или явление не однородно, носит изменчивый характер вследствие влияния различных внешних возмущающих воздействий. Этот подход также называют альтернативным, поскольку он предусматривает множество вариантов развития исследуемого процесса или явления. Нормативно-целевой прогноз ориентирован на определение путей и сроков достижения цели, в качестве которой принимается возможное состояние объекта или процесса. Если поисковый прогноз исходит из состояния объекта в прошлом и настоящем, то нормативно-целевой прогноз ведется в обратном порядке от заданного состояния в будущем, исходя из наличия материальных, финансовых и других ресурсов, необходимых для достижения поставленных целей, к существующим тенденциям. Данный вид прогнозирования применяется в тех случаях, когда информации о прошлом и настоящем объекте исследования не достаточно и невозможно определить тенденции его развития. В этом случае исследователи определяют желаемое конечное состояние объекта, ресурсы, необходимые для перевода объекта из текущего состояния в желаемое, а также действия, направленные на реализацию этого перехода. В зависимости от периода прогнозирования выделяют оперативные, краткосрочные, среднесрочные, долгосрочные и дальнесрочные прогнозы. При классификации по критерию объекта прогнозирования выделяют естествоведческие, обществоведческие и научно-технические прогнозы. К естествоведческим прогнозам относятся прогнозы явлений или процессов, на которые невозможно повлиять средствами социального управления: метеорологические, гидрологические, геологические, биологические, медико-биологические, космологические, физико-химические прогнозы. Обществоведческие прогнозы создаются для явлений, на которые можно повлиять посредством социального управления. К этой группе относятся: социально-медицинские, социально-географические, социально-экологические, социально-космические (перспектив освоения космоса), экономические, социологические, психологические прогнозы (личности, ее поведения, деятельности), демографические, образовательно-педагогические, культурно-эстетические, государственно-правовые, внутриполитические, внешнеполитические, военные и другие прогнозы.Научно-технические прогнозы в узком смысле (технологические, инженерные) касаются перспектив состояний всех явлений техносферы (материалов, механизмов, приборов и т. п.). В широком смысле они охватывают перспективы развития научно-технического прогресса: науки (ее структуры, кадров, учреждений и т.д.) и техники (в промышленности, строительстве, сельском хозяйстве, связи и т.д.). В таблице 2 представлена классификационная схема методов прогнозирования. Таблица STYLEREF 1 \s 2. Принципы классификации методов прогнозированияКлассификационный признакВиды методовПримеры123ЦельПоисковый прогнозОпределение возможных состояний объекта в будущем: прогноз продаж, производства, оттока клиентовНормативно-целевойПланирование ресурсовОбъект прогнозированияЕстествоведческие прогнозыМетеорологические, гидрологические, геологическиеОбществоведческие прогнозыСоциально-медицинские, социально-географические, социально-экологические, государственно-правовые, внутриполитические, внешнеполитические, военные и др.Научно-технические прогнозыПерспективы развития научно-технического прогресса: науки (ее структуры, кадров, учреждений и т.д.) и техники (в промышленности, строительстве, сельском хозяйстве, связи и т.д.)Период прогнозированияОперативныйПериод прогнозирования до 1 года, существенные количественные изменения отсутствуютКраткосрочныйПериод прогнозирования 1-3 лет, количественные изменения присутствуютСреднесрочныйПериод прогнозирования 5-7 лет, присутствуют количественные и качественные измененияДолгосрочныйПериод прогнозирования 10-20 лет, наблюдается доминирование качественных измененийДальнесрочныйПериод более 20. Качественные измененияСтепень формализацииИнтуитивныеФормализованныеИнтуитивные методыПо способу получения экспертных оценокИндивидуальные экспертные методыИнтервью, аналитический метод, метод построения сценариевМетоды коллективных экспертных оценокМетод Дельфи, метод «мозгового штурма», матричный метод, метод «комиссий»Формализованные методыАппарат анализаСтатистические методыМетод простой экстраполяцииМетод скользящих среднихМетод наименьших квадратовАвторегрессионные моделиСистемно-структурные методы и моделиМорфологический анализСистемный анализАссоциативные методыИмитационное моделированиеМетод исторических аналогийМетоды опережающей информацииАнализ значимости изобретенийАнализ патентной информацииАнализ потоков информацииМатематические методы и моделиЛинейные и другие модели математического программированияСетевые моделиФинансовое моделированиеОдним из наиболее важных классификационных признаков является степень формализации, которая достаточно полно охватывает прогностические методы. По степени формализации методы экономического прогнозирования можно разделить на экспертные и формализованные. Экспертные (интуитивные) методы прогнозирования используются в тех случаях, когда невозможно учесть влияние многих факторов из-за значительной сложности объекта прогнозирования. При этом различают индивидуальные и коллективные экспертные оценки.В состав индивидуальных экспертных оценок входят: метод «интервью», при котором осуществляется непосредственный контакт эксперта со специалистом по схеме «вопрос-ответ»; аналитический метод, при котором осуществляется логический анализ какой-либо прогнозируемой ситуации, составляются аналитические докладные записки; метод написания сценария, который основан на определении логики процесса или явления во времени при различных условиях.Методы коллективных экспертных оценок включают в себя метод «комиссий», «коллективной генерации идей» («мозговая атака»), метод Дельфи, матричный метод.Важным критерием классификации методов прогнозирования является используемая в исследовании система обоснования. В соответствии с этим критерием методы можно подразделить на качественные и количественные. Количественные методы исследования базируются на использовании измеряемых величин. К числу количественных методов относят математические и статистические методы, однако в прикладном значении эти методы объединяют в один общий метод эконометрический. Качественные методы исследований базируются на словесных описаниях, интерпретации, истолковании и объяснении свойств и характеристик исследуемого объекта [5]. Количественные методы позволяют оценить будущее на основе данных прошлых периодов с помощью математических и статистических моделей. Преимущество таких методов заключается в получении количественных данных на будущее, так как учитываются данные прошлого. К их числу относятся:экстраполяция тренда. Проецирует определенный временной ряд на будущие периоды. Она дает возможность на основе прошлого опыта определить устойчивые тенденции и пролонгировать их в будущее. При этом работает предположение, что развитие происходит в стабильных условиях. И чем крупнее система, тем вероятнее сохранение ее развития без изменений. С помощью данного метода можно, к примеру, отследить развитие сбыта или прибыли для конкретного промежутка времени. Данные для метода получить можно быстро, затраты при этом будут минимальными, но в то же время вероятность раннего обнаружения проблемы в будущем низка;корреляционно-регрессионный анализ. Определяет направление и силу связи между зависимыми и независимыми переменными. С его помощью можно оценить влияние, например, на объем продаж доходов населения или сезонности;прогнозы на основе индикаторов. Оценивают ход развития процесса, который мало зависит от фирмы, на основе использования одной или больше предпосылок. Метод позволяет обнаружить изменения тренда раньше, чем при экстраполяции, но при этом зачастую трудно подобрать соответствующие индикаторы;моделирование методом Монте-Карло – это построение математической модели, в которой зависимая величина, например, объем продаж или спрос, подвергается ряду имитационных прогонов. В ходе этого процесса строятся последовательные сценарии с использованием исходных данных, которые неизвестны в будущем, а потому предстают в виде случайных величин. Процесс имитации проходит таким образом, чтобы случайный выбор значений не нарушал известных или предполагаемых отношений корреляции между переменными. Результаты имитации собираются и статистически анализируются. Преимущества метода в том, что его можно применять к нелинейным моделям, к любым распределениям, с его помощью можно смоделировать сложное поведение рынка. Но он сложен для выполнения и понимания и требует мощных вычислительных ресурсов.Качественные методы оценивают и формулируют на словах будущую ситуацию при помощи знаний и интуиции. Они подходят для работы с проблемами, которые сложно структурировать, также они не требуют числового выражения данных. Но объективность таких методов ограничена и ненадежна.метод Дельфи подразумевает опрос экспертов, собственных или из консалтинговых агентств. Эксперт может предоставить верную информацию зачастую только через несколько месяцев, так как обработка данных и формулирование оценок требует много времени. Часто используется в производстве или отраслевом сбыте при различных величинах влияющих факторов. Плюс метода заключается в наглядности результатов. Но есть вероятность «утечки» информации, поэтому экспертов нужно подбирать тщательно;метод сценариев помогает предсказать развитие и будущее состояние влияющих на предприятие факторов и построить возможные шаги. Метод хорош тем, что подходит для сложных комплексных проблем вроде генерации идей для новых товаров или планирования диверсификации. Однако в данном случае высока субъективность оценок.Оценка точности прогнозаНаиболее важным в практике прогнозирования является оценка качества модели. В большинстве случаев при количественных исследованиях обобщенная оценка качества модели осуществлялась на основе следующих оценок ошибки прогноза:среднее абсолютное отклонение (Mean Absolute Derivation, MAD), позволяющее оценить ошибку в тех же единицах, что и исходный ряд:MAD=1n|yi-yi*|,где yi─ фактическое значение исследуемой характеристики на участке ретропрогноза, yi* ─ расчетное значение исследуемой характеристики на участке ретропрогноза;средняя процентная ошибка (Mean Percentage Error, MPЕ), позволяющая оценить возможное смещение прогноза:MPE=1nyi-yi*yi100%;средняя абсолютная ошибка в процентах (Mean Absolute Percentage Error, MАPE):MAPE=1n|yi-yi*|yi100%.Если говорить о конкретных примерах, то в компании Unilever для измерения точности и аккуратности прогнозов используются следующие расчетные показатели:Отклонения в прогнозах=фактические продажи – прогнозные продажипрогнозные продажи ×100%;Прогнозная точность на уровне национальных региональных распределительных центров Точность прогноза=1-фактические продажи РРЦ- прогнозируемые продажи РРЦпрогнозные продажи РРЦ ;Недельная прогнозная точность Точность прогноза= 1-фактические недельные продажи - прогнозируемые недельные продажипрогнозные недельные продажи .В качестве нового показателя оценки точности прогноза компании можно предложить использование такого показателя, как Forecast Value Added. Он помогает выявить действия, которые не совершенствуют процесс прогнозирования. А исключение усилий, не добавляющих ценности, может привести к лучшим прогнозам с использованием меньшего количества организационных ресурсов в прогнозировании [26. C.1].Традиционные прогнозные показатели эффективности (к примеру, МАРЕ), показывают размеры ошибки в прогнозах. Однако эти показатели не говорят о том, насколько эффективен в прогнозировании сотрудник, какая должна быть ошибка и все ли усилия приносят в этом процессе пользу. Типичный процесс прогнозирования отбирает много времени у менеджеров, но нет гарантий, что ручные корректировки сделают прогноз точнее и уменьшат отклонения [25. C.1].FVA-анализ помогает убедиться, что все ресурсы, направленные на создание прогноза – от программного обеспечения до затраченных времени и энергии работников, – действительно улучшают процесс. Если же нет, то всегда можно эти ресурсы перенаправить в нужное русло. Исключение ненужных элементов может значительно увеличить эффективность прогноза и не требует вложения дополнительных средств.FVA-анализ очень прост в применении и не требует использования сложных программных обеспечений, так как его работа заключается в сравнении показателей между собой, к примеру, той же МАРЕ. Если посмотреть на таблицу 3, то видно, что наименьшую МАРЕ выдает консенсусный прогноз, а на этапе проверки высшим руководством ошибка вновь повышается. При сравнении всех этапов друг с другом результаты последнего всегда ниже консенсусного, что означает отсутствие необходимости в корректировке прогноза высшим руководством. Однако большее значение FVA необязательно указывает на полезность этапа/участника. Если, к примеру, на статистическом этапе МАРЕ будет 25%, а на ручном – 24%, то нужно сначала сравнить общую финансовую выгоду от достигнутой разницы в 1% и затраты на данный этап/участника. Может оказаться, что прогресс того не стоит. Таблица 3.FVA-анализ процесса прогнозирования в компанииЭтап процессаМАРЕ, %FVA к наивному, %FVA к статистическому, %FVA к ручной корректировке, %FVA к консенсусному, %Наивный прогноз50Статистический прогноз455Ручная корректировка прогноза40105Консенсусный прогноз3515105Корректировка прогноза высшим руководством401050-5Инструментальные средства прогнозированияИзвестные на российском рынке статистические пакеты можно подразделить на профессиональные и популярные, универсальные и специальные [7]. Профессиональные пакеты (SAS, BMDP, IMSL) включают значительное число специальных методов анализа, большинство из которых доступны только математикам-профессионалам. Популярные универсальные пакеты (StatGrafphics, IBM® SPSS®, Statistics, SyStat, CSS, Statistica, STADIA) ориентированы на широкую аудиторию и активно применяются в практике. Специализированные пакеты ориентированы на избранные области анализа данных (Эвриста, Мезозавр, Класс-Мастер, Сани, Сигамнд) и содержат достаточно насыщенный инструментарий статистического анализа. Большой популярностью пользуются статистические средства, включенные табличные процессоры и системы управление базами данных. Наиболее часто в таких пакетах используются средства описательной статистики, регрессионного анализа, анализа временных рядов и прогнозирования. Устойчивой тенденцией почти всех новых версий известных статистических пакетов стало включение не только функций, реализующих традиционные методы статистического анализа, но и элементы Data Mining. Однако основное внимание в них все же уделяется классическим методикам – корреляционному, регрессионному, факторному анализу и другим. Недостатками статистических систем, ограничивающих их массовое применение специалистами в области экономики и менеджмента, являются высокие требования к специальной подготовке пользователей, избыточный функционал для применения в финансах и бизнесе, а также высокая стоимость пакетов этого класса.Применение аналитических платформ получило распространение именно в бизнес-среде. Это объясняется ориентацией разработчиков на пользователя, не являющегося профессиональным математиком, но, в силу служебных задач, обязан выполнять аналитическую работу. Учитывая разнообразие BI-инструментов и появление на рынке достаточно легких решений, востребованных пользователями, компания Gartner теперь публикует два квадранта. Первый из них – Magic Quadrant for Business Intelligence and Analytics Platforms – охватывает все компоненты систем бизнес-анализа, при этом внимание сосредоточено на описательных и диагностических способностях инструментов, второй – Magic Quadrant for Advanced Analytics Platforms – сосредоточен больше на расширенной бизнес-аналитике [24].В первом квадранте среди лидеров можно увидеть больше «легких» решений: Tableau, Qlik и Microsoft, а уже за ними идут IBM, SAP, SAS, Tibco Software, Oracle, MicroStrategy и Information Builder. Число игроков данного сегмента рынка только увеличивается, что показывает активное развитие BI-технологий и появление новых подходов и легких решений для бизнес-анализа. Представителям бизнеса сейчас доступно множество BI-инструментов, среди которых непросто разобраться, однако тренд на применение легких и недорогих решений уже явно виден, и, скорее всего, он будет длиться не один год. По данным компании Gartner (приложение 2) впереди в классе Magic Quadrant for Business Intelligence and Analytics Platforms легкие решения, ведь типичные внедрения – Tableau, QlikView, и Microsoft – используют средние по масштабу компании или отдельные подразделения крупных компаний. Рынок аналитических платформ в России включает и отечественные разработки. Примером российской разработки является аналитическая платформа Deductor (BaseGroup Labs), предназначенная для создания законченных прикладных решений. Реализованные в Deductor технологии позволяют на базе единой архитектуры выполнить все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов. Эти свойства делают Deductor оптимальным базисом для создания систем поддержки принятий решений, в основе которых лежат методики интеллектуального анализа данных.