Прогнозирование спроса в рамках S&OP

Как зародился процесс S&OP

Термин Sales and Operations Planning (S&OP) ввела в оборот компания Oliver White в начале 80-х годов прошлого века. Так назвали процесс, который позволяет находить баланс между спросом и предложением, производя или закупая ту продукцию, которая нужна покупателю. До конца 70-х годов ХХ века прогнозирование спроса и планирование производства чаще всего существовали в компаниях как два независимых процесса.

Изначально специалисты составляли прогноз в натуральных единицах (штуках, литрах, килограммах и т.д.). В конце 80-х годов к S&OP-процессу добавили финансовую составляющую: натуральные единицы стали переводить в денежные. Однако для подсчета предполагаемых заработков этой информации было недостаточно. Поэтому в процесс добавили прогнозирование расходов: себестоимость продукции, переменные затраты, зависящие от объема продаж, постоянные затраты. Получился прогнозный отчет о прибылях и убытках (Profit and Loss Statement, далее P&L), который показывает, какова будет чистая прибыль компании.

В 90-е годы в S&OP-процесс добавилось управление продуктовым портфелем, в нулевых — сценарный анализ и интеграция различных частей цепочки поставок.

Баланс спроса и предложения

Сколько вашей продукции может потребить рынок? Ответив на этот вопрос, получим неограниченный прогноз продаж. Накладываем на него ограничения: например, у компании недостаточно производственных мощностей или невозможно закупить необходимое количество ингредиентов. Ограниченный прогноз станет основой для планирования производства. Учитываем текущие остатки готовой продукции на складах и нормативные остатки на конец периода. Получаем объем продукции, который необходимо произвести (закупить).

Примечание. Речь идет о плане верхнего уровня, составление расписания производственных линий выходит за рамки S&OP-процесса.

4 шага прогнозирования спроса

1. Получение исторических данных. На практике эта задача может оказаться далеко не тривиальной. Но будем считать, что все необходимые данные хранятся в учетной системе компании, и могут быть с легкостью оттуда извлечены.
2. Предобработка. Иногда для целей прогнозирования фактические данные необходимо изменить. Например: нехарактерно высокий спрос в прошлом месяце был вызван аварией на заводе компании-конкурента. Авария уже устранена, и поэтому имеет смысл уменьшить значение фактических продаж.
3. Прогнозирование. Получившийся после корректировок факт продаж подается на вход алгоритму прогнозирования. Если для увеличения продаж не проводится никаких новых мероприятий, останавливаемся на этом этапе. Если же для стимулирования сбыта планируется дополнительная рекламная компания, или известна информация о внешних событиях, способных повлиять на продажи, — переходим к следующему шагу.
4. Постобработка. Эксперты оценивают вклад внешних факторов с помощью Volume Building Blocks (VBB). Каждое действие или событие учитывается отдельно. Вводить факторы должны только эксперты в предметной области: специалисту по промо-акциям не следует вводить VBB, связанный с деятельностью конкурентов. Каждый VBB должен сопровождаться комментарием. Такой подход позволяет понять, кто, когда, насколько и по какой причине изменил прогноз.

Главная сложность использования VBB — оценка влияния факторов на продажи. Месяц завершен, продажи продукции известны. Как определить, какой процент продаж «приходится» на базовый спрос, какой — на промо, а какой — на рекламу? С помощью истории событий, влиявших на продажи в прошлом, прогнозируем влияние аналогичных событий в будущем.

Рекомендация. Учитывайте в качестве VBB только те факторы, которые дают значительный прирост. Если изменение прогноза покрывается страховым запасом, использовать такой VBB нет смысла.

Уменьшить эффект кнута

Прогноз, составленный по приведенной выше схеме, дает качественный результат, несмотря на то, что касается только уровня первичных продаж.

Резерв для дальнейшего повышения точности прогноза — интеграция цепочки поставок, то есть получение информации от организаций, которые находятся «ближе» к потребителю по цепочке поставок. Для FMCG-компаний — это в первую очередь информация от дистрибуторов, а также от сетевых клиентов:

1. Кому дистрибуторы отправляют продукцию компании.
2. Каковы остатки продукции на их складах.

Во-первых, она помогает исключить из данных о спросе остатки продукции на складах контрагентов, а во-вторых, определить реальные объемы потребления в конкретном регионе, городе и т.д.

Ключевая цель получения данных о вторичных продажах — уменьшение эффекта кнута. Суть его в том, что незначительные колебания спроса на продукцию со стороны конечных потребителей могут приводить к колоссальным изменениям спроса на следующих этапах цепочки поставок.

Если заменить данные об отгрузке продукции дистрибуторам на продажи дистрибуторов в торговые точки, качество полученного прогноза объединенных продаж будет ощутимо выше. Для каждого дистрибутора этот прогноз легко пересчитать в прогноз первичных продаж по формуле:

Прогноз первичных продаж = Прогноз вторичных продаж – Остаток продукции на складе на начало месяца + Нормативный остаток на складе на конец месяца

Компании, которые хотят получать от дистрибуторов и сетевых клиентов данные о продажах, сталкиваются со стандартными сложностями уже на этапе обсуждения необходимости предоставлять данные. Дистрибуторы опасаются за конфиденциальность информации, не понимают, какие выгоды они получат в итоге. Даже после того, как принципиальное согласие получено, остаются административные вопросы: какие именно данные будут передаваться, как часто и с помощью какого программного обеспечения?

Мастер-данные

Однако настоящие проблемы обычно начинаются тогда, когда речь заходит о справочниках продуктов и клиентов, или о мастер-данных.

Классические проблемы с мастер-данными:

1. Один продукт вместо двух. Дистрибутор воспринимает как один продукт то, что производитель рассматривает как два разных. К примеру, производитель изменил ключевые свойства продукта — дизайн упаковки. Но для дистрибутора эти свойства ключевыми не являются. Поэтому он продолжает приходовать «новую» позицию на код «старой», особенно, если цена при этом не изменилась. В итоге, производитель хочет узнать, как продается «новый» продукт, чтобы оценить влияние упаковки, а дистрибутор эту информацию предоставить не может.
2. Два продукта вместо одного. Дистрибутор воспринимает как два разных продукта то, что производитель воспринимает как один. Например, дистрибутор самостоятельно проводит промо-акции: наклеивает на часть продуктов рекламу акции и снижает цену. Тогда в его учетной системе будет два продукта (продающийся со скидкой по акции и обычный), а в справочнике производителя — только один.
3. Дубли торговых точек. В учетной системе каждого дистрибутора одна и та же торговая точка встречается несколько раз. Если территории дистрибуторов пересекаются, одна и та же торговая точка встречается в учетной системе каждого из них по несколько раз. В итоге информация о суммарной клиентской базе компании не имеет ничего общего с действительностью.

Кроме того, существуют проблемы и с достоверностью самих данных. Как проверить, что те цифры, которые прислал дистрибутор, соответствуют действительности? С помощью регулярной инвентаризации, например. Для подсчета отгрузок, продаж и остатков верна следующая формула:

Так как компания знает, что она отгружала дистрибутору, а остатки на начало и на конец периода известны из инвентаризации, становится понятно, корректны ли данные о продажах дистрибутора за период.

Выводы. Объединение информации о вторичных и первичных продажах (интеграция цепочки поставок) улучшает результат прогнозирования и создает новые возможности для планирования. Качество данных играет ключевую роль для аналитики и прогнозирования спроса.