Зачем аналитику нужен Power Query?

Power Query – это надстройка в Excel. С 2016 года входит в стандартный пакет. Для более ранних версий Eхcel (2010-2013) её можно бесплатно скачать с www.microsoft.com.  Это действительно «мощный запрос», способный решать многие задачи аналитика быстрее и изящнее, чем это делается с помощью Pivot Table (сводной таблицы) на основе вытянутых ссылками данных или стандартных формул и функций.  Особенно полезен Power Query для тех, кто регулярно составляет отчёты на основе заранее известных источников с данными.

Power Query может:

1) Собирать данные из файлов различных типов (xlsl, txt, csv, hml, html,…) как адресно (через обращение к конкретному имени файла), так и выбирать все файлы из папки, не зная заранее их имени. Например, если у Вас в папку сегодня загружены 3 файла (данные по 3 клиентам, или за даты 01, 02 и 03 число) – они попадут в отчёт сегодня. Все названия файлов можно вынести в один отдельный столбец, что очень удобно для последующих группировок. И если завтра у Вас в папке добавятся ещё несколько клиентов или дат  — отчёт будет сформирован по всем файлам, включая новые, без дополнительных коррекций запроса. Из книг Excel можно загружать данные сразу со всех листов.

2) Обращаться за данными к разным источникам, включая базы данных (SQL, Oracle и тп), ERP-системы (1с, SAP и тп), сайты, интернет-сервисы (Google Analitics, Facebook и тп).

3) Очищать данные, приводить их в порядок (убирать/добавлять столбцы, разделять и совмещать столбцы, отбрасывать нулевые строки, совершать различные вычисления)

4) Совмещать данные из множества файлов по заданному ключу (ключ можно задать в самом запросе через новый столбец, не обязательно его сразу иметь в источнике). Иными словами, Power Query  заменяет функцию ВПР и её аналоги. Без него обойтись, конечно, можно – но он сэкономит время при больших массивах, отработает раз в пять быстрее ВПР, избавит от фиксации промежуточных результатов.

К относительным трудностям в использовании Power Query я бы отнёс:

1) Необходимость тестирования. Например, «забыв» преобразовать пустоту в ноль в одном из столбцов при создании запроса, рискуем получить вместо суммы итоговый ноль. Поэтому следует убедиться, что результат запроса верен по итогам, проверив форматы и преобразования в столбцах. В отличии от открытых формул в ячейках, по которым сразу видно как получен результат, здесь имеем готовый отчёт, которому «доверяем».

2) Далеко не все сотрудники компаний знакомы с данной надстройкой, не во всех компаниях она в принципе доступна (многие пользуются старыми версиями Excel).

3) При часто сменяющихся источниках, при вечной «карусели» названий и порядка столбцов, требуется квалифицированная коррекция запроса или предварительная проверка данных, что может вызвать сложность.

Вышеперечисленное не умаляет достоинств Power Query. Он относительно прост в использовании и действительно способен в несколько раз сэкономить время аналитика при создании регулярных отчётов и расчётов.

АВС анализ в Excel без сортировки массива

Как провести АВС анализ в Excel без сортировки массива?
Рекомендую следующую формулу.

для Диапазона в соседнем левом столбце с 7 по 30 строку: (R7C[-1]:R30C[-1]) и назначенных границах АВС 80 — 95 :

=ЕСЛИ((СУММЕСЛИ(R7C[-1]:R30C[-1];»<=»&RC[-1])/СУММ(R7C[-1]:R30C[-1]))<=0,05;»С»;ЕСЛИ((СУММЕСЛИ(R7C[-1]:R30C[-1];»<=»&RC[-1])/СУММ(R7C[-1]:R30C[-1]))<=0,2;»В»;»А»))

Подчеркну её плюсы перед прочими формулами, встреченными мною:

1. Не требует сортировки. Значения в диапазоне могут быть и пустыми. Можно менять строку позиции, при этом её группа А В или С не изменится.

2. Принадлежность к группе А В С не будет зависеть от наименования или номенклатуры (места позиции при сортировке). Например, если два вида товара, товар Y1 и товар Y2, имеют одинаковое значение продаж = Х, то относится они оба будут к одной группе А, В, или С даже если граница А и В или B и C пройдёт по величине Х. Например, классический метод с сортировкой, описанный в статье, допускает случай, что товар Y1 попадёт в более высокую группу, если сортировка по названию или поставит его на позицию выше, чем товар Y2 ( и наоборот). Что является неточностью, так как от названия товара или его принадлежность к группе зависеть не должна в принципе.

3.Формула с «<=» имеет преимущество перед аналогичной формулой с «>=» , так как в случае присутствия в ряде значений только 0 или Х, все позиции со значением Х попадут именно в группу А, а не С. Что является логически верным решением.
Пример работы формулы в файле Excel бесплатно можно скачать тут: АВС анализ без сортировки

Пример мониторинга Товарной матрицы сайта на соответствие спросу.

Многие торговые компании, имеющие хороший собственный сайт, часто имеют несбалансированные ассортиментные матрицы. То есть излишне много внимания уделяют позициям, на аналоги которых их конкуренты держат не менее привлекательные цены при достаточном ассортименте. С другой стороны, некоторые товарные подгруппы и ценовые сегменты не достаточно представлены.
Иными словами, такие компании регулярно теряют продажи и прибыль из-за того, что их предложение на сайте не вполне соответствует спросу и предложению на рынке по ассортименту и ценам.
Предлагаю пример «плановой товарной матрицы» с процентовкой по группам товара и плановому наполнению количеством позиций по сегментам. Сравнение этой ассортиментной матрицы с Фактом за каждый период позволит выявлять группы и ценовые ниши, на которых нужно сконцентрироваться в том или ином месяце, чтобы получить дополнительную прибыль.
Построение этой «плановой ассортиментной матрицы» не основано на стандартной обработке статистики собственных продаж. Ведь продаж могло и не быть из-за отсутствия товара или худших цен по сравнению с конкурентами. Основой товарной матрицы служит сбор и обработка данных с сайтов конкурентов, а также изучение спроса и сезонности через поисковые запросы в интернете Ваших потенциальных клиентов. В данном примере — с помощью бесплатного инструмента «wordstat.yandex.ru».
Добавляя в шаблон актуальные данные о собственных продажах и остатках, о факте наличия товара в доступности к продажам, эту плановую матрицу можно использовать для регулярного мониторинга собственного товарного ассортимента. В качестве основного критерия для оценки плохо сбалансированных товарных групп для начала рекомендую заложить Скорость продаж по группам в «штуках/доступную к продажам позицию (SQU)» за период. Этот метод в условиях плохо прогнозируемых продаж даст более точный результат, чем стандартное сравнение оборачиваемости склада по группам или контроль Sell Out по ходу сезона. Он позволит выявлять замедление продаж, не связанное с отсутствием товара, и проводить оперативную коррекцию ассортимента и цен.
Вот ссылка для скачки шаблона Excel. Бесплатно для некоммерческого использования.
Скачать бесплатно: Мониторинг товарной матрицы сайта

Как составить ассортиментную матрицу с помощью Яндекс.Вордстат.

Если нужно составить ассортиментную матрицу интернет магазина, и при этом нет полного доверия к информации о собственных продажах (в прошлом периоде многие товарные позиции не были доступны к продажам, товарная линейка не сбалансирована под спрос, цены на товар были не конкурентные, сильное влияние на продажи оказывало отсутствие/наличие товара у конкурентов), то пытаются собрать информацию о спросе из самых различных источников. В главе Ассортиментная матрица. Основная и заказная программа разобран вариант сбора такой информации для магазина строительных товаров.
Часто в качестве информации о спросе используют уже существующие интернет-сайты или запрашивают прайсы и складские остатки у конкурентов. При этом исходят из того, что конкуренты адекватны, уже прошли начальный путь анализа собственной статистики продаж и стремятся предлагать то, что хорошо продаётся.
Но часто рынок продукта может быть настолько не развит, что сайты конкурентов ещё не содержат сбалансированных матриц. В этом случае, важным источником информации о потенциальном спросе, может послужить сервис Яндекс.Вордстат (или аналогичный ему Google AdWords).
Эти сервисы бесплатно позволяют просмотреть статистику поисковых запросов пользователей. Их часто используют SEO-специалисты для определения семантического ядра и продвижения интернет сайта. Идея в том, что если на Вашем сайте часто и в нужном контексте встречается слово, которое ищет ваша целевая аудитория, то и Ваш сайт будет лучше индексироваться поисковой системой. То есть Яндекс или Google будут чаще и выше по рейтингу предлагать ваш сайт в ответ на запросное слово пользователя, а это увеличит трафик и продажи.
Та же логика (чем чаще встречается слово в запросе – тем чаще его хочет покупатель) лежит и при построении товарной матрицы на основе запросов Вордстат. Кроме того, анализ динамики этих запросов пользователей можно использовать для оценки сезонности спроса на товар и построения Профиля сезонности.

Статистику запросов применяют и при анализе глобальной динамики развития продукта, что перекликается с Бостонской Матрицей.
Итак, предположим, Вы решили в своём регионе начать торговать неким товаром с помощью интернет сайта. И в качестве инструмента формирования ассортиментной матрицы (количества представленных на сайте позиций в той или иной категории) решили использовать запросы Вордстат. Предлагаю делать это в следующей очерёдности:
1. Определить товарные группы и подгруппы. Сделать это можно, например, с помощью сайтов конкурентов (где пусть и в неверных пропорциях, но присутствуют все нужные Вам подгруппы). Проверить верность своего выбора можно в том же Вордстат, по словам «ищут вместе». Например, вводите название группы, и смотрите, какие подгруппы при этом ищут пользователи.
2. Определить, какой процент той или иной группы должен соответствовать спросу покупателей. Для этого принять количество всех запросов по подгруппам за 100 % и вычислить % для каждой из подгрупп.
3. Составить (например в EXCEL) табличку, которая позволяла бы Вам оперативно отслеживать текущее состояние Вашего сайта (сколько позиций в какой группе сейчас присутствует на Вашем сайте) и какой это % от всех позиций. Например, Вы обнаружите, что в Подгруппе Х сейчас Y позиций, что составляет 5% от всей группы. При этом, согласно запросам пользователей в вордстат, там должно быть 10 %. Вывод: Вам стоит увеличить присутствие товара в подгруппе Х.
У этого метода есть подводные камни, приведу наиболее значимые из них.
1. Например, Вы составляете матрицу детской мебели и вводите «детский стул». Однако, пользователи, которые вбивают «детский стул» ищут обычно не мебель, а лекарства от расстройства желудка или рекомендации докторов. Когда же Вы вобьёте «детский стол» то обнаружится, что это словосочетание вбивают не столько ищущие предмет мебели, сколько родители, устраивающих праздник (заказывающие детский стол в кафе). Подобные искажения могут привести к совершенно кривой матрице, поэтому крайне внимательно нужно анализировать «что ищут вместе с запрашиваемым словом», отсекая запросы не целевой аудитории. Оставляя для ассортиментной матрицы только очищенные запросы.
2. Когда пользователи интернета вбивают словосочетание в поисковике – это не всегда значит, что они хотят купить этот продукт. Стоит подбирать запросы таким образом, чтобы выявлять интерес именно потенциальных клиентов (использовать слова купить, отзывы, фото и тп).
3. Этот метод не даст Вам корректной разбивки по ценовым сегментам. Для сегментации по ценам придётся пользоваться сайтами конкурентов и данными о собственных продажах.
4. Чем меньше количество запросов, тем менее надёжен сам метод. Даже один энергичный пользователь может исказить баланс матрицы, созданной на основе небольшого числа запросов.
Резюме:
Регулярно перестраивать плановую товарную матрицу на основе изменившегося спроса весьма полезно. Собственная статистика продаж даже при постоянном наличии товара не всегда пропорциональна спросу. Рынок меняется, и можно пропустить новые тенденции, оперируя исключительно собственной статистикой. Нельзя раз создав, постоянно пользоваться одной и той же ассортиментной матрицей. Нужно регулярно «обновлять» её новыми позициями и «выводить» старые, а также корректировать количество позиций по ценовым сегментам с помощью анализа собственных продаж, остатков, представленности позиций на собственном сайте и сайтах конкурентов. Увеличивая количество позиций в быстро продаваемых сегментах и сокращая в медленно продаваемых. Для оценки скорости продаж и коррекции плана наличия позиций по сегментам, рекомендуется помимо стандартной «оборачиваемости» использовать измерение в «штуках/доступную к продажам позицию» за период. Этот метод более глубокий и точный, чем просто сравнение оборачиваемости по сегментам, он позволяет выявлять замедление продаж, не связанное с отсутствием товара и проводить оперативные коррекции ассортимента и цен.

Почему высокий целевой уровень сервиса в 98 % не спас от дефицита товара

В этой статье рассмотрим типичную ситуацию: Закупщик работает с автоматизированной программой заказа, устанавливает в ней «Уровень сервиса = 98%», своевременно формирует заказ, но товара постоянно не хватает.
Прежде всего надо проверить настройки программы: верно ли установлен цикл заказа (время между заказами) и время, которое проходит с момента формирования товара до фактического его получения на складе? Если реальное время больше установленного в программе, неизбежен дефицит. Предположим, ошибок здесь нет. Тогда проанализируйте, почему установленные в программе «98 % Уровня сервиса» по факту не обеспечили ваш склад или магазин товаром.
1. Ошибка расчёта страхового запаса. Нет учёта потерянных продаж.
Типичная ошибка – это использование распространённого «Уровня сервиса 1-го уровня», который не учитывает «потерянных продаж». Предположим, в Вашей предыдущей истории продаж часто был дефицит товара. Если Вы не учтёте «Дни отсутствия» в расчётном периоде и не добавите их в прогнозируемый спрос, то Вы ПОСТОЯННО будете заказывать товара меньше, чем нужно. Чем дольше едет товар от поставщика и чем реже Вы делаете дозаказ – тем медленнее Ваша статистика продаж будет «подтягиваться» до уровня реального спроса, который Вы пытаетесь удовлетворить.
Почему эта ошибка часто встречается? Выскажу своё мнение. Продавцам и интеграторам программ легче продать клиенту вариант настройки с «98 % уровня сервиса» (без учёта потерянных продаж), сокращающий при этом складской запас вдвое, чем вариант с тем же уровнем склада но при «80 % Уровня сервиса» (учитывающий потерянные продажи). Согласитесь, что при прочих равных «98» выглядит привлекательнее «80», а термин «Уровень сервиса» при этом как бы обозначает то же самое (по факту это не так, но покупатель это не всегда знает). Кроме того, первый вариант требует меньше исходных и проще считается. Если клиент не особо акцентирует внимание на данном вопросе, то в 99 % случаев он получит настройку без учёта потерянных продаж.
Как с этим бороться: сокращайте время в пути и делайте заказы чаще, а лучше всего начните учитывать потерянные продажи. Что толку радоваться показателю в 98 %, если реально получаете непредсказуемо меньше, и по сути, не управляете товаром? Пусть в настройках будут стоять «честные» 80 %, учитывающие потерянные продажи, чем «теоретические» 98%, их не учитывающие. К сожалению, даже заявленный в проданной Вам программе «учёт потерянных продаж» часто оказывается фикцией. Проверяйте. Возьмите несколько позиций и пересчитайте, действительно ли Ваша программа учитывает отсутствие товара так, как Вы этого хотите. После этого посмотрите, сколько «дней запаса» даёт вам настройка уровня сервиса в 80 % и в 98 %. Сравните их между собой и отбросив хитрые формулы, посмотрите на результат с точки зрения здравого смысла. Если увидите, что, например, при ритмичности заказов = неделя и времени в пути = две недели, разница между уровнем сервиса в «80%» и в «98%» составит меньше пары дней страхового запаса — это повод усомниться в корректности применяемого программой алгоритма расчёта.
2. Ошибка прогнозирования спроса из-за отсутствия учёта сезонности.
Многий товар имеет сезонную зависимость. Если её не учитывать, и делать прогноз на основе статистики продаж прошлых трёх месяцев, вы будете постоянно недозаказывать товар в начале сезона (создавать дефицит) и делать лишний объём заказа этого же товара в конце сезона (создавать неликвид).
Как учесть сезонность: Создайте профили сезонности и прикрепите их к группам товара или конкретным позициям. Как это делать описано в разделе Профиль сезонности .
3. Ошибка прогнозирования спроса из-за отсутствия учёта зависимости спроса от цены.
Очень часто покупатели совершают больше покупок, если Ваша цена на товар становится ниже чем в среднем по рынку. Торгуя с ценой ниже чем у конкурентов, Вы можете получить повышенный спрос и дефицит товара, если заранее не подготовите свой склад к подобной акции. В дальнейшем, когда Вы сравняете цены с конкурентами, повышенный спрос исчезнет. При этом оставит Вам статистику продаж, пользоваться которой для будущего прогноза нельзя (это повлечёт за собой перезаказ товара). Такую статистику нужно будет очистить от продаж по акциям.
Как учесть повышенный спрос: привозите под акции и спецзаказы отдельные поставки. Требуйте от инициаторов распродаж (отдел маркетинга, отдел продаж) информацию о готовящихся акциях заранее, чтобы учесть повышенный спрос в своих заказах поставщикам. При изменении цен на свой товар на долговременный период, и при уверенности, что конкуренты не смогут ответить Вам тем же и вернуть свою долю рынка, учитывайте Эластичность спроса к цене .

Почему прогноз продаж оказался неточным?

Типичная ситуация: компания много лет торгует на рынке, имеет большую статистику продаж. Но вдруг оказывается, что прогноз продаж, который был составлен на основе прошлой статистики, оказался завышен и на складе образовался лишний товар. Как же так? Почему формулы прогноза, которые отлично работали два месяца назад, месяц назад вдруг дали сбой?
Наиболее вероятная причина – это действие конкурентов. Спрос на самом деле не изменился, просто Ваши потенциальные клиенты по какой-то причине (прежде всего это предложение более выгодных цен) ушли к конкурентам. Вторая по вероятности причина – это изменение спроса (в условиях изменения покупательской способности или по причине устаревания товара).
Можно ли предугадать подобное развитие событий и своевременно среагировать на него? Безусловно. Для предотвращения падения продаж из-за демпинга конкурентов должна быть налажена Конкурентная разведка на наиболее значимые товары группы А, которую можно определить используя АВС анализ . Для своевременного определения этапа жизненного цикла, на котором находится товар, используют механизмы типа Бостонская матрица.

Настройка значений Минимального и Максимального остатка товара в магазинах.

При закупках товара, часто встаёт задача настройки параметров Минимального и Максимального складского остатка. Считают, что товарный остаток не должен в момент прихода заказа превышать значение МАКС (не достаточно места на полке или складе). Также стремятся, чтобы остаток в момент непосредственно перед приходом заказа не был ниже значения МИН. При стремлении к высокому уровню сервиса, в качестве МИН часто задают величину Максимальных продаж за период заказа. * Иногда эти параметры путают с близкими им им по смыслу расчётными показателями модели «МIN-МАX», в которой «МIN» показывает «точку заказа» (момент, когда остаток становится меньше «МИН», необходимо формировать заказ») а «MAX» показывает уровень, до которого необходимо делать заказ (с учётом наличия на складе, в пути и прогноза продаж до момента прихода).
Расчётные «MIN» такой модели выше чем «Минимальный остаток, который должен быть в момент прихода заказа на склад», а расчётный «MAX» может быть ниже, чем «Максимальное место на полке или складе».
Итак, менеджеру по закупкам поставлена задача контролировать параметр «Минимального» и «Максимального» остатка товара А на полке магазина. Менеджер заносит вручную МИН = 12 шт (размер минимальной выкладки), а МАКС = 60 шт (максимальное место под размещение товара А на полке).
Начинает расчёт заказа: Прогноз продажи = 8 шт. день, Периодичность заказа не чаше чем раз в 7 дней. Сначала менеджер решил оттолкнуться от МИН. Получилось, что Заказ = 7*8 = 56 шт, а остаток товара А на складе в день прихода заказа должен составит МИН + 7*8 = 68 шт. Но это больше, чем МАКС.
Тогда менеджер начинает толкаться от MAX: Размер остатка не может быть больше МАX, то есть 60 штук. Следовательно, заказ должен прийти на склад в момент, когда остаток будет равен: 60 – 7*8 = 4 шт. Но это меньше, чем МИН.
Таким образом, с неизбежностью возникает ситуация, когда заказ на неделю продаж либо «толкает МАКС вверх», либо «продавливает МИН вниз». Менеджер по закупкам должен выбрать, что для него приоритетнее, МИН или МАКС, и заложить эту логику в алгоритм расчёта заказа. Чаще более приоритетным выбирают МИН, так как временно найти дополнительное место на складе обычно легче, чем потерять продажи из-за отсутствия товара. Однако, иногда требование МАКС действительно непреодолимо (вообще нет места кроме как на полках), и заказ уменьшают до уровня «МАКС– Прогнозный остаток в момент прихода заказа». В таких случаях важно договориться с поставщиком о возможности более частых (чаще чем раз в неделю) поставках в размере меньшем, чем недельная потребность. В этом случае удастся соблюсти параметры и МИН, и МАКС одновременно.

В защиту Дефицита

Дефици́т (от лат. deficit — недостаёт) — термин, означающий недостачу, недостаточность в чем-либо.
При управлении товарным запасом, Дефицит измеряется либо через % как «1 — % Уровня сервиса», либо через величину «Потерянных продаж» (сумма прогноза продаж в дни, когда товар был недоступен к продажам).
Часто Дефицит воспринимается как нечто исключительно негативное, с чем нужно непременно бороться и обязательно победить. И действительно, если причина возникновения дефицита в ошибочных настройках заказа или использовании некачественно обработанной статистики, в фиктивных резервах сотрудников, в перебоях поставок от поставщиков – с этими явлениями необходимо бороться.
Однако, не менее часто дефицит – вполне нормальное явление. Многие товары имеют такую статистику продаж, что пытаться поднять Уровень сервиса с 85 % до 95 % (снизить дефицит на 10 %) означает увеличить склад на месячный прогноз продаж. Таким образом, «выигрывая» 10 % продаж, мы «замораживаем» в складе дополнительный месячный оборот. При стоимости месячного кредита в 2 % на этот шаг можно идти лишь в случае, когда наценка на продаваемый товар выше чем 2%/0.10 = 20 % или данный товар берётся в кредит, длиннее чем оборачиваемость. В противном случае, «снизив дефицит» мы выиграем меньше денег, чем потеряем. Не говоря уже о работе со скоропортящимся товаром, когда попытка «снизить потерянные продажи» повлечёт дополнительно затраты на увеличение % списания просроченного товара.
Как же определить ту грань, за которой высокий уровень сервиса (низкий дефицит) перестаёт приносить компании прибыль, а начинает увеличивать затраты? Для этого служит анализ эффективности, который изначально предусмотрен в качественных программах по управлению запасами. При желании, такой анализ можно сделать и в Excel. Не рассчитав точку «оптимального» дефицита, начинать с ним борьбу крайне не рекомендуется.

Почему нельзя применять АВС анализ в штуках или без предварительной обработки статистики?

Основной задачей АВС анализа на практике является ранжирование товара или поставщиков, то есть его применяют для того, чтобы оптимизировать ассортимент или поставщиков (сократить нерентабельных из группы «С» и сконцентрироваться наиболее ценных для компании из группы «А»).
Предположим теперь, что в неком магазине провели АВС анализ «в штуках», и в группу А попал товар «открытка» с продажами 100 шт/месяц, а в группу «С» попал товар «двигатель» с продажами 2 шт/мес. Ценность такого АВС анализа «в штуках» для принятия решения по оптимизации товарного ассортимента нулевая. Поэтому проводить АВС анализ рекомендуется «в деньгах». В этом случае «двигатель» с продажами 200000руб/мес оказался бы в группе «А» , а «открытка» с продажами 8000 руб/мес оказалась бы в группе «С».
Если ассортимент столь разнороден, как в примере, то для принятия решения по коррекции товарной матрицы, товары должны быть разделены по группам и внутри каждой проведён свой АВС анализ. Ведь, возможно, «открытка» является важной частью сбалансированной товарной матрицы магазина, и имея продажи 8000 руб/мес выглядит весьма привлекательно относительно других товаров своей группы.
Второй важный момент, о котором часто забывают: для АВС анализа с целью корректировки матрицы желательно брать не просто «продажи», а «хорошие продажи» — те, которые выгодны компании (имеют наценку не ниже нормативной).
Так, например, может оказаться, что продажа какого-то товара прошла с большой скидкой и не принесла прибыли компании, но за счёт значительного объёма продаж этот товар попал в группу «А». Если бы работало условие «рассматривать только продажи с наценкой выше норматива» — такой товар «отсеялся бы» и не попал бы в группу «А».

Коррекция расчётного заказа в кризис

Всплеск продаж в декабре 2014 года (по старым, ещё низким ценам) наблюдался по многим непродовольственным товарам. Автоматизированные системы управления товаром уловили тенденцию роста спроса и предлагают повысить закупки по продаваемым позициям. Многие закупщики не доверяют такому прогнозу, переключаются на «ручное управление» и снижают «расчётное» значение. Их аргументы таковы:
1. так как закупочные цены у поставщиков выросли, то спрос на товар по новым высоким ценам будет ниже.
2. поскольку многие товары были куплены «впрок», под воздействием общего ажиотажа в попытке «сохранить сбережения», то в будущий период произойдёт не рост, а спад продаж такого товара.
Как же учесть «ажиотажную» составляющую в продажах и будущее изменение спроса не ручной корректировкой, а системно?
Для этого:
1. Введите дополнительную группировку номенклатуры в зависимости от того, как спрос будет вести себя в кризис. Например, на отечественный товар дешевого сегмента спрос существенно вырастет, отнесите такой товар к группе 1. На импортный товар дорогого сегмента спрос существенно упадёт, отнесите такой товар к группе 2. На импортный товар дешёвого и среднего сегмента, не имеющий аналогов, спрос не изменится, отнесите его к группе 3.
2. Создайте несколько (по числу групп) профилей кризисного спроса, которые наложите сверху имеющегося для каждой товарной группы профиля сезонности. Сумма месячных коэффициентов каждого из таких профилей может быть как больше 12, так и меньше 12.
3. Очистите статистику (например, декабря 2014 г) от ажиотажного спроса. Если это сделать Вам сложно, то просто не учитывайте продажи такого месяца с ажиотажным спросом в расчётах закупок.
Таким образом, Вы быстро получите адаптированный расчёт потребности по всему ассортименту, не требующий дополнительной ручной корректировки.