Заключительным этапом разработки плана маркетинга является определение объема продаж. Планированию объема продаж, как правило, предшествует прогноз сбыта. Прогноз сбыта продукции включает определение основных объемных показателей деятельности предприятия и осуществляется на основе прогноза спроса, определенного для масштабов предприятия. Прогноз сбыта – это тот центр, вокруг которого концентрируется все планирование бизнеса. Прогноз сбыта разрабатывается для любого периода упреждения. Долгосрочный прогноз сбыта позволяет заложить фундамент для производства новых видов продукции и технологических процессов.Среднесрочный – это обычно проекция существующих тенденций в будущее с учетом возможного воздействия предполагаемых изменений в численности покупателей, конъюнктуры рынка и изменений других факторов.

Краткосрочный прогноз сбыта может быть сроком до одного года, используется в качестве основы для планирования маркетинга, обоснования планов сбыта.

Прогноз сбыта содержит разные измерители, но среди них обязательно должны быть количество единиц продукции и цена. При разработке прогноза сбыта пользуются той же информацией, что и при прогнозе спроса. Это сведения о конъюнктуре рынка, состоянии экономики в целом, перспективы товарного предложения, условиях деятельности предприятия и т.д.

Прогноз сбыта и план сбыта строятся примерно по одной схеме, но план сбыта должен быть более детализированным, конкретным и увязан с финансово-организационными аспектами осуществления. Некоторые предприятия предпочитают не составлять план сбыта, ограничиваясь разработкой его прогноза и составлением политики сбыта.

Сегодня прогнозирование объема продаж осуществляется двумя методами:

методы экспертных оценок;

экономико-статистические методы.

Метод экспертных оценок . В основе этого метода лежит изучение мнений специалистов предприятий-изготовителей, потребителей продукции о возможных объемах продукции предприятия в планируемом периоде. На их основе экспертным путем определяются три вида прогноза объема продаж: оптимистический, пессимистический и вероятностный. Ожидаемый объем продаж (ОП) в плановом периоде может быть определен по формуле:

ОП = (О + 4В+ П)/6, (4.4)

где О, В, П – объемы продаж – соответственно оптимистический, вероятностный, пессимистический.

Так как любой прогноз носит вероятностный характер, то рассчитывается доверительный интервал возможного объема продаж:

Д = ОП± 2(О-П)/6, (4.5)

где О-П/6 – стандартное отклонение оценок продаж.

При расчете объема продаж методом экспертных оценок большое значение имеет квалификация экспертов. Знание особенностей продукции, рынка, конкурентов, тенденции их развития способствуют повышению достоверности получения данных.

Экономико-статистические методы включают широкий спектр различных методов. Не все они получили широкое распространение в практике планирования. Наиболее популярными являются:

Метод экстраполяции – определяет объем продаж как функцию времени (или иного фактора). Как обычно в таких случаях необходим учет динамического (временного) ряда показателя;

Метод скользящей средней величины продаж . Планируемый объем продаж определяется делением фактического объема продаж на продолжительность анализируемого периода. Скользящая средняя величина пересчитывается по мере получения новых значений;

Метод доли рынка предприятия – в основе данные о среднегодовых темпах роста емкости целевого рынка в прошедшем периоде и планируемой доли предприятия в общем объеме продаж.

ОП = Ер× Иср Д/100, (4.6)

где Ер – емкость целевого рынка в отчетном году, ед.;

Иср – среднегодовой индекс роста емкости целевого рынка;

Д – планируемая доля предприятия на целевом рынке в прогнозируемый период, %.

Планирование сбыта может происходить на основе показателей прибыли и рентабельности, необходимых фирме. Такой расчет использует понятие «точка безубыточности», которая характеризует пограничный, т.е. нулевой по прибыльности объем работы.

ОП = ПОИ/ 1-ПИ´ (руб.), (4.7)

где ПОИ – постоянные издержки; ПИ´ – уровень переменных издержек в единице товара.

Знание пограничного объема, за которым для фирмы наступает сфера прибыльности, позволяет ей произвести выбор конкретной величины сбыта.

Использование точки безубыточности может способствовать обоснованию конкретного объема продаж с учетом исходных данных по прибыли и рентабельности, а также складывающихся издержек, позволяет обосновать тот объем, который обеспечит получение предусматривающихся конечных результатов деятельности.

Метод прямого счета – планирование осуществляется на основе рациональных норм расхода, потребления.

Эффективность применения того или иного метода прогноза продаж зависит от конкретных условий и специфики хозяйственной деятельности предприятия.

Работа по планированию объема продаж заканчивается формированием портфеля заказов. Портфель заказов состоит из трех разделов:

текущих заказов, обеспечивающих ритмичную работу предприятия;

среднесрочных и перспективных заказов.

На все заказы, в первую очередь, текущие, должны быть заключены договора.

Прогнозирование объемов продаж на примере компании ООО «Benetton»

Компания ООО «Benetton» была создана в 2003 году как фирма-франчайзиг итальянской компании Benetton Group. ООО «Benetton» входит в состав фирмы ООО «Шейла-Холдинг», которая занимается различными видам деятельности (торговля обувью, одеждой, автозапчастями, сдача в аренду торговых площадей, строительство спортивных сооружений, в частности ледового дворца и фитнес-центра и т.д.).

ООО «Benetton» находится в городе Краснодаре и представляет собой магазин модной одежды марки United Colors of Benetton, итальянской компании Benetton Group.

Benetton Group -- один из крупнейших европейских производителей одежды, обуви и аксессуаров под брэндами United Colours of Benetton (повседневная одежда/ casual), Undercolors (белье и купальники), 012 (детская одежда), Sisley (фэшн), Killer Loop («одежда для улицы»/ streetwear) и Playlife (одежда для молодежи). Также компания занимается оптовой продажей текстиля, рекламой и недвижимостью. Розничная сеть магазинов Benetton Group широко известна во всем мире, она насчитывает более 5000 магазинов в 120 странах. Штаб- квартира Benetton Group находится на Вилле Минелли в Понцано, в 30 км от Венеции. В России компания работает с 1992 года и сейчас открыто уже более 150 магазинов. В связи с ростом числа российских клиентов, в 1997 году компания открыла свой российский сервис-офис в Москве, который стал заниматься открытием новых магазинов и курированием уже существующих. Для осуществления контроля к каждому магазину был приставлен менеджер, который должен обеспечивать магазин необходимой информацией и отслеживать его деятельность.

С увеличением объемов продаж компании ООО «Benetton», возникла необходимость в более глубоком и грамотном прогнозировании будущих продаж с целью определения оптимального объема закупок и эффективного размещения товара в торговом зале.

Ранее, процесс прогнозирования на предприятии не осуществлялся, а процент роста объема закупок принимался волевым решением руководителя, опираясь на субъективные представления о развитии рынка, и составлял 10%. Но данный подход не учитывает реального роста объема продаж по каждой торговой марке. Так, на Осенне-Зимний 11-12 составленный с 10%-ым увеличением бюджет, был в последствии увеличен еще на 12%, увеличение произошло за счет дополнительных заказов в течение сезона, вызванных повышенным спросом потребителя. Но даже такие меры, удовлетворив спрос по основным направлениям (Benetton, Sisley), не смогли своевременно и полностью удовлетворить рост спроса на детские товары. Такая ситуация сложилась из-за того, что базовые заказы (около 80% от всех заказов на сезон) совершаются почти за год до начала сезона, т.е. фактически за год необходимо знать какой будет спрос на продукцию и планировать на основании этого объем заказа. Поэтому важно заранее составлять прогнозы на будущие периоды и на основании полученных данных планировать деятельность компании. прогнозирование продажа экспертный динамический

В связи с тем, что в ходе выполнения работы были выявлены проблемы в области управления продажами и закупками, руководству магазина было предложено провести прогнозирование объемов продаж на Осенне-Зимний сезон 2012-2013 и составить план закупок, исходя из получившегося прогноза. А потом сопоставить плановые данные с фактически заказанным количеством, выявить расхождения и разработать план деятельности.

Для выявления общей тенденции развития объема продаж за определенный период и составления прогноза на будущий сезон, сначала используем метод скользящей средней, а потом применим метод аналитического выравнивания.

Метод скользящей средней позволяет сгладить периодические и случайные колебания и тем самым выявить имеющуюся тенденцию в развитии. Такой эффект достигается путем осреднения эмпирических (исходных) данных и определения расчетных (теоретических) уровней. В данном случае использовалась трехчленная скользящая средняя, т.е. при расчетах учитывается три уровня в ряду динамики.

Метод аналитического выравнивания заключается в замене фактических уровней ряда теоретическими, рассчитанными по определенной кривой, отражающей общую тенденцию изменения показателей во времени. Таким образом, уровни динамического ряда рассматриваются как функция времени. Глядя на рис. 4 и рис. 5, можно предположить, что поведение объема продаж в денежном и количественном выражении описывается моделью линейного тренда, который имеет вид, где - теоретический уровень ряда (прогнозируемый объем продаж), t-фактор времени, - начальный уровень тренда, - параметр, отвечающий за регрессию.

В ходе расчетов, было получено следующее уравнение линейного тренда:

Y= 6655 + 240*t,

Где Y- значение объема продаж в ед.

t- показатель времени,

Из уравнения видно, что в среднем с каждым месяцем объем продаж увеличивается на 240 ед.

Подставляя вместо t соответствующий период времени можно получить соответствующее данному месяцу или сезону значение объема продаж - подставляя t начиная с 13 (количество известных наблюдений 12- количество кварталов в исследуемом периоде за три года), получаем прогноз на сезон Весна-Лето 2012 и необходимый нам прогноз на Осенне-Зимний сезон 2012-2013.

Так как полученное уравнение относится к уравнению регрессии, рассчитаем среднюю ошибку прогноза и коэффициент детерминации.

Расчет произведен с помощью пакета анализа Microsoft Excel. Результаты представлены в таблице 13.

Таблица 13

Регрессионный анализ

Ошибка при использовании модели линейного тренда составляет 1157 ед. Уравнение регрессии объясняет 71% изучаемого показателя.

Так как поведение объема продаж носит сезонный характер - в I и II квартале характерны спады, а в III и IV- происходит увеличение объема продаж, то необходимо скорректировать полученные значения прогноза на средние индексы сезонности. Индекс сезонности для каждого квартала рассчитаем путем соотнесения фактического значения ряда - yi с теоретическим -. Данные расчетов индексов сезонности в количественном выражении представлены в Приложении 4, в денежном - Приложении 7.

Расчет средних значений индекса сезонности рассчитаем путем суммирования индексов за аналогичные периоды и делением на количество изучаемых явлений.

Представим результаты прогноза объема продаж с корректировкой на средние индексы сезонности в следующей табл. 14:

Таблица 14

Прогноз продаж в единицах с учетом индексов сезонности

		Индекс сезонности	с учетом индексов сезонности	Итоговое значение прогноза
Весна-Лето 2012
Осень-Зима 2012-2013

Корректировка полученных прогнозных значений на индекс сезонности позволяет получить наиболее точный результат, соответствующий определенному сезонному периоду. Именно эти значения будут использоваться в дальнейшем при прогнозировании объема закупок на следующий Осенне-Зимний сезон.

Полученные прогнозные данные нанесем на график объема продаж - рис. 14. На данном рисунке красной линией обозначены полученные прогнозные значения на Весну-Лето 2012 и Осень-Зиму 2012-2013.

Рис. 14.

Аналогичные действия проведем для расчета объема продаж в денежном выражении. Уравнение линейного тренда выглядит следующим образом:

Y= 3 975 037 + 133488*t,

Где Y- значение объема продаж, руб.

t- показатель времени,

Из уравнения видно, что выручка в среднем увеличивается на 133 488 руб. ежемесячно.

Показатели регрессии рассчитанные с помощью пакета анализа Microsoft Excel представлены в табл. 15.

Регрессионный анализ

Ошибка в данном случае составила 732797 руб. Уравнение регрессии объясняет 65% исследуемого показателя.

Прогнозные значения объема продаж с корректировкой на индексы сезонности представлены в табл.16:

Таблица 16

Прогноз продаж в рублях с учетом индексов сезонности

	Прогноз на 2012-2013	Индекс сезонности	на 2012-2013 с учетом индексов сезонности	Итоговое значение прогноза
Весна-Лето 2012
Осень-Зима 2012-2013

Рис. 15.

Полученные прогнозные данные нанесем на график объема продаж - рис. 15. На данном рисунке красной линией обозначены полученные прогнозные значения на Весну-Лето 2012 и Осень-Зиму 2012-2013.

На рис. 15. видно, что наряду с общей тенденцией увеличения объема продаж, сохраняется также сезонный характер явлений.

Если все сделки «выстрелят», впереди сделок уже не будет. За пиком продаж неизбежно следует провал. Но прогнозировать подъемы и спуски можно — причем легко и технологично.

Причина провала может быть простой: менеджеры по продажам видят перспективу только в ближайших сделках. Чтобы сбыт был стабильным, необходимо его планировать и прогнозировать. И не до конца текущего месяца, как это обычно делают. Необходим прогноз продаж на несколько месяцев вперед.

Техника и технология

Несколько правил прогнозирования продаж уместятся на двух страницах.

1. Все наметки на клиентов, имеющиеся у каждого менеджера по продажам, учитываются в конкретных суммах. Недостаточно сказать: «Мы можем продать сайт клиенту XYZ». Нужно конкретизировать: «Мы планируем продать клиенту XYZ сайт бизнес-класса стоимостью $9500».
2. Необходимо запланировать месяц, когда можно ждать продажи. Например: сейчас на дворе май 2007 г. И мы планируем, что сайт удастся продать в течение двух месяцев. Значит, оплаты можно ждать в июле 2007 г.
3. Неплохо бы определить (и трезво оценить) вероятность совершения сделки. Каждой вероятности соответствует свой коэффициент, на который множится сумма сделки для учета в прогнозе продаж. Например, делим все ожидаемые платежи на три вида: «гарантированные», «вероятные» и «маловероятные». «Гарантированные» платежи принимаем к прогнозу с коэффициентом 1: они поступят практически наверняка. «Вероятные» платежи принимаем к прогнозу с коэффициентом 0,6: вероятность их поступления больше 50%, но далека от 100%. «Маловероятные» платежи принимаем к прогнозу с коэффициентом 0,1: мы почти не ждем, что эти деньги к нам поступят.

Суммируем обороты по планируемым сделкам, взвешенные с учетом вероятности. Отдельно берем сумму по ожидаемым сделкам за текущий месяц (X), за ближайший будущий месяц (X+1) и за месяц, следующий за ним (X+2).

• Прогноз продаж на текущий месяц, равный сумме оборота, реально поступившего с начала месяца, и прогноза продаж по сделкам, ожидающимся до конца месяца.
• Прогноз продаж на месяц, следующий за текущим — (текущий месяц + 1).
• Прогноз продаж на текущий месяц + 2.

Обычно все эти данные загоняются в знакомый всем формат таблицы MS Exel. В ней делаются отдельные страницы на каждый месяц, блоки на каждого вашего сотрудника. И вставляются формулы, автоматически учитывающие вероятность платежей и выдающие итоговые прогнозы. Общий, и по каждому сотруднику отдельно.

Необходимо сделать две вещи. Во-первых, собрать и загнать в таблицу исходные данные. Во-вторых, выработать у сотрудников безусловный рефлекс: они должны учитывать все промежуточные результаты работы с клиентами в изменениях прогноза. Например, при обсуждении контракта на сайт коммерсант убедил клиента в необходимости продвижения сайта. Для себя он должен сразу оценить, как изменится прогноз продаж. Какую дополнительную сумму должен будет заплатить клиент за продвижение? Например, $5000. Насколько изменится прогноз? Если сделка «вероятная», прогноз увеличится на $5000 × 0,6 = $3000.

Теперь по итоговым данным прогноза продаж можно контролировать ход коммерческой работы. Важны не сами итоговые данные, а их изменения изо дня в день.

Если прогноз продаж не изменился по сравнению со вчерашним днем — значит, коммерческая работа не велась.

Это даже хуже, чем если бы прогноз уменьшился. Уменьшение прогноза означает, что какие-то сделки попытались дожать — и они слетели. Но работа все-таки велась. А неизменный прогноз означает именно то, что никто ничего не делал.

Прогноз — это уже результат

Как определить оптимальный прогноз продаж?

В нашем случае для расчета прогноза продаж используется технологичный подход. А это означает, что прогноз не берется с неба и не высасывается из пальца. Он является объективным отражением текущего положения дел по перспективным контрактам. Поэтому технологичный прогноз не может быть «оптимальным» или «неоптимальным». Он всегда является объективным отражением действительности. Если, конечно, ведется правильно.

Единственное, что можно уточнить по ходу дела (статистически) — это вероятностные коэффициенты. После сопоставления прогнозов и реальных результатов продаж за несколько месяцев может оказаться, что «вероятным» контрактам нужно присвоить коэффициент 0,9. А «маловероятным» — коэффициент 0,15.

Жесткое внедрение

Как заставить сотрудников спрогнозировать и оценить потенциальных клиентов?

Дисциплинарно. Без жесткого регулярного управления на основе технологий и стандартов прогноз продаж жить не будет.

Как выявить сознательные занижения в прогнозе продаж менеджеров?

Во-первых, менеджер может занизить саму сумму ожидаемой сделки. Это — проблема «личного порога». Ее нужно лечить наставничеством. И тренингами продаж хороших практиков.

Во-вторых, менеджер может занизить вероятность успеха сделки. Ну, меньше «маловероятной» он поставить не сможет. Если у большинства менеджеров вероятности сделок разные, а у кого-то все сделки — «маловероятные», это хорошо видно по сводному прогнозу продаж. У таких менеджеров проблемы с уверенностью в себе или товарах/услугах своей компании. Им нужна поддержка опытных товарищей при «дожиме» сделок.

Самое опасное — когда переговоры с клиентами ведутся, а в прогнозе продаж клиенты не появляются. Как минимум, это означает, что менеджер занимается с клиентами тусовкой, а не продажей. Он даже не предполагает, что конкретно будет предлагать данному клиенту. И на какую сумму. Как максимум, сделки уводятся на сторону.

Эта ситуация становится очевидной, когда коммерсант ведет переговоры с клиентами и ездит к ним на встречи. А его личный прогноз продаж не меняется. Эта ситуация требует немедленного вмешательства руководителя продаж. И жестких решительных действий. От совместного проведения переговоров до увольнения сотрудника.

Как добиться максимального выполнения прогноза продаж?

В наибольшей степени это зависит от личных усилий руководителя продаж. Он должен постоянно отслеживать, насколько его сотрудники могут обеспечить выполнение прогноза по их клиентам. Здесь действует правило «не более одной дополнительной попытки». Если в назначенный день клиент оплатил — хорошо. Если нет — разговор об объективных трудностях клиента никого не волнует. Сотрудник сам должен назвать руководителю продаж тот срок (небольшой!), за который он доведет эту сделку до результата. Если срок прошел, а результата нет, руководитель берет «дожим» сделки на себя. За соответствующее вознаграждение.

Отметим напоследок: прогноз продаж позволяет по нескольким итоговым значениям насквозь контролировать работу отдела. Мало того: как греет душу рукводителя сама возможность предсказать будущее!

Краеугольный камень в управлении запасами и огромная головная боль управляющего. Как это делать на практике ?

Целью данных записок не является изложение теории прогнозирования - книжек существует множество. Целью является сжато и по возможности без глубокой и строгой математики дать обзор различных методов и практик применения именно в области управления запасами. Я старался не "залезать в дебри", рассматривать лишь наиболее часто встречающиеся ситуации. Заметки написаны практиком и для практиков, поэтому не стоит искать здесь каких-то изощренных методик, описаны только самые общие. Так сказать, mainstream в чистом виде.

Впрочем, как и везде на этом сайте всячески приветствуется участие - добавляйте, исправляйте, критикуйте...

Прогнозирование. Постановка задачи

Любой прогноз всегда ошибочен. Весь вопрос в том, насколько он ошибочен.

Итак, у нас в распоряжении есть данные о продажах. Пусть это выглядит так:

На языке математики это называется временным рядом:

Временной ряд обладает двумя критическими свойствами

значения обязательно упорядочены. Переставьте два любых значения местами, и получите другой ряд

подразумевается, что значения в ряду — это результат измерения через одинаковые фиксированные промежутки времени; прогнозирование поведения ряда означает получение «продолжения» ряда через те же самые промежутки на заданный горизонт прогнозирования

Отсюда следует требование к точности исходных данных — если мы хотим получить понедельный прогноз, исходная точность должна быть не хуже, чем понедельные отгрузки.

Отсюда также следует, что если мы «достаем» из учетной системы данные о продажах помесячно, их нельзя использовать впрямую, поскольку количество времени, в течение которого производились отгрузки, в каждом месяце разное и это вносит дополнительную ошибку, поскольку объем продаж приблизительно пропорционален этому времени.

Впрочем, это не является такой уж сложной проблемой — давайте просто приведем эти данные к среднедневным.

Для того, чтобы сделать какие-то предположения относительно дальнейшего хода процесса, мы должны, как уже говорилось, уменьшить степень нашего незнания. Мы предполагаем, что наш процесс имеет какие-то внутренние закономерности течения, совершенно объективные в текущем окружении. В общих чертах это можно представить как

Y(t) — значение нашего ряда (например, объем продаж) в момент времени t

f(t) — некая функция, описывающая внутреннюю логику процесса. Ее в дальнейшем будем называть прогнозной моделью

e(t) — шум, ошибка, связанная со случайностью процесса. Или, что то же самое, связанная с нашим незнанием, неумением учесть другие факторы в модели f(t) .

Теперь наша задача состоит в том, чтобы отыскать такую модель, чтобы величина ошибки была заметно меньше наблюдаемой величины. Если мы отыщем такую модель, мы можем считать, что процесс в будущем пойдет примерно в соответствии с этой моделью. Более того, чем точнее модель будет описывать процесс в прошлом, тем больше у нас уверенности, что она сработает и в будущем.

Поэтому процесс как правило бывает итеративным. Исходя из простого взгляда на график прогнозист выбирает простую модель и подбирает ее параметры таким образом, чтобы величина

была в каком-то смысле минимально возможной. Эту величину как правило называют «остатками» (residuals), поскольку это то, что осталось после вычитания модели из фактических данных, то, что не удалось описать моделью. Для оценки того, насколько хорошо модель описывает процесс, необходимо посчитать некую интегральную характеристику величины ошибки. Наиболее часто для вычисления этой интегральной величины ошибки используют среднее абсолютное или среднеквадратическое величины остатков по всем t. Если величина ошибки достаточно велика, пытаются «улучшить» модель, т.е. выбрать более сложный вид модели, учесть большее количество факторов. Нам, как практикам, следует в этом процессе строго соблюдать как минимум два правила:

Наивные методы прогнозирования

Наивные методы

Простое среднее

В простом случае, когда измеренные значения колеблются вокруг некоторого уровня, очевидным является оценка среднего значения и предположение о том, что и впредь реальные продажи будут колебаться вокруг этого значения.

Скользящее среднее

В реальности же как правило картинка хоть немного, да «плывет». Компания растет, оборот увеличивается. Одной из модификаций модели среднего, учитывающей это явление, является отбрасывание наиболее старых данных и использование для вычисления среднего лишь нескольких k последних точек. Метод получил название «скользящего среднего».

Взвешенное скользящее среднее

Следующим шагом в модификации модели является предположение о том, что более поздние значения ряда более адекватно отражают ситуацию. Тогда каждому значению присваивается вес, тем больший, чем более свежее значение добавляется.

Для удобства можно сразу выбрать коэффициенты таким образом, чтобы сумма их составляла единицу, тогда не придется делить. Будем говорить, что такие коэффициенты отнормированы на единицу.

Результаты прогнозирования на 5 периодов вперед по этим трем алгоритмам приведены в таблице

Простое экспоненциальное сглаживание

В англоязычной литературе часто встречается аббревиатура SES — Simple Exponential Smoothing

Одной из разновидностей метода усреднения является метод экспоненциального сглаживания . Отличается он тем, что ряд коэффициентов здесь выбирается совершенно определенным образом — их величина падает по экспоненциальному закону. Остановимся здесь немного подробнее, поскольку метод получил повсеместное распространение благодаря простоте и легкости вычислений.

Пусть мы делаем прогноз на момент времени t+1 (на следующий период). Обозначим его как

Здесь мы берем в качестве основы прогноза прогноз последнего периода, и добавляем поправку, связанную с ошибкой этого прогноза. Вес этой поправки будет определять, насколько «резко» наша модель будет реагировать на изменения. Очевидно, что

Считается, что для медленно меняющегося ряда лучше брать значение 0.1, а для быстро меняющегося — подбирать в районе 0.3-0.5.

Если переписать эту формулу в другом виде, получается

Мы получили так называемое рекуррентное соотношение — когда последующий член выражается через предыдущий. Теперь мы прогноз прошлого периода выражаем тем же способом через позапрошлое значение ряда и так далее. В итоге удается получить формулу прогноза

В качестве иллюстрации продемонстрируем сглаживание при разных значениях постоянной сглаживания

Очевидно, что если оборот более-менее монотонно растет, при таком подходе мы будем систематически получать заниженные цифры прогнозов. И наоборот.

Ну и в заключение методика сглаживания с помощью электронных таблиц. Для первого значения прогноза мы возьмем фактическое, а далее по формуле рекурсии:

Составляющие прогнозной модели

Очевидно, что если оборот более-менее монотонно растет, при таком «усредняющем» подходе мы будем систематически получать заниженные цифры прогнозов. И наоборот.

Чтобы более адекватно промоделировать тенденцию, в модель вводится понятие «тренда», т.е. некоторой гладкой кривой, которая более-менее адекватно отражает «систематическое» поведение ряда.

Тренд

На рис. показан тот же ряд в предположении приблизительно линейного роста

Такой тренд называется линейным — по виду кривой. Это наиболее часто применяемый вид, реже встречаются полиномиальные, экспоненциальные, логарифмические тренды. Выбрав вид кривой, конкретные параметры обычно подбирают методом наименьших квадратов.

Строго говоря, эта компонента временного ряда называется тренд-циклической , то есть включает в себя колебания с относительно длинным периодом, для наших задач — порядка десятка лет. Эта циклическая составляющая характерна для мировой экономики или интенсивности солнечной активности. Поскольку мы тут решаем не такие глобальные проблемы, горизонты у нас поменьше, то и циклическую компоненту мы оставим за скобками и далее везде будем говорить о тренде.

Сезонность

Однако на практике нам оказывается недостаточно моделировать поведение таким образом, что мы подразумеваем монотонный характер ряда. Дело в том, что рассмотрение конкретных данных о продажах сплошь и рядом приводит нас к выводу о наличии еще одной закономерности — периодическом повторении поведения, некотором шаблоне. К примеру, рассматривая продажи мороженого, очевидно, что зимой они как правило ниже среднего. Такое поведение совершенно понятно с точки зрения здравого смысла, поэтому возникает вопрос, нельзя ли использовать эту информацию для уменьшения нашего незнания, для уменьшения неопределенности?

Так возникает в прогнозировании понятие «сезонности » - любое повторяющееся через строго определенные промежутки времени изменение величины. Например, всплеск продаж елочных игрушек в последние 2 недели года можно рассматривать как сезонность. Как правило, подъем продаж супермаркета в пятницу и субботу в сравнении с остальными днями можно рассматривать как сезонность с недельной периодичностью. Хоть и называется эта составляющая модели «сезонность», необязательно она связана именно с сезоном в бытовом понимании (весна, лето). Любая периодичность может называться сезонностью. С точки зрения ряда сезонность характеризуется прежде всего периодом или лагом сезонности — числом, через которое происходит повторение. Например, если у нас ряд месячных продаж, мы можем предполагать, что период составляет 12.

Различают модели с аддитивной и мультипликативной сезонностью . В первом случае сезонная поправка добавляется к исходной модели (в феврале продаем на 350 ед. меньше, чем в среднем)

во втором — происходит умножение на коэффициент сезонности (в феврале продаем на 15% меньше, чем в среднем)

Заметим, что, как уже говорилось в начале, само наличие сезонности должно быть объяснимо с точки зрения здравого смысла. Сезонность является следствием и проявлением свойства продукта (особенностей его потребления в данной точке земного шара). Если мы сможем аккуратно идентифицировать и измерить это свойство этого конкретного продукта, мы сможем быть уверены, что такие колебания продолжатся и в будущем. При этом один и тот же продукт вполне может иметь разные характеристики (профили ) сезонности в зависимости от места, где он потребляется. Если же мы не можем объяснить такое поведение с точки зрения здравого смысла, у нас нет оснований для предположительного повторения такого шаблона в будущем. В этом случае мы должны искать другие факторы, внешние по отношению к продукту и рассматривать их наличие в будущем.

Важно то, что при выборе тренда мы должны выбирать простую аналитическую функцию (то есть такую, которую можно выразить простой формулой), тогда как сезонность как правило выражается табличной функцией. Самый распространенный случай — годовая сезонность с 12 периодами по числу месяцев — это таблица из 11 мультипликативных коэффициентов, представляющих поправку относительно одного опорного месяца. Или 12 коэффициентов относительно среднемесячного значения, только очень важно, что при этом независимыми остаются те же 11, поскольку 12й однозначно определяется из требования

Ситуация, когда в модели присутствует M статистически независимых (!) параметров , в прогнозировании называется моделью с M степенями свободы . Так что если вам встретится специальный софт, в котором как правило необходимо в качестве входных параметров задать число степеней свободы, это отсюда. Например, модель с линейным трендом и периодом 12 месяцев, будет иметь 13 степеней свободы — 11 от сезонности и 2 от тренда.

Как жить с этими составляющими ряда, рассмотрим в следующих частях.

Классическая сезонная декомпозиция

Декомпозиция ряда продаж.

Итак, мы весьма часто можем наблюдать поведение ряда продаж, в котором присутствуют компоненты тренда и сезонности . Мы имеем намерение улучшить качество прогноза, учитывая это знание. Но для того, чтобы использовать эту информацию, нам необходимы количественные характеристики. Тогда мы из фактических данных сможем исключить тренд и сезонность и тем самым значительно уменьшить величину шума, а значит и неопределенность будущего.

Процедура выделения неслучайных компонент модели из фактических данных называется декомпозицией .

Первое, чем мы займемся на наших данных — сезонная декомпозиция , т.е. определение числовых значений сезонных коэффициентов. Для определенности возьмем наиболее распространенный случай: данные о продажах сгруппированы помесячно (поскольку требуется прогноз с точностью до месяца), предполагается линейный тренд и мультипликативная сезонность с лагом 12.

Сглаживание ряда

Сглаживанием называется процесс, при котором исходный ряд заменяется другим, более плавным, но основанным на исходном. Целью такого процесса является оценка общих тенденций, тренда в широком смысле. Методов (как и целей) сглаживания существует много, наиболее распространенные

укрупнение временных интервалов . Очевидно, что ряд продаж, агрегированный помесячно, ведет себя более гладко, чем ряд, основанный на дневных продажах

скользящее среднее . Мы уже рассматривали этот метод, когда говорили о наивных методах прогнозирования

аналитическое выравнивание . В этом случае исходный ряд заменяется некоторой гладкой аналитической функцией. Вид и параметры подбираются экспертно по минимуму ошибок. Опять же, мы это уже обсуждали, когда говорили о трендах

Дальше мы будем использовать сглаживание методом скользящего среднего. Идея состоит в том, что набор из нескольких точек мы заменяем одной по принципу «центра масс» - значение равно среднему этих точек, а расположен центр масс, как нетрудно догадаться, в центре отрезка, образованного крайними точками. Так мы устанавливаем некий «средний» уровень для этих точек.

В качестве иллюстрации наш исходный ряд, сглаженный по 5 и 12 точкам:

Как нетрудно догадаться, если происходит усреднение по четному числу точек, центр масс падает в промежуток между точками:

К чему это я все веду?

Для того, чтобы провести сезонную декомпозицию , классический подход предлагает сначала провести сглаживание ряда с окном, в точности совпадающим с лагом сезонности. В нашем случае лаг = 12, так что если мы сгладим по 12 точкам, по всей видимости, возмущения, связанные с сезонностью, нивелируются и мы получим общий средний уровень. Вот тогда уже мы начнем сравнивать фактические продажи с сглаженными значениями — для аддитивной модели будем вычитать из факта сглаженный ряд, а для мультипликативной — делить. В результате получим набор коэффициентов, для каждого месяца по нескольку штук (в зависимости от длины ряда). Если сглаживание прошло успешно, эти коэффициенты будут иметь не слишком большой разброс, так что усреднение для каждого месяца будет не столь уж дурацкой затеей.

Два момента, которые важно отметить.

• Усреднение коэффициентов можно делать как вычислением стандартного среднего, так и медианы. Последний вариант очень рекомендуется многими авторами, поскольку медиана не так сильно реагирует на случайные выбросы. Но мы в нашей учебной задаче будем использовать простое среднее.
• У нас будет лаг сезонности 12, четный. Поэтому нам придется сделать еще одно сглаживание — заменить две соседние точки сглаженного в первый раз ряда на среднее, тогда мы попадем на конкретный месяц

На картинке результат повторного сглаживания:

Теперь делим факт на гладкий ряд:

К сожалению, у меня были данные лишь за 36 месяцев, а при сглаживании по 12 точкам один год, соответственно, теряется. Поэтому на данном этапе я получил коэффициенты сезонности лишь по 2 на каждый месяц. Но делать нечего, это лучше, чем ничего. Будем усреднять эти пары коэффициентов:

Теперь вспоминаем, что сумма мультипликативных коэффициентов сезонности должна быть =12, поскольку смысл коэффициента — отношение продаж месяца к среднемесячному. Именно это делает последняя колонка:

Вот теперь мы выполнили классическую сезонную декомпозицию , то есть получили значения 12-ти мультипликативных коэффициентов. Теперь пришла пора заняться нашим линейным трендом. Для оценки тренда мы устраним из фактических продаж сезонные колебания, разделив факт на полученное для данного месяца значение.

Теперь построим на графике данные с устраненной сезонностью, проведем линейный тренд и составим для интереса прогноз на 12 периодов вперед как произведение значения тренда в точке на соответствующий коэффициент сезонности

Как видно из картинки, очищенные от сезонности данные не очень хорошо укладываются в линейную зависимость — слишком большие отклонения. Возможно, если почисить исходные данные от выбросов, все станет намного лучше.

Для более точного определения сезонности при помощи классической декомпозиции весьма желательно иметь не менее 4-5 полных циклов данных, так как один цикл не участвует в вычислении коэффициентов.

Что делать, если по техническим причинам таких данных нет? Нужно найти метод, который не будет отбрасывать никакую информацию, будет использовать всю имеющуюся для оценки сезонности и тренда. Попробуем такой метод рассмотреть в следующей части

Экспоненциальное сглаживание с учетом тренда и сезонности. Метод Холта-Винтерса

Возвращаясь к экспоненциальному сглаживанию...

В одной из предыдущих частей мы уже рассматривали простое экспоненциальное сглаживание . Напомним в двух словах основную идею. Мы предполагали, что прогноз для точки t определяется некоторым средним уровнем предыдущих значений. Причем способ, которым вычисляется прогнозное значение, определяется рекуррентным соотношением

В таком виде метод дает удобоваримые результаты, если ряд продаж достаточно стационарен — нет выраженного тренда или сезонных колебаний . Но на практике такой случай — счастье. Поэтому мы рассмотрим модификацию данного метода, позволяющую работать с трендовыми и сезонными моделями.

Метод получил название Холта-Винтерса по именам разработчиков: Холт предложил метод учета тренда , Винтерс добавил сезонность .

Для того, чтобы не только разобраться с арифметикой, но и «почувствовать», как это работает, давайте немного повернем нашу голову и подумаем, что меняется, если мы вводим тренд. Если для простого экспоненциального сглаживания оценка прогноза на p-й период делалась как

где Lt — усредненный по известному правилу «общий уровень», то при наличии тренда появляется поправка

,

то есть к общему уровню добавляется оценка тренда. Причем как общий уровень, так и тренд мы будем усреднять независимо по методу экспоненциального сглаживания. Что понимается под усреднением тренда? Мы предполагаем, что в нашем процессе присутствует локальный тренд, определяющий систематическое приращение на одном шаге — между точками t и t-1, например. И если для линейной регрессии линия тренда проводится по всей совокупности точек, мы считаем, что более поздние точки должны вносить больший вклад, поскольку рыночное окружение постоянно меняется и более свежие данные более ценны для прогноза. В итоге Холт предложил использовать уже два рекуррентных соотношения — одно сглаживает общий уровень ряда , другое сглаживает трендовую составляющую .

Методика сглаживания такова, что вначале выбираются начальные значения уровня и тренда, а затем делается проход по всему ряду, на каждом шаге вычисляя новые значения по формулам. Из общих соображений понятно, что начальные значения должны как-то определяться исходя из значений ряда в самом начале, однако четких критериев тут нет, присутствует элемент волюнтаризма. Наиболее часто используются два подхода в выборе «точек отсчета»:

Начальный уровень равен первому значению ряда, начальный тренд равен нулю.

Берем первые несколько точек (штук 5), проводим линию регрессии (ax+b). Начальный уровень задаем как b, начальный тренд как a.

По большому счету этот вопрос не является принципиальным. Как мы помним, вклад ранних точек мизерный, поскольку коэффициенты очень быстро (по экспоненте) убывают, так что при достаточной длине ряда исходных данных мы скорее всего получим практически идентичные прогнозы. Разница, однако, может проявиться при оценке ошибки модели.

На этом рисунке показаны результаты сглаживания при двух выборах начальных значений. Здесь хорошо видно, что большая ошибка второго варианта связана с тем, что начальное значение тренда (взятое по 5 точкам) получилось явно завышенным, поскольку мы не учитывали рост, связанный с сезонностью.

Поэтому (вслед за господином Винтерсом) усложним модель и будем делать прогноз с учетом сезонности :

В данном случае мы, как и раньше, предполагаем мультипликативную сезонность. Тогда наша система уравнений сглаживания получает еще одну составляющую:

где s — лаг сезонности.

И вновь заметим, что выбор начальных значений, как и величин постоянных сглаживания — вопрос воли и мнения эксперта.

Для действительно важных прогнозов, однако, можно предложить составить матрицу всех комбинаций постоянных и перебором выбрать такие, которые дают меньшую ошибку. О методах оценки ошибочности моделей мы поговорим немного позже. А пока займемся сглаживанием нашего ряда по методу Холта-Винтерса . Начальные значения будем в данном случае определять по следующему алгоритму:

Теперь начальные значения определены.

Результаты всего этого безобразия:

Заключение

Удивительно, но такой простой метод дает на практике очень неплохие результаты, вполне сравнимые с гораздо более "математическими" - например, с линейной регрессией. И при этом реализация экспоненциального сглаживания в информационной системе на порядок проще.

Прогнозирование редких продаж. Метод Кростона

Прогнозирование редких продаж.

Суть проблемы.

Вся известная математика прогнозирования, которую с удовольствием описывают авторы учебников, основывается на предположении, что продажи в некотором смысле "ровные". Именно при такой картинке в принципе возникают такие понятия, как тренд или сезонность.

А что делать, если продажи выглядят следующим образом?

Каждый столбик здесь - продажи за период, между ними продаж нет, хотя товар присутствует.
О каких "трендах" здесь можно говорить, когда около половины периодов имеют нулевые продажи? И это еще не самый клинический случай!

Уже из самих графиков видно, что нужно придумывать какие-то другие алгоритмы предсказания. Хочется еще заметить, что эта задача не высосана из пальца и не является какой-то редкой. Практически все aftermarket ниши имеют дело именно с этим случаем - автозапчасти, аптеки, обеспечение сервисных центров,...

Формулировка задачи.

Будем решать чисто прикладную задачу. У меня есть данные о продажах торговой точки с точностью до дней. Срок реакции системы поставок пусть будет ровно одна неделя. Задача-минимум - спрогнозировать скорость продаж. Задача-максимум - определить величину страхового запаса исходя из уровня обслуживания в 95%.

Метод Кростона.

Анализируя физическую природу процесса, Кростон (Croston, J.D.) предположил, что

• все продажи статистически независимы
• случилась продажа или нет, подчиняется распределению Бернулли
  (с вероятностью p событие происходит, с вероятностью 1-p нет)
• в случае, если событие продажи произошло, размер покупки распределен нормально

Это означает, что результирующее распределение имеет такой вид:

Как видим, от "колокола" Гаусса эта картинка сильно отличается. Более того, вершина изображенного холма соответствует покупке 25 единиц, тогда как если мы "в лоб" посчитаем среднее по ряду продаж, получим 18 единиц, а расчет СКО дает 16. Соответствующая "нормальная" кривая нарисована здесь зеленым.

Кростон предложил делать оценку двух независимых величин - периода между покупками и собственно размера покупки. Посмотрим на тестовые данные, у меня как раз случайно под руками данные о реальных продажах:

Теперь поделим исходный ряд на два ряда по следующим принципам.

исходный	период	размер
0
0
0
0
0
0
0
0
0
0
4	11	4
0
0
4	3	4
5	1	5
...	...	...

Теперь к каждому из получившихся рядов применим простое экспоненциальное сглаживание и получим ожидаемые значения интервала между покупками и величины покупки. А разделив второе на первое, получим ожидаемую интенсивность спроса в единицу времени.
Так, у меня есть тестовые данные по дневным продажам. Выделение рядов и сглаживание с малым значением постоянной дало мне

• ожидаемый период между покупками 5.5 дней
• ожидаемый размер покупки 3.7 единиц

следовательно недельный прогноз продаж составит 3.7/5.5*7=4.7 единиц.

Вообще-то это все, что нам дает метод Кростона - точечную оценку прогноза. К сожалению, этого недостаточно для расчета потребного страхового запаса.

Метод Кростона. Уточнение алгоритма.

Недостаток метода Кростона.

Проблема вообще-то всех классических методов состоит в том, что они моделируют поведение с помощью нормального распределения. И здесь сидит систематическая ошибка, поскольку нормальное распределение предполагает, что случайная величина может меняться от минус бесконечности до плюс бесконечности. Но это небольшая беда для достаточно регулярного спроса, когда коэффициент вариации невелик, а значит и вероятность появления отрицательных значений столь незначительна, что мы вполне можем на это закрывать глаза.

Другое дело - прогнозирование редких событий, когда матожидание размера покупки имеет малое значение, а СКО при этом вполне может оказаться как минимум такого же порядка:

Чтобы уйти от такой очевидной погрешности, было предложено пользоваться логнормальным распределением, как более "логично" описывающим картину мира:

Если кого-то смущают всякие страшные слова, не волнуйтесь, принцип очень прост. Берется исходный ряд, от каждого значения берется натуральный логарифм, и предполагается, что получившийся ряд уже ведет себя как нормально распределенный со всей стандартной математикой, описанной выше.

Метод Кростона и страховой запас. Функция распределения спроса.

Сел я тут и задумался... Ну хорошо, получил я характеристики потока спроса:
ожидаемый период между покупками 5.5 дней
ожидаемый размер покупки 3.7 единиц
ожидаемая интенсивность спроса 3.7/5.5 единиц в день...
пусть я даже получил СКО дневного спроса для ненулевых продаж - 2.7. А что там насчет страхового запаса ?

Как известно, страховой запас должен обеспечить наличие товара при отклонении продаж от среднего с определенной вероятностью. Метрики уровня обслуживания мы уже обсуждали, давайте для начала поговорим об уровне первого рода. Строгая формулировка задачи звучит так:

У нашей системы поставок есть время реакции. Суммарный спрос на товар за это время есть величина случайная, имеющая свою функцию распределения. Условие "вероятность необнуления запаса" можно записать как

В случае редких продаж функция распределения может быть записана следующим образом:

q - вероятность нулевого исхода
p=1-q - вероятность ненулевого исхода
f(x) - плотность распределения размера покупки

Заметьте, в своем исследовании в предыдущий раз все эти параметры я измерял для дневного ряда продаж. Поэтому если время реакции у меня тоже равно одному дню, то эту формулу можно успешно применить прямо сразу. Например:

предположим, что f(x) - нормальная.
предположим, что в области x<=0 вероятности, описываемые функцией очень низкие, т.е.

тогда интеграл в нашей формуле ищется по таблице Лапласа.

в нашем примере p = 1/5.5, так что

алгоритм поиска становится очевидным - задав SL, наращиваем k, пока F не превысит заданный уровень.

Кстати, в последней колонке что? Правильно, уровень обслуживания второго рода, соответствующий заданному запасу. И тут, как я уже говорил, сидит некоторый методологический казус. Давайте представим себе, что продажи происходят приблизительно с частотой один раз в... ну пусть будет 50 дней. И еще представим себе, что мы держим нулевой запас. Какой уровень обслуживания будет? Вроде как нулевой - нет запаса, нет и обслуживания. Ту же цифру нам даст и система контроля запаса, поскольку наблюдается постоянный out of stock. Но ведь с точки зрения банальной эрудиции в 49 случаях из 50 продажа точно соответствует спросу. То есть не приводит к потерям прибыли и лояльности клиентов , а ни для чего другого уровень сервиса и не предназначен. Этот несколько вырожденный случай (чую, спор начнется) является просто иллюстрацией того, почему даже очень малый запас при редком спросе дает высокие уровни сервиса.

Но это все цветочки. А что, если у меня изменился поставщик, и теперь время реакции стало равняться неделе, например? Ну, тут все становится совсем веселым, тем, кто не любит "многаформул", рекомендую далее не читать, а ждать статью про метод Виллемейна.

Наша задача состоит теперь в том, чтобы проанализировать сумму продаж за период реакции системы , понять ее распределение, и уже оттуда вытаскивать зависимость уровня сервиса от величины запаса .

Итак, функция распределения спроса за один день и все ее параметры нам известны:

По-прежнему результат одного дня статистически независим от любого другого.
Пусть случайное событие состоит в том, что за n дней случилось ровно m фактов ненулевых продаж. Согласно закону Бернулли (да ладно, я ж сижу и с учебника списываю!) вероятность такого события

где - число сочетаний из n по m, а p и q - опять те же вероятности.
Тогда вероятность того, что сумма проданного за n дней в результате ровно m фактов продаж не превысит величины z, составит

где - распределение суммы проданного, то есть свертка m одинаковых распределений.
Ну и поскольку искомый результат (суммарные продажи не превышают z) может быть получен при любых m, осталось просуммировать соответствующие вероятности:

(первое слагаемое соответствует вероятности нулевого исхода всех n испытаний).

Что-то дальше мне лень со всем этим возиться, желающие могут самостоятельно построить таблицу, аналогичную вышеприведенной в применении к нормальной плотности вероятности. Для этого надо только вспомнить, что свертка m нормальных рапределений с параметрами (a,s 2) дает нормальное же распределение с параметрами (ma,ms 2).

Прогнозирование редких продаж. Метод Виллемейна.

Что плохого в методе Кростона?

Дело в том, что во-первых, он подразумевает нормальность распределения размера покупки. Во-вторых, для адекватных результатов это распределение должно иметь невысокую дисперсию. В-третьих, хоть это и не так смертельно, применение экспоненциального сглаживания для нахождения характеристик распределения неявно подразумевает нестационарность процесса.

Ну да бог с ним. Для нас самое важное - реальные продажи даже близко не выглядят нормальными. Именно эта мысль сподвигла Виллемейна (Thomas R. Willemain) и компанию к созданию более универсального способа. А потребность в таком методе была продиктована чем? Правильно, необходимостью прогнозировать потребность в запасных частях, в особенности в автомобильных запчастях.

Метод Виллемейна.

Суть подхода состоит в применении процедуры бутстраппинга (bootstrapping). Словечко это родилось из старой поговорки "pull oneself over a fence by one"s bootstraps", что почти буквально соответствует нашему "вытащить себя за собственные волосы". Компьютерный термин boot, кстати, тоже отсюда. И смысл этого слова в том, что некая сущность содержит в себе необходимые ресурсы, чтобы саму себя перевести в другое состояние, и при необходимости такую процедуру возможно запустить. Именно такой процесс происходит с компьютером, когда мы нажимаем на определенную кнопку.

В применении же к нашей узкой задаче процедура бутстраппинга означает вычисление внутренних закономерностей, присутствующих в данных, и выполняется следующим образом.

По условиям нашей задачи время реакции системы 7 дней. Мы НЕ знаем и НЕ ПЫТАЕМСЯ предположить вид и параметры кривой распределения.
Вместо этого мы из всего ряда 7 раз случайно "выдергиваем" дни, суммируем продажи этих дней и записываем результат.
Повторяем эти действия, каждый раз записывая сумму продаж за 7 дней.
Желательно произвести опыт достаточно много раз, чтобы получить наиболее адекватную картинку. 10 - 100 тысяч раз будет очень неплохо. Здесь очень важно, чтобы дни выбирались случайно РАВНОМЕРНО во всем анализируемом диапазоне.
В итоге мы должны получить "как бы" все возможные исходы продаж ровно семи дней, причем с учетом частоты появления одинаковых результатов.

Далее разбиваем весь диапазон получившихся значений сумм на отрезки в соответсвии с той точностью, которая нам потребуется для определения запаса. И строим частотную гистограмму, которая как раз и покажет реальное распределение вероятностей покупок. В моем случае я получил следующее:

Поскольку у меня продажи штучного товара, т.е. размер покупки всегда целое число, то я и не разбивал на отрезки, оставил как есть. Высота столбика соответствует доле общих продаж.
Как видим, правая, "ненулевая" часть распределения не напоминает нормальное распределение (сравните с зеленым пунктиром).
Теперь на основании этого распределения несложно рассчитать уровни обслуживания, соответствующие разному размеру запаса (SL1, SL2). Так что, задав целевой уровень сервиса, сразу получаем потребный запас.

Но и это не все. Если ввести в рассмотрение финансовые показатели - себестоимость, прогнозная цена, стоимость содержания запаса, легко считается и доходность, соответствующая каждому размеру запаса и каждому уровню сервиса. Она у меня показана в последней колонке, а соответствующие графики вот:

То есть здесь мы узнаем максимально эффективный запас и уровень обслуживания с точки зрения получения прибыли.

Напоследок (в очередной уже раз) хочется спросить: "а почему мы уровень обслуживания основываем на ABC-анализе ?" Казалось бы, в нашем случае оптимальный уровень сервиса первого рода составляет 91% вне зависимости от того, в какой из групп товар находится. Тайна сия велика есть...

Напомню, что одно из допущений, на которых мы основывались - независимость продаж одного дня от другого. Это очень хорошее допущение для розницы. Например, ожидаемые продажи хлеба сегодня никак не зависят от его вчерашних продаж. Такая картинка вообще характерна там, где есть достаточно большая клиентская база. Поэтому случайно выбранные три дня могут дать такой результат

такой

и даже такой

Совсем другое дело, когда мы имеем относительно немного клиентов, особенно если они покупают нечасто и помногу. в этом случае вероятность события, аналогичного третьему варианту, практически нулевая. Излагая простым языком, если у меня вчера были большие отгрузки, скорее всего сегодня будет затишье. И уж совсем фантастически выглядит вариант, когда спрос будет велик в течение нескольких дней подряд.

Значит, независимость продаж соседних дней в этом случае может оказаться чушью собачьей, и гораздо логичнее предположить обратное - они тесным образом связаны. Что ж, нас этим не испугаешь. Всего-то навсего мы не будем выдергивать дни совершенно случайно , мы будем брать дни, идущие подряд :

Все даже интереснее. Поскольку ряды у нас относительно короткие, нам даже не надо заморачиваться со случайной выборкой - достаточно прогнать по ряду скользящее окно размером в срок реакции, и готовая гистограмма у нас в кармане.

Но тут есть и недостаток. Дело в том, что мы получаем гораздо меньше наблюдений. Для окна в 7 дней за год можно получить 365-7 наблюдений, тогда как при случайной выборке 7 из 365 - это число сочетаний 365! / 7! / (365-7)! Считать лень, но это намного больше.

А малое число наблюдений означает ненадежность оценок, так что копите данные - они лишними не бывают!

Получение прибыли — главная цель любого коммерческого предприятия, которой можно добиться только за счет продажи товара либо услуги. Поэтому сбыт является ключевой функцией компании, а плановый объем продаж — инструментом планирования, контроля и корректировки деятельности отдела продаж.

Планирование сбыта начинается с прогнозирования объема продаж. Прежде чем приступать к обсуждению этой темы, перечислим ключевые понятия:

• потенциал рынка;
• потенциал продаж;
• прогноз продаж;
• квота продаж.

Потенциал рынка — это его полный объем, т.е. максимальное количество единиц товара или услуги, которое может быть продано на всем рынке всеми его участниками при идеальных условиях. Предположим, что в городе Энск проживает 300 тысяч семей. Так как среднестатистическая семья редко приобретает больше одного холодильника, можно сказать, что потенциал рынка холодильников Энске равен 300 тысячам.

Потенциал продаж (потенциал сбыта) — количество единиц товара или услуги, которое может продать данная компания. Если компания является монополистом (что бывает редко), то потенциал продаж теоретически равен потенциалу рынка. Однако в реальной жизни большинство организаций действуют в условиях жесткой конкуренции и могут рассчитывать лишь на долю совокупного рынка. Предположим, что на рынке холодильников в Энске работают 30 поставщиков и все они продают по одной модели холодильника (не будем в данный момент учитывать маркетинговые усилия этих компаний, их сильные и слабые стороны, ассортимент продукции). Тогда все потребители разделятся поровну между всеми 30 компаниями, соответственно потенциал продаж каждой из 30 компаний будет равен 10 000 холодильников (300 тысяч семей / 30 поставщиков = 10 тысяч семей, которые могут купить холодильники).

Прогноз продаж — это количество единиц товара или услуги, которое может продать конкретная компания с учетом рыночных ограничений. На практике чаще используется сценарный подход к расчету продаж, который дает два прогноза — пессимистический и оптимистический. Допустим, что рыночное ограничение для конкретного поставщика холодильников в Энске не позволяет ему доставлять товар на расстояние более десяти километров от своего склада, а фирма является единственным поставщиком на этой территории и на ней располагается 5000 потенциальных потребителей. При составлении прогноза продаж оптимистический прогноз составит 5000 холодильников, а пессимистический (с учетом ряда других ограничений) — 2000. (Методы прогнозирования продаж будут рассмотрены ниже в этой главе.) Полученный прогноз продаж сравнивается с потенциалом рынка и потенциалом продаж. Если компания не является монополистом, то прогноз продаж окажется всегда меньше потенциала продаж и потенциала рынка. Если по какой-либо причине оказалось, что прогноз продаж больше потенциала продаж и потенциала рынка, то расчеты выполнены неправильно, а использование такого прогноза продаж для разработки маркетинговой стратегии компании может обернуться убытками.

Квоты продаж — это количество единиц товара или услуги, которое должно быть продано конкретным сотрудником сбыта. Квоты продаж являются ключевым показателем оценки эффективности работы продавцов при продаже определенного товара за определенный период времени. Предположим, что в штате описанного выше поставщика имеется четыре продавца, обслуживающих одинаковое количество клиентов, которые купят одинаковое количество холодильников. Исходя из прогноза продаж в 2 тысячи единиц товара, квота продаж каждого из четырех продавцов составит 500 холодильников (2000 из прогноза продаж / 4 продавца = 500 единиц товара). Взаимосвязь рассмотренных понятий показана на рис. 1.

Рис. 1. Потенциал рынка, потенциал продаж и прогнозирование продаж

Как видно из рис. 1, сначала надо оценить факторы экономической среды, а именно: конкуренцию на рынке и экономические, законодательные, политические и другие условия, в которых работают компании. Проанализировав экономическую среду и собрав всю необходимую информацию (количество потребителей, их покупательские предпочтения и т.д.), компания может оценить потенциал рынка. Зная потенциал рынка, свои слабые и сильные стороны и преимущества своего товара, компания может оценить свой потенциал продаж. После этого необходимо учесть все прочие рыночные ограничения, составить первоначальный прогноз продаж и сравнить его с целями компании. Если первоначальный прогноз продаж совпадает с этими целями, то прогноз можно утвердить. Однако на практике прогноз продаж принимается после многочисленных переработок.

Корректировка прогноза продаж зачастую приводит к пересмотру целей компании. Главная задача процесса — добиться соответствия прогноза продаж целям компании. На основе принятого прогноза продаж составляется бюджет для планирования всей деятельности компании и ее подразделений и происходит распределение квот по всем сотрудникам сбыта.

Методы прогнозирования продаж

Прогнозирование продаж — один из самых важных информационных инструментов планирования деятельности как компании в целом, так и каждого ее подразделения. Например, финансовый отдел использует прогноз продаж для планирования денежных потоков, принятия инвестиционных решений и составления операционных бюджетов; производственный отдел — для определения объемов, составления графиков производства и управления товарно-материальными запасами; отдел кадров — для планирования потребности в работниках и в качестве исходной информации при заключении коллективных договоров; отдел закупок — для планирования совокупной потребности компании в материалах и составления графиков их поставок; отдел маркетинга — для планирования программ маркетинга и сбыта и распределения ресурсов между различными видами маркетинговой деятельности. На первый взгляд может показаться, что чем крупнее компания, тем важнее точность прогноза; на самом же деле нет принципиальной разницы между ошибкой, сделанной при прогнозировании продаж киоска, и ошибкой, допущенной при прогнозировании сбыта крупного завода. Особенно опасны ошибки в прогнозировании продаж начинающих фирм — ведь у них, в отличие от более опытных компаний, как правило, нет дополнительных ресурсов для покрытия дефицита, который может возникнуть в результате неправильного планирования.

Прогноз продаж применяется также для планирования и оценки работы каждого продавца. Он используется для установления квот продажи, формирования схемы оплаты труда и оценки деятельности торгового персонала, поэтому очень важно, чтобы менеджеры по продажам были хорошо знакомы с основными методами прогнозирования продаж. Для прогнозирования продаж используются субъективные и объективные методы (рис. 2).

Рис. 2. Классификация методов прогнозирования продаж

Субъективные методы прогнозирования продаж

Субъективные методы прогнозирования продаж при составлении прогноза не используют количественные (эмпирические) и аналитические данные продаж, а основываются на субъективных мнениях разных специалистов.

Ожидания пользователей

Метод ожиданий пользователей в прогнозировании продаж известен также как метод намерений покупателей, поскольку основывается на высказываниях потребителей об их готовности приобрести тот или иной товар.

Метод ожиданий пользователей в прогнозировании продаж обычно дает оценки, более близкие к потенциалу рынка или потенциалу продаж, чем к прогнозам продаж. Этот метод можно использовать скорее в качестве индикатора привлекательности для компании определенного рынка либо его сегментов, чем как инструмент прогнозирования продаж. В большинстве случаев намерения покупателей отделены от реальной покупки огромной пропастью, преодолеть которую должен маркетинговый план компании. Особенно важно помнить об этой пропасти при разработке и выводе на рынок новых товаров или услуг.

Недостатки этого метода очевидны. Зачастую компания тратит большие средства на маркетинговые исследования, а потом не может продать новый товар, необходимость которого в материалах исследований казалась очевидной. Это говорит о том, что прогноз продаж на основе метода ожиданий пользователей может давать неверные результаты. Для планирования своей деятельности компании нужно знать, что именно потребитель хочет получить от товара или услуги. Предположим, покупатель хочет меньше тратить времени на покупку продуктов. Только фирма (но не потребитель), обладая всей информацией о рынке и спросе, может поставить задачу: построить магазин в новом густонаселенном районе или организовать продажу продуктов через Интернет с доставкой на дом.

Иногда использование метода ожиданий пользователей для планирования деятельности фирмы может привести не просто к грубой ошибке, но и к полному провалу проекта. Подобный урок получила компания Kawasaki, когда выводила на рынок свой водный мотоцикл. Фирма, лидировавшая на рынке моторных лодок, тщательно исследовала потребительские предпочтения и пришла к бесспорному, казалось бы, выводу, будто для победы над конкурентами в сегменте водных мотоциклов требуется произвести модель, в которой пользователь получит максимальное пространство для ног (в то время все водные мотоциклы выпускались без сидений). Kawasaki сфокусировалась на том, чего хотели потребители, и разработала модель, которая действительно создавала максимальный комфорт и была лучшей в своем классе. Но пока Kawasaki разрабатывала и выводила на рынок эту модель, ее конкуренты предложили модель водного мотоцикла, в котором можно было сидеть. Разумеется, Kawasaki потерпела фиаско.

Поэтому метод ожиданий лучше использовать в комплексе с другими, которые дают более точные прогнозы, и помнить о субъективизме потребителей и их ограниченном видении проблем. Ведь потребители не являются экспертами в разработке товаров, они могут оценивать только существующие товары и предлагать только свое видение конечного результата, но ни в коем случае не рекомендации о том, как решить проблемы (больше места в автомобиле, прачечная возле дома и пр.). Генри Форд говорил об этом так: «Если бы я делал то, чего хотят мои потребители, то вместо автомобилей производил бы быстрых лошадей».

Мнение продавцов

Метод прогнозирования продаж на основе мнения продавцов или торгового персонала — это выявление данных о том, какой объем продукции каждый сотрудник сбыта рассчитывает продать в течение определенного периода.

Полученные оценки проверяются, обсуждаются и корректируются на разных уровнях управления с учетом точности предыдущих прогнозов каждого представителя сбыта. По разным причинам сотрудники могут либо недооценивать, либо переоценивать свои возможности. Например, если какие-то товары компании оказываются в дефиците (например, из-за нехватки исходных материалов или быстрого роста рынка) или доступны лишь ограниченному кругу потребителей (например, в случае проведения краткосрочной кампании по стимулированию сбыта), сотрудники сбыта завышают свои возможности в ожидании, что им выделят больше «дефицитных» товаров. Если же квоты продажи являются производными от прогнозов, то торговый персонал склонен недооценивать возможные объемы продаж, чтобы получить квоту поменьше и выполнить ее без излишних усилий. Превысив прогнозируемые показатели, такой работник зарекомендует себя как эффективный продавец и может даже получить материальное вознаграждение.

Мнение менеджеров компании

Метод прогнозирования продаж, базирующийся на выявлении оценок или коллективного мнения менеджеров/руководителей компании, — это проводимый внутри фирмы-продавца формальный или неформальный опрос ключевых руководителей для получения их оценки будущих продаж. Все оценки экспертов объединяются в прогноз продаж компании — иногда путем простого усреднения индивидуальных оценок. В других случаях явно расходящиеся между собой точки зрения опрашиваемых обсуждаются в группе, где и достигается консенсус. Первоначальные позиции экспертов могут означать не более чем интуитивную догадку того или иного руководителя о будущем развитии событий. Бывает, что мнение руководителя базируется на богатом фактическом материале, а иногда даже на первоначальном прогнозе, выполненном какими-нибудь иными способами.

Метод Дельфи

Метод Дельфи позволяет получить более точный прогноз. Он базируется на интерактивном подходе с повторными измерениями и контролируемой анонимной обратной связью (вместо непосредственного общения экспертов и обсуждения ими своих оценок будущего сбыта). При этом каждый эксперт готовит собственный прогноз на основе имеющихся у него фактов, данных и общего знания среды, в которой работает компания. Затем координатор на основе полученных прогнозов составляет обобщающий отчет и вручает его каждому из участников. Как правило, этот отчет содержит индивидуальные прогнозы каждого эксперта, рассчитанный средний показатель и разбросы оценок. Обычно экспертов, чьи первоначальные оценки резко расходятся с усредненным показателем, просят аргументировать свою точку зрения, и эти мнения также включаются в итоговый документ. Участники «опроса» изучают его и предлагают новый вариант прогноза. Обычно эксперты приходят к единому мнению в результате нескольких итераций. Опыт показывает, что разброс данных постепенно уменьшается, поскольку оценки экспертов сближаются, а совокупное мнение группы дает результат, близкий к объективным показателям.

Объективные методы прогнозирования продаж

Объективные методы прогнозирования продаж базируются в основном на количественных (эмпирических) и аналитических данных.

Рыночное тестирование

Метод рыночного тестирования предполагает продажу товара в нескольких считающихся репрезентативными географических регионах для выяснения реакции потребителей, с последующим проецированием полученных данных на весь рынок в целом. Нередко такой метод используется для разработки нового товара или усовершенствования старого.

Многие фирмы рассматривают результаты рыночного тестирования как важнейшее свидетельство отношения потребителей к новому товару и конечный показатель потенциала рынка. Исследования показывают, что примерно три из четырех товаров, получивших одобрение потребителей в ходе рыночного тестирования, добиваются успеха на рынке, а четыре из пяти товаров, не выдержавших тестирование, терпят неудачу. И все же рыночное тестирование имеет ряд недостатков.

• Его проведение связано с большими расходами; оно больше подходит для тестирования скорее потребительских, чем промышленных товаров.
• Проведение рыночного теста может занять много времени.
• Когда какой-нибудь товар тестируется на рынке, ему уделяется значительно больше внимания, чем он сможет впоследствии получить при «естественной» продаже, что создает искаженное представление о его потенциале.
• Рыночный тест «открывает карты» для конкурентов, у них появляется время на то, чтобы сформулировать собственное предложение еще до того, как тестируемая продукция появится на рынке в полном объеме.

Тем не менее несмотря на свои минусы рыночное тестирование служит весьма эффективным методом прогнозирования продаж. Однако применять его следует лишь после того, как руководство компании тщательно взвесит все его достоинства и недостатки.

Анализ временных рядов

Прогнозирование продаж с использованием анализа временных рядов базируется на анализе данных за прошедшие периоды. В простейшем случае прогноз предполагает, что объем сбыта в следующем году будет равен объему сбыта в текущем году. Такой прогноз может оказаться достаточно точным для зрелой отрасли, характеризующейся незначительными темпами роста рынка. В других обстоятельствах необходимо использовать более сложные методы анализа временны х рядов. Здесь мы рассмотрим следующие методы:

• скользящего среднего;
• экспоненциального сглаживания;
• декомпозиции.

Метод скользящего среднего

Метод скользящего среднего достаточно прост. Рассмотрим прогноз, который сводится к тому, что объем сбыта в следующем году будет равен объему продаж в году текущем. При значительных колебаниях объемов продаж из года в год такой прогноз чреват серьезными последствиями. Чтобы учесть все нюансы, можно рассчитать среднее значение нескольких показателей объемов продаж за определенные периоды времени, например, произвести усреднение объемов продаж за два, три, пять последних лет или за другое количество удобных для расчетов периодов. При таком подходе прогноз продаж оказывается обычным средним значением объемов сбыта. Количество показателей, используемых в вычислении, определяется экспериментальным путем. В конечном итоге число периодов, которое обеспечит наиболее точные прогнозы поддающихся проверке данных, будет использоваться для разработки модели прогноза. Термин «скользящее среднее» используется потому, что вычисленное новое среднее значение служит прогнозом на каждом этапе наблюдения при появлении новых данных.

Метод экспоненциального сглаживания

При прогнозировании следующего значения метод скользящего среднего придает равный вес каждому из последних значений n, где n — количество используемых лет. Таким образом, когда n = 4 (т.е. используется четырехгодичное скользящее среднее), при прогнозировании объема сбыта на следующий год одинаковый вес назначается объемам сбыта за каждый год из последних четырех лет.

Метод экспоненциального сглаживания — это разновидность метода скользящего среднего. Его отличие в том, что наибольшие весовые коэффициенты назначаются не всем наблюдениям, а самым последним, поскольку они несут в себе больше информации о вероятном развитии событий в ближайшем будущем.

Эффективность метода экспоненциального сглаживания во многом зависит от выбора так называемой константы сглаживания, которая в алгоритме вычисления обозначается как a и находится в диапазоне от 0 до 1. Высокие значения a придают больше веса последним наблюдениям и меньше — более ранним. Если объемы продаж с течением времени изменяются незначительно, то целесообразно использовать низкие значения a. Однако, когда объемы сбыта колеблются в широком диапазоне, следует использовать высокие значения a, в результате чего прогнозируемый ряд будет отражать эти изменения. Обычно значение a определяется эмпирическим путем, т.е. проверяются разные значения a и в итоге принимается то, которое обеспечивает наименьшую погрешность прогноза для определенного количества наблюдений за предыдущие периоды времени.

Метод декомпозиции

В случае необходимости анализа данных за более короткие периоды времени, например месяц или квартал, при наличии сезонных колебаний продаж, когда руководство хочет получить прогнозы продаж не только на год, но и на отдельные его периоды, используется метод прогнозирования продаж, называемый декомпозицией. Здесь важно определить, какая доля изменения объемов продаж обусловлена тенденциями на рынке, а какая объясняется сезонностью спроса. Суть метода декомпозиции заключается в выявлении четырех составляющих временного ряда:

• тренд;
• циклический фактор;
• сезонный фактор;
• случайный фактор.

Тренд отражает долгосрочные изменения, которые наблюдаются во временном ряде, когда циклический, сезонный и нерегулярные компоненты исключены. Обычно предполагается, что тренд можно представить в виде прямой линии.

Циклический фактор присутствует не всегда, поскольку отражает подъемы и спады («волны») во временном ряде, когда сезонный и случайный компоненты исключены. Циклические подъемы и спады, как правило, проявляются на протяжении достаточно длительного периода времени — примерно от двух до пяти лет. Для некоторых товаров (например, для консервированной кукурузы) отмечаются незначительные циклические колебания, в то время как продажи других (например, строительство жилья) претерпевают весьма существенные изменения.

Сезонность отражает ежегодные колебания во временном ряде, вызванные естественной сменой сезонов. Сезонный фактор, как правило, проявляется ежегодно, хотя точная картина продаж с каждым годом может меняться.

Случайный фактор отражает воздействие, которое может наблюдаться после исключения влияния тренда, циклического и сезонного факторов.

Статистический анализ спроса

Взаимосвязь объемов продаж и определенных периодов времени, которая используется в методе временных рядов, формирует основу для составления прогноза на будущее. Статистический анализ спроса — это попытка определить взаимосвязь объемов продаж и основных факторов влияния и составить на этой основе прогноз на будущее. Как правило, для оценки такой взаимосвязи используется регрессионный анализ. При этом акцент делается на выделении не всех факторов, влияющих на объемы сбыта, а лишь на самых значимых, оказывающих наибольшее влияние на объемы сбыта. Например, компания по производству пластиковых окон при прогнозировании сбыта может учитывать такие факторы, как цикличность строительства жилья, колебания процентных ставок и сезонное повышение спроса в весенне-летний период.

Все методы прогнозирования продаж имеют свои преимущества и недостатки, поэтому решение об использовании того или иного метода далеко не очевидно. В первую очередь, решение об использовании метода прогнозирования зависит от самого товара или услуги. Например, для прогнозирования продаж абсолютно нового и ни на что не похожего товара (например, игрушки тамагочи) не может быть использован ни один из методов, так как возможные продажи могут колебаться от нуля до миллиардов рублей. О том, как правильно выбрать метод прогнозирования продаж, мы поговорим ниже в этой главе.

Выбор метода прогнозирования продаж

Какой метод прогнозирования выбрать, чтобы получить максимально надежные результаты? Этот вопрос становится особенно актуален, когда прогнозы, полученные с помощью разных методов, не совпадают. Нужно отметить, что такая ситуация является скорее правилом, чем исключением.

В целом сравнение разных методов прогнозирования продаж показывает, что ни один из них нельзя назвать лучшим. Выбор того или иного метода происходит под влиянием целого ряда факторов. Для достижения оптимального результата, по-видимому, следует использовать несколько разных методов прогнозирования (объективных и субъективных), проанализировать полученные результаты и принять окончательное решение о том, какому из полученных прогнозов следует отдать предпочтение.

При составлении прогнозов сбыта многие фирмы обращаются к такому методу, как сценарный анализ. При использовании этого метода лица, составляющие прогноз, должны последовательно ответить на ряд вопросов «а что если…». При этом рассматриваются как маловероятные изменения, так и более вероятные события. Основная идея данного подхода заключается не столько в том, чтобы разработать один «правильный» сценарий, сколько в том, чтобы получить совокупность сценариев, в которых учитываются важнейшие факторы, приводящие в действие всю систему, их взаимосвязи и критические неопределенности.

Прогноз спроса по территориям

Компаниям необходимо разрабатывать не только методы оценки спроса в целом, но и прогнозы для отдельных территорий ввиду того, что потенциал продаж того или иного товара не может быть одинаковым для всех регионов. Оценка территориального спроса обеспечивает высокую эффективность планирования и контроль за деятельностью торгового персонала. Она необходима и для выполнения ряда других важных функций компании, главные из которых:

• планирование сбытовых территорий;
• разработка методик выявления потенциальных клиентов;
• установление квот продажи;
• разработка схемы оплаты труда торгового персонала компании;
• оценка эффективности деятельности торгового персонала.

Оценка территориального спроса производится по-разному на промышленных и потребительских рынках. Территориальный спрос на промышленном рынке зависит от количества предприятий в регионе и их потребностей в продукции компании.

В то же время продавцы потребительских товаров чаще всего исходят из обобщенных условий, присущих каждой из территорий. Определяют эти условия такие факторы, как количество семей, численность населения или уровень дохода в соответствующей регионе. Бывает, что компания пытается соотнести спрос с несколькими взаимосвязанными переменными. Например, статистический анализ спроса на холодильники, выполненный с помощью регрессионного анализа, показывает, что этот спрос является функцией следующих переменных:

• количество холодильников, имеющихся у потребителей;
• количество жилых домов, к которым подведено электричество;
• величина реального дохода на семью;
• возможность получения кредита.

Получив необходимые данные, компания может использовать соответствующую регрессию для оценки уровня спроса по разным географическим регионам.

Квоты

Как отмечалось в начале главы, перед каждым сотрудником отдела продаж ставятся определенные задачи по сбыту продукции, или квоты. Они устанавливаются на определенный удобный для организации календарный период (месяц, квартал, год) и могут принимать денежное и натуральное выражение. Квоты — ценный инструмент, позволяющий планировать объемы продаж и денежных поступлений в конкретный период времени, а также оценивать эффективность работы торгового персонала и корректировать его деятельность.

Характеристики правильной квоты

Правильная квота должна быть:

• достижимой;
• понятной;
• полной;
• своевременной.

Как правило, квоты на объемы продажи для той или иной территории устанавливают ниже потенциала продаж, но равными прогнозу продаж (или немного превышающими его). Иногда (при неблагоприятных условиях на рынке и т.п.) квоты могут быть установлены ниже прогноза продаж. Существует мнение, что квоты нужно устанавливать на достаточно высоком уровне, чтобы для их реализации торговый персонал прилагал максимум усилий. При этом завышенные квоты якобы сильнее стимулируют сотрудников к максимальной отдаче, чем реальные. Однако за внешней привлекательностью подобной схемы скрываются серьезные недостатки: недоброжелательность и враждебность между сотрудниками, вызванные стремлением во что бы то ни стало выполнить свою квоту, и изменение отношения к клиентам, в частности, навязывание им услуг, в которых те не нуждаются. Поэтому практика использования завышенных квот — скорее исключение, чем правило, и неэффективна в долгосрочной перспективе. Установление завышенных квот может быть оправдано, только когда надо быстро достичь поставленных краткосрочных целей, например при выходе на новый рынок. В целом при установлении квот преобладает подход, когда перед представителями сбыта ставятся реально достижимые задачи, подкрепленные хорошей мотивацией.

Квоты продажи должны быть не только выполнимыми — они должны быть понятными. Если в новом календарном периоде сотрудникам устанавливают завышенные квоты без учета их опыта, квалификации, итогов выполнения квоты в прошлом периоде, спроса на данную продукцию, общей ситуации на рынке и других факторов, такой подход может вызвать у персонала недоверие и не мотивировать, а наоборот, расхолаживать. При установлении новых квот необходимо разъяснить торговым представителям схему их формирования, потому что работники скорее согласятся с новыми задачами, если их ознакомят с ходом рассуждений и увяжут показатели с потенциалом рынка.

Следующая характеристика правильной квоты — полнота. Она объединяет все критерии, по которым будет оцениваться деятельность сотрудников сбыта. Например, если перед торговым персоналом ставятся задачи поиска и установления отношений с новыми покупателями, необходимо указать примерное количество новых клиентов или процентное соотношение с уже имеющимися. Если этого не сделать, поиск новых клиентов отойдет на второй или еще более дальний план, а первостепенной задачей для среднестатистического работника станет увеличение объемов продаж и обеспечение прибыли. Соответственно нужно скорректировать квоты на выполнение объема продаж, чтобы в рабочем графике сотрудника оставалось время на поиск и привлечение новых покупателей.

Наконец, система распределения квот должна включать своевременное информирование представителей сбыта о системе расчета квот, их изменениях и результатах оценки деятельности каждого сотрудника. Квоты продаж на заданный календарный период должны быть своевременно рассчитаны и доведены до сведения работников. Задержки не только сводят на нет преимущества использования квот, но и создают атмосферу неопределенности, поскольку сотрудники не знают, как оценена их работа.

Роль квот в управлении персоналом сбыта

Итак, схема назначения квот служит одним из инструментов, облегчающих планирование и контроль за деятельностью торгового персонала на местах. У нее два основных преимущества:

• квота продаж создает стимулы для сотрудников сбыта;
• помогает оценить деятельность торгового персонала.

Установление квот служит стимулом для персонала сбыта, потому что представляет собой конкретную цель, которую надо достичь. Например, перед работником ставится вполне конкретная задача — продать в данном отчетном периоде определенное количество единиц продукции или заключить сделок на конкретную сумму. Особенно мощными стимулами служит получение материального вознаграждения или достижение определенного социального статуса (звание «лучший продавец» и соответствующие привилегии) при выполнении или перевыполнении квоты. Во многих организациях выполнение установленных для персонала квот имеет непосредственную связь со схемой начисления заработной платы, например выплатой комиссионных или премиальных. Широко распространены такие формы:

• план комиссионных выплат — оплата труда в зависимости от общего количества проданных товаров;
• план премиальных выплат — выплата определенной надбавки за продажи сверх установленного показателя.

Квоты могут рассматриваться в качестве стимула даже при фиксированной оплате труда (ставку), если выполнение квот в очередном отчетном периоде влечет за собой повышения размера ставки в следующем.

Другая особенность использования квот заключается в том, что они могут выполнять роль количественного (объективного) критерия, с помощью которого оценивается производительность труда каждого сотрудника. Выполнение или невыполнение квот продажи позволяет выявить лидеров и отстающих и разработать соответствующие меры (обучение, наставничество, мотивация) для повышения эффективности сбыта. Тема оценки производительности труда будут обсуждаться ниже.

Виды квот и их распределение

Перед назначением квот необходимо сначала принять решение о том, какого типа это будут квоты. Существует три основных типа:

• квоты, связанные с объемом продаж;
• квоты на основе финансовых показателей наподобие валовой прибыли или накладных расходов;
• квоты на определенные виды деятельности, в которых предполагается участие торговых представителей компании.

При распределении квот для торгового персонала необходимо проанализировать и сбалансировать целый ряд факторов, в том числе потенциал территории, мотивационную составляющую квоты для каждого сотрудника, долгосрочные цели компании и влияние квот на краткосрочную рентабельность. Поскольку наибольшее распространение получили квоты на объем продаж, они и будут рассмотрены в первую очередь.

Квоты на объемы продаж

Данный вид квот основывается на объеме продаж (в количественном или денежном выражении) и широко применяется во многих компаниях. Его широкое распространение связано с тем, что квоты на объем продаж легко связать напрямую с потенциалом рынка, кроме того, они надежны и понятны для торгового персонала, которому придется реализовывать их на практике. Более того, установление квот на объемы продаж идеально согласуется с представлением продавцов о своей профессии.

Как уже говорилось, квоты на объемы продаж принято устанавливать в денежном выражении, в количестве товаров или в баллах. В последнем случае за четко установленную денежную сумму, количество единиц или весовой эквивалент (килограммы, тонны) конкретного проданного товара начисляется определенное количество баллов. Например, за каждые 100 руб. продаж товара А могут начисляется три балла, товара Б — два балла, товара В — один балл. Аналогичный вариант: за каждую тонну проданных стальных труб начисляется пять баллов, а за каждую тонну проданного стального проката — только два балла. Совокупная квота продаж для каждого сотрудника представляет собой количество баллов, которые ему предстоит набрать за определенный период.

Установление квоты на объем продаж компании используют в ситуациях, когда нужно сделать акцент на конкретной товарной линейке, стимулировать сбыт или привлечь новых клиентов. Например, чтобы побудить представителей сбыта активнее продвигать на рынке новые товары, за продажу нового товара может начисляться баллов больше, чем за продажу старого. Тот же подход используется и при работе с клиентами и предполагает начисление большего количества баллов за объем продаж (в денежном выражении) новым покупателям, чем за продажу того же объема существующим клиентам.

Балльная система позволяют разрабатывать системы квот, стимулирующих достижение определенных (важных для компании) целей и находят понимание и поддержку сотрудников сбыта.

Установление квот на объемы продаж

В простейшем случае распределение квот происходит на основе показателей за предыдущие отчетные периоды или среднего объема продаж по данной территории за определенный календарный срок. При этом персонал морально или материально мотивируют на превышение прошлых достижений. Привлекательность этой схемы — в простоте и дешевизне. Кроме того, она понятна для представителей сбыта.

Однако такой подход не всегда учитывает изменение условий рынка, например увеличение территории сбыта, появление новых потенциальных покупателей и возможность увеличения объема продаж по сравнению с прогнозом. При этом компания может упустить колоссальные возможности только из-за отсутствия оценки потенциала рынка. С другой стороны, агрессивная политика конкурентов или неблагоприятная ситуация на рынке сделает нецелесообразным любое увеличению квот. Другим недостатком установления квот исключительно на базе показателей предыдущего периода является нежелательная модель действий торгового персонала. Например, сотрудник сбыта, которому удалось до конца отчетного или календарного периода реализовать свою квоту, может отсрочить размещение уже имеющихся заказов до начала нового периода. Тем самым он убивает двух зайцев: во-первых, обеспечивает себе более низкую квоту на следующий период, во-вторых, подготавливает почву для ее выполнения.

Для распределения квот на объемы продаж по отдельным регионам можно воспользоваться оценкой потенциала территории. Здесь также не следует руководствоваться исключительно цифрами, а проанализировать характерные для каждой территории рыночные условия с привлечением работающих на ней торговых представителей. Но при этом необходимо учитывать двойственность ситуации: с одной стороны, сотрудники сбыта хорошо ориентируются в особенностях продаж на данной территории, а с другой — устанавливаемая квота напрямую связана с оценкой эффективности их работы, поэтому они могут сознательно занизить потенциал сбыта, чтобы обеспечить себе невысокие квоты, которые они смогут выполнить без излишних усилий.

Финансовые квоты

Применение финансовых квот позволяет планировать деятельность сотрудников сбыта с акцентом на прибыли и затратах компании. Следует учитывать, что обычно торговцы в первую очередь стараются реализовывать товары, которые проще продать, и уделять большее внимание тем клиентам, с которыми легче договориться. При этом часто оказывается, что производство легко реализуемых товаров обходится дорого, а их рентабельность относительно низка; приятные в общении клиенты не всегда заключают крупные сделки и приносят компании не столь высокий доход. Установление финансовых квот преследует цель сфокусировать деятельность торгового персонала, во-первых, на более прибыльной продукции, а во-вторых, на работе с клиентами, обладающими высоким потенциалом. В основу разработки финансовых квот обычно закладываются валовая прибыль, чистая прибыль и торговые расходы, хотя в принципе можно использовать практически любые финансовые показатели организации.

Недостатки применения финансовых квот связаны в первую очередь со сложностью разработки и с влиянием внешних факторов. Например, на прибыль, которую приносит деятельность того или иного сотрудника сбыта, зачастую оказывают влияние многие не зависящие от него факторы: поведение конкурентов, экономические или социальные факторы, ценовая политика компании и пр. В подобных обстоятельствах многие специалисты считают использование финансовых квот нецелесообразным.

Установление финансовых квот

Распределение финансовых квот производится с учетом финансовых целей организации. Допустим, компания ставит задачу добиться определенной рентабельности по всем продажам на конкретной территории, имея в арсенале два вида продукции: товар А с рентабельностью 30% и товар Б с рентабельностью 40%. Деятельность отдела продаж следует распределить таким образом, чтобы общая рентабельность составила 37%. Для этого сотрудники сбыта должны соблюдать определенные пропорции продаж обоих видов продукции.

Квоты на определенные виды деятельности

В своей деятельности продавцы выполняют в том числе и функции, которые не ведут напрямую к совершению продажи или к заключению сделки. К числу таких функций относятся, например, контакты с потенциальными покупателями, демонстрации товара или оформление витрин. Однако эти действия подготавливают почву для будущих продаж. Практика установления квот только на объемы продаж вызывает соблазн пренебречь функциями, не связанными с немедленной продажей. Если компания ориентирована на потребности клиентов, то ее продавцы не должны пренебрегать такими вспомогательными видами деятельности и компания должна учитывать их при разработке системы квот. Вот примерный перечень вспомогательных функций.

• Контакты (визиты, звонки) с потенциальными покупателями.
• Отправка письменных (факс, электронная почта, обычная почта) предложений потенциальным клиентам.
• Демонстрация товаров на местах.
• Контакты с клиентами по вопросам обслуживания или монтажа оборудования под контролем поставщика.
• Организация выставок, конференций и подготовка совместных совещаний.
• «Реанимация» бывших клиентов для пополнения рядов существующих.

Установление квот на виды деятельности

Перед распределением квот на виды деятельности следует провести анализ видов деятельности, необходимых для эффективного охвата территории, поскольку квоты связаны с размером региона и количеством существующих и потенциальных клиентов, с которыми предстоит контактировать представителю сбыта. Немаловажное значение имеет также категория (мелкие, крупные, ключевые) клиентов и их требования к обслуживанию. Такой анализ покажет виды деятельности, типичные для сотрудника сбыта на данной территории, и количество тех или иных действий (посещений, звонков, презентаций), которые ему необходимо совершить в процессе работы с клиентами. Источниками информации для проведения анализа служат отчеты сотрудников отела продаж и исследования данного сегмента рынка, в первую очередь его потенциала.

Определение численности сотрудников отдела продаж

Одна из важных задач планирования отдела продаж компании — определение численности торгового персонала. Отдел продаж считается одним из самых производительных, но вместе с тем одним из самых дорогостоящих активов организации, поэтому вопрос о численности торгового персонала должен решаться с учетом всех связанных с продажами факторов. С одной стороны, увеличение количества сотрудников способствует повышению объемов продаж, а с другой — ведет к росту затрат на их содержание. Правильный расчет потребности в сотрудниках сбыта жизненно важен для успешной деятельности организации.

Для определения численности торгового персонала на местах используются разные методы, мы рассмотрим три наиболее распространенных:

• метод разбивки;
• метод рабочей нагрузки;
• метод приращений.

Метод разбивки

Это самый простой метод, при котором каждый среднестатистический сотрудник сбыта рассматривается как один продавец с определенным показателем производительности труда. Следовательно, для определения численности торгового персонала нужно разделить совокупный прогнозируемый объем продаж организации на расчетный объем продаж каждого сотрудника сбыта:

N — численность торгового персонала, необходимого компании;

S — прогнозируемый объем продаж;

P — показатель производительности труда одного продавца.

Таким образом, если у компании прогноз объемов сбыта составляет 100 млн. руб. и каждый продавец, согласно прогнозу, может продать товаров на сумму 5 млн. руб., то ей понадобится 20 сотрудников.

Несмотря на кажущуюся простоту и удобство метода разбивки, применять его на практике может оказаться нелегко. Во-первых, в нем используется обратная логика, т.е. расчет численности персонала является следствием оценки объемов продаж, в то время как количество сотрудников сбыта должно быть одним из исходных элементов стратегического маркетинга. Во-вторых, оценка производительности труда продавца не учитывает различий в квалификации работников, в потенциале обслуживаемых ими рынков и в уровне конкуренции в разных регионах. В-третьих, метод разбивки не учитывает текучесть кадров, а ведь новые и неопытные сотрудники редко могут достичь объемов продаж опытных работников. Конечно, формулу расчета можно видоизменить, добавив в нее показатель текучести кадров, но тогда она проиграет в простоте и концептуальной привлекательности. Наконец, самый главный недостаток данного метода заключается в том, что в нем не учитывается рентабельность. Сбыт рассматривается не как средство достижения цели, а как некая самостоятельная задача; численность торгового персонала из решающего фактора получения запланированной прибыли превращается в переменную, зависимую от прогнозируемых объемов продаж.

Метод рабочей нагрузки

При определении численности торгового персонала с помощью метода рабочей нагрузки (или «Метода наращивания») считается, что все сотрудники сбыта выполняют примерно равный объем работы. Объем работы рассматривается как производная совокупности трех факторов: количества клиентов, количества обращений к каждому из них и продолжительности работы с каждым. Полученный показатель делят на объем работы, приходящейся на отдельного продавца, и получают общую численность торгового персонала. На рис. 3 показана схема расчета количества продавцов по методу рабочей нагрузки.

Рис. 3. Последовательность определения численности торгового персонала с использованием метода рабочей нагрузки

Расчет численности торгового персонала по методу рабочей нагрузки состоит из шести этапов.

2. Определение количества и продолжительности контактов с каждым клиентом в категории.

3. Расчет трудозатрат на обслуживание всех клиентов.

4. Определение среднего количества контактов для каждого сотрудника.

5. Распределение времени отдельного работника по типам задач.

6. Расчет количества продавцов.

Рассмотрим каждый из указанных этапов.

Этап 1. Классификация клиентов по категориям

Обычно классификация клиентов производится на основе объемов продаж, но может осуществляться и по другим критериям, например по сфере деятельности, кредитному рейтингу, товарным линиям или потенциалу продаж.

Любая система классификации должна отражать разницу в объеме трудозатрат на обслуживание разных классов клиентов, и, следовательно, привлекательность каждого класса клиентов для данной компании. Допустим, у компании 1 030 клиентов, которых можно разделить на три основных типа (класса).

Класс A: крупные, или очень привлекательные — 200.

Класс Б: средние, или умеренно привлекательные — 350.

Класс В: мелкие, но все же привлекательные — 480.

Этап 2. Определение количества и продолжительности контактов с каждым клиентом в категории

Это означает, что надо оценить количество контактов (визитов, звонков) их среднюю продолжительность для каждого типа клиентов. Такая оценка делается на основе мнения руководителей сбыта или после анализа отчетов и других формальных источников.

Предположим, что визиты клиентам класса A следует наносить каждые две недели, клиентам класса Б — раз в месяц, а клиентам класса В — раз в два месяца. Продолжительность стандартного коммерческого визита равна соответственно 60, 30 и 20 минутам. Следовательно, за год затраты времени для каждого типа клиентов рассчитывается следующим образом:

Класс A: 26 визитов в год ´ 60 минут = 1 560 минут = 26 часов

Класс Б: 12 визитов в год ´ 30 минут = 360 минут = 6 часов

Класс В: 6 визитов в год ´ 20 минут = 120 минут = 2 часа

Этап 3. Расчет трудозатрат на обслуживание всех клиентов

Чтобы рассчитать совокупные трудозатраты на обслуживание всех трех классов клиентов, надо умножить количество клиентов на определенные в предыдущем этапе затраты времени за год. Полученные данные суммируются, и получается количество часов, необходимых для обслуживания всех типов клиентов.

Класс A: 200 клиентов ´ 26 часов = 5 200 часов

Класс Б: 350 клиентов ´ 6 часов = 2 100 часов

Класс В: 480 клиентов ´ 2 часа = 960 часов

Итого: 8 260 часов в год

Этап 4. Определение среднего количества контактов для каждого сотрудника

На этом этапе нужно оценить для среднестатистического продавца количество часов работы в неделю и умножить полученное значение на количество рабочих недель в году. Предположим, рабочая неделя составляет 40 рабочих часов, а в год средний сотрудник работает 48 недель (с учетом отпуска, отсутствия по болезни или другим уважительным причинам). Таким образом, средний работник сбыта на протяжении года трудится 1920 часов:

40 часов ´ 48 недель = 1 920 часов

Этап 5. Распределение времени работника по типам задач

Понятно, что на личные контакты с клиентами уходит не все, а лишь некоторая часть рабочего времени продавца. Много времени отводится видам деятельности, не имеющим непосредственного отношения к продажам, например составлению отчетов, участию в совещаниях, общению с клиентами по вопросам обслуживания и пр. Кроме того, немалая часть рабочего времени тратится на разъезды. Предположим, что анализ затрат рабочего времени торгового персонала показал, что оно распределяется следующим образом.

Собственно продажа — 768 часов/год, или 40%

Виды деятельности, не связанные с продажей — 576 часов/год, или 30%

Поездки — 576 часов/год, или 30%

Итого — 1 920 часов/год, или 100%

Этап 6. Расчет численности торгового персонала

Численность необходимого компании торгового персонала теперь можно рассчитать, разделив общее количество часов, необходимых для обслуживания всего рынка, на количество часов, имеющихся в распоряжении одного сотрудника торгового персонала собственно для продажи. Таким образом, численность торгового персонала компании равняется:

8 280 часов / 768 часов = 10,78, или 11 продавцов

Метод рабочей нагрузки (или метод наращивания) — довольно распространенный способ расчета численности торгового персонала. Он не слишком сложен и в то же время учитывает тот факт, что на обслуживание разных категорий клиентов требуется разное время.

Однако и у этого метода есть недостатки. Во-первых, он не учитывает реакцию разных клиентов на одно и то же коммерческие предложения сотрудников компании. Например, два клиента класса A могут по-разному реагировать на одинаковую схему работы торговых представителей. Один клиент может заказывать продукцию компании даже без регулярных визитов со стороны торгового представителя. Другой покупатель согласится стать клиентом данной компании лишь после того, как представитель сбыта потратит на него больше времени, чем предусмотрено стандартной схемой рабочего графика. Кроме того, в данном методе не учитывается в явном виде рентабельность частоты контактов с клиентом (коммерческих визитов), а также такие факторы, как стоимость обслуживания и валовая прибыль по ассортименту товаров, приобретаемых данным клиентом.

Наконец, применение метода рабочей нагрузки основано на допущении, что все сотрудники сбыта используют свое рабочее время одинаково эффективно (т.е. каждый торговый представитель действительно уделяет 768 часов личным контактам с клиентами). Однако это не так. Одни сотрудники тратят на общение с клиентами больше времени, другие меньше, но используют его эффективнее. Продавцы, работающие на небольших территориях, тратят меньше времени на поездки и больше — на продажи. Метод наращивания не позволяет учитывать такие нюансы в явном виде.

Метод приращений

Согласно методу приращений численность торгового персонала следует увеличивать до тех пор, пока обеспечиваемый таким способом прирост прибыли превосходит прирост издержек.

Метод приращений строится на убеждении, что рост численности продавцов приводит к уменьшению приносимой каждым из них прибыли. Например, если один дополнительный сотрудник торгового персонала обеспечивает продажи на сумму 3 млн. руб., то два дополнительных сотрудника торгового персонала принесут лишь 5,5 млн. руб. Прирост объема продаж, обеспечиваемый первым продавцом, составляет 3 млн. руб., вторым — только 2,5 млн. руб. Следовательно, прием на работу третьего сотрудника обеспечит 2,25 млн. руб. новых объемов продаж, а четвертого -2 млн. руб., и т.д. Увеличение численности торгового персонала на четырех продавцов приведет к увеличению объемов продаж на 9,75 млн. руб. Помня о том, что каждый последующий сотрудник приносит меньше прибыли, а компания несет постоянные затраты (зарплата, комиссионные, командировочные и пр.), штат продавцов можно увеличивать до тех пор, пока прибыль от очередного нанятого сотрудника не сравняется с издержками на его наем и содержание.

Метод приращений выглядит весьма убедительным, а его положения совпадают с эмпирическими данными о том, что увеличение количества сотрудников может вести к сокращению прибыли. Однако падение прибыли может объясняться влиянием и других факторов — например, количеством покупателей в расчете на одного продавца, количеством коммерческих визитов к каждому клиенту, фактическим временем, затрачиваемым продавцом на личный контакт с клиентом, а также фактором проектирования территорий (который будет подробнее рассмотрен в следующем разделе).

Главной недостаток метода приращений — сложность по сравнению с двумя рассмотренными выше подходами. Если затраты на привлечение дополнительного продавца оценить можно достаточно точно, то ожидаемая прибыль такой простой оценке не поддается, поскольку зависит от многих факторов. Здесь надо учитывать ожидаемый дополнительный доход от деятельности нового продавца, зависящий от проектирования территорий сбыта, распределения персонала по этим территориям и производительности труда каждого работника. Расчет осложняется также и тем, что рентабельность отдела продаж также зависит от выпускаемых компанией товаров и их прибыльности.

Проектирование территорий сбыта

Количество территорий сбыта и схема их проектирования должны рассматриваться как взаимосвязанные и взаимозависимые решения. Однако сначала следует определить количество сбытовых территорий, а затем уже сосредоточиться на их проектировании.

В идеальном случае все сбытовые территории имеют одинаковый потенциал продаж и объемы деятельности для каждого продавца, что обеспечивает эффективный охват. При равном потенциале проще оценить и сравнить производительность труда каждого из сотрудников компании. (Более подробно оценка эффективности работы продавцов с учетом различий по территориям сбыта рассматривается в следующей главе.) Выравнивание рабочей нагрузки улучшает моральный климат среди торговых сотрудников и устраняет причины для разногласий между руководством и подчиненными. Хотя в реальности создать для всех одинаковые условия трудно и вряд ли возможно, при проектировании сбытовых территорий следует позаботиться о том, чтобы всем сотрудникам были предоставлены равные возможности.

Процесс проектирования включает шесть этапов.

1. Выбор базовой единицы формирования.

2. Оценка потенциала рынка.

3. Формирование гипотетических территорий.

4. Анализ рабочей нагрузки.

5. Корректировка границ гипотетических территорий.

6. Распределение торгового персонала по территориям.

Этап 1. Выбор базовой единицы формирования

Базовая единица формирования — это относительно небольшая территориально-административная область, используемая для определения сбытовых территорий (например, город или район). Как правило, предпочтение отдается небольшим единицам формирования, так как в более крупных могут оказаться регионы с различным потенциалом сбыта. Это затрудняет выявление истинного потенциала продаж по всей территории сбыта. Кроме того, небольшие области в качестве базовой единицы упрощают корректировку сбытовых территорий, если возникает такая необходимость, ведь намного легче перераспределить клиентов в пределах района, чем на уровне областей или краев. Обычно в качестве базовой единицы используются города, районы, области.

Города. Исторически, когда львиная доля потенциала рынка сосредотачивалась в крупных городах, он представлял собой вполне подходящий вариант базовой единицы. Но в настоящее время крупные города плохо подходят для этой роли. С точки зрения сбыта пригороды и ближайшие окрестности крупных городов имеют потенциал не ниже, а иногда даже выше, чем собственно город. Поэтому многие компании, которые в прошлом использовали в качестве базовой единицы крупные города, в настоящее время перешли на более широкие системы классификации.

Области обычно соответствуют принятой в стране административно-территориальной структуре. В области имеется обычно один крупный город — областной центр, и более мелкие населенные пункты. Области — удобные базовые единицы, поскольку имеют относительно небольшую территорию, что позволяет легко корректировать территории сбыта в процессе проектирования.

Регионы представляют собой крупные административно-территориальные участки, включающие несколько областей. Наличие в регионе крупных промышленных предприятий, сырьевых или человеческих ресурсов или специализация на определенном виде деятельности становится определяющим фактором потенциала спроса. Соответственно на территории региона находится несколько крупных городов, иногда с различной специализацией (промышленная, добывающая, сельскохозяйственная и др.) и, следовательно, с различным распределением населения и потенциалом сбыта. Изменение территорий сбыта на уровне регионов представляет собой довольно сложную задачу, поскольку привести к существенному увеличению или уменьшению количества клиентов и объема деятельности продавцов.

Этап 2. Оценка потенциала рынка для каждой базовой единицы формирования

Оценка потенциала рынка для каждой базовой единицы выполняется с помощью описанных в начале главы методов. Если между объемом сбыта данного товара и какой-либо другой переменной (или переменными) можно установить взаимосвязь, то эту переменную можно использовать для оценки потенциала продаж по каждой базовой единице. Однако в этом случае нужно иметь большой объем данных по каждой переменной. Иногда спрогнозировать потенциал можно на основе вероятного спроса со стороны каждого имеющегося или потенциального клиента на рассматриваемой территории. Подобный подход эффективнее не на потребительских, а на промышленных рынках, потому что численность потребителей промышленных товаров обычно меньше по сравнению с покупателями потребительских товаров, кроме того, их проще выявить. К тому же объемы продаж каждому клиенту на промышленном рынке существенно превышают объемы продаж среднестатистическому покупателю потребительских товаров. Следовательно, на этом этапе следует выявить самых крупных потребителей, оценить их вероятный спрос, суммировать индивидуальные оценки и получить приблизительную оценку потенциала сбыта территории в целом.

Этап 3. Формирование гипотетических территорий

После оценки потенциала каждой базовой единицы следует объединить смежные территории в более крупные географические образования. Укрупнение должно происходить таким образом, чтобы избежать пересечения сфер деятельности продавцов, т.е. чтобы каждый сотрудник работал только на своей территории и распространял свои усилия на территории, отведенные его коллегам.

Основная задача заключается в обеспечении баланса между потенциалами рынка для каждой территории сбыта. Следует начать с учета рабочей нагрузки продавцов и потенциала продаж (доли совокупного потенциала рынка, которую рассчитывает получить компания); эти параметры зависят от конкуренции на рынке. Предполагается, что все сотрудники сбыта обладают равными способностями.

Все принимаемые на данном этапе предположения будут откорректированы на следующих этапах проектирования, а пока формируется общий подход к разбивке территорий. Полученное количество территорий должно совпадать с числом территорий, которые руководство определило ранее исходя из возможностей фирмы. Если это не было сделано, количество территорий сбыта должно быть определено на данном этапе.

Этап 4. Анализ рабочей нагрузки торгового персонала

Теперь следует рассчитать объем работы сотрудников, необходимый для охвата каждой из полученных территорий. Вряд ли на предыдущем этапе удалось сформировать территории, одинаковые по потенциалу сбыта и рабочей нагрузке на продавцов. Скорее всего, территории сильно разнятся по объему деятельности, который ожидает торговый персонал. Поэтому на этом этапе нужно оценить объем работ, стоящий перед сотрудниками сбыта. В общем случае он включает в себя выполнение следующих шагов:

• определение количества покупателей;
• выбор критериев классификации клиентов;
• расчет частоты коммерческих контактов;
• определение частоты коммерческих контактов с каждым клиентом;
• определение совокупных трудозатрат торгового персонала.

Определение количества покупателей

Для оценки рабочей нагрузки на персонал сбыта следует подсчитать на заданной территории всех клиентов, начиная с самых крупных. Чаще всего такой подсчет выполняется в два этапа. На первом этапе оценивается потенциал сбыта для каждого существующего и потенциального покупателя на данной территории. На втором этапе полученный результат в виде потенциала продаж используется для подсчета количества и продолжительности контактов (визитов, звонков) с каждым из клиентов. Общие трудозатраты можно определить, исходя из общей численности клиентов, количества и продолжительности контактов с каждым из них, а также примерных затрат времени на выполнения действий, не связанных непосредственно с продажей, например, для переездов.

Выбор критериев классификации клиентов

Потенциал продаж, на основе которого рассчитывается периодичность и продолжительность контактов продавцов с клиентами — лишь один из критериев, используемых для классификации клиентов. Существуют и другие критерии; все их следует проанализировать и при необходимости использовать наряду с потенциалом продаж. К числу таких критериев можно отнести конкурентное давление на потенциального покупателя; престижность покупателя; объем и товарный ассортимент закупок; внутренние особенности клиента, оказывающие влияние на заключение сделки. Совокупность факторов, влияющих на эффективность каждого коммерческого визита или контакта с клиентом, очень индивидуальна.

Расчет частоты коммерческих контактов

Матричная концепции стратегического планирования предлагает классифицировать покупателей (подобно стратегическим бизнес-единицам или рынкам) в виде матрицы по двум критериям: привлекательности для компании и трудностям в работе. Матрица может состоять из четырех (2 ´ 2) или девяти (3 ´ 3) ячеек. На рис. 4 потенциальные покупатели распределены по четырем ячейкам в зависимости от своего потенциала и конкурентных преимуществ (или недостатков) для компании-продавца. В каждом квадранте предусмотрена разная периодичность коммерческих контактов с клиентами. Максимальная частота коммерческих контактов предполагается для клиентов из ячеек 1, 2 и, возможно, 3 — в зависимости от способности компании воспользоваться своими конкурентными преимуществами. Соответственно коммерческие контакты с покупателями, оказавшимися в квадранте 4, будут осуществлять реже.

Рис. 4. Матрица планирования клиентов

Определение частоты коммерческих контактов

На данном этапе нецелесообразно считать всех клиентов одной категории равнозначными, эффективнее определить рабочую нагрузку на продавца по каждому клиенту на всех гипотетических территориях. Для этого можно воспользоваться следующим методом: каждому покупателю присвоить оценку по каждому из основных критериев и рассчитать «индекс распределения сбытовой деятельности». Этот показатель рассчитывается так: каждая из оценок («рейтинг клиента») умножается на так называемый «коэффициент важности», суммируется по всем факторам, и полученный результат делится на сумму коэффициентов важности.

Рассчитанный таким образом индекс распределения сбытовой деятельности отражает объем деятельности торгового персонала, связанный с совершением коммерческих контактов с каждым покупателем. Чем выше индекс, тем больше контактов предстоит совершить сотрудникам сбыта при работе с данным клиентом.

Определение совокупных трудозатрат торгового персонала

После анализа клиентов проводится оценка рабочей нагрузки по каждой территории. Она во многом схожа с вычислением численности торгового персонала компании методом рабочей нагрузки. Общее количество личных контактов определяется произведением частоты коммерческих контактов по каждому типу клиентов на число клиентов. Полученные результаты суммируются и объединяются с количеством времени, которое требуется для выполнения (на данной территории) видов деятельности, не связанных с продажей. Аналогичные расчеты выполняются по каждой гипотетической территории.

Этап 5. Корректировка границ гипотетических территорий

Границы гипотетических территорий, определенные на этапе 3, следует скорректировать с учетом различий в трудозатратах, необходимых для охвата этих территорий. При этом аналитик должен помнить, что потенциал продаж в расчете на одного клиента — величина непостоянная и зависит от количества коммерческих контактов с соответствующим клиентом. Привлекательность клиента для компании напрямую зависит от того, какое внимание будет уделять ему персонал компании. Количество коммерческих контактов и их продолжительность, конечно, влияют на объемы продаж. Тем не менее, в некоторых методах, используемых для определения рабочих нагрузок по территориям, наличие этой взаимозависимости признается лишь в неявном виде.

Этап 6. Распределение торгового персонала по территориям

После окончательного определения границ территорий сбыта можно приступать к распределению торгового персонала по данным территориям. До этого момента предполагалось, что все сотрудники сбыта обладают одинаковыми способностями и навыками работы. Однако на практике проявляются различия в опыте и квалификации персонала. Способности разных сотрудников далеко не одинаковы, об одинаковой эффективности их работы с одними и теми же клиентами или товарами также не приходится говорить. На этом этапе необходимо распределить сотрудников — с учетом их личных качеств — по территориям таким образом, чтобы вклад каждого работника в деятельность компании оказался максимальным.

Нужно отметить, что далеко не всегда удается достичь оптимального распределения торговых представителей. Для сложившейся структуры сбыта с устоявшимися территориями и клиентурой радикальные изменения территорий и клиентов может иметь поистине катастрофические последствия. Практика показывает, что в ситуации с устоявшимися сбытовыми территориями их перераспределение нужно проводить постепенно, а изменения не быть революционными. Если же компания в своей работе не использует четкого распределения сбытовых территорий между продавцами, то перекройка территорий позволит существенно повысить эффективность.

Распределение торгового персонала по территориям сбыта необходимо проводить также с учетом следующих соображений. Во-первых, перераспределение клиентов между сотрудниками сбыта может привести к реальному уменьшению количества или объемов заказов. Во-вторых, сокращение, а также неоправданное увеличение количества продавцов также может иметь негативные последствия. Например, расширение штата сотрудников сбыта означает увеличение количества территорий сбыта, а это, в свою очередь, вызывает необходимость перекройки существующих границ, изменение квот продажи и снижение суммы потенциальных вознаграждений. Поэтому при пересмотре и корректировке территорий сбыта нужно учесть мнения сотрудников и минимизировать ущерб, который может быть нанесен взаимоотношениям торговых представителей и клиентов.

Похожие статьи