Прогнозирование продаж препаратов

Содержание

Постановка задачи

Прогнозирование внутрифирменных данных

Прогнозирование сезонного препарата

Прогнозирование тендерного препарата

Прогнозирование нетендерного препарата

 

---

Постановка задачи

В данном отчете предлагаются результаты построения прогнозов временных рядов, характеризующих собой объёмы продаж различной продукции. Решение данной задачи позволяет увеличить эффект планирования и управления системой складирования и закупок товара и т.д.

Прогнозы продаж строились на основе присланных данных. Приведем краткое описание исходных данных:

• Прогнозирование внутрифирменных данных за 2001 – 2002 г.г., всего 730 наблюдений (на основе файлов тест_2001.xls и тест_2002.xls).

• Прогнозирование сезонного препарата, исходные данные с 1 июня 2002 г. по 30 сентября 2003 г. (на основе файла тест_сезонный15.xls).

• Прогнозирование тендерного препарата, исходные данные с 1 апреля по 30 сентября (на основе файла тест_тендерный_товар.xls).

• Прогнозирование нетендерного препарата, исходные данные  с января 2001 г. по сентябрь 2003 г. (на основе файла тест_нетендерный_товар.xls).

В качестве инструмента поиска решения и построения отчетов использовалась система STATISTICA.

 

---

Прогнозирование внутрифирменных данных

Исходные данные были изначально представлены в виде двух таблиц Excel: Тест_2001.xls и Тест_2002.xls. Эти файлы были импортированы в STATISTICA и объединены в один файл.

Построение прогноза производилось в модуле Временные ряды и прогнозирование методом ARIMA - АРПСС. По исходным данным была построена модель построения прогноза, затем был вычислен сам прогноз.

Рисунок 1. Прогноз объема продаж на три недели вперед. Метод АРПСС-ARIMA

Как мы видим, построенная модель адекватно отражает тренд и сезонность временного ряда. Но в последней неделе декабря 2002 года прогноз расходится с реальными значениями. Попробуем применить нашу модель для декабря 2001 года.

Рисунок 2. Проверка адекватности. Прогноз объемы продаж декабрь-январь 2001 года. Метод АРПСС-ARIMA

Аналогичная ситуация возникла и здесь, в последнюю неделю декабря и первую неделю января объем продаж упал. Скорее всего, это связано с празднованием Нового Года. После этой недели прогноз вновь хорошо описывает данные. Значения прогноза с 1 января 2003 года по 19 января 2003 года можно представить в виде таблицы значений.

Рисунок 3. Прогнозируемые данные дневных объемов продаж с 1 по 19 января 2003 года

Выводы и рекомендации

В работе была построена модель, которая адекватно отражает тренд и сезонность временного ряда. Также было обнаружено расхождение исходных и прогнозируемых значений для последней недели декабря – первой недели января. Т.к. событие (празднование Нового Года) повторяется каждый год, то период этого события равен одному году. Чтобы в дальнейшем сделать поправку на такие события, модель, построенная авторегрессионными методами, требует не меньше трех периодов повторения события. Т.е. нам необходимы данные хотя бы еще одного года.

Уровень ошибки прогноза можно уменьшить путем увеличения длины истории ряда и учета дополнительной информации, т.к. данные факторы позволят задействовать более сложные и точные инструменты прогнозирования. Стоит отметить, что при переходе от анализа по дням к анализу и построению прогноза по календарным месяцам года или кварталам, уровень ошибки прогноза также уменьшится.

 

---

Прогнозирование сезонного препарата

Исходные данные были изначально представлены в виде таблиц Excel, эти таблицы были импортированы в STATISTICA.

Построение прогнозов по дням производилось в модуле Временные ряды и прогнозирование методами экспоненциального сглаживания и ARIMA – АРПСС, построение прогнозов по месяцам производилось при помощи метода сезонной корректировки Census XII. По исходным данным были построены модели построения прогноза, затем был вычислены сами прогнозы по месяцам и по дням.

Приведем полученные результаты построения прогнозов, в начале представим прогнозы по дням, затем по месяцам. На рисунках 4-8 представлены результаты полученных прогнозов по дням.

Рисунок 4. Прогнозируемые данные дневных объемов продаж на 20 дней вперед, с 1 по 20 октября 2003 года. Метод экспоненциального сглаживания

Рисунок 5. Прогнозируемые данные дневных объемов продаж с 1 по 20 октября 2003 года. Метод экспоненциального сглаживания

Рисунок 6. Прогнозируемые данные дневных объемов продаж на 20 дней вперед, с 1 по 20 октября 2003 года. Метод АРПСС - ARIMA

Рисунок 7. Прогнозируемые данные дневных объемов продаж с 1 по 20 октября 2003 года.  Метод АРПСС-ARIMA

Рисунок 8. Проверка адекватности. Прогноз объемов продаж на июль 2003 года. Метод АРПСС-ARIMA

На рисунках 4-5 представлены графические и численные результаты прогнозирования на 20 дней вперед, методом экспоненциального сглаживания. На рисунках 6-7 представлены графические и численные результаты прогнозирования на 20 дней вперед, методом АРПСС. На рисунке 8 представлен результат адекватности построения прогноза, методом АРПСС при сдвиге начала прогноза назад, фактически мы получаем сравнение реальных данных за июль и прогноза на этот же период при условии, что мы не знали этих данных при прогнозирование. Качество построенных прогнозов позволяет планировать до 1 недели вперед с высоким уровнем доверия - порядка 2% отклонения в первую неделю прогноза. Учет результатов прогноза на период более одной недели повышает уровень ошибки и требует постепенных корректировок с появлением более «свежих» данных.

Приведем результаты построения прогноза продаж по месяцам, при помощи метода CensusXII. Стоит отметить, что выявлен основной период сезонности по месяцам, равный 12 мес., а не 5, как предполагалось заказчиком.

Рисунок 9. Прогнозируемые данные месячных объемов продаж с октября  2003 г. по март 2004 г.  Метод сезонной корректировки CensusXI

Рисунок 10. Прогнозируемые данные месячных объемов продаж с октября  2003 г. по март 2004 г.  Метод сезонной корректировки Census X II

На рисунках 9-10 представлены графические и численные результаты прогнозирования на 6 месяцев вперед, методом сезонной корректировки Census X II. Представленный прогноз соответствует уровню ожидаемой ошибки в 5% на 1 месяц вперед, увеличение длины прогноза до 6 месяцев, повышает уровень ошибки до 15%. Связано это с тем, что для прогнозирования был представлен ряд продаж, обладающий 1,25 (15 месяцев) частями основного сезонного периода (12 месяцев).

 

---

Прогнозирование тендерного препарата

Построение прогноза производилось в модуле Временные ряды и прогнозирование методами ARIMA – АРПСС и регрессионного анализа. По исходным данным была построена модель построения прогноза, затем был вычислен сам прогноз. Модель прогнозирования строилась из условия, что время «основных» тендерных поставок (отмечены красными кружками на рисунке 11) нам априори известно (например, из контрактов на поставку).

Рисунок 11. График объемов продаж тендерного препарата. Красными кружками выделены "основные" поставки

Исходные данные были представлены за период с 1 апреля по 30 сентября одного года. Прогноз строился из предположения, что мы априори знаем, что в период с 1 октября по 21 октября будет проведена одна тендерная поставка, например, 15 октября, равная 1189 единицам.

Рисунок 12. Прогноз тендерного препарата с 1 октября по 21 октября, с учетом "основной" тендерной поставки 15 октября

Рисунок 13. Прогнозируемые данные дневных объемов продаж с 1 октября по 21 октября. С учетом "основной" тендерной поставки 15 октября

В случае, когда нам не известно точное время «основных» поставок, то следует воспользоваться дополнительной информацией по прогнозированию появления данной поставки и ее времени. Стоит отметить, что более точные прогнозы можно получить по месяцам, но для этого необходима более длинная история продаж.

 

---

Прогнозирование нетендерного препарата

Прогнозирование нетендерного товара обладает очень высоким уровнем ошибки, более 30% на месяц вперед, поэтому мы не стали приводить его. Для получения более точного прогноза необходима более длинная история от 3-ех лет. При наличие дополнительной информации, например: история по динамике рынка данного препарата и динамике доли, занимаемой вашей компанией на этом рынке – уровень ошибки можно понизить до 5-10%.