|
142 Кеторол / табл. №30, которое согласно проведенному анализу занимает второе место из всей продукции компании по уровню приносимого дохода и первое место из импортируемой продукции. Для начала проведем XV7 анализ потребления фармацевтических препаратов по группе клиентов (табл. 3.4), по результатам которого видно, что продажи данной товарной позиции по отдельным клиентам и группам клиентов также нестабильны, как и по компании в целом. Данный факт свидетельствует о том, что причиной таких существенных колебаний спроса является нсскоординированный поток заявок от отдельных клиентов. Таблица 3.4 XV7, анализ продаж фармацевтического препарата Кеторол / табл. №30 по группам клиентов Группа клиентов Г родажи за неделю, уп. Коэффициент вариации,%1 2 3 4 5 средние Склад №3 1854 1014 1512 1890 1692 1592,4 20,02% Склад №1 453 421 336 298 105 322,6 37,92% Склад №2 0 56 0 5 55 23,2 113,96% Склад №4 2610 3785 5289 6620 6267 4914,2 30,81% Склад г. Вичуга 232 361 21 1959 668 648,2 106,16% Склад г. Шуя 279 191 1914 131 108 524,6 132,90% В таблице 3.5 приведены исходные данные для построения регрессионной модели спроса на фармацевтический препарат Кеторол / табл. №30 по факторам, выделенным во 2 главе данной работы. Далее с помощью инструментов анализа данных (корреляция, регрессия) пакета М8 Ехсе) можно построить итоговую модель регрессии, включив в нес только те факторы, которые оказывают существенное влияние на результирующий показатель, оценить ее адекватность и значимость параметров. |
нованных на анализе рядов динамики, то прогнозирование потребления группы Ъ указанными методами, к сожалению, зачастую не дает требуемой для управления запасами точности оценки характеристики спроса. Для получения объективной и однозначной оценки потребления товаров этой группы необходимо выявление реальных причин таких значительных колебаний спроса и применения для прогнозирования многофакторной модели, учитывающей специфику потребления и пополнения данных запасов. На данном этапе неоценимую роль играют функционирующие учетные системы организации, из которых можно в реальном времени получать свежую достоверную информацию, необходимую для разработки и эксплуатации прогнозных моделей. 11остроение многофакторной модели спроса рассмотрим на примере одной ассортиментной позиции группы А2 пива Согопа Ех1га, которое согласно проведенному АВС анализу занимает второе место из всей продукции компании по уровню приносимого дохода и первое место из импортируемой продукции. Для начала проведем ХУ2-анализ потребления пива по группам клиентов (табл. 3.4), по результатам которого видно, что продажи данной товарной позиции по отдельным клиентам и группам клиентов также нестабильны, как и по компании в целом. Данный факт свидетельствует о том, что причиной таких существенных колебаний спроса не является нескоординированный поток заявок от отдельных клиентов. Таблица 3.4 ХУ2-аналнз продаж пива Согопа Ех(га по группам клиентов Продажи за неделю, уп. ------------------------1 1 Группа клиентов 1 2 3 4 5 средние Коэффициент вариации,% оГМгайе 1800 983 1469 1833 1648 1547 20.04% Метро 440 408 327 289 102 313 37,90% Ашан 0 54 0 5 54 23 113.73% оп-1габе+регионы 2534 3668 5140 6421 6102 4773 30.86% Екатеринбург 225 350 20 1900 650 629 106.12% Новосибирск 271 185 1860 127 105 510 132,97% 106 В таблице 3.5 приведены исходные данные для построения регрессионной модели спроса на пиво Согопа Ех1га по факторам, выделенным в пара]рафе 2.2 данной работы. Таблица 3.5 Исходные данные для прогнозирования продаж пива Согопа Ех(га У х1 х2 хЗ х4 х5 хб Месяц Продажи в месяц, уп. Спрос в аналогичный месяц год назад, уп. 1/Цепа на товар, руб. за уп. Объем дефицита, уп. Объем спроса, прихолящийся на рекламные акции, уп. Объем спроса, обусловленный предпраздничными и сезонными продажами Общая численность клиентов янв.07 11857 12039 0,0009 0 0 0 562 фев.07 17282 12322 0,0229 0 2200 0 574 мар.07 32524 22867 0,0228 0 4000 0 576 апр.07 24227 17637 0,0218 0 0 0 565 май.07 29964 25884 0,0224 0 3000 0 576 июн.07 41870 22093 0.0226 0 3000 5200 583 июл.07 20421 25303 0.0219 -4800 0 1000 563 авг.07 26191 29863 0,0220 0 0 1500 570 сен.07 30418 22357 0,0226 0 2500 1000 576 окт.07 16954 16803 0.0225 -4071 0 0 562 ноя.07 15729 23078 0,0219 0 0 0 565 дек.07 36855 34467 0,0226 -1210 0 8800 590 01.08 прогноз 12820 11857 0,0219 0 0 0 558 02.08 прогноз 15675 17282 0,0199 0 0 0 567 03.08 прогноз 24532 32524 0,0207 0 0 0 572 04.08 прогноз 24227 0,0200 -2300 1000 575 Далее с помощью инструментов анализа данных (корреляция, регрессия) пакета М$ Ехсе1 можно построить окончательную модель регрессии, включив в нее только те факторы, которые оказывают существенное влияние на результирующий показатель, оценить ее адекватность и значимость параметров. Для этого первоначально необходимо построить матрицу показателей корреляции для выявления степени тесноты связи между зависимой переменной У и каждым из факторов, а также наличия интеркорреляции между объясняющими переменными (таблица 3.6). 107 |