Широко признано, что розничная торговля заметила, что покупательские привычки людей резко изменились из-за неблагоприятных последствий пандемии. Клиенты стремятся покупать товары по более низким ценам, меньше второстепенных и более важные товары оптом, особенно когда есть нерешенные новости о блокировках в городах. Также наблюдаются заметные сдвиги в тенденциях покупки многих продуктов, включая свежие продукты, продукты с более длительным сроком хранения и предметы ухода за собой. Чтобы делать краткосрочные прогнозы продаж для этой «новой нормы», предприятия розничной торговли и FMCG-отрасли могут извлечь уроки из новых моделей покупательской деятельности после COVID, используя некоторые методы экспоненциального сглаживания.

Вопросы для рассмотрения:

Некоторые основные вопросы, на которые нужно ответить, прежде чем изучать эти методы: какую целевую переменную прогнозировать? Каков правильный срок прогноза? Какова правильная степень детализации? Из какой части истории можно научиться? На что похожа волатильность данных? Есть ли какие-либо проблемы, входящие / выходящие за рамки?

Выше приведены некоторые вопросы, которые следует учитывать при настройке проблемы.

Давайте рассмотрим три метода экспоненциального сглаживания, чтобы сделать краткосрочные прогнозы продаж на основе данных о продажах после COVID:

T1: простое экспоненциальное сглаживание

На приведенном выше графике показаны еженедельные тенденции продаж чайных пакетиков в конкретном магазине или торговой точке. Простое экспоненциальное сглаживание можно использовать для прогнозирования продаж на следующей неделе по следующей формуле:

; где y_t - текущие продажи, а 0 ≤ α ≤ 1 - параметр сглаживания, который контролирует спад во времени.

Если α ≈ 0, то при прогнозе продаж на следующую неделю больший вес придается более старым показателям продаж. Если α ≈ 1, то при прогнозировании продаж на следующую неделю больший вес придается новым данным о продажах.

Чтобы лучше облегчить долгосрочные прогнозы, скажем,

на несколько недель вперед мы можем следовать следующей составной форме, которая состоит из уравнения прогноза и уравнения сглаживания:

; где yt + h - прогноз на h на неделю вперед, lt - это средневзвешенное значение продаж на текущий момент с учетом веса более старых записей. оказывает экспоненциально убывающее влияние на прогнозы.

Здесь оранжевым цветом показан прогноз на несколько недель вперед:

Уравнение наилучшего соответствия включает в себя поиск набора $ latex (\ alpha, y_0, l_0) $, который минимизирует сумму квадратов ошибок. Этот метод также часто называют однократным экспоненциальным сглаживанием или плоским прогнозированием.

T2: двойное экспоненциальное сглаживание

Вот еще один график недельных продаж другого продукта, консервированной кукурузы, в магазине. Здесь есть видимая закономерность тренда, прогноз которой можно лучше представить с помощью следующей составной формулы:

, где yt + h - это h прогноз продаж на неделю вперед, lt - уровень ряда на момент времени

- аппроксимация тренда во время t и 0 ≤ α, β ≤ 1 - параметры сглаживания как для уровня, так и для компонентов тренда.

Здесь предполагается, что прогноз будет линейно увеличиваться. Обычно такие прогнозы имеют тенденцию к завышению. Демпфирование - это метод, который можно использовать для смягчения этого эффекта следующим образом:

; где 0 ≤ Φ ≤ 1 - параметр демпфирования, уменьшающий эффект линейного увеличения.

Прогноз на несколько недель вперед показан здесь оранжевым (без демпфирования) и серым (с демпфированием).

Опять же, уравнение наилучшего соответствия включает в себя поиск набора значений для

что минимизирует сумму квадратов ошибок. Этот метод также часто называют линейным методом Холта.

T3: тройное экспоненциальное сглаживание

Вот еще один график еженедельных тенденций продаж определенного товара в конкретном магазине. Здесь мы видим, что существует не только видимая тенденция с течением времени, но и продукт также показывает сезонное поведение. Прогнозирование продаж товаров, которые ведут себя подобным образом, можно лучше представить, расширив предыдущий метод для учета сезонных эффектов (1 уравнение прогноза и 3 уравнения сглаживания - уровень, тренд и сезонность).

Существует два способа определения сезонной составляющей - аддитивный и мультипликативный. Первый работает лучше, когда сезонные вариации приблизительно постоянны, а второй работает, когда сезонные вариации меняются пропорционально уровню ряда (другими словами, сезонные вариации увеличиваются / уменьшаются в соответствии с трендом).

Давайте сначала посмотрим на составную форму для аддитивных уравнений:

, где yt + h - прогноз продаж на h неделю вперед, m - частота сезонных колебаний, например, если сезонные модели повторяются каждые 4 недели, тогда m = 4, k - это целое число k = (h - 1) / 4, которое гарантирует, что при выводе во внимание принимается только последний компонент сезонности. прогноз. lt - это уровень ряда в момент времени t, и это средневзвешенное значение сезонной и несезонной составляющих во время t. b_t - аппроксимация тренда в момент времени t и аналогична двойному экспоненциальному сглаживанию. s_t - это аппроксимация сезонной составляющей в момент времени t и представляет собой средневзвешенное значение текущей сезонной составляющей и предыдущей сезонной составляющей м периодов назад. Параметры сглаживания для каждого из этих трех уравнений определены как: 0 ≤ α, β, γ ≤ 1

Мультипликативная форма с тем же определением переменных выглядит так:

Последние мысли

Методы краткосрочного прогнозирования - это удобные методы, которые можно использовать при составлении прогнозов с использованием ограниченного объема данных. При использовании этих методов важно убедиться, что постановка задачи хорошо продумана с точки зрения детализации, периода прогнозирования, обработки волатильности данных и т. Д. Также важно использовать правильный метод, хотя иногда даже как тенденции, так и сезонность теоретически очевидны, при более короткой продолжительности прогноза вы можете не увидеть закономерности сезонности. Это означает, что лучше всего выбрать двойное экспоненциальное сглаживание, а не тройное. Результаты этих методов также можно использовать в качестве хорошей базовой модели при сравнении с другими моделями. Конечно, при наличии достаточных данных существует множество других методов, таких как ARIMA (расширенный набор методов экспоненциального сглаживания), регрессия или аналогичные, которые могут обеспечить более точные результаты прогнозирования.