Совершенствование методики исследования и прогнозирования возвратных логистических товаропотоков Текст научной статьи по специальности «Экономика и бизнес»

ЗУЕВА Ольга Николаевна

Доктор экономических наук, доцент, заведующая кафедрой товароведения и экспертизы

Уральский государственный экономический университет

620144, РФ, г. Екатеринбург, ул. 8 Марта/Народной Воли, 62/45 Контактный телефон: (343) 221-27-59 e-mail: zuevaon@mail.ru

ВДОВИН Сергей Станиславович

Старший преподаватель кафедры товароведения и экспертизы

Уральский государственный экономический университет

620144, РФ, г. Екатеринбург, ул. 8 Марта/Народной Воли, 62/45 Контактный телефон: (343) 357-27-91 e-mail: tnt07@yandex.ru

Совершенствование методики исследования и прогнозирования возвратных логистических товаропотоков

Ключевые слова: возвратные товаропотоки; автотранспортные средства; защита прав потребителей; реверсивная логистика; прогнозирование; карты Кохонена.

Аннотация. Исследованы возвратные товарные потоки в сфере обращения легковых автотранспортных средств. Дана авторская трактовка понятия «реверсивная логистика». Рассмотрена классификация возвратных товарных потоков из сфер государственного регулирования, производства и потребления. Предложена методика анализа и прогнозирования возвратных товаропотоков из сферы потребления. Установлена взаимосвязь между такими критериями, как организационно-правовая форма торгового предприятия, марка транспортного средства, дата обращения, объем продаж легковых автотранспортных средств. Составлен прогноз доли возвратных товарных потоков на ближайшие годы.

Одним из элементов управления товарными запасами является реверсивная логистика, которая в настоящее время приобретает особую актуальность в связи с увеличением объема реализации товаров, ростом информированности потребителей, ростом благосостояния населения, ужесточением требований безопасности и экологичности продукции современных предприятий.

В последние годы многие отечественные (В. И. Сергеев, П. А. Терентьев и др.) и зарубежные (Дж. Р. Сток, Дж. В. Джонсон и др.) ученые поднимают вопрос о реверсивной логистике или возвратных товарных потоках.

По мнению П. А. Терентьева, логистика возвратных потоков заключается в «управлении потоками сырья, незавершенного производства, упаковки и готовой продукции, идущими от точек производства, распределения и конечного использования обратно по цепи поставок, с целью возврата им потребительских свойств или уничтожения при оптимальных издержках» [1].

Дж. Р. Сток в книге «Стратегическое управление логистикой» пишет об обработке возвращаемых товаров, переработке и утилизации товаров и тары как о «части крупного процесса, называемого логистикой возвратных потоков, - существенного компонента логистики в целом» [2].

© Зуева О. Н., Вдовин С. С., 2012

По мнению авторов статьи, реверсивная логистика - это процесс планирования, реализации и контроля логистических товаропотоков из сферы обращения и потребления в результате обратного распределения готовой продукции, опасных, поврежденных, просроченных и использованных товаров и тары и связанной с ними информации в целях восстановления ценности или правильной их утилизации [3].

Авторская классификация возвратных товарных потоков представлена на рис. 1.

Возвратные материальные потоки из сферы государственного регулирования Возвратные материальные потоки из сферы производства (обращения) Возвратные материальные потоки из сферы потребления (от домашних хозяйств)

Товары, не прошедшие таможенное оформление

Товары, не прошедшие процедуру подтверждения соответствия

Товары, отозванные с внутреннего рынка уполномоченными федеральными органами исполнительной власти по контролю в области защиты прав потребителей

Реверсивная логистика

Товары, поставленные с нарушением условий, договора, ошибочно

Товары ненадлежащего качества

Товары ненадлежащего количества

Товары, не переданные в срок по договору

Товары, не пользующиеся спросом

Товары устаревших моделей

Товары со скрытыми производственными дефектами

Использованные

товары

Повторное обращение товаров

Повторное обращение тары, поддонов, упаковки (рециклинг)

Рис. 1. Классификация причин возврата материальных потоков в рамках реверсивной логистики

Авторами было проведено исследование возвратных товарных потоков в сфере обращения автотранспортных средств, целью которого являлось установление причинноследственных связей при формировании возвратных товаропотоков.

При проведении исследований в области логистики ни один ключевой показатель сам по себе не может дать полного представления о ситуации в исследуемой области, оценить эффективность применения тех или иных мер. Для этого необходима сбалансированная модель бизнес-процессов с набором внешних и внутренних данных, четко демонстрирующая причинно-следственные связи, обусловленные определенной управленческой стратегией.

Государственные органы, органы местного самоуправления, предприятия и организации всех форм собственности стремятся повысить эффективность работы и уменьшить расходы на свою деятельность. С этой целью используются новые компьютерные технологии, разнообразные программы автоматизации бизнес-процессов. Чем аккуратнее и полнее ведутся сбор и систематизация данных, тем полнее представление о процессах, происходящих в организации.

Очень часто принятие обоснованных управленческих решений осложняется неполнотой данных, невозможностью их систематизации или сложностью учета множества экономических и неэкономических параметров. Компьютерные программные средства позволяют привести исходные данные к виду, который с достаточной степенью

достоверности позволяет оценить содержащиеся в них факты и повышает вероятность принятия оптимального решения.

Основные управленческие методики на сегодняшний день описаны в следующих документах: Система сбалансированных показателей (ССП), Six Sigma, Economic Value Add (добавление экономической стоимости), EFQM (Европейская организация грамотного управления), Excellence Model (Модель превосходства), Total Quality Model (Полная модель качества). Наиболее популярной из перечисленных является методика ССП, в основе которой лежит единая система показателей и стратегических целей, демонстрирующая связи между кратко- и долгосрочными задачами, между планируемым результатом и факторами, напрямую влияющими на эффективность процессов. Данная методика позволяет проводить анализ по нескольким измерениям, например: с учетом региона, объема продаж, форматов торговых организаций, товарных групп.

Исследование сегментации предприятий, реализующих легковые автотранспортные средства, проводилось с помощью самообучающихся карт Кохонена аналитического пакета Deductor 5.2 фирмы Base Groups Labs. Система включает в себя современные технологии обработки бизнес-информации - от создания хранилища данных, построения OLAP системы до применения инструментов Data mining для извлечения знаний из структурированных данных.

В результате была разработана методика проведения социально-потребительского мониторинга в сфере защиты прав потребителей. Это было сделано на основе данных муниципального учреждения «Екатеринбургский муниципальный центр защиты потребителей», полученных с помощью программы MS Access путем заполнения формы (опросного листа) на каждого обратившегося. Форма содержит информацию непосредственно об обращении потребителя: объект претензии; допущенное нарушение; организация, продавшая товар (оказавшая услугу); и др.

Для создания методики из базы данных были взяты следующие показатели:

• правовая форма предприятия (общество с ограниченной ответственностью, индивидуальный предприниматель, открытое акционерное общество, закрытое акционерное общество), в отношении которого поступила претензия от потребителя;

• дата обращения с претензией на качество автотранспортного средства;

• марка имеющегося транспортного средства;

• вид дефекта.

В такой высокотехнологичной сфере, как логистический сервис при обращении и эксплуатации автотранспортных средств, методы и подходы Data Mining еще не получили широкого применения. В нашем случае данный подход был продиктован необходимостью:

• построения профилей потребляемых услуг автосервиса;

• оценки наиболее и наименее часто встречающихся марок автотранспортных средств, видов дефектов и правовой формы предприятия автосервиса.

Данные, взятые в Комитете по защите прав потребителей г. Екатеринбурга за 2002-2008 гг., скомпонованы в виде таблицы, отражающей поле деятельности, ее описание и тип.

Последовательность решения бизнес-задачи по сегментации данных таблицы с помощью подхода, основанного на алгоритме Кохонена, состоит из двух шагов: кластеризация объектов алгоритмом Кохонена; построение и интерпретация карты Кохонена.

Все данные, импортированные в программу Deductor Academic 5.2 (рис. 2), были подвергнуты аналитической обработке, а именно - построены самоорганизующиеся карты Кохонена (рис. 3).

Данные карты позволили разбить имеющуюся информацию на определенные группы - кластеры и визуализировать их, а проекция Соммона показывает количество этих кластеров и разброс данных между ними.

Характеристика информации Комитета по защите прав потребителей

г. Екатеринбурга

Поле Описание Тип

1. Категория предприятия Организационно-правовая форма предприятия («общество с ограниченной ответственностью», «индивидуальный предприниматель», «открытое акционерное общество», «закрытое акционерное общество») Строковый

2. Дата обращения День, месяц и год обращения в Комитет Дата/время

3. Марка Марка автотранспортного средства, по которому подано обращение Строковый

4. Дефект Описание дефекта, в связи с которым обращаются в Комитет Строковый

Таблица X| Куб X|

le-lS'JB'ATl” "* I 1 /383 ~| ► м I Ш

Категория предприятия Предприятие Адрес ЮрПомощь ДатаЗап Марка Дефект

► Эрр) АВТОВАЗ г.Т ольятти претензия 02.08.2002 ВАЗ дефект коробки передач

ОАО АВТОВАЗ г. Т ольятти претензия 04.09.2002 ВАЗ дефект коробки передач

ОАО АВТОВАЗ г. Т ольятти претензия 09.09.2002 ВАЗ дефект шасси

ОАО АВТОВАЗ г.Т ольятти претензия 19.11.2002 ВАЗ дефект окраски

ОАО АВТОВАЗ г. Т ольятти претензия 15.05.2002 ВАЗ множественные недостатки

ООО Автосалон Хохрякова претензия 14.05.2002 ГАЗ дефект коробки передач

ООО Автосалон АНТ Вайнера 48 консультация 29.11.2002 ВАЗ дефект кузова

000 Автосалон ДДТ Ясная 1 претензия 24.12.2002 БАЗ дефекты двигателя

000 автосалон MC Машинная 1 претензия 15.05.2002 Шкода э лектрооборудование

000 AHO Автоцентр Онвет репина 92 претензия 30.09.2002 Ford дефект VIN

ООО АНТ Вайнера 48 консультация 05.11.2002 ВАЗ деформация кузова

ООО АНТ Вайнера 48 претензия 01.11.2002 ВАЗ деформация кузова

000 АНТ Вайнера 48 претензия 01.11.2002 БАЗ дефект кузова

000 ДДТ Отрадная 1 претензия 18.12.2002 ВАЗ дефекты двигателя

000 ДДТ Отрадная 1 претензия 29.07.2002 ВАЗ дефекты двигателя

ЗАО ЗАО АО Авто Ленц Блюхера 50-43 претензия 02.12.2002 Ford некачественные ГСМ

ЗАО ЗАО Альфа-Моторс Г урзуфская 63 претензия 18.12.2002 HUN DAI нарушение сроков поставки

ЗАО 3^0 АльФа-Моторс Г урзуфская 63 претензия 20.11.2002 NISSAN дефект шасси

ЗАО ЗАО АльФа-Маторс Г урзуфская 63 претензия 29.11.2002 NISSAN дефект шасси

ЗАО ЗАО Альфа-Моторс Г урзуфская 63 претензия 20.09.2002 HUNDAI нарушение условий поставки

ЗАО ЗАО Геотексервис Шоферов 17 консультация 09.09.2002 ВАЗ дефекты двигателя

ЗАО ЗАО Карга-сервис Шоферов 11 претензия 01.07.2002 ВАЗ дефект коробки передач

ЗАО 3^0 Уралтрансавто Космонавтов 1 км претензия 22.03.2002 DAEWOO нарушение условий поставки

ИП ИП Бартенев Прямой пер. 6-2 иск 18.01.2002 ВАЗ дефекты двигателя

Рис. 2. Результат импорта исходных данных в Deductor

| Карта Кохонена X | Профили кластеров X |

9 [Ж 1=81ЕГ #• | % - ti? Р- * | Q. ®. Я Г а

Рис. 3. Атлас карт Кохонена для массива «Качество реализуемых легковых автотранспортных средств в г. Екатеринбурге» за 2002-2009 гг.

Кластер - номинальная частица в системе карт Кохонена, которая включает в себя одну или несколько одинаковых информационных позиций. Анализ карты «Матрица расстояний» позволил выделить три кластера, которые обозначены цифрами от нуля до двух и представлены различными цветами (рис. 3).

На рис. 4-6 показано распределение информационных данных по кластерам.

Рис. 4. Профили кластеров по параметру «Категория предприятия»

Рис. 5. Профили кластеров по параметру «Марка»

Нулевой кластер имеет значительную мощность (396 записей) и характеризуется попаданием в него большего числа «обществ с ограниченной ответственностью» (304 записи) и «открытых акционерных обществ» (69 записей). По маркам автотранспортных средств наибольшую долю занимают: «ВАЗ» (245), «Остальные» (68), «УАЗ» (32), «ГАЗ» (29), «Mercedes-Benz» (21). В зависимости от вида дефекта основную долю занимают: «Остальные дефекты» (66), «Множественные недостатки» (63), «Дефекты двигателя» (53) и «Дефекты электрооборудования» (45).

Первый кластер имеет меньшую мощность (315 записей) и характеризуется попаданием в него «закрытых акционерных обществ» (264 записи) и «индивидуальных предпринимателей» (51 запись). По маркам автотранспортных средств в данном кластере

наибольшую долю имеют: «Остальные марки» (77), «Ford» (71), «Hyundai» (56), «ВАЗ» (51), «Mazda» (2З) и «Nissan» (22). В зависимости от вида дефекта основное место занимают: «Дефекты двигателя» (55), «Множественные недостатки» (45), «Остальные дефекты» (42) и «Нарушение условий поставки» (ЗЗ записи).

I Карта Кохонена X Профили кластеров X |

lg* U Т ЕВ 1 У - ОН Ч Й 1 @ -

Кластеры - 1

0 ■ |2 1 Итого

І і 396 ( 40,3%) S 315 ( 32,0%) 1 272 ( 27,7%) im

Поля ^ Показатели ^

0 ab Дефект Значимость 96,5% 87,6% 89,3% 1 1 98,4%

|-| ДСфСМЫ 53(13,4%) 55(17,5%) 36(13,2%) 144(14,6%)

щ пнижеи 1 ьеиные 63(15,9%) 45(14,3%) 28(10,3%) 136(13,8%)

|-| ^лем риииируд 45(11,4%) 26 ( 8,3%) 34(12,5%) 105(10,7%)

□ сроков 28 ( 7,1%) 29 ( 9,2%) 41 (15,1%) 98(10,0%)

19 условий 24 ( 6,1%) 33(10,5%) 33(12,1%) 90 ( 9,2%)

■ коробки 38 ( 9,6%) 18 ( 5,7%) 11 ( 4,0%) 67 ( 6,8%)

□ дефект шасси 20 ( 5,1%) 21 ( 6,7%) 11 ( 4,0%) 52 ( 5,3%)

И дефект кузова 22 ( 5,6%) 17 ( 5,4%) 11 ( 4,0%) 50 ( 5,1%)

[-] ДСфС1Ч 1 27 ( 6,8%) 9( 2,9%) 10 ( 3,7%) 46 ( 4,7%)

[-] ДВфСИ. 1 10 ( 2,5%) 20 ( 6,3%) 12 ( 4,4%) 42 ( 4,3%)

□ «Остальные > 66(16,7%) 42(13,3%) 45(16,5%) 153(15,6%)

Рис. б. Профили кластеров по параметру «Дефект»

Во второй кластер попало 272 записи, из них 267 записи - «общества с ограниченной ответственностью» и 5 записей - «открытые акционерные общества». По маркам автотранспортных средств в данном кластере наибольшую долю занимают: «Остальные марки» (102), «Hyundai» (55), «Chevrolet» (44), «Ford» (37) и «Daewoo» (28). В зависимости от вида дефекта основная доля приходится на: «Остальные дефекты» (45), «Нарушение условий поставки» (41), «Дефекты двигателя» (36), «Дефекты электрооборудования» (34), «Нарушение условий поставки» (33), «Множественные недостатки» (28 записей).

При создании карты Кохонена соседние ячейки заполняются близкой по смыслу информацией, но если информации мало, ячейки остаются пустыми.

Для того, чтобы просчитать и четко увидеть, сколько ячеек оказались пустыми, какова погрешность при анализе и какие факторы оказались главенствующими при создании карт Кохонена, создается дерево решений (рис. 7).

I Дерево решений X I Правила X Значимость атрибдов х| Что-если х| Обучающий набор х| Таблица сопряженности х|

At ~ Y | Ц-_____________________________________________________________________________________________________________________

Целевой атриб^: Номер кластера

№ Номер Атрибут Значимость, % t

1 1 Категория предприятия |[ і 1 Р57 яяр

2 3 Марка \^Ш^Ш 1 36,231

3 2 ДатаЗап Il I 5,777

4 4 Дефект I I 0.000

Рис. 7. Значимость показателей при построении карт Кохонена

Как видно на рис. 7, главными показателями при создании карт Кохонена являлись категория предприятия, марка автомобиля, дата обращения, которые составили 57,9%; 36,2 и 5,7% соответственно. Однако если количество кластеров будет увеличиваться, атрибуты будут другими, и их процентное соотношение тоже изменится.

При помощи дерева решений также можно проанализировать конкретно заданные условия. Например, если определяющим фактором в нашем случае является «Категория предприятия», то программное обеспечение показывает, сколько обращений потребителей было к ЗАО, ИП, ОАО, ООО.

На следующем этапе - оценка погрешности системы - нами использована таблица сопряженности (рис. 8).

| Дерево решений X | Правила х| Значимость атрибутов х| Что-если х| Обучающий набор X Таблица сопряженности х|

|Номер кластера _^_||| О ШИ | Е | ¿д | Щ ▼

1 Классифицировано

Фактически 1 0 1 1 2 Итого I

0 I ■ 2 396

1 I 315 315

2 ! ÍI 267 272

I Итого I 399 I 315 I 269 983

Рис. 8. Таблица сопряженности и распределения погрешностей по кластерам

Как видим, при формировании нулевого кластера использовано 396 записей, погрешность - 2 записи. В первом кластере использовалось 315 записей, в рамках данного кластера погрешности отсутствуют. Во втором кластере использовано 272 записи, погрешность - 5 записей. Таким образом, полученные данные свидетельствуют об относительно низком проценте погрешности.

Для более полного анализа в базу данных была добавлена информация о продажах легковых автомобилей в Уральском федеральном округе [4-7], а также суммированы обращения по маркам в зависимости от года обращения.

Статистические данные по продажам, в силу различных причин, имеют недостатки. Так, по некоторым маркам автомобилей («Бае'^о», «Ка») отсутствуют данные по продажам в 2008 г. Для восстановления недостающих данных была применена парциальная предобработка. Эта операция используется для восстановления пропущенных данных и редактирования аномальных значений. Присутствие аномалий при построении моделей снижает качество результата, т. е. посредством парциальной предобработки выявляется общая тенденция продаж и обращений по каждой марке автомобилей.

Далее, на этапе вычисления доли возвратных товарных потоков в зависимости от количества проданных легковых автомобилей показатель «доля возвратных потоков по годам» позволяет сравнивать обращения граждан по маркам автомобилей в сопоставимых единицах.

С помощью фильтра данных для дальнейшего анализа были отобраны сведения по параметру «доля возвратов > 0», т. е. были взяты только те марки автомобилей, по которым ежегодно имеют место случаи обращений в Комитет по защите прав потребителей г. Екатеринбурга. Выделены пять марок автомобилей: «Сйгоеп», «БоЫ», «Но^а»,

«Hyundai», «Mitsubishi»:

«Citroen».........................................0,290

«Ford»............................................0,139

«Hyundai».........................................0,060

«Honda»...........................................0,029

«Mitsubishi»......................................0,023

Как видим, наибольшая доля приходится на автомобили трех марок: «Сйгоеп», «БоЫ», «Hyundai».

Решение задачи повышения эффективности мониторинга возвратных товарных потоков тесно связано с развитием социально-экономических процессов и их прогнозом. С учетом технологий, применяемых авторами, задача прогнозирования как задача

анализа данных может быть решена с помощью регрессии, классификации и кластеризации. Зная характер развития процессов, можно планировать мероприятия для более эффективного контроля (мониторинга) параметров качества товаров и услуг.

Если рассматривать мониторинг возвратных товарных потоков как управленческий процесс, направленный на снижение доли некачественной и опасной продукции на рынке, то прогнозирование будет являться одним из наиболее важных элементов этого процесса.

В качестве объектов исследования нами были выбраны три марки автомобилей, по которым наблюдалась наибольшая доля обращений граждан с 2002 по 2008 г. В качестве инструмента исследования применили алгоритмы Data Mining, включенные в аналитическую платформу Deductor 5.2 Academic.

Построенный график (рис. 9) показывает: можно прогнозировать, что в следующем периоде доля возвратных потоков по легковым автотранспортным средствам составит: «Citroen» - 0,091%, «Ford» - 0,089, «Hyundai» - 0,047, «Honda» - 0,048, «Mitsubishi» - 0,025%.

| Диаграмма прогноза x| Таблица x| ^

S]¥ LE-lif-l^'Eüe-ГЫН

IW И Citroen W Ш Ford 17 Q Hyundai 17 Q Honda 17 И Mitsubishi

Рис. 9. Прогнозирование доли возвратных товарных потоков по маркам автомобилей

Предложенная методика позволила на основе имеющихся данных по возвратным товарным потокам в сфере обращения легковых автотранспортных средств прогнозировать возможные возвраты на следующий период.

При анализе данных Комитета по защите прав потребителей г. Екатеринбурга установлена взаимосвязь таких критериев, как организационно-правовая форма торгового предприятия (ООО, ЗАО, ОАО, ИП), марка транспортного средства, дата обращения в Комитет. Также установлено, что вид дефекта не связан с данными параметрами, так как транспортное средство любой марки может иметь любые дефекты. Поскольку количество возвратов само по себе не имеет смысловой нагрузки, то следует использовать показатель «Доля возвратных потоков» из расчета количества проданных транспортных средств в соответствующим регионе.

Итак, с помощью описанной методики установлено, что с 2002 по 2008 г. постоянную долю возвратов (претензий) имели «Сйгоеп», «БоЫ», «Нуи^аі, Но^а», «Мії-виЫвЫ», что обусловлено объемом продаж данных марок легковых автотранспортных средств. Тем не менее у таких марок, как «Сйгоеп», «БоЫ» и «Hyundai», в 2008 г. зафиксирована наибольшая доля возвратных потоков - 0,29; 0,139 и 0,06% соответственно.

По результатам анализа можно прогнозировать наличие возвратных товарных потоков и в следующем периоде, но в меньшем объеме.

Источники

1. Терентьев П. А. Классификации и модели логистики возвратных потоков // Логистика сегодня. 2010. № 4.

2. Сток Дж. Р., Ламберт Д. М. Стратегическое управление логистикой : пер. с 4-го англ. изд. М. : ИНФРА-М, 2005.

3. Зуева О. Н. Реверсивная логистика: влияние качества на формирование возвратных товаропотоков. Екатеринбург : Изд-во УрГЭУ, 2007.

4. Продажи новых иномарок на Урале, итоги 2008 - I квартал 2009. Режим доступа: www.expert-ural.com/2-335-7421.

5. Обзор уральского рынка иномарок по итогам 2007 года. Режим доступа: www. expert-ural.com/2-335-4673.

6. Обзор авторынка Урала: итоги 2004 года. Режим доступа: www.expert-ural.com/2-335-4265.

7. Рейтинг автосалонов Урала: итоги 2003 года. Режим доступа: www.expert-ural. com/2-335-4217.