CC BY
73
можность производителям редкоземельных металлов занять выгодную рыночную нишу и обеспечить потребности покупателей в редкоземельных металлах.
Автор выражает благодарность научному руководителю - члену корр. РАН, д.т.н., профессору, зав. кафедрой Логистики ресурсосбережения и экономической информатики Мешалкину Валерию Павловичу.
Библиографический список
1. Мешалкин В.П., Дови’ В, Марсанич А. Стратегия управления цепями поставок химической продукции и устойчивое развитие. - М.: РХТУ им. Д.И. Менделеева, 2003. - 542с.
2. Косынкин В.Д., Глебов В.А. Возрождение российского производства редкоземельных металлов - важнейшая задача отечественной экономики // Пленарный доклад на III Международной конференции «Функциональные наноматериалы и высокочистые вещества». - Суздаль, 4-8 октября 2010 г.
3. Мазуров А.К. Введение в специальность: Геологическая съемка, поиски и разведка месторождений полезных ископаемых: учебное пособие / А.К. Мазуров. -Томск: Изд-во Томского политехнического университета, 2009. - 146 с.
УДК 004.9:658
М.Е. Ермакова, Г.В. Заходякин
Российский химико-технологический университет им. Д.И. Менделеева, Москва, Россия
СОЗДАНИЕ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ СПРОСА ДЛЯ МНОГОАССОРТИМЕНТНОГО ПРОИЗВОДСТВА
Исследованы различные модели прогнозирования спроса. Выбраны оптимальные модели для прогнозирования спроса на многоассортиментном производстве. Разработана структура базы данных для хранения исходных данных для прогноза спроса, а также результатов прогноза. На базе аналитической платформы Deductor Academic Studio созданы сценарии для загрузки данных в разработанную базу и сценарий для автоматизированного прогнозирования спроса на многоассортиментном производстве.
Different models of demand forecasting were explored. The optimal models for forecasting the demand for multiproduct manufacturing was chosen. The structure of a database to store the input data for the demand forecasting and the results of forecasting have been developed. The scripts for uploading data into developed database and for automated demand forecasting for multiproduct manufacture on the basis of the analytical platform Deductor Academic Studio 5.3 have been created.
На сегодняшний день прогнозирование спроса является одной из самых востребованных задач бизнес-аналитики. На основании прогноза спроса производственные предприятия оптимизируют закупки сырья, материалов, составляют производственный план, планируют использование складских мощностей и т.п.
----------------------------- 46 -----------------------------
Очевидно, что прогноз должен быть наиболее точным. На многоассортиментных производствах для качественного прогнозирования спроса необходимо обрабатывать огромные массивы данных. Поэтому для уменьшения человеческого фактора и получения более аккуратного и точного прогноза спроса необходимо использовать специальные программные решения для прогнозирования. В данной работе была создана автоматизированная система для прогнозирования спроса на базе аналитической платформы Deductor Academic Studio 5.3.
Входными данными для процесса прогнозирования спроса являются данные о продажах прошлых периодов (исторические данные), опыт маркетологов и данные о планируемых маркетинговых активностях. Эти входные данные могут противоречить друг другу. По результатам обработки данных исторических периодов получится одна прогнозная цифра, по опыту торгового маркетинга другая, а в случае запланированных маркетинговых активностей может получиться третья цифра. Процесс выбора оптимальной прогнозной цифры предлагается осуществлять назначением весовых коэффициентов каждому из каналов входных данных. Ресурсами данного процесса являются сотрудники отдела планирования и инструмент для прогнозирования спроса. Управляющими воздействиями процесса являются: модель прогнозирования спроса, весовые коэффициенты влияния различных входных данных и количество исторических периодов, используемых для прогноза. В зависимости от назначенных весовых коэффициентов каналам входных данных автоматически выбирается наиболее оптимальный вариант прогноза. От выбранного количества исторических периодов, на основе которых делается прогноз, зависит точность прогноза. При использовании недостаточных или избыточных данных точность прогноза будет ниже. От выбранной модели прогнозирования спроса также будет зависеть точность прогноза. Выход у данного процесса один - прогноз спроса. Данный прогноз загружается в информационную систему компании и используется заинтересованными сторонами.
Продукция, производимая на рассматриваемом предприятии, подразделяется на товарные семьи (brand family - BF). Товарные семьи содержат несколько товарных наименований (brand variant - BV), а каждое товарное наименование может содержать несколько продуктовых единиц (SKU). Вторичная цепь поставок рассматриваемого предприятия содержит 2 фабричных и 11 региональных складов. Производимая продукция с фабрик поступает на фабричные склады, с фабричных складов развозится на региональные, и уже оттуда продается потребителю. Прогнозирование спроса на данном предприятии необходимо для обеспечения необходимого уровня товарного запаса на складах, для планирования поставок готовой продукции на склады, для планирования производства (планирования ---------------------------- 47 ---------------------------
использования производственных мощностей) и для планирования закупки и поставки сырья и материалов.
Для процесса прогнозирования нами создана структура хранилища данных, представленная на рис. 1.
Созданная структура хранилища данных отображает процесс «Продажа товара», данный процесс соединяет в себе пять таблиц: таблица «Склад» (наименования складов, с которых осуществляются продажи), таблица «Дата» (включает в себя все даты, в которые осуществлялись продажи), таблица «Товарная семья» (список всех товарных семей), таблица «Товарное наименование» (список всех товарных наименований) и таблица «Код продукта» (список всех продуктовых единиц). Последние три таблицы связаны между собой иерархической связью - каждая продуктовая единица относится к определенному товарном наименованию, каждое товарное наименование - к товарной семье. Нами разработан сценарий для загрузки данных в хранилище, а также определен способ контроля противоречивости данных. В данном случае предлагается контролировать непротиворечивость данных по двум позициям - Склад и Дата. При загрузке в хранилище данных о продажах, совпадающих с уже существующими по номеру склада и дате продажи, предыдущие данные заменяются на вновь введенные. Таким образом, всегда можно заменить некорректно введенные данные загрузкой корректных данных, а также избежать введения дублирующихся значений.
В разработанном нами сценарии обработки данных о продажах предыдущих периодов с целью получения прогноза продаж следующих периодов горизонт прогнозирования составляет 12 периодов (3 месяца) и может изменяться в зависимости от целей, для которых выполняется прогноз. Структурно сценарий для процесса прогнозирования можно представить так, как показано на рис. 2.
Товарное
Дата
Рис. 1. Структура Deductor Warehouse
Рис. 2. Структура процесса прогнозирования спроса
Из хранилища данных отбираются данные о продажах предыдущих периодов (количество предыдущих периодов определяется автоматически, в зависимости от продукта и модели прогнозирования). Данные группируются по определенным признакам. Опытным путем было определено, что похожие тенденции продаж имеют продукты с похожими потребительскими свойствами. Все продукты разбиваются на группы с похожими тенденциями продаж, и далее прогнозирование ведется не для каждого отдельного продукта, а для группы товаров. Следующим шагом прогнозирования является применение различных моделей прогнозирования для выбранной группы товаров. В разработанном сценарии предусмотрено применение 10 различных моделей прогнозирования: модель простого экспоненциального сглаживания, модель двойного экспоненциального сглаживания, модель тройного экспоненциального сглаживания, четыре вида линейных регрессий (с учетом различных предыдущих периодов), аддитивная модель, мультипликативная модель и нейросеть.
Выбор наиболее оптимальной модели прогнозирования определяется при помощи сравнений расчетных ошибок прогноза:
МАРЕ - |у(0~Я01 * 100% (1)
у(Г) 4 '
МАЕ = ^=г\У (О-У (1)\(2)
где MAPE - средняя абсолютная ошибка в процентах и MAE - средняя абсолютная ошибка. Критерием выбора модели является минимальное значение расчетной ошибки прогноза.
После выбора модели осуществляется процесс прогнозирования на заданный горизонт. После получения прогноза выполняется разгруппировка. Таким образом, получается прогноз продаж будущих периодов для каждого товара выбранной группы. Данный прогноз заносится в хранилище данных. Итоговые данные прогноза можно посмотреть как в виде таблицы (числовые значения), так и в виде диаграммы (рис. 3).
6 500 6 000 5 500 5 000 4 500 4 000 3 500 3 000 2 500 2 000 1 500 1 000 500
03.01.2011 14.03.2011 23.05.2011 08 08.2011 17 10.2011 02.01.2012 12.03.2012 28.05.2012 13.08.2012 19.11.2012 11 02 2013
Date (Год + Неделя)
W — Количество | Сумма _р ^^^^<оличес^^^умм^Прото^
Рис.3. Пример графического изображения результатов прогноза
Расчетная аккуратность прогнозирования в созданной системе составляет от 85,4 до 98,9% в зависимости от выбранной группы товаров (связано вариацией спроса и количеством имеющихся данных исторических периодов).
Таким образом, на базе аналитической платформы Deductor Studio 5.3 разработан сценарий для автоматизированного прогнозирования спроса на многоассортиментном производстве. Для прогнозирования спроса необходимы данные о продажах предыдущих периодов. Минимальная история продаж составляет 1 год - для определения сезонных колебаний в течение года. Полученные данные прогноза позволят оптимизировать поставки сырья и материалов, использование производственных и складских мощностей и распределительную логистику. Кроме того, прогноз спроса позволит минимизировать затраты компании, связанные с упущенной выгодой из-за нехватки товара на складах или, наоборот, со списанием неликвидного товара.
Библиографический список
1. Тихонов Э.Е. Методы прогнозирования в условиях рынка: учебное пособие. - Невинномысск, 2006. - 221 с.
2. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям: учебное пособие. 2-е изд., перераб. и доп. СПб.: Питер, 2010. 704 с., ил.
УДК 004.9:658
Л.С. Томенко, Г.В. Заходякин
Российский химико-технологический университет им. Д.И. Менделеева, Москва, Россия
АНАЛИЗ ВОЗВРАТНОЙ ЦЕПИ ПОСТАВОК ПРЕДПРЯТЙ ПО ПЕРЕРАБОТКЕ ИЗНОШЕННЫХ АВТОМОБИЛЬНЫХ ШИН С
ИСПОЛЬЗОВАНИЕМ АГЕНТНОГО МОДЕЛИРОВАНИЯ
Исследована возвратная логистика по сбору и переработке изношенных шин. Разработана цепь поставок по сбору и переработке изношенных шин. Разработана имитационная модель на основе агентного моделирования в AnyLogic.
The reverse logistics for the collection and recycling of wom tyres has been investigated. The supply chain for the collection and recycling of wom tyres has been developed. The simulation model on the base of the agent-based modeling in AnyLogic.
Переработка изношенных шин - самая актуальная проблема, из числа поставленных международным автомобилестроением перед населением планеты. Проблема утилизации и переработки изношенных шин имеет существенное экономическое значение, поскольку потребности хозяйства в природных ресурсах непрерывно растут, а их стоимость постоянно повышается.
В целом сбор изношенных шин представляет собой следующую ситуацию. Владельцы автомобилей привозят изношенные шины в магазин шин, где их заменяют на новые. После того как в магазине накопилось определенное количество шин, они вывозятся из магазина. В зависимости от экономических условий изношенные шины могут восстанавливаться, перерабатываться в энергию, перерабатываться в новый продукт или могут быть захоронены.
Шины считаются изношенными, когда протектор (наружный слой резины), находящийся в непосредственном контакте с поверхностью дороги, изнашивается. Если кожух, который является внутренней конструкцией шины, все еще находится в пригодном для работы состоянии, то происходит процесс замены изношенного протектора новым при повторном использовании корпуса. Восстановленные ---------------------------- 51 ----------------------------
