Сбор данных (измерение). Притом что выбор переменных с самого начала был очевиден, источники информации об объеме текущих заказов достаточно разнообразны и каждый из них следовало оценить с точки зрения соответствия потребностям модели. Например, Cisco группирует заказы потребителей по отраслям, емкости потребительских сегментов, регионам и фактическому объему поставок отдельным потребителям. Эти показатели не всегда соответствуют друг другу. К счастью, группировка продаж по всем возможным критериям уже содержалась в имеющейся базе данных компании. Тем не менее группе аналитиков под руководством Робинсон предстояло разработать несколько новых показателей удовлетворения спроса по категориям потребителей, что могло бы стимулировать ориентацию на потребителя во всей цепи поставок Cisco.
Анализ данных. Статистическое прогнозирование на выходе дает прогнозируемый уровень спроса с доверительным интервалом для каждого уровня. Например, спрос на конкретную модель роутера в месяц по прогнозу составит от 3 до 3,5 тысячи единиц с 95-процентной вероятностью попадания в этот интервал. Гибкий подход к разработке модели включает ряд шагов, на выполнение каждого из которых требуется два-три месяца, чтобы удостовериться в работоспособности модели и в том, что ее можно масштабировать в соответствии с количеством и разнообразием продуктов Cisco. Некоторые из этих шагов включают выполнение следующих операций:
• выбор программного продукта, удовлетворяющего требованиям (Cisco выбрала SAS Forecast Server с поддержкой функции сборного прогноза);
• оценка вероятности того, что статистическая модель представит более надежный результат, чем согласованный прогноз аналитиков, и проверка этого утверждения;
• настройка моделей с целью повышения точности прогнозов;
• оценка возможности охвата номенклатуры с тысячами позиций, относящихся к трем сотням линий, в рамках данного метода прогнозирования (это возможно);
• автоматизация модели (процедура ручного расчета будет слишком трудоемкой, но в случае необходимости менеджеры и эксперты смогут это сделать).
На каждом шаге предусмотрен контроль со стороны сотрудников, заинтересованных в результатах анализа, что увеличивает их вовлеченность в реализацию нового подхода.
Результаты и необходимые меры. В настоящее время методом статистического прогнозирования еженедельно готовится прогноз спроса по более чем 18 тысячам позиций номенклатуры на 24 месяца вперед. В результате сочетания статистического и согласованного прогноза его точность повысилась в среднем на 12 процентов. По словам Кевина Харрингтона, проект оказался очень успешным:
Результатами проекта стали повышение точности прогноза, рост оборачиваемости запасов и общее повышение согласованности спроса на продукты и их поставки, что привело к сокращению избыточных складских запасов и более быстрому, надежному обслуживанию как Cisco, так и ее потребителей. В худшие времена недавнего финансового кризиса Cisco получила возможность сократить объем складских запасов в сбытовой цепи, не прибегая к их уценке или ухудшению качества обслуживания. В настоящее время наши эксперты по статистическому прогнозированию работают над дальнейшим совершенствованием модели в условиях роста спроса в результате глобального экономического оживления[117].
В дополнение к результатам, описанным Харрингтоном, Энн Робинсон отмечает, что теперь менеджеры компании уверенно используют показатели уровня спроса и вероятности для характеристики спроса. Они привыкли использовать интервалы возможных значений спроса в противоположность одному прогнозному показателю и упоминают о них на любом важном совещании. Коротко говоря, культура прогнозирования в Cisco резко изменилась в направлении перехода на аналитическую основу.
На всем протяжении проекта Робинсон пыталась вовлечь всех занимающихся прогнозированием сотрудников в новый аналитический процесс. Она провела интенсивный мозговой штурм с участием заинтересованных в получении прогноза, чтобы идентифицировать новые показатели, ориентированные на потребителя. Она устраивала панельные дискуссии с более широкой аудиторией, разрабатывала «дорожные карты» реализации проекта для отдельных групп, а также много раз проводила презентацию «Прогнозирование 101» (Forecasting 101). Для нее разрабатывалось визуальное представление результатов, полученных благодаря функционирующей модели, а сотрудникам предлагалось на их основе «рассказать их собственную историю» о данных. Робинсон наладила тесное сотрудничество с IT-отделением Cisco и отметила, что иногда сложно было найти отличия в заданиях ее группы и IT-отделения.
Пример аналитического мышления: оптимизация сбытового персонала в компании Merck
Определение оптимальной численности сбытового персонала в ведущей фармацевтической компании наподобие Merck – сложная аналитическая задача. Регулярно появляются новые продукты, стимулируя спрос и одновременно потребность в сбытовом персонале; столь же регулярно заканчивается срок действия патентов на выпускаемые продукты, что приводит к сокращению потребности в сбытовом персонале. Для новых продуктов данных об объемах продаж за прошлые периоды не существует, поэтому методов надежного прогнозирования будущей потребности в сбытовом персонале нет.
Многие фармацевтические компании нанимают внешних консультантов для решения этой задачи. Однако когда количественный аналитик Пол Каллукаран, имеющий опыт анализа данных по объемам продаж в фармацевтических компаниях, пришел на работу в отдел коммерческой аналитики, топ-менеджеры компании решили, что пора провести анализ численности сбытового персонала собственными силами.
Определение и формулирование проблемы. Какой должна быть оптимальная численность сбытового персонала при наличии лекарств с истекшим сроком действия патента и новых лекарств, только что выведенных на рынок? Сбытовой персонал сгруппирован по регионам и брендам продуктов. Поэтому задача усложняется тем, что нужно определить его численность не в целом, а в разрезе регионов и брендов.
Изучение предыдущих поисков решения. Если вспомнить о предлагаемых консалтинговыми фирмами услугах, то понятно, что кое-какая литература по теме исследования имеется. На предыдущей работе Каллукаран занимался немного иными проблемами, но интересовался тем, как разные компании решают этот вопрос. Однако по большей части методика анализа оставалась за кулисами презентаций, поскольку последние были рассчитаны на восприятие маркетологов и специалистов по продажам. Каллукарану и начальнику отдела коммерческой аналитики Патрику Муру такой подход категорически не нравился. В прошлом разные отделения Merck приглашали консультантов, а те использовали свои методы прогнозирования численности сбытового персонала; на этот раз впервые предпринималась попытка выработать централизованный подход к решению этой проблемы.
Моделирование (выбор переменных). Каллукаран решил использовать несколько методов для расчета оптимальной численности сбытового персонала. В дополнение к традиционному использованию статистических моделей он и его команда решили внимательнее присмотреться к процессу обслуживания отдельного покупателя. Они расспрашивали сбытовых агентов об их работе с покупателями-врачами, пытаясь оценить объем нагрузки для одного такого потребителя. Они также рассчитывали прогнозы по различным продуктам и разрабатывали нелинейные модели откликов продвижения сбытового персонала и возможных изменений в составе прописываемых врачами лекарств. Они анализировали воздействие связанных со сбытовым персоналом факторов, способных повлиять на модель поведения врачей в отношении выписываемых лекарств в противоположность всем остальным факторам (привычки, бренд лекарственных средств, давление со стороны пациентов). Аналитики рассматривали данные на уровне пациентов, чтобы понять причины их приверженности тем или иным лекарствам. Эти данные говорили и о том, что многие пациенты с течением времени прекращают или уменьшают прием прописанных лекарств, что существенно влияет на объем их продаж в долгосрочной перспективе. Наконец, они разработали комплексную оптимизационную модель, способную оптимизировать ресурсы на обслуживание отдельного врача, продукта и каждого из сотен регионов, где продавались лекарства.
