Введение
Анализ структуры спроса (Demand Pattern Analysis) – это аналитический процесс, позволяющий определить, к какому типу относится временной ряд продаж конкретного SKU или группы товаров. Понимание паттерна спроса критично для выбора правильного метода прогнозирования: метод, идеальный для стабильного спроса, может катастрофически ошибаться для прерывистого (intermittent) спроса. В управлении цепочками поставок анализ паттернов – обязательный предварительный шаг перед выбором модели прогнозирования.
История и контекст
Классификация паттернов спроса восходит к работам Кроутона и Уэббера (Croston, 1972), предложивших специальный метод для прерывистого спроса. Позднее Syntetos и Boylan (2001, 2005) разработали расширенную классификацию, используя два параметра: среднеквадратичное отклонение интервала между заказами (ADI – Average Demand Interval) и коэффициент вариации размера заказа (CV²). Эта классификация Syntetos-Boylan стала стандартом в академической литературе и ERP/SCM-системах.
Как это работает
Основные типы паттернов спроса:
- Smooth (гладкий) – регулярный, стабильный спрос. CV² мало, ADI мало. Подходит классическое экспоненциальное сглаживание.
- Erratic (нерегулярный) – спрос присутствует регулярно, но объёмы сильно варьируются. CV² велико, ADI мало. Требует робастных методов.
- Intermittent (прерывистый) – спрос есть не каждый период, но когда есть – объём стабилен. CV² мало, ADI велико. Метод Кростона.
- Lumpy (комковатый) – редкий и нестабильный. CV² велико, ADI велико. Наиболее сложный тип; часто требует экспертных методов.
- Seasonal (сезонный) – систематические колебания в зависимости от периода. Holt-Winters или SARIMA.
- Trending (трендовый) – устойчивый рост или снижение. Линейная модель Холта.
Помимо этой классификации, широко применяется ABC-XYZ анализ: ABC ранжирует позиции по вкладу в выручку, XYZ – по стабильности спроса.
Где применяется
- Планирование запасов в ритейле и на производстве.
- Выбор метода прогнозирования в SCM/ERP-системах.
- Сегментация ассортимента в категорийном менеджменте.
- Определение буферных уровней в DDMRP.
Преимущества и ограничения
Преимущества: правильный выбор метода прогнозирования снижает ошибку на 30–50%; автоматизация классификации позволяет обрабатывать тысячи SKU; обоснование дифференцированных политик запасов для разных паттернов.
Ограничения: паттерн может меняться во времени (например, при выводе нового продукта); статистические методы классификации требуют достаточной истории данных (≥24 периода); жизненный цикл продукта усложняет классификацию.
Связь с другими понятиями
Анализ паттернов спроса является предварительным этапом для прогнозирования спроса (demand forecasting) и входным параметром для DDMRP. Репозиторий Demand Signal Repository (DSR) хранит исходные данные для анализа паттернов. В контексте BI это задача дескриптивной аналитики.
