Сезонность в excel это

Сезонность товара — это изменение спроса на него под влиянием времени года, климатических особенностей региона, календарных или профессиональных праздников. Простыми словами, коэффициент сезонности — показатель того, насколько изменился объем продаж товара по сравнению с другими периодами времени. Чаще всего сезонность рассчитывается по месяцам, но при необходимости этот показатель можно рассчитывать и за другие периоды, например, за квартал или за неделю.

Основная особенность показателя в том, что он рассчитывается с учетом влияния именно внешних факторов, изменить которые представители торговой компании не могут. Например, они никак не могут повлиять на рост продаж букетов перед 8 Марта или на полный спад спроса на новогодние елки с 1 января.

Зачем нужен бизнесу коэффициент сезонности

Показатель используется очень широко и помогает торговым компаниям решать сразу несколько задач:

• Формировать заказы для поставщиков/производителей товаров. Зная, что купальники в вашей торговой точке лучше всего покупают в мае, к маю есть смысл заказать больше такого товара.
• Распределять запасы товаров по филиалам. Если в первом филиале продажи в январе растут, а во втором стоят на месте, логичнее большую часть продукции передать в январе следующего года первому филиалу.
• Планировать продажи. Исходя из показателей прошлых периодов, прогнозируются показатели будущих. Это помогает избегать чрезмерного скопления товаров, их дефицита и определять адекватные KPI для продажников.
• Планировать набор линейного персонала. В сезоны высокого спроса торговым компаниям, возможно, понадобится привлекать дополнительных сотрудников. Или же, напротив, снижать количество персонала при временном спаде интереса к товару.
• Дорабатывать маркетинговую стратегию. Видя изменения покупательского поведения можно подобрать наиболее эффективные каналы продвижения и каналы продаж, приостановить или, напротив, активизировать рекламу.
• Составлять маркетинговый план. Торговые компании могут использовать показатель для планирования маркетинговых активностей, которые способны выровнять спрос в периоды спада или, как минимум, не допустить снижения узнаваемости бренда.

Типы сезонности

Все товары, которые продаются в розницу, по зависимости продаж от сезона делятся на три типа.

1. Жесткая сезонность

Это, как правило, праздничные товары. Карнавальные костюмы и гирлянды к Новому Году, плюшевые мишки с сердечками к 14 февраля, а также ранцы и школьная форма. Пик продаж приходится всего на 1-2 месяца в году.

2. Средняя сезонность

К этой группе относятся товары, объемы продаж которых в зависимости от сезона колеблются на 30-50 %. Например, это товары для дачи, сельскохозяйственный инвентарь, товары для пляжного отдыха и товары для ремонта.

3. Низкая сезонность

Фактически можно сказать, что это товары внесезонные — уровень их продаж в зависимости от времени года колеблется всего на 10-15 %. Например, это продукты и детские товары.

Формулы расчета сезонности и где еще можно брать этот коэффициент

Существуют два подхода к расчету показателя, применение которых зависит от периода статистических данных.

Расчет по годовым данным

Это классическая формула, при которой необходимо иметь данные желательно за 3 года и более. Сравнивая показатели одного и того же месяца каждого года, можно получить очень точный коэффициент сезонности.

Для расчета показателя необходимо сначала рассчитать средние продажи за каждый год.

Для этого количество продаж каждого месяца (в единицах товара) суммируется и делится на 12 — количество месяцев в году.

После этого количество продаж за каждый месяц делят на годовой показатель — так получаются ежемесячные сезонные коэффициенты.

Получив значение коэффициента для каждого месяца, можно вывести коэффициент сезонности бизнеса в целом:

Помесячный расчет

Если бизнес молодой и статистики продаж за прошлые годы нет, оперируют помесячными показателями — расчет будет менее точен, однако его тоже можно использовать для прогнозов. Рассчитывается он по формуле:

Или

А еще для расчета показателя можно использовать данные бесплатного сервиса «Яндекс.Вордстат». В сервисе есть возможность посмотреть историю запроса по любому товару за последние 2 года и понять, насколько велики колебания спроса на него в целом по рынку, а не в конкретном магазине.

Как рассчитать коэффициент сезонности в Excel

Расчет показателя рационально выводить в таблице Excel, куда будут заноситься показатели по каждому месяцу.

В этом случае продажи в январе условно принимаются за 100 %, а показатели каждого следующего месяца будут ниже 100 % при спаде покупательского интереса, и выше 100 % — при его росте. Таким образом колебания спроса будут представлены очень наглядно.

Функционал программы Excel позволяет рассчитать и более точный коэффициент сезонности с учетом тренда. Как и в классическом варианте расчета, сначала фиксируется общая сумма продаж за каждый месяц.

После этого с помощью функции «Тенденция» строится линия тренда.

Формула выглядит так:

Специфика в том, что тренд — это не среднее значение, а медианное. Почему медиана предпочтительнее — она всегда покажет сезонность, даже в случае, если среднее значение ее не отразит.

Как рассчитать медиану вручную

Есть последовательность цифр, в нашем случае это 0,7, 0,8, 0,9 и 1,6 (упорядочили цифры по возрастанию).

Берем два числа, наиболее близких к центру — это 0,8 и 0,9. Эти числа складываются и делятся на 2:

Это — медианное значение коэффициента сезонности в нашем примере.

Если количество цифр нечетное, например, 1, 2, 3, 4 и 5, то медианой будет центральное число, в данном случае 3.

Пример классического расчета коэффициента сезонности

Компания продает обувь трех категорий: детскую, мужскую, женскую.

На рынок компания вышла в 2021 году, статистику собирает начиная с 2022 года. Задача компании — рассчитать коэффициент сезонности за февраль 2023 года для каждой из групп товара и для бизнеса в целом.

Поехали:

• Обувь детская: продажи в феврале 2023 года составили 2 000 единиц.
• Обувь женская: продажи в феврале 2023 года составили 1 500 единиц.
• Обувь мужская: продажи в феврале 2023 года составили 800 единиц.

Среднее значение продаж по итогам 2022 года составило 1 200.

Коэффициент сезонности для детской обуви в феврале — 1,66, для женской 1,25 и для мужской — 0,66.

Общий коэффициент сезонности за февраль 2023 года для бизнеса составляет:

Имея такие расчеты за 3 года и более можно строить достаточно точный график сезонности продаж, планировать закупки и количество персонала. А также и акции, которые смогут стимулировать спрос.

Особенности и нюансы расчета

• Чем больше статистических данных — тем точнее результаты. Ведите статистику постоянно и непрерывно, это необходимо для аналитики в товарном бизнесе.
• На спрос могут влиять дополнительные внешние факторы, которые не относятся к сезонности — например, санкции или экономические кризисы. Это следует учитывать при работе с коэффициентом.
• Более рационально рассчитывать коэффициент сезонности не для каждого товара в отдельности, а для объединенной группы товаров — так нивелируется влияние случайных факторов, которые могли бы затормозить или разогнать продажи одного конкретного товара.
• При расчете коэффициента сезонности важно стараться не учитывать внутренние факторы. Так, если товар не завезли и его нет на полке — продажи упадут, но к сезонности это отношения не имеет. Если же этот фактор учесть, то показатель сезонности будет неточным и может привести к ошибкам в планировании закупок будущих периодов.

Коротко о главном

• Коэффициент сезонности — это отражение изменения объемов продаж, связанных с внешними факторами.
• Показатель нужен бизнесу, чтобы планировать продажи будущих периодов, регулировать количество линейного персонала, разрабатывать маркетинговую стратегию и маркетинговый план.
• Для расчета коэффициента сезонности рационально использовать таблицу Excel — функция «Тенденция» поможет найти наиболее точные значения показателя с использованием медианного, а не среднего значения.
• Важно исключить влияние на расчет внутренних факторов компании — распродаж, дефицита из-за ошибок в планировании закупок — того, что в будущем может не повториться.

В прошлой статье мы уже разобрали, что такое временной ряд и функцию тренда. Теперь подробнее разберемся с терминологией и остановимся на одной из моделей временного ряда.

Из чего состоит временной ряд

Уровни временного ряда (Yt) представляют из себя сумму двух компонент:

1. Регулярную составляющую
2. Случайную составляющую

В свою очередь регулярная составляющая состоит из:

1. Тренда
2. Сезонности
3. Циклической составляющей

Однако, в модели необязательно наличие всех этих компонент сразу.

Случайная компонента отражает влияние случайных возмущений на модель, которые по отдельности имеют незначительное воздействие, но суммарно их влияние ощущается.

То есть, в общем случае временной ряд представляет из себя наличие четырех составляющих:

1. Тренд (Tt)
2. Сезонность (St)
3. Цикличность (Ct)
4. Случайные возмущения (Et)

Циклическая компонента, по сравнению с сезонностью, имеет более длительный эффект и меняется от цикла к циклу. Поэтому, ее обычно объединяют с трендом.

Виды моделей временного ряда

Обычно, выделяют две модели временного ряда и третью — смешанную.

1. Аддитивная модель 

2. Мультипликативная модель  

3. Смешанная модель  

При выборе необходимой модели временного ряда смотрят на амплитуду колебаний сезонной составляющей. Если ее колебания относительно постоянны, то выбирают аддитивную модель.  То есть, амплитуда колебаний примерно одинакова:

Если  амплитуда  сезонных  колебаний  возрастает  или  уменьшается,  строят мультипликативную  модель  временного  ряда,  которая  ставит  уровни  ряда в зависимость от значений сезонной компоненты.

Построение этих моделей сводится к расчету тренда (Tt), сезонности (St) и случайных возмущений (Et) для каждого уровня ряда (Yt).

Алгоритм построения модели

1. Выравниваем ряд с помощью скользящей средней, то есть сглаживаем ряд и отфильтровываем высокочастотные колебания.
2. Рассчитываем значение сезонной компоненты St.
3. Рассчитываем значения Tt с использованием полученного уравнения тренда.
4. Используя полученные значения St и Tt, находим прогнозные значения уровней временного ряда.
5. Оцениваем качество модели.

Реализация на практике

Итак, мы имеем на руках данные о продажах за 2016 и 2017 год и хотим спрогнозировать продажи на 2018 год.

Шаг 1

Следуя нашему алгоритму, мы должны сгладить временной ряд. Воспользуемся методом скользящей средней. Видим, что  в каждом году есть большие пики (май-июнь 2016 и апрель 2017), поэтому возьмем период сглаживания пошире, например, месячную динамику, т.е. 12 месяцев.

Удобнее брать период сглаживания в виде нечетного числа, тогда формула для расчета уровней сглаженного ряда:

yi — фактическое значение i-го уровня ряда,

yt — значение скользящей средней в момент времени t,

2p+1 — длина интервала сглаживания.

Но так как мы решили использовать месячную динамику в виде четного числа 12, то данная формула нам не подойдет и мы воспользуемся этой:

Иными словами, мы учитываем половины от крайних уровней ряда в диапазоне, в остальном формула не претерпела больше никаких изменений. Вот ее точный вид для нашей задачи:

Сглаживаем наши уровни ряда и растягиваем формулу вниз:

Сразу можем построить график из известных значений уровня продаж и их сглаженной. Выведем ее уравнение и значение коэффициента детерминации R^2:

В качестве сглаженной я выбрала полином третьей степени, так как он лучше всего описывал уровни временного ряда и имел наибольший R^2.

Шаг 2

Так как мы рассматриваем аддитивную модель вида: 

Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда и значениями скользящей средней St+Et = Yt-Tt, так как Yt и Tt мы уже знаем.

Используем оценки сезонной компоненты (St+Et) для расчета значений сезонной компоненты St. Для этого найдем средние за каждый интервал (по всем годам) оценки сезонной компоненты St.

Средняя оценка сезонной компоненты находится как сумма по столбцу, деленная на количество заполненных строк в этом столбце. В нашем случае оценки сезонной составляющей расположились в строках без пересечений, поэтому сумма по столбцам состоит из одиночных значений, следовательно и среднее будет таким же. Если бы мы располагали периодом побольше, например с 2015, у нас бы добавилась еще одна строка и мы смогли бы полноценно найти среднее, поделив сумму на 2.

В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем интервалам должна быть равна нулю. Поэтому найдя значение случайной составляющей, поделив сумму средних оценок сезонной составляющей на 12, мы вычитаем ее значение из каждой средней оценки и получаем скорректированную сезонную компоненту, St.

Далее, заполняем нашу таблицу значениями сезонной составляющей дублируя ряд каждые 12 месяцев, то есть три раза:

Шаг 3

Теперь рассчитываем значения уровня тренда T(t) по тому уравнению, которое мы получили при построении сглаженного тренда на первом шаге.

T(t) = -23294+34114*t-1593*t^2+26,3*t^3

Вместо t используем значения из столбца Период из соответствующей строки.

Шаг 4

Имея рассчитанные значения S(t) и T(t) мы можем рассчитать прогнозные значения уровней ряда Y(t). Для этого накладываем уровни сезонности на тренд.

Теперь построим график известных значений Y(t) и спрогнозированных за 2018 год.

Вот мы и нашли спрогнозированные значения уровней продаж на 2018 год. Значения отражают возрастающую тенденцию и сезонные пики. Конечно, эти данные не дают 100% точности, ведь существует множество внешних воздействий, которые могут изменить направление тренда, поэтому к прогнозным значениям обычно строят доверительный интервал, это такой коридор, внутри которого могут колебаться прогнозные значения с заданной вероятностью (чаще всего выбирают 95%). Но об этом я расскажу в следующей статье.

Шаг 5

Осталось оценить точность модели. Для этого будем использовать среднюю ошибку аппроксимации, которая поможет рассчитать ошибку в относительном выражении. Иными словами, это среднее отклонение расчетных значений от фактических, которое вычисляется по формуле:

yi — спрогнозированные уровни ряда,

yi* — фактические уровни ряда,

n — количество складываемых элементов.

Модель может считаться адекватной, если:

Итак, рассчитываем ошибку аппроксимации для нашего случая. Так как в основе нашего тренда лежит полином третьей степени, прогнозные значения начинают хорошо повторять фактические значения к концу 2016 года, думаю, я думаю, поэтому корректнее было бы рассчитать ошибку аппроксимации для значений 2017 года.

Сложив весь столбец с ошибками аппроксимации и поделив на 12, получаем среднюю ошибку аппроксимации 4,13%. Это значение меньше 15% и можем сделать вывод об адекватности модели.

Не забывайте, что прогнозы не бывают точными на 100%. Любые неожиданные внешние воздействия могут развернуть значения уровней ряда в неизвестном направлении 🙂

Полезные ссылки:

• Ссылка на пример Google Sheets
• Построение функции тренда в Excel. Быстрый прогноз без учета сезонности
• Бывшев В.А. Эконометрика

Главной целью десезонализации данных является прогнозирование тренда объема продаж в будущем. Десезонализированные данные и функция ПРЕДСКАЗ, которая их обрабатывает, вместе поставляют необходимую информацию для прогнозирования объема реализации на целый следующий год.

Пример формул таблицы для анализа прогноза продаж в Excel

Ниже на рисунке представлены исходные данные. Допустим по этим данным необходимо составить прогноз продаж на 2020-й год, не смотря на то что собранные статистические данные заканчиваются в декабре 2019-го года. Первым шагом является использование функции ПРЕДСКАЗ и расширение десезонализированных данных на очередные 12 месяцев. Формулы в таблицах:

1. Расчет коэффициента сезонности для каждого месяца в году:



2. Расчет десезонализации на основе коэффициентов:



3. Формула для прогнозирования показателей реализации в январе 2020-го года находится в том же столбце в ячейке C26 и выглядит следующим образом:



4. Формула прогноза сезонности на 2020-й год:

Для прогнозирования будущих значений функция ПРЕДСКАЗ использует метод линейной регрессии. Функция содержит 3 аргумента:

1. X – в данном аргументе будет указан месяц, для которого следует получить текущее прогнозируемое значение.
2. Известные значения y – аргумент содержит десезонализированные данные столбца C.
3. Известные значения x – здесь указаны месяца соответствующие данным по продажам в столбце A.

После создания с помощью функции ПРЕДСКАЗ прогнозируемых значений для всех месяцев следует восстановить сезонность данных, применяя коэффициенты в таблице, показанной на последнем рисунке выше.



График прогноза продаж с учетом сезонности

В результате всех вычислений и полученных данных можно составить график прогноза продаж с учетом сезонности в будущем году:

Скачать прогноз продаж с учетом сезонности в Excel

Восстановление данных сезонности основано на разделении их на коэффициент. В этом случае выполняется обратная операция: данные умножаются на коэффициент. Так как статистические данные указывают нам на то, что продажи в январе месяце составляют 53% от среднего показателя, прогнозируемое значение умножается на коэффициент 53% и в такой способ вычисляется прогноз продаж для января. Ниже на рисунке представлен график с прогнозируемыми данными.

Читайте начало статьи: Пример формулы для расчета десезонализации продаж в Excel

После восстановления показателей сезонности заметный прогнозируемый активный рост во втором квартале.