Оптимизация текущих прогнозных

моделей в SAP MM
pro Альтавилла Гаэтано Алтавилла Гаэтано | 13 апреля 2014

SAP эксперт/SCM

Из этой статьи Вы узнаете как повысить точность модели прогноза в SAP MM (Materials

Management - Управление материальными потоками). Эта альтернативная стратегия

предполагает сочетание прогнозных моделей с присвоением веса каждой отдельной

модели прогноза. Идея, на которой строится комбинация прогнозных моделей, состоит в

том, что ни одна прогнозная модель не может всецело охватить все возможные ситуации.

Для продвижения прогнозирования на новый уровень, Вы можете использовать этот

улучшенный подход для бизнеса любой отрасли с помощью стандартных инструментов

SAP.

Ключевая идея

Тренды могут быть детерминированными и стохастическими. Детерминированный компонент

определяет точную взаимосвязь между переменными при прогнозировании тенденции. Ему

противоположный - стохастический компонент, который представляет собой набор случайных

переменных и, часто, набор случайных значений в течение периода времени.

В SAP MM ( Materials Management - Управление материальными потоками) имеются следующие

модели прогнозирования: устойчивая модель (Constant), средняя скользящая (Moving Average),

средняя скользящая взвешенная (Weighted Moving Average), трендовая (Trend), сезонная (Seasonal),

сезонно-трендовая (Seasonal Trend). На своем опыте мы убедились, что ни одна из моделей не

может полностью подойти для прогнозирования в реальных условиях. Мы обнаружили, что на

основе сочетания моделей можно сделать более точный прогноз и, следовательно, улучшить

процесс принятия решения.

Для определения объема закупок в будущем, компания может использовать подход смешанной

модели прогнозирования ( Combined Forecast Model (CFM)); этот подход представляет собой

улучшение стандартных методов прогнозирования, доступных в модуле MM.   CFM (смешанная

модель прогнозирования) может быть использована с помощью программы RMPR1001. Условиями

для запуска программы являются: использование модуля MM и подмодуля управление запасами

( inventory management, IM ). А также использование двух модулей: финансовая бухгалтерия (FI -

nancial accounting)  и сбыт (SD - sales and distribution).

Мы поясним математический анализ, лежащий в основе прогнозных моделей SAP, в также

сочетание прогнозов и присвоение определенного веса результату каждого из них. После

пояснения оценки точности прогноза, мы покажем процесс выбора прогнозной модели и её

исполнение, что предполагает подготовку основных данных. Затем, мы покажем Вам как

импортировать прогнозные значения. Этот шаг включает просмотр прогнозных значений в

основных данных материала и построение списка потребностей запасов. В заключении, мы

поясним как выполнить прогон ППМ.

Для обоснования нашей точки зрения, мы оценивали точность прогнозных сценариев в течение

12-месячного периода с использованием комбинированной и взвешенной прогнозных моделей.

Для ознакомление с базовыми понятиями о прогнозировании, см. заметку “Understanding SAP

Forecasting Models.” ( прим.переводчика - перевод статьи доступен по адресу

http://sapland.ru/articles/spj/2013/5/obzor-prognoznih-modelei-sap-2.html).

Комбинирование прогнозных моделей

Эффективность прогнозирования определенной модели зависит от времени. Это означает, что

выбор оптимальной модели прогнозирования (где оптимальность можно измерить с помощью

определенного статистического показателя) зависит от набора информации, спецификации

модели и периода выборки. Комбинирование методов может компенсировать недостатки каждой

из моделей при определенных обстоятельствах, так как эти "недостатки" будут устраняться с

помощью эффективности прогнозирования альтернативных моделей во временном интервале.

Примечание

Хотя существует общее понимание, что соответствующие комбинации отдельных

прогнозов часто повышают точность прогнозирования, в литературе не сложилось

понимания, каков должен быть вес результата каждой модели при применении

смешанного подхода. Имеются доказательства, что применение равного веса ( EW -

equal weight ) при комбинировании моделей прогнозирования приводит к наиболее

точному результату. Мы предлагаем простое комбинирование, при котором вес

каждой модели равен 1/k (где k - это количество альтернативных моделей при

прогнозировании). Некоторые исследования показали, что комбинирование моделей

с одинаковым взвешиванием является достаточно успешным в сравнении с другими

подходами к назначению веса каждой модели.

Оценка точности прогнозирования

Наш эксперимент состоит из прогнозирования с помощью 6 альтернативных моделей и оценки

относительной эффективности их прогноза по критерию точности. Мы использовали следующие

модели: устойчивая модель со случайным блужданием, устойчивая модель, сезонно-трендовая

модель, трендовая модель, сезонная модель, комбинированная равновзвешенная

(прим.переводчика - с применением равного веса для каждой модели, EW - equal weight )

прогнозная модель. Мы использовали два стандартных критерия для оценки их точности: средняя

абсолютная ошибка ( MAE - mean absolute error) и среднеквадратичная ошибка прогнозирования

( RMSPE - root-mean-squared prediction error). А именно, эти показатели (MAE и RMSPE) мы

рассчитывали для оценки, насколько близко был прогноз к фактическим данным по формулам,

показанным на рисунке 1.

Рисунок 1 Формула для расчета точности прогнозирования

В таблице 1 показаны относительные значения MAE и RMSPE каждой из выбранных моделей по

отношению к равновзвешенной модели (EW model). Чем ниже показатель, тем менее ошибочной

является комбинированная равновзвешенная модель и, следовательно, комбинированная модель

является более точной. Согласно данным 2ух показателей, равновзвешенная модель является

наиболее эффективной по критерию точности.

Таблица 1 Сравнение моделей прогнозирования

В последней колонке таблицы показан процент улучшения при использовании равновзвешенной

модели по отношению к отдельной модели. Например, использование равных весов вместо модели

случайного блуждания повышает точность более чем на 6% в соответствии с показателем RMSPE.

Мы сделали вывод, что использование комбинированной модели с равными весами улучшит

процесс принятия решения при потреблении материала в будущем.

Для использования подобной комбинированной модели в системе SAP, мы загрузили прогнозные

данные в стандартную SAP-программу. Подробнее о данной программе и необходимых шагах для

адаптации прогнозных данных пояснено в части "Импорт прогнозных данных". Однако, мы хотели

бы сделать вводное пояснение по методам планирования, которые можно рассматривать как

регулируемое расходом планирование потребности (англ. CBP - Consumption-Based Planning) в

MM, а также пояснить важные детали, которые влияют на точность планирования в основной

записи материала.

Выбор и использование модели прогноза в SAP MM

Выбор и использование прогнозной модели или моделей в SAP MM, являющихся наиболее

подходящими для процедуры планирования, основанной на прогнозе, является важным шагом. Для

начала необходимо подготовить основную запись материла и, затем, создать ракурсы

планирования (MRP).

Подготовка основной записи материала

Вы можете выбрать модель прогноза для комбинации материал/завод, создав ракурс "Прогноз" в

основной записи материала с помощью транзакции MM01 или с помощью меню: меню SAP ->

Логистика ->Управление материальными потоками -> Основные записи материалов ->

Материал -> Создать в общем-> MM01 - Немедленно . После ввода кода материала (в моем

примере - MRP002) и завода (в моем примере - 1000 ), а затем выбора ракурса "Прогноз", система

покажет экран, представленный на рисунке 2.

Рисунок 2 Ракурс "Прогноз"

Заметим, что в нашем примере, как показано на рисунке 2, мы выбрали опцию N в качества

прогнозной модели, тем самым назначив внешнюю модель (чтобы мы могли улучшить доступные

стандартные модели системы).

В таблице 2 дано описание полей, которые необходимо заполнить для определения параметров

прогнозной модели, подходящей под Ваши нужды.

Таблица 2 Пояснение параметров SAP при определении модели прогнозирования
После ввода нужных данных, Вам нужно указать данные по расходу. Заметим, что система

автоматически обновляет эти значения, основываясь на данных модуля IM ( Inventory

Management - Управление запасами). На рисунке 3 показаны данные по расходу как введенные

вручную так и обновленные системой.

Рисунок 3 Данные расхода

На заметку

Для создания значений по умолчанию независимо от основной записи материала и

ускорения ввода данных и улучшения управления данными, установите профиль

прогноза. Определите нижеуказанные значения:

Заполняемые поля при создании прогнозного ракурса в ОЗМ;

Значения, допустимые в этих полях;

 Значения, которые могут быть перезаписаны и которые не могут быть

перезаписаны.

Для создания профиля планирования, используйте транзакцию настройки MP80 или проследуйте

по пути меню: меню SAP -> Логистика ->Управление материальными потоками -> Основные

записи материалов -> Профиль -> Профиль прогноза -> MP80 - Создать.

Для того, чтобы новые прогнозные методы использовались при прогнозе материала, Вам нужно

указать значение VV в поле тип ППМ в ракурсе "ППМ 1" (Рисунок 4).

Рисунок 4 Ракурс "ППМ 1"

Ракурсы ППМ
Используя стандартные средства SAP, Вам необходимо создать 3 ракурса ППМ для комбинации

материал/завод. Для создания ракурсов ППМ, используйте транзакцию MM01 или проследуйте по

пути меню меню SAP -> Логистика ->Управление материальными потоками -> Основные записи

материалов -> Материал -> Создать в общем -> MM01 - Немедленно . Введите номер материала,

обозначьте завод, и укажите параметры для процедуры ППМ на первом ракурсе ППМ, как показано

на рисунке 4.

Затем, укажите нужные значения в ракурсе ППМ 2 (в частности, вид заготовки должен быть

установлен как F, заготовка на стороне, а также данные по страховому запасу). В ракурсе ППМ 3

среди параметров планирования Вы можете указать код периода для расчета прогнозных значений

и данные по проверке доступности (показано на рисунках 5 и 6).

Рисунок 5 Ракурс ППМ 2

Рисунок 6 Ракурс ППМ 3

На данном шаге Вы полностью закончили ведение основной записи материала.

Импорт прогнозных данных

Прогнозные данные в общем случае рассчитываются системой в процессе прогнозирования и

затем обновляются в основной записи материала. Однако, Вы можете вручную ввести прогнозные

данные, что может служить основной при прогоне планирования, или импортировать эти данные

из старой системы или внешней системы. Для импорта прогнозных данных в основную запись

материала из старой системы или другой внешней системы, проделайте следующие шаги:

Шаг1. Для запуска стандартной программы RMPR1001, запустите транзакцию SE38 (обычно данная

программа запускает в фоновом режиме). Вы можете использовать программу RMPR1001 для

загрузки прогнозных значений из внешних систем в SAP-систему. Имеются экзиты для RMPR1001

для удовлетворения специфичных бизнес-требований.

Примечание

Перед запуском программы RMPR1001, Вам нужно указать в ракурсе "Прогноз"

основной записи материала в качестве модели значение N - Без прогноза/Внешняя

модель (Рисунок 2).

На рисунке 7 показаны две опции для метода для адаптации внешнего прогноза. Я буду

использовать опцию T для тестирования результатов прогноза, но Вам нужно использовать опцию

U.

Рисунок 7 Опции выбора

На рисунке 8 показаны подробные данные для ввода. Индикатор M определяет период, в котором

ведутся значения расхода и прогноза. В данном случае период времени (англ. bucket )

соответствует месяцу.
Рисунок 8 Селекционный экран программы RMPR1001

Шаг2. Нажмите ENTER и система представит подробные данные в виде списка, как показано на

рисунке 9.

Рисунок 9 Прогнозные значения, полученные с помощью CFM (Combining Forecast Method -

Комбинированные методы прогнозирования)

Шаг3. Нажмите кнопку "Применить" (Adopt); в результате система подтвердит перенос прогнозных

значений, как показано на рисунке 10.

Рисунок 10 Подтверждение переноса прогноза

Шаг4. Нажмите ENTER. На рисунке 11 показаны подробные данные прогноза, которые взяты из

внешней системы.

Рисунок 11 Прогнозные значения, взятые из Excel-файла

На заметку

Вы можете использовать программу RMPR1001 для переноса прогнозных значений

из внешних систем в SAP-систему.

Программа работает следующим образом:

1. Программа ищет данные для комбинации материал/завод, для

которых определена внешняя система.

2. С помощью экзита EXIT_SAPLMPR1_002, Вы можете создать

фильтр тех материалов, прогноз которых может переноситься из

внешних систем.
 3. Программа вызывает экзит EXIT_SAPLMPR1_001 и переносит

информацию по прогнозу материалов.

4. Этот экзит должен иметь прогнозные данные из внешней системы.

Это можно сделать с помощью проекта расширения, используя

транзакцию CMOD. Представители бизнеса должны предоставить их

разработчику. Данный процесс достаточно прозрачен для конечного

пользователя.

5. После выполнения экзита, прогнозные значения сохраняются в

системе SAP.

Просмотр прогнозных значений в основной записи

материала

Для просмотра прогнозных значений в основной записи материала, используйте транзакцию

MM03 или проследуйте по пути меню меню SAP -> Логистика ->Управление материальными

потоками -> Основные записи материалов -> Материал -> Просмотреть -> MM03 - Просмотр

актуального статуса. Введите код материала, выберите завод, и выберите ракурс "Прогноз"

(Рисунок 12).

Рисунок 12 Прогнозные значения, перенесенные из внешнего источника (например, Excel-файла)

Если нужно графически отобразить данные, то можно использовать кнопку (показана на

рисунке 12).

Графики представлены на рисунках 13 и 14; с разбивкой по месяцам Вы можете видеть исходные

прогнозные значения, сгенерированные на значения потребления в прошлом.

Рисунок 13 Прогнозные значения (Интерактивная графика).

Рисунок 14 Скорректированные результаты прогноза (графическое отображение)

На рисунке 14 показана симуляция скорректированных прогнозных и потребленных результатов с

разбивкой по месяцам. Заметим следующее:

Желтым отображаются исторические скорректированные значения расхода;

Синим отображаются исторические исходные данные расхода;

Красным отображаются исходные значения прогноза;

Зеленым отображаются скорректированные значения прогноза.

Примечание
В функционале MM, Вы можете запустить расчет прогноза для стандартных методов

SAP следующими способами:

На уровне отдельного материала и завода, используйте транзакцию

MP30 или проследуйте по пути меню Меню SAP -> Логистика ->

Управление материальными потоками ->Планирование

потребности в материалах -> Прогноз по материалу  ->Прогноз  ->
Отдельный прогноз ->  MP30 - Выполнение .

На уровне всех материалов и завода, используйте транзакцию MP38,

или проследуйте по пути меню Меню SAP -> Логистика ->

Управление материальными потоками ->Планирование
потребности в материалах -> Прогноз по материалу  ->Прогноз  ->
Общий прогноз ->  MP38 - Выполнение .

На уровне отдельного материала и завода, используйте транзакцию

MM02 или проследуйте по пути меню Меню SAP -> Логистика ->

Управление материальными потоками -> Основные записи

материалов -> Материал -> Изменить -> MM02 - Немедленно.

Ведомость потребности/запасов

Для проверки результата прогноза, используйте транзакцию MD04 или проследуйте по меню SAP

Логистика -> Управление материальными потоками ->Планирование потребности в

материалах -> Планирование потребности в материалах -> Аналитические отчеты -> MD04 -

ВедомПотребн/Запасов (рисунок 15) .

Рисунок 15 Результаты прогноза видны в ведомости потребности/запасов

Элемент ППМ "Прогнозируемая потребность" (англ. ForReq) представляет собой прогнозируемую

потребность, которая была рассчитана на основе выбранной модели прогноза и других параметров

прогнозирования, указанных в ракурсе "Прогноз" основной записи материала.

Ведомость потребности/запасов

Чтобы ответить на спрос, созданный прогнозом, запустите ППМ. Обычно запуск выполняется в

фоновом режиме, но в нашем примере, мы будем использовать транзакцию MD03, которую Вы

можете запустить, используя путь меню Логистика -> Управление материальными потоками -

>Планирование потребности в материалах -> Планирование потребности в материалах ->

Планирование -> MD03 - ППМ ОтдМтрл/Одноурв(Рисунок 16).

Рисунок 16 Параметры для прогона ППМ

Результат прогона ППМ

Для проверки результата прогона ППМ, используйте транзакцию MD04 или проследуйте по пути

меню Логистика -> Управление материальными потоками ->Планирование потребности в

материалах -> Планирование потребности в материалах -> Аналитические отчеты -> MD04 -

ВедомПотребн/Запасов (рисунок 17) .

Рисунок 17 Результат прогона ППМ

Согласно процессу, система также создала заявку на закупку (в открытом периоде, который в

данном случае составляет 10 рабочих дней) и плановые заказы вне рамок открытого периода.

Гаэтано Альтавилла

Доктор Гаэтано Алтавилла ( Gaetano Altavilla ) является старшим, сертифицированным SAP,

архитектором решений, инструктором, руководителем проекта, и руководителем направления,

находящегося в Неаполе, Италия. Его сфера интересов включает подготовку продаж,

тиражирование шаблонов SAP-решений для Международных Бизнес-процессов в области цепочек

поставок для крупных международных компаний, а также управление SAP-знаниями на

территории EMEA ( Europe, the Middle East and Africa - Европа, Ближний Восток и Африка ). В течение

своего 13 летнего опыта в IT-отрасли, работая на различные международные компании, такие как
Procter & Gamble and Hewlett-Packard, он овладел широким спектром функциональности ERP в

области логистики, в особенности модулями MM, WM, SD, LES, PP, PP-PI, и PLM (QM, PM, PS) , и

компонентами SRM (EBP) и SCM APO. Он имеет степень с отличием первого класса в области

математики в Университете Неаполя ( the University of Naples) и сертификаты по многим модулям

SAP: SAP Logistics Bootcamp, SAP MM, SD, LE, PP, PM, QM, PS, FI, SRM (EBP), SCM (APO), CRM, FI и Solution

Manager. Также имеет опыт работы с ABAP/4 , и ALE и IDocs. Он принимал участие во многих

отраслевых конференциях, таких как SAP Skills Conference в Walldorf в компании SAP AG .

Проф. Карло Алтавилла (Prof. Carlo Altavilla)

Профессор Карло Алтавилла (Prof. Carlo Altavilla) является доцентом по экономической политике в

Университете Неаполя «Парфеноп» (Италия), в котором он преподает    микроэкономику и

эконометрику. Профессор Альтавилла закончил Университет Неаполя «Федерико II» (Италия) и

получил степень магистра экономики и финансов; степень доктора экономических наук он

получил в Католическом университете Левена (Бельгия). После защиты докторской диссертации

автор был назначен младшим профессором, а затем доцентом экономики в Университете Неаполя

«Парфеноп». Карло являлся слушателем Колумбийского университета (Нью-Йорк, США) и работал

консультантом в нескольких национальных и международных учреждениях, в том числе в

Европейском центральном банке. Его исследовательские интересы лежат в сферах прикладной

эконометрики и анализа временных рядов. Автор опубликовал целый ряд работ в международных

изданиях, включая Journal of Money Credit and Banking, Applied Economics, International Journal of

Finance and Economics и Journal of Economic Behavior and Organization. С автором можно связаться по

адресу altavilla@uniparthenope.it.

Перевод статьи: консультант Олег Башкатов.

Олег Башкатов
Башкатов Олег успешно участвовал в проектах по внедрению процессов P2P (procure-to-pay) для

международных компаний. Имеет опыт внедрения модулей MM, SD, FM и PS. В настоящий момент

занимается внедрением MM с интеграцией с FM. Имеет экономическое и техническое

образование.

Для контактов с ним можно использовать почту it@olegbash.ru

Страница на facebook: https://www.facebook.com/oleg.bash599