Demand Planner Quiz

Тест · Demand Planning (Intermediate+) Quiz · Demand Planning (Intermediate+)

Тест для Demand Planner

Demand Planner Quiz

15 вопросов, 7–10 минут. Вопросы усложнены: метрики, промо, управление исключениями, ограничения и практика IBP. В каждом вопросе — 4 правдоподобных варианта и только один правильный ответ.

15 questions, 7–10 minutes. Harder version: metrics, promos, exception management, constraints and IBP practice. Each question has 4 plausible options with one correct answer.

Часть 1. Вопросы по Demand Planning

Part 1. Demand Planning Questions

1. На monthly IBP / Demand Review спорят о «единой цифре» прогноза. Что правильнее всего утверждать как output встречи?

1. In a monthly IBP/Demand Review, people debate the “single number” forecast. What is the best output of the meeting?

Прогноз, ограниченный поставками (supply constrained) — чтобы сразу «не мечтать» A supply-constrained forecast so we “stay realistic” Наиболее вероятный спрос без ограничений (unconstrained demand) + отдельно список ограничений и решений по ним Most likely unconstrained demand plus a separate list of constraints and decisions Среднее между прогнозом продаж и прогнозом маркетинга, чтобы «никому не было обидно» An average between Sales and Marketing to “keep everyone happy” Два прогноза: optimistic и pessimistic — а дальше пусть Supply выберет Two forecasts: optimistic and pessimistic, then Supply chooses

2. Что корректнее всего использовать вместо MAPE для оценки точности на уровне ассортимента, где много «малых» SKU и есть нули?

2. What is the best alternative to MAPE for assortment-level accuracy when there are many low-volume SKUs and zeros?

Взвешенный MAPE (wMAPE) по объёму + сегментация (например, ABC) Weighted MAPE (wMAPE) by volume plus segmentation (e.g., ABC) Обычный MAPE, но считать его только по тем месяцам, где факт > 0 Regular MAPE, but only for periods where actuals > 0 Процент выполнения плана продаж (Plan Attainment) Plan attainment percentage Точность по выручке (Revenue Accuracy) без учёта объёмов Revenue accuracy ignoring volumes

3. Вам важно измерять «перекос» прогноза в сторону завышения/занижения. Какой показатель лучше всего подходит?

3. You want to measure systematic over-/under-forecasting. Which metric best fits?

Средняя абсолютная ошибка (MAE) MAE Средняя ошибка (ME) или накопленная ошибка (CFE) с интерпретацией знака ME or CFE with sign interpretation Взвешенный MAPE (wMAPE) wMAPE Коэффициент вариации (CV) Coefficient of variation (CV)

4. После «очистки выбросов» точность резко выросла. Что наиболее вероятно пошло не так?

4. After “outlier cleaning” accuracy jumps sharply. What most likely went wrong?

Удалили периоды с отсутствием товара (stockout), тем самым «спрятали» потерянный спрос You removed stockout periods and hid lost demand Заменили выбросы средним и «сгладили» реальный промо-эффект, потеряв причинность You replaced outliers with averages and smoothed real promo effects Оставили выбросы, но добавили сезонность — поэтому всё улучшилось You kept outliers but added seasonality, so it improved Сравнили прогноз и факт на разных единицах (шт. vs кейсы), поэтому цифры «случайно совпали» Forecast and actuals were compared in different units, so it “matched by accident”

5. Какой подход чаще всего даёт более устойчивый прогноз при большом количестве SKU с частыми листингами/делистингами?

5. Which approach most often gives a more stable forecast with many SKUs and frequent listings/delistings?

Чистый bottom-up по SKU без агрегирования Pure SKU-level bottom-up without aggregation Иерархический подход: прогноз на более высоком уровне (категория/бренд) + распределение по SKU (reconciliation) Hierarchical: forecast at higher level (category/brand) then reconcile/distribute to SKUs Только экспертные оценки (judgemental forecast), потому что модель «не знает новинки» Only judgemental forecast because the model “doesn’t know NPIs” Использовать прошлый год (LY) как baseline для всех SKU Use last year as baseline for all SKUs

6. Как корректнее всего определить инкремент от промо (uplift) для оценки эффективности промо-спроса?

6. How should you correctly define promo uplift for evaluating promo demand effectiveness?

Продажи в промо-периоде минус средние продажи за последние 12 месяцев Promo-period sales minus the last 12-month average Продажи в промо-периоде минус baseline на тот же период (с учётом сезонности), затем корректировки на каннибализацию и «запасание» (forward buy) Promo-period sales minus baseline for the same period (seasonality-adjusted), then adjust for cannibalization and forward buy Разница между планом промо и фактом промо Difference between promo plan and promo actuals Любые продажи в промо — это uplift, потому что без промо их бы не было All promo sales are uplift because without promo they wouldn’t happen

7. В sell-in данных вы видите всплеск, но sell-out у ритейлера не растёт. Какое объяснение наиболее вероятно?

7. You see a spike in sell-in, but retailer sell-out does not grow. What is the most likely explanation?

Покупатель увеличил запасы (загрузка канала / channel loading), например перед промо или из-за риска дефицита Customer increased inventory (channel loading), e.g., ahead of promo or due to shortage risk У ритейлера улучшилась доступность товара, поэтому sell-in вырос Retailer availability improved, so sell-in grew Сезонность спроса, которая не отражается в sell-out Seasonality that does not show in sell-out Модель прогноза стала точнее, поэтому появился всплеск Forecast model became more accurate, hence the spike

8. Для товаров с редким спросом (intermittent demand) и большим количеством нулей какой выбор метода наиболее уместен?

8. For intermittent demand with many zeros, which method choice is most appropriate?

Скользящее среднее (moving average) с большим окном, чтобы «подавить нули» Long-window moving average to “suppress zeros” Методы Кростона и модификации (Croston / SBA / TSB) с отдельной настройкой для intermittent сегмента Croston-type methods (Croston/SBA/TSB) with separate setup for intermittent segment Сезонное экспоненциальное сглаживание (Holt-Winters) для всех SKU одинаково Seasonal exponential smoothing (Holt-Winters) for all SKUs Линейный тренд (linear regression) по времени Linear regression on time

9. Сервис (OTIF/Service Level) падает, хотя общая точность прогноза по KPI выглядит «нормально». Что чаще всего объясняет это противоречие?

9. Service (OTIF/Service Level) drops although forecast accuracy KPI looks “okay”. What most often explains this?

Ошибка в расчёте OTIF, прогноз тут ни при чём OTIF calculation error; forecasting is irrelevant Проблема в миксе: точность на уровне total нормальная, но промахи по ключевым SKU/клиентам (A-items) бьют по доступности Mix issue: total accuracy is okay, but misses on key SKUs/customers hit availability Если точность нормальная, сервис не может падать If accuracy is okay, service cannot drop Это всегда значит, что прогноз завышен It always means the forecast is too high

10. Какая мера governance чаще всего реально улучшает качество ручных правок (overrides) и снижает «политический шум»?

10. Which governance measure most often improves manual overrides quality and reduces political noise?

Запретить любые правки — оставить только статистику Ban overrides—keep only statistics Обязательные причины правок (reason codes) + пороги + анализ полезности правок (override effectiveness / FVA) Mandatory reason codes + thresholds + override effectiveness / FVA review Делать правки только в последнюю неделю месяца, чтобы «не мешать системе» Allow overrides only in the last week of the month Раздать права на правки всем функциям без ограничений, чтобы был consensus Give override rights to all functions without limits to enable consensus

11. Как корректнее всего обработать периоды отсутствия товара (OOS, out-of-stock) в истории при построении baseline?

11. How should you treat out-of-stock (OOS) periods in history when building a baseline?

Оставить как есть: нули «закаляют» модель Leave as-is: zeros “harden” the model Пометить OOS, оценить потерянный спрос (lost sales) по прокси/аналогам и исключить такие периоды из обучения baseline Flag OOS, estimate lost sales via proxy/analogs, and exclude such periods from baseline training Удалить все нулевые периоды без анализа — быстрее Delete all zero periods without analysis—it’s faster Заменить нули средним уровнем продаж категории Replace zeros with the category average

12. Вы строите причинную модель (causal model). Что является «красным флагом», что модель переобучена или есть утечка данных (data leakage)?

12. You build a causal model. What is a red flag for overfitting or data leakage?

Точность очень высокая на обучении и резко падает на периоде проверки (out-of-sample) Very high training accuracy but sharp drop out-of-sample Модель использует 2–3 стабильных драйвера и даёт чуть хуже точность, чем «сложная» Model uses 2–3 stable drivers and is slightly less accurate than a complex one Ошибка модели одинакова для high и low volume SKU Errors are similar for high and low volume SKUs Модель лучше объясняет сезонные пики, чем простая baseline модель Model explains seasonal peaks better than baseline

13. Какой метод чаще всего уместен для прогноза запуска нового продукта (NPI) при отсутствии истории продаж?

13. Which method is most appropriate for NPI forecasting with no sales history?

Копировать продажи лидера категории (best seller) и считать это прогнозом Copy the category best-seller sales as forecast Аналоги + план дистрибуции/охвата + кривая запуска (launch curve) + отдельный учёт заполнения канала (pipeline fill) Analogs + distribution/coverage plan + launch curve + separate pipeline fill assumption Использовать среднее по категории и разделить на число новинок в году Use category average and divide by number of new items Поставить ноль до первых фактических продаж, чтобы не ошибиться Set zero until first actuals to avoid errors

14. Особенность фарм-рынка: какой фактор чаще всего вызывает «ступеньку» в спросе, не объясняемую сезонностью или промо?

14. Pharma market: which factor most often causes a step-change in demand not explained by seasonality or promos?

Небольшое изменение цены на 1–2% A small 1–2% price change Изменение правил возмещения/доступа (reimbursement/access) или результаты тендера, меняющие объём и канал Reimbursement/access changes or tender results shifting volume and channel Обычный рост узнаваемости бренда Normal brand awareness growth Рост точности прогноза, который «вытягивает» спрос вверх Improved forecast accuracy that “pulls” demand up

15. Вы внедряете анализ добавленной ценности прогноза (FVA, Forecast Value Added). Что считается корректной логикой?

15. You implement Forecast Value Added (FVA). What is the correct logic?

Сравнить точность «после consensus» с точностью «до consensus» один раз и зафиксировать вывод навсегда Compare after-consensus vs before-consensus once and keep it forever Сравнивать точность по шагам (статистика → правки → consensus) на одинаковых данных и регулярно убирать шаги, которые ухудшают результат Compare accuracy by step (stat → overrides → consensus) on the same data and regularly remove steps that degrade results FVA нужен только для оценки работы Demand Planner, а не процесса FVA is only to evaluate the planner, not the process Если после правок точность выросла — значит правки всегда полезны If accuracy improved after overrides once, overrides are always useful

Часть 2. Посмотреть результаты

Part 2. View results

Заполните имя и e-mail — мы покажем результат на экране.

Fill in your name and e-mail — we’ll show the result on screen.

Имя Name

E-mail E-mail

Нажимая кнопку, вы соглашаетесь с обработкой персональных данных и политикой конфиденциальности.

By clicking the button, you agree to our Privacy Policy and personal data processing.

Ваш результат

Your result

[{"lid":"1531306243545","ls":"10","loff":"","li_parent_id":"","li_type":"em","li_ph":"Your E-mail","li_title":"Email","li_name":"Email","li_req":"y","li_nm":"Email"},{"lid":"1570290149233","ls":"20","loff":"","li_parent_id":"","li_type":"nm","li_ph":"Name","li_name":"Name","li_req":"y","li_nm":"Name"},{"lid":"1765024697573","ls":"30","loff":"","li_parent_id":"","li_type":"hd","li_name":"Score","li_value":"Score","li_nm":"Score"},{"lid":"1765024726374","ls":"40","loff":"","li_parent_id":"","li_type":"hd","li_name":"Percent","li_value":"Percent","li_nm":"Percent"},{"lid":"1765024768600","ls":"50","loff":"","li_parent_id":"","li_type":"hd","li_name":"Level","li_value":"Level","li_nm":"Level"},{"lid":"1765024781235","ls":"60","loff":"","li_parent_id":"","li_type":"hd","li_name":"Topics","li_value":"Topics","li_nm":"Topics"},{"lid":"1765026481138","ls":"70","loff":"","li_parent_id":"","li_type":"ta","li_ph":"ResultText","li_title":"ResultText","li_rows":"3","li_name":"ResultText","li_nm":"ResultText"}]