Отчет по практике ООО «САБМиллер РУС»

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Рисунок 2 Объем продаж ведущих пивных компаний мира, млн.гл

 

На мировом  рынке компания SABMiller занимает второе место, уступая только компании Interbrew AmBev, что представлено на рис.2.

В России присутствуют пять крупных международных  пивных концернов:

1. Африканский    South African Breweries 

2)  Норвежско-датский   BBH

3)  Бельгийский   InBev

4)  Голландский    Heineken

5)  Британский   Scottish & Newcastle (Hartwall)

По данным рейтингового агентства AC Nielsen, на сегодняшний  день доля «САБМиллер РУС» на российском пивоваренном рынке составляет 6 процентов. Эта цифра может значительно  меняться в каждом отдельно взятом регионе или городе. В Пензенской области доля составляет около 3% в  объемном выражении и  4% в денежном выражении. Это связано в первую очередь с наличием на территории большого числа местных производителей, таких как «Очаково», «Визит»  и «Самко».

 

 

 

 

 

 

 

В целом в регионе Волга доли продаж распределяются следующим образом как показано на рис.3

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Рисунок 3  Распределение объема продаж в регионе  Волга

 

По данным рейтингового агентства AC Nielsen, в городе Пенза по результатам 2011 года доли рынка пивных компаний в объемном выражении следующие: Inbev – 32.76%, BBH – 23.74%, Визит – 12.64%, Самко – 7.6%, Очаково – 6.25%,  SABMiller – 5.34%, Оболонь – 2.66%, Efes – 2.61%, Heineken – 1.38% и другое – 5.33%

На сегодняшний  день основной проблемой компании «САБМиллер РУС» является нехватка продукта в  летние месяцы, в силу сезонного  характера его потребления.  За последние 2 года компания достигла устойчивых показателей роста своих брендов  и мощности единственного завода в Калуге не хватает для удовлетворения растущего спроса.

Учитывая  географические масштабы российского  рынка и существенный рост спроса на продукцию компании, САБМиллер  РУС объявила об инвестировании 170 млн. долларов США в строительство  нового пивоваренного завода в Ульяновске, запуск которого намечен на начало 2009 года. Открытие завода по прогнозам  компании должно полностью решить эту  проблему.

На уровне регионов серьезной проблемой является поиск дистрибьютеров, удовлетворяющих  всем требованиям компании, которые  могли бы в полной мере обеспечить бесперебойную работу эксклюзивной команды.

 

 

1.2 Аддитивную модель прогнозирования можно представить в виде формулы:

                                               F = T + S + E

где: F — прогнозируемое значение;

      Т — тренд;

       S — сезонная компонента;

                     Е — ошибка прогноза

В качестве исходной информации для прогнозирования  был взят объем продаж за 2010-2011 финансовые года в тыс.далл дистрибьютором ООО «Холдинг-ЭМ».  Данная статистика характеризуется тем, что значения объема продаж имеют выраженный сезонный характер, как показано в таблице 7.

Таблица 7  Объем продаж ООО «Холдинг-ЭМ» за 2009-2011гг

 

Месяц	Объем продаж, тыс.далл
	2009-2010гг	2010-2011гг
апрель	5,7	10,9
май	8,3	17,5
июнь	8,8	19,2
июль	13,2	17,8
август	11,3	21,3
сентябрь	9,6	13,3
октябрь	10,1	12,6
ноябрь	9,7	11,9
декабрь	13,3	16,1
январь	9,3	8,7
февраль	8,6	9,3
март	13,6	13,1

 

Определяется  тренд, наилучшим образом аппроксимирующий фактические данные. Для этого используется полиномиальный тренд, что позволяет сократить ошибку прогнозной модели.

Полиномиальный  тренд аппроксимирует фактические  данные гораздо лучше, чем линейный. Коэффициент детерминации полиномиального  тренда (0,7435) гораздо выше, чем линейного (4E-05). Применение других типов тренда (логарифмический, степенной, экспоненциальный, скользящее среднее) также не дает такого эффективного результата. Они неудовлетворительно  аппроксимируют фактические значения, коэффициенты их детерминации ничтожно малы:

— логарифмический: R² = 0,0166;

— степенной: R² = 0,0197;

— экспоненциальный: R² = 8Е-05.

 

Рисунок 9  Полиномиальный тренд

 

Вычитая из фактических значений объемов  продаж значения тренда, определяются величины сезонной компоненты.

Таблица 8 Расчет значений сезонной компоненты, тыс.далл

 

	Месяцы	Объем продаж, тыс.далл	Значение тренда	Сезонная компонента
1	апрель	5,71	5,3	0,41
2	май	8,27	8,5	-0,23
3	июнь	8,82	10,4	-1,58
4	июль	13,19	11,1	2,09
5	август	11,31	11	0,31
6	сентябрь	9,65	10,7	-1,05
7	октябрь	10,15	10,1	0,05
8	ноябрь	9,66	9,9	-0,24
9	декабрь	13,29	10	3,29
10	январь	9,34	10,5	-1,16
11	февраль	8,57	11,4	-2,83
12	март	13,61	12,7	0,91
1	апрель	10,97	14,2	-3,23
2	май	17,55	15,7	1,85
3	июнь	19,18	16,9	2,28
4	июль	17,76	17,7	0,06
5	август	21,25	17,6	3,65
6	сентябрь	13,31	16,8	-3,49
7	октябрь	12,62	15,5	-2,88
8	ноябрь	11,96	13,3	-1,34
9	декабрь	16,11	11,2	4,91
10	январь	8,65	9,6	-0,95
11	февраль	9,28	9,8	-0,52
12	март	13,05	13	0,05

 

Сезонная  компонента (апрель 2011) = 5.71 – 5.3 = 0.41 тыс.далл

Сезонная компонента (май 2011) = 8.27 – 8.5  = - 0.23 тыс.далл

Дальнейшие расчеты представлены в таблице 8

Таблица 9 Расчет средних значений сезонной компоненты, тыс.далл

 

Месяцы	1й сезон	2й сезон	Итого	Среднее	Сезонная компонента
1	0,41	-3,23	-2,82	-1,41	-1,44
2	-0,23	1,85	1,62	0,81	0,81
3	-1,58	2,28	0,7	0,35	0,31
4	2,09	0,06	2,15	1,075	1,07
5	0,31	3,65	3,96	1,98	1,98
6	-1,05	-3,49	-4,54	-2,27	-2,27
7	0,05	-2,88	-2,83	-1,415	-1,41
8	-0,24	-1,34	-1,58	-0,79	-0,7
9	3,29	4,91	8,2	4,1	3,9
10	-1,16	-0,95	-2,11	-1,055	-1,05
11	-2,83	-0,52	-3,35	-1,675	-1,68
12	0,91	0,05	0,96	0,48	0,48
			Сумма	0,18	0

Корректируются  значения сезонной компоненты таким  образом, чтобы их сумма была равна  нулю. Расчеты представлены в таблице 9

Рассчитываются  ошибки модели как разности между фактическими значениями и значениями модели. результаты представлены в таблице 10.

Таблица 10 Расчет отклонений

 

Месяц	Объем продаж, тыс.далл	Значение модели, тыс.далл	Отклонение
1	5,71	3,86	1,85
2	8,27	9,31	-1,04
3	8,82	10,71	-1,89
4	13,19	12,17	1,02
5	11,31	12,98	-1,67
6	9,65	8,43	1,22
7	10,15	8,69	1,46
8	9,66	9,2	0,46
9	13,29	13,9	-0,61
10	9,34	9,45	-0,11
11	8,57	9,72	-1,15
12	13,61	13,18	0,43
13	10,97	12,76	-1,79
14	17,55	16,51	1,04
15	19,18	17,21	1,97
16	17,76	18,77	-1,01
17	21,25	19,58	1,67
18	13,31	14,53	-1,22
19	12,62	14,09	-1,47
20	11,96	12,6	-0,64
21	16,11	15,1	1,01
22	8,65	8,55	0,1
23	9,28	8,12	1,16
24	13,05	13,48	-0,43