ডেটা-বিজ্ঞানী নন এমনদের জন্য ইনভেন্টরি পূর্বানুমান যতটা কঠিন শোনায় ততটা নয়। বেশিরভাগ দলের ব্ল্যাক-বক্স মডেল দরকার নেই। তাদের দরকার একটি পরিষ্কার বিক্রয় ইতিহাস, একটি পুনরাবৃত্তিযোগ্য পদ্ধতি, এবং ডেটা কখন মিথ্যা বলছে তা চিহ্নিত করার উপায়। যদি একটি আইটেম গত শুক্রবার স্টক ফুরিয়ে যায়, তাহলে স্প্রেডশিটে গণিতের ঘাটতি নেই - প্রসঙ্গের ঘাটতি আছে।
এটা ভালো খবর, কারণ সরল পদ্ধতি প্রায়ই মানুষের ধারণার চেয়ে শক্তিশালী। জার্নাল অফ বিজনেস রিসার্চে গ্রিন ও আর্মস্ট্রং-এর পর্যালোচনায়, লেখকরা 32টি গবেষণাপত্র জুড়ে 97টি তুলনা পেয়েছেন এবং অতিরিক্ত জটিলতা পূর্বানুমানের নির্ভুলতা উন্নত করে এমন কোনো সুষম প্রমাণ পাননি। পূর্বানুমান এখনও কঠিন, কিন্তু প্রথম জয় সাধারণত শৃঙ্খলা থেকে আসে, দামি সফটওয়্যার থেকে নয়।
কার্যকর পূর্বানুমান সেটা নয় যেটায় সবচেয়ে বেশি ট্যাব আছে। সেটা হলো যেটা একজন ক্রেতা ব্যাখ্যা করতে পারেন, চ্যালেঞ্জ করতে পারেন এবং পরবর্তী অর্ডার ডেডলাইনের আগে ব্যবহার করতে পারেন।
একটি কার্যকর ইনভেন্টরি পূর্বানুমান আসলে কী করে
পূর্বানুমান হলো একটি নির্দিষ্ট সময়সীমায় ভবিষ্যৎ চাহিদার অনুমান। ইনভেন্টরির জন্য, সেই সময়সীমা আপনার ক্রয় ছন্দের সাথে মিলতে হবে: সরবরাহকারীর লিড টাইম যোগ পরবর্তী পর্যালোচনা পর্যন্ত সময়। যদি আপনি প্রতি সোমবার অর্ডার করেন এবং সরবরাহকারীর 21 দিন লাগে, তাহলে আপনার আগামী 28 দিন নিয়ে চিন্তা করা উচিত, তাত্ত্বিক বার্ষিক গড় নিয়ে নয়।
পূর্বানুমান আপনাকে যথেষ্ট আগাম সতর্কতা দেয় যাতে A শ্রেণির আইটেমে প্রতিরোধযোগ্য স্টকআউটের আগে পুনরায় অর্ডার করতে পারেন।
এটা ধীর আইটেমগুলোকে কার্যকরী মূলধন শোষণ করা থেকে আটকায় শুধু এজন্য যে কেউ নিরাপদ অনুভব করতে একটু বেশি অর্ডার করেছিলেন।
বিক্রয়, ক্রয় এবং অপারেশনস তিনটি ভিন্ন অনুমান রক্ষার বদলে একটি সংখ্যা নিয়ে তর্ক করতে পারে।
পূর্বানুমান প্রতিশ্রুতি নয়। এগুলো শুরুর পয়েন্ট। আপনাকে এখনও সরবরাহকারী সমস্যা, বাণিজ্যিক ইভেন্ট এবং ব্যবসায়িক বিচার যোগ করতে হবে। লক্ষ্য নিখুঁততা নয়। লক্ষ্য হলো কম চমক।
সরল পদ্ধতি দিয়ে শুরু করুন, জটিলতা তখনই যোগ করুন যখন তা যুক্তিসঙ্গত
NIST স্মুদিং হ্যান্ডবুক এভারেজিংকে ডেটা স্মুদ করার এবং র্যান্ডম ভ্যারিয়েশন কমানোর সহজতম উপায় হিসেবে বর্ণনা করে। এটাই সেই জায়গা যেখানে বেশিরভাগ ইনভেন্টরি দলের শুরু করা উচিত। যদি আপনার ইতিহাস যুক্তিসঙ্গতভাবে স্থিতিশীল হয়, তাহলে সরল মুভিং এভারেজ এবং স্মুদিং পদ্ধতি দ্রুত একটি অপারেশনাল বেসলাইন দেবে।
পদ্ধতি 1: স্থিতিশীল চাহিদার জন্য মুভিং এভারেজ
মুভিং এভারেজ শেষ কয়েকটি তুলনীয় সময়কালের গড় নেয়। যদি আপনি সাপ্তাহিক পূর্বানুমান করেন, তাহলে 4-সপ্তাহের মুভিং এভারেজ শুরুর জন্য প্রায়ই যথেষ্ট। উদাহরণ: যদি গত 4 সপ্তাহে 92, 104, 96 এবং 108 ইউনিট বিক্রি হয়, তাহলে পরের সপ্তাহের বেসলাইন পূর্বানুমান = (92 + 104 + 96 + 108) / 4 = 100 ইউনিট।
পরের সপ্তাহের পূর্বানুমান = (সপ্তাহ -1 + সপ্তাহ -2 + সপ্তাহ -3 + সপ্তাহ -4) / 4। তুলনীয় সময়কাল ব্যবহার করুন: সপ্তাহের সাথে সপ্তাহ, মাসের সাথে মাস।
পদ্ধতি 2: সাম্প্রতিক ইতিহাস বেশি গুরুত্বপূর্ণ হলে এক্সপোনেনশিয়াল স্মুদিং
যদি সাম্প্রতিক বিক্রি পুরোনো ইতিহাসের চেয়ে বেশি গুরুত্বপূর্ণ হয়, তাহলে সিম্পল এক্সপোনেনশিয়াল স্মুদিং ব্যবহার করুন। ফোরকাস্টিং: প্রিন্সিপলস অ্যান্ড প্র্যাকটিস-এ হিন্ডম্যান ও অ্যাথানাসোপোলোস এটিকে সর্বশেষ প্রকৃত মান এবং আগের পূর্বানুমানের ওয়েটেড এভারেজ হিসেবে দেখান। সহজ ভাষায়: গতকাল গত ত্রৈমাসিকের চেয়ে বেশি গুরুত্বপূর্ণ, কিন্তু গত ত্রৈমাসিককে উপেক্ষা করা হয় না। এটি স্মুদিংকে কার্যকর করে যখন চাহিদা ধীরে পরিবর্তিত হচ্ছে কিন্তু শক্তিশালী মৌসুমী প্যাটার্ন নেই।
পদ্ধতি 3: ক্যালেন্ডার সত্যিই গুরুত্বপূর্ণ হলে মৌসুমী ফ্যাক্টর যোগ করুন
যদি চাহিদা পুনরাবৃত্ত ক্যালেন্ডার প্যাটার্নে ওঠানামা করে - ডিসেম্বরের উপহার, গ্রীষ্মের সপ্তাহান্ত, স্কুলে ফেরা, মাস শেষের অর্ডার - তাহলে মৌসুমী প্রভাবকে বেস লেভেল থেকে আলাদা করুন। ফোরকাস্টিং: প্রিন্সিপলস অ্যান্ড প্র্যাকটিস-এ ব্যবহারিক পদক্ষেপ হলো মৌসুমীভাবে সমন্বিত সিরিজের পূর্বানুমান করা এবং তারপর মৌসুমী প্যাটার্ন আবার যোগ করা। এটি একটি সহজ ধারণার প্রযুক্তিগত বর্ণনা: এই বছরের ডিসেম্বর গত মে-এর চেয়ে গত ডিসেম্বরের মতো হওয়া উচিত।
মৌসুমী সমন্বয় প্রচেষ্টার যোগ্য। একই গ্রিন ও আর্মস্ট্রং পর্যালোচনায়, মৌসুমী সমন্বয় মূল M-Competition-এর 68টি মাসিক সিরিজে MAPE 23.0 থেকে 17.7 শতাংশে কমিয়ে এনেছে। এটি একটি দরকারি মনে করিয়ে দেওয়া যে সরল ক্যালেন্ডার কাঠামো অনেক অতিরিক্ত গণিতকে হারাতে পারে।
4 থেকে 8 সময়কালের মুভিং এভারেজ ব্যবহার করুন যখন আইটেমটি নিয়মিত বিক্রি হয় এবং স্তর খুব বেশি পরিবর্তিত হচ্ছে না।
সিম্পল এক্সপোনেনশিয়াল স্মুদিং ব্যবহার করুন যখন চাহিদা ধীরে পরিবর্তিত হচ্ছে এবং সাম্প্রতিক সময়কাল বেশি ওজন পাওয়ার যোগ্য।
বেস পূর্বানুমানের সাথে মৌসুমী ফ্যাক্টর ব্যবহার করুন যখন একই ক্যালেন্ডার উত্থান বিশ্বাসযোগ্যভাবে বারবার পুনরাবৃত্তি হয়।
গণিতে বিশ্বাস করার আগে ইতিহাস পরিষ্কার করুন
পূর্বানুমান পদ্ধতি গুরুত্বপূর্ণ, কিন্তু ইনপুটের মান আরও গুরুত্বপূর্ণ। রিটার্ন, একবারের প্রকল্প অর্ডার, সরবরাহকারীর শর্ট-শিপ এবং প্রচারমূলক স্পাইক সবই বেসলাইনকে বিকৃত করতে পারে। মডেলে গোলমাল ঢোকালে আপনি শুধু খারাপ সিদ্ধান্তকে স্বয়ংক্রিয় করছেন।
স্টকআউট সবচেয়ে বড় ফাঁদ। লস্ট-সেলস স্টক পলিসির অধীনে চাহিদা পূর্বানুমানের গবেষণায়, লেখকরা উল্লেখ করেন যে যদি পর্যাপ্ত স্টক থাকে তাহলে বিক্রি চাহিদার নিরপেক্ষ অনুমান, কিন্তু স্টকআউটের উপস্থিতিতে বিক্রি চাহিদাকে কম দেখায় এবং পূর্বানুমানকে নিচে ঠেলে দেয়। এটি সেই চক্র তৈরি করে যা অপারেটররা ঘৃণা করেন: কম পূর্বানুমান, কম অর্ডার, স্টকআউট, পুনরাবৃত্তি।
যখন তাক খালি থাকে, বিক্রি চাহিদা মাপা বন্ধ করে এবং প্রাপ্যতা মাপতে শুরু করে।
একটি সরল স্টকআউট সমন্বয়ের উদাহরণ
ধরুন একটি আইটেম 30-দিনের মাসে 210 ইউনিট বিক্রি করেছে, কিন্তু এটি মাত্র 21 দিন স্টকে ছিল। সরল দৈনিক হার 7 ইউনিট। স্টকআউট-সমন্বিত হার 10 ইউনিট কারণ 210 / 21 = 10। পুনরায় পূরণ পরিকল্পনার জন্য, দ্বিতীয় সংখ্যাটি বাস্তবতার অনেক কাছাকাছি। প্রথম সংখ্যাটি স্টকআউটকে পরের মাসের পূর্বানুমানে ঢুকিয়ে দেয়।
ইতিহাস-পরিষ্কার নিয়ম
- স্টকআউট সময়কাল চিহ্নিত করুন:শূন্য প্রাপ্যতার দিন বা সপ্তাহ ট্র্যাক করুন যাতে সেগুলো বাদ দেওয়া বা সমন্বয় করা যায়, গড়ে মেশানো না হয়।
- প্রচারকে বেসলাইন থেকে আলাদা করুন:ক্লিয়ারেন্স সপ্তাহ বা মার্কেটিং স্পাইক ইভেন্ট কলামে থাকা উচিত, স্থায়ীভাবে বেস পূর্বানুমান বাড়ানো উচিত নয়।
- একবারের অর্ডার সরান:বড় প্রকল্প ক্রয়, লঞ্চ ফিল এবং অভ্যন্তরীণ ট্রান্সফার পরিকল্পনা ইভেন্ট, সাধারণ চাহিদা নয়।
- ইনভেন্টরি সত্য ব্যবহার করুন, শুধু বিক্রি নয়:যদি রেকর্ড নির্ভুলতা দুর্বল হয়, আগে গণনা ঠিক করুন। নোংরা স্টক রেকর্ড ইতিহাস ও ক্রয় দুটোই বিকৃত করে। দেখুন ভুল স্টক স্তরের খরচ।
- প্রয়োজনে ভ্যারিয়েন্টের আগে পরিবারের পূর্বানুমান করুন:সাইজ-কালার বা প্যাক ভ্যারিয়েন্টে পাতলা ইতিহাস প্রায়ই প্রথমে গ্রুপ স্তরে ভালো পূর্বানুমান দেয়, তারপর নিচে বরাদ্দ করুন।
একটি স্প্রেডশিট ওয়ার্কফ্লো যা আপনি প্রতি সোমবার চালাতে পারেন
আপনি একটি শিটে SKU অনুযায়ী সারি এবং শেষ 12 থেকে 24 সময়কাল, ইন-স্টক ফ্ল্যাগ, ইভেন্ট নোট, পূর্বানুমান, প্রকৃত এবং ত্রুটির জন্য কলাম সহ একটি সম্মানজনক পূর্বানুমান চালাতে পারেন। উদ্দেশ্য সুন্দর মডেল তৈরি করা নয়। উদ্দেশ্য একটি পুনরাবৃত্তিযোগ্য রুটিন তৈরি করা।
সোমবার পূর্বানুমান রুটিন
- সপ্তাহ বা মাস অনুযায়ী ইতিহাস এক্সপোর্ট করুন:দ্রুত আইটেমের জন্য সাপ্তাহিক ভালো। ধীর ক্যাটালগ আইটেমের জন্য মাসিক যথেষ্ট।
- দুটি সহায়ক কলাম যোগ করুন:একটি ইন-স্টক অবস্থার জন্য, একটি ইভেন্ট নোটের জন্য। এই দুটি ফিল্ড আশ্চর্যজনক সংখ্যক খারাপ পূর্বানুমান প্রতিরোধ করে।
- প্রতিটি আইটেম শ্রেণির জন্য একটি বেস পদ্ধতি বেছে নিন:স্থিতিশীল আইটেমের জন্য মুভিং এভারেজ এবং ধীরে পরিবর্তনশীলদের জন্য স্মুদিং দিয়ে শুরু করুন।
- মৌসুমী প্যাটার্ন শুধু তখনই প্রয়োগ করুন যখন তা পুনরাবৃত্তি হয়:যদি একই ক্যালেন্ডার উত্থান একাধিকবার দেখাতে পারেন, মৌসুমী ফ্যাক্টর যোগ করুন। না হলে সরল রাখুন।
- পুনরায় পূরণ উইন্ডোর পূর্বানুমান করুন:সরবরাহকারী লিড টাইম যোগ পরবর্তী অর্ডার পর্যালোচনা পর্যন্ত ব্যবধানে চাহিদার পূর্বানুমান করুন।
- প্রতিটি ওভাররাইড লিখে রাখুন:যদি বিক্রয় বলে একটি গ্রাহক জয় পরের মাসে 300 ইউনিট যোগ করবে, ওভাররাইড ও কারণ লিখুন। লুকানো ওভাররাইড শেখা ধ্বংস করে।
তিনটি নির্ভুলতা যাচাই যা সাধারণ মানুষ গণনা করতে পারেন
আপনার পরিসংখ্যানে ভরা ড্যাশবোর্ড দরকার নেই। আপনার কয়েকটি পরিমাপ দরকার যা বলে দেবে পূর্বানুমান পদ্ধতিগতভাবে ভুল কি না এবং কতটা।
গড় চিহ্নিত ত্রুটি। ইতিবাচক বায়াস মানে আপনি ক্রমাগত বেশি পূর্বানুমান করছেন। নেতিবাচক বায়াস মানে আপনি দীর্ঘস্থায়ীভাবে কম পূর্বানুমান করছেন এবং স্টকআউটকে আমন্ত্রণ জানাচ্ছেন।
মিন অ্যাবসোলিউট এরর, ইউনিটে গড় চ্যুতি। গ্রিন ও আর্মস্ট্রং যেমন বলেন, MAE উৎপাদন ও ইনভেন্টরি নিয়ন্ত্রণ সিদ্ধান্তের জন্য একটি সরল ও কার্যকর পরিমাপ।
ওয়েটেড অ্যাবসোলিউট পার্সেন্টেজ এরর। AWS Supply Chain-এর চাহিদা পরিকল্পনা ডকুমেন্টেশন WAPE-কে সামগ্রিক নির্ভুলতা মেট্রিক হিসেবে ব্যবহার করে কারণ এটি মোট প্রকৃত চাহিদার তুলনায় মোট পূর্বানুমান চ্যুতি দেখায়।
MAPE সাবধানে ব্যবহার করুন। হিন্ডম্যানের নির্ভুলতা গাইডে, প্রকৃত চাহিদা শূন্য হলে MAPE অনির্ধারিত হয়ে যায় এবং শূন্যের কাছাকাছি থাকলে বিস্ফোরিত হতে পারে। এটি ধীর আইটেম, লঞ্চ আইটেম বা ঘন ঘন শূন্য-চাহিদা সময়কালের যেকোনো সিরিজের জন্য এটিকে খারাপ পছন্দ করে তোলে।
বায়াস, MAE এবং WAPE দিয়ে শুরু করুন। জটিল মেট্রিক শুধু তখনই যোগ করুন যখন এই তিনটি স্থিতিশীল এবং বোধগম্য হয়।
ক্রয়ে অন্তর্ভুক্ত করার আগে ব্যাকটেস্ট করুন
পূর্বানুমান যুক্তিসঙ্গত দেখায় বলে প্রস্তুত নয়। এটি প্রস্তুত হয় আপনি যখন এটিকে অতীত সময়কালে পরীক্ষা করেন যা এটি দেখেনি। হিন্ডম্যানের টাইম সিরিজ ক্রস-ভ্যালিডেশন গাইড রোলিং ফোরকাস্ট অরিজিন বর্ণনা করে: ইতিহাসে এগিয়ে যান, সামনে পূর্বানুমান করুন এবং ত্রুটির গড় নিন। এটি হলো 'গত ত্রৈমাসিকে এটা কাজ করত কি?' প্রশ্নের পরিণত সংস্করণ।
দ্রুত ব্যাকটেস্ট
- শেষ 8 থেকে 12 সময়কাল আলাদা রাখুন:প্রথম মডেল তৈরিতে এগুলো ব্যবহার করবেন না।
- প্রতিটি প্রার্থী পদ্ধতি চালান:মুভিং এভারেজ, স্মুদিং এবং যেকোনো মৌসুমী সংস্করণ যা আপনি তুলনা করতে চান।
- বায়াস, MAE এবং WAPE পরিমাপ করুন:পদ্ধতিগুলোকে যে সময়কাল দেখেনি তার উপর মূল্যায়ন করুন।
- দল ব্যাখ্যা করতে পারে এমন পদ্ধতি বেছে নিন:দুটি পদ্ধতি কাছাকাছি হলে, যেটা দল আসলেই বজায় রাখবে সেটা বেছে নিন।
জানুন কোথায় স্প্রেডশিট সমস্যায় পড়ে
- নতুন পণ্য: একটি অনুরূপ আইটেম, বিভাগ বা লঞ্চ প্ল্যান থেকে ইতিহাস ধার করুন কারণ নতুন SKU-র এখনো কোনো স্থিতিশীল প্যাটার্ন নেই।
- বিক্ষিপ্ত বা দলাদলা চাহিদা: প্রথমে পরিবার বা বিভাগ স্তরে পূর্বানুমান করুন, তারপর আরও ম্যানুয়াল পর্যালোচনা সহ ব্যক্তিগত পুনরায় পূরণ পরিকল্পনা করুন।
- প্রচার ও প্রকল্প ব্যবসা: বেসলাইন মডেলকে বিশেষ ইভেন্ট অনুমান করতে বলার বদলে ইভেন্ট ওভাররাইড আলাদাভাবে যোগ করুন।
- দুর্বল ইনভেন্টরি নির্ভুলতা: যদি রিসিভিং, অ্যাডজাস্টমেন্ট এবং লোকেশন কন্ট্রোল দুর্বল হয়, আগে প্রক্রিয়া ঠিক করুন। খারাপ রেকর্ডের উপর পূর্বানুমান এখনো ভুল পরিমাণ কেনে।
এখানেই অগ্রাধিকার নির্ধারণ গুরুত্বপূর্ণ। কোন আইটেম সবচেয়ে বেশি পূর্বানুমান মনোযোগ পাওয়ার যোগ্য তা ঠিক করতে ABC বিশ্লেষণ ব্যবহার করুন, এবং পূর্বানুমানকে একটি শৃঙ্খলাবদ্ধ সেফটি স্টক পর্যালোচনার সাথে জোড়া দিন যাতে অনিশ্চয়তা সর্বব্যাপী অতিরিক্ত কেনায় পরিণত না হয়।
চূড়ান্ত উপসংহার
ডেটা-বিজ্ঞানী নন এমনদের জন্য ইনভেন্টরি পূর্বানুমান উন্নত গণিতের চেয়ে অপারেশনাল সততার সাথে বেশি সম্পর্কিত। ইতিহাস পরিষ্কার করুন। মুভিং এভারেজ বা স্মুদিং দিয়ে শুরু করুন। মৌসুমী প্যাটার্ন শুধু তখনই যোগ করুন যখন তা পুনরাবৃত্তি হয়। বায়াস ও অ্যাবসোলিউট এরর পরিমাপ করুন। সংখ্যায় বিশ্বাস করার আগে ব্যাকটেস্ট করুন।
পরবর্তী পদক্ষেপ: 20টি গুরুত্বপূর্ণ SKU বেছে নিন, একটি সাপ্তাহিক শিট তৈরি করুন এবং আগামী 8 সপ্তাহ পূর্বানুমান বনাম প্রকৃত তুলনা করুন। তারপর, পূর্বানুমান তাত্ত্বিক মনে হওয়া বন্ধ করবে এবং আপনার কেনাকাটার অংশ হয়ে যাবে।