Les previsions d'inventari per a no cientifics de dades sonen mes dificils del que son. La majoria d'equips no necessiten un model de caixa negra. Necessiten un historial de vendes net, un metode repetible i una forma de detectar quan les dades menteixen. Si un article es va esgotar divendres passat, al full de calcul no li falta matematica - li falta context.
Aixo es una bona noticia perque els metodes senzills sovint son mes forts del que la gent espera. A la revisio de Green i Armstrong al Journal of Business Research, els autors van trobar 97 comparacions en 32 articles i cap equilibri d'evidencia que la complexitat addicional millori la precisio de la previsio. La previsio segueix sent dificil, pero la primera victoria sol venir de la disciplina, no del programari sofisticat.
Una previsio util no es la que te mes pestanyes. Es la que un comprador pot explicar, qüestionar i utilitzar abans del proper termini de comanda.
Que fa realment una previsio d'inventari util
Una previsio es una estimacio de la demanda futura en un periode definit. Per a l'inventari, aquest periode ha de coincidir amb el ritme de compra: termini de lliurament del proveidor mes el temps fins a la propera revisio. Si demaneu cada dilluns i el proveidor triga 21 dies, us importen els propers 28 dies, no una mitjana anual teorica.
Una previsio dona prou avis per tornar a demanar abans que els articles A pateixin trencaments d'estoc evitables.
Impedeix que els articles de rotacio lenta absorbeixin capital circulant nomes perque algu va demanar una mica mes per sentir-se segur.
Vendes, compres i operacions poden discutir un numero en lloc de defensar tres intuicions diferents.
Les previsions no son promeses. Son punts de partida. Encara heu d'afegir problemes del proveidor, esdeveniments comercials i criteri de negoci. L'objectiu no es la perfeccio. L'objectiu es menys sorpreses.
Comenceu amb metodes senzills i afegiu complexitat nomes quan ho valgui
El manual del NIST sobre suavitzat descriu la mitjana com la manera mes senzilla de suavitzar dades i reduir la variacio aleatoria. Aqui es on la majoria d'equips d'inventari haurien de comencar. Si el vostre historial es raonablement estable, les mitjanes mobils i els metodes de suavitzat us donaran una base operativa rapidament.
Metode 1: mitjana mobil per a demanda estable
Una mitjana mobil pren els darrers periodes comparables i en calcula la mitjana. Si preveieu setmanalment, una mitjana mobil de 4 setmanes sol ser suficient per comencar. Exemple: si les ultimes 4 setmanes van vendre 92, 104, 96 i 108 unitats, la previsio base de la setmana vinent es (92 + 104 + 96 + 108) / 4 = 100 unitats.
Previsio de la setmana vinent = (setmana -1 + setmana -2 + setmana -3 + setmana -4) / 4. Utilitzeu periodes comparables: setmanes amb setmanes, mesos amb mesos.
Metode 2: suavitzat exponencial quan l'historial recent importa mes
Si les vendes recents importen mes que l'historial antic, passeu al suavitzat exponencial simple. A Forecasting: Principles and Practice, Hyndman i Athanasopoulos el presenten com una mitjana ponderada del valor real mes recent i de la previsio anterior. En llenguatge pla: ahir importa mes que el trimestre passat, pero el trimestre passat no s'ignora. Aixo fa util el suavitzat quan la demanda es desplaca pero no es fortament estacional.
Metode 3: afegiu un factor estacional quan el calendari realment importa
Si la demanda puja i baixa seguint un patro de calendari que es repeteix - regals de desembre, caps de setmana d'estiu, tornada a l'escola, comandes de final de mes - separeu l'efecte estacional del nivell base. A Forecasting: Principles and Practice, el pas practic es preveure la serie ajustada estacionalment i despres tornar a afegir el patro estacional. Es la descripcio tecnica d'una idea senzilla: aquest desembre hauria d'assemblar-se mes al desembre passat que al maig passat.
L'ajust estacional val la pena. A la mateixa revisio de Green i Armstrong, l'ajust estacional va reduir el MAPE de 23,0 a 17,7 per cent en 68 series mensuals de la M-Competition original. Es un bon recordatori que l'estructura de calendari senzilla pot superar molta matematica addicional.
Utilitzeu una mitjana mobil de 4 a 8 periodes quan l'article es ven amb regularitat i el nivell no varia gaire.
Utilitzeu suavitzat exponencial simple quan la demanda es mou gradualment i els periodes recents mereixen mes pes.
Utilitzeu una previsio base mes factors estacionals quan el mateix impuls de calendari es repeteix prou sovint per confiar-hi.
Netegeu l'historial abans de confiar en la matematica
El metode de previsio importa, pero la qualitat de les entrades importa mes. Devolucions, comandes puntuals de projecte, lliuraments parcials del proveidor i pics promocionals poden distorsionar la base. Si introduiu soroll en un model, nomes automatitzeu un mal criteri.
Els trencaments d'estoc son el parany mes gran. En la recerca sobre previsio de la demanda amb politiques d'estoc per vendes perdudes, els autors assenyalen que, si hi ha prou estoc, les vendes son una estimacio no esbiaixada de la demanda, pero davant trencaments les vendes subestimen la demanda i empenyen la previsio cap avall. Aixo crea l'espiral exacta que els operadors odien: sub-previsio, sub-comanda, trencament, repeticio.
Quan la prestatgeria es buida, les vendes deixen de mesurar la demanda i comencen a mesurar la disponibilitat.
Un exemple senzill d'ajust per trencament d'estoc
Suposeu que un article va vendre 210 unitats en un mes de 30 dies, pero nomes va estar en estoc 21 dies. La taxa diaria ingeniua es 7 unitats. La taxa ajustada per trencament es 10 unitats perque 210 / 21 = 10. Per a la planificacio de reposicio, el segon numero s'acosta molt mes a la realitat. El primer incorpora el trencament a la previsio del mes seguent.
Regles d'historial net
- Marqueu els periodes de trencament:Registreu dies o setmanes amb disponibilitat zero perque s'excloguin o s'ajustin, no perque es calculin en la mitjana.
- Separeu les promos de la base:Una setmana de liquidacio o un pic de marxeting ha d'anar a una columna d'esdeveniments, no inflar permanentment la previsio base.
- Elimineu comandes puntuals:Grans compres de projecte, reomplerts de llancament i transferencies internes son esdeveniments de planificacio, no demanda ordinaria.
- Utilitzeu la veritat de l'inventari, no nomes les vendes:Si la precisio dels registres es feble, corregiu primer els recomptes. Els registres d'estoc bruts distorsionen tant l'historial com les compres. Vegeu el cost real dels nivells d'existencies inexactes.
- Preveieu families abans que variants quan calgui:L'historial prim en mida-color o variants de paquet sovint es preveu millor a nivell de grup primer i despres es reparteix.
Un flux de treball en full de calcul que podeu executar cada dilluns
Podeu executar una previsio solida en un full amb files per SKU i columnes per als darrers 12 a 24 periodes, banderes de disponibilitat, notes d'esdeveniments, previsio, real i error. L'objectiu no es crear un model bonic. L'objectiu es crear una rutina repetible.
Rutina de previsio del dilluns
- Exporteu l'historial per setmana o mes:El setmanal es millor per a articles de rotacio rapida. El mensual es suficient per a cataleg mes lent.
- Afegiu dues columnes auxiliars:una per a l'estat d'estoc, una per a notes d'esdeveniments. Aquests dos camps eviten un nombre sorprenent de males previsions.
- Trieu un metode base per classe d'article:Comenceu amb mitjanes mobils per a articles estables i suavitzat per als que es desplacen lentament.
- Apliqueu estacionalitat nomes quan es repeteixi:Si podeu assenyalar el mateix impuls de calendari mes d'una vegada, afegiu un factor estacional. Si no, manteniu-ho senzill.
- Preveieu la finestra de reposicio:Estimeu la demanda al llarg del termini del proveidor mes l'interval fins a la propera revisio de comanda.
- Escriviu cada substitucio:Si vendes diu que un nou client afegeix 300 unitats el mes vinent, registreu la substitucio i el motiu. Les substitucions ocultes destrueixen l'aprenentatge.
Tres comprovacions de precisio que qualsevol pot calcular
No necessiteu un quadre de comandament ple d'estadistiques. Necessiteu unes poques mesures que diguin si la previsio falla de manera sistematica i quant.
Error mitja amb signe. Un biaix positiu vol dir que sobrepreveieu constantment. Un biaix negatiu vol dir que infrapreveieu cronicament i convideu trencaments.
Error absolut mitja, la fallada mitjana en unitats. Com assenyalen Green i Armstrong, el MAE es una mesura senzilla i util per a decisions de produccio i control d'inventari.
Error percentual absolut ponderat. La documentacio de planificacio de la demanda d'AWS Supply Chain utilitza el WAPE com a metrica agregada de precisio perque mostra la fallada total de la previsio respecte a la demanda real total.
Utilitzeu el MAPE amb precaucio. A la guia de precisio de Hyndman, el MAPE queda indefinit quan la demanda real es zero i pot explotar quan els valors reals son a prop de zero. Aixo el fa una mala eleccio per a articles de rotacio lenta, llancaments o qualsevol serie amb periodes de demanda zero frequents.
Comenceu amb biaix, MAE i WAPE. Afegiu metriques mes sofisticades nomes quan aquestes tres estiguin estables i enteses.
Feu backtesting abans de portar-ho a compres
Una previsio no esta llesta perque sembli raonable. Esta llesta despres de provar-la en periodes passats que no va veure. La guia de validacio creuada de series temporals de Hyndman descriu l'origen de previsio movina: avanceu per l'historial, preveieu cap endavant i calculeu la mitjana dels errors. Es la versio adulta de preguntar: 'Aixo hauria funcionat el trimestre passat?'
Backtest rapid
- Reserveu els darrers 8 a 12 periodes:No els utilitzeu per construir el primer model.
- Executeu cada metode candidat:mitjana mobil, suavitzat i qualsevol versio estacional que vulgueu comparar.
- Mesureu biaix, MAE i WAPE:Jutgeu els metodes en periodes que no van veure.
- Trieu el metode que la gent pot explicar:Si dos metodes son a prop, trieu el que l'equip realment mantindra.
Sapigueu on el full de calcul te dificultats
- Productes nous: Manlleveu l'historial d'un article similar, categoria o pla de llancament perque el SKU nou encara no te un patro estable.
- Demanda irregular o intermitent: Preveieu primer a nivell de familia o categoria i planifiqueu la reposicio individual amb mes revisio manual.
- Promocions i negoci per projectes: Afegiu substitucions d'esdeveniments per separat en lloc de demanar al model base que endevini esdeveniments especials.
- Precisio d'inventari feble: Si la recepcio, els ajustos i el control d'ubicacio son febles, corregiu primer el proces. Una previsio sobre registres dolents segueix comprant la quantitat equivocada.
Aqui es on la prioritzacio importa. Utilitzeu l'analisi ABC per decidir quins articles mereixen mes atencio de previsio, i combineu la previsio amb una revisio disciplinada de l'estoc de seguretat perque la incertesa no es converteixi en sobrecompra generalitzada.
Conclusio final
La previsio d'inventari per a no cientifics de dades te menys a veure amb matematica avancada i mes amb honestedat operativa. Netegeu l'historial. Comenceu amb mitjanes mobils o suavitzat. Afegiu estacionalitat nomes quan es repeteixi. Mesureu biaix i error absolut. Feu backtesting abans de confiar en el numero.
Proper pas: trieu 20 SKU importants, construiu un full setmanal i compareu previsio davant real durant les properes 8 setmanes. Despres d'aixo, la previsio deixara de semblar teorica i comencara a formar part de com compreu.