Předpověď zásob pro neanalytiky zní těžší, než ve skutečnosti je. Většina týmů nepotřebuje model typu černá skříňka. Potřebuje čistou historii prodejů, opakovatelnou metodu a způsob, jak odhalit, kdy data lžou. Pokud zboží minulý pátek došlo, tabulka nemá problém s matematikou - má problém s kontextem.
To je dobrá zpráva, protože jednoduché metody jsou často silnější, než lidé čekají. V přehledu Greena a Armstronga v Journal of Business Research autoři našli 97 srovnání ve 32 článcích a žádný důkaz, že vyšší složitost zlepšuje přesnost předpovědi. Předpovídání je pořád těžké, ale první výhra obvykle přichází z disciplíny, ne z propracovaného softwaru.
Užitečná předpověď není ta s nejvíce záložkami. Je to ta, kterou nákupčí dokáže vysvětlit, zpochybnit a použít před dalším termínem objednávky.
Co vlastně dělá užitečná předpověď zásob
Předpověď je odhad budoucí poptávky za definované období. Pro zásoby by toto období mělo odpovídat vašemu nákupnímu rytmu: dodací lhůta dodavatele plus čas do dalšího přezkumu. Pokud objednáváte každé pondělí a dodavatel dodává za 21 dní, zajímá vás příštích 28 dní, ne teoretický roční průměr.
Předpověď vám dá dostatek varování k opětovné objednávce dříve, než vaše položky A narazí na výpadky, kterým se dalo předejít.
Brání pomalým položkám, aby pohlcovaly provozní kapitál jen proto, že někdo objednal trochu navíc pro jistotu.
Prodej, nákup a provoz se mohou hádat o jedno číslo místo toho, aby každý hájil svůj vlastní odhad.
Předpovědi nejsou sliby. Jsou to výchozí body. Stále přidáváte problémy s dodavateli, obchodní akce a podnikatelský úsudek. Cílem není dokonalost. Cílem je méně překvapení.
Začněte jednoduchými metodami a složitost přidávejte jen když si to zaslouží
Příručka NIST o vyhlazování popisuje průměrování jako nejjednodušší způsob vyhlazení dat a snížení náhodné variability. Přesně tady by měla většina skladových týmů začít. Pokud je vaše historie rozumně stabilní, klouzavé průměry a metody vyhlazování vám rychle poskytnou provozní základ.
Metoda 1: klouzavý průměr pro stabilní poptávku
Klouzavý průměr vezme poslední srovnatelná období a zprůměruje je. Pokud předpovídáte týdně, 4-týdenní klouzavý průměr obvykle stačí na začátek. Příklad: pokud za poslední 4 týdny prodáte 92, 104, 96 a 108 kusů, základní předpověď na příští týden je (92 + 104 + 96 + 108) / 4 = 100 kusů.
Předpověď na příští týden = (týden -1 + týden -2 + týden -3 + týden -4) / 4. Používejte srovnatelná období: týdny s týdny, měsíce s měsíci.
Metoda 2: exponenciální vyhlazování, když více záleží na nedávné historii
Pokud nedávné prodeje váží více než starší historie, přejděte na jednoduché exponenciální vyhlazování. V Forecasting: Principles and Practice Hyndman a Athanasopoulos ho představují jako vážený průměr nejnovější skutečné hodnoty a předchozí předpovědi. Jednoduše řečeno: včerejšek váží víc než minulý kvartál, ale minulý kvartál se neignoruje. To činí vyhlazování užitečným, když poptávka driftuje, ale není silně sezónní.
Metoda 3: přidejte sezónní faktor, když na kalendáři opravdu záleží
Pokud poptávka stoupá a klesá v opakujícím se kalendářním vzoru - prosincové dárky, letní víkendy, návrat do školy, objednávky na konci měsíce - oddělte sezónní efekt od základní úrovně. V Forecasting: Principles and Practice je praktický postup předpovědět sezónně očištěnou řadu a pak sezónní vzor přičíst zpět. Je to technický popis jednoduché myšlenky: letošní prosinec by měl vypadat spíše jako loňský prosinec než jako loňský květen.
Sezónnost stojí za námahu. Ve stejném přehledu Greena a Armstronga sezónní úprava snížila MAPE z 23,0 na 17,7 procent u 68 měsíčních řad v původní M-Competition. Je to užitečná připomínka, že jednoduchá kalendářní struktura může porazit hodně matematiky navíc.
Použijte klouzavý průměr za 4 až 8 období, když se položka prodává pravidelně a úroveň se příliš nemění.
Použijte jednoduché exponenciální vyhlazování, když se poptávka posouvá postupně a nedávná období si zaslouží větší váhu.
Použijte základní předpověď plus sezónní faktory, když se stejný kalendářní impulz opakuje dostatečně často, abyste mu věřili.
Vyčistěte historii, než budete věřit matematice
Na metodě předpovídání záleží, ale na kvalitě vstupních dat záleží víc. Vrácení, jednorázové projektové objednávky, krátké dodávky od dodavatelů a propagační špičky mohou zkreslit základ. Pokud do modelu nahrnete šum, jen automatizujete špatné rozhodnutí.
Výpadky zásob jsou největší past. Ve výzkumu předpovědi poptávky při politikách zásob se ztraceným prodejem autoři uvádějí, že pokud je zásoba dostatečná, prodeje jsou nestranným odhadem poptávky, ale při výpadcích prodeje poptávku podceňují a tlačí předpovědi dolů. To vytváří přesně tu spirálu, kterou provozní pracovníci nenávidí: nízká předpověď, nízká objednávka, výpadek, opakování.
Když je regál prázdný, prodeje přestávají měřit poptávku a začínají měřit dostupnost.
Jednoduchý příklad úpravy o výpadek
Řekněme, že se položka prodala za 210 kusů v 30-denním měsíci, ale byla na skladě jen 21 dní. Naivní denní sazba je 7 kusů. Sazba upravená o výpadek je 10 kusů, protože 210 / 21 = 10. Pro plánování doplňování je druhé číslo mnohem blíže realitě. To první zabudovává výpadek do předpovědi příštího měsíce.
Pravidla čisté historie
- Označte období výpadků:Zaznamenejte dny nebo týdny s nulovou dostupností, abyste je vyloučili nebo upravili, ne průměrovali.
- Oddělte akce od základu:Výprodejový týden nebo marketingová špička by měly být ve sloupci událostí, ne trvale nafukovat základní předpověď.
- Odstraňte jednorázové objednávky:Velké projektové nákupy, úvodní naplnění a interní převody jsou plánovací události, ne běžná poptávka.
- Používejte pravdu o zásobách, ne jen prodeje:Pokud je přesnost evidence slabá, nejprve opravte inventury. Špinavé záznamy o zásobách zkreslují historii i nákup. Viz skutečné náklady nepřesných stavů zásob.
- Předpovídejte rodiny před variantami, když je to potřeba:Řídká historie u variant velikost-barva nebo balení se často předpovídá lépe na úrovni skupiny a pak se alokuje dolů.
Pracovní postup v tabulce, který můžete spustit každé pondělí
Slušnou předpověď zvládnete v jedné tabulce s řádky podle SKU a sloupci pro posledních 12 až 24 období, příznaky dostupnosti, poznámky k událostem, předpověď, skutečnost a chybu. Cílem není krásný model. Cílem je opakovatelná rutina.
Pondělní rutina předpovídání
- Exportujte historii po týdnech nebo měsících:Týdenní je lepší pro rychlou obrátku. Měsíční stačí pro pomalejší katalogové položky.
- Přidejte dva pomocné sloupce:jeden pro stav zásob, druhý pro poznámky o událostech. Tato dvě pole zabrání překvapivému množství špatných předpovědí.
- Vyberte jednu základní metodu na třídu položek:Začněte klouzavými průměry pro stabilní položky a vyhlazováním pro ty s pomalým driftem.
- Aplikujte sezónnost jen když se opakuje:Pokud můžete ukázat na stejný kalendářní impulz víckrát, přidejte sezónní faktor. Pokud ne, držte to jednoduché.
- Předpovídejte okno doplňování:Odhadněte poptávku přes dodací lhůtu dodavatele plus mezeru do dalšího přezkumu objednávek.
- Zapište každé ruční přepsání:Pokud obchod říká, že nový zákazník přidá 300 kusů příští měsíc, zadejte přepsání i důvod. Skryté přepisování ničí učení.
Tři kontroly přesnosti, které spočítá každý
Nepotřebujete dashboard plný statistik. Potřebujete pár měr, které vám řeknou, zda předpověď systematicky chybuje a o kolik.
Průměrná chyba se znaménkem. Kladné vychýlení znamená, že stále předpovídáte příliš. Záporné znamená, že chronicky podceňujete poptávku a zvete výpadky.
Střední absolutní chyba, průměrná odchylka v kusech. Jak poznamenávají Green a Armstrong, MAE je jednoduchá a užitečná míra pro rozhodování o výrobě a řízení zásob.
Vážená absolutní procentní chyba. Dokumentace plánování poptávky AWS Supply Chain používá WAPE jako souhrnnou metriku přesnosti, protože ukazuje celkovou odchylku předpovědi vůči celkové skutečné poptávce.
Používejte MAPE opatrně. V průvodci přesností od Hyndmana se MAPE stává nedefinovanou, když skutečná poptávka je nula, a může explodovat, když skutečné hodnoty jsou blízko nule. To z ní dělá špatnou volbu pro pomalé obrátky, novinky nebo jakoukoliv řadu s častými období nulové poptávky.
Začněte s vychýlením, MAE a WAPE. Přidávejte sofistikovanější metriky teprve poté, co jsou tyto tři stabilní a pochopené.
Otestujte zpětně, než to zapojíte do nákupu
Předpověď není hotová, protože vypadá rozumně. Je hotová poté, co ji otestujete na minulých obdobích, která neviděla. Průvodce křížovou validací časových řad od Hyndmana popisuje posuvný počátek předpovědi: postupujte historií, předpovídejte dopředu a průměrujte chyby. To je dospělá verze otázky: fungovalo by to minulý kvartál?
Rychlý zpětný test
- Zadržte posledních 8 až 12 období:Nepoužívejte je k sestavení prvního modelu.
- Spusťte každou kandidátní metodu:klouzavý průměr, vyhlazování a jakoukoliv sezónní verzi, kterou chcete porovnat.
- Změřte vychýlení, MAE a WAPE:Hodnoťte metody na obdobích, která neviděly.
- Vyberte metodu, kterou lidé dokáží vysvětlit:Pokud jsou dvě metody blízko, vyberte tu, kterou tým skutečně udrží.
Poznejte, kde tabulka naráží na limity
- Nové produkty: Vypůjčte si historii od podobné položky, kategorie nebo plánu uvedení, protože nové SKU zatím nemá stabilní vzor.
- Nepravidelná nebo přerušovaná poptávka: Předpovídejte nejprve na úrovni rodiny nebo kategorie a pak plánujte individuální doplňování s větší mírou ručního přezkumu.
- Akce a projektový byznys: Přidávejte úpravy pro události zvlášť namísto toho, abyste žádali základní model o hádání speciálních akcí.
- Slabá přesnost zásob: Pokud jsou příjem, úpravy a řízení lokací slabé, opravte nejprve proces. Předpověď založená na špatných záznamech stále objednává špatné množství.
Tady záleží na prioritizaci. Použijte ABC analýzu k rozhodnutí, které položky si zaslouží nejvíce pozornosti při předpovídání, a spojte předpověď s disciplinovaným přezkumem pojistné zásoby, aby se nejistota neproměnila v plošné přeobjednávání.
Závěr
Předpověď zásob pro neanalytiky je méně o pokročilé matematice a více o provozní poctivosti. Vyčistěte historii. Začněte klouzavými průměry nebo vyhlazováním. Přidejte sezónnost jen když se opakuje. Měřte vychýlení a absolutní chybu. Otestujte zpětně, než číslu budete věřit.
Další krok: vyberte 20 důležitých SKU, vytvořte jednu týdenní tabulku a porovnávejte předpověď se skutečností dalších 8 týdnů. Potom předpovídání přestane vypadat teoreticky a začne být součástí toho, jak nakupujete.