Lagerprognoser for ikke-dataforskere lyder svaerere end det er. De fleste teams har ikke brug for en sortboksmodel. De har brug for en ren salgshistorik, en repeterbar metode og en made at opdage, nar dataene lyver. Hvis en vare var udsolgt i fredags, mangler regnearket ikke matematik - det mangler kontekst.
Det er gode nyheder, for enkle metoder er ofte staerkere end folk tror. I Green og Armstrongs gennemgang i Journal of Business Research fandt forfatterne 97 sammenligninger pa tvaers af 32 artikler og ingen overvaegt af evidens for, at ekstra kompleksitet forbedrer prognosenoejaggtighed. Prognostisering er stadig svaert, men den foerste gevinst kommer normalt fra disciplin, ikke fra avanceret software.
En brugbar prognose er ikke den med flest faner. Det er den, en indkoeber kan forklare, udfordre og bruge inden naeste ordrefrist.
Hvad en brugbar lagerprognose faktisk goer
En prognose er et estimat af fremtidig efterspoergsel over et defineret vindue. For lager boer det vindue matche din indkoebsrytme: leverandoerens leveringstid plus tiden til naeste gennemgang. Hvis du bestiller hver mandag, og leverandoeren bruger 21 dage, handler det om de naeste 28 dage, ikke et teoretisk arsgennemsnit.
En prognose giver dig nok forvarsel til at genbestille, foer dine A-varer rammer undgaelige udsolgthedere.
Den holder langsomme varer fra at absorbere arbejdskapital, bare fordi nogen bestilte lidt ekstra for en sikkerheds skyld.
Salg, indkoeb og drift kan diskutere et tal i stedet for at forsvare tre forskellige mavefornemmelser.
Prognoser er ikke loefter. De er udgangspunkter. Du laegger stadig leverandoerproblemer, kommercielle haendelser og forretningsskoen oveni. Malet er ikke perfektion. Malet er faerre overraskelser.
Start med enkle metoder, tilfoj kompleksitet kun nar det tjener sig ind
NIST-handbogen om udjaevning beskriver gennemsnit som den enkleste made at udjaevne data og reducere tilfaeldig variation. Det er praecis der de fleste lagerteams boer starte. Hvis din historik er rimelig stabil, giver enkle glidende gennemsnit og udjaevningsmetoder dig en operativ basislinje hurtigt.
Metode 1: glidende gennemsnit for stabil efterspoergsel
Et glidende gennemsnit tager de seneste sammenlignelige perioder og beregner gennemsnittet. Hvis du prognostiserer ugentligt, er et 4-ugers glidende gennemsnit ofte nok til at starte. Eksempel: hvis de seneste 4 uger solgte 92, 104, 96 og 108 enheder, er naeste uges basisprognose (92 + 104 + 96 + 108) / 4 = 100 enheder.
Naeste uges prognose = (uge -1 + uge -2 + uge -3 + uge -4) / 4. Brug sammenlignelige perioder: uger med uger, maneder med maneder.
Metode 2: eksponentiel udjaevning nar nyere historik taeller mere
Hvis nyligt salg betyder mere end aeldre historik, ga videre til simpel eksponentiel udjaevning. I Forecasting: Principles and Practice viser Hyndman og Athanasopoulos den som et vaegtet gennemsnit af det seneste faktiske resultat og den foregaende prognose. Pa almindeligt dansk: garsdagens data taeller mere end sidste kvartal, men sidste kvartal ignoreres ikke. Det goer udjaevning nyttigt, nar efterspoergslen driver, men ikke er staerkt saesonafhaengig.
Metode 3: tilfoj en saesonfaktor nar kalenderen virkelig betyder noget
Hvis efterspoergslen stiger og falder i et tilbagevendende kalendermonster - julegaver i december, sommerweekender, skolestart, bestillinger ved manedsslut - adskil saesoneffekten fra basisniveauet. I Forecasting: Principles and Practice er den praktiske tilgang at prognostisere den saesonjusterede serie og derefter laegge saesonmonsteret tilbage. Det er en teknisk beskrivelse af en enkel ide: denne december boer ligne mere pa sidste december end pa sidste maj.
Saesonjustering er indsatsen vaerd. I den samme Green og Armstrong-gennemgang reducerede saesonjustering MAPE fra 23,0 til 17,7 procent pa 68 manedlige serier i den oprindelige M-Competition. Det er en nyttig paamindelse om, at simpel kalenderstruktur kan sla en masse ekstra matematik.
Brug et 4 til 8 perioders glidende gennemsnit, nar varen saelger jaevnt, og niveauet ikke driver meget.
Brug simpel eksponentiel udjaevning, nar efterspoergslen bevaeges gradvist, og nyere perioder fortjener mere vaegt.
Brug en basisprognose plus saesonfaktorer, nar det samme kalenderloeft gentager sig ofte nok til at stole pa.
Rens historikken foer du stoler pa matematikken
Prognosemetode betyder noget, men inputkvalitet betyder mere. Returneringer, engangsprojektordrer, leverandoerunderleverancer og kampagnespikes kan alle forvraeenge basislinjen. Hvis du fodrer stoej ind i en model, automatiserer du bare darlige vurderinger.
Udsolgthed er den stoerste faelde. I forskning om efterspoergselsprognoser under lagerpolitikker med tabt salg bemaerker forfatterne, at hvis der er tilstraekkeligt lager, er salg et forventningsret estimat af efterspoergsel, men ved udsolgthed undervurderer salg efterspoergslen og presser prognoserne nedad. Det skaber praecis den spiral, som operatoerer hader: underprognose, underbestilling, udsolgt, gentag.
Nar hylden er tom, holder salget op med at male efterspoergsel og begynder at male tilgaengelighed.
Et enkelt eksempel pa udsolgtjustering
Sig at en vare solgte 210 enheder i en 30-dages maned, men den var kun pa lager i 21 dage. Den naive daglige rate er 7 enheder. Den udsolgtjusterede rate er 10 enheder, fordi 210 / 21 = 10. Til genopfyldningsplanlaegning er det andet tal meget taettere pa virkeligheden. Det foerste tal bager udsolgtheden ind i naeste maneds prognose.
Regler for ren historik
- Flag udsolgtperioder:Spoer dage eller uger med nul tilgaengelighed, sa de ekskluderes eller justeres, ikke gennemsnitsberegnes ind.
- Adskil kampagner fra basislinjen:En udsalgssuge eller markedsfoeringssspik boer ligge i en haendelseskolonne, ikke permanent puste basisprognosen op.
- Fjern engangsordrer:Store projektbestillinger, lanceringsfyldninger og interne overforsler er planlaegningshaendelser, ikke ordinaer efterspoergsel.
- Brug lagersandhed, ikke kun salg:Hvis registernoejagtiggheden er svag, ret optaellingerne forst. Urene lagerposter forvraeenger bade historik og indkoeb. Se omkostningerne ved unoejagttige lagerniveauer.
- Prognosticer familier foer varianter om noedvendigt:Tynd historik pa storrelse/farve eller pakningsvarianter giver ofte bedre prognoser pa gruppeniveau foerst, derefter allokeres nedad.
Et regnearksworkflow du kan koere hver mandag
Du kan koere en respektabel prognose i et ark med raekker per SKU og kolonner for de seneste 12 til 24 perioder, lagertilgaengelighedsflag, haendelsesnoter, prognose, faktisk resultat og fejl. Pointen er ikke at lave en smuk model. Pointen er at lave en repeterbar rutine.
Mandags prognoserutine
- Eksporter historik per uge eller maned:Ugentligt er bedre for hurtigsaelgere. Manedligt er nok for langsommere katalogvarer.
- Tilfoj to hjaelpekolonner:en for lagertilgaengelighedsstatus, en for haendelsesnoter. Disse to felter forhindrer et overraskende antal darlige prognoser.
- Vaelg en basismetode per vareklasse:Start med glidende gennemsnit for stabile varer og udjaevning for langsomt driftende.
- Anvend saesonvariation kun nar den gentager sig:Hvis du kan pege pa det samme kalenderloeft mere end en gang, tilfoj en saesonfaktor. Ellers hold det enkelt.
- Prognosticer genopfyldningsvinduet:Prognosticer efterspoergsel over leverandoerens leveringstid plus intervallet til naeste ordregennemgang.
- Skriv hver overstyring ned:Hvis salg siger, at en kundegevinst tilfojer 300 enheder naeste maned, indtast overstyringen og arsagen. Skjulte overstyringer oedelaegger laeringprocessen.
Tre noejagtighedstjek almindelige mennesker kan beregne
Du behoever ikke et dashboard fuldt af statistik. Du behoever et par mal, der fortaeller dig, om prognosen er systematisk forkert, og med hvor meget.
Gennemsnitlig fortegnsfejl. Positiv bias betyder, at du konstant overprognostiserer. Negativ bias betyder, at du kronisk underprognostiserer og inviterer til udsolgthed.
Gennemsnitlig absolut fejl, det gennemsnitlige bom i enheder. Som Green og Armstrong bemaerker, er MAE et enkelt og nyttigt mal for produktions- og lagerstyringsbeslutninger.
Vaegtet absolut procentfejl. AWS Supply Chains eftersporgelsplanlaegnings-dokumentation bruger WAPE som en aggregeret noejagtighedsmetrik, fordi den viser totalt prognosebom relativt til total faktisk efterspoergsel.
Brug MAPE forsigtigt. I Hyndmans noejagtighedsguide bliver MAPE udefineret, nar faktisk efterspoergsel er nul, og kan eksplodere, nar de faktiske vaerdier er taet pa nul. Det goer det til et darligt valg for langsomme varer, lanceringsprodukter eller serier med hyppige nulefterspoergselsperioder.
Start med bias, MAE og WAPE. Tilfoj mere avancerede metrikker foerst, nar de tre er stabile og forstaede.
Backtest foer du ruller det ind i indkoeb
En prognose er ikke klar, fordi den ser rimelig ud. Den er klar, efter at du har testet den pa tidligere perioder, den ikke har set. Hyndmans guide til tidsseriekrydsvalidering beskriver rullende prognoseoprindelse: bevaeg dig gennem historikken, prognosticer fremad og tag gennemsnittet af fejlene. Det er den voksne version af at sporge: 'Ville det her have virket sidste kvartal?'
Hurtig backtest
- Hold de seneste 8 til 12 perioder tilbage:Brug dem ikke til at bygge den foerste model.
- Koer hver kandidatmetode:glidende gennemsnit, udjaevning og eventuel saesonversion, du vil sammenligne.
- Mal bias, MAE og WAPE:Bedom metoderne pa perioder, de ikke har set.
- Vaelg den metode, folk kan forklare:Hvis to metoder er taette, vaelg den, teamet faktisk vil vedligeholde.
Vid hvor regnearket kaemper
- Nye produkter: Lan historik fra en lignende vare, kategori eller lanceringsplan, fordi den nye SKU ikke har noget stabilt monster endnu.
- Klumpet eller intermittent efterspoergsel: Prognosticer pa familie- eller kategoriniveau foerst, planlaeg derefter individuel genopfyldning med mere manuel gennemgang.
- Kampagner og projektforretning: Tilfoj haendelsesoverstyringer separat i stedet for at bede basismodellen gaette pa saerlige haendelser.
- Darlig lagernoejagtighed: Hvis modtagelse, justeringer og pladskontrol er svage, ret processen forst. En prognose lagt oven pa darlige poster bestiller stadig den forkerte maengde.
Her er prioritering vigtig. Brug ABC-analyse til at afgore, hvilke varer der fortjener mest prognoseopsmaerksomhed, og par prognosen med en disciplineret sikkerhedslagergennemgang, sa usikkerhed ikke bliver til generelle overkoeb.
Afsluttende tanke
Lagerprognoser for ikke-dataforskere handler mindre om avanceret matematik og mere om operativ aerlighed. Rens historikken. Start med glidende gennemsnit eller udjaevning. Tilfoj saesonvariation kun nar den gentager sig. Mal bias og absolut fejl. Backtest foer du stoler pa tallet.
Naeste skridt: vaelg 20 vigtige SKU-er, byg et ugentligt ark og sammenlign prognose mod faktisk resultat de naeste 8 uger. Derefter vil prognostisering holde op med at foeles teoretisk og begynde at blive en del af, hvordan du koeber.