Η πρόβλεψη αποθεμάτων για μη επιστήμονες δεδομένων ακούγεται δυσκολότερη απ' ό,τι είναι. Οι περισσότερες ομάδες δεν χρειάζονται μοντέλο μαύρου κουτιού. Χρειάζονται ένα καθαρό ιστορικό πωλήσεων, μια επαναλαμβανόμενη μέθοδο και έναν τρόπο να εντοπίζουν πότε τα δεδομένα ψεύδονται. Αν ένα είδος εξαντλήθηκε την περασμένη Παρασκευή, το υπολογιστικό φύλλο δεν στερείται μαθηματικών - στερείται πλαισίου.
Αυτά είναι καλά νέα, γιατί οι απλές μέθοδοι είναι συχνά ισχυρότερες από ό,τι περιμένουν οι άνθρωποι. Στην ανασκόπηση των Green και Armstrong στο Journal of Business Research, οι συγγραφείς βρήκαν 97 συγκρίσεις σε 32 εργασίες και κανένα ισοζύγιο αποδεικτικών στοιχείων ότι η πρόσθετη πολυπλοκότητα βελτιώνει την ακρίβεια πρόβλεψης. Η πρόβλεψη παραμένει δύσκολη, αλλά η πρώτη νίκη έρχεται συνήθως από την πειθαρχία, όχι από εξελιγμένο λογισμικό.
Μια χρήσιμη πρόβλεψη δεν είναι αυτή με τις περισσότερες καρτέλες. Είναι αυτή που ένας αγοραστής μπορεί να εξηγήσει, να αμφισβητήσει και να χρησιμοποιήσει πριν από την επόμενη προθεσμία παραγγελίας.
Τι κάνει στ' αλήθεια μια χρήσιμη πρόβλεψη αποθεμάτων
Μια πρόβλεψη είναι μια εκτίμηση της μελλοντικής ζήτησης σε ένα καθορισμένο χρονικό παράθυρο. Για τα αποθέματα, αυτό το παράθυρο πρέπει να ταιριάζει με τον ρυθμό αγορών σας: χρόνος παράδοσης προμηθευτή συν τον χρόνο μέχρι την επόμενη αξιολόγηση. Αν παραγγέλνετε κάθε Δευτέρα και ο προμηθευτής χρειάζεται 21 μέρες, ενδιαφέρεστε για τις επόμενες 28 μέρες, όχι για έναν θεωρητικό ετήσιο μέσο όρο.
Μια πρόβλεψη σας δίνει αρκετή προειδοποίηση ώστε να παραγγείλετε ξανά πριν τα είδη Α σας υποστούν αποφεύξιμες ελλείψεις.
Εμποδίζει τα αργοκίνητα είδη να απορροφούν κεφάλαιο κίνησης μόνο και μόνο επειδή κάποιος παρήγγειλε λίγο παραπάνω για ασφάλεια.
Πωλήσεις, αγορές και λειτουργίες μπορούν να συζητήσουν πάνω σε έναν αριθμό αντί να υπερασπίζονται τρεις διαφορετικές εκτιμήσεις.
Οι προβλέψεις δεν είναι υποσχέσεις. Είναι σημεία εκκίνησης. Εξακολουθείτε να προσθέτετε προβλήματα προμηθευτών, εμπορικές εκδηλώσεις και επιχειρηματική κρίση. Ο στόχος δεν είναι η τελειότητα. Ο στόχος είναι λιγότερες εκπλήξεις.
Ξεκινήστε με απλές μεθόδους και προσθέστε πολυπλοκότητα μόνο όταν τo αξίζει
Το εγχειρίδιο NIST για την εξομάλυνση περιγράφει τη μέση τιμή ως τον απλούστερο τρόπο εξομάλυνσης δεδομένων και μείωσης της τυχαίας διακύμανσης. Εκεί πρέπει να ξεκινήσουν οι περισσότερες ομάδες αποθεμάτων. Αν το ιστορικό σας είναι σχετικά σταθερό, οι κινητοί μέσοι όροι και οι μέθοδοι εξομάλυνσης θα σας δώσουν μια λειτουργική βάση γρήγορα.
Μέθοδος 1: κινητός μέσος όρος για σταθερή ζήτηση
Ένας κινητός μέσος όρος παίρνει τις τελευταίες συγκρίσιμες περιόδους και υπολογίζει τον μέσο τους. Αν προβλέπετε εβδομαδιαία, ένας κινητός μέσος 4 εβδομάδων συχνά αρκεί για αρχή. Παράδειγμα: αν οι τελευταίες 4 εβδομάδες πούλησαν 92, 104, 96 και 108 μονάδες, η βασική πρόβλεψη της επόμενης εβδομάδας είναι (92 + 104 + 96 + 108) / 4 = 100 μονάδες.
Πρόβλεψη επόμενης εβδομάδας = (εβδομάδα -1 + εβδομάδα -2 + εβδομάδα -3 + εβδομάδα -4) / 4. Χρησιμοποιήστε συγκρίσιμες περιόδους: εβδομάδες με εβδομάδες, μήνες με μήνες.
Μέθοδος 2: εκθετική εξομάλυνση όταν το πρόσφατο ιστορικό μετράει περισσότερο
Αν οι πρόσφατες πωλήσεις μετρούν περισσότερο από το παλιό ιστορικό, περάστε στην απλή εκθετική εξομάλυνση. Στο Forecasting: Principles and Practice, οι Hyndman και Athanasopoulos την παρουσιάζουν ως σταθμισμένο μέσο όρο του πιο πρόσφατου πραγματικού αποτελέσματος και της προηγούμενης πρόβλεψης. Με απλά λόγια: το χθες μετράει περισσότερο από το προηγούμενο τρίμηνο, αλλά το προηγούμενο τρίμηνο δεν αγνοείται. Αυτό κάνει την εξομάλυνση χρήσιμη όταν η ζήτηση μετατοπίζεται αλλά δεν είναι ισχυρά εποχιακή.
Μέθοδος 3: προσθέστε εποχιακό παράγοντα όταν το ημερολόγιο όντως μετράει
Αν η ζήτηση αυξομειώνεται σε επαναλαμβανόμενο ημερολογιακό μοτίβο - δώρα Δεκεμβρίου, καλοκαιρινά σαββατοκύριακα, επιστροφή στο σχολείο, παραγγελίες τέλους μήνα - διαχωρίστε το εποχιακό αποτέλεσμα από το βασικό επίπεδο. Στο Forecasting: Principles and Practice, το πρακτικό βήμα είναι να προβλέψετε την εποχιακά προσαρμοσμένη σειρά και μετά να προσθέσετε πίσω το εποχιακό μοτίβο. Αυτή είναι η τεχνική περιγραφή μιας απλής ιδέας: ο φετινός Δεκέμβρης πρέπει να μοιάζει περισσότερο με τον περσινό Δεκέμβρη παρά με τον περσινό Μάιο.
Η εποχιακή προσαρμογή αξίζει τον κόπο. Στην ίδια ανασκόπηση των Green και Armstrong, η εποχιακή προσαρμογή μείωσε το MAPE από 23,0 σε 17,7 τοις εκατό σε 68 μηνιαίες σειρές στον αρχικό M-Competition. Αυτή είναι μια χρήσιμη υπενθύμιση ότι η απλή ημερολογιακή δομή μπορεί να νικήσει πολλά πρόσθετα μαθηματικά.
Χρησιμοποιήστε κινητό μέσο όρο 4 έως 8 περιόδων όταν το είδος πουλάει τακτικά και το επίπεδο δεν μετατοπίζεται πολύ.
Χρησιμοποιήστε απλή εκθετική εξομάλυνση όταν η ζήτηση κινείται σταδιακά και οι πρόσφατες περίοδοι αξίζουν μεγαλύτερη στάθμιση.
Χρησιμοποιήστε βασική πρόβλεψη συν εποχιακούς παράγοντες όταν η ίδια ημερολογιακή αύξηση επαναλαμβάνεται αρκετά συχνά ώστε να την εμπιστευτείτε.
Καθαρίστε το ιστορικό πριν εμπιστευτείτε τα μαθηματικά
Η μέθοδος πρόβλεψης μετράει, αλλά η ποιότητα εισόδου μετράει περισσότερο. Επιστροφές, εφάπαξ παραγγελίες έργων, ελλιπείς αποστολές από τον προμηθευτή και αιχμές προωθητικών ενεργειών μπορούν να παραμορφώσουν τη βάση αναφοράς. Αν τροφοδοτείτε θόρυβο σε ένα μοντέλο, απλώς αυτοματοποιείτε κακή κρίση.
Οι ελλείψεις αποθεμάτων είναι η μεγαλύτερη παγίδα. Σε έρευνα για πρόβλεψη ζήτησης υπό πολιτικές αποθεμάτων χαμένων πωλήσεων, οι συγγραφείς σημειώνουν ότι αν υπάρχει αρκετό απόθεμα, οι πωλήσεις είναι αμερόληπτη εκτίμηση της ζήτησης, αλλά παρουσία ελλείψεων, οι πωλήσεις υποεκτιμούν τη ζήτηση και σπρώχνουν τις προβλέψεις προς τα κάτω. Αυτό δημιουργεί ακριβώς τον φαύλο κύκλο που μισούν οι φορείς εκμετάλλευσης: υπο-πρόβλεψη, υπο-παραγγελία, έλλειψη, επανάληψη.
Όταν το ράφι είναι άδειο, οι πωλήσεις σταματούν να μετρούν τη ζήτηση και αρχίζουν να μετρούν τη διαθεσιμότητα.
Ένα απλό παράδειγμα προσαρμογής λόγω έλλειψης
Ας πούμε ότι ένα είδος πούλησε 210 μονάδες σε ένα μήνα 30 ημερών, αλλά ήταν σε απόθεμα μόνο 21 μέρες. Ο αφελής ημερήσιος ρυθμός είναι 7 μονάδες. Ο ρυθμός προσαρμοσμένος σε έλλειψη είναι 10 μονάδες γιατί 210 / 21 = 10. Για σχεδιασμό αναπλήρωσης, ο δεύτερος αριθμός είναι πολύ πιο κοντά στην πραγματικότητα. Ο πρώτος ενσωματώνει την έλλειψη στην πρόβλεψη του επόμενου μήνα.
Κανόνες καθαρού ιστορικού
- Σημαδέψτε τις περιόδους ελλείψεων:Καταγράψτε ημέρες ή εβδομάδες με μηδενική διαθεσιμότητα ώστε να εξαιρεθούν ή να προσαρμοστούν, όχι να μπουν στον μέσο όρο.
- Διαχωρίστε τις προωθητικές ενέργειες από τη βάση:Μια εβδομάδα εκκαθάρισης ή μια αιχμή μάρκετινγκ πρέπει να μπαίνει σε στήλη εκδηλώσεων, όχι να διογκώνει μόνιμα τη βασική πρόβλεψη.
- Αφαιρέστε εφάπαξ παραγγελίες:Μεγάλες αγορές έργων, αρχικά φορτία λανσαρίσματος και εσωτερικές μεταφορές είναι εκδηλώσεις σχεδιασμού, όχι συνήθης ζήτηση.
- Χρησιμοποιήστε την αλήθεια του αποθέματος, όχι μόνο τις πωλήσεις:Αν η ακρίβεια αρχείων είναι αδύναμη, διορθώστε πρώτα τις καταμετρήσεις. Τα ακάθαρτα αρχεία αποθεμάτων παραμορφώνουν τόσο το ιστορικό όσο και τις αγορές. Δείτε το πραγματικό κόστος των ανακριβών επιπέδων αποθεμάτων.
- Προβλέψτε οικογένειες πριν τις παραλλαγές όταν χρειάζεται:Το λεπτό ιστορικό σε μέγεθος-χρώμα ή παραλλαγές συσκευασίας συχνά προβλέπεται καλύτερα σε επίπεδο ομάδας πρώτα και μετά κατανέμεται.
Μια ροή εργασίας σε υπολογιστικό φύλλο που μπορείτε να εκτελείτε κάθε Δευτέρα
Μπορείτε να εκτελέσετε μια αξιόπιστη πρόβλεψη σε ένα φύλλο με γραμμές ανά SKU και στήλες για τις τελευταίες 12 έως 24 περιόδους, σημαίες διαθεσιμότητας, σημειώσεις εκδηλώσεων, πρόβλεψη, πραγματικά και σφάλμα. Ο στόχος δεν είναι ένα όμορφο μοντέλο. Ο στόχος είναι μια επαναλαμβανόμενη ρουτίνα.
Ρουτίνα πρόβλεψης Δευτέρας
- Εξαγάγετε ιστορικό ανά εβδομάδα ή μήνα:Εβδομαδιαίο είναι καλύτερο για ταχυκίνητα είδη. Μηνιαίο αρκεί για πιο αργό κατάλογο.
- Προσθέστε δύο βοηθητικές στήλες:μία για κατάσταση αποθέματος, μία για σημειώσεις εκδηλώσεων. Αυτά τα δύο πεδία αποτρέπουν ένα εκπληκτικά μεγάλο αριθμό κακών προβλέψεων.
- Επιλέξτε μία βασική μέθοδο ανά κατηγορία ειδών:Ξεκινήστε με κινητούς μέσους για σταθερά είδη και εξομάλυνση για αυτά που μετατοπίζονται αργά.
- Εφαρμόστε εποχικότητα μόνο όταν επαναλαμβάνεται:Αν μπορείτε να δείξετε την ίδια ημερολογιακή αύξηση πάνω από μία φορά, προσθέστε εποχιακό παράγοντα. Αν όχι, κρατήστε το απλό.
- Προβλέψτε το παράθυρο αναπλήρωσης:Εκτιμήστε τη ζήτηση κατά μήκος του χρόνου παράδοσης του προμηθευτή συν το διάστημα μέχρι την επόμενη αξιολόγηση παραγγελίας.
- Γράψτε κάθε παράκαμψη:Αν οι πωλήσεις λένε ότι ένας νέος πελάτης προσθέτει 300 μονάδες τον επόμενο μήνα, καταχωρίστε την παράκαμψη και τον λόγο. Οι κρυφές παρακάμψεις καταστρέφουν τη μάθηση.
Τρεις έλεγχοι ακρίβειας που μπορεί να υπολογίσει ο καθένας
Δεν χρειάζεστε ταμπλό γεμάτο στατιστικά. Χρειάζεστε λίγα μέτρα που σας λένε αν η πρόβλεψη είναι συστηματικά λάθος και κατά πόσο.
Μέσο σφάλμα με πρόσημο. Θετική μεροληψία σημαίνει ότι υπερ-προβλέπετε συνεχώς. Αρνητική μεροληψία σημαίνει ότι υπο-προβλέπετε χρονικά και προσκαλείτε ελλείψεις.
Μέσο απόλυτο σφάλμα, η μέση αστοχία σε μονάδες. Όπως σημειώνουν οι Green και Armstrong, το MAE είναι ένα απλό και χρήσιμο μέτρο για αποφάσεις παραγωγής και ελέγχου αποθεμάτων.
Σταθμισμένο απόλυτο ποσοστιαίο σφάλμα. Η τεκμηρίωση σχεδιασμού ζήτησης AWS Supply Chain χρησιμοποιεί το WAPE ως συγκεντρωτική μετρική ακρίβειας γιατί δείχνει τη συνολική αστοχία πρόβλεψης σε σχέση με τη συνολική πραγματική ζήτηση.
Χρησιμοποιήστε το MAPE με προσοχή. Στον οδηγό ακρίβειας του Hyndman, το MAPE γίνεται αόριστο όταν η πραγματική ζήτηση είναι μηδέν και μπορεί να εκτιναχθεί όταν τα πραγματικά πλησιάζουν το μηδέν. Αυτό το κάνει κακή επιλογή για αργοκίνητα είδη, νέα προϊόντα ή οποιαδήποτε σειρά με συχνές περιόδους μηδενικής ζήτησης.
Ξεκινήστε με μεροληψία, MAE και WAPE. Προσθέστε πιο εξελιγμένες μετρικές μόνο αφού αυτές οι τρεις είναι σταθερές και κατανοητές.
Κάντε backtest πριν τo περάσετε στις αγορές
Μια πρόβλεψη δεν είναι έτοιμη επειδή φαίνεται λογική. Είναι έτοιμη αφού τη δοκιμάσετε σε παρελθοντικές περιόδους που δεν είδε. Ο οδηγός cross-validation χρονοσειρών του Hyndman περιγράφει την κυλιόμενη αφετηρία πρόβλεψης: προχωρήστε μέσα στο ιστορικό, προβλέψτε μπροστά και υπολογίστε τον μέσο όρο των σφαλμάτων. Αυτή είναι η ώριμη εκδοχή του ερωτήματος, 'Θα λειτουργούσε αυτό το προηγούμενο τρίμηνο;'
Γρήγορο backtest
- Κρατήστε τις τελευταίες 8 έως 12 περιόδους:Μη τις χρησιμοποιήσετε για να χτίσετε το πρώτο μοντέλο.
- Εκτελέστε κάθε υποψήφια μέθοδο:κινητός μέσος, εξομάλυνση και οποιαδήποτε εποχιακή εκδοχή θέλετε να συγκρίνετε.
- Μετρήστε μεροληψία, MAE και WAPE:Κρίνετε τις μεθόδους σε περιόδους που δεν είδαν.
- Επιλέξτε τη μέθοδο που μπορούν να εξηγήσουν οι άνθρωποι:Αν δύο μέθοδοι είναι κοντά, επιλέξτε αυτήν που η ομάδα πράγματι θα συντηρεί.
Γνωρίστε πού δυσκολεύεται το υπολογιστικό φύλλο
- Νέα προϊόντα: Δανειστείτε ιστορικό από παρόμοιο είδος, κατηγορία ή σχέδιο λανσαρίσματος γιατί το νέο SKU δεν έχει ακόμη σταθερό μοτίβο.
- Ακανόνιστη ή διακοπτόμενη ζήτηση: Προβλέψτε σε επίπεδο οικογένειας ή κατηγορίας πρώτα και σχεδιάστε την ατομική αναπλήρωση με περισσότερη χειρωνακτική αξιολόγηση.
- Προωθητικές ενέργειες και επιχειρήσεις έργων: Προσθέστε παρακάμψεις εκδηλώσεων ξεχωριστά αντί να ζητάτε από το βασικό μοντέλο να μαντέψει ειδικές εκδηλώσεις.
- Αδύναμη ακρίβεια αποθεμάτων: Αν η παραλαβή, οι προσαρμογές και ο έλεγχος θέσης είναι αδύναμοι, διορθώστε πρώτα τη διαδικασία. Μια πρόβλεψη πάνω σε κακά αρχεία εξακολουθεί να αγοράζει λάθος ποσότητα.
Εδώ η ιεράρχηση προτεραιοτήτων μετράει. Χρησιμοποιήστε ανάλυση ABC για να αποφασίσετε ποια είδη αξίζουν τη μεγαλύτερη προσοχή πρόβλεψης, και συνδυάστε την πρόβλεψη με πειθαρχημένη αξιολόγηση αποθεματικού ασφαλείας ώστε η αβεβαιότητα να μη μετατραπεί σε γενικευμένη υπεραγορά.
Τελικό συμπέρασμα
Η πρόβλεψη αποθεμάτων για μη επιστήμονες δεδομένων δεν αφορά τόσο τα προχωρημένα μαθηματικά όσο τη λειτουργική ειλικρίνεια. Καθαρίστε το ιστορικό. Ξεκινήστε με κινητούς μέσους ή εξομάλυνση. Προσθέστε εποχικότητα μόνο όταν επαναλαμβάνεται. Μετρήστε μεροληψία και απόλυτο σφάλμα. Κάντε backtest πριν εμπιστευτείτε τον αριθμό.
Επόμενο βήμα: επιλέξτε 20 σημαντικά SKU, δημιουργήστε ένα εβδομαδιαίο φύλλο και συγκρίνετε πρόβλεψη με πραγματικά για τις επόμενες 8 εβδομάδες. Μετά από αυτό, η πρόβλεψη θα πάψει να φαίνεται θεωρητική και θα αρχίσει να γίνεται μέρος του τρόπου που αγοράζετε.