پیشبینی موجودی برای غیرمتخصصان داده سختتر از واقعیت به نظر میرسد. بیشتر تیمها به مدل جعبه سیاه نیاز ندارند. آنها به یک تاریخچه فروش تمیز، روشی قابل تکرار و راهی برای تشخیص زمانی که دادهها دروغ میگویند نیاز دارند. اگر کالایی جمعه گذشته تمام شد، صفحهگسترده ریاضیات کم ندارد - زمینه کم دارد.
این خبر خوبی است، زیرا روشهای ساده اغلب قویتر از انتظار مردم هستند. در بررسی Green و Armstrong در Journal of Business Research، نویسندگان ۹۷ مقایسه از ۳۲ مقاله یافتند و هیچ توازنی از شواهد نبود که پیچیدگی اضافی دقت پیشبینی را بهبود بخشد. پیشبینی هنوز دشوار است، اما اولین پیروزی معمولا از نظم میآید، نه از نرمافزار فانتزی.
پیشبینی مفید آنی نیست که بیشترین تعداد برگه را دارد. آنی است که خریدار بتواند توضیح دهد، به چالش بکشد و قبل از مهلت سفارش بعدی استفاده کند.
پیشبینی موجودی مفید واقعا چه کار میکند
پیشبینی تخمینی از تقاضای آینده در یک بازه زمانی مشخص است. برای موجودی، آن بازه باید با ریتم خرید شما مطابقت داشته باشد: زمان تحویل تامینکننده بهعلاوه زمان تا بررسی بعدی. اگر هر دوشنبه سفارش میدهید و تامینکننده ۲۱ روز وقت میبرد، ۲۸ روز آینده مهم است، نه میانگین سالانه تئوری.
پیشبینی هشدار کافی میدهد تا قبل از اینکه اقلام A شما دچار کمبود قابلپیشگیری شوند، دوباره سفارش دهید.
جلوی اقلام کندفروش را میگیرد تا سرمایه در گردش را جذب نکنند فقط به این دلیل که کسی کمی بیشتر سفارش داده تا احساس امنیت کند.
فروش، خرید و عملیات میتوانند درباره یک عدد بحث کنند نه اینکه سه حدس متفاوت را دفاع کنند.
پیشبینیها قول نیستند. نقطه شروع هستند. شما همچنان باید مشکلات تامینکننده، رویدادهای تجاری و قضاوت کسبوکار را لایهبندی کنید. هدف کمال نیست. هدف شگفتیهای کمتر است.
با روشهای ساده شروع کنید، سپس پیچیدگی اضافه کنید فقط وقتی ارزشش را ثابت کند
کتاب راهنمای NIST درباره هموارسازی میانگینگیری را بهعنوان سادهترین راه برای هموار کردن دادهها و کاهش تغییرات تصادفی توصیف میکند. اینجا جایی است که بیشتر تیمهای موجودی باید شروع کنند. اگر تاریخچه شما نسبتا پایدار است، میانگینهای متحرک و روشهای هموارسازی خط مبنای عملیاتی را به سرعت به شما میدهند.
روش ۱: میانگین متحرک برای تقاضای پایدار
میانگین متحرک چند دوره قابل مقایسه اخیر را میگیرد و میانگین آنها را محاسبه میکند. اگر هفتگی پیشبینی میکنید، میانگین متحرک ۴ هفتهای اغلب برای شروع کافی است. مثال: اگر ۴ هفته گذشته ۹۲، ۱۰۴، ۹۶ و ۱۰۸ واحد فروخته، پیشبینی پایه هفته بعد (۹۲ + ۱۰۴ + ۹۶ + ۱۰۸) / ۴ = ۱۰۰ واحد است.
پیشبینی هفته بعد = (هفته -۱ + هفته -۲ + هفته -۳ + هفته -۴) / ۴. از دورههای قابل مقایسه استفاده کنید: هفته با هفته، ماه با ماه.
روش ۲: هموارسازی نمایی وقتی تاریخچه اخیر اهمیت بیشتری دارد
اگر فروش اخیر مهمتر از تاریخچه قدیمی است، به هموارسازی نمایی ساده ارتقا دهید. در Forecasting: Principles and Practice، Hyndman و Athanasopoulos آن را بهعنوان میانگین وزنی آخرین مقدار واقعی و پیشبینی قبلی ارائه میدهند. به زبان ساده: دیروز مهمتر از فصل گذشته است، اما فصل گذشته نادیده گرفته نمیشود. این هموارسازی را زمانی مفید میسازد که تقاضا در حال حرکت است اما فصلی قوی ندارد.
روش ۳: عامل فصلی اضافه کنید وقتی تقویم واقعا مهم است
اگر تقاضا با الگوی تقویمی تکرارشونده بالا و پایین میرود - هدایای دسامبر، آخر هفتههای تابستان، بازگشت به مدرسه، سفارشهای آخر ماه - اثر فصلی را از سطح پایه جدا کنید. در Forecasting: Principles and Practice، گام عملی پیشبینی سری تعدیلشده فصلی و سپس اضافه کردن الگوی فصلی است. این توصیف فنی یک ایده ساده است: دسامبر امسال باید بیشتر شبیه دسامبر سال گذشته باشد تا مه سال گذشته.
تعدیل فصلی ارزش تلاش را دارد. در همان بررسی Green و Armstrong، تعدیل فصلی MAPE را از ۲۳.۰ به ۱۷.۷ درصد روی ۶۸ سری ماهانه در M-Competition اصلی کاهش داد. یادآوری خوبی است که ساختار تقویمی ساده میتواند بر ریاضیات اضافی زیادی غلبه کند.
از میانگین متحرک ۴ تا ۸ دورهای استفاده کنید وقتی کالا بهطور منظم فروش میرود و سطح زیاد تغییر نمیکند.
از هموارسازی نمایی ساده استفاده کنید وقتی تقاضا به آرامی حرکت میکند و دورههای اخیر وزن بیشتری را شایستهاند.
از پیشبینی پایه بهعلاوه عوامل فصلی استفاده کنید وقتی همان افزایش تقویمی به اندازه کافی تکرار میشود تا قابل اعتماد باشد.
تاریخچه را قبل از اعتماد به ریاضیات تمیز کنید
روش پیشبینی مهم است، اما کیفیت ورودی مهمتر است. مرجوعیها، سفارشهای یکباره پروژه، ارسال ناقص تامینکننده و جهشهای تبلیغاتی همه میتوانند خط مبنا را تحریف کنند. اگر نویز وارد مدل کنید، فقط قضاوت بد را خودکار کردهاید.
کمبود موجودی بزرگترین تله است. در پژوهش درباره پیشبینی تقاضا تحت سیاستهای موجودی فروش از دست رفته، نویسندگان اشاره میکنند که اگر موجودی کافی باشد، فروش تخمین بدون تعصب تقاضا است، اما در حضور کمبود، فروش تقاضا را کمبرآورد میکند و پیشبینیها را پایین میآورد. این دقیقا چرخهای را ایجاد میکند که اپراتورها از آن متنفرند: پیشبینی کم، سفارش کم، کمبود، تکرار.
وقتی قفسه خالی است، فروش دیگر تقاضا را اندازه نمیگیرد و شروع به اندازهگیری دسترسیپذیری میکند.
یک مثال ساده از تعدیل کمبود موجودی
فرض کنید کالایی در یک ماه ۳۰ روزه ۲۱۰ واحد فروخته، اما فقط ۲۱ روز موجودی داشته است. نرخ روزانه ساده ۷ واحد است. نرخ تعدیلشده با کمبود ۱۰ واحد است زیرا ۲۱۰ / ۲۱ = ۱۰. برای برنامهریزی تامین مجدد، عدد دوم بسیار نزدیکتر به واقعیت است. عدد اول کمبود را در پیشبینی ماه بعد وارد میکند.
قوانین تاریخچه تمیز
- دورههای کمبود را علامتگذاری کنید:روزها یا هفتههایی با دسترسیپذیری صفر را ثبت کنید تا حذف یا تعدیل شوند، نه میانگینگیری.
- تبلیغات را از خط مبنا جدا کنید:هفته حراج یا جهش بازاریابی باید در ستون رویداد باشد، نه اینکه پیشبینی پایه را برای همیشه بزرگ کند.
- سفارشهای یکباره را حذف کنید:خریدهای بزرگ پروژه، بارگیریهای اولیه و انتقالهای داخلی رویدادهای برنامهریزی هستند، نه تقاضای معمول.
- از حقیقت موجودی استفاده کنید، نه فقط فروش:اگر دقت سوابق ضعیف است، اول شمارشها را اصلاح کنید. سوابق موجودی کثیف هم تاریخچه و هم خرید را تحریف میکنند. ببینید هزینه واقعی سطوح موجودی نادقیق.
- خانوادهها را قبل از واریانتها پیشبینی کنید وقتی لازم است:تاریخچه نازک روی اندازه-رنگ یا واریانت بستهبندی اغلب بهتر اول در سطح گروه پیشبینی میشود، سپس تخصیص داده میشود.
گردش کار صفحهگسترده که هر دوشنبه قابل اجراست
میتوانید یک پیشبینی معتبر را در یک برگه با سطرها بر اساس SKU و ستونها برای ۱۲ تا ۲۴ دوره آخر، نشانگرهای موجودی، یادداشتهای رویداد، پیشبینی، واقعی و خطا اجرا کنید. هدف ساختن مدل زیبا نیست. هدف ایجاد روالی قابل تکرار است.
روال پیشبینی دوشنبه
- تاریخچه را بر اساس هفته یا ماه صادر کنید:هفتگی برای اقلام سریع بهتر است. ماهانه برای کاتالوگ کندتر کافی است.
- دو ستون کمکی اضافه کنید:یکی برای وضعیت موجودی، یکی برای یادداشتهای رویداد. این دو فیلد تعداد شگفتآوری از پیشبینیهای بد را جلوگیری میکنند.
- یک روش پایه برای هر کلاس کالا انتخاب کنید:با میانگینهای متحرک برای اقلام پایدار و هموارسازی برای آنهایی که آرام جابهجا میشوند شروع کنید.
- فصلی بودن را فقط وقتی تکرار میشود اعمال کنید:اگر میتوانید همان افزایش تقویمی را بیش از یک بار نشان دهید، عامل فصلی اضافه کنید. در غیر این صورت، ساده نگه دارید.
- پنجره تامین مجدد را پیشبینی کنید:تقاضا را در طول زمان تحویل تامینکننده بهعلاوه فاصله تا بررسی سفارش بعدی تخمین بزنید.
- هر جایگزینی را بنویسید:اگر فروش میگوید مشتری جدید ۳۰۰ واحد ماه آینده اضافه میکند، جایگزینی و دلیل آن را وارد کنید. جایگزینیهای پنهان یادگیری را نابود میکنند.
سه بررسی دقت که افراد عادی میتوانند محاسبه کنند
به داشبورد پر از آمار نیاز ندارید. به چند معیار نیاز دارید که بگویند آیا پیشبینی بهطور سیستماتیک اشتباه است و چقدر.
میانگین خطای علامتدار. سوگیری مثبت یعنی مدام بیش از حد پیشبینی میکنید. سوگیری منفی یعنی بهطور مزمن کم پیشبینی میکنید و کمبود را دعوت میکنید.
میانگین خطای مطلق، میانگین خطا بر حسب واحد. همانطور که Green و Armstrong اشاره میکنند، MAE معیاری ساده و مفید برای تصمیمات تولید و کنترل موجودی است.
خطای درصد مطلق وزنی. مستندات برنامهریزی تقاضای AWS Supply Chain از WAPE بهعنوان معیار دقت تجمیعی استفاده میکند زیرا کل خطای پیشبینی نسبت به کل تقاضای واقعی را نشان میدهد.
MAPE را با احتیاط استفاده کنید. در راهنمای دقت Hyndman، MAPE وقتی تقاضای واقعی صفر باشد تعریفنشده میشود و وقتی واقعیها نزدیک صفر باشند ممکن است منفجر شود. این آن را انتخاب بدی برای اقلام کندفروش، محصولات جدید یا هر سری با دورههای تقاضای صفر مکرر میسازد.
با سوگیری، MAE و WAPE شروع کنید. معیارهای پیشرفتهتر را فقط بعد از پایداری و درک این سه اضافه کنید.
قبل از ورود به خرید، آزمون برگشتی انجام دهید
پیشبینی آماده نیست فقط به این دلیل که منطقی به نظر میرسد. بعد از آزمایش روی دورههای گذشتهای که ندیده آماده است. راهنمای اعتبارسنجی متقابل سری زمانی Hyndman مبدا پیشبینی متحرک را توصیف میکند: در تاریخچه حرکت کنید، به جلو پیشبینی کنید و خطاها را میانگین بگیرید. این نسخه بالغ سوال 'آیا این فصل گذشته جواب میداد؟' است.
آزمون برگشتی سریع
- ۸ تا ۱۲ دوره آخر را نگه دارید:از آنها برای ساختن مدل اول استفاده نکنید.
- هر روش نامزد را اجرا کنید:میانگین متحرک، هموارسازی و هر نسخه فصلی که میخواهید مقایسه کنید.
- سوگیری، MAE و WAPE را اندازه بگیرید:روشها را روی دورههایی که ندیدهاند قضاوت کنید.
- روشی را انتخاب کنید که مردم بتوانند توضیح دهند:اگر دو روش نزدیک هستند، آنی را انتخاب کنید که تیم واقعا نگهداری خواهد کرد.
بدانید صفحهگسترده کجا به مشکل میخورد
- محصولات جدید: تاریخچه را از کالای مشابه، دستهبندی یا برنامه عرضه قرض بگیرید زیرا SKU جدید هنوز الگوی پایداری ندارد.
- تقاضای نامنظم یا متناوب: اول در سطح خانواده یا دستهبندی پیشبینی کنید، سپس تامین مجدد فردی را با بررسی دستی بیشتر برنامهریزی کنید.
- تبلیغات و کسبوکار پروژهای: جایگزینیهای رویداد را جداگانه اضافه کنید نه اینکه از مدل پایه بخواهید رویدادهای خاص را حدس بزند.
- دقت موجودی ضعیف: اگر دریافت، تعدیل و کنترل مکان ضعیف است، اول فرآیند را اصلاح کنید. پیشبینی روی سوابق بد همچنان مقدار اشتباه میخرد.
اینجاست که اولویتبندی مهم میشود. از تحلیل ABC برای تصمیمگیری درباره اینکه کدام اقلام بیشترین توجه پیشبینی را شایستهاند استفاده کنید، و پیشبینی را با بررسی منظم موجودی ایمنی ترکیب کنید تا عدم قطعیت به خرید بیش از حد عمومی تبدیل نشود.
نتیجهگیری نهایی
پیشبینی موجودی برای غیرمتخصصان داده کمتر درباره ریاضیات پیشرفته و بیشتر درباره صداقت عملیاتی است. تاریخچه را تمیز کنید. با میانگینهای متحرک یا هموارسازی شروع کنید. فصلی بودن را فقط وقتی تکرار میشود اضافه کنید. سوگیری و خطای مطلق را اندازه بگیرید. قبل از اعتماد به عدد، آزمون برگشتی کنید.
قدم بعدی: ۲۰ SKU مهم انتخاب کنید، یک برگه هفتگی بسازید و پیشبینی را با واقعی برای ۸ هفته آینده مقایسه کنید. بعد از آن، پیشبینی دیگر تئوری به نظر نمیرسد و شروع به بخشی از روش خرید شما شدن میکند.