गैर-डेटा-वैज्ञानिकों के लिए इन्वेंटरी पूर्वानुमान

गैर-डेटा-वैज्ञानिकों के लिए इन्वेंटरी पूर्वानुमान सुनने में जितना कठिन लगता है, उतना है नहीं। अधिकांश टीमों को ब्लैक-बॉक्स मॉडल की ज़रूरत नहीं है। उन्हें चाहिए एक साफ बिक्री इतिहास, एक दोहराने योग्य तरीका, और यह पहचानने का साधन कि डेटा कब झूठ बोल रहा है। अगर कोई आइटम पिछले शुक्रवार को स्टॉक से बाहर हो गया, तो स्प्रेडशीट में गणित की कमी नहीं है - संदर्भ की कमी है।

यह अच्छी खबर है, क्योंकि सरल तरीके अक्सर लोगों की अपेक्षा से अधिक मज़बूत होते हैं। ग्रीन और आर्मस्ट्रॉन्ग की जर्नल ऑफ बिज़नेस रिसर्च में समीक्षा में लेखकों ने 32 शोधपत्रों में 97 तुलनाएं पाईं और कोई संतुलित प्रमाण नहीं मिला कि अतिरिक्त जटिलता पूर्वानुमान सटीकता में सुधार करती है। पूर्वानुमान अभी भी कठिन है, लेकिन पहली जीत आमतौर पर अनुशासन से आती है, फैंसी सॉफ़्टवेयर से नहीं।

उपयोगी इन्वेंटरी पूर्वानुमान वास्तव में क्या करता है

पूर्वानुमान एक निर्धारित अवधि में भविष्य की मांग का अनुमान है। इन्वेंटरी के लिए, वह अवधि आपकी खरीद लय से मेल खानी चाहिए: सप्लायर लीड टाइम प्लस अगली समीक्षा तक का समय। अगर आप हर सोमवार ऑर्डर करते हैं और सप्लायर को 21 दिन लगते हैं, तो आपको अगले 28 दिनों की चिंता है, सैद्धांतिक वार्षिक औसत की नहीं।

पूर्वानुमान वादे नहीं हैं। ये शुरुआती बिंदु हैं। आपको अभी भी सप्लायर समस्याएं, व्यावसायिक इवेंट और व्यावसायिक निर्णय जोड़ने होंगे। लक्ष्य परिपूर्णता नहीं है। लक्ष्य है कम आश्चर्य।

सरल तरीकों से शुरू करें, जटिलता तभी जोड़ें जब वह उचित हो

NIST स्मूदिंग हैंडबुक एवरेजिंग को डेटा स्मूद करने और रैंडम वेरिएशन कम करने का सबसे सरल तरीका बताता है। यही वह जगह है जहां अधिकांश इन्वेंटरी टीमों को शुरुआत करनी चाहिए। अगर आपका इतिहास यथोचित रूप से स्थिर है, तो सरल मूविंग एवरेज और स्मूदिंग तरीके आपको जल्दी एक संचालन बेसलाइन देंगे।

तरीका 1: स्थिर मांग के लिए मूविंग एवरेज

मूविंग एवरेज पिछली कुछ तुलनीय अवधियों का औसत लेता है। अगर आप साप्ताहिक पूर्वानुमान लगाते हैं, तो 4-सप्ताह का मूविंग एवरेज शुरुआत के लिए अक्सर पर्याप्त होता है। उदाहरण: अगर पिछले 4 सप्ताहों में 92, 104, 96 और 108 यूनिट बिकीं, तो अगले सप्ताह का बेसलाइन पूर्वानुमान = (92 + 104 + 96 + 108) / 4 = 100 यूनिट।

तरीका 2: एक्सपोनेंशियल स्मूदिंग जब हालिया इतिहास ज़्यादा मायने रखता है

अगर हालिया बिक्री पुराने इतिहास से ज़्यादा मायने रखती है, तो सिंपल एक्सपोनेंशियल स्मूदिंग अपनाएं। फोरकास्टिंग: प्रिंसिपल्स एंड प्रैक्टिस में हिंडमैन और एथनासोपोलोस इसे सबसे हालिया वास्तविक मान और पिछले पूर्वानुमान के भारित औसत के रूप में दिखाते हैं। सरल भाषा में: कल आज से ज़्यादा मायने रखता है पिछली तिमाही की तुलना में, लेकिन पिछली तिमाही को नज़रअंदाज़ नहीं किया जाता। यह स्मूदिंग को तब उपयोगी बनाता है जब मांग धीरे-धीरे बदल रही हो लेकिन मज़बूत मौसमी पैटर्न न हो।

तरीका 3: जब कैलेंडर वाकई मायने रखता हो तो मौसमी फैक्टर जोड़ें

अगर मांग दोहराने वाले कैलेंडर पैटर्न के अनुसार बढ़ती-घटती है - दिसंबर गिफ्टिंग, गर्मियों के वीकेंड, बैक-टू-स्कूल, महीने के अंत के ऑर्डर - तो मौसमी प्रभाव को बेस लेवल से अलग करें। फोरकास्टिंग: प्रिंसिपल्स एंड प्रैक्टिस में व्यावहारिक कदम यह है कि मौसमी रूप से समायोजित सीरीज़ का पूर्वानुमान लगाएं और फिर मौसमी पैटर्न वापस जोड़ें। यह एक सरल विचार का तकनीकी विवरण है: इस साल का दिसंबर पिछले मई से ज़्यादा पिछले दिसंबर जैसा दिखना चाहिए।

मौसमी समायोजन प्रयास के लायक है। उसी ग्रीन और आर्मस्ट्रॉन्ग समीक्षा में, मौसमी समायोजन ने मूल M-Competition की 68 मासिक सीरीज़ पर MAPE को 23.0 से घटाकर 17.7 प्रतिशत कर दिया। यह एक उपयोगी अनुस्मारक है कि सरल कैलेंडर संरचना बहुत सारी अतिरिक्त गणित को मात दे सकती है।

गणित पर भरोसा करने से पहले इतिहास को साफ करें

पूर्वानुमान का तरीका मायने रखता है, लेकिन इनपुट की गुणवत्ता ज़्यादा मायने रखती है। रिटर्न, एकमुश्त प्रोजेक्ट ऑर्डर, सप्लायर शॉर्ट-शिप और प्रमोशनल स्पाइक सभी बेसलाइन को विकृत कर सकते हैं। अगर आप मॉडल में शोर डालेंगे, तो आप बस खराब निर्णय को ऑटोमेट कर रहे हैं।

स्टॉकआउट सबसे बड़ा जाल है। लॉस्ट-सेल्स स्टॉक पॉलिसी के तहत मांग पूर्वानुमान पर शोध में लेखक बताते हैं कि अगर पर्याप्त स्टॉक उपलब्ध है तो बिक्री मांग का निष्पक्ष अनुमान है, लेकिन स्टॉकआउट की स्थिति में बिक्री मांग को कम आंकती है और पूर्वानुमान को नीचे धकेलती है। यह वही चक्र बनाता है जिससे ऑपरेटर नफरत करते हैं: कम पूर्वानुमान, कम ऑर्डर, स्टॉकआउट, दोहराएं।

एक सरल स्टॉकआउट समायोजन उदाहरण

मान लें कि एक आइटम ने 30-दिन के महीने में 210 यूनिट बेचे, लेकिन यह केवल 21 दिन स्टॉक में था। सामान्य दैनिक दर 7 यूनिट है। स्टॉकआउट-समायोजित दर 10 यूनिट है क्योंकि 210 / 21 = 10। पुनःपूर्ति योजना के लिए, दूसरी संख्या वास्तविकता के कहीं अधिक करीब है। पहली संख्या स्टॉकआउट को अगले महीने के पूर्वानुमान में शामिल कर लेती है।

एक स्प्रेडशीट वर्कफ़्लो जो आप हर सोमवार चला सकते हैं

आप एक ही शीट में एक सम्मानजनक पूर्वानुमान चला सकते हैं जिसमें SKU के अनुसार पंक्तियां और पिछली 12 से 24 अवधियों, इन-स्टॉक फ्लैग, इवेंट नोट्स, पूर्वानुमान, वास्तविक और त्रुटि के लिए कॉलम हों। उद्देश्य सुंदर मॉडल बनाना नहीं है। उद्देश्य एक दोहराने योग्य रूटीन बनाना है।

तीन सटीकता जांच जो सामान्य लोग गणना कर सकते हैं

आपको आंकड़ों से भरे डैशबोर्ड की ज़रूरत नहीं है। आपको बस कुछ मापदंड चाहिए जो बताएं कि पूर्वानुमान व्यवस्थित रूप से गलत है या नहीं और कितना।

MAPE सावधानी से उपयोग करें। हिंडमैन के सटीकता गाइड में, MAPE तब अपरिभाषित हो जाता है जब वास्तविक मांग शून्य हो और शून्य के करीब होने पर विस्फोट कर सकता है। यह इसे धीमे आइटम, लॉन्च आइटम या लगातार शून्य-मांग अवधियों वाली किसी भी सीरीज़ के लिए खराब विकल्प बनाता है।

खरीद में शामिल करने से पहले बैकटेस्ट करें

पूर्वानुमान इसलिए तैयार नहीं होता कि वह उचित दिखता है। वह तब तैयार होता है जब आप इसे उन पिछली अवधियों पर परखते हैं जो उसने नहीं देखी थीं। हिंडमैन की टाइम सीरीज़ क्रॉस-वैलिडेशन गाइड रोलिंग फोरकास्ट ऑरिजिन का वर्णन करती है: इतिहास में आगे बढ़ें, आगे का पूर्वानुमान लगाएं, और त्रुटियों का औसत निकालें। यह इस सवाल का परिपक्व संस्करण है, 'क्या यह पिछली तिमाही में काम करता?'

जानें कि स्प्रेडशीट कहां संघर्ष करती है

• नए उत्पाद: किसी समान आइटम, श्रेणी या लॉन्च प्लान से इतिहास उधार लें क्योंकि नए SKU का अभी कोई स्थिर पैटर्न नहीं है।
• असंगत या गांठदार मांग: पहले फैमिली या श्रेणी स्तर पर पूर्वानुमान लगाएं, फिर व्यक्तिगत पुनःपूर्ति की अधिक मैनुअल समीक्षा से योजना बनाएं।
• प्रमोशन और प्रोजेक्ट बिज़नेस: बेसलाइन मॉडल से विशेष इवेंट का अनुमान लगवाने के बजाय इवेंट ओवरराइड अलग से जोड़ें।
• कमज़ोर इन्वेंटरी सटीकता: अगर रिसीविंग, एडजस्टमेंट और लोकेशन कंट्रोल कमज़ोर हैं, पहले प्रक्रिया ठीक करें। खराब रिकॉर्ड पर बना पूर्वानुमान फिर भी गलत मात्रा खरीदता है।

यहीं प्राथमिकता तय करना मायने रखता है। ABC विश्लेषण का उपयोग करें यह तय करने के लिए कि किन आइटम को सबसे अधिक पूर्वानुमान ध्यान मिलना चाहिए, और पूर्वानुमान को एक अनुशासित सेफ्टी स्टॉक समीक्षा के साथ जोड़ें ताकि अनिश्चितता सर्वव्यापी अधिक खरीदारी में न बदले।

अंतिम निष्कर्ष

गैर-डेटा-वैज्ञानिकों के लिए इन्वेंटरी पूर्वानुमान उन्नत गणित से कम और संचालनात्मक ईमानदारी से ज़्यादा जुड़ा है। इतिहास साफ करें। मूविंग एवरेज या स्मूदिंग से शुरू करें। मौसमी पैटर्न तभी जोड़ें जब वह दोहराता हो। बायस और एब्सोल्यूट एरर मापें। नंबर पर भरोसा करने से पहले बैकटेस्ट करें।

अगला कदम: 20 महत्वपूर्ण SKU चुनें, एक साप्ताहिक शीट बनाएं, और अगले 8 सप्ताहों तक पूर्वानुमान बनाम वास्तविक की तुलना करें। उसके बाद, पूर्वानुमान सैद्धांतिक लगना बंद हो जाएगा और आपकी खरीद प्रक्रिया का हिस्सा बनने लगेगा।