Ramalan inventori untuk bukan saintis data kedengaran lebih sukar daripada realitinya. Kebanyakan pasukan tidak memerlukan model kotak hitam. Mereka perlukan sejarah jualan yang bersih, kaedah yang boleh diulang, dan cara mengesan apabila data berbohong. Jika sesuatu item kehabisan stok pada Jumaat lepas, hamparan tidak kekurangan matematik - ia kekurangan konteks.
Itu berita baik kerana kaedah ringkas selalunya lebih kukuh daripada jangkaan orang. Dalam ulasan Green dan Armstrong di Journal of Business Research, penulis menemui 97 perbandingan merentasi 32 kertas kerja dan tiada imbangan bukti bahawa kerumitan tambahan meningkatkan ketepatan ramalan. Peramalan tetap sukar, tetapi kemenangan pertama biasanya datang daripada disiplin, bukan daripada perisian canggih.
Ramalan yang berguna bukan yang paling banyak tab. Ia adalah ramalan yang boleh dijelaskan, dipersoal, dan digunakan oleh pembeli sebelum tarikh akhir pesanan seterusnya.
Apa yang sebenarnya dilakukan oleh ramalan inventori yang berguna
Ramalan ialah anggaran permintaan masa depan dalam tempoh tertentu. Untuk inventori, tempoh itu perlu sepadan dengan irama pembelian anda: masa tunggu pembekal campur masa sehingga semakan seterusnya. Jika anda memesan setiap Isnin dan pembekal mengambil 21 hari, anda mengambil berat tentang 28 hari akan datang, bukan purata tahunan teori.
Ramalan memberi amaran awal yang mencukupi untuk memesan semula sebelum item A anda mengalami kehabisan stok yang boleh dielakkan.
Menghalang item perlahan daripada menyerap modal kerja hanya kerana seseorang memesan lebih sedikit untuk berasa selamat.
Jualan, pembelian, dan operasi boleh berdebat tentang satu nombor dan bukannya mempertahankan tiga tekaan berbeza.
Ramalan bukan janji. Ia adalah titik permulaan. Anda masih perlu menambah masalah pembekal, acara komersial, dan pertimbangan perniagaan. Matlamatnya bukan kesempurnaan. Matlamatnya ialah lebih sedikit kejutan.
Mulakan dengan kaedah ringkas, kemudian tambah kerumitan hanya apabila ia terbukti berbaloi
Buku panduan NIST tentang pelicinan menggambarkan purata sebagai cara paling ringkas untuk melicin data dan mengurangkan variasi rawak. Di situlah kebanyakan pasukan inventori patut bermula. Jika sejarah anda agak stabil, purata bergerak dan kaedah pelicinan akan memberi anda garis dasar operasi dengan pantas.
Kaedah 1: purata bergerak untuk permintaan stabil
Purata bergerak mengambil beberapa tempoh terkini yang setanding dan merata-ratakannya. Jika anda meramal mingguan, purata bergerak 4 minggu selalunya sudah memadai untuk bermula. Contoh: jika 4 minggu lepas menjual 92, 104, 96, dan 108 unit, ramalan asas minggu depan ialah (92 + 104 + 96 + 108) / 4 = 100 unit.
Ramalan minggu depan = (minggu -1 + minggu -2 + minggu -3 + minggu -4) / 4. Gunakan tempoh setanding: minggu dengan minggu, bulan dengan bulan.
Kaedah 2: pelicinan eksponen apabila sejarah terkini lebih penting
Jika jualan terkini lebih penting daripada sejarah lama, naik taraf kepada pelicinan eksponen ringkas. Dalam Forecasting: Principles and Practice, Hyndman dan Athanasopoulos membentangkannya sebagai purata berwajaran antara aktual terkini dan ramalan sebelumnya. Dalam bahasa mudah: semalam lebih penting daripada suku lepas, tetapi suku lepas tidak diabaikan. Itu menjadikan pelicinan berguna apabila permintaan merayap tetapi tidak bermusim kuat.
Kaedah 3: tambah faktor bermusim apabila kalendar benar-benar penting
Jika permintaan naik dan turun mengikut corak kalendar yang berulang - hadiah Disember, hujung minggu musim panas, kembali ke sekolah, pesanan akhir bulan - asingkan kesan bermusim daripada aras dasar. Dalam Forecasting: Principles and Practice, langkah praktikal ialah meramal siri yang telah diselaraskan bermusim kemudian menambah semula corak bermusim. Itu huraian teknikal bagi idea ringkas: Disember ini sepatutnya lebih mirip Disember lepas daripada Mei lepas.
Pelarasan bermusim berbaloi dengan usahanya. Dalam ulasan Green dan Armstrong yang sama, pelarasan bermusim menurunkan MAPE daripada 23.0 kepada 17.7 peratus pada 68 siri bulanan dalam M-Competition asal. Itu peringatan berguna bahawa struktur kalendar ringkas boleh mengatasi banyak matematik tambahan.
Gunakan purata bergerak 4 hingga 8 tempoh apabila item terjual secara tetap dan arasnya tidak banyak berubah.
Gunakan pelicinan eksponen ringkas apabila permintaan bergerak perlahan dan tempoh terkini layak mendapat wajaran lebih.
Gunakan ramalan dasar campur faktor bermusim apabila lonjakan kalendar yang sama berulang cukup kerap untuk dipercayai.
Bersihkan sejarah sebelum mempercayai matematiknya
Kaedah ramalan penting, tetapi kualiti input lebih penting. Pemulangan, pesanan projek sekali sahaja, penghantaran kurang daripada pembekal, dan lonjakan promosi semuanya boleh memesongkan garis dasar. Jika anda memasukkan bunyi bising ke dalam model, anda hanya mengautomasikan pertimbangan buruk.
Kehabisan stok ialah perangkap terbesar. Dalam penyelidikan tentang ramalan permintaan di bawah dasar stok jualan hilang, penulis menyatakan bahawa jika stok mencukupi, jualan ialah anggaran permintaan yang tidak berat sebelah, tetapi semasa kehabisan stok, jualan merendahkan permintaan dan menolak ramalan ke bawah. Itu mencipta lingkaran yang paling dibenci oleh operator: ramal kurang, pesan kurang, kehabisan stok, ulang.
Apabila rak kosong, jualan berhenti mengukur permintaan dan mula mengukur ketersediaan.
Contoh ringkas pelarasan kehabisan stok
Katakan sesuatu item menjual 210 unit dalam sebulan 30 hari, tetapi ia hanya ada stok selama 21 hari. Kadar harian naif ialah 7 unit. Kadar yang diselaraskan kehabisan stok ialah 10 unit kerana 210 / 21 = 10. Untuk perancangan pengisian semula, nombor kedua jauh lebih dekat dengan realiti. Nombor pertama memasukkan kehabisan stok ke dalam ramalan bulan seterusnya.
Peraturan sejarah bersih
- Tandakan tempoh kehabisan stok:Catatkan hari atau minggu dengan ketersediaan sifar supaya ia dikecualikan atau diselaraskan, bukan dipuratakan.
- Asingkan promosi daripada garis dasar:Minggu jualan murah atau lonjakan pemasaran perlu masuk ke lajur acara, bukan mengembungkan ramalan asas secara kekal.
- Keluarkan pesanan sekali sahaja:Pembelian projek besar, pengisian pelancaran, dan pemindahan dalaman ialah acara perancangan, bukan permintaan biasa.
- Gunakan kebenaran inventori, bukan jualan sahaja:Jika ketepatan rekod lemah, betulkan kiraan dahulu. Rekod stok kotor memesongkan kedua-dua sejarah dan pembelian. Lihat kos sebenar tahap stok tidak tepat.
- Ramalkan keluarga sebelum varian apabila perlu:Sejarah nipis pada saiz-warna atau varian bungkusan selalunya lebih tepat diramal di peringkat kumpulan dahulu, kemudian diagihkan ke bawah.
Aliran kerja hamparan yang boleh anda jalankan setiap Isnin
Anda boleh menjalankan ramalan yang boleh diharap dalam satu helaian dengan baris per SKU dan lajur untuk 12 hingga 24 tempoh terakhir, penanda ketersediaan, nota acara, ramalan, aktual, dan ralat. Matlamatnya bukan model yang cantik. Matlamatnya ialah rutin yang boleh diulang.
Rutin ramalan Isnin
- Eksport sejarah mengikut minggu atau bulan:Mingguan lebih baik untuk item pantas bergerak. Bulanan sudah memadai untuk item katalog perlahan.
- Tambah dua lajur pembantu:satu untuk status stok, satu untuk nota acara. Dua medan itu menghalang sejumlah besar ramalan buruk.
- Pilih satu kaedah asas per kelas item:Mulakan dengan purata bergerak untuk item stabil dan pelicinan untuk yang merayap.
- Gunakan pelarasan bermusim hanya apabila ia berulang:Jika anda boleh menunjuk lonjakan kalendar yang sama lebih daripada sekali, tambah faktor bermusim. Jika tidak, kekalkan ringkas.
- Ramalkan tetingkap pengisian semula:Anggarkan permintaan merentasi masa tunggu pembekal campur selang sehingga semakan pesanan seterusnya.
- Catatkan setiap penggantian:Jika jualan memberitahu pelanggan baharu menambah 300 unit bulan depan, masukkan penggantian dan sebabnya. Penggantian tersembunyi memusnahkan pembelajaran.
Tiga semakan ketepatan yang boleh dikira oleh sesiapa
Anda tidak memerlukan papan pemuka penuh statistik. Anda perlu beberapa ukuran yang memberitahu sama ada ramalan salah secara sistematik dan berapa besar.
Purata ralat bertanda. Bias positif bermakna anda terus meramal berlebihan. Bias negatif bermakna anda secara kronik meramal kurang dan mengundang kehabisan stok.
Purata ralat mutlak, purata kesilapan dalam unit. Seperti yang dinyatakan Green dan Armstrong, MAE ialah ukuran ringkas dan berguna untuk keputusan pengeluaran dan kawalan inventori.
Ralat peratusan mutlak berwajaran. Dokumentasi perancangan permintaan AWS Supply Chain menggunakan WAPE sebagai metrik ketepatan agregat kerana ia menunjukkan jumlah kesilapan ramalan berbanding jumlah permintaan aktual.
Gunakan MAPE dengan berhati-hati. Dalam panduan ketepatan Hyndman, MAPE menjadi tidak tertakrif apabila permintaan aktual ialah sifar dan boleh melambung apabila aktual hampir sifar. Itu menjadikannya pilihan buruk untuk item perlahan, pelancaran, atau sebarang siri dengan tempoh permintaan sifar yang kerap.
Mulakan dengan bias, MAE, dan WAPE. Tambah metrik lebih canggih hanya selepas ketiga-tiganya stabil dan difahami.
Uji semula sebelum membawanya ke pembelian
Ramalan tidak siap kerana ia kelihatan munasabah. Ia siap selepas anda mengujinya pada tempoh lepas yang tidak dilihatnya. Panduan pengesahan silang siri masa Hyndman menggambarkan asal ramalan berguling: bergerak melalui sejarah, ramal ke hadapan, dan puratakan ralatnya. Itu versi dewasa bertanya, 'Adakah ini berkesan suku lepas?'
Ujian semula pantas
- Simpan 8 hingga 12 tempoh terakhir:Jangan gunakan untuk membina model pertama.
- Jalankan setiap kaedah calon:purata bergerak, pelicinan, dan sebarang versi bermusim yang anda mahu bandingkan.
- Ukur bias, MAE, dan WAPE:Nilai kaedah pada tempoh yang tidak dilihatnya.
- Pilih kaedah yang boleh dijelaskan orang:Jika dua kaedah hampir sama, pilih yang benar-benar akan dikekalkan oleh pasukan.
Ketahui di mana hamparan mula bergelut
- Produk baharu: Pinjam sejarah daripada item serupa, kategori, atau pelan pelancaran kerana SKU baharu belum mempunyai corak stabil.
- Permintaan tidak teratur atau terserak: Ramalkan di peringkat keluarga atau kategori dahulu, kemudian rancang pengisian semula individu dengan lebih banyak semakan manual.
- Promosi dan perniagaan projek: Tambah penggantian acara secara berasingan dan bukannya meminta model asas meneka acara khas.
- Ketepatan inventori lemah: Jika penerimaan, pelarasan, dan kawalan lokasi lemah, betulkan proses dahulu. Ramalan di atas rekod buruk tetap membeli kuantiti yang salah.
Di sinilah keutamaan penting. Gunakan analisis ABC untuk memutuskan item mana yang layak mendapat perhatian ramalan paling banyak, dan padankan ramalan dengan semakan stok penampan yang berdisiplin supaya ketidakpastian tidak bertukar menjadi pembelian berlebihan menyeluruh.
Kesimpulan
Ramalan inventori untuk bukan saintis data kurang berkaitan matematik lanjutan dan lebih berkaitan kejujuran operasi. Bersihkan sejarah. Mulakan dengan purata bergerak atau pelicinan. Tambah bermusim hanya apabila ia berulang. Ukur bias dan ralat mutlak. Uji semula sebelum mempercayai nombor itu.
Langkah seterusnya: pilih 20 SKU penting, bina satu helaian mingguan, dan bandingkan ramalan lawan aktual selama 8 minggu akan datang. Selepas itu, ramalan akan berhenti terasa teori dan mula menjadi sebahagian daripada cara anda membeli.