Voorraadprognose voor niet-datawetenschappers klinkt moeilijker dan het is. De meeste teams hebben geen black-box model nodig. Ze hebben een schone verkoophistorie nodig, een herhaalbare methode en een manier om te zien wanneer de data liegt. Als een artikel afgelopen vrijdag uitverkocht was, mist het spreadsheet geen wiskunde - het mist context.
Dat is goed nieuws, want eenvoudige methoden zijn vaak sterker dan mensen verwachten. In de review van Green en Armstrong in het Journal of Business Research vonden de auteurs 97 vergelijkingen in 32 papers en geen bewijs dat extra complexiteit de prognose-nauwkeurigheid verbetert. Prognoses blijven lastig, maar de eerste winst komt meestal van discipline, niet van dure software.
Een nuttige prognose is niet die met de meeste tabbladen. Het is de prognose die een inkoper kan uitleggen, ter discussie stellen en gebruiken voor de volgende besteldeadline.
Wat een nuttige voorraadprognose eigenlijk doet
Een prognose is een schatting van de toekomstige vraag over een gedefinieerde periode. Voor voorraad moet die periode overeenkomen met uw inkoopritme: levertijd van de leverancier plus de tijd tot de volgende review. Als u elke maandag bestelt en de leverancier 21 dagen nodig heeft, gaat het om de komende 28 dagen, niet om een theoretisch jaargemiddelde.
Een prognose geeft u voldoende waarschuwing om te herbestellen voordat uw A-artikelen in een vermijdbaar voorraadtekort raken.
Het voorkomt dat langzaam lopende artikelen werkkapitaal opslokken alleen omdat iemand iets extra bestelde om zich veilig te voelen.
Verkoop, inkoop en operations kunnen discussieren over een getal in plaats van drie verschillende onderbuikgevoelens te verdedigen.
Prognoses zijn geen beloftes. Ze zijn startpunten. U moet nog steeds leveranciersproblemen, commerciele evenementen en bedrijfsoordeel meewegen. Het doel is niet perfectie. Het doel is minder verrassingen.
Begin met eenvoudige methoden en voeg complexiteit pas toe als het zich bewijst
Het NIST-handboek over smoothing beschrijft het gemiddelde als de eenvoudigste manier om data te gladstrijken en willekeurige variatie te verminderen. Dat is precies waar de meeste voorraadteams moeten beginnen. Als uw historie redelijk stabiel is, geven voortschrijdende gemiddelden en gladstrijkmethoden u snel een operationele basis.
Methode 1: voortschrijdend gemiddelde voor stabiele vraag
Een voortschrijdend gemiddelde neemt de laatste vergelijkbare perioden en berekent het gemiddelde. Als u wekelijks prognoseert, is een voortschrijdend gemiddelde over 4 weken vaak voldoende om te beginnen. Voorbeeld: als de laatste 4 weken 92, 104, 96 en 108 eenheden verkochten, is de basisprognose voor volgende week (92 + 104 + 96 + 108) / 4 = 100 eenheden.
Prognose volgende week = (week -1 + week -2 + week -3 + week -4) / 4. Gebruik vergelijkbare perioden: weken met weken, maanden met maanden.
Methode 2: exponentiele gladstrijking wanneer recente historie zwaarder weegt
Als recente verkopen belangrijker zijn dan oudere historie, stap dan over op eenvoudige exponentiele gladstrijking. In Forecasting: Principles and Practice presenteren Hyndman en Athanasopoulos het als een gewogen gemiddelde van de meest recente werkelijke waarde en de vorige prognose. In gewone taal: gisteren telt zwaarder dan vorig kwartaal, maar vorig kwartaal wordt niet genegeerd. Dat maakt gladstrijking nuttig wanneer de vraag langzaam verschuift maar niet sterk seizoensgebonden is.
Methode 3: voeg een seizoensfactor toe wanneer de kalender echt uitmaakt
Als de vraag stijgt en daalt met een herhalend kalenderpatroon - decembergeschenken, zomerweekends, terug-naar-school, maandeindebestellingen - scheid dan het seizoenseffect van het basisniveau. In Forecasting: Principles and Practice is de praktische aanpak om de seizoensgecorrigeerde reeks te prognosticeren en vervolgens het seizoenspatroon weer toe te voegen. Dat is de technische beschrijving van een simpel idee: deze december moet meer lijken op vorige december dan op vorige mei.
Seizoenscorrectie is de moeite waard. In dezelfde review van Green en Armstrong verlaagde seizoenscorrectie de MAPE van 23,0 naar 17,7 procent over 68 maandelijkse reeksen in de originele M-Competition. Een goede herinnering dat een eenvoudige kalenderstructuur veel extra wiskunde kan verslaan.
Gebruik een voortschrijdend gemiddelde van 4 tot 8 perioden wanneer het artikel regelmatig verkoopt en het niveau niet veel verschuift.
Gebruik eenvoudige exponentiele gladstrijking wanneer de vraag geleidelijk beweegt en recente perioden meer gewicht verdienen.
Gebruik een basisprognose plus seizoensfactoren wanneer dezelfde kalenderimpuls vaak genoeg terugkeert om te vertrouwen.
Schoon de historie op voordat u de wiskunde vertrouwt
De prognosemethode doet ertoe, maar de kwaliteit van de input doet er meer toe. Retouren, eenmalige projectbestellingen, onvolledige leveringen en promotiepieken kunnen allemaal de basis vertekenen. Als u ruis in een model stopt, automatiseert u alleen slecht oordeel.
Voorraadtekorten zijn de grootste valkuil. In onderzoek naar vraagprognoses bij verloren-verkopen voorraadbeleid merken de auteurs op dat als er voldoende voorraad is, verkopen een onvertekende schatting van de vraag zijn, maar bij voorraadtekorten onderschatten verkopen de vraag en duwen ze prognoses omlaag. Dat creert precies de spiraal die operators haten: te lage prognose, te weinig bestellen, voorraadtekort, herhaal.
Wanneer het schap leeg is, meten verkopen niet langer de vraag maar de beschikbaarheid.
Een eenvoudig voorbeeld van correctie voor voorraadtekort
Stel dat een artikel 210 eenheden verkocht in een maand van 30 dagen, maar slechts 21 dagen op voorraad was. Het naieve dagelijkse tempo is 7 eenheden. Het voor voorraadtekort gecorrigeerde tempo is 10 eenheden omdat 210 / 21 = 10. Voor aanvulplanning is het tweede getal veel dichter bij de werkelijkheid. Het eerste getal bakt het voorraadtekort in de prognose van volgende maand.
Regels voor schone historie
- Markeer perioden met voorraadtekort:Registreer dagen of weken met nul beschikbaarheid zodat ze worden uitgesloten of gecorrigeerd, niet gemiddeld.
- Scheid promoties van de basis:Een uitverkoopweek of marketingpiek hoort in een evenementenkolom, niet permanent de basisprognose op te blazen.
- Verwijder eenmalige bestellingen:Grote projectinkopen, lanceervoorraden en interne transfers zijn planningsgebeurtenissen, geen gewone vraag.
- Gebruik de voorraadwaarheid, niet alleen verkopen:Als de registratienauwkeurigheid zwak is, corrigeer dan eerst de tellingen. Slechte voorraadgegevens vertekenen zowel historie als inkoop. Zie de ware kosten van onnauwkeurige voorraadniveaus.
- Prognosticeer families voor varianten wanneer nodig:Dunne historie op maat-kleur of verpakkingsvarianten prognoseert vaak beter op groepsniveau eerst en verdeelt daarna.
Een spreadsheet-werkstroom die u elke maandag kunt uitvoeren
U kunt een degelijke prognose draaien in een enkel werkblad met rijen per SKU en kolommen voor de laatste 12 tot 24 perioden, beschikbaarheidsvlaggen, evenementnotities, prognose, werkelijk en fout. Het doel is niet een mooi model maken. Het doel is een herhaalbare routine creeren.
Maandagse prognose-routine
- Exporteer historie per week of maand:Wekelijks is beter voor snellopende artikelen. Maandelijks is voldoende voor langzamere catalogusartikelen.
- Voeg twee hulpkolommen toe:een voor voorraadstatus, een voor evenementnotities. Die twee velden voorkomen een verrassend aantal slechte prognoses.
- Kies een basismethode per artikelklasse:Begin met voortschrijdende gemiddelden voor stabiele artikelen en gladstrijking voor langzaam verschuivende artikelen.
- Pas seizoensinvloed alleen toe wanneer het zich herhaalt:Als u dezelfde kalenderimpuls meer dan eens kunt aanwijzen, voeg dan een seizoensfactor toe. Zo niet, houd het eenvoudig.
- Prognosticeer het aanvulvenster:Schat de vraag over de levertijd van de leverancier plus het interval tot de volgende bestelreview.
- Schrijf elke handmatige aanpassing op:Als verkoop zegt dat een nieuwe klant 300 eenheden toevoegt volgende maand, noteer dan de aanpassing en de reden. Verborgen aanpassingen vernietigen het leerproces.
Drie nauwkeurigheidscontroles die normale mensen kunnen berekenen
U hebt geen dashboard vol statistieken nodig. U hebt een paar maatstaven nodig die vertellen of de prognose systematisch fout zit en hoeveel.
Gemiddelde fout met teken. Positieve bias betekent dat u steeds te hoog prognoseert. Negatieve bias betekent dat u chronisch onderschat en voorraadtekorten uitlokt.
Gemiddelde absolute fout, de gemiddelde afwijking in eenheden. Zoals Green en Armstrong opmerken, is MAE een eenvoudige en nuttige maatstaf voor productie- en voorraadbeheersbeslissingen.
Gewogen absoluut percentagefout. De documentatie van AWS Supply Chain voor vraagplanning gebruikt WAPE als geaggregeerde nauwkeurigheidsmaatstaf omdat het de totale prognosefout toont ten opzichte van de totale werkelijke vraag.
Gebruik MAPE voorzichtig. In de nauwkeurigheidsgids van Hyndman wordt MAPE ongedefinieerd wanneer de werkelijke vraag nul is en kan het exploderen wanneer de werkelijke waarden dicht bij nul liggen. Dat maakt het een slechte keuze voor langzaam lopende artikelen, lanceringen of reeksen met frequente perioden zonder vraag.
Begin met bias, MAE en WAPE. Voeg geavanceerdere maatstaven pas toe als deze drie stabiel en begrepen zijn.
Doe een backtest voordat u het naar inkoop brengt
Een prognose is niet klaar omdat hij er redelijk uitziet. Hij is klaar nadat u hem hebt getest op perioden die hij niet heeft gezien. De gids voor tijdreeks-kruisvalidatie van Hyndman beschrijft de rollende prognose-oorsprong: schuif door de historie, prognosticeer vooruit en middel de fouten. Dat is de volwassen versie van vragen: zou dit vorig kwartaal hebben gewerkt?
Snelle backtest
- Houd de laatste 8 tot 12 perioden apart:Gebruik ze niet om het eerste model te bouwen.
- Draai elke kandidaat-methode:voortschrijdend gemiddelde, gladstrijking en elke seizoensversie die u wilt vergelijken.
- Meet bias, MAE en WAPE:Beoordeel de methoden op perioden die ze niet hebben gezien.
- Kies de methode die mensen kunnen uitleggen:Als twee methoden dicht bij elkaar liggen, kies dan de methode die het team daadwerkelijk zal onderhouden.
Weet waar het spreadsheet moeite heeft
- Nieuwe producten: Leen historie van een vergelijkbaar artikel, categorie of lanceerplan omdat het nieuwe SKU nog geen stabiel patroon heeft.
- Onregelmatige of intermitterende vraag: Prognosticeer eerst op familie- of categorieniveau en plan individuele aanvulling met meer handmatige review.
- Promoties en projectmatig werk: Voeg evenementaanpassingen apart toe in plaats van het basismodel te vragen speciale evenementen te raden.
- Slechte voorraadnauwkeurigheid: Als ontvangst, correcties en locatiebeheer zwak zijn, corrigeer dan eerst het proces. Een prognose bovenop slechte gegevens koopt nog steeds de verkeerde hoeveelheid.
Dit is waar prioritering ertoe doet. Gebruik een ABC-analyse om te beslissen welke artikelen de meeste prognose-aandacht verdienen, en koppel de prognose aan een gedisciplineerde review van de veiligheidsvoorraad zodat onzekerheid niet verandert in brede overinkoop.
Slotsom
Voorraadprognose voor niet-datawetenschappers gaat minder over geavanceerde wiskunde en meer over operationele eerlijkheid. Schoon de historie op. Begin met voortschrijdende gemiddelden of gladstrijking. Voeg seizoensinvloed alleen toe wanneer het zich herhaalt. Meet bias en absolute fout. Doe een backtest voordat u het getal vertrouwt.
Volgende stap: kies 20 belangrijke SKU's, bouw een wekelijks werkblad en vergelijk prognose versus werkelijk voor de komende 8 weken. Daarna zal prognosticeren niet langer theoretisch aanvoelen en onderdeel worden van hoe u inkoopt.