Lagerprognoser for ikke-dataforskere hoeres vanskeligere ut enn det er. De fleste team trenger ikke en svart-boks-modell. De trenger en ren salgshistorikk, en repeterbar metode og en mate a oppdage nar dataene lyver. Hvis en vare var utsolgt forrige fredag, mangler regnearket ikke matematikk - det mangler kontekst.
Det er gode nyheter, for enkle metoder er ofte sterkere enn folk tror. I Green og Armstrongs gjennomgang i Journal of Business Research fant forfatterne 97 sammenligninger pa tvers av 32 artikler og ingen overvekt av bevis for at ekstra kompleksitet forbedrer prognosenoyaktighet. Prognostisering er fortsatt vanskelig, men den forste gevinsten kommer vanligvis fra disiplin, ikke fra avansert programvare.
En nyttig prognose er ikke den med flest faner. Det er den en innkjoper kan forklare, utfordre og bruke for neste ordrefrist.
Hva en nyttig lagerprognose faktisk gjor
En prognose er et estimat av fremtidig ettersporsel over et definert vindu. For lager bor det vinduet matche innkjopsrytmen din: leverandorens ledetid pluss tiden til neste gjennomgang. Hvis du bestiller hver mandag og leverandoren bruker 21 dager, bryr du deg om de neste 28 dagene, ikke et teoretisk arsgjennomsnitt.
En prognose gir deg nok forvarsel til a bestille pa nytt for A-varene dine rammes av unngaelig utsolgthet.
Den holder tregtselgere fra a absorbere arbeidskapital bare fordi noen bestilte litt ekstra for sikkerhets skyld.
Salg, innkjop og drift kan diskutere ett tall i stedet for a forsvare tre forskjellige magefoleiser.
Prognoser er ikke lofter. De er utgangspunkter. Du legger fortsatt pa leverandorproblemer, kommersielle hendelser og forretningsskjonn. Malet er ikke perfeksjon. Malet er faerre overraskelser.
Start med enkle metoder, legg til kompleksitet bare nar det loenner seg
NIST-handboken om utjevning beskriver gjennomsnitt som den enkleste maten a utjevne data og redusere tilfeldig variasjon. Det er nettopp der de fleste lagerteam bor starte. Hvis historikken din er rimelig stabil, gir enkle glidende gjennomsnitt og utjevningsmetoder deg en operativ basislinje raskt.
Metode 1: glidende gjennomsnitt for stabil ettersporsel
Et glidende gjennomsnitt tar de siste sammenlignbare periodene og beregner gjennomsnittet. Hvis du prognostiserer ukentlig, holder ofte et 4-ukers glidende gjennomsnitt for a starte. Eksempel: hvis de siste 4 ukene solgte 92, 104, 96 og 108 enheter, er neste ukes basisprognose (92 + 104 + 96 + 108) / 4 = 100 enheter.
Neste ukes prognose = (uke -1 + uke -2 + uke -3 + uke -4) / 4. Bruk sammenlignbare perioder: uker med uker, maneder med maneder.
Metode 2: eksponentiell utjevning nar nyere historikk teller mer
Hvis nylig salg betyr mer enn eldre historikk, ga videre til enkel eksponentiell utjevning. I Forecasting: Principles and Practice viser Hyndman og Athanasopoulos den som et vektet gjennomsnitt av det siste faktiske resultatet og den forrige prognosen. Pa vanlig norsk: gaersdagens data teller mer enn forrige kvartal, men forrige kvartal ignoreres ikke. Det gjor utjevning nyttig nar etterspoerselen driver men ikke er sterkt sesongavhengig.
Metode 3: legg til en sesongfaktor nar kalenderen virkelig betyr noe
Hvis etterspoerselen stiger og faller i et gjentagende kalendermonster - julegaver i desember, sommerhelger, skolestart, bestillinger ved manedslutt - separer sesongeffekten fra basisnivaet. I Forecasting: Principles and Practice er den praktiske tilnaermingen a prognostisere den sesongsjusterte serien og deretter legge sesongmonsteret tilbake. Det er en teknisk beskrivelse av en enkel ide: denne desember bor ligne mer pa forrige desember enn pa forrige mai.
Sesongsjustering er verdt innsatsen. I den samme Green og Armstrong-gjennomgangen reduserte sesongsjustering MAPE fra 23,0 til 17,7 prosent pa 68 manedlige serier i den opprinnelige M-Competition. Det er en nyttig paminnelse om at enkel kalenderstruktur kan sla mye ekstra matematikk.
Bruk et 4 til 8 perioders glidende gjennomsnitt nar varen selger jevnt og nivaet ikke driver mye.
Bruk enkel eksponentiell utjevning nar etterspoerselen beveger seg gradvis og nyere perioder fortjener mer vekt.
Bruk en basisprognose pluss sesongfaktorer nar det samme kalenderloeftet gjentar seg ofte nok til a stole pa.
Rens historikken for du stoler pa matematikken
Prognosemetode betyr noe, men inndatakvalitet betyr mer. Returer, engangsprosjektordre, leverandorunderleveranser og kampanjespikar kan alle forvrenge basislinjen. Hvis du mater stoy inn i en modell, automatiserer du bare darlige vurderinger.
Utsolgthet er den storste fellen. I forskning pa ettersporselprognoser under lagerpolicyer med tapt salg bemerker forfatterne at dersom tilstrekkelig lager er tilgjengelig, er salg et forventningsrett estimat av ettersporsel, men ved utsolgthet undervurderer salg ettersorselen og presser prognosene nedover. Det skaper akkurat den spiralen operatorer hater: underprognose, underbestilling, utsolgt, gjenta.
Nar hyllen er tom slutter salget a male ettersporsel og begynner a male tilgjengelighet.
Et enkelt eksempel pa utsolgtjustering
Si at en vare solgte 210 enheter i en 30-dagers maned, men den var bare pa lager i 21 dager. Den naive daglige raten er 7 enheter. Den utsolgtjusterte raten er 10 enheter fordi 210 / 21 = 10. For paafyllingsplanlegging er det andre tallet mye naermere virkeligheten. Det forste tallet baker utsolgtheten inn i neste maneds prognose.
Regler for ren historikk
- Flagg utsolgtperioder:Spor dager eller uker med null tilgjengelighet slik at de ekskluderes eller justeres, ikke gjennomsnittberegnes inn.
- Separer kampanjer fra basislinjen:En utsalgssuke eller markedsforingsspik bor ligge i en hendelseskolonne, ikke permanent blase opp basisprognosen.
- Fjern engangsordre:Store prosjektbestillinger, lanseringsfyllinger og interne overfoeringer er planleggingshendelser, ikke vanlig ettersporsel.
- Bruk lagersannhet, ikke bare salg:Hvis registernoyaktigheten er svak, fiks tellinger forst. Urene lagerposter forvrengerr bade historikk og innkjop. Se kostnaden ved unoyaktige lagernavaer.
- Prognostiser familier for varianter ved behov:Tynn historikk pa storrelse/farge eller pakkevarianter gir ofte bedre prognoser pa gruppeniva forst, deretter allokeres nedover.
Et regnearksarbeidsflyt du kan kjore hver mandag
Du kan kjore en respektabel prognose i ett ark med rader per SKU og kolonner for de siste 12 til 24 periodene, lagertilgjengelighetsflagg, hendelsesnotater, prognose, faktisk resultat og feil. Poenget er ikke a lage en vakker modell. Poenget er a lage en repeterbar rutine.
Mandags prognoserutine
- Eksporter historikk per uke eller maned:Ukentlig er bedre for hurtigselgere. Manedlig holder for treigere katalogvarer.
- Legg til to hjelpekolonner:en for lagertilgjengelighetsstatus, en for hendelsesnotater. Disse to feltene forhindrer et overraskende antall darlige prognoser.
- Velg en basismetode per vareklasse:Start med glidende gjennomsnitt for stabile varer og utjevning for sakte driftende.
- Bruk sesongvariasjon bare nar den gjentar seg:Hvis du kan peke pa det samme kalenderloeftet mer enn en gang, legg til en sesongfaktor. Ellers, hold det enkelt.
- Prognostiser paafyllingsvindeuet:Prognostiser ettersporsel over leverandorens ledetid pluss intervallet til neste ordregjennomgang.
- Skriv ned hver overstyring:Hvis salg sier at en kundegevinst legger til 300 enheter neste maned, skriv inn overstyringen og arsaken. Skjulte overstyringer oedelegger laeringsprosessen.
Tre noyaktighetskontroller vanlige mennesker kan beregne
Du trenger ikke et dashbord fullt av statistikk. Du trenger noen fa mal som forteller deg om prognosen er systematisk feil og med hvor mye.
Gjennomsnittlig fortegnet feil. Positiv bias betyr at du stadig overprognostiserer. Negativ bias betyr at du kronisk underprognostiserer og inviterer til utsolgthet.
Gjennomsnittlig absolutt feil, det gjennomsnittlige bommet i enheter. Som Green og Armstrong bemerker, er MAE et enkelt og nyttig mal for produksjons- og lagerstyringsbeslutninger.
Vektet absolutt prosentfeil. AWS Supply Chains ettersporselsplanleggings-dokumentasjon bruker WAPE som en aggregert noyaktighetsmetrikk fordi den viser totalt prognosebom relativt til total faktisk ettersporsel.
Bruk MAPE forsiktig. I Hyndmans noyaktighetsguide blir MAPE udefinert nar faktisk ettersporsel er null og kan eksplodere nar utfallene er naer null. Det gjor det til et darlig valg for tregtselgere, lanseringsvarer eller serier med hyppige nullettersporselsperioder.
Start med bias, MAE og WAPE. Legg til mer avanserte metrikker forst etter at disse tre er stabile og forstaatte.
Backtest for du ruller det inn i innkjop
En prognose er ikke klar fordi den ser rimelig ut. Den er klar etter at du har testet den pa tidligere perioder den ikke har sett. Hyndmans guide for tidsseriekryssvalidering beskriver rullende prognoseopprinnelse: beveg deg gjennom historikken, prognostiser fremover og ta gjennomsnittet av feilene. Det er den voksne versjonen av a sporre: 'Ville dette ha fungert forrige kvartal?'
Rask backtest
- Hold tilbake de siste 8 til 12 periodene:Ikke bruk dem til a bygge den forste modellen.
- Kjor hver kandidatmetode:glidende gjennomsnitt, utjevning og eventuell sesongversjon du vil sammenligne.
- Mal bias, MAE og WAPE:Bedom metodene pa perioder de ikke har sett.
- Velg metoden folk kan forklare:Hvis to metoder er naerme, velg den teamet faktisk vil vedlikeholde.
Vit hvor regnearket sliter
- Nye produkter: Lan historikk fra en lignende vare, kategori eller lanseringsplan fordi den nye SKU-en ikke har noe stabilt monster enna.
- Klumpete eller intermittent ettersporsel: Prognostiser pa familie- eller kategoriniva forst, deretter planlegg individuell paafylling med mer manuell gjennomgang.
- Kampanjer og prosjektforretning: Legg til hendelsesoverstyringer separat i stedet for a be basismodellen gjette spesielle hendelser.
- Darlig lagernoyaktighet: Hvis mottak, justeringer og plasseringskontroll er svake, fiks prosessen forst. En prognose lagt opppa darlige poster bestiller fortsatt feil mengde.
Her er prioritering viktig. Bruk ABC-analyse for a avgjore hvilke varer som fortjener mest prognoseoppmerksomhet, og par prognosen med en disiplinert sikkerhetslagergjennomgang slik at usikkerhet ikke blir til generelle overkjop.
Siste tanke
Lagerprognoser for ikke-dataforskere handler mindre om avansert matematikk og mer om operativ aerlighet. Rens historikken. Start med glidende gjennomsnitt eller utjevning. Legg til sesongvariasjon bare nar den gjentar seg. Mal bias og absolutt feil. Backtest for du stoler pa tallet.
Neste steg: velg 20 viktige SKU-er, bygg et ukentlig ark og sammenlign prognose mot faktisk resultat de neste 8 ukene. Etter det vil prognostisering slutte a foeles teoretisk og begynne a bli en del av hvordan du kjoper.