Prognozowanie zapasów dla nie-analityków brzmi trudniej, niż jest w rzeczywistości. Większość zespołów nie potrzebuje modelu typu czarna skrzynka. Potrzebuje czystej historii sprzedaży, powtarzalnej metody i sposobu na wyłapanie, kiedy dane kłamią. Jeśli produkt skończył się w piątek, arkusz nie ma problemu z matematyką - ma problem z kontekstem.
To dobra wiadomość, bo proste metody są często solidniejsze, niż ludzie oczekują. W przeglądzie Greena i Armstronga w Journal of Business Research autorzy znaleźli 97 porównań w 32 artykułach i żadnych dowodów na to, że dodatkowa złożoność poprawia trafność prognozy. Prognozowanie wciąż jest trudne, ale pierwsza wygrana zwykle pochodzi z dyscypliny, a nie z wymyślnego oprogramowania.
Użyteczna prognoza to nie ta z największą liczbą zakładek. To ta, którą kupiec potrafi wyjaśnić, zakwestionować i wykorzystać przed kolejnym terminem zamówienia.
Co właściwie robi użyteczna prognoza zapasów
Prognoza to szacunek przyszłego popytu w określonym oknie. Dla zapasów to okno powinno odpowiadać rytmowi zamawiania: czas realizacji u dostawcy plus czas do następnego przeglądu. Jeśli zamawiasz co poniedziałek, a dostawca dostarcza w 21 dni, interesuje cię najbliższe 28 dni, a nie teoretyczna średnia roczna.
Prognoza daje wystarczająco dużo wyprzedzenia, żeby zamówić ponownie, zanim produkty A trafią na braki, których dało się uniknąć.
Nie pozwala wolno rotującym produktom pochłaniać kapitału obrotowego tylko dlatego, że ktoś zamówił trochę więcej na zapas.
Sprzedaż, zakupy i operacje mogą dyskutować nad jednym numerem zamiast bronić trzech różnych przeczuć.
Prognozy to nie obietnice. To punkty wyjścia. Nadal nakładasz na nie problemy z dostawcami, wydarzenia handlowe i osąd biznesowy. Celem nie jest perfekcja. Celem jest mniej niespodzianek.
Zacznij od prostych metod, a złożoność dodawaj tylko wtedy, gdy na to zasłuży
Podręcznik NIST o wygładzaniu opisuje uśrednianie jako najprostszy sposób wygładzenia danych i redukcji losowej zmienności. Dokładnie stąd powinna zacząć większość zespołów magazynowych. Jeśli twoja historia jest w miarę stabilna, średnie ruchome i metody wygładzania dadzą ci bazę operacyjną szybko.
Metoda 1: średnia ruchoma dla stabilnego popytu
Średnia ruchoma bierze ostatnie porównywalne okresy i je uśrednia. Jeśli prognozujesz tygodniowo, 4-tygodniowa średnia ruchoma zwykle wystarczy na początek. Przykład: jeśli w ostatnich 4 tygodniach sprzedano 92, 104, 96 i 108 sztuk, bazowa prognoza na przyszły tydzień to (92 + 104 + 96 + 108) / 4 = 100 sztuk.
Prognoza na przyszły tydzień = (tydzień -1 + tydzień -2 + tydzień -3 + tydzień -4) / 4. Używaj porównywalnych okresów: tygodnie z tygodniami, miesiące z miesiącami.
Metoda 2: wygładzanie wykładnicze, gdy liczy się ostatnia historia
Jeśli ostatnia sprzedaż jest ważniejsza niż starsza historia, przejdź do prostego wygładzania wykładniczego. W Forecasting: Principles and Practice Hyndman i Athanasopoulos przedstawiają je jako średnią ważoną najnowszej wartości rzeczywistej i poprzedniej prognozy. Mówiąc prosto: wczoraj liczy się bardziej niż poprzedni kwartał, ale poprzedni kwartał nie jest ignorowany. To sprawia, że wygładzanie jest przydatne, gdy popyt dryfuje, ale nie jest silnie sezonowy.
Metoda 3: dodaj czynnik sezonowy, gdy kalendarz naprawdę ma znaczenie
Jeśli popyt rośnie i spada w powtarzalnym wzorcu kalendarzowym - prezenty grudniowe, letnie weekendy, powrót do szkoły, zamówienia na koniec miesiąca - oddziel efekt sezonowy od poziomu bazowego. W Forecasting: Principles and Practice praktyczne podejście polega na prognozowaniu serii oczyszczonej z sezonowości, a potem dodaniu wzorca sezonowego z powrotem. To techniczny opis prostej idei: ten grudzień powinien bardziej przypominać zeszłoroczny grudzień niż zeszłoroczny maj.
Sezonowość jest warta wysiłku. W tym samym przeglądzie Greena i Armstronga korekta sezonowa zmniejszyła MAPE z 23,0 do 17,7 procent na 68 seriach miesięcznych w oryginalnej M-Competition. To pożyteczne przypomnienie, że prosta struktura kalendarzowa może pokonać sporą dawkę dodatkowej matematyki.
Użyj średniej ruchomej z 4 do 8 okresów, gdy produkt sprzedaje się regularnie i poziom nie zmienia się znacząco.
Użyj prostego wygładzania wykładniczego, gdy popyt przesuwa się stopniowo i ostatnie okresy zasługują na większą wagę.
Użyj prognozy bazowej plus czynników sezonowych, gdy ten sam impuls kalendarzowy powtarza się na tyle, żeby mu zaufać.
Wyczyść historię, zanim zaufasz matematyce
Metoda prognozowania ma znaczenie, ale jakość danych wejściowych ma jeszcze większe. Zwroty, jednorazowe zamówienia projektowe, niedostawy od dostawcy i skoki promocyjne mogą zniekształcić bazę. Jeśli wrzucasz szum do modelu, tylko automatyzujesz złą decyzję.
Braki magazynowe to największa pułapka. W badaniu nad prognozowaniem popytu przy politykach stockowych z utraconą sprzedażą autorzy zauważają, że przy wystarczającym stanie magazynowym sprzedaż jest nieobciążonym szacunkiem popytu, ale przy brakach sprzedaż zaniża popyt i popycha prognozy w dół. To tworzy dokładnie tę spiralę, której operatorzy nienawidzą: prognoza za niska, zamówienie za małe, brak, powtórzenie.
Gdy półka jest pusta, sprzedaż przestaje mierzyć popyt, a zaczyna mierzyć dostępność.
Prosty przykład korekty o brak magazynowy
Powiedzmy, że produkt sprzedał 210 sztuk w 30-dniowym miesiącu, ale był dostępny tylko przez 21 dni. Naiwna stawka dzienna to 7 sztuk. Stawka skorygowana o brak to 10 sztuk, bo 210 / 21 = 10. Dla planowania uzupełniania drugi numer jest dużo bliższy rzeczywistości. Pierwszy wbudowuje brak w prognozę następnego miesiąca.
Zasady czystej historii
- Oznacz okresy braków:Rejestruj dni lub tygodnie z zerową dostępnością, żeby je wykluczyć lub skorygować, a nie uśredniać.
- Oddziel promocje od bazy:Tydzień wyprzedaży czy skok marketingowy powinien trafić do kolumny zdarzeń, a nie na stałe zawyżać prognozę bazową.
- Usuń zamówienia jednorazowe:Duże zakupy projektowe, uzupełnienia startowe i transfery wewnętrzne to zdarzenia planistyczne, nie zwykły popyt.
- Korzystaj z prawdy o stanach, nie tylko ze sprzedaży:Jeśli dokładność ewidencji jest słaba, najpierw popraw inwentaryzacje. Brudne rekordy zapasów zniekształcają zarówno historię, jak i zakupy. Zobacz prawdziwy koszt niedokładnych stanów magazynowych.
- Prognozuj rodziny przed wariantami, gdy to potrzebne:Cienka historia na wariantach rozmiar-kolor lub opakowaniach często prognozuje się lepiej na poziomie grupy, a potem alokuje w dół.
Przepływ pracy w arkuszu, który możesz uruchomić co poniedziałek
Możesz prowadzić solidną prognozę w jednym arkuszu z wierszami na SKU i kolumnami na ostatnie 12 do 24 okresów, flagi dostępności, notatki o zdarzeniach, prognozę, wartość rzeczywistą i błąd. Celem nie jest piękny model. Celem jest powtarzalna rutyna.
Poniedziałkowa rutyna prognozowania
- Eksportuj historię po tygodniu lub miesiącu:Tygodniowa jest lepsza dla szybkiej rotacji. Miesięczna wystarczy dla wolniejszych pozycji katalogowych.
- Dodaj dwie kolumny pomocnicze:jedną na status stanu magazynowego, drugą na notatki o zdarzeniach. Te dwa pola zapobiegają zaskakującej liczbie złych prognoz.
- Wybierz jedną metodę bazową na klasę produktu:Zacznij od średnich ruchomych dla stabilnych pozycji i wygładzania dla tych z powolnym dryfem.
- Stosuj sezonowość tylko gdy się powtarza:Jeśli możesz wskazać ten sam impuls kalendarzowy więcej niż raz, dodaj czynnik sezonowy. Jeśli nie, trzymaj się prostoty.
- Prognozuj okno uzupełniania:Szacuj popyt na czas realizacji dostawcy plus przerwa do następnego przeglądu zamówień.
- Zapisuj każdą ręczną zmianę:Jeśli sprzedaż mówi, że nowy klient doda 300 sztuk w przyszłym miesiącu, wpisz zmianę i powód. Ukryte korekty niszczą naukę.
Trzy kontrole dokładności, które policzy każdy
Nie potrzebujesz panelu pełnego statystyk. Potrzebujesz kilku miar, które powiedzą, czy prognoza systematycznie się myli i o ile.
Średni błąd ze znakiem. Dodatnie odchylenie oznacza, że stale prognozujesz za dużo. Ujemne oznacza, że chronicznie zaniżasz popyt i zapraszasz braki.
Średni błąd bezwzględny, średnia pomyłka w sztukach. Jak zauważają Green i Armstrong, MAE to prosta i przydatna miara dla decyzji produkcyjnych i kontroli zapasów.
Ważony bezwzględny błąd procentowy. Dokumentacja planowania popytu AWS Supply Chain używa WAPE jako zagregowanej miary dokładności, bo pokazuje łączne odchylenie prognozy względem łącznego rzeczywistego popytu.
Używaj MAPE z ostrożnością. W przewodniku dokładności Hyndmana MAPE staje się nieokreślony, gdy rzeczywisty popyt wynosi zero i może eksplodować, gdy wartości rzeczywiste są bliskie zera. To czyni go złym wyborem dla wolno rotujących produktów, nowości czy serii z częstymi okresami zerowego popytu.
Zacznij od odchylenia, MAE i WAPE. Dodawaj bardziej wyrafinowane metryki dopiero wtedy, gdy te trzy są stabilne i zrozumiałe.
Przetestuj wstecz, zanim włączysz to do zakupów
Prognoza nie jest gotowa, bo wygląda rozsądnie. Jest gotowa, gdy przetestujesz ją na przeszłych okresach, których nie widziała. Przewodnik Hyndmana po walidacji krzyżowej szeregów czasowych opisuje kroczące okno prognozy: przesuwaj się przez historię, prognozuj do przodu i uśredniaj błędy. To dorosła wersja pytania: czy to zadziałałoby w zeszłym kwartale?
Szybki test wsteczny
- Wstrzymaj ostatnie 8 do 12 okresów:Nie używaj ich do budowy pierwszego modelu.
- Uruchom każdą kandydacką metodę:średnia ruchoma, wygładzanie i dowolna wersja sezonowa, którą chcesz porównać.
- Zmierz odchylenie, MAE i WAPE:Oceniaj metody na okresach, których nie widziały.
- Wybierz metodę, którą ludzie potrafią wyjaśnić:Jeśli dwie metody są blisko, wybierz tę, którą zespół faktycznie utrzyma.
Wiedz, gdzie arkusz napotyka ograniczenia
- Nowe produkty: Pożycz historię od podobnego produktu, kategorii lub planu wprowadzenia, bo nowy SKU nie ma jeszcze stabilnego wzorca.
- Nieregularny lub przerywany popyt: Prognozuj najpierw na poziomie rodziny lub kategorii, a potem planuj indywidualne uzupełnianie z większą ilością ręcznego przeglądu.
- Promocje i zamówienia projektowe: Dodawaj korekty zdarzeń osobno, zamiast prosić model bazowy o odgadywanie specjalnych wydarzeń.
- Słaba dokładność zapasów: Jeśli przyjęcia, korekty i kontrola lokalizacji są słabe, napraw najpierw proces. Prognoza oparta na złych danych wciąż kupuje złą ilość.
Tu liczy się priorytetyzacja. Użyj analizy ABC, żeby zdecydować, które produkty zasługują na największą uwagę w prognozowaniu, i połącz prognozę z zdyscyplinowanym przeglądem zapasu bezpieczeństwa, żeby niepewność nie zamieniła się w masowe przezamawianie.
Podsumowanie
Prognozowanie zapasów dla nie-analityków ma mniej wspólnego z zaawansowaną matematyką, a więcej z uczciwością operacyjną. Wyczyść historię. Zacznij od średnich ruchomych lub wygładzania. Dodaj sezonowość tylko gdy się powtarza. Mierz odchylenie i błąd bezwzględny. Przetestuj wstecz, zanim zaufasz liczbie.
Następny krok: wybierz 20 ważnych SKU, zbuduj jeden tygodniowy arkusz i porównaj prognozę z rzeczywistością przez kolejne 8 tygodni. Po tym prognozowanie przestanie wydawać się teoretyczne i zacznie być częścią tego, jak zamawiasz.