การพยากรณ์สินค้าคงคลังสำหรับคนที่ไม่ใช่นักวิทยาศาสตร์ข้อมูลฟังดูยากกว่าความเป็นจริง ทีมส่วนใหญ่ไม่ต้องการโมเดลกล่องดำ พวกเขาต้องการประวัติการขายที่สะอาด วิธีการที่ทำซ้ำได้ และวิธีตรวจจับเมื่อข้อมูลโกหก ถ้าสินค้าหมดสต็อกเมื่อวันศุกร์ที่แล้ว สเปรดชีตไม่ได้ขาดคณิตศาสตร์ แต่ขาดบริบท
นั่นเป็นข่าวดี เพราะวิธีการง่าย ๆ มักจะแข็งแกร่งกว่าที่คนคาดคิด ในการทบทวนของ Green และ Armstrong ใน Journal of Business Research ผู้เขียนพบการเปรียบเทียบ 97 รายการจาก 32 บทความ และไม่มีหลักฐานที่สมดุลว่าความซับซ้อนเพิ่มเติมช่วยปรับปรุงความแม่นยำของการพยากรณ์ การพยากรณ์ยังคงยาก แต่ชัยชนะแรกมักมาจากวินัย ไม่ใช่จากซอฟต์แวร์ที่หรูหรา
การพยากรณ์ที่มีประโยชน์ไม่ใช่แบบที่มีแท็บมากที่สุด แต่เป็นแบบที่ผู้ซื้อสามารถอธิบาย ตั้งคำถาม และใช้ก่อนกำหนดส่งคำสั่งซื้อถัดไปได้
การพยากรณ์สินค้าคงคลังที่มีประโยชน์ทำอะไรจริง ๆ
การพยากรณ์คือการประมาณความต้องการในอนาคตในช่วงเวลาที่กำหนด สำหรับสินค้าคงคลัง ช่วงเวลานั้นควรตรงกับจังหวะการซื้อของคุณ: เวลานำของซัพพลายเออร์บวกเวลาจนถึงการตรวจสอบครั้งถัดไป ถ้าคุณสั่งซื้อทุกวันจันทร์และซัพพลายเออร์ใช้เวลา 21 วัน สิ่งที่คุณสนใจคือ 28 วันข้างหน้า ไม่ใช่ค่าเฉลี่ยรายปีเชิงทฤษฎี
การพยากรณ์ให้คำเตือนล่วงหน้าเพียงพอที่จะสั่งซื้อใหม่ก่อนที่สินค้า A ของคุณจะขาดสต็อกโดยไม่จำเป็น
ป้องกันไม่ให้สินค้าขายช้าดูดเงินทุนหมุนเวียนเพียงเพราะมีคนสั่งเพิ่มอีกนิดเพื่อความอุ่นใจ
ฝ่ายขาย จัดซื้อ และปฏิบัติการสามารถถกเถียงกันบนตัวเลขเดียวแทนที่จะปกป้องความรู้สึกสามอย่างที่ต่างกัน
การพยากรณ์ไม่ใช่คำมั่นสัญญา แต่เป็นจุดเริ่มต้น คุณยังต้องเพิ่มปัญหาซัพพลายเออร์ กิจกรรมเชิงพาณิชย์ และการตัดสินใจทางธุรกิจ เป้าหมายไม่ใช่ความสมบูรณ์แบบ เป้าหมายคือเซอร์ไพรส์ที่น้อยลง
เริ่มต้นด้วยวิธีการง่าย ๆ แล้วเพิ่มความซับซ้อนเมื่อมันพิสูจน์ตัวเองแล้วเท่านั้น
คู่มือ NIST เรื่องการปรับให้เรียบ อธิบายว่าการเฉลี่ยเป็นวิธีที่ง่ายที่สุดในการปรับข้อมูลให้เรียบและลดความแปรปรวนแบบสุ่ม นั่นคือจุดที่ทีมสินค้าคงคลังส่วนใหญ่ควรเริ่มต้น ถ้าประวัติของคุณค่อนข้างมีเสถียรภาพ ค่าเฉลี่ยเคลื่อนที่และวิธีการปรับให้เรียบจะให้ฐานปฏิบัติการแก่คุณอย่างรวดเร็ว
วิธีที่ 1: ค่าเฉลี่ยเคลื่อนที่สำหรับความต้องการที่มีเสถียรภาพ
ค่าเฉลี่ยเคลื่อนที่นำช่วงเวลาที่เปรียบเทียบได้ล่าสุดมาหาค่าเฉลี่ย ถ้าคุณพยากรณ์รายสัปดาห์ ค่าเฉลี่ยเคลื่อนที่ 4 สัปดาห์มักจะเพียงพอสำหรับการเริ่มต้น ตัวอย่าง: ถ้า 4 สัปดาห์ที่ผ่านมาขายได้ 92, 104, 96 และ 108 หน่วย การพยากรณ์ฐานของสัปดาห์ถัดไปคือ (92 + 104 + 96 + 108) / 4 = 100 หน่วย
การพยากรณ์สัปดาห์ถัดไป = (สัปดาห์ -1 + สัปดาห์ -2 + สัปดาห์ -3 + สัปดาห์ -4) / 4 ใช้ช่วงเวลาที่เปรียบเทียบได้: สัปดาห์กับสัปดาห์ เดือนกับเดือน
วิธีที่ 2: การปรับให้เรียบแบบเอ็กซ์โพเนนเชียลเมื่อประวัติล่าสุดมีความสำคัญมากกว่า
ถ้ายอดขายล่าสุดสำคัญกว่าประวัติเก่า ให้ก้าวไปสู่การปรับให้เรียบแบบเอ็กซ์โพเนนเชียลอย่างง่าย ใน Forecasting: Principles and Practice Hyndman และ Athanasopoulos นำเสนอว่าเป็นค่าเฉลี่ยถ่วงน้ำหนักของค่าจริงล่าสุดและการพยากรณ์ก่อนหน้า กล่าวง่าย ๆ: เมื่อวานสำคัญกว่าไตรมาสที่แล้ว แต่ไตรมาสที่แล้วไม่ถูกละเลย ทำให้การปรับให้เรียบมีประโยชน์เมื่อความต้องการเลื่อนไปเรื่อย ๆ แต่ไม่มีฤดูกาลที่ชัดเจน
วิธีที่ 3: เพิ่มปัจจัยตามฤดูกาลเมื่อปฏิทินมีความสำคัญจริง ๆ
ถ้าความต้องการขึ้นลงตามรูปแบบปฏิทินที่ซ้ำ ๆ - ของขวัญเดือนธันวาคม สุดสัปดาห์ฤดูร้อน เปิดเทอม ออเดอร์ปลายเดือน - ให้แยกผลกระทบตามฤดูกาลออกจากระดับฐาน ใน Forecasting: Principles and Practice ขั้นตอนเชิงปฏิบัติคือพยากรณ์ชุดข้อมูลที่ปรับฤดูกาลแล้ว จากนั้นเพิ่มรูปแบบตามฤดูกาลกลับเข้าไป นั่นคือคำอธิบายทางเทคนิคของไอเดียง่าย ๆ: เดือนธันวาคมนี้ควรคล้ายกับเดือนธันวาคมที่แล้วมากกว่าเดือนพฤษภาคมที่แล้ว
การปรับตามฤดูกาลคุ้มค่ากับความพยายาม ในการทบทวนของ Green และ Armstrong เดียวกัน การปรับตามฤดูกาลลด MAPE จาก 23.0 เป็น 17.7 เปอร์เซ็นต์บน 68 ชุดข้อมูลรายเดือนใน M-Competition ดั้งเดิม นั่นเป็นการเตือนที่ดีว่าโครงสร้างปฏิทินง่าย ๆ สามารถเอาชนะคณิตศาสตร์เพิ่มเติมจำนวนมากได้
ใช้ค่าเฉลี่ยเคลื่อนที่ 4 ถึง 8 ช่วงเวลาเมื่อสินค้าขายสม่ำเสมอและระดับไม่เปลี่ยนแปลงมาก
ใช้การปรับให้เรียบแบบเอ็กซ์โพเนนเชียลอย่างง่ายเมื่อความต้องการเคลื่อนที่อย่างค่อยเป็นค่อยไปและช่วงเวลาล่าสุดสมควรได้รับน้ำหนักมากขึ้น
ใช้การพยากรณ์ฐานบวกปัจจัยตามฤดูกาลเมื่อการเพิ่มขึ้นตามปฏิทินเดียวกันซ้ำบ่อยพอที่จะเชื่อถือได้
ทำความสะอาดประวัติก่อนเชื่อถือคณิตศาสตร์
วิธีการพยากรณ์สำคัญ แต่คุณภาพอินพุตสำคัญกว่า การคืนสินค้า ออเดอร์โครงการครั้งเดียว การส่งมอบไม่ครบจากซัพพลายเออร์ และยอดพุ่งจากโปรโมชั่นล้วนบิดเบือนฐาน ถ้าคุณป้อนสัญญาณรบกวนเข้าไปในโมเดล คุณแค่ทำให้การตัดสินที่แย่เป็นระบบอัตโนมัติ
การขาดสต็อกเป็นกับดักที่ใหญ่ที่สุด ในงานวิจัยเรื่องการพยากรณ์ความต้องการภายใต้นโยบายสต็อกแบบขายไม่ได้ ผู้เขียนระบุว่าถ้ามีสต็อกเพียงพอ ยอดขายเป็นการประมาณความต้องการที่ไม่เอนเอียง แต่เมื่อขาดสต็อก ยอดขายจะประเมินความต้องการต่ำกว่าจริงและผลักการพยากรณ์ลง สิ่งนี้สร้างวงจรที่ผู้ปฏิบัติการเกลียดที่สุด: พยากรณ์ต่ำ สั่งน้อย ขาดสต็อก ซ้ำอีก
เมื่อชั้นวางว่าง ยอดขายหยุดวัดความต้องการและเริ่มวัดความพร้อมใช้งาน
ตัวอย่างง่าย ๆ ของการปรับจากการขาดสต็อก
สมมติว่าสินค้าขายได้ 210 หน่วยในเดือนที่มี 30 วัน แต่มีสต็อกเพียง 21 วัน อัตราต่อวันแบบง่ายคือ 7 หน่วย อัตราที่ปรับจากการขาดสต็อกคือ 10 หน่วยเพราะ 210 / 21 = 10 สำหรับการวางแผนเติมสินค้า ตัวเลขที่สองใกล้เคียงความเป็นจริงมากกว่ามาก ตัวเลขแรกเอาการขาดสต็อกใส่เข้าไปในการพยากรณ์เดือนถัดไป
กฎประวัติที่สะอาด
- ทำเครื่องหมายช่วงเวลาขาดสต็อก:บันทึกวันหรือสัปดาห์ที่มีความพร้อมใช้งานเป็นศูนย์เพื่อแยกออกหรือปรับ ไม่ใช่นำไปเฉลี่ย
- แยกโปรโมชั่นออกจากฐาน:สัปดาห์ลดล้างสต็อกหรือยอดพุ่งจากการตลาดควรอยู่ในคอลัมน์กิจกรรม ไม่ใช่ทำให้การพยากรณ์ฐานเฟ้อถาวร
- ลบออเดอร์ครั้งเดียว:การซื้อโครงการใหญ่ การเติมสินค้าเปิดตัว และการโอนภายในเป็นกิจกรรมวางแผน ไม่ใช่ความต้องการปกติ
- ใช้ความจริงของสินค้าคงคลัง ไม่ใช่แค่ยอดขาย:ถ้าความแม่นยำของบันทึกอ่อนแอ ให้แก้ไขการนับก่อน บันทึกสต็อกที่สกปรกบิดเบือนทั้งประวัติและการจัดซื้อ ดูต้นทุนที่แท้จริงของระดับสต็อกที่ไม่แม่นยำ
- พยากรณ์ตระกูลก่อนตัวแปรเมื่อจำเป็น:ประวัติที่เบาบางในขนาด-สี หรือตัวแปรแพ็คมักจะพยากรณ์ได้ดีกว่าที่ระดับกลุ่มก่อน จากนั้นจึงจัดสรรลง
เวิร์กโฟลว์สเปรดชีตที่คุณทำได้ทุกวันจันทร์
คุณสามารถทำการพยากรณ์ที่น่าเชื่อถือในชีตเดียวที่มีแถวตาม SKU และคอลัมน์สำหรับ 12 ถึง 24 ช่วงเวลาล่าสุด สถานะมีสต็อก บันทึกกิจกรรม พยากรณ์ ค่าจริง และข้อผิดพลาด ประเด็นไม่ใช่การสร้างโมเดลที่สวย ประเด็นคือการสร้างกิจวัตรที่ทำซ้ำได้
กิจวัตรการพยากรณ์วันจันทร์
- ส่งออกประวัติตามสัปดาห์หรือเดือน:รายสัปดาห์ดีกว่าสำหรับสินค้าที่เคลื่อนไหวเร็ว รายเดือนเพียงพอสำหรับแค็ตตาล็อกที่ช้ากว่า
- เพิ่มคอลัมน์ช่วยสองคอลัมน์:หนึ่งสำหรับสถานะมีสต็อก หนึ่งสำหรับบันทึกกิจกรรม สองฟิลด์นี้ป้องกันจำนวนพยากรณ์ที่ผิดอย่างน่าประหลาดใจ
- เลือกวิธีฐานหนึ่งวิธีต่อประเภทสินค้า:เริ่มด้วยค่าเฉลี่ยเคลื่อนที่สำหรับสินค้าที่มีเสถียรภาพและการปรับให้เรียบสำหรับสินค้าที่เลื่อนช้า ๆ
- ใช้ฤดูกาลเมื่อมันซ้ำเท่านั้น:ถ้าคุณชี้ได้ว่าการเพิ่มขึ้นตามปฏิทินเดียวกันเกิดขึ้นมากกว่าหนึ่งครั้ง ให้เพิ่มปัจจัยฤดูกาล ถ้าไม่ ให้เรียบง่าย
- พยากรณ์หน้าต่างการเติมสินค้า:ประมาณความต้องการตลอดเวลานำของซัพพลายเออร์บวกช่วงห่างถึงการตรวจสอบคำสั่งซื้อถัดไป
- เขียนทุกการแทรกแซง:ถ้าฝ่ายขายบอกว่าลูกค้าใหม่เพิ่ม 300 หน่วยเดือนหน้า ให้ใส่การแทรกแซงและเหตุผล การแทรกแซงที่ซ่อนไว้ทำลายการเรียนรู้
การตรวจสอบความแม่นยำสามข้อที่คนธรรมดาคำนวณได้
คุณไม่ต้องการแดชบอร์ดที่เต็มไปด้วยสถิติ คุณต้องการตัววัดไม่กี่ตัวที่บอกว่าการพยากรณ์ผิดอย่างเป็นระบบหรือไม่ และผิดมากแค่ไหน
ข้อผิดพลาดที่มีเครื่องหมายเฉลี่ย อคติบวกหมายความว่าคุณพยากรณ์เกินตลอด อคติลบหมายความว่าคุณพยากรณ์ต่ำเรื้อรังและเชื้อเชิญการขาดสต็อก
ค่าเฉลี่ยข้อผิดพลาดสัมบูรณ์ ความผิดพลาดเฉลี่ยเป็นหน่วย ตามที่ Green และ Armstrong ระบุ MAE เป็นตัววัดที่เรียบง่ายและมีประโยชน์สำหรับการตัดสินใจด้านการผลิตและการควบคุมสินค้าคงคลัง
ข้อผิดพลาดเปอร์เซ็นต์สัมบูรณ์ถ่วงน้ำหนัก เอกสารการวางแผนความต้องการของ AWS Supply Chain ใช้ WAPE เป็นตัววัดความแม่นยำรวมเพราะแสดงยอดพยากรณ์ที่พลาดทั้งหมดเทียบกับยอดความต้องการจริงทั้งหมด
ใช้ MAPE อย่างระมัดระวัง ในคู่มือความแม่นยำของ Hyndman MAPE จะไม่นิยามเมื่อความต้องการจริงเป็นศูนย์และอาจพุ่งสูงเมื่อค่าจริงใกล้ศูนย์ ทำให้เป็นตัวเลือกที่ไม่ดีสำหรับสินค้าขายช้า สินค้าเปิดตัว หรือชุดข้อมูลใด ๆ ที่มีช่วงความต้องการเป็นศูนย์บ่อยครั้ง
เริ่มด้วยอคติ MAE และ WAPE เพิ่มตัววัดที่ซับซ้อนกว่าเมื่อทั้งสามตัวมีเสถียรภาพและเข้าใจแล้วเท่านั้น
ทดสอบย้อนหลังก่อนนำไปใช้ในการจัดซื้อ
การพยากรณ์ไม่พร้อมเพียงเพราะมันดูสมเหตุสมผล มันพร้อมหลังจากที่คุณทดสอบกับช่วงเวลาอดีตที่มันไม่เคยเห็น คู่มือ cross-validation ชุดเวลาของ Hyndman อธิบายจุดกำเนิดพยากรณ์แบบเลื่อน: เคลื่อนผ่านประวัติ พยากรณ์ไปข้างหน้า และหาค่าเฉลี่ยข้อผิดพลาด นั่นคือเวอร์ชันผู้ใหญ่ของการถามว่า 'สิ่งนี้จะใช้ได้ไหมเมื่อไตรมาสที่แล้ว'
การทดสอบย้อนหลังแบบเร็ว
- กันช่วง 8 ถึง 12 ช่วงเวลาสุดท้ายไว้:อย่าใช้สร้างโมเดลแรก
- ทดสอบแต่ละวิธีที่เป็นตัวเลือก:ค่าเฉลี่ยเคลื่อนที่ การปรับให้เรียบ และเวอร์ชันตามฤดูกาลใด ๆ ที่คุณต้องการเปรียบเทียบ
- วัดอคติ MAE และ WAPE:ตัดสินวิธีการบนช่วงเวลาที่มันไม่เคยเห็น
- เลือกวิธีที่คนอธิบายได้:ถ้าสองวิธีใกล้เคียงกัน ให้เลือกวิธีที่ทีมจะดูแลรักษาจริง ๆ
รู้ว่าสเปรดชีตมีปัญหาตรงไหน
- ผลิตภัณฑ์ใหม่: ยืมประวัติจากสินค้าที่คล้ายกัน หมวดหมู่ หรือแผนเปิดตัว เพราะ SKU ใหม่ยังไม่มีรูปแบบที่มีเสถียรภาพ
- ความต้องการที่ไม่สม่ำเสมอหรือเป็นช่วง ๆ: พยากรณ์ที่ระดับตระกูลหรือหมวดหมู่ก่อน จากนั้นวางแผนการเติมสินค้ารายตัวด้วยการตรวจสอบด้วยมือมากขึ้น
- โปรโมชั่นและธุรกิจโครงการ: เพิ่มการแทรกแซงกิจกรรมแยกต่างหากแทนที่จะขอให้โมเดลฐานเดากิจกรรมพิเศษ
- ความแม่นยำสินค้าคงคลังต่ำ: ถ้าการรับ การปรับ และการควบคุมตำแหน่งอ่อนแอ ให้แก้ไขกระบวนการก่อน การพยากรณ์บนบันทึกที่แย่ยังคงซื้อปริมาณผิด
นี่คือจุดที่การจัดลำดับความสำคัญมีความหมาย ใช้การวิเคราะห์ ABC เพื่อตัดสินว่าสินค้าใดสมควรได้รับความสนใจในการพยากรณ์มากที่สุด และจับคู่การพยากรณ์กับการทบทวนสต็อกกันชน อย่างมีวินัยเพื่อไม่ให้ความไม่แน่นอนกลายเป็นการซื้อเกินทั่วหน้า
สรุป
การพยากรณ์สินค้าคงคลังสำหรับคนที่ไม่ใช่นักวิทยาศาสตร์ข้อมูลไม่ได้เกี่ยวกับคณิตศาสตร์ขั้นสูง แต่เกี่ยวกับความซื่อสัตย์ในการปฏิบัติการ ทำความสะอาดประวัติ เริ่มด้วยค่าเฉลี่ยเคลื่อนที่หรือการปรับให้เรียบ เพิ่มฤดูกาลเมื่อมันซ้ำเท่านั้น วัดอคติและข้อผิดพลาดสัมบูรณ์ ทดสอบย้อนหลังก่อนเชื่อถือตัวเลข
ขั้นตอนถัดไป: เลือก 20 SKU ที่สำคัญ สร้างชีตรายสัปดาห์หนึ่งชีต และเปรียบเทียบพยากรณ์กับค่าจริงเป็นเวลา 8 สัปดาห์ หลังจากนั้น การพยากรณ์จะเลิกรู้สึกว่าเป็นทฤษฎีและเริ่มกลายเป็นส่วนหนึ่งของวิธีที่คุณซื้อ