Ang pagtataya ng imbentaryo para sa hindi data scientist ay parang mas mahirap kaysa sa totoong sitwasyon. Karamihan sa mga koponan ay hindi nangangailangan ng black-box na modelo. Kailangan nila ang malinis na kasaysayan ng benta, isang pamamaraan na mauulit, at paraan para mahalata kung kailan nagsisinungaling ang data. Kung ang isang item ay naubos noong nakaraang Biyernes, ang spreadsheet ay hindi kulang sa matematika - kulang ito sa konteksto.
Magandang balita iyan dahil ang simpleng pamamaraan ay madalas na mas matibay kaysa sa inaasahan ng tao. Sa pagsusuri ni Green at Armstrong sa Journal of Business Research, nakahanap ang mga may-akda ng 97 paghahambing mula sa 32 papel at walang timbang na ebidensya na nagpapahusay ang dagdag na kumplikasyon sa katumpakan ng pagtataya. Mahirap pa rin ang pagtataya, ngunit ang unang panalo ay karaniwang nanggagaling sa disiplina, hindi sa magarbong software.
Ang kapaki-pakinabang na pagtataya ay hindi iyong may pinakamaraming tab. Ito ay iyong maipapaliwanag, mapagtatanungan, at magagamit ng isang buyer bago ang susunod na deadline ng order.
Ano ang talagang ginagawa ng isang kapaki-pakinabang na pagtataya ng imbentaryo
Ang pagtataya ay isang tantiya ng hinaharap na demand sa loob ng tinukoy na panahon. Para sa imbentaryo, ang panahong iyon ay dapat tumugma sa iyong ritmo ng pagbili: lead time ng supplier dagdag ang oras hanggang sa susunod na pagsusuri. Kung umo-order ka tuwing Lunes at ang supplier ay tumatagal ng 21 araw, ang mahalaga ay ang susunod na 28 araw, hindi ang isang teyoretikal na taunang average.
Ang pagtataya ay nagbibigay ng sapat na babala para mag-reorder bago ang iyong mga A item ay makaranas ng maiiwasang stockout.
Pinipigilan ang mga mabagal na item na sumipsip ng working capital dahil lang may nag-order ng kaunting dagdag para sa kaligtasan.
Ang sales, purchasing, at operations ay maaaring makipagtalo sa isang numero sa halip na ipagtanggol ang tatlong magkakaibang kutob.
Ang mga pagtataya ay hindi pangako. Sila ay panimulang punto. Kailangan mo pa ring idagdag ang mga problema sa supplier, mga komersyal na kaganapan, at hatol ng negosyo. Ang layunin ay hindi pagiging perpekto. Ang layunin ay mas kaunting sorpresa.
Magsimula sa simpleng pamamaraan, pagkatapos ay magdagdag ng kumplikasyon kung kinakailangan lamang
Inilalarawan ng NIST handbook tungkol sa smoothing ang averaging bilang pinakasimpleng paraan ng pag-smooth ng data at pagbabawas ng random na pagbabago. Doon dapat magsimula ang karamihan sa mga koponan ng imbentaryo. Kung ang iyong kasaysayan ay medyo stable, ang mga moving average at smoothing na pamamaraan ay magbibigay sa iyo ng operational baseline nang mabilis.
Pamamaraan 1: moving average para sa stable na demand
Ang moving average ay kumukuha ng mga huling magkatulad na panahon at nira-rata sila. Kung nagtataya ka lingguhan, ang 4-week moving average ay madalas na sapat para magsimula. Halimbawa: kung ang huling 4 na linggo ay nagbenta ng 92, 104, 96, at 108 unit, ang baseline forecast ng susunod na linggo ay (92 + 104 + 96 + 108) / 4 = 100 unit.
Pagtataya ng susunod na linggo = (linggo -1 + linggo -2 + linggo -3 + linggo -4) / 4. Gumamit ng magkatulad na panahon: linggo sa linggo, buwan sa buwan.
Pamamaraan 2: exponential smoothing kapag mas mahalaga ang kamakailang kasaysayan
Kung mas mahalaga ang kamakailang benta kaysa sa lumang kasaysayan, umakyat sa simple exponential smoothing. Sa Forecasting: Principles and Practice, ipinakita ito ni Hyndman at Athanasopoulos bilang weighted average ng pinakahuling aktwal at ng naunang pagtataya. Sa simpleng salita: mas mahalaga ang kahapon kaysa sa nakaraang quarter, ngunit hindi binabalewala ang nakaraang quarter. Dahil dito, kapaki-pakinabang ang smoothing kapag ang demand ay kumikilos ngunit hindi malakas na seasonal.
Pamamaraan 3: magdagdag ng seasonal factor kapag talagang mahalaga ang kalendaryo
Kung ang demand ay pumapataas at bumababa sa paulit-ulit na pattern ng kalendaryo - regalo sa Disyembre, mga weekend sa tag-init, balik-eskwela, order sa katapusan ng buwan - ihiwalay ang seasonal effect mula sa base level. Sa Forecasting: Principles and Practice, ang praktikal na hakbang ay hulaan ang seasonally adjusted na serye pagkatapos ay idagdag muli ang seasonal pattern. Iyon ang teknikal na paglalarawan ng isang simpleng ideya: ang Disyembre ngayon ay dapat mas katulad ng nakaraang Disyembre kaysa sa nakaraang Mayo.
Sulit ang seasonal adjustment. Sa parehong pagsusuri ni Green at Armstrong, ibinaba ng seasonal adjustment ang MAPE mula 23.0 tungong 17.7 porsiyento sa 68 buwanang serye sa orihinal na M-Competition. Magandang paalala iyan na ang simpleng istruktura ng kalendaryo ay kayang talunin ang maraming dagdag na matematika.
Gumamit ng 4 hanggang 8 period na moving average kapag ang item ay regular ang benta at hindi masyadong gumagalaw ang level.
Gumamit ng simple exponential smoothing kapag ang demand ay unti-unting gumagalaw at ang mga kamakailang panahon ay nararapat na may mas mataas na timbang.
Gumamit ng base forecast kasama ang mga seasonal factor kapag ang parehong calendar lift ay paulit-ulit nang sapat para pagkatiwalaan.
Linisin ang kasaysayan bago pagkatiwalaan ang matematika
Mahalaga ang pamamaraan ng pagtataya, ngunit mas mahalaga ang kalidad ng input. Ang mga return, isang beses na project order, kulang na pagpapadala ng supplier, at promotional spike ay lahat kayang i-distort ang baseline. Kung nagpapasok ka ng ingay sa isang modelo, ino-automate mo lang ang masamang paghatol.
Ang stockout ang pinakamalaking bitag. Sa pananaliksik tungkol sa demand forecasting sa ilalim ng lost-sales stock policy, binanggit ng mga may-akda na kung sapat ang stok, ang mga benta ay isang walang kinikilingang tantiya ng demand, ngunit kapag may stockout, minamaliit ng benta ang demand at itinutulak pababa ang pagtataya. Lumilikha iyon ng eksaktong spiral na kinasusuklaman ng mga operator: kulang ang pagtataya, kulang ang order, stockout, ulitin.
Kapag walang laman ang estante, humihinto na ang benta sa pagsukat ng demand at nagsisimulang sukatin ang availability.
Isang simpleng halimbawa ng stockout adjustment
Sabihin nating ang isang item ay nagbenta ng 210 unit sa isang 30-araw na buwan, ngunit 21 araw lang itong may stok. Ang naive na daily rate ay 7 unit. Ang stockout-adjusted rate ay 10 unit dahil 210 / 21 = 10. Para sa replenishment planning, ang pangalawang numero ay mas malapit sa katotohanan. Ang unang numero ay nagsasama ng stockout sa pagtataya ng susunod na buwan.
Mga panuntunan para sa malinis na kasaysayan
- Markahan ang mga panahon ng stockout:Itala ang mga araw o linggo na may zero availability para hindi sila i-average kundi i-exclude o i-adjust.
- Ihiwalay ang mga promo sa baseline:Ang clearance week o marketing spike ay dapat nasa event column, hindi permanenteng nagpapalaki ng base forecast.
- Alisin ang mga isang beses na order:Ang malalaking project buy, launch fill, at internal transfer ay mga planning event, hindi ordinaryong demand.
- Gamitin ang katotohanan ng imbentaryo, hindi benta lang:Kung mahina ang katumpakan ng mga rekord, ayusin muna ang mga bilang. Ang maruruming stock record ay nagdi-distort ng kasaysayan at pagbili. Tingnan ang tunay na halaga ng hindi tumpak na mga antas ng stock.
- Hulaan ang mga pamilya bago ang mga variant kung kinakailangan:Ang manipis na kasaysayan sa laki-kulay o pack variant ay madalas na mas maganda ang pagtataya sa group level muna, tapos i-allocate pababa.
Isang spreadsheet workflow na puwede mong patakbuhin tuwing Lunes
Puwede kang magpatakbo ng disenteng pagtataya sa isang sheet na may mga hilera per SKU at mga kolum para sa huling 12 hanggang 24 na panahon, in-stock flag, event note, forecast, aktwal, at error. Ang punto ay hindi gumawa ng magandang modelo. Ang punto ay gumawa ng routineng mauulit.
Routineng pagtataya tuwing Lunes
- I-export ang kasaysayan ayon sa linggo o buwan:Mas maganda ang lingguhan para sa mabilis na item. Sapat na ang buwanan para sa mas mabagal na katalogo.
- Magdagdag ng dalawang helper column:isa para sa in-stock status, isa para sa event note. Ang dalawang field na iyon ay pumipigil sa nakapagtatakang bilang ng masamang pagtataya.
- Pumili ng isang base method per item class:Magsimula sa moving average para sa stable na item at smoothing para sa mga unti-unting nagbabago.
- Ilapat ang seasonality kung paulit-ulit lang:Kung maiituro mo ang parehong calendar lift nang higit sa isang beses, magdagdag ng seasonal factor. Kung hindi, panatilihing simple.
- Hulaan ang replenishment window:Tantiyahin ang demand sa kahabaan ng supplier lead time dagdag ang agwat hanggang sa susunod na order review.
- Isulat ang bawat override:Kung sinabi ng sales na may bagong customer na dagdag ng 300 unit sa susunod na buwan, ilagay ang override at ang dahilan. Ang mga nakatagong override ay sumisira ng pag-aaral.
Tatlong accuracy check na kaya ng karaniwang tao
Hindi mo kailangan ng dashboard na puno ng estadistika. Kailangan mo ng ilang sukatan na nagsasabi kung ang pagtataya ay sistematikong mali at kung gaano kalaki.
Average signed error. Ang positibong bias ay nangangahulugang palagi kang nag-o-over-forecast. Ang negatibong bias ay nangangahulugang palagi kang kulang sa pagtataya at inaanyayahan ang stockout.
Mean absolute error, ang average na pagkakamali sa mga unit. Gaya ng sinabi nina Green at Armstrong, ang MAE ay isang simple at kapaki-pakinabang na sukatan para sa mga desisyon sa produksyon at kontrol ng imbentaryo.
Weighted absolute percentage error. Ginagamit ng AWS Supply Chain demand planning docs ang WAPE bilang aggregate accuracy metric dahil ipinapakita nito ang kabuuang forecast miss kumpara sa kabuuang aktwal na demand.
Mag-ingat sa MAPE. Sa accuracy guide ni Hyndman, nagiging undefined ang MAPE kapag ang aktwal na demand ay zero at maaaring sumabog kapag malapit sa zero ang mga aktwal. Dahil dito, masamang pagpipilian ito para sa mabagal na item, bagong produkto, o anumang serye na may madalas na zero-demand period.
Magsimula sa bias, MAE, at WAPE. Magdagdag ng mas kumplikadong metrika pagkatapos lang na maging stable at maintindihan ang tatlong ito.
Mag-backtest bago dalhin sa purchasing
Hindi pa handa ang isang pagtataya dahil lang mukhang makatwiran ito. Handa ito pagkatapos mong subukan sa mga nakaraang panahon na hindi nito nakita. Inilalarawan ng time series cross-validation guide ni Hyndman ang rolling forecast origin: gumalaw sa kasaysayan, magtataya pasulong, at i-average ang mga error. Iyon ang mature na bersyon ng pagtatanong, 'Gagana ba ito noong nakaraang quarter?'
Mabilis na backtest
- Ilaan ang huling 8 hanggang 12 panahon:Huwag gamitin para itayo ang unang modelo.
- Patakbuhin ang bawat candidate method:moving average, smoothing, at anumang seasonal version na gusto mong ihambing.
- Sukatin ang bias, MAE, at WAPE:Hatulan ang mga pamamaraan sa mga panahon na hindi nito nakita.
- Piliin ang pamamaraan na maipapaliwanag ng tao:Kung magkalapit ang dalawang pamamaraan, piliin ang talagang pananatilihin ng koponan.
Alamin kung saan nagsisimulang mahirapan ang spreadsheet
- Bagong produkto: Hiramin ang kasaysayan mula sa katulad na item, kategorya, o launch plan dahil ang bagong SKU ay wala pang stable na pattern.
- Hindi regular o intermittent na demand: Magtataya muna sa family o category level, pagkatapos ay magplano ng individual replenishment na may mas maraming manual review.
- Mga promosyon at project business: Magdagdag ng event override nang hiwalay sa halip na pahulahin ang base model sa mga espesyal na kaganapan.
- Mahinang katumpakan ng imbentaryo: Kung mahina ang receiving, adjustment, at location control, ayusin muna ang proseso. Ang pagtataya na nasa ibabaw ng masamang rekord ay bumibili pa rin ng maling dami.
Dito mahalaga ang prioritization. Gamitin ang ABC na pagsusuri para magpasya kung aling mga item ang nararapat sa pinakamaraming atensyon sa pagtataya, at pagsamahin ang pagtataya sa disiplinadong pagsusuri ng safety stock para hindi maging pangkalahatang sobrang pagbili ang kawalan ng katiyakan.
Pangwakas na konklusyon
Ang pagtataya ng imbentaryo para sa hindi data scientist ay hindi tungkol sa advanced na matematika kundi sa katapatan sa operasyon. Linisin ang kasaysayan. Magsimula sa moving average o smoothing. Magdagdag ng seasonality kung paulit-ulit lang. Sukatin ang bias at absolute error. Mag-backtest bago pagkatiwalaan ang numero.
Susunod na hakbang: pumili ng 20 mahalagang SKU, gumawa ng isang lingguhang sheet, at ikumpara ang forecast laban sa aktwal sa susunod na 8 linggo. Pagkatapos niyon, ang pagtataya ay titigil na sa pakiramdam na teyoretikal at magsisimulang maging bahagi ng paraan mo ng pagbili.