Veri bilimcisi olmayanlar için envanter tahmini göründüğünden daha zor değildir. Çoğu ekip bir kara kutu modele ihtiyaç duymaz. Temiz bir satış geçmişi, tekrarlanabilir bir yöntem ve verilerin ne zaman yalan söylediğini fark etmenin bir yoluna ihtiyaç duyar. Geçen cuma bir ürün tükendiyse, e-tabloda matematik eksik değil - bağlam eksik.
Bu iyi bir haber, çünkü basit yöntemler genellikle insanların beklediğinden daha güçlüdür. Green ve Armstrong'un Journal of Business Research'teki incelemesinde, yazarlar 32 makalede 97 karşılaştırma buldu ve ekstra karmaşıklığın tahmin doğruluğunu iyileştirdiğine dair kanıt dengesi bulamadı. Tahmin hâlâ zordur, ancak ilk kazanım genellikle disiplinden gelir, gösterişli yazılımdan değil.
Yararlı bir tahmin en çok sekmesi olan değil. Bir alıcının açıklayabileceği, sorgulayabileceği ve bir sonraki sipariş tarihinden önce kullanabileceği tahmindir.
Yararlı bir envanter tahmini gerçekte ne yapar
Tahmin, tanımlanmış bir zaman penceresi üzerindeki gelecek talebin bir tahminidir. Envanter için bu pencere satın alma ritminizle uyuşmalıdır: tedarikçi teslim süresi artı bir sonraki incelemeye kadar olan süre. Her pazartesi sipariş veriyorsanız ve tedarikçi 21 gün sürüyorsa, gelecek 28 günle ilgilenirsiniz, teorik bir yıllık ortalamayla değil.
Tahmin, A ürünleriniz önlenebilir bir stok tükenmesine ulaşmadan önce yeniden sipariş vermek için yeterli uyarı sağlar.
Birisi güvenli hissetmek için biraz fazla sipariş verdiği için yavaş ürünlerin işletme sermayesini emmesini önler.
Satış, satın alma ve operasyonlar üç farklı içgüdüyü savunmak yerine tek bir sayı üzerinde tartışabilir.
Tahminler söz değildir. Başlangıç noktalarıdır. Tedarikçi sorunlarını, ticari etkinlikleri ve iş muhakemesini hâlâ üstüne eklersiniz. Amaç mükemmellik değil. Amaç daha az sürpriz.
Basit yöntemlerle başlayın, karmaşıklığı yalnızca hak ettiğinde ekleyin
NIST düzleştirme el kitabı ortalamayı, verileri düzleştirmenin ve rastgele varyasyonu azaltmanın en basit yolu olarak tanımlar. Çoğu envanter ekibinin başlaması gereken yer tam olarak burasıdır. Geçmişiniz makul ölçüde istikrarlıysa, basit hareketli ortalamalar ve düzleştirme yöntemleri size hızla operasyonel bir baz verecektir.
Yöntem 1: istikrarlı talep için hareketli ortalama
Hareketli ortalama, son karşılaştırılabilir dönemleri alır ve ortalamasını hesaplar. Haftalık tahmin yapıyorsanız, 4 haftalık hareketli ortalama genellikle başlamak için yeterlidir. Örnek: son 4 haftada 92, 104, 96 ve 108 birim satıldıysa, gelecek haftanın baz tahmini (92 + 104 + 96 + 108) / 4 = 100 birimdir.
Gelecek haftanın tahmini = (hafta -1 + hafta -2 + hafta -3 + hafta -4) / 4. Karşılaştırılabilir dönemler kullanın: haftayla hafta, ayla ay.
Yöntem 2: yakın geçmiş daha önemli olduğunda üstel düzleştirme
Son satışlar eski geçmişten daha önemliyse, basit üstel düzleştirmeye geçin. Tahmin: İlkeler ve Uygulama'da Hyndman ve Athanasopoulos bunu en son gerçek değer ile önceki tahmin arasındaki ağırlıklı ortalama olarak gösterir. Sade bir dille: dün geçen çeyrekten daha önemlidir, ancak geçen çeyrek göz ardı edilmez. Bu, düzleştirmeyi talep yavaşça kaydığında ama güçlü mevsimsellik olmadığında faydalı kılar.
Yöntem 3: takvim gerçekten önemli olduğunda mevsimsel faktör ekleyin
Talep tekrarlayan bir takvim düzeniyle yükselip düşüyorsa - Aralık hediyeleri, yaz hafta sonları, okula dönüş, ay sonu siparişleri - mevsimsel etkiyi baz seviyeden ayırın. Tahmin: İlkeler ve Uygulama'da pratik adım, mevsimsel olarak düzeltilmiş seriyi tahmin etmek ve sonra mevsimsel deseni geri eklemektir. Bu basit bir fikrin teknik açıklamasıdır: bu yılın Aralık ayı geçen yılın Mayıs ayından çok geçen yılın Aralık ayına benzemeli.
Mevsimsellik çabaya değer. Aynı Green ve Armstrong incelemesinde, mevsimsel düzeltme orijinal M-Competition'daki 68 aylık seride MAPE'yi yüzde 23.0'dan 17.7'ye düşürdü. Bu, basit takvim yapısının birçok ekstra matematiği yenebileceğinin faydalı bir hatırlatmasıdır.
Ürün düzenli satıldığında ve seviye çok kaymıyorken 4 ila 8 dönemlik hareketli ortalama kullanın.
Talep yavaşça hareket ettiğinde ve son dönemler daha fazla ağırlık hak ettiğinde basit üstel düzleştirme kullanın.
Aynı takvim artışı güvenilecek kadar sık tekrarlandığında baz tahmin artı mevsimsel faktörler kullanın.
Matematiğe güvenmeden önce geçmişi temizleyin
Tahmin yöntemi önemlidir, ancak girdi kalitesi daha önemlidir. İadeler, tek seferlik proje siparişleri, tedarikçi eksik sevkiyatları ve promosyon artışları hepsi baz çizgiyi bozabilir. Bir modele gürültü beslerseniz, kötü muhakemeyi otomatikleştirmiş olursunuz.
Stok tükenmeleri en büyük tuzaktır. Kayıp satış stok politikaları altında talep tahminleri üzerine bir araştırmada, yazarlar yeterli stok mevcutsa satışların talebin tarafsız bir tahmini olduğunu, ancak stok tükenmesi durumunda satışların talebi eksik değerleyip tahminleri aşağı çektiğini belirtir. Bu, operatörlerin nefret ettiği tam spirali yaratır: eksik tahmin, eksik sipariş, stok tükenmesi, tekrar.
Raf boş olduğunda, satışlar talebi ölçmeyi bırakır ve bulunurluğu ölçmeye başlar.
Basit bir stok tükenmesi düzeltme örneği
Bir ürünün 30 günlük bir ayda 210 birim sattığını, ancak yalnızca 21 gün stokta olduğunu varsayın. Naif günlük oran 7 birimdir. Stok tükenmesine göre düzeltilmiş oran 10 birimdir çünkü 210 / 21 = 10. Yenileme planlaması için ikinci sayı gerçekliğe çok daha yakındır. Birinci sayı stok tükenmesini gelecek ayın tahminine pişirir.
Geçmiş temizleme kuralları
- Stok tükenmesi dönemlerini işaretleyin:Sıfır bulunurluğa sahip gün veya haftaları takip edin, böylece ortalamaya alınmak yerine dışlanır veya düzeltilir.
- Promosyonları bazdan ayırın:Bir tasfiye haftası veya pazarlama artışı bir etkinlik sütununda oturmalı, baz tahmini kalıcı olarak şişirmemelidir.
- Tek seferlik siparişleri kaldırın:Büyük proje alımları, lansman doldurumları ve dahili transferler planlama etkinlikleridir, olağan talep değil.
- Yalnızca satışlara değil, envanter gerçeğine güvenin:Kayıt doğruluğu zayıfsa, önce sayımları düzeltin. Kirli stok kayıtları hem geçmişi hem de satın almayı bozar. Bakın: yanlış stok seviyelerinin maliyeti.
- Gerektiğinde varyantlardan önce aileleri tahmin edin:Beden-renk veya ambalaj varyantları üzerindeki ince geçmiş, genellikle önce grup düzeyinde daha iyi tahmin eder, sonra aşağı dağıtır.
Her pazartesi çalıştırabileceğiniz bir e-tablo iş akışı
SKU başına satırlar ve son 12 ila 24 dönem için sütunlar, stokta olma bayrakları, etkinlik notları, tahmin, gerçekleşen ve hata içeren tek bir sayfada saygın bir tahmin çalıştırabilirsiniz. Amaç güzel bir model oluşturmak değil. Amaç tekrarlanabilir bir rutin oluşturmak.
Pazartesi tahmin rutini
- Geçmişi haftaya veya aya göre dışarı aktarın:Haftalık, hızlı ürünler için daha iyidir. Aylık, daha yavaş katalog kalemleri için yeterlidir.
- İki yardımcı sütun ekleyin:biri stokta olma durumu, diğeri etkinlik notları için. Bu iki alan şaşırtıcı sayıda kötü tahmini önler.
- Ürün sınıfı başına bir baz yöntem seçin:İstikrarlı kalemler için hareketli ortalamalar ve yavaşça kayan kalemler için düzleştirme ile başlayın.
- Mevsimselliği yalnızca tekrarladığında uygulayın:Aynı takvim artışına birden fazla kez işaret edebiliyorsanız, mevsimsel faktör ekleyin. Edemiyorsanız, basit tutun.
- Yenileme penceresini tahmin edin:Tedarikçi teslim süresi artı bir sonraki sipariş incelemesine kadar olan boşluk boyunca talebi tahmin edin.
- Her değişikliği yazın:Satışlar bir müşteri kazanımının gelecek ay 300 birim ekleyeceğini söylüyorsa, değişikliği ve nedenini girin. Gizli değişiklikler öğrenmeyi yok eder.
Normal insanların hesaplayabileceği üç doğruluk kontrolü
İstatistiklerle dolu bir panoya ihtiyacınız yok. Tahminin sistematik olarak yanlış olup olmadığını ve ne kadar yanlış olduğunu söyleyen birkaç ölçüte ihtiyacınız var.
İşaretli ortalama hata. Pozitif yanlılık sürekli fazla tahmin ettiğiniz anlamına gelir. Negatif yanlılık kronik olarak eksik tahmin ettiğiniz ve stok tükenmesine davet ettiğiniz anlamına gelir.
Ortalama mutlak hata, birim cinsinden ortalama ıskalama. Green ve Armstrong'un belirttiği gibi, MAE üretim ve envanter kontrol kararları için basit ve faydalı bir ölçüdür.
Ağırlıklı mutlak yüzde hata. AWS Supply Chain talep planlama dokümanları, toplam tahmin ıskalamasını toplam gerçek talebe göre gösterdiği için WAPE'yi toplam doğruluk metriği olarak kullanır.
MAPE'yi dikkatli kullanın. Hyndman'ın doğruluk rehberinde, MAPE gerçek talep sıfır olduğunda tanımsız hale gelir ve gerçek değerler sıfıra yakın olduğunda patlayabilir. Bu onu yavaş ürünler, lansman kalemleri veya sık sıfır talep dönemleri olan herhangi bir seri için kötü bir seçim yapar.
Yanlılık, MAE ve WAPE ile başlayın. Daha gösterişli metrikleri yalnızca bu üçü istikrar kazandıktan ve anlaşılır hale geldikten sonra ekleyin.
Satın almaya dahil etmeden önce geriye dönük test yapın
Bir tahmin makul göründüğü için hazır değildir. Görmediği geçmiş dönemler üzerinde test ettikten sonra hazırdır. Hyndman'ın zaman serisi çapraz doğrulama rehberi yuvarlanan tahmin başlangıcını tanımlar: geçmiş boyunca ilerleyin, ileriye tahmin edin ve hataları ortalayın. Bu, 'Bu geçen çeyrek işe yarar mıydı?' sorusunun olgun versiyonudur.
Hızlı geriye dönük test
- Son 8 ila 12 dönemi ayırın:İlk modeli oluşturmak için kullanmayın.
- Her aday yöntemi çalıştırın:hareketli ortalama, düzleştirme ve karşılaştırmak istediğiniz herhangi bir mevsimsel versiyon.
- Yanlılığı, MAE'yi ve WAPE'yi ölçün:Yöntemleri görmedikleri dönemler üzerinde yargılayın.
- Ekibin açıklayabileceği yöntemi seçin:İki yöntem yakınsa, ekibin gerçekten bakımını yapacağı yöntemi seçin.
E-tablonun nerede zorluk çektiğini bilin
- Yeni ürünler: Benzer bir kalemden, kategoriden veya lansman planından geçmiş ödünç alın çünkü yeni SKU'nun henüz istikrarlı bir deseni yoktur.
- Toplu veya aralıksız talep: Önce aile veya kategori düzeyinde tahmin edin, sonra daha fazla manuel incelemeyle bireysel yenileme planlayın.
- Promosyonlar ve proje işi: Baz modelden özel olayları tahmin etmesini istemek yerine etkinlik değişikliklerini ayrı olarak ekleyin.
- Zayıf envanter doğruluğu: Kabul, düzeltmeler ve konum kontrolü zayıfsa, önce süreci düzeltin. Kötü kayıtlar üzerine katlanmış bir tahmin hâlâ yanlış miktarı satın alır.
Burada önceliklendirme önemlidir. Hangi kalemlerin en fazla tahmin dikkatini hak ettiğine karar vermek için ABC analizi kullanın ve belirsizliğin toptan aşırı satın almaya dönüşmemesi için tahmini disiplinli bir güvenlik stoğu incelemesiyle eşleştirin.
Son çıkarım
Veri bilimcisi olmayanlar için envanter tahmini, ileri matematikten çok operasyonel dürüstlükle ilgilidir. Geçmişi temizleyin. Hareketli ortalamalar veya düzleştirme ile başlayın. Mevsimselliği yalnızca tekrarlandığında ekleyin. Yanlılığı ve mutlak hatayı ölçün. Sayıya güvenmeden önce geriye dönük test yapın.
Sonraki adım: 20 önemli SKU seçin, bir haftalık sayfa oluşturun ve sonraki 8 hafta boyunca tahmini gerçekleşenle karşılaştırın. Bundan sonra tahmin teorik hissetmeyi bırakacak ve satın alım şeklinizin bir parçası haline gelecek.