Прогнозування запасів для тих, хто не аналітик даних, звучить складніше, ніж є насправді. Більшості команд не потрібна модель-чорна скринька. Потрібна чиста історія продажів, відтворюваний метод і спосіб помітити, коли дані брешуть. Якщо товар був у дефіциті минулої п'ятниці, у таблиці бракує не математики, а контексту.
Це добра новина, бо прості методи часто працюють краще, ніж прийнято думати. В огляді Гріна й Армстронга у Journal of Business Research автори знайшли 97 порівнянь у 32 статтях і не виявили доказів того, що додаткова складність підвищує точність прогнозів. Прогнозування залишається складним, але перший виграш зазвичай приходить від дисципліни, а не від дорогого софту.
Корисний прогноз - це не той, у якому найбільше вкладок. Це той, який закупник може пояснити, оскаржити й використати до наступного дедлайну замовлення.
Що насправді робить корисний прогноз запасів
Прогноз - це оцінка майбутнього попиту за визначений період. Для запасів цей період має збігатися з ритмом закупівель: час постачання плюс час до наступного перегляду. Якщо ви замовляєте щопонеділка, а постачальник везе 21 день, вас цікавлять наступні 28 днів, а не теоретичне річне середнє.
Прогноз дає достатньо часу, щоб перезамовити до того, як ваші A-позиції зіткнуться з дефіцитом, якого можна уникнути.
Він не дає повільним позиціям поглинати оборотний капітал лише тому, що хтось замовив трохи більше для підстрахування.
Продажі, закупівлі й операції можуть сперечатися про одну цифру, а не захищати три різні інтуїтивні оцінки.
Прогнози - це не обіцянки. Це відправні точки. Ви й надалі враховуєте проблеми постачальників, комерційні події та бізнес-судження. Мета - не ідеальна точність. Мета - менше сюрпризів.
Почніть із простих методів, ускладнюйте тільки коли це виправдано
Довідник NIST зі згладжування описує усереднення як найпростіший спосіб згладити дані та зменшити випадкову варіацію. Саме з цього більшості команд варто починати. Якщо ваша історія достатньо стабільна, ковзні середні та методи згладжування швидко дадуть операційну базу.
Метод 1: ковзне середнє для стабільного попиту
Ковзне середнє бере останні кілька порівнянних періодів і обчислює їхнє середнє. Якщо ви прогнозуєте потижнево, ковзного середнього за 4 тижні зазвичай вистачає для старту. Приклад: якщо за останні 4 тижні продано 92, 104, 96 і 108 одиниць, базовий прогноз на наступний тиждень: (92 + 104 + 96 + 108) / 4 = 100 одиниць.
Прогноз на наступний тиждень = (тиждень -1 + тиждень -2 + тиждень -3 + тиждень -4) / 4. Порівнюйте відповідні періоди: тижні з тижнями, місяці з місяцями.
Метод 2: експоненційне згладжування, коли нещодавня історія важливіша
Якщо нещодавні продажі важливіші за стару історію, переходьте до простого експоненційного згладжування. У Forecasting: Principles and Practice Гайндман і Атанасопулос представляють його як зважене середнє останнього фактичного значення й попереднього прогнозу. Простіше кажучи: вчора важливіше за минулий квартал, але минулий квартал не ігнорується. Це робить згладжування корисним, коли попит повільно дрейфує, але не має вираженої сезонності.
Метод 3: додайте сезонний фактор, коли календар справді важливий
Якщо попит піднімається й падає за повторюваним календарним патерном - подарунки в грудні, літні вихідні, шкільний сезон, замовлення наприкінці місяця - відділіть сезонний ефект від базового рівня. У Forecasting: Principles and Practice практичний підхід полягає в тому, щоб прогнозувати очищений від сезонності ряд і потім додати сезонну структуру назад. Це технічний опис простої ідеї: цей грудень має більше нагадувати минулий грудень, ніж минулий травень.
Сезонність варта зусиль. У тому самому огляді Гріна й Армстронга сезонне коригування знизило MAPE з 23,0 до 17,7 відсотка на 68 місячних рядах з оригінального M-Competition. Це корисне нагадування, що проста календарна структура може перевершити багато додаткової математики.
Використовуйте ковзне середнє за 4-8 періодів, коли товар продається регулярно й рівень не сильно дрейфує.
Використовуйте просте експоненційне згладжування, коли попит рухається поступово й нещодавні періоди заслуговують більшої ваги.
Використовуйте базовий прогноз плюс сезонні коефіцієнти, коли той самий календарний підйом повторюється достатньо часто, щоб йому довіряти.
Очистіть історію, перш ніж довіряти математиці
Метод прогнозування важливий, але якість вхідних даних важливіша. Повернення, разові проектні замовлення, недопостачання та промопіки - все це може спотворити базу. Якщо подати в модель шум, ви просто автоматизуєте погане рішення.
Дефіцити - найбільша пастка. У дослідженні прогнозування попиту при політиках утрачених продажів автори зазначають, що якщо товар у наявності, продажі є незміщеною оцінкою попиту, але при дефіциті продажі занижують попит і зсувають прогнози вниз. Це саме та спіраль, яку оператори ненавидять: занижений прогноз, недозамовлення, дефіцит, повтор.
Коли полиця порожня, продажі вимірюють не попит, а доступність.
Простий приклад поправки на дефіцит
Скажімо, товар продав 210 одиниць за 30-денний місяць, але був у наявності лише 21 день. Наївна денна ставка - 7 одиниць. Скоригована ставка - 10 одиниць, бо 210 / 21 = 10. Для планування поповнення друге число набагато ближче до реальності. Перше число вбудовує дефіцит у прогноз наступного місяця.
Правила чистої історії
- Позначайте періоди дефіциту:Відстежуйте дні або тижні з нульовою доступністю, щоб виключити або скоригувати їх, а не усереднювати.
- Відділяйте промоакції від бази:Тиждень розпродажу або маркетинговий пік мають бути у колонці подій, а не постійно роздувати базовий прогноз.
- Прибирайте разові замовлення:Великі проектні закупівлі, початкові партії та внутрішні переміщення - це планові події, а не звичайний попит.
- Використовуйте дані запасів, а не лише продажі:Якщо точність записів низька, спершу наведіть лад у підрахунках. Брудні дані спотворюють і історію, і закупівлі. Докладніше: реальна вартість неточних рівнів запасів.
- Прогнозуйте групи, а не варіанти, якщо потрібно:Тонка історія по розмірах-кольорах або упаковках часто прогнозується краще на рівні групи, а потім розподіляється вниз.
Робочий процес у таблиці, який можна запускати щопонеділка
Серйозний прогноз можна вести в одній таблиці з рядками по SKU та стовпцями для останніх 12-24 періодів, прапорців наявності, нотаток про події, прогнозу, факту й помилки. Мета - не гарна модель. Мета - відтворюваний ритм.
Понеділкова рутина прогнозування
- Вивантажте історію по тижнях або місяцях:Потижнево краще для швидких позицій. Помісячно вистачає для повільного каталогу.
- Додайте дві допоміжні колонки:одну для статусу наявності, одну для нотаток про події. Ці два поля запобігають дивовижній кількості поганих прогнозів.
- Оберіть один базовий метод для кожного класу товарів:Почніть із ковзних середніх для стабільних позицій і згладжування для тих, що повільно дрейфують.
- Застосовуйте сезонність тільки коли вона повторюється:Якщо ви можете вказати на той самий календарний підйом більше одного разу, додайте сезонний коефіцієнт. Якщо ні, залишайте просто.
- Прогнозуйте вікно поповнення:Оцініть попит на час постачання плюс проміжок до наступного перегляду замовлення.
- Записуйте кожне ручне коригування:Якщо продажі кажуть, що новий клієнт додасть 300 одиниць наступного місяця, введіть коригування й причину. Приховані коригування руйнують навчання.
Три перевірки точності, які може порахувати будь-хто
Вам не потрібен дашборд, набитий статистикою. Потрібні кілька показників, які скажуть, чи систематично помиляється прогноз і наскільки.
Середня помилка зі знаком. Позитивне зміщення означає, що ви постійно завищуєте прогноз. Негативне - хронічно занижуєте й провокуєте дефіцити.
Середня абсолютна помилка, середній промах в одиницях. Як зазначають Грін і Армстронг, MAE - проста й корисна міра для рішень у сфері виробництва та управління запасами.
Зважена абсолютна відсоткова помилка. Документація AWS Supply Chain з планування попиту використовує WAPE як агреговану метрику точності, бо вона показує загальний промах прогнозу відносно загального фактичного попиту.
Використовуйте MAPE обережно. У гайді Гайндмана з точності MAPE стає невизначеним при нульовому фактичному попиті й може вибухнути при значеннях, близьких до нуля. Це робить його поганим вибором для повільних позицій, новинок або рядів із частими нульовими періодами.
Почніть зі зміщення, MAE та WAPE. Додавайте складніші метрики лише після того, як ці три стабільні й зрозумілі.
Протестуйте на минулих даних перед використанням у закупівлях
Прогноз не готовий, тому що виглядає розумно. Він готовий після перевірки на минулих періодах, яких він не бачив. Гайд Гайндмана з крос-валідації часових рядів описує ковзний горизонт прогнозування: рухайтеся по історії, прогнозуйте вперед і усереднюйте помилки. Це доросла версія запитання: чи спрацювало б це минулого кварталу?
Швидкий тест на минулих даних
- Відкладіть останні 8-12 періодів:Не використовуйте їх для побудови першої моделі.
- Запустіть кожен метод-кандидат:ковзне середнє, згладжування та будь-яку сезонну версію для порівняння.
- Виміряйте зміщення, MAE і WAPE:Оцінюйте методи на періодах, яких вони не бачили.
- Оберіть метод, який команда може пояснити:Якщо два методи дають близькі результати, оберіть той, який команда реально підтримуватиме.
Де таблиця показує свої обмеження
- Нові продукти: Запозичте історію подібного товару, категорії або плану запуску, бо новий SKU ще не має стійкого патерну.
- Нерівномірний або переривчастий попит: Прогнозуйте спершу на рівні родини або категорії, потім плануйте поповнення окремих позицій із більшою часткою ручної перевірки.
- Промоакції та проектний бізнес: Додавайте коригування подій окремо, а не змушуйте базову модель вгадувати спеціальні заходи.
- Низька точність запасів: Якщо приймання, коригування та контроль місць зберігання слабкі, спершу налагодьте процес. Прогноз, побудований на поганих записах, усе одно закупить неправильну кількість.
Саме тут важлива пріоритизація. Використовуйте ABC-аналіз, щоб вирішити, які позиції заслуговують найбільшої уваги при прогнозуванні, та доповніть прогноз дисциплінованим переглядом страхового запасу, щоб невизначеність не перетворилась на суцільне перезамовлення.
Фінальний висновок
Прогнозування запасів для тих, хто не аналітик даних, менше пов'язане з просунутою математикою й більше - з операційною чесністю. Очистіть історію. Почніть із ковзних середніх або згладжування. Додавайте сезонність тільки тоді, коли вона повторюється. Вимірюйте зміщення й абсолютну помилку. Тестуйте на минулих даних, перш ніж довіряти цифрі.
Наступний крок: оберіть 20 важливих SKU, створіть одну щотижневу таблицю й порівнюйте прогноз із фактом протягом наступних 8 тижнів. Після цього прогнозування перестане здаватися теоретичним і стане частиною того, як ви закуповуєте.