Kysynnän ennustaminen on arvio siitä, kuinka paljon tuotetta myydään tulevalla ajanjaksolla, jotta voit päättää, kuinka paljon sitä kannattaa ostaa ja pitää varastossa.
Jokainen yritys tekee tätä. Useimmat tekevät sen implisiittisesti – joku katsoo hyllyä, miettii edellistä kuukautta ja tekee tilauksen. Muodollinen ennustaminen korvaa tämän menetelmällä, jota voidaan tarkastella, mitata ja parantaa.
Tämä on tärkeää, ei siksi, että tarkat ennusteet olisivat saavutettavissa. Niitä ei ole, ja jokainen prosessi, joka olettaa muuta, tuottaa pettymyksen. Se on tärkeää, koska virheen suuruus määrittää, kuinka paljon varmuusvarastoa tarvitset, ja varmuusvarasto on kallista. Parempi ennustaminen on ainoa tapa pitää vähemmän varastoa ilman, että saatavuus heikkenee.
Mitä kysynnän ennustaminen on
Ennuste koostuu kolmesta osasta, ja pieleen menevistä ennusteista puuttuu yleensä kaksi niistä.
Luku. Odotettu yksikkömäärä määritellyn ajanjakson aikana.
Ajanjakso. Ensi viikko, ensi kuukausi, ensi vuosineljännes. Tarkkuus heikkenee aikajänteen pidentyessä, joten aikajänteen tulisi vastata käyttötarkoitusta – tilaustarkoituksiin tehtävän ennusteen tarvitsee ulottua vain toimitusajan ja tarkastelujakson verran eteenpäin.
Luottamusväli. Kuinka paljon luku voi heittää. 500 yksikön ennuste, joka voi uskottavasti olla välillä 400–600, on hyvin erilainen suunnittelun lähtökohta kuin ennuste, joka voi olla 200–800, vaikka molemmilla on sama keskiarvo. Väli määrittää puskurisi koon, ja ennuste ilman sitä ei anna perustaa sille, kuinka paljon suojaa tarvitset.
Ennusteet eroavat myös tason mukaan. Koko tuotekategorian kysynnän ennuste on paljon luotettavampi kuin yksittäisen SKU-koodin tietyn värin ennuste, koska vaihtelu kumoutuu, kun lukuja yhdistellään. Tämä on hyvä tietää, koska se selittää, miksi yleistason lukusi voivat näyttää tarkoilta, vaikka yksittäisten tuotteiden ennusteet ovat jatkuvasti väärässä.
Tärkeimmät ennustemenetelmät
Naiivi ennustaminen. Seuraava jakso on sama kuin edellinen. Hyödyllinen lähtökohtana – jos hienostunut menetelmäsi ei voita tätä, hienostuneisuus ei ole vaivan arvoista.
Liukuva keskiarvo. Viimeisten jaksojen keskiarvo, joka tasoittaa satunnaista vaihtelua. Yksinkertainen ja tehokas vakaille tuotteille, mutta hidas reagoimaan todellisiin muutoksiin, koska vanhoilla jaksoilla on yhtä paljon painoarvoa kuin tuoreilla.
Painotettu liukuva keskiarvo. Kuten edellä, mutta viimeaikaisilla jaksoilla on suurempi painoarvo. Reagoi nopeammin muutoksiin säilyttäen samalla jonkin verran tasoitusta.
Eksponentiaalinen tasoitus. Painot vähenevät geometrisesti menneisyyteen päin, ja niitä ohjaa yksi tasoituskerroin. Korkeampi kerroin reagoi nopeammin muutoksiin ja on kohinaisempi; matalampi on vakaa ja hidas. Tämä on käytännön ennustamisen työjuhta, ja muunnelmat käsittelevät trendiä ja kausivaihtelua erikseen.
Trendin ja kausivaihtelun erottelu. Historia jaetaan taustatasoon, trendiin ja toistuvaan kausivaihteluun, projisoidaan kukin erikseen ja yhdistetään uudelleen. Välttämätön kaikelle aidosti kausiluonteiselle, mitä useimmat kulutustavarat ovat.
Regressio. Kysynnän suhteuttaminen sitä ajaviin muuttujiin – hinta, markkinointipanostukset, sää, talouden indikaattorit. Tehokas silloin, kun on olemassa aito syy-seuraussuhde, ja harhaanjohtava silloin, kun sattumanvarainen korrelaatio sekoitetaan sellaiseen.
Laadulliset menetelmät. Myyntitiimin panos, asiakkaiden aikeet, asiantuntija-arvio. Korvaamattomia silloin, kun historiaa ei ole – uudet tuotteet, uudet markkinat, juuri avattu kanava. Myös alttiimpia optimismille, minkä vuoksi ennusteet kannattaa kirjata ylös ja pisteyttää jälkikäteen.
Koneoppimismenetelmät. Yhä yleisempiä suunnitteluohjelmistoissa, ja aidosti parempia silloin, kun sinulla on paljon tuotteita, pitkiä historioita ja useita vaikuttavia muuttujia. Ne vaativat huomattavasti enemmän dataa kuin useimmilla toimijoilla on, eivätkä ne korjaa huonoja syötteitä.
Kysynnän ennustamisen tyypit
Ennusteet luokitellaan useilla tavoilla, ja termit kannattaa tuntea, koska niitä käytetään suunnittelupalavereissa lyhenteinä.
Aikajänteen mukaan.
- Lyhyen aikavälin – päivistä muutamaan kuukauteen. Ohjaa täydennystilauksia, tilauspisteitä ja henkilöstöresursseja. Tarkkuus on tässä saavutettavissa ja hyöty välitön.
- Keskipitkän aikavälin – vuosineljänneksestä vuoteen. Ohjaa ostositoumuksia, toimittajasopimuksia ja kausiostoja.
- Pitkän aikavälin – vuosi tai enemmän. Ohjaa kapasiteettipäätöksiä: varastotilaa, laitteistoa, henkilöstömäärää. Tarkkuutta ei odoteta eikä se ole hyödyllistä tällä aikavälillä; suunta ja suuruusluokka ovat.
Laajuuden mukaan.
- Makrotason ennustaminen katsoo ulospäin olosuhteisiin, joissa kysyntäsi sijaitsee – talous, kategoria, markkinat. Hyödyllinen kontekstin kannalta, harvoin itsessään toimintaa ohjaava.
- Mikrotason ennustaminen tarkastelee tiettyä tuotetta, kanavaa tai asiakasta. Tässä tehdään varsinaiset operatiiviset päätökset.
Lähestymistavan mukaan.
- Passiivinen ennustaminen olettaa jatkuvuutta: se, mitä tapahtui, tapahtuu jatkossakin, trendillä ja kausivaihtelulla oikaistuna. Se sopii vakaille yrityksille ja on oikea oletusarvo useimmille varastosuunnittelun tarpeille, koska se ei tee sankarillisia oletuksia.
- Aktiivinen ennustaminen huomioi sen, mitä aiot muuttaa – kampanja, uusi kanava, hinnankorotus, tuotelanseeraus. Se on välttämätöntä aina, kun menneisyys on huono opas, ja se on myös kohta, jossa optimismi aiheuttaa eniten vahinkoa, koska suunnitelma sekoitetaan ennusteeseen.
Menetelmän mukaan.
- Laadullinen – harkinta, myynnin panos, asiantuntija-arvio. Välttämätön uusille tuotteille, joilla ei ole historiaa, ja vähiten luotettava silloin, kun dataa on saatavilla.
- Määrällinen – liukuvat keskiarvot, eksponentiaalinen tasoitus, regressio, kausivaihtelun erottelu. Luotettava silloin, kun historiaa on saatavilla ja kysyntä on kohtuullisen vakaata.
- Tekoäly- ja koneoppimispohjaiset – mallit, jotka huomioivat monia muuttujia samanaikaisesti ja löytävät kuvioita, joita yksinkertainen aikasarja ei huomaisi: sää, hinnoittelu, kilpailijoiden käyttäytyminen, verkkoliikenne, kampanjoiden päällekkäisyys. Ne ovat hyödyllisiä laajassa mittakaavassa, suurilla SKU-määrillä ja pitkällä historialla, eivätkä ne korvaa puhdasta dataa. Malli, joka on koulutettu myyntihistorialla, joka sisältää merkitsemättömiä varaston loppumisen jaksoja, oppii väärän asian nopeammin ja varmemmin kuin laskentataulukko.
Käytännön huomio: useimmat yritykset tarvitsevat lyhyen aikavälin, mikrotason, passiivista määrällistä ennustamista suurimmalle osalle valikoimaansa, ja aktiivista ennustamista niille harvoille tuotteille, joissa tapahtuu tietoisia muutoksia. Hienostuneiden menetelmien tavoittelu ennen kuin perusmenetelmät toimivat, on yleisin ja kallein järjestysvirhe tällä alalla.
Miten ennustaa kysyntää käytännössä
1. Puhdista historia ensin. Tämä vaihe määrittää, onko kaiken sen jälkeisen tekeminen vaivan arvoista.
Kriittisin korjaus on varaston loppuminen. Myyntihistoria tallentaa sen, mitä myit, ei sitä, mitä asiakkaat halusivat. Jakso, jolloin varasto oli loppu, näyttää alhaista myyntiä, ja sen syöttäminen ennusteeseen kertoo mallille, että kysyntä on todellista alhaisempaa – juuri sille tuotteelle, joka on jo pettänyt sinut. Merkitse varaston loppumisen jaksot ja joko sulje ne pois tai arvioi menetetty kysyntä.
Poista myös kertaluonteiset tapahtumat: yksittäinen suurtilaus, joka ei toistu, poistomyynti, datavirhe. Jätä aidot toistuvat kuviot, kuten kampanjat, mukaan, mutta merkitse ne niin, että ne ymmärretään kampanjoiksi eikä perustasoksi.
2. Valitse taso. Ennusta sillä tasolla, jolla teet päätöksiä. Jos tilaat SKU-tasolla, tarvitset SKU-tason ennusteita, mutta voit rakentaa ne ennustamalla kategorian ja jakamalla sen viimeaikaisen osuuden mukaan, mikä on usein vakaampaa kuin kunkin SKU:n ennustaminen itsenäisesti.
3. Valitse menetelmä tuoteryhmittäin. Vakaat suuren volyymin tuotteet sopivat eksponentiaaliseen tasoitukseen. Kausituotteet tarvitsevat kausivaihtelun erottelua. Epäsäännöllisesti liikkuvia tuotteita palvelee usein parhaiten yksinkertainen keskiarvo ja runsas puskuri, koska hienostuneet menetelmät sovittavat kohinaa.
4. Käytä harkintaa ja kirjaa se ylös. Tee oikaisuja asioille, joita historia ei voi tietää – listautumisvoitto, kilpailijan poistuminen, hinnanmuutos, kampanja. Kirjaa oikaisu erikseen tilastollisesta ennusteesta, jotta voit myöhemmin tarkistaa, auttoivatko toimenpiteesi. Monet eivät tee näin.
5. Mittaa virhe. Ilman tätä se ei ole prosessi, se on tapa.
6. Tarkista ja oikaise säännöllisesti. Useimmille toiminnoille kuukausittain. Tarkoituksena on löytää tuotteet, joiden kuvio on muuttunut, ei hienosäätää lukuja, jotka olivat kunnossa.
Ennustetarkkuuden mittaaminen
Kolme mittaria kattaa suurimman osan tarpeista.
MAPE — keskimääräinen absoluuttinen prosentuaalinen virhe. Keskimääräinen virhe prosentteina todellisesta kysynnästä. Intuitiivinen ja laajasti käytetty. Sen heikkous on, että se vääristyy pahasti pienillä volyymeilla: kahden yksikön heitto kolmen yksikön ennusteessa on 67 % virhe, joka ei kerro mitään.
MAD — keskimääräinen absoluuttinen poikkeama. Keskimääräinen virhe yksikköinä, suuntaa huomioimatta. Hyödyllinen, koska se syötetään suoraan varmuusvaraston laskentaan.
Vinouma (Bias). Keskimääräinen virhe suunta huomioiden. Tämä on mittari, joka jätetään useimmiten huomiotta, vaikka se on usein informatiivisin. Jos virheesi keskiarvo on lähellä nollaa, ennusteesi on yhtä usein yli- kuin aliarvioitu — kyse on kohinasta, jota puskurit tasaavat. Jos virheet ovat johdonmukaisesti positiivisia tai negatiivisia, sinulla on järjestelmällinen ongelma, eikä mikään määrä varmuusvarastoa korjaa ennustetta, joka on aina liian alhainen.
Mittaa tuoteryhmittäin sen sijaan, että tarkastelisit lukuja kokonaistasolla, sillä hyvä kokonaistulos peittää rutiininomaisesti muutaman huonosti ennustetun nimikkeen, jotka aiheuttavat todellista vahinkoa.
Vertaa tuloksia naiiviin vertailukohtaan. Jos menetelmäsi ei voita “sama kuin viime kuussa” -mallia, yksinkertaista.
Miksi ennuste ei ole koskaan täydellinen (ja se on hyväksyttävää)
Ennusteet ovat vääriä. Hyödyllisiä kysymyksiä ovat, kuinka paljon ne ovat väärässä, mihin suuntaan ja onko virhe riittävän vakaa suunnittelun pohjaksi.
Tästä syystä ennustaminen ja varmuusvarastot ovat samaa keskustelua. Ennuste antaa odotetun kysynnän; ennustevirhe antaa vaihtelun, jota varten varmuusvarasto on olemassa. Paranna ennustetta, niin tarvittava puskuri pienenee samalla palvelutasolla. Tämä on koko kaupallinen perustelu ennustamiseen investoimiselle, ja se on mitattavissa.
Hyväksy myös se, että jotkut tuotteet ovat aidosti ennustamattomia. Erittäin hitaasti liikkuvat tuotteet, kertaluonteiset projektinimikkeet tai mikä tahansa, jota ohjaavat ulkoiset tapahtumat, joita kukaan ei voi ennakoida. Näille rehellinen vastaus on erilainen strategia — tilausohjautuva valmistus, toimittajan varaston hyödyntäminen tai pidempien toimitusaikojen hyväksyminen — paremman mallin etsimisen sijaan.
Kausivaihtelun ja kampanjakysynnän ennustaminen
Kaksi mallia aiheuttaa suurimman osan vaikeuksista, ja molempia on käsiteltävä eksplisiittisesti sen sijaan, että toivottaisiin yleisen menetelmän hoitavan ne.
Kausivaihtelu on kalenteriin sidottu toistuva kuvio. Virhe on käsitellä kausihuippua kasvuna. Liukuva keskiarvo, jota sovelletaan tuotteeseen, jota myydään joulukuussa nelinkertaisesti, jahtaa huippua ylöspäin tammikuussa, tilaa aivan liikaa ja jahtaa sitä sitten takaisin alas kevään aikana.
Sen oikeaoppinen käsittely tarkoittaa kausitekijän erottamista taustalla olevasta kysyntätasosta. Laske kunkin jakson kysynnän suhde vuotuiseen keskiarvoon usean vuoden ajalta, niin saat joukon kausi-indeksejä — joulukuu 2,4, tammikuu 0,6 ja niin edelleen. Ennusta taustalla oleva taso ja sovella sitten ennustettavan jakson indeksiä.
Kaksi varoitusta. Tarvitset vähintään kaksi täyttä historiallista sykliä ennen kuin kausi-indeksit tarkoittavat mitään, ja kolme on parempi. Kausivaihtelu myös muuttuu — pääsiäinen siirtyy, sesonkiviikot vaeltavat ostotottumusten muuttuessa, ja viisi vuotta vanhasta datasta laskettu indeksi saattaa kuvata kuviota, jota ei ole enää olemassa.
Kampanjat ovat suurin ongelma useimmissa yrityksissä, koska ne ovat sekä merkittäviä että itse aiheutettuja. Kampanja voi moninkertaistaa kysynnän viikoksi, ja tämä piikki jää historiaasi vääristämään jokaista seuraavaa ennustetta.
Käytännöt, jotka auttavat:
- Merkitse kampanjajaksot dataan, jotta tilastollinen ennuste voi sulkea ne pois tai mukauttaa niitä.
- Ennusta kampanjamyynnin kasvu erillään peruskysynnästä käyttämällä vertailukelpoisten aiempien kampanjoiden tuloksia sen sijaan, että käyttäisit prosenttiosuutta, joka “tuntuu oikealta”.
- Huomioi jälkeinen lasku. Kampanjat usein aikaistavat kysyntää sen luomisen sijaan, joten seuraavat viikot jäävät perustason alapuolelle. Huipun ennustaminen ja kuopan huomiotta jättäminen johtaa ylivarastointiin kahdesti.
- Hanki kampanjakalenteri ajoissa. Yleisin syy kampanjoiden varastopuutteisiin on se, että varasto saa tietää kampanjasta samaan aikaan kuin asiakkaat.
Kuka omistaa ennusteen
Ennustaminen epäonnistuu organisaatiotasolla useammin kuin teknisesti, ja kuvio on johdonmukainen.
Myynti ennustaa optimistisesti, koska tavoitteet ja ennusteet sekoitetaan keskenään, eikä kukaan halua ennustaa tavoitteen alle. Operatiivinen toiminta ennustaa konservatiivisesti, koska he kantavat ylivaraston kustannukset ja syyn varastopuutteista. Talousosasto haluaa luvun, joka täsmää suunnitelmaan. Jokainen tuottaa eri luvun, ja yritys päätyy toimimaan sen mukaan, kuka argumentoi vahvimmin.
Mikä toimii paremmin:
Yksi luku, yksi omistaja. Yleensä suunnittelu tai operatiivinen toiminta, jolla on jäsennelty panos myynniltä sen sijaan, että rinnalla kulkisi erillinen myynnin ennuste.
Erota ennuste tavoitteesta. Tavoite on se, mitä aiot saavuttaa. Ennuste on se, mitä odotat tapahtuvan. Niiden sekoittaminen takaa, että ennuste on vinoutunut ylöspäin, ja varastot seuraavat perässä.
Pisteytä muutokset. Kun joku ohittaa tilastollisen ennusteen, kirjaa se ylös ja tarkista jälkikäteen, paransiko muutos tarkkuutta. Tämä on epämukavaa, mutta se on nopein tapa selvittää, kenen arviointikykyä kannattaa soveltaa ja kenen ei.
Tee kustannukset näkyviksi. Ennustevirheellä on hinta — ylivarasto, poistot, kiireelliset rahdit, menetetyt myynnit. Tämän luvun liittäminen prosessiin muuttaa ennustamisen yleensä hallinnollisesta pakkopullasta asiaksi, johon ihmiset suhtautuvat vakavasti.
Miten ennustaminen kytkeytyy muuhun toimintaan
- Tilauspisteet käyttävät ennustettua kysyntää toimitusajan yli.
- Varmuusvarasto mitoitetaan ennustevirheen perusteella.
- Ostotoiminta sitoo pääomaa ennustetta vasten, missä virheet muuttuvat kalliiksi.
- Varastokapasiteetin suunnittelu riippuu odotetusta volyymista, ja virhe näkyy tilan puutteena marraskuussa.
- Työvoiman suunnittelu seuraa odotettua tilausvolyymia yksiköiden sijaan.
- Toimittajasuhteet paranevat, kun jaat ennusteita, koska he voivat suunnitella tuotantoa ja pitää asianmukaista varastoa.
Viimeksi mainittua hyödynnetään liian vähän. Toimittaja, jolla on näkyvyys odotettuihin tarpeisiisi, voi yleensä lyhentää ja vakauttaa toimitusaikaansa, mikä vähentää varmuusvarastotarvettasi enemmän kuin parempi malli ikinä tekisi.
Käytännön esimerkki
Otetaan tuote, jolla on kahdentoista kuukauden historia, ja käydään läpi, mitä ennustaminen todellisuudessa tarkoittaa.
Kuukausittainen myynti on suurin piirtein: 210, 195, 230, 240, 215, 225, 260, 250, 245, 280, 520, 310.
Välitön havainto on, että marraskuun 520 ei ole osa taustalla olevaa kuviota — se on kausihuippu. Joulukuun ennustaminen syys-, loka- ja marraskuun kolmen kuukauden liukuvalla keskiarvolla antaa (245 + 280 + 520) ÷ 3 = 348, mikä johtaa huomattavaan ylitilaukseen, koska se kohtelee huippua uutena normaalina.
Oikeaoppinen käsittely:
Erota kausikuukausi. Marraskuuta lukuun ottamatta jäljellä olevien yhdentoista kuukauden keskiarvo on noin 241 yksikköä, ja siinä on lievä nouseva trendi. Tuo 241 on taustalla oleva tasosi.
Laske kausi-indeksi. Marraskuun 520 suhteessa 241:n perustasoon antaa indeksiksi noin 2,2. Jos edellinen vuosi osoitti samanlaista suhdetta, voit luottaa siihen; yhden vuoden historialla käsittele sitä väliaikaisena.
Ennusta tasoa eteenpäin. Trendi vuoden aikana on loivasti nouseva — noin 200 alussa, 260 syksyllä huippua lukuun ottamatta — joten kohtuullinen tason ennuste ensi kuulle on noin 265.
Sovella indeksiä, jos se on relevanttia. Joulukuu ei ole tässä huippukuukausi, joten ennuste pysyy lähellä 265:tä.
Arvioi virhe. Kuukausittainen poikkeama taustalla olevasta trendistä on noin 20 yksikköä, joten 20:n lähellä oleva keskihajonta on kohtuullinen työskentelyluku. 95 % palvelutasolla varmuusvarasto on noin 1,65 × 20 × toimitusajan neliöjuuri kuukausina.
Tämän läpikäynnin pointti on, että suurin osa työstä on arviointia siitä, mitä historia tarkoittaa, ei aritmetiikkaa. Päätös siitä, että marraskuu on kausivaihtelua eikä kasvua, on se päätös, joka määrittää, onko seuraava tilaus oikea, eikä mikään menetelmä tee tuota päätöstä puolestasi yhden vuoden datalla.
Syvempää tietoa
- Mitä on varmuusvarasto — mitoitetaan suoraan ennustevirheen perusteella.
- Mikä on tilauspiste — kohta, jossa ennustetta sovelletaan.
- Varastonhallinnan tekniikat — laajempi työkalupakki.
- Mitä on varaston loppuminen — epäonnistuminen, jota ennustaminen vähentää.
- Mikä on varaston kiertonopeus — mitä parempi ennustaminen parantaa.
- Miten hallita varastoa — prosessi, jonka osana tämä toimii.
Ydin tiivistettynä
Kysynnän ennustaminen arvioi tulevaa myyntiä, jotta voit päättää, mitä ostaa — ja koska ennuste tulee olemaan väärä, tärkein luku on virheen suuruus ja suunta, sillä se määrittää, kuinka paljon varmuusvarastoa on pidettävä.
Usein kysytyt kysymykset
Mitä on kysynnän ennustaminen? Tuotteen tulevan kysynnän arviointia määritellyn ajanjakson aikana, jotta voidaan päättää, kuinka paljon varastoa on ostettava ja pidettävä.
Mitkä ovat tärkeimmät kysynnän ennustamismenetelmät? Liukuva keskiarvo, painotettu liukuva keskiarvo, eksponentiaalinen tasoitus, trendin ja kausivaihtelun erottelu, regressioanalyysi suhteessa vaikuttaviin muuttujiin sekä laadullinen arviointi. Useimmissa toiminnoissa käytetään eksponentiaalista tasoitusta vakaiden tuotelinjojen kohdalla ja kausivaihtelun erottelua kaikessa, missä on toistuva kuvio.
Kuinka tarkka kysyntäennusteen tulisi olla? Yleispätevää lukua ei ole, sillä tarkkuus riippuu kysynnän vaihtelevuudesta. Hyödyllinen testi on se, päihittääkö menetelmäsi naiivin ennusteen “sama kuin viime kaudella” ja onko virheesi puolueeton sen sijaan, että se olisi johdonmukaisesti liian korkea tai matala.
Mitä eroa on MAPE-luvulla ja vinoumalla (bias)? MAPE mittaa virheen keskikokoa suunnasta riippumatta. Vinouma mittaa sitä, kallistuvatko virheet johdonmukaisesti yhteen suuntaan. Ennusteella voi olla hyväksyttävä MAPE, mutta vakava vinouma, mikä on vahingollisempi ongelma, koska varmuusvarasto ei korjaa järjestelmällistä vinoumaa.
Miten ennustan uuden tuotteen kysyntää? Historiatietoa ei ole, joten luotat analogioihin – vastaaviin tuotteisiin lanseeraushetkellä – yhdistettynä myynnin laadulliseen palautteeseen sekä mahdollisiin ennakkotilaus- tai kyselytietoihin. Varaudu aluksi suuriin virheisiin ja tarkista ennuste viikoittain kuukausittaisen sijaan, kunnes selkeä kuvio muodostuu.
Miksi varaston loppumisjaksot tulisi sulkea pois historiasta? Koska myynti varaston loppumisen aikana kertoo saatavuudesta, ei kysynnästä. Niiden sisällyttäminen opettaa ennusteelle, että kysyntä on todellista alhaisempaa juuri niissä tuotteissa, jotka loppuivat.
Kuinka pitkälle tulevaisuuteen ennusteen tulisi ulottua? Riittävän pitkälle kattamaan toimitusaikasi ja tarkastelujaksosi, mutta ei pidemmälle tilaustarkoituksia varten. Pidempiä aikajänteitä tarvitaan kapasiteetin, budjetoinnin ja toimittajasuunnittelun kannalta, mutta ne tulisi ymmärtää erillisinä harjoituksina, joissa on laajemmat toleranssit, eikä lukuina, joiden perusteella tilauksia tehdään.
Vähentääkö parempi ennustaminen varastoa? Kyllä, epäsuorasti ja mitattavasti. Varmuusvarasto mitoitetaan ennustevirheen perusteella, joten virheen pienentäminen vähentää puskuria, jota tarvitaan saman palvelutason ylläpitämiseksi. Tämä on selkein taloudellinen peruste investoida ennustamisprosessiin.
Warehouse Wise on ilmainen ja riippumaton varastonhallinnan, varastoinnin ja tilaustenkäsittelyn opaskirjasto. Se on kirjoitettu käytännön työtä tekeville: varasto- ja inventaarioalan aloittelijoille, pienille ja kasvaville verkkokaupoille sekä kaikille, jotka haluavat ymmärtää varastonsa hallintaa syvällisemmin. Jokainen opas selittää termin, havainnollistaa sen tarvittaessa esimerkkilaskuilla ja pysyy aiheessa. Toimimme täysin riippumattomasti: emme myy ohjelmistoja tai laitteita, emme ota provisioita suosituksista, eivätkä oppaamme perustu maksettuun näkyvyyteen.