A kereslet-előrejelzés annak becslése, hogy egy jövőbeli időszakban mennyit fog eladni egy adott termékből, így dönthet arról, mennyit érdemes beszereznie és készleten tartania.
Minden vállalkozás csinálja. A legtöbben implicit módon — valaki ránéz a polcra, átgondolja az elmúlt hónapot, és lead egy rendelést. A formális előrejelzés ezt egy olyan módszerrel váltja fel, amely vizsgálható, mérhető és fejleszthető.
Nem azért fontos, mert pontos előrejelzések készíthetők. Nem készíthetők, és minden olyan folyamat, amely az ellenkezőjét feltételezi, csalódást fog okozni. Azért fontos, mert a hiba mértéke határozza meg, mennyi biztonsági készletre van szüksége, a biztonsági készlet pedig drága. A jobb előrejelzés az egyetlen módja annak, hogy kevesebb készletet tartson anélkül, hogy csökkenne a rendelkezésre állás.
Mi az a kereslet-előrejelzés
Az előrejelzés három részből áll, és azok az előrejelzések, amelyek nem válnak be, általában kettőt kihagynak ezek közül.
Egy szám. A várt mennyiség egy meghatározott időszakra vonatkozóan.
Egy időszak. Jövő hét, jövő hónap, jövő negyedév. A pontosság a távlat növekedésével csökken, ezért az időtávnak igazodnia kell ahhoz, amihez szüksége van rá — egy rendelési célú előrejelzésnek csak az átfutási idő plusz a felülvizsgálati időszak távlatáig kell terjednie.
Egy konfidenciatartomány. Mennyire lehet téves a szám. Egy 500 darabos előrejelzés, amely hihetően 400 és 600 között mozoghat, nagyon eltérő tervezési input, mint egy olyan, amely 200 és 800 között lehet, még akkor is, ha mindkettőnek ugyanaz a középértéke. A tartomány határozza meg a puffer méretét, és egy tartomány nélküli előrejelzés nem ad alapot annak eldöntésére, mennyi védelmet érdemes fenntartani.
Az előrejelzések szintenként is eltérőek. A teljes kategóriára vonatkozó kereslet-előrejelzés sokkal megbízhatóbb, mint egy egyedi SKU-ra, egyedi színben, mivel az aggregálás során a variációk kioltják egymást. Ezt érdemes tudni, mert megmagyarázza, miért tűnhetnek pontosnak a felső szintű számai, miközben az egyes termékekre vonatkozó előrejelzések következetesen tévesek.
A fő előrejelzési módszerek
Naiv előrejelzés. A következő időszak megegyezik az előzővel. Alapként kifejezetten hasznos — ha a kifinomult módszere nem tudja felülmúlni, akkor a kifinomultság nem éri meg a fáradságot.
Mozgóátlag. Az utolsó néhány időszak átlaga, amely kisimítja a véletlenszerű ingadozásokat. Egyszerű és hatékony a stabil termékeknél, de lassan reagál a valódi változásokra, mivel a régi időszakok ugyanolyan súllyal esnek latba, mint a legutóbbiak.
Súlyozott mozgóátlag. Mint fentebb, de a legutóbbi időszakok többet nyomnak a latban. Gyorsabban reagál a változásokra, miközben megőrzi a simítás egy részét.
Exponenciális simítás. A súlyok geometriailag csökkennek a múltban, egyetlen simítási tényezővel vezérelve. A magasabb tényező gyorsabban reagál a változásra és zajosabb; az alacsonyabb stabil és lassú. Ez a gyakorlati előrejelzés igáslova, és a variánsok kifejezetten kezelik a trendet és a szezonalitást.
Trend és szezonális dekompozíció. Bontsa a múltat egy alap szintre, egy trendre és egy ismétlődő szezonális mintára, vetítse előre mindegyiket, majd egyesítse őket. Szükséges minden valóban szezonális dologhoz, ami a legtöbb fogyasztási cikkre igaz.
Regresszió. Kösse össze a keresletet az azt befolyásoló változókkal — ár, marketingköltség, időjárás, gazdasági mutatók. Hatékony, ahol valódi ok-okozati összefüggés áll fenn, és félrevezető, ahol egy véletlen korrelációt tévesztenek össze vele.
Kvalitatív módszerek. Értékesítési csapat inputja, vásárlói szándékok, szakértői vélemény. Nélkülözhetetlen, ahol nincs múltbeli adat — új termékek, új piacok, egy éppen megnyitott csatorna. Ez a leginkább hajlamos az optimizmusra is, ezért érdemes rögzíteni az előrejelzéseket és utólag pontozni őket.
Gépi tanulási megközelítések. Egyre inkább elérhetőek a tervezőszoftverekben, és valóban jobbak, ha sok termékkel, hosszú múlttal és több befolyásoló változóval rendelkezik. Lényegesen több adatra van szükségük, mint amennyivel a legtöbb művelet rendelkezik, és nem javítják ki a rossz inputokat.
A kereslet-előrejelzés típusai
Az előrejelzéseket többféleképpen kategorizálják, és a címkéket érdemes ismerni, mert a tervezési megbeszéléseken rövidítésként használják őket.
Időtáv szerint.
- Rövid távú — napoktól néhány hónapig. Meghatározza az utánpótlást, az utánrendelési pontokat és a létszámot. Itt elérhető a pontosság, és a megtérülés azonnali.
- Középtávú — negyedévtől egy évig. Meghatározza a beszerzési kötelezettségvállalásokat, a beszállítói megállapodásokat és a szezonális vásárlásokat.
- Hosszú távú — egy év vagy több. Meghatározza a kapacitási döntéseket: raktárterület, berendezések, létszám. Ebben a tartományban a pontosság sem elvárható, sem hasznos; az irány és a nagyságrend viszont igen.
Hatókör szerint.
- Makroszintű előrejelzés kifelé tekint, azokra a körülményekre, amelyek között a kereslet mozog — a gazdaság, a kategória, a piac. Hasznos a kontextushoz, de önmagában ritkán alkalmazható.
- Mikroszintű előrejelzés egy adott termékre, csatornára vagy ügyfélre tekint. Itt születnek meg a tényleges operatív döntések.
Hozzáállás szerint.
- Passzív előrejelzés a folytonosságot feltételezi: ami történt, az továbbra is történni fog, a trend és a szezon szerint kiigazítva. Megfelel a stabil vállalkozásoknak, és a legtöbb készlettervezésnél ez a megfelelő alapértelmezés, mivel nem tesz hősies feltételezéseket.
- Aktív előrejelzés beépíti azt, amit változtatni szándékozik — egy promóció, egy új csatorna, áremelés, termékbevezetés. Akkor szükséges, amikor a múlt rossz útmutató, és ez az, ahol az optimizmus a legnagyobb kárt okozza, mert a tervet összetévesztik az előrejelzéssel.
Módszer szerint.
- Kvalitatív — ítélet, értékesítési input, szakértői vélemény. Szükséges az új, múlt nélküli termékeknél, és a legkevésbé megbízható, ahol adatok állnak rendelkezésre.
- Kvantitatív — mozgóátlagok, exponenciális simítás, regresszió, szezonális dekompozíció. Megbízható, ahol a múlt elérhető és a kereslet ésszerűen stabil.
- AI-alapú és gépi tanulás — olyan modellek, amelyek egyszerre sok változót vesznek figyelembe, és olyan mintákat találnak, amelyeket egy egyszerű idősor kihagyna: időjárás, árazás, versenytársak viselkedése, webes forgalom, promóciós átfedés. Méretarányosan, nagy SKU-számoknál, sok múlttal érik meg a fáradságot, és nem helyettesítik a tiszta adatokat. Egy olyan értékesítési múlton betanított modell, amely nem jelölt készlethiányos időszakokat tartalmaz, gyorsabban és magabiztosabban tanulja meg a rosszat, mint egy táblázatkezelő.
A gyakorlati lényeg: a legtöbb vállalkozásnak rövid távú, mikroszintű, passzív kvantitatív előrejelzésre van szüksége a választék nagy részéhez, kiegészítve aktív előrejelzéssel azon néhány termékvonal esetében, ahol szándékosan változik valami. A kifinomult módszerekhez nyúlni, mielőtt az alapvető működne, a leggyakoribb és legdrágább sorrendi hiba ezen a területen.
Hogyan előrejelezzük a keresletet a gyakorlatban
1. Először tisztítsa meg a múltat. Ez a lépés határozza meg, hogy az utána következő dolgok érdemesek-e a megvalósításra.
A kritikus korrekció a készlethiány. Az értékesítési múlt azt rögzíti, mit adott el, nem azt, mit akartak a vásárlók. Egy olyan időszak, amikor készlethiány volt, alacsony eladásokat mutat, és ha ezt betáplálja egy előrejelzésbe, az azt mondja a modellnek, hogy a kereslet alacsonyabb a valósnál — éppen annál a terméknél, amely már cserbenhagyta. Jelölje meg a készlethiányos időszakokat, és vagy zárja ki őket, vagy becsülje meg az elveszett keresletet.
Emellett távolítsa el az egyszeri eseményeket: egyetlen nagy volumenű rendelés, amely nem ismétlődik meg, egy kiárusítás, egy adat hiba. A valódi visszatérő mintákat, mint a promóciók, hagyja benne, de jelölje meg őket, hogy promócióként, ne pedig alapvonalbeli keresletként legyenek értelmezve.
2. Válassza ki a szintet. Olyan szinten előrejelezzen, amelyen cselekedni fog. Ha SKU szerint rendel, SKU-szintű előrejelzésekre van szüksége, de felépítheti őket a kategória előrejelzésével és a legutóbbi részesedés szerinti felosztással, ami gyakran stabilabb, mint az egyes SKU-k független előrejelzése.
3. Válasszon módszert termékcsoportonként. A stabil, nagy volumenű termékekhez az exponenciális simítás illik. A szezonális termékekhez szezonális dekompozíció szükséges. A kiszámíthatatlan, lassú forgású termékeknél gyakran a legegyszerűbb átlag és egy nagyvonalú puffer a legjobb, mert a kifinomult módszerek a zajt próbálják modellezni.
4. Alkalmazza az ítélőképességét, és rögzítse azt. Korrigáljon olyan dolgokért, amelyeket a múlt nem ismerhet — egy listázási siker, egy versenytárs kilépése, árváltozás, promóció. Rögzítse a korrekciót külön a statisztikai előrejelzéstől, hogy később felülvizsgálhassa, segítettek-e az beavatkozásai. Sokan ezt nem teszik meg.
5. Mérje a hibát. Enélkül ez nem folyamat, hanem szokás.
6. Rendszeresen vizsgálja felül és módosítsa. A legtöbb műveletnél havonta. A lényeg az, hogy elkapja azokat a termékeket, amelyek mintázata megváltozott, nem pedig a már amúgy is megfelelő számok finomítása.
Az előrejelzési pontosság mérése
Három mérőszám a legtöbb igényt lefedi.
MAPE — átlagos abszolút százalékos hiba. Az átlagos hiba a tényleges kereslet százalékában kifejezve. Intuitív és széles körben használt. Gyengesége, hogy alacsony volumeneknél erősen torzít: egy három egységre vonatkozó előrejelzésnél két egységnyi eltérés 67%-os hibát jelent, ami nem mond semmit.
MAD — átlagos abszolút eltérés. Az átlagos hiba egységekben, az irány figyelmen kívül hagyásával. Hasznos, mert közvetlenül beépíthető a biztonsági készlet számításába.
Torzítás (Bias). Az átlagos hiba az irány megtartásával. Ezt hagyják ki a leggyakrabban, pedig gyakran ez a leginformatívabb. Ha a hibák átlaga közel nulla, akkor ugyanolyan gyakran becsül túl, mint alul – ez zaj, amit a pufferek kezelnek. Ha viszont következetesen pozitív vagy negatív, akkor rendszerszintű problémája van, és semmilyen mennyiségű biztonsági készlet nem javít egy olyan előrejelzésen, amely mindig alulbecsül.
Termékcsoportonként mérjen, ne összesítve, mert egy jó átlagos szám rutinszerűen elrejthet néhány rosszul előrejelzett terméket, amelyek valódi kárt okoznak.
Hasonlítsa össze a naiv alapvonallal. Ha a módszere nem jobb, mint a „ugyanaz, mint múlt hónapban”, akkor egyszerűsítsen.
Miért nem tökéletes sosem (és ez így van rendjén)
Az előrejelzések tévesek. A hasznos kérdések azok, hogy mennyire tévesek, milyen irányban, és hogy a hiba elég stabil-e ahhoz, hogy tervezni lehessen vele.
Ezért van az, hogy az előrejelzés és a biztonsági készlet ugyanannak a beszélgetésnek a része. Az előrejelzés megadja a várt keresletet; az előrejelzési hiba megadja azt a változékonyságot, amelyet a biztonsági készletnek el kell nyelnie. Javítsa az előrejelzést, és a szükséges puffer csökken azonos szolgáltatási szint mellett. Ez a teljes üzleti érv az előrejelzésbe történő befektetés mellett, és ez mérhető.
Fogadja el azt is, hogy egyes termékek valóban előrejelezhetetlenek. Nagyon lassú forgásúak, egyszeri projektcikkek, bármi, amit olyan külső események vezérelnek, amelyeket senki sem láthat előre. Ezekre az őszinte válasz egy másfajta stratégia – gyártás rendelésre, beszállítói készlet tartása, hosszabb átfutási idők elfogadása –, nem pedig egy jobb modell.
Szezonális és promóciós kereslet előrejelzése
Két minta okozza a legtöbb nehézséget, és mindkettőt kifejezetten kezelni kell, ahelyett, hogy abban reménykednénk, egy általános módszer majd elnyeli őket.
A szezonális jelleg egy naptárhoz kötött ismétlődő minta. A hiba az, ha a szezonális csúcsot növekedésként kezeljük. Egy olyan termékre alkalmazott mozgóátlag, amely decemberben négyszer annyit fogy, januárban felfelé kergeti a csúcsot, túl sokat rendel, majd tavasszal visszafelé kergeti azt.
A megfelelő kezelés azt jelenti, hogy el kell választani a szezonális tényezőt az alapul szolgáló szinttől. Számítsa ki az egyes időszakok keresletének arányát az éves átlaghoz több éven keresztül, és megkapja a szezonális indexek sorozatát – december 2,4, január 0,6, és így tovább. Előrejelezze az alapul szolgáló szintet, majd alkalmazza az indexet az előrejelzett időszakra.
Két figyelmeztetés. Legalább két teljes történeti ciklusra van szükség, mielőtt a szezonális indexeknek értelme lenne, és három még jobb. A szezonalitás pedig eltolódik – a húsvét mozog, a csúcsforgalmi hetek vándorolnak a vásárlási szokások változásával, és egy öt évvel ezelőtti adatokból számított index olyan mintát írhat le, amely már nem létezik.
A promóciók jelentik a nagyobb problémát a legtöbb vállalkozásnál, mivel egyszerre jelentősek és saját magunk által okozottak. Egy promóció egy hétre többszörösére növelheti a keresletet, és ez a kiugrás aztán benne marad a történeti adatokban, eltorzítva minden ezt követő előrejelzést.
A fegyelmezett munka lépései:
- Jelölje meg a promóciós időszakokat az adatokban, hogy a statisztikai előrejelzés ki tudja zárni vagy korrigálni tudja azokat.
- Az előrejelzésnél különítse el a promóciós többletet az alapkereslettől, hasonló múltbeli promóciók eredményeit használva, ahelyett, hogy egy százalékot használna, amit valaki „helyesnek érez”.
- Számoljon az utána következő visszaeséssel. A promóciók gyakran előrehozzák a keresletet, ahelyett, hogy újat teremtenének, így a következő hetek az alapvonal alatt teljesítenek. Ha a csúcsot előrejelzi, de a völgyet figyelmen kívül hagyja, kétszeresen is túl lesz készletezve.
- Szerezze be korán a promóciós naptárt. A promóciós készlethiány leggyakoribb oka az, hogy a raktár ugyanakkor értesül a promócióról, mint a vásárlók.
Ki a felelős az előrejelzésért
Az előrejelzés szervezeti szinten gyakrabban bukik el, mint technikailag, és a minta következetes.
Az értékesítés optimistán jelez előre, mert a célkitűzéseket és az előrejelzéseket összemosják, és senki sem akar a cél alatt előrejelezni. Az üzemeltetés konzervatívan jelez előre, mert ők viselik a felesleges készlet költségét és a készlethiány miatti felelősséget. A pénzügy olyan számot akar, amely illeszkedik a tervhez. Mindegyik más számot produkál, és az üzlet végül azzal fut, aki a leghangosabban érvelt.
Mi működik jobban:
Egy szám, egy funkció tulajdonában. Általában a tervezés vagy az üzemeltetés, az értékesítéstől érkező strukturált inputtal, ahelyett, hogy egy külön értékesítési előrejelzés futna párhuzamosan.
Válassza el az előrejelzést a céltól. A cél az, amit el akarsz érni. Az előrejelzés az, amire számítasz, hogy történni fog. Ezek összemosása garantálja, hogy az előrejelzés felfelé torzított lesz, és a készlet követi ezt.
Értékelje a módosításokat. Amikor valaki felülbírálja a statisztikai előrejelzést, rögzítse azt, és utólag vizsgálja meg, hogy a felülbírálás javította-e a pontosságot. Ez kényelmetlen, és ez a leggyorsabb módja annak, hogy kiderüljön, kinek az ítélete érdemes alkalmazni, és kié nem.
Tegye láthatóvá a költségeket. Az előrejelzési hibának ára van – felesleges készlet, leírások, gyorsított szállítás, elmaradt értékesítés. Ha ezt a számot hozzákapcsolják a folyamathoz, az általában átalakítja az előrejelzést adminisztratív nyűgből olyasmivé, amit az emberek komolyan vesznek.
Hogyan kapcsolódik az előrejelzés a többi területhez
- Az utánrendelési pontok az átfutási idő alatti előrejelzett keresletet használják.
- A biztonsági készlet méretét az előrejelzési hibából határozzák meg.
- A beszerzés tőkét köt le az előrejelzés alapján, ahol a hibák költségessé válnak.
- A raktárkapacitás tervezése a várt volumentől függ, és ha ez téves, az novemberben helyhiány formájában jelentkezik.
- A munkaerő-tervezés a várt rendelési volumenet követi, nem az egységeket.
- A beszállítói kapcsolatok javulnak, ha megosztja az előrejelzéseket, mert így ők is tudják tervezni a termelést és megfelelő készletet tartani.
Ez utóbbi kevéssé kihasznált. Egy beszállító, aki látja a várt igényeit, általában képes lerövidíteni és stabilizálni az átfutási idejét, ami jobban csökkenti a biztonsági készlet iránti igényét, mint egy jobb modell.
Egy kidolgozott példa
Vegyünk egy terméket tizenkét havi történettel, és nézzük meg, mit is foglal magában egy előrejelzés.
A havi eladások nagyjából: 210, 195, 230, 240, 215, 225, 260, 250, 245, 280, 520, 310.
Az azonnali megfigyelés az, hogy a novemberi 520 nem része az alapul szolgáló mintának – ez egy szezonális csúcs. A decemberi előrejelzés a szeptemberi, októberi és novemberi háromhavi mozgóátlagból: (245 + 280 + 520) ÷ 3 = 348, ami jelentősen túllépi a rendelést, mert a csúcsot tekinti az új normának.
A megfelelő kezelés:
Különítse el a szezonális hónapot. Novembert kizárva a fennmaradó tizenegy hónap átlaga körülbelül 241 egység, enyhe emelkedő tendenciával. Ez a 241 az alapul szolgáló szint.
Számítsa ki a szezonális indexet. A novemberi 520 a 241-es alapvonalhoz képest nagyjából 2,2-es indexet ad. Ha egy korábbi év hasonló arányt mutatott, bízhat benne; egy évnyi történettel kezelje ideiglenesként.
Előrejelzés a szint alapján. Az év során a trend enyhén emelkedő – az év elején nagyjából 200, őszre 260 a csúcs nélkül –, tehát a következő hónapra egy ésszerű szint-előrejelzés körülbelül 265.
Alkalmazza az indexet, ha releváns. December itt nem a csúcshónap, így az előrejelzés 265 körül marad.
Becsülje meg a hibát. Az alapul szolgáló trendtől való havi eltérés körülbelül 20 egység, tehát a 20 körüli szórás ésszerű munkaszám. 95%-os szolgáltatási szinten a biztonsági készlet nagyjából 1,65 × 20 × az átfutási idő hónapokban kifejezett négyzetgyöke.
A példa lényege az, hogy a munka nagy része annak megítélése, hogy mit jelentenek a történeti adatok, nem pedig számtan. Annak eldöntése, hogy a november szezonális, nem pedig növekedés, az a döntés, amely meghatározza, hogy a következő rendelés helyes-e, és egy évnyi adat alapján semmilyen módszer nem hozza meg ezt a döntést helyetted.
További elmélyülés
- Mi az a biztonsági készlet — közvetlenül az előrejelzési hibából méretezve.
- Mi az az utánrendelési pont — ahol az előrejelzést alkalmazzák.
- Készletkezelési technikák — a szélesebb eszköztár.
- Mi az a készlethiány — az a hiba, amelyet az előrejelzés csökkent.
- Mi az a készletforgási sebesség — amit a jobb előrejelzés javít.
- Hogyan kezeljük a készletet — az a folyamat, amelybe ez beilleszkedik.
A lényeg egy mondatban
A kereslet-előrejelzés megbecsüli a jövőbeli értékesítést, hogy dönteni tudjon a beszerzésekről – és mivel az előrejelzés úgyis pontatlan lesz, a legfontosabb szám a hiba mértéke és iránya, mivel ez határozza meg, mennyi biztonsági készletet kell tartania.
Gyakran ismételt kérdések
Mi az a kereslet-előrejelzés? Egy termék jövőbeli keresletének becslése egy meghatározott időszakra vonatkozóan, annak érdekében, hogy eldönthető legyen, mennyit kell beszerezni és készleten tartani.
Melyek a fő kereslet-előrejelzési módszerek? Mozgóátlagok, súlyozott mozgóátlagok, exponenciális simítás, trend- és szezonalitás-bontás, regresszió ok-okozati változók alapján, valamint kvalitatív szakértői becslés. A legtöbb művelet exponenciális simítást használ a stabil termékvonalaknál, és szezonalitás-bontást minden olyan esetben, ahol ismétlődő minta figyelhető meg.
Mennyire kell pontosnak lennie egy kereslet-előrejelzésnek? Nincs univerzális érték, mivel a pontosság a kereslet változékonyságától függ. A hasznos teszt az, hogy a módszere jobb-e, mint a naiv „ugyanaz, mint az előző időszakban” előrejelzés, és hogy a hiba torzítatlan-e, ahelyett, hogy következetesen magas vagy alacsony lenne.
Mi a különbség a MAPE és a torzítás (bias) között? A MAPE a hiba átlagos mértékét méri, az iránytól függetlenül. A torzítás azt méri, hogy a hibák következetesen egy irányba mutatnak-e. Egy előrejelzésnek lehet elfogadható MAPE-értéke, miközben súlyos torzítással küzd, ami károsabb probléma, mivel a biztonsági készlet nem korrigálja a szisztematikus eltolódást.
Hogyan jelezzem előre egy új termék keresletét? Mivel múltbeli adatok nem léteznek, analógiákra – a bevezetéskor hasonló termékekre – támaszkodhat, kombinálva az értékesítési csapattól származó kvalitatív információkkal, valamint az előrendelési vagy érdeklődési adatokkal. Kezdetben számítson nagy hibákra, és hetente, ne havonta vizsgálja felül az adatokat, amíg egy minta ki nem alakul.
Miért érdemes kihagyni a készlethiányos időszakokat a múltbeli adatokból? Mert a készlethiány alatti értékesítési adatok a rendelkezésre állást tükrözik, nem a keresletet. Ha ezeket belefoglalja, az előrejelzés azt tanulja meg, hogy a kereslet alacsonyabb a valósnál, éppen azokon a termékeken, amelyek már elfogytak.
Milyen messzire előre érdemes tervezni? Elég messzire ahhoz, hogy lefedje az átfutási időt és a felülvizsgálati időszakot, de a rendelések szempontjából ennél tovább nem. Hosszabb távú előrejelzésekre a kapacitás-, költségvetés- és beszállítói tervezéshez van szükség, de ezeket külön folyamatként, szélesebb tűréshatárokkal kell kezelni, nem pedig olyan számként, amely alapján a rendeléseket leadja.
A jobb előrejelzés csökkenti a készletállományt? Igen, közvetve és mérhetően. A biztonsági készlet mérete az előrejelzési hibából adódik, így a hiba csökkentése csökkenti a szükséges puffert ugyanazon szolgáltatási szint eléréséhez. Ez a legvilágosabb pénzügyi érv az előrejelzési folyamatba történő befektetés mellett.
