Pieprasījuma prognozēšana ir aplēse par to, cik daudz preču tiks pārdots nākotnes periodā, lai jūs varētu izlemt, cik daudz iegādāties un uzglabāt.
To dara ikviens uzņēmums. Vairums to dara netieši — kāds paskatās uz plauktu, padomā par iepriekšējo mēnesi un veic pasūtījumu. Formāla prognozēšana to aizstāj ar metodi, kuru var pārbaudīt, izmērīt un uzlabot.
Tas ir svarīgi nevis tāpēc, ka ir iespējams iegūt precīzas prognozes. Tā nav, un jebkurš process, kas pieņem pretējo, radīs vilšanos. Tas ir svarīgi tāpēc, ka kļūdas lielums nosaka, cik daudz drošības krājumu jums ir nepieciešams, un drošības krājumi ir dārgi. Labāka prognozēšana ir vienīgais veids, kā uzturēt mazākus krājumus, nesamazinot pieejamību.
Kas ir pieprasījuma prognozēšana
Prognozei ir trīs daļas, un prognozes, kas izrādās nepareizas, parasti izlaiž divas no tām.
Skaitlis. Paredzamais vienību skaits noteiktā periodā.
Periods. Nākamā nedēļa, nākamais mēnesis, nākamais ceturksnis. Precizitāte samazinās, palielinoties laika horizontam, tāpēc horizontam jāatbilst tam, kam tas nepieciešams — pasūtīšanas vajadzībām prognozei jāsniedzas tikai tik tālu, cik ilgs ir jūsu izpildes laiks (lead time) plus pārskata periods.
Ticamības intervāls. Cik ļoti skaitlis var būt neprecīzs. Prognoze par 500 vienībām, kas ticami varētu būt no 400 līdz 600, ir ļoti atšķirīgs plānošanas ievaddati nekā tāda, kas varētu būt no 200 līdz 800, pat ja abām ir vienāds centrālais rādītājs. Intervāls nosaka jūsu bufera lielumu, un prognoze bez tā nedod pamatu lēmumam par to, cik lielu aizsardzību uzturēt.
Prognozes atšķiras arī pēc līmeņa. Prognoze kopējam kategorijas pieprasījumam ir daudz uzticamāka nekā prognoze atsevišķai SKU konkrētā krāsā, jo, apkopojot datus, variācijas izlīdzinās. To ir vērts zināt, jo tas izskaidro, kāpēc jūsu augstākā līmeņa skaitļi var izskatīties precīzi, kamēr atsevišķu produktu prognozes ir pastāvīgi nepareizas.
Galvenās prognozēšanas metodes
Naivā prognozēšana. Nākamais periods ir vienāds ar iepriekšējo periodu. Patiesi noderīga kā bāzes līnija — ja jūsu sarežģītā metode nespēj to pārspēt, sarežģītība neatmaksājas.
Slīdošais vidējais. Pēdējo vairāku periodu vidējais rādītājs, kas izlīdzina nejaušas svārstības. Vienkārša un efektīva stabiliem produktiem, taču lēni reaģē uz patiesām izmaiņām, jo vecie periodi ir tikpat nozīmīgi kā nesenie.
Svērtais slīdošais vidējais. Kā iepriekš, bet nesenie periodi ir ar lielāku svaru. Reaģē ātrāk uz izmaiņām, vienlaikus saglabājot zināmu izlīdzināšanu.
Eksponenciālā izlīdzināšana. Svari ģeometriski samazinās pagātnē, ko kontrolē viens izlīdzināšanas faktors. Augstāks faktors reaģē uz izmaiņām ātrāk un ir “trokšņaināks”; zemāks ir stabils un lēns. Šis ir praktiskās prognozēšanas darba zirgs, un varianti skaidri apstrādā tendences un sezonalitāti.
Tendences un sezonālā dekompozīcija. Sadaliet vēsturi pamatlīmenī, tendencē un atkārtotā sezonālā modelī, projicējiet katru no tiem un apvienojiet atpakaļ. Nepieciešams visam, kas ir patiesi sezonāls, kas attiecas uz lielāko daļu patēriņa preču.
Regresija. Saistiet pieprasījumu ar mainīgajiem, kas to ietekmē — cenu, mārketinga izdevumiem, laikapstākļiem, vadošo ekonomisko rādītāju. Spēcīga metode, kur pastāv patiesa cēloņsakarība, un maldinoša, kur nejauša korelācija tiek kļūdaini uzskatīta par tādu.
Kvalitatīvās metodes. Pārdošanas komandas ieguldījums, klientu nodomi, ekspertu spriedumi. Neaizstājamas, ja vēstures nav — jauni produkti, jauni tirgi, tikko atvērts kanāls. Tās ir arī visvairāk pakļautas optimismam, tāpēc ir vērts reģistrēt prognozes un vēlāk tās novērtēt.
Mašīnmācīšanās pieejas. Arvien pieejamākas plānošanas programmatūrā, un patiesi labākas, ja jums ir daudz produktu, garas vēstures un vairāki ietekmējoši mainīgie. Tām nepieciešams ievērojami vairāk datu, nekā ir vairumam uzņēmumu, un tās neizlabo sliktus ievaddatus.
Pieprasījuma prognozēšanas veidi
Prognozes tiek klasificētas vairākos veidos, un šos apzīmējumus ir vērts zināt, jo cilvēki tos izmanto kā saīsinājumus plānošanas sarunās.
Pēc laika horizonta.
- Īstermiņa — no dienām līdz dažiem mēnešiem. Virza papildināšanu, pasūtījumu punktus un personāla nodrošinājumu. Šeit ir sasniedzama precizitāte, un ieguvums ir tūlītējs.
- Vidēja termiņa — no ceturkšņa līdz gadam. Virza iepirkumu saistības, piegādātāju līgumus un sezonālos pirkumus.
- Ilgtermiņa — gads vai vairāk. Virza lēmumus par kapacitāti: noliktavas platību, aprīkojumu, darbinieku skaitu. Šajā diapazonā precizitāte nav ne gaidīta, ne noderīga; svarīgs ir virziens un apjoms.
Pēc darbības jomas.
- Makrolīmeņa prognozēšana skatās uz āru, uz apstākļiem, kuros atrodas jūsu pieprasījums — ekonomika, kategorija, tirgus. Noderīga kontekstam un reti kad izmantojama pati par sevi.
- Mikrolīmeņa prognozēšana skatās uz konkrētu produktu, kanālu vai klientu. Šeit tiek pieņemti operatīvie lēmumi.
Pēc nostājas.
- Pasīvā prognozēšana pieņem nepārtrauktību: tas, kas notika, turpinās notikt, koriģējot pēc tendences un sezonas. Tā ir piemērota stabiliem uzņēmumiem un ir pareizais noklusējums lielākajai daļai krājumu plānošanas, jo neizdara pārdrošus pieņēmumus.
- Aktīvā prognozēšana ietver to, ko plānojat mainīt — akciju, jaunu kanālu, cenu paaugstināšanu, produkta laišanu tirgū. Tas ir nepieciešams ikreiz, kad pagātne ir slikts ceļvedis, un tas ir arī tas, kur optimisms nodara vislielāko kaitējumu, jo plāns tiek kļūdaini uzskatīts par prognozi.
Pēc metodes.
- Kvalitatīvā — spriedums, pārdošanas ieguldījums, ekspertu viedoklis. Nepieciešama jauniem produktiem bez vēstures, un vismazāk uzticama, kur dati ir pieejami.
- Kvantitatīvā — slīdošie vidējie, eksponenciālā izlīdzināšana, regresija, sezonālā dekompozīcija. Uzticama, kur pieejama vēsture un pieprasījums ir samērā stabils.
- Uz AI un mašīnmācīšanos balstītas — modeļi, kas vienlaikus izvērtē daudzus mainīgos un atrod modeļus, kurus vienkārša laika rinda nepamanītu: laikapstākļi, cenu noteikšana, konkurentu uzvedība, tīmekļa trafiks, akciju pārklāšanās. Tās atmaksājas mērogā, ar lielu SKU skaitu un bagātīgu vēsturi, un tās neaizstāj tīrus datus. Modelis, kas apmācīts uz pārdošanas vēsturi, kurā iekļauti neatzīmēti krājumu izsīkuma periodi, iemācās nepareizo lietu ātrāk un pārliecinošāk nekā izklājlapa.
Praktiskais secinājums: vairumam uzņēmumu lielākajai daļai sortimenta ir nepieciešama īstermiņa, mikrolīmeņa, pasīvā kvantitatīvā prognozēšana, ar aktīvo prognozēšanu virs tās tām nedaudzajām pozīcijām, kurās kaut kas apzināti mainās. Ķeršanās pie sarežģītām metodēm, pirms pamata metode darbojas, ir visizplatītākā un dārgākā secības kļūda šajā jomā.
Kā prognozēt pieprasījumu praksē
1. Vispirms iztīriet vēsturi. Šis solis nosaka, vai viss turpmākais ir pūļu vērts.
Kritiskā korekcija ir krājumu izsīkums. Pārdošanas vēsture reģistrē to, ko pārdevāt, nevis to, ko klienti vēlējās. Periods, kurā jums nebija krājumu, uzrāda zemu pārdošanas apjomu, un tā ievadīšana prognozē modelim pasaka, ka pieprasījums ir zemāks, nekā tas ir patiesībā — tieši tam produktam, kas jūs jau ir pievīlis. Atzīmējiet krājumu izsīkuma periodus un vai nu izslēdziet tos, vai aplēsiet zaudēto pieprasījumu.
Tāpat izslēdziet vienreizējus notikumus: vienu lielapjoma pasūtījumu, kas neatkārtosies, izpārdošanu, datu kļūdu. Atstājiet patiesus atkārtotus modeļus, piemēram, akcijas, bet atzīmējiet tos, lai tie tiktu saprasti kā akcijas, nevis kā bāzes līnija.
2. Izvēlieties līmeni. Prognozējiet tajā līmenī, kurā rīkosities. Ja pasūtāt pa SKU, jums ir nepieciešamas SKU līmeņa prognozes, taču jūs varat tās veidot, prognozējot kategoriju un sadalot pēc nesenās daļas, kas bieži vien ir stabilāka nekā katras SKU prognozēšana neatkarīgi.
3. Izvēlieties metodi katrai produktu grupai. Stabiliem liela apjoma produktiem piemērota eksponenciālā izlīdzināšana. Sezonālām līnijām nepieciešama sezonālā dekompozīcija. Nepastāvīgiem, lēni ejošiem produktiem bieži vien vislabāk noder vienkāršs vidējais rādītājs un dāsns buferis, jo sarežģītas metodes pielāgojas troksnim.
4. Pielietojiet spriedumu un reģistrējiet to. Pielāgojiet lietām, kuras vēsture nevar zināt — iekļaušana sortimentā, konkurenta aiziešana no tirgus, cenu izmaiņas, akcija. Reģistrējiet korekciju atsevišķi no statistiskās prognozes, lai vēlāk varētu pārskatīt, vai jūsu iejaukšanās palīdzēja. Daudzi to nedara.
5. Izmēriet kļūdu. Bez tā tas nav process, tas ir ieradums.
6. Regulāri pārskatiet un pielāgojiet. Vairumam operāciju — reizi mēnesī. Mērķis ir noķert produktus, kuru modelis ir mainījies, nevis precizēt skaitļus, kas bija kārtībā.
Prognožu precizitātes mērīšana
Lielāko daļu vajadzību sedz trīs rādītāji.
MAPE — vidējā absolūtā procentuālā kļūda. Vidējā kļūda kā procentuālā daļa no faktiskā pieprasījuma. Intuitīva un plaši izmantota. Tās vājā vieta ir būtiska kropļošanās pie maza apjoma: ja prognozētas trīs vienības, bet kļūda ir divas, tā ir 67% kļūda, kas neko neizsaka.
MAD — vidējā absolūtā novirze. Vidējā kļūda vienībās, neņemot vērā virzienu. Noderīga, jo to tieši izmanto drošības krājumu aprēķināšanā.
Novirze (Bias). Vidējā kļūda, saglabājot virzienu. Šis rādītājs visbiežāk tiek izlaists, lai gan tas ir visinformatīvākais. Ja jūsu kļūdas vidēji ir tuvu nullei, jūs tikpat bieži prognozējat par daudz, cik par maz — tas ir troksnis, ko kompensē drošības krājumi. Ja tās ir konsekventi pozitīvas vai negatīvas, jums ir sistēmiska problēma, un nekādi drošības krājumi nelabos prognozi, kas vienmēr ir pārāk zema.
Mēriet pa produktu grupām, nevis kopumā, jo labs kopējais rādītājs bieži vien maskē dažas neprecīzi prognozētas pozīcijas, kas rada reālus zaudējumus.
Salīdziniet ar naivo bāzes līniju. Ja jūsu metode nav labāka par “tāpat kā pagājušajā mēnesī”, vienkāršojiet to.
Kāpēc tā nekad nav perfekta (un tas ir normāli)
Prognozes ir kļūdainas. Svarīgie jautājumi ir: cik lielā mērā, kādā virzienā un vai kļūda ir pietiekami stabila, lai uz tās pamata plānotu.
Tāpēc prognozēšana un drošības krājumi ir viena un tā pati saruna. Prognoze sniedz sagaidāmo pieprasījumu; prognozes kļūda sniedz mainīgumu, ko drošības krājumi ir paredzēti absorbēt. Uzlabojiet prognozi, un nepieciešamais buferis samazināsies pie tā paša servisa līmeņa. Tas ir galvenais komerciālais arguments investīcijām prognozēšanā, un tas ir izmērāms.
Pieņemiet arī to, ka dažus produktus patiesi nav iespējams prognozēt. Ļoti lēni apritošas preces, vienreizēji projektu priekšmeti, jebkas, ko ietekmē ārēji notikumi, kurus neviens nevar paredzēt. Šādos gadījumos godīga atbilde ir cita stratēģija — ražošana pēc pasūtījuma, piegādātāja krājumu turēšana, ilgāku izpildes laiku pieņemšana — nevis labāks modelis.
Sezonālā un akciju pieprasījuma prognozēšana
Divi modeļi rada vislielākās grūtības, un abi ir jārisina mērķtiecīgi, nevis cerot, ka vispārēja metode tos absorbēs.
Sezonalitāte ir atkārtojošs modelis, kas piesaistīts kalendāram. Kļūda ir sezonālā kāpuma uzskatīšana par izaugsmi. Slīdošais vidējais, kas piemērots produktam, kuru decembrī pārdod četras reizes vairāk, janvārī dzen kāpumu uz augšu, liekot pasūtīt pārāk daudz, un pēc tam pavasarī dzen to atpakaļ uz leju.
Pareiza pieeja nozīmē sezonālā faktora atdalīšanu no pamatlīmeņa. Aprēķiniet katra perioda pieprasījuma attiecību pret gada vidējo rādītāju vairāku gadu garumā, un jūs iegūsiet sezonālo indeksu kopu — decembris 2.4, janvāris 0.6 utt. Prognozējiet pamatlīmeni, pēc tam piemērojiet indeksu periodam, kuru prognozējat.
Divi brīdinājumi. Jums ir nepieciešami vismaz divi pilni vēstures cikli, pirms sezonālie indeksi kļūst nozīmīgi, un trīs ir vēl labāk. Turklāt sezonalitāte mainās — Lieldienas pārvietojas, pīķa tirdzniecības nedēļas migrē, mainoties pirkšanas paradumiem, un indekss, kas aprēķināts no piecus gadus veciem datiem, var aprakstīt modeli, kas vairs nepastāv.
Akcijas vairumā uzņēmumu ir lielāka problēma, jo tās ir gan būtiskas, gan pašu izraisītas. Akcija var vairākas reizes palielināt pieprasījumu uz nedēļu, un šis lēciens pēc tam paliek jūsu vēsturē, kropļojot katru turpmāko prognozi.
Disciplīnas, kas palīdz:
- Atzīmējiet akciju periodus datos, lai statistiskā prognoze tos varētu izslēgt vai koriģēt.
- Prognozējiet akciju radīto pieaugumu atsevišķi no bāzes pieprasījuma, izmantojot līdzīgu iepriekšējo akciju rezultātus, nevis procentuālo daļu, kas kādam šķiet pareiza.
- Ņemiet vērā kritumu pēc tam. Akcijas bieži vien piesaista pieprasījumu no nākotnes, nevis rada to no jauna, tāpēc turpmākās nedēļas rādītāji ir zem bāzes līmeņa. Prognozējot pīķi un ignorējot kritumu, jūs divreiz nonāksiet pie pārmērīgiem krājumiem.
- Saņemiet akciju kalendāru laikus. Visbiežākais akciju preču iztrūkuma iemesls ir tas, ka noliktava par akciju uzzina vienlaikus ar klientiem.
Kam pieder prognoze
Prognozēšana organizatoriski izgāžas biežāk nekā tehniski, un modelis ir konsekvents.
Pārdošanas nodaļa prognozē optimistiski, jo mērķi un prognozes tiek sajaukti, un neviens nevēlas prognozēt zem mērķa. Operatīvā nodaļa prognozē konservatīvi, jo viņi nes pārmērīgu krājumu izmaksas un vainu par preču iztrūkumu. Finanšu nodaļa vēlas skaitli, kas atbilst plānam. Katra nodaļa rada atšķirīgu skaitli, un uzņēmums galu galā darbojas pēc tā, kurš pieder personai, kas argumentēja vispārliecinošāk.
Kas darbojas labāk:
Viens skaitlis, kas pieder vienai funkcijai. Parasti plānošanas vai operatīvajai nodaļai, ar strukturētu ieguldījumu no pārdošanas nodaļas, nevis atsevišķu pārdošanas prognozi, kas darbojas paralēli.
Atdaliet prognozi no mērķa. Mērķis ir tas, ko plānojat sasniegt. Prognoze ir tas, ko sagaidāt. To sajaukšana garantē, ka prognoze ir novirzīta uz augšu, un krājumi seko tam līdzi.
Novērtējiet korekcijas. Kad kāds maina statistisko prognozi, reģistrējiet to un vēlāk pārskatiet, vai šī izmaiņa uzlaboja precizitāti. Tas ir nepatīkami, taču tas ir ātrākais veids, kā noskaidrot, kura spriedums ir ņemams vērā un kura — nē.
Padariet izmaksas redzamas. Prognozes kļūdai ir cena — pārmērīgi krājumi, norakstīšana, steidzama piegāde, zaudēti pārdošanas apjomi. Šī skaitļa piesaistīšana procesam parasti ir tas, kas pārvērš prognozēšanu no administratīva pienākuma par kaut ko tādu, ko cilvēki uztver nopietni.
Kā prognozēšana savienojas ar pārējo
- Pasūtījuma punkti izmanto prognozēto pieprasījumu izpildes laikā.
- Drošības krājumi tiek noteikti, pamatojoties uz prognozes kļūdu.
- Iepirkumi iegulda kapitālu, pamatojoties uz prognozi, un tieši šeit kļūdas kļūst dārgas.
- Noliktavas kapacitātes plānošana ir atkarīga no sagaidāmā apjoma, un kļūdas gadījumā novembrī pietrūks vietas.
- Darbaspēka plānošana seko sagaidāmajam pasūtījumu apjomam, nevis vienībām.
- Attiecības ar piegādātājiem uzlabojas, kad dalāties ar prognozēm, jo viņi var plānot ražošanu un turēt atbilstošus krājumus.
Pēdējais punkts tiek izmantots pārāk reti. Piegādātājs, kuram ir redzamība par jūsu sagaidāmajām vajadzībām, parasti var saīsināt un stabilizēt savu izpildes laiku, kas samazina jūsu drošības krājumu prasības vairāk nekā to spētu labāks modelis.
Praktisks piemērs
Ņemiet produktu ar divpadsmit mēnešu vēsturi un izstrādājiet, ko patiesībā ietver prognozēšana.
Ikmēneša pārdošanas apjomi aptuveni: 210, 195, 230, 240, 215, 225, 260, 250, 245, 280, 520, 310.
Tūlītējs novērojums ir tāds, ka novembris ar 520 nav daļa no pamatmodeļa — tas ir sezonālais pīķis. Decembra prognozēšana no trīs mēnešu slīdošā vidējā (septembris, oktobris un novembris) dod (245 + 280 + 520) ÷ 3 = 348, kas nozīmē būtisku pārsūtīšanu, jo tas uztver pīķi kā jauno normu.
Pareiza pieeja:
Atdaliet sezonālo mēnesi. Izslēdzot novembri, atlikušie vienpadsmit mēneši vidēji ir aptuveni 241 vienība ar nelielu augšupejošu tendenci. Šis 241 ir jūsu pamatlīmenis.
Aprēķiniet sezonālo indeksu. Novembris ar 520 pret 241 bāzes līniju dod indeksu aptuveni 2.2. Ja iepriekšējais gads uzrādīja līdzīgu attiecību, varat tam uzticēties; ar tikai viena gada vēsturi uztveriet to kā provizorisku.
Prognozējiet līmeņa attīstību. Tendence visa gada garumā ir lēni augoša — aptuveni 200 sākumā, 260 rudenī, izslēdzot pīķi — tāpēc saprātīga līmeņa prognoze nākamajam mēnesim ir ap 265.
Piemērojiet indeksu, ja tas ir būtiski. Decembris šeit nav pīķa mēnesis, tāpēc prognoze paliek tuvu 265.
Novērtējiet kļūdu. Mēneša novirze no pamatlīmeņa ir aptuveni 20 vienības, tāpēc standarta novirze tuvu 20 ir saprātīgs darba rādītājs. Pie 95% servisa līmeņa drošības krājumi ir aptuveni 1.65 × 20 × izpildes laika kvadrātsakne mēnešos.
Šī piemēra jēga ir tāda, ka lielākā daļa darba ir spriedums par to, ko nozīmē vēsture, nevis aritmētika. Lēmums, ka novembris ir sezonāls, nevis izaugsme, ir tas, kas nosaka, vai nākamais pasūtījums būs pareizs, un neviena metode nepieņems šo lēmumu jūsu vietā, balstoties uz viena gada datiem.
Kur uzzināt vairāk
- Kas ir drošības krājumi — noteikti tieši pēc prognozes kļūdas.
- Kas ir pasūtīšanas punkts — kur tiek piemērota prognoze.
- Krājumu pārvaldības metodes — plašāks rīku kopums.
- Kas ir krājumu iztrūkums — kļūme, kuru prognozēšana samazina.
- Kas ir krājumu aprite — ko uzlabo labāka prognozēšana.
- Kā pārvaldīt krājumus — process, kurā tas ietilpst.
Galvenā atziņa vienā teikumā
Pieprasījuma prognozēšana novērtē turpmāko pārdošanas apjomu, lai jūs varētu izlemt, ko iegādāties — un, tā kā prognoze vienmēr būs kļūdaina, vissvarīgākais rādītājs ir kļūdas lielums un virziens, jo tas nosaka, cik lieli drošības krājumi jums jāuztur.
Biežāk uzdotie jautājumi
Kas ir pieprasījuma prognozēšana? Turpmākā pieprasījuma pēc produkta novērtēšana noteiktā laika posmā, lai izlemtu, cik daudz krājumu iegādāties un uzglabāt.
Kādas ir galvenās pieprasījuma prognozēšanas metodes? Slīdošie vidējie rādītāji, svērtie slīdošie vidējie rādītāji, eksponenciālā izlīdzināšana, tendenču un sezonalitātes sadalījums, regresija attiecībā pret cēloņsakarīgiem mainīgajiem un kvalitatīvs vērtējums. Vairums uzņēmumu izmanto eksponenciālo izlīdzināšanu stabiliem produktu klāstiem un sezonalitātes sadalījumu visam, kam ir atkārtojošs modelis.
Cik precīzai jābūt pieprasījuma prognozei? Nav universāla skaitļa, jo precizitāte ir atkarīga no jūsu pieprasījuma mainīguma. Noderīgs tests ir pārbaudīt, vai jūsu metode pārspēj naivo prognozi “tāpat kā iepriekšējā periodā” un vai jūsu kļūda ir objektīva, nevis konsekventi augsta vai zema.
Kāda ir atšķirība starp MAPE un novirzi (bias)? MAPE mēra kļūdas vidējo lielumu neatkarīgi no virziena. Novirze mēra to, vai kļūdas konsekventi sliecas vienā virzienā. Prognozei var būt pieņemams MAPE, bet nopietna novirze, kas ir kaitīgāka problēma, jo drošības krājumi neizlabo sistemātisku nobīdi.
Kā prognozēt pieprasījumu jaunam produktam? Vēsturisko datu nav, tāpēc paļaujieties uz analogiem — līdzīgiem produktiem to ieviešanas brīdī —, apvienojot tos ar kvalitatīvu informāciju no pārdošanas nodaļas un jebkādiem priekšpasūtījumu vai pieprasījumu datiem. Sākumā sagaidiet lielas kļūdas un pārskatiet datus katru nedēļu, nevis katru mēnesi, līdz izveidojas noteikts modelis.
Kāpēc no vēsturiskajiem datiem vajadzētu izslēgt krājumu iztrūkuma periodus? Tāpēc, ka pārdošanas apjomi krājumu iztrūkuma laikā atspoguļo pieejamību, nevis pieprasījumu. To iekļaušana prognozē māca, ka pieprasījums ir zemāks, nekā tas ir patiesībā, tieši tiem produktiem, kuri jau ir beigušies.
Cik tālu uz priekšu vajadzētu prognozēt? Tik tālu, lai segtu jūsu piegādes laiku (lead time) un pārskata periodu, un ne tālāk pasūtīšanas nolūkos. Garāki termiņi ir nepieciešami jaudas, budžeta un piegādātāju plānošanai, taču tie ir jāsaprot kā atsevišķi uzdevumi ar plašākām pielaidēm, nevis kā skaitļi, pēc kuriem veikt pasūtījumus.
Vai labāka prognozēšana samazina krājumus? Jā, netieši un izmērāmi. Drošības krājumi tiek noteikti pēc prognozes kļūdas, tāpēc kļūdas samazināšana samazina nepieciešamo rezervi tādam pašam servisa līmenim. Tas ir skaidrākais finansiālais pamatojums investīcijām prognozēšanas procesā.
Warehouse Wise ir bezmaksas, neatkarīga ceļvežu bibliotēka par krājumu pārvaldību, noliktavu darbību un pasūtījumu izpildi, kas paredzēta tiem, kuri veic šo darbu ikdienā — noliktavu un krājumu uzskaites jaunajiem darbiniekiem, maziem un augošiem mazumtirdzniecības un e-komercijas uzņēmumiem, kā arī ikvienam, kurš pārvalda preču krājumus un vēlas tos izprast. Katrā ceļvedī skaidrojam terminus, sniedzam piemērus ar reāliem skaitļiem un ķeramies pie lietas. Mēs esam neatkarīgi: nepārdodam programmatūru vai aprīkojumu, nesaņemam komisijas maksu par ieteikumiem, un mūsu ceļveži netiek kārtoti pēc tā, kurš mums maksā.