Dự báo nhu cầu là gì? Các phương pháp và cách thực hiện

Dự báo nhu cầu là việc ước tính số lượng hàng hóa bạn sẽ bán được trong một khoảng thời gian tương lai, từ đó giúp bạn quyết định số lượng cần mua và lưu kho.

Mọi doanh nghiệp đều thực hiện việc này. Hầu hết thực hiện một cách ngầm định — ai đó nhìn vào kệ hàng, suy nghĩ về tháng trước và đặt hàng. Dự báo chính thức thay thế cách làm đó bằng một phương pháp có thể kiểm tra, đo lường và cải thiện.

Lý do việc này quan trọng không phải vì chúng ta có thể đạt được các dự báo chính xác tuyệt đối. Điều đó là không thể, và bất kỳ quy trình nào giả định ngược lại đều sẽ gây thất vọng. Nó quan trọng vì mức độ sai số quyết định lượng hàng tồn kho an toàn (safety stock) bạn cần, và hàng tồn kho an toàn rất tốn kém. Dự báo tốt hơn là cách duy nhất để giảm lượng hàng tồn kho mà không làm giảm khả năng cung ứng.

Dự báo nhu cầu là gì

Một dự báo gồm ba phần, và những dự báo sai lệch thường bỏ sót hai trong số đó.

Một con số. Số lượng đơn vị dự kiến trong một khoảng thời gian xác định.

Một khoảng thời gian. Tuần tới, tháng tới, quý tới. Độ chính xác giảm dần khi tầm nhìn xa hơn, vì vậy tầm nhìn cần phù hợp với mục đích sử dụng — dự báo cho mục đích đặt hàng chỉ cần đạt đến thời gian chờ hàng (lead time) cộng với thời gian đánh giá của bạn.

Một khoảng tin cậy. Mức độ sai lệch có thể xảy ra của con số đó. Một dự báo 500 đơn vị có khả năng dao động từ 400 đến 600 là một dữ liệu đầu vào cho kế hoạch rất khác so với dự báo từ 200 đến 800, mặc dù cả hai đều có cùng con số trung tâm. Khoảng dao động này quyết định quy mô vùng đệm của bạn, và một dự báo không có khoảng này sẽ không cho bạn cơ sở để quyết định cần bao nhiêu sự bảo vệ.

Các dự báo cũng khác nhau tùy theo cấp độ. Dự báo cho tổng nhu cầu danh mục đáng tin cậy hơn nhiều so với dự báo cho một SKU riêng lẻ với màu sắc cụ thể, vì sự biến động sẽ triệt tiêu lẫn nhau khi bạn tổng hợp lại. Điều này rất đáng lưu tâm vì nó giải thích tại sao các con số ở cấp độ cao nhất của bạn có vẻ chính xác trong khi dự báo cho từng sản phẩm riêng lẻ lại liên tục sai lệch.

Các phương pháp dự báo chính

Dự báo ngây thơ (Naïve forecasting). Kỳ tiếp theo bằng kỳ trước. Thực sự hữu ích như một đường cơ sở — nếu phương pháp tinh vi của bạn không thể vượt qua nó, thì sự tinh vi đó không mang lại giá trị.

Trung bình trượt (Moving average). Giá trị trung bình của vài kỳ gần nhất, giúp làm phẳng các biến động ngẫu nhiên. Đơn giản và hiệu quả cho các sản phẩm ổn định, nhưng phản ứng chậm với những thay đổi thực sự vì các kỳ cũ có trọng số ngang bằng với các kỳ gần đây.

Trung bình trượt có trọng số (Weighted moving average). Tương tự như trên, nhưng các kỳ gần đây có trọng số cao hơn. Phản ứng nhanh hơn với các thay đổi trong khi vẫn giữ được một phần tính ổn định.

Làm phẳng theo hàm mũ (Exponential smoothing). Trọng số giảm dần theo hình học về phía quá khứ, được kiểm soát bởi một hệ số làm phẳng duy nhất. Hệ số cao hơn phản ứng nhanh hơn với thay đổi nhưng có nhiều nhiễu hơn; hệ số thấp hơn thì ổn định và chậm chạp. Đây là phương pháp chủ lực trong dự báo thực tế, và các biến thể của nó xử lý xu hướng và tính mùa vụ một cách rõ ràng.

Phân tách xu hướng và mùa vụ (Trend and seasonal decomposition). Chia dữ liệu lịch sử thành mức cơ bản, xu hướng và mô hình mùa vụ lặp lại, dự báo từng phần rồi kết hợp lại. Cần thiết cho bất kỳ mặt hàng nào có tính mùa vụ thực sự, vốn là hầu hết các hàng tiêu dùng.

Hồi quy (Regression). Liên kết nhu cầu với các biến số thúc đẩy nó — giá cả, chi phí tiếp thị, thời tiết, chỉ số kinh tế dẫn dắt. Rất mạnh mẽ khi tồn tại mối quan hệ nhân quả thực sự, và gây hiểu lầm khi sự tương quan ngẫu nhiên bị nhầm lẫn với mối quan hệ nhân quả.

Các phương pháp định tính. Ý kiến từ đội ngũ bán hàng, ý định của khách hàng, đánh giá của chuyên gia. Không thể thiếu khi không có dữ liệu lịch sử — sản phẩm mới, thị trường mới, kênh bán hàng mới mở. Đây cũng là phương pháp dễ bị lạc quan thái quá nhất, đó là lý do tại sao cần ghi lại các dự đoán và đánh giá lại chúng sau đó.

Các phương pháp học máy (Machine learning). Ngày càng phổ biến trong phần mềm lập kế hoạch, và thực sự tốt hơn khi bạn có nhiều sản phẩm, lịch sử dữ liệu dài và nhiều biến số ảnh hưởng. Chúng cần nhiều dữ liệu hơn đáng kể so với hầu hết các hoạt động hiện có, và chúng không sửa chữa được các dữ liệu đầu vào sai lệch.

Các loại dự báo nhu cầu

Dự báo được phân loại theo nhiều cách, và các nhãn này rất đáng biết vì mọi người sử dụng chúng như cách viết tắt trong các cuộc thảo luận lập kế hoạch.

Theo tầm nhìn thời gian.

• Ngắn hạn — từ vài ngày đến vài tháng. Thúc đẩy việc bổ sung hàng, điểm đặt hàng lại và nhân sự. Độ chính xác ở đây có thể đạt được và mang lại hiệu quả tức thì.
• Trung hạn — từ một quý đến một năm. Thúc đẩy các cam kết mua hàng, thỏa thuận nhà cung cấp và mua hàng theo mùa.
• Dài hạn — một năm hoặc hơn. Thúc đẩy các quyết định về năng lực: không gian kho bãi, thiết bị, nhân sự. Độ chính xác không được mong đợi cũng không hữu ích ở phạm vi này; điều quan trọng là định hướng và quy mô.

Theo phạm vi.

• Dự báo cấp vĩ mô nhìn ra bên ngoài các điều kiện mà nhu cầu của bạn nằm trong đó — nền kinh tế, danh mục, thị trường. Hữu ích cho bối cảnh và hiếm khi có thể hành động ngay lập tức.
• Dự báo cấp vi mô nhìn vào một sản phẩm, kênh hoặc khách hàng cụ thể. Đây là nơi các quyết định vận hành thực sự được đưa ra.

Theo quan điểm.

• Dự báo thụ động giả định tính liên tục: những gì đã xảy ra sẽ tiếp tục xảy ra, được điều chỉnh theo xu hướng và mùa vụ. Nó phù hợp với các doanh nghiệp ổn định và là lựa chọn mặc định đúng đắn cho hầu hết việc lập kế hoạch tồn kho, vì nó không đưa ra các giả định quá táo bạo.
• Dự báo chủ động tích hợp những gì bạn dự định thay đổi — một chương trình khuyến mãi, một kênh mới, tăng giá, ra mắt sản phẩm mới. Nó cần thiết bất cứ khi nào quá khứ không còn là kim chỉ nam tốt, và đây cũng là nơi sự lạc quan gây ra thiệt hại lớn nhất, vì kế hoạch thường bị nhầm lẫn với dự đoán.

Theo phương pháp.

• Định tính — đánh giá, ý kiến bán hàng, ý kiến chuyên gia. Cần thiết cho các sản phẩm mới không có lịch sử, và là phương pháp ít tin cậy nhất khi đã có dữ liệu.
• Định lượng — trung bình trượt, làm phẳng theo hàm mũ, hồi quy, phân tách mùa vụ. Đáng tin cậy khi có dữ liệu lịch sử và nhu cầu tương đối ổn định.
• Dựa trên AI và học máy — các mô hình xem xét nhiều biến số cùng lúc và tìm ra các mô hình mà chuỗi thời gian đơn giản sẽ bỏ lỡ: thời tiết, giá cả, hành vi đối thủ, lưu lượng truy cập web, sự chồng chéo khuyến mãi. Chúng phát huy hiệu quả ở quy mô lớn, trên số lượng SKU lớn với nhiều dữ liệu lịch sử, và chúng không thay thế được dữ liệu sạch. Một mô hình được huấn luyện trên lịch sử bán hàng bao gồm cả các giai đoạn hết hàng không được đánh dấu sẽ học sai nhanh hơn và tự tin hơn so với một bảng tính.

Điểm mấu chốt thực tế: hầu hết các doanh nghiệp cần dự báo định lượng thụ động, cấp vi mô, ngắn hạn cho phần lớn danh mục của họ, với dự báo chủ động được áp dụng cho một số ít dòng sản phẩm có sự thay đổi rõ rệt. Việc vội vàng áp dụng các phương pháp tinh vi trước khi phương pháp cơ bản hoạt động hiệu quả là lỗi trình tự phổ biến và tốn kém nhất trong lĩnh vực này.

Cách dự báo nhu cầu trong thực tế

1. Làm sạch dữ liệu lịch sử trước tiên. Bước này quyết định liệu mọi thứ sau đó có đáng thực hiện hay không.

Sự điều chỉnh quan trọng nhất là tình trạng hết hàng. Lịch sử bán hàng ghi lại những gì bạn đã bán, không phải những gì khách hàng muốn. Một giai đoạn bạn bị hết hàng cho thấy doanh số thấp, và việc đưa dữ liệu đó vào dự báo sẽ khiến mô hình hiểu rằng nhu cầu thấp hơn thực tế — chính xác đối với sản phẩm đã khiến bạn thất bại. Hãy đánh dấu các giai đoạn hết hàng và loại bỏ chúng hoặc ước tính nhu cầu bị mất.

Ngoài ra, hãy loại bỏ các sự kiện một lần: một đơn hàng lớn không lặp lại, hàng thanh lý, lỗi dữ liệu. Hãy giữ lại các mô hình định kỳ thực sự như khuyến mãi, nhưng hãy đánh dấu chúng để hiểu đó là khuyến mãi thay vì là mức cơ bản.

2. Chọn cấp độ dự báo. Dự báo ở cấp độ bạn sẽ thực hiện hành động. Nếu bạn đặt hàng theo SKU, bạn cần dự báo ở cấp độ SKU, nhưng bạn có thể xây dựng chúng bằng cách dự báo theo danh mục và phân bổ theo tỷ trọng gần đây, vốn thường ổn định hơn so với việc dự báo từng SKU độc lập.

3. Chọn phương pháp cho từng nhóm sản phẩm. Các dòng sản phẩm có khối lượng lớn và ổn định phù hợp với làm phẳng theo hàm mũ. Các dòng sản phẩm theo mùa cần phân tách mùa vụ. Các mặt hàng bán chậm và thất thường thường được xử lý tốt nhất bằng mức trung bình đơn giản và một vùng đệm rộng rãi, vì các phương pháp tinh vi chỉ làm khớp với nhiễu.

4. Áp dụng đánh giá và ghi lại. Điều chỉnh cho những yếu tố mà lịch sử không thể biết — một cơ hội niêm yết mới, đối thủ rút lui, thay đổi giá, khuyến mãi. Ghi lại các điều chỉnh tách biệt với dự báo thống kê để bạn có thể xem xét sau này liệu các can thiệp của mình có hiệu quả hay không. Nhiều người không làm điều này.

5. Đo lường sai số. Nếu không làm điều này, đó không phải là quy trình, đó chỉ là thói quen.

6. Xem xét và điều chỉnh thường xuyên. Hàng tháng đối với hầu hết các hoạt động. Mục đích là để nắm bắt các sản phẩm có mô hình đã thay đổi, không phải để tinh chỉnh các con số vốn đã ổn.

Đo lường độ chính xác của dự báo

Ba thước đo có thể đáp ứng hầu hết các nhu cầu.

MAPE — sai số phần trăm tuyệt đối trung bình. Sai số trung bình tính theo phần trăm của nhu cầu thực tế. Đây là chỉ số trực quan và được sử dụng rộng rãi. Điểm yếu của nó là bị sai lệch nghiêm trọng ở các mức sản lượng thấp: sai lệch hai đơn vị trên dự báo ba đơn vị là sai số 67%, một con số không có nhiều ý nghĩa.

MAD — độ lệch tuyệt đối trung bình. Sai số trung bình tính theo đơn vị, không xét đến hướng (âm hay dương). Chỉ số này rất hữu ích vì nó được sử dụng trực tiếp trong việc tính toán tồn kho an toàn.

Độ lệch (Bias). Sai số trung bình có xét đến hướng. Đây là chỉ số thường bị bỏ qua nhất nhưng lại là chỉ số cung cấp nhiều thông tin nhất. Nếu các sai số của bạn trung bình gần bằng 0, nghĩa là mức dự báo cao và thấp cân bằng nhau — đây là nhiễu mà hàng tồn kho an toàn có thể xử lý được. Nếu sai số liên tục dương hoặc âm, bạn đang gặp vấn đề hệ thống, và không lượng tồn kho an toàn nào có thể khắc phục được một dự báo luôn thấp hơn thực tế.

Hãy đo lường theo nhóm sản phẩm thay vì đo lường tổng thể, bởi vì một con số tổng quan tốt thường che giấu một vài dòng sản phẩm được dự báo kém gây ra thiệt hại thực sự.

So sánh với đường cơ sở ngây thơ (naïve baseline). Nếu phương pháp của bạn không tốt hơn việc “giữ nguyên như tháng trước”, hãy đơn giản hóa nó.

Tại sao dự báo không bao giờ hoàn hảo (và điều đó hoàn toàn bình thường)

Dự báo luôn có sai số. Những câu hỏi hữu ích là sai bao nhiêu, sai theo hướng nào, và liệu sai số đó có đủ ổn định để lập kế hoạch hay không.

Đây là lý do tại sao dự báo và tồn kho an toàn là cùng một vấn đề. Dự báo cung cấp cho bạn nhu cầu kỳ vọng; sai số dự báo cung cấp cho bạn mức độ biến động mà tồn kho an toàn cần hấp thụ. Cải thiện dự báo sẽ giúp giảm lượng hàng dự trữ cần thiết cho cùng một mức độ dịch vụ. Đó là lập luận thương mại toàn diện cho việc đầu tư vào dự báo, và nó có thể đo lường được.

Cũng cần chấp nhận rằng một số sản phẩm thực sự không thể dự báo được. Những mặt hàng có tốc độ luân chuyển rất chậm, các mặt hàng dự án chỉ bán một lần, hoặc bất cứ thứ gì bị chi phối bởi các sự kiện bên ngoài mà không ai có thể lường trước. Đối với những trường hợp này, câu trả lời trung thực là một chiến lược khác — sản xuất theo đơn đặt hàng, giữ hàng tồn kho tại nhà cung cấp, chấp nhận thời gian chờ (lead time) dài hơn — thay vì cố gắng tìm một mô hình tốt hơn.

Dự báo nhu cầu theo mùa và khuyến mãi

Hai mô hình gây ra hầu hết các khó khăn, và cả hai đều cần được xử lý một cách rõ ràng thay vì hy vọng một phương pháp chung chung có thể giải quyết được chúng.

Tính mùa vụ là một mô hình lặp đi lặp lại gắn liền với lịch. Sai lầm thường gặp là coi đỉnh điểm theo mùa là sự tăng trưởng. Một đường trung bình trượt áp dụng cho một sản phẩm bán chạy gấp bốn lần vào tháng 12 sẽ đuổi theo đỉnh điểm đó vào tháng 1, dẫn đến đặt hàng quá nhiều, rồi sau đó lại phải điều chỉnh giảm dần trong suốt mùa xuân.

Xử lý đúng cách nghĩa là tách biệt yếu tố mùa vụ khỏi mức nhu cầu cơ bản. Hãy tính tỷ lệ nhu cầu của từng giai đoạn so với mức trung bình hàng năm qua nhiều năm, bạn sẽ có một bộ chỉ số mùa vụ — tháng 12 là 2.4, tháng 1 là 0.6, v.v. Hãy dự báo mức nhu cầu cơ bản, sau đó áp dụng chỉ số cho giai đoạn bạn đang dự báo.

Hai lưu ý: Bạn cần ít nhất hai chu kỳ lịch sử đầy đủ trước khi các chỉ số mùa vụ có ý nghĩa, và ba chu kỳ sẽ tốt hơn. Ngoài ra, tính mùa vụ luôn thay đổi — lễ Phục sinh thay đổi ngày, các tuần giao dịch cao điểm dịch chuyển khi thói quen mua sắm thay đổi, và một chỉ số được tính từ dữ liệu năm năm trước có thể đang mô tả một mô hình không còn tồn tại.

Khuyến mãi là vấn đề lớn hơn ở hầu hết các doanh nghiệp, vì chúng vừa đáng kể vừa do chính doanh nghiệp tạo ra. Một chương trình khuyến mãi có thể nhân nhu cầu lên gấp nhiều lần trong một tuần, và sự tăng đột biến đó sẽ nằm trong dữ liệu lịch sử, làm sai lệch mọi dự báo tiếp theo.

Các nguyên tắc hữu ích:

• Đánh dấu các giai đoạn khuyến mãi trong dữ liệu để dự báo thống kê có thể loại trừ hoặc điều chỉnh cho các giai đoạn đó.
• Dự báo mức tăng trưởng do khuyến mãi một cách riêng biệt với nhu cầu cơ bản, sử dụng kết quả của các chương trình khuyến mãi tương tự trong quá khứ thay vì một tỷ lệ phần trăm mà ai đó cảm thấy là đúng.
• Tính đến sự sụt giảm sau đó. Các chương trình khuyến mãi thường kéo nhu cầu về sớm hơn thay vì tạo ra nhu cầu mới, vì vậy các tuần tiếp theo sẽ có doanh số thấp hơn mức cơ bản. Dự báo đỉnh điểm mà bỏ qua đáy sẽ khiến bạn bị tồn kho quá mức hai lần.
• Nhận lịch khuyến mãi sớm. Nguyên nhân phổ biến nhất gây ra tình trạng thiếu hàng khuyến mãi là do kho hàng chỉ biết về chương trình khuyến mãi cùng lúc với khách hàng.

Ai chịu trách nhiệm về dự báo

Dự báo thất bại về mặt tổ chức thường xuyên hơn là thất bại về mặt kỹ thuật, và mô hình này rất nhất quán.

Bộ phận kinh doanh thường dự báo một cách lạc quan, vì mục tiêu và dự báo bị gộp làm một và không ai muốn dự báo thấp hơn mục tiêu. Bộ phận vận hành dự báo một cách thận trọng, vì họ phải chịu chi phí tồn kho dư thừa và bị đổ lỗi khi thiếu hàng. Bộ phận tài chính muốn một con số phù hợp với kế hoạch. Mỗi bên đưa ra một con số khác nhau, và doanh nghiệp cuối cùng vận hành theo con số của người tranh luận gay gắt nhất.

Cách làm hiệu quả hơn:

Một con số, do một bộ phận chịu trách nhiệm. Thường là bộ phận kế hoạch hoặc vận hành, với thông tin đầu vào có cấu trúc từ bộ phận kinh doanh thay vì một dự báo kinh doanh riêng biệt chạy song song.

Tách biệt dự báo khỏi mục tiêu. Mục tiêu là những gì bạn dự định đạt được. Dự báo là những gì bạn kỳ vọng sẽ xảy ra. Việc gộp chúng lại đảm bảo rằng dự báo sẽ bị lệch lên trên, và hàng tồn kho sẽ tăng theo.

Đánh giá các điều chỉnh. Khi ai đó ghi đè lên dự báo thống kê, hãy ghi lại và xem xét sau đó xem việc ghi đè đó có cải thiện độ chính xác hay không. Điều này có thể gây khó chịu nhưng là cách nhanh nhất để biết phán đoán của ai là đáng tin cậy và của ai thì không.

Làm cho chi phí trở nên hữu hình. Sai số dự báo đều có cái giá của nó — tồn kho dư thừa, xóa sổ hàng hóa, vận chuyển nhanh, mất doanh thu. Gắn con số đó vào quy trình thường là yếu tố biến dự báo từ một công việc hành chính thành điều mà mọi người coi trọng.

Cách dự báo kết nối với các phần còn lại

• Điểm đặt hàng lại (Reorder points) sử dụng nhu cầu dự báo trong thời gian chờ.
• Tồn kho an toàn được xác định dựa trên sai số dự báo.
• Mua hàng cam kết vốn dựa trên dự báo, đây là nơi sai số trở nên đắt đỏ.
• Lập kế hoạch công suất kho phụ thuộc vào khối lượng dự kiến, và nếu sai sót, kết quả sẽ là không còn chỗ trống vào tháng 11.
• Lập kế hoạch nhân sự theo khối lượng đơn hàng dự kiến thay vì theo đơn vị sản phẩm.
• Mối quan hệ với nhà cung cấp được cải thiện khi bạn chia sẻ dự báo, vì họ có thể lập kế hoạch sản xuất và duy trì mức tồn kho phù hợp.

Điểm cuối cùng này thường bị bỏ qua. Một nhà cung cấp được cung cấp thông tin về các yêu cầu dự kiến của bạn thường có thể rút ngắn và ổn định thời gian chờ của họ, điều này giúp giảm yêu cầu về tồn kho an toàn của bạn hiệu quả hơn bất kỳ mô hình nào.

Ví dụ thực tế

Hãy lấy một sản phẩm có lịch sử 12 tháng và xem xét một dự báo thực sự bao gồm những gì.

Doanh số hàng tháng khoảng: 210, 195, 230, 240, 215, 225, 260, 250, 245, 280, 520, 310.

Quan sát ngay lập tức là tháng 11 với 520 đơn vị không phải là một phần của mô hình cơ bản — đó là một đỉnh điểm theo mùa. Dự báo tháng 12 từ trung bình trượt ba tháng của tháng 9, tháng 10 và tháng 11 cho ra (245 + 280 + 520) ÷ 3 = 348, dẫn đến đặt hàng quá nhiều đáng kể vì nó coi đỉnh điểm là mức bình thường mới.

Xử lý đúng cách:

Tách biệt tháng có tính mùa vụ. Loại trừ tháng 11, mười một tháng còn lại trung bình khoảng 241 đơn vị với xu hướng tăng nhẹ. 241 đó chính là mức cơ bản của bạn.

Tính chỉ số mùa vụ. Tháng 11 với 520 so với mức cơ bản 241 cho ra chỉ số khoảng 2.2. Nếu năm trước cho thấy tỷ lệ tương tự, bạn có thể tin tưởng vào nó; với chỉ một năm dữ liệu, hãy coi đó là tạm thời.

Dự báo mức nhu cầu về phía trước. Xu hướng trong năm tăng nhẹ — khoảng 200 vào đầu năm, 260 vào mùa thu (không tính đỉnh điểm) — vì vậy dự báo mức nhu cầu hợp lý cho tháng tới là khoảng 265.

Áp dụng chỉ số nếu liên quan. Tháng 12 không phải là tháng cao điểm ở đây, vì vậy dự báo vẫn ở mức gần 265.

Ước tính sai số. Độ lệch giữa các tháng so với xu hướng cơ bản vào khoảng 20 đơn vị, vì vậy độ lệch chuẩn gần 20 là một con số làm việc hợp lý. Ở mức dịch vụ 95%, tồn kho an toàn là khoảng 1.65 × 20 × căn bậc hai của thời gian chờ tính bằng tháng.

Điểm mấu chốt của việc thực hiện ví dụ này là phần lớn công việc nằm ở sự phán đoán về ý nghĩa của dữ liệu lịch sử, chứ không phải là số học. Quyết định rằng tháng 11 là tính mùa vụ thay vì tăng trưởng là quyết định xác định xem đơn hàng tiếp theo có đúng hay không, và không có phương pháp nào có thể đưa ra quyết định đó thay cho bạn chỉ với một năm dữ liệu.

Tìm hiểu sâu hơn

• Safety stock là gì — được xác định quy mô trực tiếp từ sai số dự báo.
• Reorder point là gì — nơi áp dụng dự báo.
• Các kỹ thuật quản lý hàng tồn kho — bộ công cụ rộng hơn.
• Stockout là gì — sự cố mà dự báo giúp giảm thiểu.
• Inventory turnover là gì — chỉ số được cải thiện nhờ dự báo tốt hơn.
• Cách quản lý hàng tồn kho — quy trình bao hàm nội dung này.

Tóm tắt trong một câu

Dự báo nhu cầu ước tính doanh số tương lai để bạn quyết định số lượng cần mua — và vì dự báo luôn có sai số, con số quan trọng nhất chính là quy mô và hướng của sai số đó, vì nó quyết định lượng safety stock bạn cần duy trì.

Các câu hỏi thường gặp

Dự báo nhu cầu là gì? Là việc ước tính nhu cầu tương lai đối với một sản phẩm trong một khoảng thời gian xác định, nhằm quyết định số lượng hàng cần mua và lưu kho.

Các phương pháp dự báo nhu cầu chính là gì? Trung bình trượt, trung bình trượt có trọng số, làm trơn hàm mũ, phân tách xu hướng và tính mùa vụ, hồi quy theo các biến nhân quả và đánh giá định tính. Hầu hết các hoạt động vận hành sử dụng phương pháp làm trơn hàm mũ cho các dòng sản phẩm ổn định và phân tách tính mùa vụ cho bất kỳ sản phẩm nào có mô hình lặp lại.

Dự báo nhu cầu cần chính xác đến mức nào? Không có con số chung cho mọi trường hợp, vì độ chính xác phụ thuộc vào mức độ biến động nhu cầu của bạn. Bài kiểm tra hữu ích là xem phương pháp của bạn có vượt qua dự báo ngây thơ “giống như kỳ trước” hay không, và liệu sai số của bạn có khách quan thay vì luôn cao hoặc thấp một cách nhất quán hay không.

Sự khác biệt giữa MAPE và bias là gì? MAPE đo lường quy mô trung bình của sai số bất kể hướng nào. Bias đo lường xem các sai số có nghiêng về một hướng nhất quán hay không. Một dự báo có thể có MAPE chấp nhận được nhưng lại có bias nghiêm trọng, đây là vấn đề gây hại nhiều hơn vì safety stock không thể điều chỉnh được sự lệch hệ thống.

Làm thế nào để dự báo nhu cầu cho một sản phẩm mới? Vì không có dữ liệu lịch sử, bạn cần dựa vào các sản phẩm tương tự — các sản phẩm có đặc điểm tương đồng khi ra mắt — kết hợp với thông tin định tính từ bộ phận bán hàng và bất kỳ dữ liệu đơn hàng trước hoặc yêu cầu nào. Hãy dự đoán sai số lớn trong giai đoạn đầu và đánh giá hàng tuần thay vì hàng tháng cho đến khi xuất hiện một mô hình rõ ràng.

Tại sao tôi nên loại trừ các giai đoạn stockout khỏi dữ liệu lịch sử? Vì doanh số trong thời kỳ stockout ghi lại khả năng cung ứng thay vì nhu cầu thực tế. Việc đưa chúng vào sẽ khiến dự báo hiểu sai rằng nhu cầu thấp hơn thực tế, ngay trên chính những sản phẩm đã bị hết hàng.

Tôi nên dự báo xa đến mức nào? Đủ xa để bao phủ lead time cộng với kỳ đánh giá của bạn, và không cần xa hơn cho mục đích đặt hàng. Các tầm nhìn dài hạn hơn là cần thiết cho việc lập kế hoạch năng lực, ngân sách và nhà cung cấp, nhưng chúng nên được hiểu là các bài tập riêng biệt với biên độ sai số rộng hơn thay vì là con số dùng để đặt hàng.

Dự báo tốt hơn có làm giảm hàng tồn kho không? Có, một cách gián tiếp và có thể đo lường được. Safety stock được xác định quy mô dựa trên sai số dự báo, vì vậy việc giảm sai số sẽ giảm lượng đệm cần thiết để đạt cùng một mức độ dịch vụ. Đây là minh chứng tài chính rõ ràng nhất cho việc đầu tư vào quy trình dự báo.

Viết bởi

↑ Về đầu trang

Warehouse Wise

Warehouse Wise là thư viện miễn phí, độc lập cung cấp các hướng dẫn về quản lý hàng tồn kho, kho bãi và thực hiện đơn hàng, được viết dành cho những người trực tiếp làm công việc này — bao gồm nhân viên kho và quản lý hàng tồn kho mới, các doanh nghiệp bán lẻ và thương mại điện tử từ quy mô nhỏ đến đang phát triển, cùng bất kỳ ai lưu trữ hàng hóa và muốn hiểu rõ về nghiệp vụ này. Mỗi hướng dẫn đều giải thích thuật ngữ, đưa ra ví dụ thực tế với các số liệu cụ thể và đi thẳng vào vấn đề. Chúng tôi hoạt động độc lập: chúng tôi không bán phần mềm hay thiết bị, không nhận hoa hồng từ việc giới thiệu và các hướng dẫn của chúng tôi không bị xếp hạng dựa trên bất kỳ khoản phí nào.