Hvordan reducerer du usikkerhed og forudser ændringer i din forsyningskæde? Prognoser er nøglen.

By

juni 10, 2020
6 min read

Prognosekvaliteten afhænger uundgåeligt af kvaliteten af de underliggende data. Enkeltstående begivenheder, såsom en dramatisk stigning i salget eller et usædvanligt fald i efterspørgslen, kan dramatisk ændre prognosen til det værre. Derfor skal man være opmærksom på det historiske salg for at producere nøjagtige prognoser.

AGR-prognosemodulet er designet til at fange alle mulige tendenser, herunder langsomme og hurtige bevægelser, sæsonbestemte tendenser eller varer, der stiger eller falder i salget. Det betyder, at brugerne ikke har brug for avanceret statistisk viden, da systemet håndterer prognosedelen automatisk. Når salgsdata ankommer, beregner prognosemodulet automatisk salgsprognoser baseret på en af følgende prognosemodeller for at opfylde alle almindelige forretningsprognosekrav. Den bedst egnede prognosemetode vælges automatisk for en vare afhængigt af produktets art og mængden af historiske data, der er tilgængelige. Følgende er en beskrivelse af disse prognosemodeller og forskellene mellem dem.

Ekspert valg

Ekspertvalg gør det muligt for prognosemodulet automatisk at vælge en passende univariat prognoseteknik. Ekspertudvælgelsen fungerer som følger: Hvis datasættet er meget kort, er prognosemodulet som standard simpelt glidende gennemsnit. Ellers undersøger prognosemodulet dataene for anvendeligheden af de intermitterende eller diskrete prognosemodeller. Selvom prognoserne produceret ud fra sådanne modeller kun er lige vandrette linjer, giver de ofte prognoser, der er bedre end dem fra eksponentiel udjævning for lavvolumen, rodede data. Hvis ingen af disse modeller er anvendelige på dataene, er valget nu indsnævret til forskellige former for eksponentiel udjævning og Box-Jenkins-modeller. Prognosemodulet kører derefter en række tests på dataene og anvender en regelbaseret logik, der kan føre til et modelvalg baseret på dataegenskaber. Hvis den regelbaserede logik ikke fører til et endeligt svar, udfører prognosemodulet en out-of-sample-test for at vælge mellem en eksponentiel udjævningsmodel og en Box-Jenkins-model.

Enkle metoder

Simple Method inkluderer glidende gennemsnitsmodeller og er til meget korte eller ekstremt volatile data. Dette er en almindelig lagerstyringsmetode – der bruges af grossister og distributører til efterspørgselsprognoser – til at beregne gennemsnittet af salget i løbet af de foregående par måneder. Denne metode kan fungere godt for varer i konstant efterspørgsel, men den fungerer ikke så godt for andre. Da forskellige varer kan have et meget forskelligt behovsmønster, er det ekstremt vigtigt at vælge den mest relevante prognosemetode for hver vare.

Hvis datasættet er meget kort eller har færre end 10 punkter, er prognosemodulet som standard simpelt glidende gennemsnit.

Eksponentiel udjævning

Eksponentiel udjævning fungerer som navnet antyder. Den udtrækker niveau-, trend- og sæsonindekser ved at konstruere udjævnede estimater af disse træk og vægte de seneste data tungere. Den tilpasser sig skiftende struktur, men minimerer virkningerne af afvigelser og støj. Tolv forskellige Holt-Winters eksponentielle udjævningsmodeller leveres for at imødekomme en bred vifte af dataegenskaber. Eksponentielle udjævningsmodeller fanger og forudsiger niveauet af data sammen med forskellige typer tendenser og sæsonmønstre. Modellerne er adaptive, og prognoserne lægger større vægt på den nyere historie frem for den fjernere fortid. Robustheden af eksponentiel udjævning gør den ideel, når der ikke er nogen førende indikatorer, og når dataene er for korte eller flygtige for Box-Jenkins.

“Vent-og-se”-holdningen til forandringer omkring dem er den intuitive måde, hvorpå folk anvender eksponentiel udjævning i deres daglige liv.

Husk, at selvom eksponentiel udjævning kan tage følgende faktorer i betragtning, når du projicerer en prognose; tendens, niveau, sæsoneffekter, begivenhedseffekter, tilfældige begivenheder og støj. De inkluderer ikke og kan ikke inkludere virkningerne af fremtidige tilfældige begivenheder eller støj, så prognosen er meget mere jævn, end den faktiske fremtid vil vise sig at være.

Diskret distribution

Disse modeller gælder for data, der består af små hele tal, herunder nogle nuller. Prognoserne er ikke-trendede og ikke-sæsonbestemte. Diskrete fordelinger er til brug på data, der udelukkende kan bestå af nuller og små heltal. Sjældent anvendte reservedele er et eksempel på varer, der ofte falder ind under denne klasse.

Selvom de producerede prognoser kun er lige vandrette linjer, giver de ofte prognoser, der er bedre end dem fra eksponentiel udjævning for rodede data med lav volumen.

Crostons intermitterende efterspørgselsmodel (model med lav volumen)

Croston’s-modellen er designet til data med adskillige nuller, som ordrer på en langsomt bevægende del, der normalt bestilles for at genopfylde lageret. Datapunkterne, der ikke er nul, er normalt eller log-normalfordelte. Prognoserne er ikke-trendede og ikke-sæsonbestemte.

Tidsserien består af mange salgsdata, især for varer med mindre volumen og uregelmæssig efterspørgsel. I mange perioder er der ingen efterspørgsel overhovedet. Dette kan være tilfældet for varer, der normalt bestilles i batches for at genopfylde efterfølgende lagerbeholdninger. Denne metode fungerer ved at kombinere et udjævnet estimat af den gennemsnitlige efterspørgsel for perioder, der har efterspørgsel, med et udjævnet estimat af det gennemsnitlige behovsinterval.

De udarbejdede prognoser vil vise lige vandrette linjer.

Kurve tilpasning

Kurvetilpasning identificerer den generelle form af den kurve, som dataene følger, og bruges til at modellere den globale tendens for de historiske salgsdata. Kurvetilpasning er ret nyttig til korte tidsseriedata, hvor den foreslåede minimumslængde er 10 datapunkter. Kurvetilpasningen understøtter fire typer kurver: en lige linje, kvadratisk, eksponentiel og vækst (S-kurve). Husk, at kurven ikke tager højde for sæsonbestemte mønstre.

Box-Jenkins

Box-Jenkins fungerer godt til stabile datasæt og kan fange og forudsige både trend og sæsonudsving. Dataene skal bestå af minimum 40 datapunkter. Metoden er ganske enkelt den rigeste familie af statistiske modeller, der kan anvendes praktisk i den virkelige verden. Ideelt set ville en prognosemager skifte mellem Box-Jenkins og eksponentielle udjævningsmodeller, afhængigt af dataenes egenskaber, hvilket er præcis, hvad prognosemodulets automatiske valg er designet til at gøre. Box-Jenkins og Exponential Smoothing adskiller sig ved, at de er baseret på autokorrelationer (stabile datasæt) snarere end et strukturelt syn på niveau, trend og sæsonudsving. Box-Jenkins-modeller har en tendens til at klare sig bedre end eksponentielle udjævningsmodeller for længere, mere stabile datasæt og ikke så godt for mere støjende, mere flygtige data.

Hvordan forudsiger din virksomhed dine produkter? Du er velkommen til at kontakte os for at se, om vores prognosesoftware kan hjælpe din organisation.

Related Posts
januar 22, 2025
3 min read
Oplev, hvordan AGR, en førende leverandør af lagerstyringssoftware, revolutionerede driften af forsyningskæden i 2024. Vores tilbageblik fremhæver vigtige innovationer, herunder lageroptimering på flere lokationer, avancerede prognoser og automatiseret ordreplanlægning. Lær, hvordan disse udviklinger forenkler komplekse processer, reducerer spild og gør det muligt for grossister og detailhandlere at træffe smartere beslutninger.

By