14.07.2016  |  Lager & distribution

Indspark: Pragmatiske og simple forecasting teknikker giver overraskende høj effekt

Indhold fra partner Hvad er dette?

Erfaring viser, at simple forecasting teknikker kombineret med en holistisk og pragmatisk tilgang ofte giver bedre forecast performance end mere avancerede og komplekse forecasting teknikker og løsninger. Dette er første artikel i en serie på tre artikler.

Der findes massive omkostningsbesparelser for virksomheder i optimering af processen og teknikkerne til fastsættelse af et forecast, som anvendes i den efterfølgende planlægning. Dette ses ofte i form af lavere lagerbindinger, mindre ukurans, færre hasteordrer m.m. kombineret med bedre servicegrader, som kan øge salget.

Dog ses det ofte, at det, som giver mest værdi for pengene, ikke nødvendigvis er i fokus. I stedet ses typisk en kombination af følgende tendenser hos virksomheder:

  • Der bliver anvendt for megen tid på teknik (f.eks. alfa/beta/gamma finjusteringer), mikrojusteringer, og ustrukturerede manuelle overskrivninger som ikke giver synlige resultater for den samlede omkostningsbase eller servicegraderne.
  • En opfattelse af at mere avancerede metoder giver langt bedre forecast-performance.
  • En manglende statistisk forståelse for hvad som reelt kan forudsiges, og hvad som blot er tilfældigheder (random walks).
  • Forecast-modeller eksekveres på uhensigtsmæssige zoom (aggregering) niveauer, som enten gør det umuligt at forecaste eller også vanskeligt for den efterfølgende planlægning.
  • Statistisk sofistikerede modeller som ”over-fitter” historikken og skaber illusionen af, at mere avancerede modeller giver bedre performance.
  • En sporadisk og ustruktureret håndtering af fremtidige promotion-indsatser samt øvrige manuelle salgsinput.
  • Ineffektive processer til at koble it-systemer med den intelligente markedsinformation, som er unik for hver branche og virksomhed.
  • Ineffektive forecasting-processer, hvor størstedelen af arbejdet bliver anvendt på dataindsamling, dataudtræk, datamanipulation samt dataintegration (som bør være automatiseret) – i stedet for håndtering af f.eks. afvigelserne, stokastiske markedsskift, produktintroduktioner / -udfasninger og specifikke action-orienterede analyser / advarsler.

Hvorfor er forecast-processen oftest overkompliceret eller rammer de forkerte niveauer?
Først og fremmest kræver forecasting og planlægning detaljeret viden om kvantitative metoder, avancerede datastrukturer igennem forsyningskæden, supply chain processer, it-løsninger samt erfaring med menneskelige processer – et meget bredt kompetencefelt som skal bringes sammen.

Samtidig skal forskellige organisatoriske funktioner (specielt salg og marketing) involveres på de rigtige tidspunkter og i en struktureret takt for at skabe det mest præcise forecast.

Læs også: Fra forecasting til nowcasting med big data

Derudover findes et massivt gap imellem teori og praksis indenfor forecasting - teoretisk antages det ofte, at efterspørgselsmønstre er forudsigelige og stationære med begrænset dynamik i markedet. Virkeligheden er ofte direkte modsat. Samtidig har virksomheder ikke altid en tilstrækkelig nødvendig viden om de anvendte modeller.

Det medfører, at virksomheder ikke rammer rigtigt i forhold til proces, metode og teknikanvendelse, da designet mangler helhedsperspektivet, som sammenkobler de forskellige perspektiver, funktioner og vidensområder på en intuitiv og simpel måde.

Simple teknikker er ligeså effektive som avancerede
I forecasting kredse er der blevet afholdt de såkaldte meget omfattende M1, M2 og M3 konkurrencer. I konkurrencerne blev førende professorer og it-værktøjer udsat for forskellige tidsserier for at teste hvilke konkrete forecasting-teknikker og -metoder, som gav den bedste performance.

Den primære konklusion på tværs af samtlige konkurrencer har været, at simple forecasting-teknikker som exponential smoothing giver samme og i en del tilfælde bedre performance end mere statistisk sofistikerede modeller som ARIMAX, ARARMA, neurale netværk etc. Specielt har simple teknikker udviklet i industrien vist sig at generere den laveste sMAPE (målenhed for forecast performance). Brown’s Single Exponential Smoothing og Gardner’s Dampen Trend Exponential Smoothing er eksempler på dette.

Teori er én ting – praksis er noget andet
Teoretisk set er der egentligt meget fornuft i ARIMAX-modeller, da man matematisk og statistisk kan modellere og inkorporere det, som man kalder explanatory variables (forklarende data for det man forecaster) – X’et i ARIMAX – hvor man via 0-1 markeringer i historikken kan ”fitte” forecast til historikken baseret på eksempelvis vejrændringer, facebook opdateringer, promotion etc. Tilgangen er en multipel lineær regression kombineret med en ARIMA model. Men teori er én ting, i praksis forholder det sig en smule anerledes.

Udfordringerne med metoden er flere, men nedenstående er de vigtigste:

  1. Der er strenge krav til stationaritet, ingen multi-kollinaritet, antallet af historiske datapunkter (+40 måneders historik for månedsdata), krav om en relativ stabil ACF (auto-correlation function) således at estimeringen af gennemsnit og varians er korrekt.
  2. Metoderne er ikke intuitive som exponential smoothing, da det kræver en hel del statistisk viden om t-test, p-værdier, ACF/PACF plots, auto-correlation, portmanteau tests, multi-kollinaritet og regressionsmodeller etc.
  3. Metoderne er ikke særlig robuste, da man risikerer at ekstrapolere trends og øvrige tidsseriemønstre fremadrettet, som ikke nødvendigvis vil være tilstede. Én af de primære årsager til forecast-performance i konkurrencerne viser, at simple metoder giver mindst ligeså god forecast-performance.
  4. Dynamikken i markedet er ofte så udtalt (og stigende i fremtiden) med stokastiske cyklus og trend skift, at det ikke er muligt at forudsige dette.
  5. Derudover kan der være mange – måske for mange – parametre, som afgør et reelt salg. Eksempelvis konkurrerende virksomheders promotionindsats, kanaliseringer af produkter etc., som gør det praktisk umuligt at modellere dette i en ARIMAX model – indsats og resultater hænger ganske enkelt ikke sammen.

Læs også: Fremtidens industriarbejder er halvt maskine

Det gode spørgsmål i lyset af denne viden er naturligvis – hvilke principper bør man følge for at skabe markante resultater indenfor forecasting? Det fokuserer vi på i næste artikel.

  SCM.dk anvender cookies, som vi bruger til at huske dine indstillinger og statistik m.m. Når du fortsætter med at bruge websitet accepterer vores nye cookie- og persondatapolitik. Læs mere