Optimer din supply chain
Virksomheder er typisk afhængige af et globalt netværk af leverandører for at imødekomme deres kunders behov. Derfor er lange leveringstider, på op til flere måneder, normen for virksomheder i denne sektor.
Når vi taler med folk om lagerstyring, fortæller de os ved Slimstock altid, at vanskeligheden ligger i at foregribe fremtidig efterspørgsel. Derfor kan dette ofte føre til, at den forkerte bestand holdes på det forkerte sted i den forkerte mængde. Det er derfor vigtigt, at virksomheder tager tid til at sikre, at deres forecast er så nøjagtig som muligt.
Reducere fejlmargenen
Det første trin for at opnå større forventet nøjagtighed er, at vælge den rigtige forecast metode. For mange virksomheder kan dette være en umulig opgave, da ingen forecasts ser ud til at give det rigtige svar. Og de har ret: ingen forecast vil nogensinde være helt korrekte. Udfordringen for virksomhederne er dog at minimere denne fejlmargin.
På den ene side kan dette opnås ved hjælp af forecast teknologi. Alternativt kan fejlmargenen reduceres ved, at samarbejde med kunder og forbedre måden, hvorpå information deles. Førstnævnte kræver en kombination af software og viden, mens den senere også kræver korrekt input af data.
Denne artikel fremhæver 6 trin, du kan tage for at øge nøjagtigheden af dine forecast, øge synligheden over dit sortiment og i sidste ende bedre placere virksomheden til at imødekomme dine kunders behov.
1. Vedtage den korrekte forecast metode
Det er langt fra let at vide, hvilken der er den bedste forecast metode, især når du tager højde for alle de tilgængelige metoder der findes. Det første trin til at vælge den rigtige metode er imidlertid, at bestemme efterspørgselsmønsteret.
I det væsentlige er der fem forskellige typer af efterspørgselsmønstre: flad, trend, sæsonbestemt, sæsonbestemt med en trend og uregelmæssig. Når mønsteret er kendt, kan du anvende en passende metode. Selvom der er mange metoder, der kan anvendes, skal der skabes en balance mellem at sikre, at metoderne er både brugervenlige og nøjagtige. Hvis en metode i sidste ende, kan lave en forecast med 1% mere nøjagtighed, men hverken er transparent eller kan kopieres, uden at have den nødvendige viden, så er den ikke til meget nytte, da det kræver en masse andre ressourcer fra virksomheden.
Før man beslutter, hvilke forecasts der skal anvendes, skal kravene i prognosen dog overvejes nøje. En god måde at støtte denne vurdering er ved, at udføre en porteføljeanalyse, der undersøger både lagerførte og ikke-lagerførte varer. For eksempel vil en simpel ABC / XYZ-analyse indikere, hvilke produkter der virkelig er essentielle i sortimentet. For A-poster skal forecast metoden give et højt nøjagtighedsniveau. For C-poster kan en enklere metode eller endda et godt estimat være tilstrækkeligt.
2. Hvad der forårsager forecasts fejl
Når den passende metode er valgt, forbliver problemet, om denne metode fortsat vil være det mest nøjagtige valg i fremtiden. Virksomheder skal spørge sig selv følgende: ”Hvornår vil fejlmargenen blive for stor?” I praksis er dette normalt, når fejlen er så stor, at det har en negativ indvirkning på serviceniveauet. Teoretisk set kan dette oversættes til en absolut fejlmargin, hvorved den forventede fejl er større end 0,8 gange efterspørgselsafvigelsen. Efterspørgselsafvigelse er variationen mellem den faktiske efterspørgsel og den gennemsnitlig efterspørgsel. I statistikker kaldes dette standardafvigelsen.
3. Hold dig opdateret med produktlivscykler
Hvis forecast fejlen er for stor, kan dette antyde, at den anvendte metode ikke er den rigtige. Som nævnt tidligere er det vigtigt, at forecast metoden stemmer overens med efterspørgselsmønsteret.
En af hovedårsagerne til, at forecast metoden er blevet ukorrekt i eksemplet ovenfor, er, at det underliggende efterspørgselsmønster er ændret. I figur 1 blev en flad forecast metode anvendt, men i løbet af overvågningsperioden er efterspørgslen blevet et trendmønster. Selvom nogle forecast teknikker vil afhente dette, er det i mange tilfælde på dette tidspunkt sandsynligvis allerede for sent.
Hovedårsagen til dette er, at den krævede metode afhænger af den fase af den livscyklus, som artiklen er i. For eksempel vil en ny vare kræve en trendmetode, en moden vare kræver en flad eller sæsonbestemt forecast metode osv.
4. Tæmning af bullwhip effekten
Den anden grund til, at den forventede fejl i dette tilfælde er for stor, skyldes, at det samlede efterspørgselsmønster ikke repræsenterer kundens faktiske efterspørgselsmønster. Dette fænomen henviser til Forrester- eller bullwhip-effekten og kan resultere i store afvigelser i efterspørgslen, som ikke repræsenterer eller er i overensstemmelse med det faktiske kundebehov. Det er kunstige defekter, og dette mønster er meget sværere at opdage og meget vanskeligt at gendanne. Det er her vi skal samarbejde med kunder og dele efterspørgselsdata.
5. Reagere på forandring
For at minimere virkningerne af overdrevent høje forecast fejl, har vi brug for en smart og hurtig detektionsmetode, der kan identificere en ændring i efterspørgselsmønsteret. Til dette kan sporingssignalet bruges. Dette signal beregner blot, om din forecast fejl stiger. Når dette tal bevæger sig fra 0 til enten et negativt eller positivt tal, indikerer det, at prognosen er strukturelt for høj eller for lav.
6 . At forstå det "ægte" efterspørgselsmønster
Det er også vigtigt at efterspørgselsmønsteret analyseres effektivt. En effektiv metode til at gøre dette er efterspørgselssammensætningen. Her nedbryder vi de samlede data og udforsker mønsteret på kundeniveau. Dette kan bruges til at angive antallet af kunder pr. artikel, der giver os mulighed for at se, hvilken fase af livscyklussen et produkt er i, men også hvilke kunder der er de øverste kunder for et specifikt produkt. Ved at forstå det specifikke efterspørgselsmønster for hver kunde, såvel som at forstå elementets position i livscyklussen, kan du begynde at stabilisere efterspørgselsmønsteret og fjerne eventuelle kunstige defekter.
At forstå fasen i produktlivscyklussen, hvor produktet er vigtigt for at bestemme den passende forecast metode, samtidig med at man forstår det specifikke behovsmønster for hver kunde. Dette kan igen hjælpe med at stabilisere efterspørgselsmønsteret og fjerne kunstige defekter.
Få en gratis e-bog om lageroptimering
I over 20 år er Paul Durlinger blevet anerkendt som ekspert indenfor 'Inventory Management'. Gennem sit arbejde på forskellige universiteter, hvor han blandt andet har været lektor i Productions and Inventory Management, har Paul Durlinger også rådgivet et stort antal af virksomheder, samt været forfatter til en lang række af bøger. En af bøgerne kan du få helt gratis lige her!
