Prognose af efterspørgslen: Cheat Sheet til at hjælpe dig med at transformere din virksomhed

Hvad er fordelene ved efterspørgselsprognoser?

Hvis du har brug for flere beviser på fordelene ved efterspørgselsprognoser, kan du se nedenfor. Der er masser af fordele, og de er ikke begrænset til

beregninger af bundlinjen eller blot til at holde sig i live. Ikke at det ikke er grund nok til at tage dine efterspørgselsprognoser alvorligt.

1) Bedre forvaltning af lagerbeholdningen

Jo mere præcise dine efterspørgselsprognoser er, jo bedre kan du styre dine lagerniveauer . Det betyder større effektivitet, mindre spild, lavere omkostninger og større overskud.

2) Forbedret produktionsplanlægning

En god efterspørgselsplanlægning kan øge din evne til at tilpasse produktionen til efterspørgslen betydeligt. På den måde får du bedre mulighed for at styre tid og ressourcer og minimere spild yderligere.

3) Sammenhængende planlægning

Synger alle dine hold efter samme sangskema? Ved at give et samlet billede af den fremtidige efterspørgsel kan du sikre, at dine salgs-, marketing-, finans- og driftsteams alle arbejder ud fra de samme tal.

4) Forbedret styring af forsyningskæden

Det er svært at træffe gode supply chain management beslutninger om, hvilke materialer du har brug for, hvilke leverandører du samarbejder med, og endda hvor du skal investere din tid, hvis du ikke har et klart billede af, hvor din virksomhed er på vej hen. En god efterspørgselsprognose vil give dit team den klarhed og retning, de har brug for til at træffe de bedste foranstaltninger i forsyningskæden.

5) Styrk din finansielle stilling

Jo bedre dine efterspørgselsprognoser er, jo bedre er din evne til at forudse cashflow, indtægter og din generelle finansielle sundhed. Noget, som bør være musik i dine finansfolks ører!

6) Større bevidsthed om risici og muligheder

Blindt held bringer dig kun et vist stykke vej. Hvis du ved, hvornår du skal holde dig fast, og hvornår du skal dreje, bliver det lettere og mere frugtbart at gå ind i nye muligheder.

Det vil også hjælpe dig med at fremhæve risici tidligere end andre virksomheder, hvilket giver dig en konstant fordel i forhold til dine konkurrenter.

7) Frigør muligheder for løbende optimering

Med den rette indsigt bliver det også lettere at fastsætte meningsfulde KPI’er. Og endnu vigtigere: Du får en dybere indsigt i de håndtag, du kan trække i for at nå dine forretningsmål.

8) Giv dine medarbejdere mulighed for at arbejde

Endelig er der ingen af dine medarbejdere, som ikke kan forbedre deres succes med en bedre prognose. Det gælder også for interessenterne uden for perimeteren, f.eks. kunder og leverandører.

Jo større gennemsigtighed du har, jo mere vil du træffe informerede beslutninger, reducere omkostningerne og forbedre effektiviteten, hvilket kun kan resultere i bedre overskud.

Prognose af efterspørgselsprocessen

Forhåbentlig er du helt overbevist om fordelene ved efterspørgselsprognoser. Men nu er det tid til at tage det til næste niveau. I det næste afsnit vil vi undersøge, hvordan du kan optimere din tilgang til efterspørgselsprognoser.

Som med mange andre ting i forsyningskæden er det bedste sted at starte at implementere den rigtige proces. Men for at skabe en problemfri og vellykket efterspørgselsprognoseproces skal du overveje følgende trin:

1) Definer dit mål

Hvad er formålet med din prognose?

Vil den blive brugt til finansiel planlægning? Forvaltning af lagerbeholdninger? Salgsplanlægning? Markedsføringsaktiviteter? Eller en kombination af alle de ovennævnte?

2) Tænk over, hvem der skal bruge prognosen

Din administrerende direktør, uanset om det er dig eller en anden, har brug for andre detaljeringsgrader i prognosen end dit planlægningsteam.

CEO’er har i sagens natur brug for indsigt på højt niveau. De har brug for analyser af de store linjer for at kunne træffe beslutninger om forretningen for de næste 12-18 måneder. Det betyder, at de har brug for en efterspørgselsprognose, der omfatter en bredere gruppe af produkter, forretningsafdelinger eller tidshorisonter.

Efterspørgselsplanlægningsteamet skal imidlertid analysere en prognose i mikroskopisk detalje. De har brug for tilstrækkelige oplysninger til at træffe kortsigtede beslutninger om genopfyldning, ordremængder og lagerallokering.

3) Definer karakteristika for din prognose

Når du ved, hvem der skal bruge din prognose, har du bedre mulighed for at definere den.

For at gøre det så nyttigt som muligt, skal du sørge for at se på:

• Tidslinjer 
• Prognosehierarki 
• Produkttyper
• De forskellige steder og salgskanaler, du skal planlægge
• Måleenheder, som f.eks. omsætning, volumen eller ordrestrækker.

4. Vælg det bedste prognosesystem for dig

Der er en række forskellige måder at forudsige efterspørgslen på. Vi vil se nærmere på dem alle senere, men tænk på følgende:

• Tilgængeligheden af data
• Planlægningshorisont
• Kompleksiteten af efterspørgslen
• Det nødvendige niveau af nøjagtighed
• Den viden, ekspertise og de ressourcer, du har til rådighed
• Den tid, der er nødvendig for at udarbejde prognosen

5. Indsaml alle de data, du kan

Når du har gennemført ovenstående trin, kan du tænke på data.

Uanset om du kigger internt (internt, ikke eksistentielt), eksternt eller fra markedet, så er du bedre rustet, jo flere data du har, jo bedre rustet er du. Men du skal også vide, hvilke data du skal tage hensyn til, og hvilke du skal ignorere.

Historisk salg, kundeadfærd, markedstendenser, sæsonudsving, leverandørprognoser og big data-kilder er alle nyttige. Men nogle er måske mere nyttige end andre.

Hvis du indsamler de rigtige data, er der større sandsynlighed for, at du får større overskud og slår dine konkurrenter.

Hvordan ser en god efterspørgselsprognose ud?

Den barske sandhed er, at prognoser i sagens natur i bedste fald er gætværk. Jo flere data man har, jo bedre er disse gæt naturligvis.

Men der er stadig et væld af faktorer, der kan ændre landskabet.

Hvis du undlader at fremhæve disse faktorer, vil de hurtigt forpurre din prognose for øjnene af dig selv.

Så hvordan forudser de bedste virksomheder i landet efterspørgslen? Hvordan vurderer de løbende, hvad deres kunder ønsker, og hvordan tilpasser de deres indsats til dette formål?

Her er et par gode råd:

1. Kontinuerlig validering afstærker efterspørgselsprognoseprocessen

Markedsindsigt kan tage statistiske prognoser baseret på historiske salgsdata og give dem en gave af fremsynethed. Lad os sige, at du sælger kontorudstyr og har solgt ud af bærbare computerstativer løbende i løbet af lockdown, betyder det så, at du vil fortsætte med det nu?

Eller betyder det faktum, at folk vender tilbage til arbejdslivet, at salget vil falde?

Historiske salgsdata kan give dig et øjebliksbillede, men som oftest er det ikke det fulde billede. De mest succesfulde virksomheder underbygger deres prognoser med indsigt fra markedet.

På den måde indfører de en valideringsproces. Hvis det gøres rigtigt, vil dette involvere forskellige teams og være en konsensus om bedste praksis.

2) Det er forståeligt og let at forklare

En efterspørgselsprognose bør ikke være så kompleks, at ingen forstår den. Tværtimod. Den skal være let at forstå for alle interessenter.

Desuden skal den kunne forklares. Let at forklare. Både indsigten i den og de ønskede handlinger, der følger af den.

3. Den skal kunne registreres og måles

Hvis du undlader at registrere nøjagtigheden (eller snarere fejlen) af din efterspørgselsprognose, vil du aldrig vide, om du var 0,5 % eller 50 % forkert på den.

Og det er vigtigt: 0,5 % er en vild succes. 50 % er en total fiasko.

Hvis du ved, hvilken du var tættere på, vil det være en hjælp, næste gang du skal oprette en. Hvilket snart skulle være tilfældet.

Jo mere du måler din prognose, jo bedre vil du være i stand til at justere den og foretage ændringer.

Fejl, som du ikke ved, du begår, vil blive gentaget igen og igen.

4. Hver efterspørgselsprognose bør have en ejer

Alle prognoser, du opretter, skal have en ejer. En person, der er ansvarlig for dens succes og nøjagtighed. Uden en ejer er der større sandsynlighed for, at den falder til jorden i stedet for at skabe en konkurrencefordel.

Husk, at de beslutninger, du træffer på baggrund af denne prognose, kan være forskellen mellem succes og fiasko.

Hvis det er dig, der træffer disse beslutninger, vil du tage det endelige ansvar, hvis de er forkerte.

Sådan opbygger du din egen efterspørgselsprognose

Der er mange forskellige modeller, som du kan overveje, når du overvejer at udforme din egen efterspørgselsprognose. Der er naturligvis fordele og ulemper ved hver model. I nogle tilfælde kan en kombination af dem give dig de bedste resultater.

I det næste afsnit vil vi undersøge nogle af de mest almindelige metoder til efterspørgselsprognoser.

Hvilke modeller til efterspørgselsprognoser skal du anvende?

1. Analyse af tidsserier

Hvad kan salget fra de sidste 12 måneder forudsige for det kommende år? Det er forudsætningen for tidsserieanalysen.

Dette er en af de mest almindelige metoder til statistisk efterspørgselsprognose, og det er derfor praktisk at få styr på den.

Den leder efter mønstre i data, som kan gentages i fremtiden. Det giver dig også mulighed for at se, hvad der kan have påvirket disse mønstre og gøre prognoserne mere præcise.

Der er også mere end én type model i denne analysefunktion. Der findes modeller med glidende gennemsnit, eksponentiel udjævning og ARIMA-modeller (autoregressive integrerede glidende gennemsnit).

Hver model anvender en anden metode til at analysere sine data. Du bør være meget opmærksom på, hvilken model du har brug for, for at øge dens potentielle succes.

2. Bedømmelsesbaseret efterspørgselsprognose

Hvor sandsynligt er det, at medarbejderne i din virksomhed kan lave gode forudsigelser om den fremtidige efterspørgsel? Svaret på dette spørgsmål afhænger af styrken af deres evner og varierer fra virksomhed til virksomhed, fra team til team og endda fra person til person.

En af de største udfordringer ved effektiv efterspørgselsprognose er, at dataene kun kan fortælle dig så meget.

Hvis du er en ny virksomhed, eller hvis du lancerer et nyt produkt på et nyt marked, er der næsten helt sikkert mangel på data, som du kan stole på. Det ville gøre vurderingsbaserede prognoser værd at overveje.

Det samme kan siges om markeder med et højt niveau af forstyrrelser, da maskinlæring og statistisk modellering på ukendte områder kun har begrænset kapacitet.

Hvis din tilgang til efterspørgselsprognoser sikrer, at du aktivt indsamler markedsindsigt, vil du være bedre informeret og derfor have større chance for at lave en præcis prognose.

For at give dig selv de bedste muligheder for at få succes med vurderingsbaseret modellering skal du undersøge en lang række områder. Det vil sandsynligvis omfatte markedsundersøgelser, konkurrentanalyser, samtaler med kunder, dit salgsteam og endda eksterne markedseksperter.

Hvis du overvejer denne tilgang, kan det hjælpe dig med at analysere faktorer, som andre modeller ikke opfanger.

Men som med alle andre modeller er der også ulemper, der skal tages i betragtning.

Er de personer, der foretager disse vurderinger, helt upartiske? Træffer de beslutninger udelukkende på grundlag af data eller med fordomme på grund af deres egne følelser for produkter eller markeder?

Kan du på samme måde gentage denne proces? Det er ofte meget vanskeligt at producere de samme tal med forskellige interessenter, hvilket gør det svært at gentage vurderingsbaserede prognoser på lang sigt.

3. Analyse af årsagssammenhænge

Kausalanalyse identificerer de årsagssammenhænge, der påvirker efterspørgslen. Det indebærer analyse af data for at vise, hvordan ændringer som f.eks. priser, kampagner eller økonomiske indikatorer kan ændre efterspørgslen.

Kausalanalyse kan bruges til at udarbejde både kortsigtede og langsigtede prognoser og indebærer ofte brug af eksperimenter til at teste årsagssammenhængen mellem variabler.

4. Regressionsanalyse

Regressionsanalyse undersøger sammenhængen mellem efterspørgsel og flere andre variabler. Uanset om det er pris, markedsandel, miljø- eller markedsforhold.

Denne type analyse giver dig mulighed for at vurdere, hvordan en ændring af en af variablerne kan påvirke efterspørgslen. Og derfor optimere dem. Hvilket vil hjælpe din planlægning af forsyningskæden.

Hvad er forskellen mellem kausalanalyse og regressionsanalyse?

En væsentlig forskel mellem kausalanalyse og regressionsanalyse er, at kausalanalyse har tendens til at fokusere på specifikke variabler, mens regressionsanalyse har en mere omfattende tilgang og tager hensyn til flere variabler.

En anden forskel er, at kausalanalyse ofte indebærer eksperimenter med henblik på afprøvning. Regressionsanalyser er typisk baseret på historiske data og statistisk modellering.

5. Maskinlæring

Kapaciteten af maskinlæring og AI er ret imponerende. Ved at bruge disse avancerede teknikker til at analysere tidligere data og træffe informerede beslutninger om fremtidig efterspørgsel kan du spare tid og penge.

Hvis du giver historiske data til en platform til maskinlæring, kan du uddrage mønstre og gøre det meget lettere at vurdere den fremtidige efterspørgsel. Især hvor mere traditionelle metoder måske ikke er tilstrækkeligt effektive.

Hvis du arbejder i en branche, hvor industrien ændrer sig hurtigt og uden varsel, kan det være utroligt nyttigt at understøtte din prognose med maskinlæring. AI defineres som sådan, fordi den fortsætter med at lære.

I teorien burde din prognose med maskinlæring derfor blive mere præcis med tiden.

Der er naturligvis visse faldgruber. Hvis man ikke har nok data at analysere, kan det resultere i en begrænset prognose. Hvis man i for høj grad baserer sig på data, der er ufuldstændige eller upræcise, kan det føre til fiasko.

Hvordan kan du forbedre nøjagtigheden af dine efterspørgselsprognoser?

Hvis du vælger den bedste prognosemodel til dig, kan du gøre dem mere præcise og dermed hjælpe dig med at træffe solide og velinformerede forretningsbeslutninger.

Men selv da er der skridt, du kan tage for at få en rig indsigt og skabe større klarhed i din virksomhed.

Vores næste afsnit vil fokusere på, hvordan du kan forbedre dine efterspørgselsprognoser yderligere.

Aggregering vs. disaggregering

Fremkomsten af data og brugen af dem i erhvervslivet er enorm. Men som enhver datalog vil fortælle dig, er det to meget forskellige ting at have data og bruge dem.

Vi taler ofte om vigtigheden af at have specifikke lagerstrategier for hver enkelt SKU. Det er forståeligt, at du måske tænker, at den samme tankegang også kan hjælpe dig med at lave prognoser.

Men det er ikke altid tilfældet.

Nedenstående graf forklarer, hvorfor aggregering kan hjælpe dig med din prognose.

 

Grunden til, at aggregering kan hjælpe dig med at forbedre din prognosemodel for efterspørgslen, er på grund af styrken i større datasæt. Loven om store tal dikterer, at jo større din stikprøve er, jo mere repræsentativ er den for den bredere population.

Salgsdata fra en landsby kan aldrig bruges til at sammenligne et helt land. Men hvis man tager de samme data fra 5 byer i landet, er der langt større sandsynlighed for, at der er en sammenhæng.

Hvis du finder flere datapunkter, vil du fjerne støjen fra anomalier. Det betyder, at du finder flere mønstre og en større evne til at tage højde for variabler.

Forestil dig også, at du skal forudsige efterspørgslen efter en SKU, der for nylig er blevet lanceret. Det er usandsynligt, at du har et komplet datasæt. Men hvis du aggregerer prognosen fra kategoriniveauet, vil du sandsynligvis få en bedre idé om, hvordan efterspørgslen vil udvikle sig for den pågældende SKU.

Her er et par almindelige eksempler på, hvordan du kan samle dine efterspørgselsplaner:

 

 

En stor fordel ved at bruge aggregering er, at dine data er mindre tilbøjelige til at blive påvirket af enkeltstående uregelmæssigheder.

Men hvis du ikke er opmærksom på outliers, der normalt skiller sig ud, kan du gå glip af vigtige data, der kan påvirke din virksomhed.

Hvis du beslutter dig for at bruge aggregering fra sag til sag, går du ikke langt fra det forkerte sted.

Hvordan kan opsplitning hjælpe dig?

Selvfølgelig kan det være meget nyttigt at samle data. Men du har stadig brug for indsigt på granulært niveau for at forstå efterspørgselsmønstrene for hvert enkelt produkt.

Typisk henviser det laveste granularitetsniveau i efterspørgselsprognoser til en opdeling af efterspørgselsprognosen efter SKU-placeringskombination eller endda efter kunde.

Førstnævnte kan hjælpe dig med at optimere din allokering og genopfyldning for at sikre, at du kan imødekomme den forventede efterspørgsel med et minimalt lagerniveau.

Sidstnævnte kan hjælpe dig med at identificere, hvilke kunder der er mest rentable, hvilke der har vækstpotentiale, og hvilke der kun tegner sig for en lille del af den forventede efterspørgsel.

Og hvorfor skulle du bekymre dig om dette? Denne uvurderlige indsigt vil hjælpe dig med at sikre, at du investerer din tid, dine penge og din energi i de områder af din virksomhed eller dine kunder, der giver mest værdi.

Hvordan kan “tidsspande” skabe mere pålidelige og robuste efterspørgselsprognoser?

En anden metode til at samle dine efterspørgselsprognoser er efter tid.

Månedlige prognoser er som regel mere pålidelige end daglige eller ugentlige prognoser. Grunden til dette er, at de har tendens til at være langt mindre volatile. Der kan godt være forskelle fra uge til uge eller endog fra dag til dag i forhold til, hvor mange produkter der sælges, men i løbet af en måned udjævnes disse forskelle.

Her er et par grunde til, at efterspørgselsprognoser i månedlige spande er mere pålidelige:

1. Månedlige prognoser med en større spand absorberer bedre kundernes volatilitet.

Hvis en person normalt bestiller hos dig i den første uge i måneden, men så bestiller i den anden uge, vil det forstyrre dine data massivt, hvis du modellerer dem på ugebasis.

På månedlig basis vil denne afvigelse blive absorberet, og dine data vil være lige så nyttige.

2. Månedlige prognoser kan være mere effektive

Det kan være langt mere tidskrævende og ressourcekrævende at udarbejde ugentlige prognoser end at udarbejde månedlige prognoser.

Med månedlige prognoser skal du måske indsamle og analysere data én gang om måneden, mens du med ugentlige prognoser måske skal gentage processen fire eller fem gange om måneden, afhængigt af antallet af uger i måneden.

3. Månedlige tidsrammer håndterer sæsonudsving bedre.

Alle virksomheder har langsomme uger. Forestil dig, at du befinder dig på et marked, hvor der er lavkonjunktur i forbindelse med julen, det kinesiske nytår eller måske endda i sommersæsonen.

I ugentlige prognosemodeller kan disse rolige uger give uregelmæssigheder, som har større indflydelse på din efterspørgselsprognose. Følgelig ender du med en langt mere nervøs prognose. Dette er igen langt vanskeligere at planlægge ud fra.

Er der nogen brug for ugentlige efterspørgselsprognoser?

Ja, det er der. Men du skal vide, hvornår og hvordan du bruger den effektivt.

Ugentlige prognoser kræver en større indsats end månedlige, men hvis der opstår mønstre, der dikterer uregelmæssige, men gentagne salgsaktiviteter afhængigt af ugen i måneden, er det værd at overveje det.

Her er et godt eksempel

Som du kan se på dette billede, kommer 60 % af salget i den første uge i måneden.

Ved at bruge data, der viser resultater som dette i en ugentlig prognosemodel, vil du sandsynligvis være mere lydhør og kan tage mere proaktive skridt til at tilpasse udbud og efterspørgsel bedre… Det betyder, at du kan optimere lagerniveauet, forbedre indtægtsstyringen og dermed overskuddet.

Lige så vigtige anvendelser af ugentlige prognosemodeller kan være, hvis du har en kunde, der også bruger en ugentlig model. En øget forbindelse mellem dig og dem kan være uvurderlig for at øge nøjagtigheden og tilpasse begge virksomheders indsats.

Hvordan kan Slim4 hjælpe dig med at forudsige efterspørgslen med sikkerhed?

Der er mange oplysninger i denne artikel, som forhåbentlig vil være til stor hjælp i din efterspørgselsprognose. Men der er meget at tage hensyn til. Og det er her, at Slimstock og Slim4 virkelig kan hjælpe.

Synes du, at regneark er begrænsende?

Forsøger du at forudse efterspørgslen på hundredvis eller tusindvis af SKU’er?

Forsøger du at planlægge flere efterspørgselsstrømme og har kun et lille team til at hjælpe dig?

Slim4-motoren kan hjælpe dig.

Find ud af hvordan, ved at klikke her.

Ofte stillede spørgsmål

Hvad er efterspørgselsprognoser?

Efterspørgselsprognoser er den proces, som mange virksomheder bruger til at vurdere den fremtidige efterspørgsel efter et produkt eller en kategori. Ved at forudse kundernes behov præcist kan efterspørgselsprognoser hjælpe dig med at optimere drift, produktion og forsyningskædeaktiviteter.