Foaia de consultații pentru prognoza cererii sau demand forecasting

Cum arată o prognoză bună a cererii?

Adevărul crud este că previziunile, prin însăși natura lor, sunt, în cel mai bun caz, presupuneri. Firește, cu cât aveți mai multe date, cu atât mai bune sunt aceste presupuneri.

Dar există încă o abundență de factori care pot schimba peisajul.

Dacă nu reușiți să evidențiați acești factori, aceștia vă vor zădărnici rapid previziunile în fața ochilor dumneavoastră.

Deci, cum previzionează cele mai bune afaceri din țară cererea? Cum evaluează continuu ceea ce își doresc clienții și cum își aliniază eforturile în acest sens?

Iată câteva indicații:

 

1. Validarea continuă desprinde procesul de prognoză a cererii

Perspectivele de piață pot lua previziunile statistice bazate pe datele istorice de vânzări și le pot oferi darul previziunii. Să zicem că vindeți echipamente de birou și ați vândut în mod continuu standuri pentru laptopuri în timpul închiderii, înseamnă asta că veți continua să o faceți și acum?

Sau faptul că oamenii se întorc la viața de birou înseamnă că vânzările vor încetini?

Datele istorice privind vânzările vă pot oferi o imagine de ansamblu, dar, de cele mai multe ori, nu reprezintă o imagine completă. Cele mai de succes companii își fundamentează previziunile cu informații de pe piață.

În acest fel, ei insuflă un proces de validare. Realizat corect, acesta va implica diverse echipe și va fi un consens al celor mai bune practici.

2. Este de înțeles și ușor de explicat

O prognoză a cererii nu ar trebui să fie atât de complexă încât să nu fie înțeleasă de nimeni. Dimpotrivă. Ar trebui să fie ușor de înțeles de către oricare dintre părțile interesate.

În plus, trebuie să fie explicabil. Ușor de explicat. Atât intuițiile din cadrul acesteia, cât și acțiunile dorite care decurg din ea.

3. Ar trebui să poată fi înregistrat și măsurat

Dacă nu înregistrați acuratețea (sau, mai degrabă, eroarea) previziunilor privind cererea, nu veți ști niciodată dacă ați greșit cu 0,5% sau 50%.

Iar acest lucru este important: 0,5 % este un succes nebunesc. 50% este un eșec total.

Faptul că știți de care ați fost mai aproape vă va ajuta data viitoare când va trebui să creați unul. Ceea ce ar trebui să se întâmple în curând.

Cu cât vă măsurați mai mult previziunile, cu atât mai bine veți putea să le ajustați și să le modificați.

Erorile pe care nu știți că le faceți se vor repeta la nesfârșit.

4. Fiecare prognoză a cererii trebuie să aibă un proprietar

Fiecare prognoză pe care o creați trebuie să aibă un proprietar. Cineva care este responsabil pentru succesul și acuratețea acesteia. Fără un proprietar, este mult mai probabil să cadă în dizgrație decât să creeze un avantaj competitiv.

Nu uitați că deciziile pe care le luați pe baza acestor previziuni ar putea face diferența dintre succes și eșec.

Dacă tu ești cel care ia aceste decizii, îți vei asuma responsabilitatea finală dacă acestea sunt greșite.

Cum să vă construiți propria prognoză a cererii

Există multe modele diferite pe care le puteți lua în considerare atunci când vă gândiți să vă proiectați propria prognoză a cererii. Bineînțeles, fiecare dintre ele are avantaje și dezavantaje. În unele cazuri, combinarea lor vă poate oferi cele mai bune rezultate.

În secțiunea următoare, vom explora unele dintre cele mai comune abordări de prognoză a cererii.

Ce modele de prognoză a cererii ar trebui să aplicați?

 

1. Analiza seriilor temporale

Ce pot prezice vânzările din ultimele 12 luni pentru anul următor? Aceasta este premisa analizei seriilor temporale.

Fiind una dintre cele mai comune metode de previzionare statistică a cererii, aceasta este o metodă utilă pentru a vă familiariza cu ea.

Acesta caută modele în date care ar putea fi reproduse în viitor. De asemenea, vă permite să vedeți ce ar fi putut influența aceste modele și să faceți previziuni mai precise.

Există mai multe tipuri de modele și în această funcție de analiză. Există medii mobile, modele de netezire exponențială și modele de medie mobilă autoregresivă integrată (ARIMA).

Fiecare model utilizează o metodă diferită pentru a-și analiza datele. Ar trebui să acordați o atenție deosebită celei de care aveți nevoie, pentru a crește potențialul său de succes.

2. Previziunea cererii bazată pe aprecieri

Cât de probabil este ca oamenii din compania dumneavoastră să facă predicții bune cu privire la cererea viitoare? Răspunsul la această întrebare va depinde de puterea capacității lor și va fi diferit în funcție de companie, echipă sau chiar persoană.

Una dintre cele mai mari provocări în ceea ce privește prognoza eficientă a cererii este că datele nu vă pot spune prea multe.

Dacă sunteți o afacere nouă sau dacă lansați un produs nou pe o piață nouă, este aproape sigur că există o lipsă de date pe care vă puteți baza. Acest lucru ar face ca previziunile bazate pe judecăți să merite să fie luate în considerare.

Același lucru se poate spune și despre piețele cu un nivel ridicat de perturbare, având în vedere capacitatea limitată a învățării automate și a modelării statistice în domenii necunoscute.

Dacă abordarea dvs. de previzionare a cererii asigură colectarea activă a informațiilor de pe piață, veți fi mai bine informați și, prin urmare, veți avea o șansă mai mare de a crea o prognoză exactă.

Pentru a vă oferi cele mai bune șanse de reușită în modelarea bazată pe judecată, va trebui să cercetați un număr mare de domenii. Aceasta ar include, probabil, studii de piață, analize ale concurenței, discuții cu clienții, cu echipa dvs. de vânzări și chiar cu experți externi ai pieței.

Această abordare vă poate ajuta să analizați factori care nu sunt luați în considerare de alte modele.

Dar, la fel ca în cazul oricărui alt model, există și dezavantaje de luat în considerare.

Sunt oamenii care fac aceste judecăți total imparțiale? Iau decizii bazate exclusiv pe date sau cu prejudecăți cauzate de propriile lor sentimente despre produse sau piețe?

În egală măsură, puteți repeta acest proces? Este adesea foarte dificil să se obțină aceleași cifre cu diferite părți interesate, ceea ce face ca previziunile bazate pe aprecieri să fie greu de reprodus pe termen lung.

3. Analiza cauzală

Analiza cauzală identifică relațiile cauză-efect care au un impact asupra cererii. Aceasta implică analiza datelor pentru a arăta cum schimbările, cum ar fi prețul, promoțiile sau indicatorii economici, pot modifica cererea.

Analiza cauzală poate fi utilizată pentru a face previziuni atât pe termen scurt, cât și pe termen lung și implică adesea utilizarea experimentelor pentru a testa relațiile cauzale dintre variabile.

4. Analiza de regresie

Analiza de regresie explorează legătura dintre cerere și mai multe alte variabile. Fie că este vorba de preț, de cota de piață, de condițiile de mediu sau de piață.

Acest tip de analiză vă permite să evaluați modul în care modificarea uneia dintre variabile ar putea influența cererea. Și, prin urmare, să le optimizați. Ceea ce vă va ajuta la planificarea lanțului de aprovizionare.

Care este diferența dintre analiza cauzală și analiza de regresie?

O diferență esențială între analiza cauzală și analiza de regresie este aceea că analiza cauzală tinde să se concentreze asupra unor variabile specifice, în timp ce analiza de regresie are o abordare mai cuprinzătoare și ia în considerare mai multe variabile.

O altă diferență constă în faptul că analiza cauzală implică adesea experimentarea în beneficiul testării. Analiza de regresie se bazează de obicei pe date istorice și pe modelare statistică.

5. Învățarea mecanică

Capacitățile machine learning și AI sunt destul de impresionante. Utilizarea acestor tehnici avansate pentru a analiza datele din trecut și pentru a lua decizii în cunoștință de cauză cu privire la cererea viitoare ar putea să vă economisească timp și bani.

Furnizarea de date istorice unei platforme de învățare automată poate scoate la iveală tipare și poate face mult mai ușoară estimarea cererii viitoare. Mai ales în cazul în care metodele mai tradiționale ar putea să nu fie suficiente.

Dacă lucrați într-o afacere în care industria se schimbă brusc și fără avertisment, ar putea fi extrem de utilă o previziune bazată pe învățarea automată. Inteligența artificială este definită ca atare deoarece continuă să învețe.

Astfel, în teorie, acuratețea previziunilor tale cu ajutorul învățării automate ar trebui să se îmbunătățească în timp.

Există, bineînțeles, și capcane. Lipsa de date suficiente pentru a le analiza poate duce la o prognoză limitată. Bazarea prea mare pe date incomplete sau inexacte poate duce la eșec.

Cum puteți îmbunătăți acuratețea previziunilor privind cererea?

Alegerea celui mai bun model de prognoză pentru dumneavoastră vă va ajuta să le faceți mai precise și, prin urmare, vă va ajuta să luați decizii de afaceri solide și informate.

Dar chiar și în acest caz, există măsuri pe care le puteți lua pentru a debloca informații bogate și pentru a aduce o mai mare claritate afacerii dumneavoastră.

Următoarea secțiune se va concentra pe modul în care vă puteți îmbunătăți și mai mult previziunile privind cererea.

Agregare vs. dezagregare

Creșterea numărului de date și utilizarea acestora în afaceri este monumentală. Dar, după cum vă va spune orice cercetător de date, a avea date și a le utiliza sunt două lucruri foarte diferite.

Vorbim adesea despre importanța de a avea strategii de stocare specifice pentru fiecare SKU. Este de înțeles atunci că vă puteți gândi că același mod de gândire v-ar putea ajuta și pe dumneavoastră să faceți previziuni.

Numai că nu este întotdeauna așa.

Graficul de mai jos explică de ce agregarea vă poate ajuta în previziunile dumneavoastră.

 

 

Motivul pentru care agregarea poate contribui la îmbunătățirea modelului de prognoză a cererii este puterea unor seturi de date mai mari. Legea numerelor mari dictează că, cu cât eșantionul este mai mare, cu atât este mai reprezentativ pentru o populație mai largă.

Datele privind vânzările dintr-un sat nu se vor raporta niciodată la o țară întreagă. Dar dacă se iau aceleași date din 5 orașe din țară, este mult mai probabil să existe o corelație.

Folosiți mai multe puncte de date și veți elimina zgomotul produs de anomalii. Asta înseamnă că veți găsi mai multe modele și o capacitate mai mare de a ține cont de variabile.

De asemenea, imaginați-vă că prognozați cererea pentru o SKU care a fost lansată recent. Este puțin probabil să dispuneți de un set complet de date. Cu toate acestea, dacă agregați previziunile de la nivelul categoriei, este posibil să obțineți o idee mai bună despre cum va evolua cererea pentru SKU în cauză.

Iată câteva exemple obișnuite de moduri în care vă puteți agrega planurile de cerere:

 

Un mare avantaj al utilizării agregării este faptul că este mai puțin probabil ca datele dvs. să fie influențate de nereguli singulare.

Pe de altă parte, însă, dacă nu acordați atenție valorilor aberante, care în mod normal ies în evidență, s-ar putea să pierdeți date importante care ar putea avea un impact asupra afacerii dumneavoastră.

Decideți să utilizați agregarea de la caz la caz și nu veți greși prea mult.

Cum vă poate ajuta dezagregarea?

Desigur, agregarea datelor poate fi foarte utilă. Cu toate acestea, veți avea totuși nevoie de informații la nivel granular pentru a înțelege tiparele cererii pentru fiecare produs în parte.

În mod obișnuit, cel mai mic nivel de granularitate în prognoza cererii se referă la dezagregarea prognozei cererii în funcție de combinația de locații SKU sau chiar de client.

Primul vă poate ajuta să vă optimizați alocarea și reaprovizionarea pentru a vă asigura că satisfaceți cererea prognozată cu un nivel minim de stocuri.

Aceasta din urmă vă poate ajuta să identificați care sunt clienții cei mai profitabili, care au potențial de creștere și care reprezintă doar o mică parte din cererea prognozată.

Și de ce ar trebui să vă intereseze acest lucru? Ei bine, această perspectivă neprețuită vă va ajuta să vă asigurați că vă investiți timpul, banii și energia în domeniile afacerii dumneavoastră sau în clienții care aduc cea mai mare valoare adăugată.

Cum pot “intervalele de timp” să creeze previziuni mai fiabile și mai solide ale cererii?

O altă metodă de agregare a previziunilor privind cererea este în funcție de timp.

Previziunile lunare tind să fie mai fiabile decât cele zilnice sau săptămânale. Motivul este că acestea tind să fie mult mai puțin volatile. Este posibil să existe diferențe de la o săptămână la alta sau chiar de la o zi la alta în ceea ce privește numărul de produse vândute, dar pe parcursul unei luni, acestea sunt eliminate.

Iată câteva motive pentru care prognoza cererii în intervale lunare este mai fiabilă:

 

1. Un interval mai mare de prognoză lunară absoarbe mai bine volatilitatea clienților.

Dacă cineva comandă de la dumneavoastră în mod normal în prima săptămână a lunii, dar apoi comandă în a doua săptămână, acest lucru ar perturba masiv datele dumneavoastră dacă ar fi modelate în funcție de săptămână.

Pe o bază lunară, această deviație ar fi absorbită, iar datele dumneavoastră ar fi la fel de utile.

2. Previziunile lunare pot fi mai eficiente

Crearea de previziuni săptămânale poate necesita mult mai mult timp și resurse decât crearea de previziuni lunare.

În cazul previziunilor lunare, este posibil să trebuiască să colectați și să analizați datele o dată pe lună, în timp ce în cazul previziunilor săptămânale, este posibil să fie nevoie să repetați procesul de patru sau cinci ori pe lună, în funcție de numărul de săptămâni din lună.

3. Cadrele de timp lunare gestionează mai bine sezonalitatea.

Fiecare companie are săptămâni lente. Imaginați-vă că vă aflați pe o piață care încetinește de Crăciun, în perioada Anului Nou Chinezesc sau poate chiar în timpul sezonului de vară.

În modelele de prognoză săptămânală, aceste săptămâni liniștite pot produce decalaje care au o influență mai mare asupra prognozei cererii. În consecință, veți avea în final o prognoză mult mai nervoasă. Aceasta, la rândul său, este mult mai dificil de planificat.

Există vreo utilitate pentru gălețile de prognoză săptămânală a cererii?

Da, există. Dar trebuie să știi când și cum să o folosești în mod eficient.

Previziunile săptămânale necesită mai mult efort decât cele lunare, dar atunci când apar tipare care dictează o activitate de vânzări neregulată, dar repetitivă, în funcție de săptămâna din cadrul lunii, merită să vă gândiți la acest lucru.

Iată un exemplu frumos:

După cum puteți vedea în această imagine, 60% din vânzări au loc în prima săptămână a lunii.

Utilizând date care arată astfel de rezultate într-un model de prognoză săptămânală, este probabil să fiți mai receptivi și să puteți lua măsuri mai proactive pentru a alinia mai strâns cererea și oferta… Acest lucru înseamnă că puteți optimiza nivelul stocurilor, îmbunătăți gestionarea veniturilor și, prin urmare, profiturile.

O utilizare la fel de importantă a modelelor de prognoză săptămânală ar putea fi aceea că aveți un client care utilizează, de asemenea, un model săptămânal. Creșterea legăturii dintre dumneavoastră și acesta poate fi neprețuită pentru creșterea acurateței și alinierea eforturilor ambelor companii.

 

Cum vă poate ajuta Slim4 să prognozați cererea cu încredere?

Există o mulțime de informații în acest articol care, sperăm, vă vor fi de mare ajutor în prognoza cererii. Dar sunt multe lucruri de luat în considerare. Și aici Slimstock și Slim4 vă pot ajuta cu adevărat.

Considerați că foi de calcul vă limitează?

Încercați să anticipați cererea a sute sau mii de SKU-uri?

Încercați să planificați mai multe fluxuri de cerere și aveți doar o echipă mică care să vă ajute?

Motorul Slim4 vă poate ajuta.

Aflați cum, făcând clic aici.