Prognotisering av efterfrågan

Hur ser en bra efterfrågeprognos ut?

Den hårda sanningen är att prognoser till sin natur är i bästa fall gissningar. Ju mer data man har, desto bättre blir naturligtvis dessa gissningar.

Men det finns fortfarande en mängd faktorer som kan förändra landskapet.

Om du inte lyfter fram dessa faktorer kommer de snabbt att motverka din prognos framför dina ögon.

Så hur gör de bästa företagen i landet för att förutse efterfrågan? Hur bedömer de kontinuerligt vad deras kunder vill ha och anpassar sina insatser till detta?

Här är några tips:

1. Kontinuerlig validering avgör processen för prognostisering av efterfrågan

Marknadsinsikter kan ta statistiska prognoser baserade på historiska försäljningsdata och ge dem en gåva av framsynthet. Säg att du säljer kontorsutrustning och att du har sålt slut på bärbara datorställ kontinuerligt under låsningen, betyder det att du kommer att fortsätta med det nu?

Eller innebär det faktum att folk återgår till kontorslivet att försäljningen kommer att avta?

Historiska försäljningsuppgifter kan ge dig en ögonblicksbild, men oftast är det inte hela bilden. De mest framgångsrika företagen underbygger sina prognoser med insikter från marknaden.

På så sätt inför de en valideringsprocess. Om det görs på rätt sätt kommer detta att involvera olika team och leda till ett samförstånd om bästa praxis.

2. Den är begriplig och lätt att förklara

En efterfrågeprognos bör inte vara så komplex att ingen förstår den. Tvärtom. Den ska vara lätt att förstå för alla intressenter.

Dessutom måste den kunna förklaras. Lätt att förklara. Både de insikter som finns i den och de önskade åtgärder som följer av den.

3. Den ska kunna registreras och mätas.

Om du inte registrerar noggrannheten (eller snarare felet) i din efterfrågeprognos kommer du aldrig att få veta om du låg 0,5 % eller 50 % fel.

Och det är viktigt: 0,5 procent är en vild framgång. 50 % är ett totalt misslyckande.

Att veta vilken du var närmast kommer att vara till hjälp nästa gång du måste skapa en. Vilket bör ske snart.

Ju mer du mäter din prognos, desto bättre kan du anpassa den och göra ändringar.

Fel som du inte vet att du gör kommer att upprepas om och om igen.

4. Varje efterfrågeprognos bör ha en ägare.

Varje prognos som du skapar måste ha en ägare. Någon som är ansvarig för dess framgång och noggrannhet. Utan en ägare är det mer sannolikt att den faller platt till marken än att den skapar en konkurrensfördel.

Kom ihåg att de beslut som du fattar på grundval av denna prognos kan vara skillnaden mellan framgång och misslyckande.

Om det är du som fattar besluten tar du det yttersta ansvaret om de är felaktiga.

Hur du skapar din egen prognos för efterfrågan

Det finns många olika modeller som du kan överväga när du funderar på att utforma din egen efterfrågeprognos. Naturligtvis finns det för- och nackdelar med varje modell. I vissa fall kan en kombination av dem ge dig de bästa resultaten.

I nästa avsnitt kommer vi att undersöka några av de vanligaste metoderna för prognostisering av efterfrågan.

Vilka modeller för prognostisering av efterfrågan bör du använda?

1. Analys av tidsserier

Vad kan försäljningen från de senaste 12 månaderna förutsäga för det kommande året? Det är förutsättningen för tidsserieanalysen.

Detta är en av de vanligaste metoderna för statistisk prognostisering av efterfrågan, och det är en praktisk metod att sätta sig in i.

Den letar efter mönster i data som kan upprepas i framtiden. Det gör det också möjligt att se vad som kan ha påverkat dessa mönster och göra prognoserna mer exakta.

Det finns mer än en typ av modell även i denna analysfunktion. Det finns modeller för glidande medelvärden, exponentiell utjämning och ARIMA-modeller (autoregressiva integrerade glidande medelvärden).

Varje modell använder en annan metod för att analysera uppgifterna. Du bör vara uppmärksam på vilken modell du behöver för att öka din potentiella framgång.

2. Bedömningsbaserad prognostisering av efterfrågan

Hur sannolikt är det att personerna i ditt företag kan göra bra prognoser om framtida efterfrågan? Svaret på den frågan beror på hur stark deras förmåga är och varierar beroende på företag, team eller till och med person.

En av de största utmaningarna när det gäller effektiv prognostisering av efterfrågan är att data bara kan säga en viss mängd.

Om du är ett nytt företag, eller om du lanserar en ny produkt på en ny marknad, finns det nästan säkert en brist på data som du kan lita på. Det skulle göra bedömningsbaserade prognoser värda att överväga.

Samma sak kan sägas om marknader med höga nivåer av störningar, med tanke på den begränsade förmågan hos maskininlärning och statistisk modellering på okända områden.

Om din metod för prognostisering av efterfrågan säkerställer att du aktivt samlar in marknadsinsikter kommer du att vara bättre informerad och därmed ha större chans att skapa en korrekt prognos.

För att ge dig själv de bästa möjligheterna att lyckas med bedömningsbaserad modellering måste du undersöka ett stort antal områden. Det kan vara marknadsundersökningar, konkurrentanalyser, samtal med kunder, ditt säljteam och till och med externa marknadsexperter.

Om du överväger detta tillvägagångssätt kan det hjälpa dig att analysera faktorer som inte fångas upp av andra modeller.

Men som med alla andra modeller finns det nackdelar att ta hänsyn till.

Är de personer som gör dessa bedömningar helt opartiska? Tar de beslut enbart på grundval av uppgifter eller med fördomar på grund av sina egna känslor om produkter eller marknader?

Kan du också upprepa denna process? Det är ofta mycket svårt att få fram samma siffror med olika intressenter, vilket gör det svårt att upprepa bedömningsbaserade prognoser på lång sikt.

3. Analys av orsakssamband

Kausalanalysen identifierar orsakssamband som påverkar efterfrågan. Det innebär att man analyserar data för att visa hur förändringar som pris, kampanjer eller ekonomiska indikatorer kan förändra efterfrågan.

Kausalanalys kan användas för att göra både kortsiktiga och långsiktiga prognoser och innebär ofta att man använder experiment för att testa orsakssambanden mellan variabler.

4. Regressionsanalys

Regressionsanalysen undersöker sambandet mellan efterfrågan och flera andra variabler. Oavsett om det handlar om pris, marknadsandelar, miljö- eller marknadsförhållanden.

Denna typ av analys gör det möjligt att bedöma hur en förändring av en av variablerna kan påverka efterfrågan. Och därmed optimera dem. Vilket underlättar planeringen av leveranskedjan.

Vad är skillnaden mellan kausalanalys och regressionsanalys?

En viktig skillnad mellan kausalanalys och regressionsanalys är att kausalanalysen tenderar att fokusera på specifika variabler, medan regressionsanalysen är mer omfattande och tar hänsyn till flera variabler.

En annan skillnad är att orsaksanalysen ofta innebär att man experimenterar för att testa. Regressionsanalyser bygger vanligtvis på historiska data och statistisk modellering.

5. Maskininlärning

Kapaciteten hos maskininlärning och AI är ganska imponerande. Om du använder dessa avancerade tekniker för att analysera tidigare data och fatta välgrundade beslut om framtida efterfrågan kan du spara tid och pengar.

Genom att ge historiska data till en plattform för maskininlärning kan du ta fram mönster och göra det mycket lättare att uppskatta framtida efterfrågan. Särskilt när mer traditionella metoder kanske inte räcker till.

Om du är verksam i en bransch där branschen förändras snabbt och utan förvarning kan det vara otroligt användbart att stödja din prognos med maskininlärning. AI definieras som sådan eftersom den fortsätter att lära sig.

Teoretiskt sett borde alltså precisionen i din prognos med hjälp av maskininlärning förbättras med tiden.

Det finns naturligtvis fallgropar. Om man inte har tillräckligt med data att analysera kan det leda till en begränsad prognos. Om man förlitar sig för mycket på uppgifter som är ofullständiga eller felaktiga kan det leda till ett misslyckande.

Hur kan du förbättra noggrannheten i dina prognoser för efterfrågan?

Genom att välja den bästa prognosmodellen för dig kan du göra prognoserna mer exakta och därmed hjälpa dig att fatta välgrundade och välgrundade affärsbeslut.

Men även då finns det steg som du kan ta för att få fram rikliga insikter och skapa större klarhet i din verksamhet.

Nästa avsnitt handlar om hur du kan förbättra dina prognoser för efterfrågan ytterligare.

Aggregering kontra uppdelning

Uppgifter och deras användning i näringslivet har ökat enormt. Men som alla datavetare kommer att berätta för dig är det två helt olika saker att ha data och använda dem.

Vi talar ofta om vikten av att ha specifika lagerstrategier för varje SKU. Det är förståeligt att du kanske tänker att samma tankesätt skulle kunna hjälpa dig att göra prognoser.

Men det är inte alltid fallet.

Nedanstående diagram förklarar varför aggregering kan hjälpa dig i din prognos.

Anledningen till att aggregering kan förbättra din modell för prognostisering av efterfrågan är att större datamängder är kraftfulla. Lagen om stora tal säger att ju större urvalet är, desto mer representativt är det för den större populationen.

Försäljningsuppgifter från en by kan aldrig relateras till ett helt land. Men om man tar samma uppgifter från fem städer i landet är det mycket mer sannolikt att de korrelerar.

Om du hittar fler datapunkter kan du ta bort bruset från anomalier. Det innebär att du hittar fler mönster och en större förmåga att ta hänsyn till variabler.

På samma sätt kan du tänka dig att du förutspår efterfrågan på en SKU som nyligen har lanserats. Det är osannolikt att du har en komplett datamängd. Men om du aggregerar prognoserna från kategorinivån kan du troligen få en bättre uppfattning om hur efterfrågan kommer att utvecklas för den aktuella produkten.

Här är några vanliga exempel på hur du kan sammanställa dina efterfrågeplaner:

En stor fördel med att använda aggregering är att det är mindre troligt att dina data påverkas av enskilda oregelbundenheter.

Om du däremot inte uppmärksammar de avvikelser som normalt sticker ut kan du missa viktiga data som kan påverka din verksamhet.

Om du bestämmer dig för att använda aggregering från fall till fall kommer du inte att gå fel.

Hur kan uppdelningen hjälpa dig?

Visst kan det vara till stor hjälp att samla in data. Du behöver dock fortfarande insikter på granulär nivå för att förstå efterfrågemönstren för varje enskild produkt.

Den lägsta granularitetsnivån i efterfrågeprognoser är vanligtvis en uppdelning av efterfrågeprognosen per SKU-plats eller till och med per kund.

De förstnämnda kan hjälpa dig att optimera din allokering och påfyllning för att se till att du kan möta den prognostiserade efterfrågan med minsta möjliga lagernivå.

Det senare kan hjälpa dig att identifiera vilka kunder som är mest lönsamma, vilka som har tillväxtpotential och vilka som endast står för en liten del av den prognostiserade efterfrågan.

Och varför ska du bry dig om detta? Denna ovärderliga insikt hjälper dig att se till att du investerar din tid, dina pengar och din energi i de delar av ditt företag eller dina kunder som tillför mest värde.

Hur kan “tidshinkar” skapa mer tillförlitliga och robusta efterfrågeprognoser?

En annan metod för att sammanställa dina efterfrågeprognoser är att dela upp dem efter tid.

Månadsprognoser brukar vara mer tillförlitliga än dagliga eller veckovisa prognoser. Anledningen till detta är att de tenderar att vara mycket mindre volatila. Det kan mycket väl förekomma skillnader från vecka till vecka eller till och med från dag till dag i hur många produkter som säljs, men under loppet av en månad jämnas dessa ut.

Här är några anledningar till varför prognoser av efterfrågan i månatliga hinkar är mer tillförlitliga:

1. Månadsprognoser har en större hink som bättre absorberar kundernas volatilitet.

Om någon normalt beställer från dig under månadens första vecka, men sedan beställer under den andra veckan, skulle det störa dina data kraftigt om de modellerades per vecka.

På månadsbasis skulle denna avvikelse absorberas och uppgifterna skulle vara lika användbara.

2. Månatliga prognoser kan vara effektivare.

Att skapa veckoprognoser kan vara mycket mer tids- och resurskrävande än att skapa månadsprognoser.

Vid månadsprognoser behöver du kanske samla in och analysera data en gång i månaden, medan du vid veckoprognoser kan behöva upprepa processen fyra eller fem gånger i månaden, beroende på antalet veckor i månaden.

3. Månadsvisa tidsramar hanterar säsongsvariationer bättre.

Alla företag har långsamma veckor. Föreställ dig att du befinner dig på en marknad som går ner i tempo under julen, det kinesiska nyåret eller kanske till och med under sommarsäsongen.

I veckoprognosmodeller kan dessa lugna veckor ge upphov till luckor som har ett större inflytande på din efterfrågeprognos. Följaktligen får du en mycket mer nervös prognos. Detta är i sin tur mycket svårare att planera utifrån.

Finns det någon användning för hinkar för veckovis prognostisering av efterfrågan?

Ja, det finns det. Men du måste veta när och hur du ska använda den på ett effektivt sätt.

Veckoprognoser kräver mer ansträngning än månadsvisa, men om det uppstår mönster som kräver oregelbunden, men repetitiv försäljningsaktivitet beroende på veckan i månaden, är det värt att tänka på det.

Här är ett fint exempel

Som du kan se på bilden kommer 60 % av försäljningen under månadens första vecka.

Genom att använda data som visar resultat som detta i en veckoprognosmodell kan du troligen vara mer lyhörd och vidta mer proaktiva åtgärder för att anpassa utbud och efterfrågan närmare varandra. Detta innebär att ni kan optimera lagernivåerna, förbättra intäktsstyrningen och därmed vinsten.

Lika viktiga användningsområden för veckoprognosmodeller kan vara om du har en kund som också använder en veckomodell. Att öka kopplingen mellan dig och dem kan vara ovärderligt för att öka precisionen och anpassa båda företagens insatser.

Hur kan Slim4 hjälpa dig att prognostisera efterfrågan med säkerhet?

Det finns mycket information i den här artikeln som förhoppningsvis kommer att vara till stor hjälp i din prognostisering av efterfrågan. Det är dock mycket att tänka på och det är då Slimstock och Slim4 verkligen kan hjälpa till.

Tycker du att kalkylblad är begränsande?

Försöker du förutse efterfrågan för hundratals eller tusentals SKU:er?

Försöker du planera flera efterfrågeströmmar och har bara ett litet team som kan hjälpa dig?

Slim4 kan hjälpa dig.

Ta reda på hur, genom att klicka här.