Prognostisera efterfrågan bättre

Se försäljningsmöjligheter, höj servicegraden och undvik försämrat rörelsekapital och sjunkande lönsamhet

Prenumerera på vår blogg

1 Varför prognostisera efterfrågan?
2 Prognosmetoder
3 Säsongsvariation & extremvärden
4 Prognosfel
5 Beräkna säkerhetslager

Innehåll:

1 Varför prognostisera efterfrågan?
2 Prognosmetoder
3 Säsongsvariation & extremvärden
4 Prognosfel
5 Beräkna säkerhetslager

Om den här guiden

I den här guiden har vi samlat allt nu behöver veta om prognostisering av efterfrågan.
Guiden är ett samarbete mellan Exsitec och vår partner EazyStock.

Varför prognostisera efterfrågan?

En efterfrågeprognos är och kommer alltid vara en uppskattning för en definierad period. Men det gäller att göra denna prognostisering så bra som möjligt för att kunna hålla optimala lagernivåer, för att inte missa försäljningsmöjligheter eller servicegrad men samtidigt undvika försämrat rörelsekapital och sjunkande lönsamhet om varor inte går åt.

sales-up-2329_f9936847-1102-4365-a340-3292e0a6c581

När är prognostisering nödvändigt?

• Det är nödvändigt med prognostisering när det på grund av ordersärkostnaden och leverantörens kundorderkostnader är nödvändigt att beställa en batch istället för styckvis.

• Det är även nödvändigt när leveranstiden till kund är kortare än leveranstiden från den egna produktionen eller från extern leverantör som försörjer lagret.

Dock är det långt ifrån tillräckligt att endast göra en prognos. Att förstå prognosens noggrannhet är lika viktigt för att avgöra hur osäkra prognoserna är för den specifika perioden. Genom att beräkna och förstå hur stort prognosfelet är kan säkerhetslagret dimensioneras korrekt, vilket resulterar i minskad kapitalbindning och färre bristsituationer.

Prenumerera på vår blogg Supply Chain

Prenumerera

Prognosmetoder

Det två mest förekommande metoderna är kvantitativ och kvalitativa metoder. Kvantitativa metoder drivs av statistik och bygger på den historiska efterfrågan. De kvalitativa metoderna baseras på erfarenhet och subjektiva bedömningar. Det vanligaste är en kombination av de båda.

Hur påverkar livscykeln prognostiseringen?

Alla artiklar rör sig genom en produktlivscykel, vilket medför att efterfrågan förändras över tiden. I grafen nedan ser du ett exempel på en produktlivscykel och hur de olika stadierna i förändras över tiden.

Det är viktigt att balansera vikten av kvalitativa och kvantitativa metoder beroende på den aktuella artikelns livscykelstatus. När produkten är i ett tidigt stadie i produktlivscykeln blir det naturligt att lägga mer vikt vid kvalitativa bedömningar eftersom det vanligtvis inte finns historik nog för att föra statistik. Sedan successivt gå över till att använda en kvantitativ modell som grund, som sedan kan justeras med erfarenhet om marknaden.

prognoser-2

Kvantitativ prognosmetod

De flesta lagerplanerings och inköpsverktyg som finns tillgängliga på marknaden antar att efterfrågan är normalfördelad. Detta är ett farligt antagande som ofta leder till antingen för många eller för få lagerförda artiklar.

Många efterfrågemönster är istället intermittenta vilket innebär att man inte kan använda normalfördelning eftersom fördelningen har en helt annan form än den klassiska klockkurvan. När efterfrågan är oregelbunden är det bättre att använda andra statistiska fördelningar för att öka noggrannheten i prognosen.

Det finns nio olika efterfrågemönster som du bör ha koll på för att förbättra prognostiseringen och reducera prognosfel, Långsam, klumpvis, snabb, oregelbunden, positiv trend, negativ trend, ny, döende, obsolet.

För att kunna prognostisera rätt behöver man känna till hur efterfrågevariationerna ser ut. Detta görs genom att anta att efterfrågan varierar enligt en viss fördelning, oftast i form av någon standardiserad statistisk fördelning eller en fördelning som genererats från verklig historisk efterfrågan.

trender

Skärmavbild 2021-11-25 kl. 11.50.07

I bilden ovan ser du ett exempel på den verkliga efterfrågans fördelning och två olika typer av sannolikhetsfördelningar: normalfördelning och exponentialfördelning. Att applicera en normalfördelning på efterfrågan skulle i detta fall leda till prognosfel.

Säsongsvariation och extremvärden

Säsongsvariationer

Hur efterfrågan påverkas av säsongen är naturligtvis väldigt viktigt att ta med i beräkningarna, men inte alltid helt enkelt. Om man lyckas göra detta på rätt sätt kan du därför ofta dra nytta av informationen på en mer strategisk nivå vilket kan generera marknadsfördelar.

Räkna ut säsongsindex. Det används när efterfrågemönstret visar på systematiskt återkommande toppar och dalar i försäljningen. Säsongsindexet används således för att anpassa prognoserna efter säsongens mönster. Kom ihåg att om säsongsindex används på en artikel måste försäljningshistoriken justeras innan nästa prognosberäkning. En bra grundregel är att hålla säsongsdata separerad, så den enkelt kan exkluderas från grundprognoser som ska baseras på efterfrågestatistik exklusive säsongsvariationer.

Skärmavbild 2021-11-25 kl. 15.16.20

Ovan illustreras ett exempel där grundprognosen korrigeras per period med beräknade trender, säsongsindex samt kvalitativa bedömningar baserat på marknadskännedom, för att ta fram den slutliga prognosen. I system för inköp- och lageroptimering, som till exempel EazyStock, hålls säsongsindex, trender och den kvalitativa bedömningen separerade för varje enskild artikel. Detta sköts automatiskt av systemet för att underlätta prognosarbetet samt för att säkerställa noggrannheten i prognoserna.

Extremvärden

Säsongsvariationer kan spåras över tid medan extremvärden är mer oförutsedda. Extremvärden är udda data som ligger långt från huvudsvären av datapunkter. Oväntad efterfrågan kan uppstå av händelser som det finns kunskap om (t.ex. säljkampanjer, stora engångsbeställningar, strejk) eller av händelser som är svårare att kontrollera (konkurrenters säljkampanjer, konkurrenter som går i konkurs, naturkatastrofer m.m.). Det finns olika sätt att upptäcka extremvärden men det viktigaste är att de identifieras och hanteras som just extremvären för att prognosen inte ska bli fel. Ovanligt hög eller låg efterfrågan bör detekteras som något ovanligt för att kunna analyseras och därefter exkluderas i prognosberäkningen.

Inom lagerstyrning ska en prognos alltid följas upp eftersom den ger en kvantitativ uppskattning av den förväntade prognoskvaliteten och förbättra den i framtiden. Prognosfelsberäkningen fyller även flera syften:

1. Prognosfelet indikerar när en produkt har förflyttat sig från ett efterfrågemönster till ett annat. Produktens efterfrågemönster måste identifieras för att applicera bästa möjliga prognosmetod.

2. Prognosfelet är indata till beräkningen av säkerhetslagret.

3. Prognosfelet hjälper er att identifiera de produkter som behöver viss manuell hantering där den statistiska metoden behöver kompletteras med kvalitativ indata.

Vissa, men långt ifrån alla, affärssystem och lagerstyrningssystem beräknar prognosfel. Det vanligaste är dock att systemet bara fortsätter sin process och beräknar orderförslagen baserat på prognosen som har en stor avvikelse eller så stannar systemet och inväntar att en användare manuellt ska välja en annan prognosmetod.

Ett bättre och mer effektivt tillvägagångssätt, som tillämpas i EazyStock, är att systemet automatiskt initierar en ny efterfrågeklassificering för att hitta efterfrågemönstret som passar bäst. Därefter beräknas en ny prognos där prognosfelet har en accepterad standardavvikelse.

Skärmavbild 2021-11-25 kl. 15.31.48

Beräkna säkerhetslager

Det går inte med 100% säkerhet säga hur efterfrågan kommer att vara eller hur dina leverantörer kommer att kunna leverera. Därför är det viktigt med ett säkerhetslager som fungerar som en extra buffert för att kunna hantera osäkerheter som uppstår i värdekedjan. Läs mer i vår guide om beräkningar av säkerhetslager:

Guide: Säkerhetslager