Prognostisering och efterfrågeplanering (Forecasting and Demand Planning)

Prognostisering (forecasting) och efterfrågeplanering (demand planning)

För oss på Optilon innebär prognostisering en matematisk beräkning av framtida efterfrågan med hjälp av historisk efterfrågan. Efterfrågeplanering handlar mer om att justera denna matematiskt framtagna prognos utifrån information om marknaden som inte kan byggas in i en matematisk modell, exempelvis kampanjer. Metoderna av prognostisering och efterfrågeplanering som nyttjas skiftar beroende på bransch. För styrning av reservdelslager är oftast en ren matematisk metod den bästa. Naturligtvis förekommer viss handpåläggning för nya artiklar samt vid utfasning av artiklar. Inom snabbrörliga konsumentprodukter (Fast Moving Consumer Goods, FMCG) är behovet av en mer omfattande demand planning (kollaborativ) process ofta större. Många gånger är både produktchefer samt marknads- och/eller kundansvariga personer involverade i processen att ta fram en gemensam bild av framtida efterfrågan. Optilon har stor erfarenhet av både prognostisering och efterfrågeplanering, både i renodlade former och varianter av dem.

Är verkligen alla prognoser per definition fel?

Prognostisering (efterfrågeplanering) handlar om att så effektivt som möjligt förutse framtida efterfrågan för att på så sätt säkerställa att rätt vara finns på rätt plats i rätt kvantitet i varje givet ögonblick. Uttrycket ”prognoser är per definition fel” nyttjas relativt frekvent. Frågan är om det är riktigt sant? Orsaken till att ingen prognos kan vara 100% säker beror på att efterfrågan innehåller flera stokastiska variabler. Vi kan sammanfatta denna stokastik med ett  ord, nämligen slumpen. Det finns en variation i när i tiden, hur många och hur stor varje enskild kundorder som kommer in är.  Att förutse denna variation till 100% är naturligtvis inte möjligt. Däremot går det att genom att applicera moderna avancerade matematiska algoritmer beräkna de stokastiska variablernas storlek och på så sätt generera säkrare prognoser och bättre efterfrågeplanering. Vad är då det mest effektiva sättet att modellera historisk efterfrågan?

Prognostisering - Kan historisk efterfrågan modelleras på olika sätt?

Tänk dig att vi har två olika försäljningsartiklar A och B. Nedan visas såld kvantitet per månad för dessa två artiklar:

Tittar vi på antalet orderrader (frekvensen) per månad ser vi att artiklarna skiljer sig kraftigt åt:

Kan vi verkligen betrakta dessa två artiklar på samma sätt och styra dem på samma sätt? Nej – självklart inte. Antalet kundorder och kundordernas storlek gör det möjligt att bättre förutse varje SKUs (Stock Keeping Unit) efterfrågemönster. Trots denna uppenbara skillnad så nyttjar de flesta systemleverantörerna den, på 60-talet framtagna, modellen för efterfrågeplanering som endast tar hänsyn till kvantitet och helt ignorerar informationen som kundorderraderna ger oss.

Vilka krav är rimliga att ställa på bra prognossystem?

Du som kund har rätt att ställa högre krav på leverantörerna av prognos- och lagerstyrningssystem idag än på 60 och 70-talet. De mest kraftfulla prognosverktygen tar hänsyn till både kvantitet och frekvens och kan därför modellera efterfrågan mer korrekt och därigenom generera en säkrare prognos vid prognostisering.

Även om modern avancerad matematik gör det enklare att bättre beskriva efterfrågemönster så kommer vi aldrig att träffa 100% rätt i efterfrågeplaneringen. Därför måste vi även se på den andra ”sidan” av myntet, dvs säkerhetslagret för att uppnå den servicenivå vi vill uppnå. Säkerhetslagret är vår buffert mot bla just variationen i efterfrågan, dessutom ska den täcka ledtid från leverantör och osäkerhet i denna ledtid, mm.  I traditionella prognosverktyg är prognosfelet en mycket viktig variabel för beräkningen av säkerhetslager. I de mest moderna verktygen är det istället den förfinade efterfrågemodellen som nyttjas tillsammans med ytterligare ett 10-tal variabler.

Företag inom snabbrörliga konsumentprodukter (FMCG) behöver ofta prognoser och återfyllnadsförslag på dagsnivå men även möjligheten att kunna aggregera prognoser till kalendervecka och kalendermånad. För att kunna göra prognostisering på ett säkert sätt måste historisk efterfrågan modelleras på dagsnivå, både utifrån kvantitet och frekvens. Att enkelt kunna röra sig fram och tillbaka över dag-vecka-månad i kombination med en eller flera marknadsdimensioner (land, region, kund, etc) samt produktdimensioner (produktgrupp, produktfamilj, etc) är ett krav som systemleverantörer som vill verka inom det här industrisegmentet måste kunna uppfylla. Optilon vänder sig till de företag som redan idag arbetar fokuserat med servicenivå och kapitalbindning och som har ambitionen att kunna erbjuda sina kunder en ännu högre servicenivå med konstant eller lägre kapitalbindning. Vi hanterar både centraliserade- och decentraliserade (kollaborativa) prognosprocesser. Optilon samarbetar med världsledande systemleverantörer inom lageroptimering (Inventory Optimization).

Vill du veta mer om prognostisering och demand planning? Fyll i detta formulär så skickar vi mer material.

För mer information om prognostisering och efterfrågeplanering kontakta Magnus Edberg, Sales Manager Optilon, 0709-379281, magnus.edberg@optilon.se