Annonce

Opret nyhed

20 effektive guidelines til at skabe resultater med forecasting

En række centrale forecasting teknikker og guidelines kan på kort tid skabe markante resultater og sikre, at organisationen får gennemgående kontrol med én af forsyningskædens vigtigste krumtapper – forecasting.

SCM STRATEGI

Det filosofiske princip ”Occam’s Razor” er et godt udgangspunkt. Princippet er meget enkelt - såfremt to forecast metoder genererer nogenlunde samme performance, skal man vælge den mest simple metode. Derfor bør alle virksomheder først og fremmest gøre det til et mål at reducere kompleksiteten i forecast processen og teknikkerne anvendt, således at forecast indsats og resultat hænger bedre sammen.

Jess Pedersen er Lead Enterprise Architect i Bestseller med speciale i enterprise arkitektur, planlægning og ERP. Han har i mere end ti år designet og implementeret simple og effektive planlægningsløsninger til håndtering af komplekse planlægningsopgaver for internationale organisationer.

Kan forecasting- og planlægningsmodellen ikke tegnes på et A4 ark, er modellen sandsynligvis for kompleks. Det kan lyde lidt populistisk, men oftest er det en ret god rettesnor, da overblikket mistes igennem komplekse processer, teknikker og svært forståelige principper.

Der findes en række centrale teknikker og guidelines (se figur 1), som kan skabe markante resultater på kort tid:

1. Udfør automatiserede segmenteringer med dimensioner som forudsigelighed, lead time, impact, graden af promotion, cyklusser, produkters karakteristika, sæson etc. således at en baseline for forecast modeller, re-order point eller make-to-order koncepter kan identificeres og indsatsen efterfølgende kan fokuseres, se figur 2. Valg af dimensioner vil være virksomhedsspecifik, men de ovenfor nævnte er ofte de vigtigste. Disse bør være forudsætningen for en segmentering med en strategi for hvert segment.

2. Forstå den pågældende branche og virksomhed – indgående. Dette kan ikke understreges nok, da hver branche har nogle meget unikke egenskaber, som gør, at bestemte metoder og modeller virker bedre i specifikke brancher. Eksempelvis er der meget stor forskel på forecasting proces og teknikker anvendt i fashion-industrien sammenlignet med fødevareindustrien og igen i forhold til makro BNP forecasting.

3. Skab effektivt overblik med relevant information igennem dashboards, således at de, som arbejder med planlægning, kan træffe de nødvendige beslutninger ud fra så godt informationsgrundlag som muligt. Det er oftest her, det går galt, da kompleksitet har det med at mindske overblikket.

Figur 1. 20 kerneprincipper og teknikker til at skabe resultater med forecasting.

4. Vælg det rette zoom niveau (aggregeringsniveau) som i praksis er en afvejning mellem produkthierarki, forsyningskæde og tidsdimensionen, se figur 3. Det handler om at zoome så meget ud på disse dimensioner for at skabe stabilitet/minimere variation, mens det stadig giver mening fra et indkøbs-, planlægnings- og salgsperspektiv.

5. Definer en klar proces for forecasting med hensyn til automatisk generering af baseline forecast, opdatering af forecast, templates som anvendes til at submitte forecast fra globale sites/stakeholders og processen for håndtering af manuelle korrektioner. Der ligger ofte et stort potentiale i at få en langt mere strømlinet og automatiseret proces for håndtering af forecast og interfacet mellem forecasting og hovedplanlægning.

6. Anvend mere pragmatiske og alternative metoder til at modellere trend. Mange tidsserier er i praksis random walks, som betyder, at trend i data kan og vil ændre sig. Et godt eksempel på en sådan pragmatisk tilgang er Dampen Trend Exponential Smoothing.

7. Udnyt robustheden i simple metoder, som håndterer stokastiske trend-cyklus skift bedre end avancerede modeller – som udgangspunkt start med én af de eksponentielle smoothing modeller.

8. Der kan være situationer, hvor mere kompleksitet kan give en merværdi – eksempelvis multi-linear regression (MLR) modeller i Demand Sensing scenarier på den meget korte horisont. Eller hele Machine Learning hypet med neurale netværk, som har et kæmpe potentiale i visse situationer. Det er dog tvivlsomt, hvor meget værdi dette kan bringe indenfor SKU forecasting – specielt tidsserier som er overvejende stokastiske.

Figur 2.

9. Undersøg niveauet og konsekvensen af ind- og udfasning af produkter. Det er tit og ofte i disse scenarier, såfremt de håndteres mere struktureret, at man kan opnå en væsentlig bedre forecast performance.

10. Visse brancher har behov for meget agile og hurtigt reagerende planlægningsmodeller, da dag-til-dag justeringer kan have en stor betydning.

11. Forskellige planlægningshorisonter driver behovet for forskelligt men relevant input samt teknikkerne anvendt.

12. En høj grad af effektivisering og optimering kan opnås igennem standard og/eller kundetilpasset software løsninger, men husk at der skal være et højt system fit i forhold til den virkelighed, man står overfor – ellers kan det have den modsatrettede effekt. Dette skal testes igennem et proof-of-concept (POC) forløb og pas på med at forelske sig i pre-sale løfter.

13. Salg har en vigtig rolle for at definere ændringer samt fremtidige promotion, tenders m.m. Potentielle ændringer skal altid vurderes og implementeres i lyset af den naturlige stokastiske variation, som findes i de historiske tidsseriedata.

14. Udfør korrelationsanalyse for at identificere graden af produkt kannibalisering – eksempelvis ved indfasning af produkter som kannibaliserer eksisterende produkter.

15. Adskil manuelle justeringer fra baseline forecast og indarbejd de manuelle justeringer i en struktureret proces, således at det bliver kvalitetssikret. Vær opmærksom på at personlige og politiske agendaer kan drive forecasting bias, som reelt bør undgås så meget som muligt.

16. Sikre at det historiske salgsaftræk er af en repræsentativ kvalitet. Identificer outliers via tærskelværdier som efterfølgende kan renses, såfremt de ikke er repræsentative.

Figur 3.

17. Som udgangspunkt er forecasting relateret til kunderne reelle behov, men der er stadig behov for forecasting på forskellige niveauer i forsyningskæden – eksempelvis som en del af en re-order point model på DC niveau. Disse interne handelsmønstre kan oftest optimeres, hvilket vil give en bedre forecast performance og derved også lagerperformance på DC niveau.

18. Fokuser forecast indsatsen med veldefinerede advarsler, såfremt markante eller ikke forventede ændringer opstår. Det har ofte en meget positiv effekt på planlæggerens arbejdsmængde, såfremt det gøres korrekt og med den rette balance.

19. Anvend et ensartet sæt målinger til forecasting performance – MAPE er formodentligt den mest anvendte, hvor MADP eller sMAPE formodentligt er de mest hensigtsmæssige. sMAPE giver nogle fordele i forhold til MAPE ved lave demand værdier. Samtidig ses ofte, at bias målinger bliver overset, men i virkeligheden er det mest relevante.

20. Og sidst sikre en tæt sammenhæng mellem forecasting og planlægningen – det er i virkeligheden hér, at potentialet er størst.

Men hvordan skal dette forecast anvendes i den efterfølgende planlægning, og hvilke systemer skal man vælge for at understøtte dette? Det skal vi se nærmere på i de næste to artikler.

Bring en kommentar

God kommentarskik. Hold en god tone i kommentarerne, undgå personlige angreb og indlæg af markedsføringsmæssig karakter. Læg kun link på din kommentar, såfremt det er relevant for debatten. Vær opmærksom på, at debatten modereres af portalens redaktion.

Annonce

Relaterede virksomheder

Relaterede artikler

Annonce

Annonce

Annonce