De fleste virksomheder måler forecast-kvalitet på en dårlig måde

Mange virksomheder er naturligt nok optaget af, at deres forecast-prognoser er så præcise om mulig, fordi de danner grundlag for den løbende forretningsdrift i lager, transport, produktion, indkøb, kundeservice og så videre. Det kræver, at man rent faktisk måler på forecast-præcisionen – og det er der ifølge Research Scientist og Subject Matter Expert hos Slimstock Steven Pauly mange virksomheder, der ikke gør.

Blandt de virksomheder, der måler på præcisionen, er der en række målemetoder at vælge imellem. Fire almindelige metoder er:

• Mean error, ME – der måler forskellen mellem salg og forecast.
• Mean absolute error, MAE - der måler på den absolutte forskel mellem salg og forecast.
• (Root) Mean squared error, MSE – der viser de kvadrerede forskelle mellem salg og dets prognose.
• Mean absolute percentage error, MAPE – der måler på den absolutte procentvise forskel mellem salg og forecast.

”MAPE er den mest almindelige metode, men det er i min mening også den dårligste metode”, fortæller belgiske Steven Pauly, som er en international R&D-kapacitet inden for lagerstyring, forecasting, brug af AI i supply chain med mere. Det fortæller han på Slimstocks arrangement Supply Chain Club, der blev afholdt i Vejle den 1. april.

Hvordan understøtter forecasting driften?

”Målet med forecasting er naturligvis at udarbejde så præcise prognoser eller forudsigelser om salg i en kommende periode som muligt. Målet med forretningsdriften er at foretage effektive og efficiente beslutninger”, fortæller Steven Pauly og fremhæver forskellen på de to målsætninger.

Læs også: Best-of-breed software giver mere opdaterede forecast

De fire listede metoder gør alle brug af gennemsnits- eller mediantal eller en kombination. Det betyder ifølge Steven Pauly, at en høj forecast-præcision i bedste fald indeholder information om, hvad der med ’høj sandsynlighed’ vil ske. Det er meget forskelligt fra behovet for beslutningsgrundlag i forretningsdriften, som har behov for 100 procent korrekt information om, hvad der vil ske, så driften kan foretage effektive og efficiente beslutninger.

”Et præcist forecast, som vi kender det, medfører ikke nødvendigvis, at vi kan foretage effektive beslutninger. Så vi kan ikke antage, at blot fordi nogen udstyrer os med et præcist forecast, så vil de beslutninger, det giver anledning til, automatisk være korrekte”, fortæller han til de cirka 100 forsamlede branchefolk på en solrig forårsdag på det prægtige Comwell Kellers Park på sydsiden af Vejle Fjord.

Han tilføjer: ”Problemet med de traditionelle metoder MAPE, MSE, MAE og ME er, at de ikke opfanger usikkerhederne i efterspørgslen. Det specifikke problem med den mest anvendte metode MAPE er, at den altid vil generere et forecast, der er alt for lavt – eller et biased forecast”.

Steven Pauly påpeger, at forecast fra salgsafdelinger altid vil være for høje, og at statistiske modeller altid vil være for lave. Det første skyldes, at sælgere per definition ser ’muligheder’ i markedet og overvurderer dem. Det andet skyldes, at de statistiske modeller netop ikke ser mulighederne i markedet og derfor ikke får dem med i forecastet. Den gode løsning er ifølge Steven Pauly at tage bias ud af forecast, og at det for de fleste nok kræver brug af mere avancerede modeller for nogle dele af varesortimentet, og at ABC-analyser kan være et værdifuldt supplement.

Den ustabile efterspørgsel kræver agilitet

Professor Jan Stentoft fra Syddansk Universitet fremhæver i artiklen ‘Vigtigheden af Forecasting i S&OP-processen’, at en af de vigtigste fordele ved valid forecasting i forretningsdriften eller en S&OP-proces er forbedret agilitet. I en forretningsverden præget af ustabil efterspørgsel, leveringsforstyrrelser og økonomisk usikkerhed er det afgørende, at virksomheder kan forudse og tilpasse sig hurtigt. Forecasting muliggør scenarieplanlægning og kan hjælpe virksomheder med at forberede sig på flere mulige fremtider og dermed ikke kun ét forventet udfald. Hvis et forecast for eksempel peger på en mulig stigning i efterspørgslen efter en produktlinje, kan virksomheden proaktivt sikre materialer, planlægge produktionen og tilpasse logistikken. Denne proaktive tilgang forkorter leveringstiden og mindsker behovet for brandslukning senere i processen.

Læs også: Lav datakvalitet og mangel på præcision hæmmer forecasting-processen

”Forecasting spiller også en central rolle i den finansielle afstemning. S&OP handler ikke kun om at matche udbud med efterspørgsel. Det handler også om at nå omsætningsmål og sikre lønsomhed. En solid forecasting-proces sikrer, at driften er afstemt med de finansielle mål og giver ledelsen et grundlag for informerede prioriteringer. Hvis prognoser viser faldende efterspørgsel, kan produktionsplaner og budgetter justeres i tide og overforbrug undgås. Omvendt kan stærk vækst retfærdiggøre tidlige investeringer i kapacitet eller arbejdskraft”, fortæller Jan Stentoft og supplerer:

”På trods af vigtigheden af forecasting kæmper mange virksomheder med præcisionen. Typiske udfordringer er fragmenterede data, varierende input fra interessenter og brug af forældede metoder. Forbedringer kræver investeringer i både værktøjer og processer. Avanceret analyse, maskinlæring og realtidsdataintegration skaber nye muligheder for at øge forecastets pålidelighed. Men teknologi alene er ikke nok. Forecasting børe være en kontinuerlig og samarbejdsbaseret proces integreret i S&OP-processen med faste opfølgningsrutiner, tydeligt ansvar og en kultur præget af gennemsigtighed og læring”.