Find krisekurvens knæk i salgsprognoserne
KLUMME: Krisen raser, men hvornår knækker kurven, og hvordan maksimerer virksomhedens ledelse sandsynligheden for at forudse, hvornår det sker? Svaret skal findes i salgsprognoserne. Men forudsætningerne for at skabe en god salgsprognose er at vælge rigtige metode og variable, der kan forklare udviklingen i efterspørgslen.
Kurvens knæk findes i salgsprognoser
Den væsentligste parameter at have for øje er i sagens natur, hvornår der sker en ændring i efterspørgslen. Hvornår knækker kurven og vil igen være opadgående? Svaret på spørgsmålet skal findes i salgsprognoserne. Men hvordan skabes en prognose, som kan forudsige en så vigtig ændring som afslutningen på en periode med recession, og hvorfor er prognosen et helt centralt styringsredskab i enhver producerende virksomhed? Årsagen til vigtigheden af prognosen er, at den har voldsom stor betydning for hele forsyningskæden og dermed for hele virksomheden. Prognosen bør være styrende for såvel lagerstyring som for planlægning og disponering af mange andre typer af ressourcer, herunder maskiner og medarbejdere. Den potentielle effekt og værdi af en præcis prognose forstærkes kraftigt, når prognosen skal forudsige et knæk i kurven. I dette tilfælde at krisen slutter, og efterspørgslen begynder at stige. I det tilfælde vil der pludselig skulle ske en opbygning af lagre eller en forøgelse af tilgængelige ressourcer eller begge dele. Hvis prognosen ikke fanger den ændrede trend, vil virksomheden alt andet lige stå med kraftige leveringsproblemer.
Afprøv model på historiske data
Der er skrevet mange og tykke bøger om gode prognoser. Og lur mig, om ikke de fleste supply chain-folk har en solid holdning til, hvordan den sag skal skæres. Metoder varierer fra fingeren i jorden til mere eller mindre avancerede statistiske modeller. Som repræsentant for et analytisk it-firma hælder jeg nok mere til den sidste kategori end til den første. Det smukke ved problemstillingen er, at enhver metode kan få lov til at prøve at stå distancen; simpelthen ved at anvende metoden på historiske data og efterfølgende konstatere i hvor høj grad den valgte metode er i stand til at forudsige efterspørgslen i en given periode. Ved at anvende historiske data er facitlisten jo tilgængelig og kan give et præcist svar i form af prognosepræcision. Der er nogle få udfordringer ved at teste prognosemodeller på denne måde. Hvis empirien viser, at lageret i en given periode var tomt, er det i sagens natur umuligt at vide, hvor meget der kunne have været solgt i den samme periode. Med andre ord er facitlisten i sådanne situationer ikke retvisende. Men generelt set er det en stor fordel at kunne afprøve en potentiel model på de historiske data.
Rigtige metode og variable
En forudsætning for at skabe en god salgsprognose er som sagt at få valgt den rigtige metode samt i bogstaveligste forstand at få hånd i hanke med de variable, som kan give forklaringen på udviklingen i efterspørgslen; de kausale faktorer. Eksempelvis er det daglige behov for bemandingen på landets Falck stationer i stor udstrækning styret af temperaturen. Temperaturen er i dette tilfælde en forklarende variabel. Det samme gør sig gældende i forhold til det forventede elforbrug. Her er temperaturen også en forklarende variabel. Begge eksempler er på overfladen relativt enkle at forstå. Langt mere kompliceret bliver affæren, når vi skal forklare efterspørgslen på forskellige markeder i et business to consumer-marked. Hvilke faktorer styrer efterspørgslen på dvd-maskiner i Østeuropa? I sådan et tilfælde vil de forklarende variable skulle søges i forhold som forbrugernes disponible indkomst, renter og de overordnede forbrugstal for det aktuelle marked. Men det er netop den type af analyser, som er centrale og absolut afgørende, såfremt en virksomhed ønsker at skabe en prognosemodel, der kan være i stand til at forudsige et knæk i efterspørgselskurven. Men som tidligere nævnt er én af fordelene ved at arbejde med prognosemodeller, at modellens værdi kan testes på historiske data. Det gælder naturligvis også for de forklarende variable.
It-systemer kan ikke stå alene
En vigtig ting at huske er dog, at it-systemer og avancerede beregninger ikke kan stå alene. I enhver gennemtænkt proces omkring prognoser bør der afslutningsvis være et tidspunkt, hvor de forretningsansvarlige læner sig lidt tilbage og tester de fremkomne prognoser op imod deres viden om virksomheden, markeder, produkter og alt muligt andet. Ikke sjældent vil det forekomme, at ledelsen i en virksomhed har viden, som gør det nødvendigt at justere de fremkomne prognoser. Et godt eksempel på sådan en viden stammer fra et projekt, som blev gennemført for en medievirksomhed, som producerer ugeblade. Begivenheder, som i den grad kan påvirke salget af ugeblade, er store begivenheder i kongehuset eller blandt andre kendte personligheder. Og disse begivenheder er ikke af en karakter, så de umiddelbart kan puttes ind i en formel. Ej heller er disse typer af begivenheder så ofte forekomne, at de historiske data giver et tilstrækkeligt billede af den forventede efterspørgsel. Og slutteligt er det i reglen kun de implicerede parter, som indtil sidste øjeblik har viden om, at begivenheden rent faktisk vil indtræffe. Derfor er det i disse tilfælde nødvendigt at lade en sund forretningsmæssig vurdering foretage den endelige beslutning om eventuelle justeringer af den beregnede prognose.
