Hva er en beholdningsprognose?
Lagerprognoser vil hjelpe deg med å anslå den fremtidige etterspørselen etter produktene dine i en kort-, mellom- eller langsiktig periode, og det er en grunnleggende del av enhver vellykket lagerplanleggingsoperasjon.
Å kjenne disse prognosene på forhånd vil tillate deg å forbedre kundeservice, lagerkontroll og kapasitetsstyring.
Vi kunne forutsi kostnadstallene i en lagerkontrollmodell; dette er prognoser for kostnadene som vil gjelde i fremtiden når det er på tide å legge inn en bestilling. Et annet område å forutsi er ledetiden, som generelt blir kortere. Uansett hva vi bestemmer oss for å forutsi, husk disse grunnleggende prinsippene:
- Prognosen vil være mer nøyaktig på kort sikt. Jo lenger du går, jo mindre nøyaktig er du.
- Værvarselet blir feil. Det vil være en prognosefeil, og det er viktig å vite den prosentandelen.
- Prognosen er ingen erstatning for faktisk etterspørsel.
Type prognoser
Det er så mange måter å spå, og forskjellige ting å spå, at ingen enkelt prognosemetode alltid er den beste. Vi må velge en metode som passer våre behov. I begge tilfeller må vi velge en basert på tid:
- Langtidsprognoser ser framover flere år
- Mellomtidsprognoser ser fremover mellom tre måneder og ett år
- Kortsiktige prognoser ser fremover til de neste ukene
Det er flere måter å basere prognosen på. De kan være basert på historiske data eller dømmende estimater. Prognosemetoden som benyttes vil avhenge av tilgjengelige datakilder. Hvis det er en pålitelig etterspørselshistorikk for et produkt, kan det være prognosekilden.
Prognoseteknikker
Som jeg har sagt før, er det flere teknikker for å beregne prognoser. Vi har allerede dekket teknikken for økonomisk ordrekvantitet i stor detalj i det siste, som vil avgjøre hvor mange produkter du trenger å kjøpe til enhver tid. Dette innlegget vil kort analysere de mest brukte som bruker historiske data.
De tre metodene beskrevet nedenfor vil bruke de samme historiske dataene fra de siste tre månedene (oktober, november og desember 2022) for å anslå de neste tre i 2023.
La oss se den første metoden…
Glidende gjennomsnitt
Den glidende gjennomsnittsmetoden er en enkel gjennomsnittsberegning. Denne teknikken gir et gjennomsnitt av et brukerspesifisert antall måneder for å projisere neste måneds etterspørsel.
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Desember 2022 | 137 |
| Januar 2023 | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| Februar 2023 | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| Mars 2023 | ? 137 + 123 + 126 = 379, 386 / 3 = 129 |
Vektet glidende gjennomsnitt
Det vektede glidende gjennomsnittet lar deg tilordne vekter til de historiske dataene. Denne metoden fungerer bedre for kortdistanseprognoser for modne produkter.
Merk: De tildelte vektene må være totalt 1,00, med de nyeste dataene som får størst vekt. I dette eksemplet, la oss anta at vektene er: 0,6, 03 og 0,1
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Desember 2022 | 137 |
| Januar 2023 | ? 137 * 0,6 + 119 * 0,3 + 114 * 0,1 = 129 |
| Februar 2023 | ? 129 * 0,6 + 137 * 0,3 + 119 * 0,1 = 131 |
| Mars 2023 | ? 131 * 0,6 + 129 * 0,3 + 137 * 0,1 = 131 |
Lineær utjevning
Denne metoden ligner på det vektede glidende gjennomsnittet. Imidlertid brukes en formel i stedet for å tildele vekter manuelt, og nå avtar vektene lineært. Denne metoden fungerer bedre for kortdistanseprognoser for modne produkter.
Vekt for én periode før = 3/(n^2 + n)/2 = 3/(3^2 + 3)/2 = 3/6 = 0,5
Vekt for to perioder før = 2/(n^2 + n)/2 = 2/(3^2 + 3)/2 = 2/6 = 0,3
Vekt i tre perioder før = 1/(n^2 + n)/2 = 1/(3^2 + 3)/2 = 1/6 = 0,16
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Desember 2022 | 137 |
| Januar 2023 | ? 137 * 0,5 + 119 * 0,3 + 114 * 0,16 = 127 |
| Februar 2023 | ? 127 * 0,5 + 137 * 0,3 * 119 * 0,16 = 129 |
| Mars 2023 | ? 129 * 0,5 + 127 * 0,3 * 137 * 0,16 = 130 |
Konklusjon
Prognoser er basert på historiske data og modeller. De er ikke perfekte; de vil inneholde feil som kan være forårsaket av modeller, data eller tolkning av resultatene, men et sterkt estimat er bedre enn ingen estimat.
I fremtidige innlegg vil vi se dypere på mer avanserte prognosemetoder (som eksponentiell utjevning, minste kvadratiske regresjon og andre), analysere fordeler og ulemper, og hvordan de kan genereres automatisk ved hjelp av lagerstyringssystemer.