Was ist eine Bestandsprognose?
Bestandsprognosen helfen Ihnen, die zukünftige Nachfrage nach Ihren Produkten in einem kurz-, mittel- oder langfristigen Zeitraum abzuschätzen, und sie sind ein grundlegender Bestandteil jeder erfolgreichen Bestandsplanung.
Wenn Sie diese Prognosen im Voraus kennen, können Sie den Kundenservice, die Bestandskontrolle und das Kapazitätsmanagement verbessern.
Wir könnten die Kostenzahlen in einem Bestandskontrollmodell prognostizieren; es handelt sich hierbei um Prognosen der Kosten, die in Zukunft bei einer Auftragserteilung anfallen werden. Ein weiterer zu prognostizierender Bereich ist die Vorlaufzeit, die im Allgemeinen immer kürzer wird. Was auch immer wir prognostizieren, denken Sie an diese Grundprinzipien:
- Die Prognose wird kurzfristig genauer sein. Je weiter Sie gehen, desto ungenauer sind Sie.
- Die Vorhersage wird falsch sein. Es wird einen Prognosefehler geben, und es ist wichtig, diesen Prozentsatz zu kennen.
- Die Prognose ist kein Ersatz für die tatsächliche Nachfrage.
Art der Prognosen
Es gibt so viele Prognosemöglichkeiten und verschiedene Prognosen, dass keine einzelne Prognosemethode immer die beste ist. Wir müssen eine Methode wählen, die unseren Bedürfnissen entspricht. In beiden Fällen müssen wir eine nach Zeit auswählen:
- Langfristige Prognosen gehen mehrere Jahre voraus
- Mittelfristige Prognosen gehen zwischen drei Monaten und einem Jahr voraus
- Kurzfristige Prognosen blicken auf die nächsten Wochen
Es gibt mehrere Möglichkeiten, die Prognose zu stützen. Sie könnten auf historischen Daten oder wertenden Schätzungen basieren. Die verwendete Prognosemethode hängt von den verfügbaren Datenquellen ab. Wenn es eine zuverlässige Bedarfshistorie für ein Produkt gibt, kann dies die Prognosequelle sein.
Prognosetechniken
Wie ich bereits erwähnt habe, gibt es mehrere Techniken zur Berechnung von Prognosen. Wir haben bereits die Technik der wirtschaftlichen Bestellmenge behandelt sehr detailliert in der Vergangenheit, die bestimmt, wie viele Produkte Sie zu einem bestimmten Zeitpunkt kaufen müssen. In diesem Beitrag werden die am häufigsten verwendeten, die historische Daten verwenden, kurz analysiert.
Die drei unten beschriebenen Methoden verwenden dieselben historischen Daten aus den letzten drei Monaten (Oktober, November und Dezember 2022), um die nächsten drei im Jahr 2023 zu prognostizieren.
Sehen wir uns die erste Methode an…
Gleitender Durchschnitt
Die Methode des gleitenden Durchschnitts ist eine einfache Durchschnittsberechnung. Bei dieser Technik wird eine vom Benutzer angegebene Anzahl von Monaten gemittelt, um den Bedarf des nächsten Monats zu prognostizieren.
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Dezember 2022 | 137 |
| Januar 2023 | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| Februar 2023 | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| März 2023 | ? 137 + 123 + 126 = 379, 386 / 3 = 129 |
Gewichteter gleitender Durchschnitt
Mit dem gewichteten gleitenden Durchschnitt können Sie den historischen Daten Gewichte zuweisen. Diese Methode eignet sich besser für kurzfristige Prognosen von ausgereiften Produkten.
Hinweis: Die zugewiesenen Gewichtungen müssen insgesamt 1,00 betragen, wobei die neuesten Daten die größte Gewichtung erhalten. Gehen wir in diesem Beispiel von folgenden Gewichtungen aus: 0,6, 03 und 0,1
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Dezember 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 |
| März 2023 | ? 131 * 0,6 + 129 * 0,3 + 137 * 0,1 = 131 |
Lineare Glättung
Diese Methode ähnelt dem gewichteten gleitenden Durchschnitt. Anstelle der manuellen Gewichtung wird jedoch eine Formel verwendet, und die Gewichte nehmen jetzt linear ab. Diese Methode eignet sich besser für kurzfristige Prognosen von ausgereiften Produkten.
Gewicht für eine Periode davor = 3/(n^2 + n)/2 = 3/(3^2 + 3)/2 = 3/6 = 0,5
Gewicht für zwei Perioden davor = 2/(n^2 + n)/2 = 2/(3^2 + 3)/2 = 2/6 = 0,3
Gewichtung für drei Perioden davor = 1/(n^2 + n)/2 = 1/(3^2 + 3)/2 = 1/6 = 0,16
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Dezember 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 |
| März 2023 | ? 129 * 0,5 + 127 * 0,3 * 137 * 0,16 = 130 |
Schlussfolgerung
Prognosen basieren auf historischen Daten und Modellen. Sie sind nicht perfekt; Sie enthalten Fehler, die durch Modelle, Daten oder die Interpretation der Ergebnisse verursacht werden können, aber eine starke Schätzung ist besser als keine Schätzung.
In zukünftigen Beiträgen werden wir uns eingehender mit fortgeschritteneren Prognosemethoden (wie exponentielle Glättung, Regression der kleinsten Quadrate und andere) befassen, ihre Vor- und Nachteile analysieren und wie sie mithilfe von Bestandsverwaltungssystemen automatisch generiert werden können.