Wat is een voorraadprognose?
Voorraadprognoses helpen u de toekomstige vraag naar uw producten op korte, middellange of lange termijn in te schatten en vormen een fundamenteel onderdeel van elke succesvolle voorraadplanning.
Als u die prognoses van tevoren kent, kunt u de klantenservice, het voorraadbeheer en het capaciteitsbeheer verbeteren.
We zouden de kostencijfers kunnen voorspellen in een voorraadbeheermodel; dit zijn prognoses van de kosten die in de toekomst zullen gelden als het tijd is om een bestelling te plaatsen. Een ander gebied om te voorspellen is de doorlooptijd, die over het algemeen steeds korter wordt. Wat we ook besluiten te voorspellen, onthoud deze basisprincipes:
- De voorspelling zal nauwkeuriger zijn voor de korte termijn. Hoe verder je gaat, hoe minder nauwkeurig je bent.
- De voorspelling zal verkeerd zijn. Er zal een voorspellingsfout zijn en het is essentieel om dat percentage te kennen.
- De prognose is geen vervanging voor de werkelijke vraag.
Type prognoses
Er zijn zoveel manieren om te voorspellen, en verschillende dingen om te voorspellen, dat geen enkele prognosemethode altijd de beste is. We moeten een methode kiezen die bij onze behoeften past. In beide gevallen moeten we er een kiezen op basis van tijd:
- Langetermijnprognoses kijken meerdere jaren vooruit
- Prognoses voor de middellange termijn kijken vooruit tussen drie maanden en een jaar
- Kortetermijnprognoses kijken vooruit naar de komende weken
Er zijn verschillende manieren om de prognose te baseren. Ze kunnen gebaseerd zijn op historische gegevens of veroordelende schattingen. De gebruikte prognosemethode is afhankelijk van de beschikbare gegevensbronnen. Als er een betrouwbare vraaggeschiedenis van een product is, kan dit de prognosebron zijn.
Prognosetechnieken
Zoals ik al eerder heb gezegd, zijn er verschillende technieken om prognoses te berekenen. We hebben de economische bestelhoeveelheidstechniek al behandeld in veel details in het verleden, die zullen bepalen hoeveel producten u op een bepaald moment moet kopen. Dit bericht analyseert kort de meest gebruikte die historische gegevens gebruiken.
De drie hieronder beschreven methoden gebruiken dezelfde historische gegevens van de afgelopen drie maanden (oktober, november en december 2022) om de volgende drie maanden in 2023 te voorspellen.
Laten we eens kijken naar de eerste methode…
Zwevend gemiddelde
De voortschrijdend-gemiddeldemethode is een eenvoudige berekening van het gemiddelde. Deze techniek neemt het gemiddelde van een door de gebruiker opgegeven aantal maanden om de vraag van de volgende maand te projecteren.
| oktober 2022 | 114 |
| november 2022 | 119 |
| december 2022 | 137 |
| Januari 2023 | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| Februari 2023 | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| Maart 2023 | ? 137 + 123 + 126 = 379, 386 / 3 = 129 |
Gewogen voortschrijdend gemiddelde
Met het gewogen voortschrijdend gemiddelde kunt u gewichten toekennen aan de historische gegevens. Deze methode werkt beter voor prognoses op korte termijn van volwassen producten.
Opmerking: de toegewezen gewichten moeten in totaal 1,00 zijn, waarbij de meest recente gegevens het grootste gewicht krijgen. Laten we in dit voorbeeld aannemen dat de gewichten zijn: 0,6, 03 en 0,1
| oktober 2022 | 114 |
| november 2022 | 119 |
| december 2022 | 137 |
| Januari 2023 | ? 137 * 0,6 + 119 * 0,3 + 114 * 0,1 = 129 |
| Februari 2023 | ? 129 * 0,6 + 137 * 0,3 + 119 * 0,1 = 131 |
| maart 2023 | ? 131 * 0,6 + 129 * 0,3 + 137 * 0,1 = 131 |
Lineaire afvlakking
Deze methode is vergelijkbaar met het gewogen voortschrijdend gemiddelde. Er wordt echter een formule gebruikt in plaats van handmatig gewichten toe te wijzen, en nu nemen de gewichten lineair af. Deze methode werkt beter voor prognoses op korte termijn van volwassen producten.
Gewicht voor één periode ervoor = 3/(n^2 + n)/2 = 3/(3^2 + 3)/2 = 3/6 = 0,5
Gewicht voor twee voorafgaande perioden = 2/(n^2 + n)/2 = 2/(3^2 + 3)/2 = 2/6 = 0,3
Gewicht voor drie voorafgaande perioden = 1/(n^2 + n)/2 = 1/(3^2 + 3)/2 = 1/6 = 0,16
| oktober 2022 | 114 |
| november 2022 | 119 |
| december 2022 | 137 |
| Januari 2023 | ? 137 * 0,5 + 119 * 0,3 + 114 * 0,16 = 127 |
| Februari 2023 | ? 127 * 0,5 + 137 * 0,3 * 119 * 0,16 = 129 |
| maart 2023 | ? 129 * 0,5 + 127 * 0,3 * 137 * 0,16 = 130 |
Conclusie
Prognoses zijn gebaseerd op historische gegevens en modellen. Ze zijn niet perfect; ze zullen fouten bevatten die kunnen worden veroorzaakt door modellen, gegevens of het interpreteren van de resultaten, maar een sterke schatting is beter dan geen schatting.
In toekomstige berichten zullen we dieper ingaan op geavanceerdere prognosemethoden (zoals exponentiële afvlakking, kleinste kwadratenregressie en andere), hun voor- en nadelen analyseren en hoe ze automatisch kunnen worden gegenereerd met behulp van voorraadbeheersystemen.