Co to jest prognoza dotycząca zasobów reklamowych?
Prognozy zapasów pomogą Ci oszacować przyszły popyt na Twoje produkty w krótkim, średnim lub długim okresie i jest to podstawowa część każdej udanej operacji planowania zapasów.
Znajomość tych prognoz z wyprzedzeniem pozwoli Ci usprawnić obsługę klienta, kontrolę zapasów i zarządzanie wydajnością.
Moglibyśmy prognozować dane dotyczące kosztów w modelu kontroli zapasów; są to prognozy kosztów, które będą obowiązywały w przyszłości, gdy przyjdzie czas na złożenie zamówienia. Kolejnym obszarem do prognozowania jest czas realizacji, który generalnie się skraca. Cokolwiek zdecydujemy się prognozować, pamiętaj o tych podstawowych zasadach:
- Prognoza będzie dokładniejsza w krótkim okresie. Im dalej się posuwasz, tym mniej jesteś dokładny.
- Prognoza będzie błędna. Wystąpi błąd prognozy i niezbędna jest znajomość tego procentu.
- Prognoza nie zastępuje rzeczywistego popytu.
Rodzaj prognoz
Istnieje tak wiele sposobów prognozowania i różnych rzeczy do prognozowania, że żadna pojedyncza metoda prognozowania nie jest zawsze najlepsza. Musimy wybrać metodę, która odpowiada naszym potrzebom. W obu przypadkach musimy wybrać jeden na podstawie czasu:
- Długoterminowe prognozy dotyczą kilku lat do przodu
- Prognozy średnioterminowe dotyczą okresu od trzech miesięcy do roku
- Prognozy krótkoterminowe obejmują kilka następnych tygodni
Prognozę można oprzeć na kilka sposobów. Mogą one opierać się na danych historycznych lub subiektywnych szacunkach. Zastosowana metoda prognozowania będzie zależała od dostępnych źródeł danych. Jeśli istnieje wiarygodna historia popytu na produkt, może to być źródło prognozowania.
Techniki prognozowania
Jak już wspomniałem, istnieje kilka technik obliczania prognoz. Omówiliśmy już technikę ekonomicznej ilości zamówienia w szczegółowo w przeszłości, która określi, ile produktów musisz kupić w danym momencie. W tym poście krótko przeanalizujemy te najczęściej używane, które wykorzystują dane historyczne.
Trzy opisane poniżej metody wykorzystają te same dane historyczne z ostatnich trzech miesięcy (październik, listopad i grudzień 2022 r.) do prognozowania kolejnych trzech miesięcy w 2023 r.
Zobaczmy pierwszą metodę…
Średnia ruchoma
Metoda średniej ruchomej to proste obliczenie średniej. Ta technika uśrednia określoną przez użytkownika liczbę miesięcy w celu prognozowania zapotrzebowania na następny miesiąc.
| październik 2022 | 114 |
| listopad 2022 | 119 |
| grudzień 2022 | 137 |
| styczeń 2023 | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| luty 2023 | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| marzec 2023 | ? 137 + 123 + 126 = 379, 386 / 3 = 129 |
Ważona średnia krocząca
Ważona średnia ruchoma pozwala przypisać wagi do danych historycznych. Ta metoda sprawdza się lepiej w przypadku prognoz krótkoterminowych dla dojrzałych produktów.
Uwaga: Przypisane wagi muszą wynosić 1,00, przy czym największą wagę mają najnowsze dane. W tym przykładzie załóżmy, że wagi to: 0,6, 03 i 0,1
| październik 2022 | 114 |
| listopad 2022 | 119 |
| grudzień 2022 | 137 |
| styczeń 2023 | ? 137 * 0,6 + 119 * 0,3 + 114 * 0,1 = 129 |
| luty 2023 | ? 129 * 0,6 + 137 * 0,3 + 119 * 0,1 = 131 |
| marzec 2023 | ? 131 * 0,6 + 129 * 0,3 + 137 * 0,1 = 131 |
Wygładzanie liniowe
Ta metoda jest podobna do ważonej średniej ruchomej. Jednak zamiast ręcznego przypisywania wag używana jest formuła, a teraz wagi maleją liniowo. Ta metoda sprawdza się lepiej w przypadku prognoz krótkoterminowych dla dojrzałych produktów.
Waga dla jednego okresu poprzedzającego = 3/(n^2 + n)/2 = 3/(3^2 + 3)/2 = 3/6 = 0,5
Waga dla dwóch wcześniejszych okresów = 2/(n^2 + n)/2 = 2/(3^2 + 3)/2 = 2/6 = 0,3
Waga dla trzech wcześniejszych okresów = 1/(n^2 + n)/2 = 1/(3^2 + 3)/2 = 1/6 = 0,16
| październik 2022 | 114 |
| listopad 2022 | 119 |
| grudzień 2022 | 137 |
| styczeń 2023 | ? 137 * 0,5 + 119 * 0,3 + 114 * 0,16 = 127 |
| luty 2023 | ? 127 * 0,5 + 137 * 0,3 * 119 * 0,16 = 129 |
| marzec 2023 | ? 129 * 0,5 + 127 * 0,3 * 137 * 0,16 = 130 |
Wnioski
Prognozy oparte są na danych historycznych i modelach. Nie są doskonałe; będą zawierać błędy, które mogą być spowodowane przez modele, dane lub interpretację wyników, ale mocne oszacowanie jest lepsze niż brak oszacowania.
W kolejnych postach przyjrzymy się bardziej zaawansowanym metodom prognozowania (takim jak wygładzanie wykładnicze, regresja najmniejszych kwadratów i inne), przeanalizujemy ich wady i zalety oraz sposób ich automatycznego generowania za pomocą systemów zarządzania zapasami.