bättre säljprognoser med hjälp av matematiska prognosmodeller!

Transkript

1 Whiepaper / 5 Jobba mindre, men smarare, och uppnå bäre säljprognoser med hjälp av maemaiska prognosmodeller! Förfaare: Johanna Småros Direkör, Skandinavien, D.Sc. (Tech.) johanna.smaros@relexsoluions.com I illverkande föreag syr säljprognoser all från inköp, produkion och lager ill illgänglig produkionskapacie. Prognosprecisionen har allså en direk inverkan både på servicegraden mo föreages kunder, sam på hur effekiv och lönsam föreages verksamhe är. Många föreag har gjor ansrängningar för a höja prognosprecisionen. I många fall har dea le ill a iden och resurserna som används för a göra säljprognoser mångdubblas - man säer mera id på a a fram varje enskild prognos, prognoserna uppdaeras ofare och görs på en mera dealjerad nivå och på längre sik än idigare. De finns också andra sä a höja prognosprecisionen än genom a öka resurserna inom prognosarbee. Genom a jobba mindre, men smarare, kan man uppnå umärka resula, också inom prognosisering! Vilken avkasning ger prognosarbee? A göra säljprognoser kräver ansenlig id av föreages experer, ypisk säljchefer, kundansvariga eller planeringschefer. Den id som expererna använder på a göra prognoser borde därmed också ge en ordenlig avkasning. Nyan ska vara mins lika sor som om säljchefen använde samma id för a förhandla med kunder eller planeringschefen använde samma id för a planera produkionen av kriiska nyheer eller säsongvaror. I vissa fall krävs experernas specialkunnande för a man ska kunna göra noggranna prognoser. I regel besår prognosarbee ändå ill sor del av ruinmässig knogande, som kan uföras mer effekiv än genom a låa sälj- eller planeringschefen maa in siffror i celler. Med hjälp av maemaiska prognosmodeller kan man säa daorn i arbee och låa den a fram en grundläggande prognos, som experen sedan vid behov kan redigera. Dea gör prognosarbee mindre idskrävande och mera effekiv, samidig som de ofa höjer prognosprecisionen. Genom a auomaisera de ruinmässiga, får man samidig prognosarbee a kännas mera meningsfull. RELEX johanna.smaros@relexsoluions.com

2 2 / 5 När har man nya av maemaiska prognosmodeller? Nyan med maemaiska prognosmodeller är sörs då anale ariklar eller anale nivåer (.ex. kundgrupper, kunder, kedjor eller regioner) som prognoserna ska göras för är sor. Ifall anale prognoser (de vill säga, anale ariklar x anale prognosiseringsnivåer) som ska göras är mycke sor, har experen som gör kvaliaiva prognoser vå alernaiv: aningen kan han eller hon ine gå igenom alla ariklar särskil noga, vilke gör a prognosprecision för åminsone en del av sorimene blir lidande; eller också vingas han eller hon lägga ned väldig mycke id på prognosarbee, vilke inverkar negaiv på de andra arbesuppgiferna som ska sköas. En daor däremo kan gå igenom alla prognoser för alla ariklar på alla nivåer som ska prognosiseras, varje vecka eller varje dag, effekiv, exak och uan a röna. Maemaiska prognosmodeller bygger på anagande a framiden kan avläsas ur de förfluna. Därför bier de bäs på åerkommande siuaioner, såsom säsonger, render och kampanjer. Siuaionerna behöver ändå ine upprepa sig på exak samma sä år efer år för a modellerna ska vara ill nya. Maemaiska prognosmodeller kan bl.a. på e effekiv sä beaka a en rend planar u med iden eller a baseferfrågan för en säsongproduk ökar eller minskar från år ill år. Hur fungerar maemaiska prognosmodeller? De mes allmänna maemaiska prognosmodellerna är så kallade idsseriemodeller, där man endas använder sig av försäljnings- och dauminformaion för a beräkna prognoserna. Tidsseriemodellerna är väldig kosnadseffekiva upprähållande av både modeller och ugångsdaa är enkel och ros dea ger modellerna ofa umärka resula! Ifall eferfrågan ine uppvisar någon märkbar rend eller säsongvariaion, kan mycke enkla idsseriemodeller, såsom glidande medelvärden eller enkel exponeniell ujämning, ge bra resula. Då man prognosiserar eferfrågan genom a beräkna glidande medelvärden, ges all försäljning under en viss idsperiod (.ex. fem veckor) samma yngd. Prognosen uppdaeras regelbunde (.ex. veckovis). Vid enkel exponeniell ujämning ges de färskase eferfrågedaa sörre vik och viken för de äldre eferfrågedaa minskar exponeniell ju längre bak i iden de ligger (dea är också bakgrunden ill namne på modellen). De vikigase beslue då man använder sig av dessa modeller, är hur snabb man vill a modellerna ska reagera på förändringar i eferfrågan. Om idsperioden för vilken de glidande medelvärdena beräknas är kor eller om de färskase försäljningsdaa ges sor yngd, reagerar prognosen snabbare på förändringar i eferfrågan, men kan samidig också överreagera på en slumpmässig variaion i eferfrågan, vilke kan förorsaka onödiga svängningar i prognosen. RELEX johanna.smaros@relexsoluions.com

3 3 / F (1 α) F α Y F = prognos Försäljning Prognos, α = 0.2 Prognos, α = 0.5 Y = försäljning α = ujämningskoefficien F (1 α) F α Y ild Exempel på prognoser som beräknas med hjälp av enkel 45 exponeniell ujämning med olika ujämningskonsaner α Y 1 α )( T Mera 1600 avancerade prognosmodeller delar upp eferfrågan i olika komponener 35 baseferfrågan, 1500 säsong och rend och prognosiserar uvecklingen hos de olika T β ( 1 ) ( 1 β ) T 1 komponenerna skil för sig, ofa med hjälp av exponeniell ujämning ild 2. Exempel på en prognos som beräknas med hjälp av Hols rendmodell. Försäljning Prognos ( 1 1 De finns också prognosmodeller som uvecklas specifik för så kallad sporadisk eferfrågan, de vill säga eferfrågan där enskilda oppar i eferfrågan alernerar med perioder av ingen försäljning. Den här ypen av eferfrågan är vanlig bl.a. för reservdelar. I Crosons modell, ill exempel, prognosiseras vå komponener separa iden mellan eferfrågeopparna, sam opparnas sorlek och den slugiliga prognosen bildas på basen av dessa. Uöver idsseriemodeller använder man sig av olika maemaiska kausalmodeller för prognosisering. Kausalmodellerna bygger på a man lyckas idenifiera e samband mellan en eller flera variabler, såsom varans pris eller kampanjakivieer, och försäljning. F k kt Prognos för baseferfrågan α Y ( 1 α )( 1 T 1 ) Prognos för rend T β k β ( 1 ) ( 1 ) T 1 Prognos k perioder framå F kt P = prognos, F = försäljning T = rendkomponen = baseferfrågan α, β = ujämningskoefficiener ) RELEX johanna.smaros@relexsoluions.com

4 4 / 5 Ofa använder man sig av någo som kallas regressionsanalys för a konsruera en saisisk modell som förklarar förhållande mellan eferfrågan och olika fakorer som anas påverka den. När regressionsmodellen konsrueras, görs en del anaganden om förhållande mellan de olika variablerna, vilke innebär a sluresulae hur väl modellen fungerar beror på hur väl dessa anaganden sämmer. Ofa behöver man beydlig mer kunskaper och färdigheer för a bedöma modellens lämplighe än för a använda den. Den sörsa prakiska umaningen i unyjande av regressionsmodeller är upprähållande av de ugångsdaa som behövs. Regressionsmodeller behöver, uöver försäljningsdaa, yerligare informaion om de variabler som anas inverka på eferfrågan, såsom kampanjer eller prisförändringar. I dagens läge är de forfarande överraskande få föreag som sysemaisk sparar den här ypen av daa. Om hisoriska daa saknas, kan de dessuom vara idskrävande a sammansälla e illräcklig hisorisk maerial för a bygga en bra grund för prognosiseringen. När behövs experens insas i prognosarbee? Maemaiska prognosmodeller fungerar bra då de finns regelbundna mönser i eferfrågan. I hel nya siuaioner behövs däremo produk- och marknadskunnande för a göra bra prognoser. Sådana siuaioner är ill exempel lanseringen av en hel ny yp av produk, genomförande av en ny sors kampanj eller en påaglig förändring i marknads- eller konkurrensläge. E bra sä a dra nya av både den sakkunskap som finns inom föreage sam den effekivie som maemaiska prognosmodeller möjliggör, är a unyja maemaiska prognosmodeller för a göra en basprognos och sedan använda experens kunnande för a, vid behov, redigera prognosen. De lönar sig a redigera basprognosen endas ifall de finns vägande skäl. Forskning inom område visar a manuella korrigeringar ökar prognosprecisionen endas när man gör beydande förändringar i basprognosen, med andra ord då experen har sådan informaion som de maemaiska modellerna ine kan unyja. Små korrigeringar, speciell för a höja prognosen, försämrar i regel prognosprecisionen. (Fildes e al., 2009). En viss arbesinsas behövs också för a följa upp prognosprecisionen och för a upprähålla prognosmodellerna. Den adminisraiva arbesbördan kan dock göras väldig lien med hjälp av e bra sysemsöd. E bra sysem flaggar auomaisk upp siuaioner som kräver ågärder, såsom en försämrad prognosprecision för en viss produk eller kund eller en märkbar förändring i eferfrågan. E effekiv prognosverkyg kan också självsändig idenifiera och föreslå den prognosmodell och de relaerade syrparamerarna som ger den bäsa prognosprecisionen för en viss arikel. RELEX johanna.smaros@relexsoluions.com

5 5 / 5 Vilken nya har man av maemaiska prognosmodeller? Genom a unyja maemaiska prognosmodeller kan man uppnå re olika yper av fördelar: 1. Effekivie: Genom a unyja maemaiska prognosmodeller kan man avlasa de experer inom föreage som jobbar med prognoser, ypisk säljchefer, kundansvariga eller planeringschefer. Tiden som frigörs kan användas för a främja försäljningen eller bäre hanera kriiska siuaioner såsom vikiga produklanseringar eller kampanjer. 2. Precision: Maemaiska prognosmodeller unyjar konsan all illgänglig informaion om hur försäljningen uvecklas och uppdaerar prognoserna objekiv, regelbunde, och uan fördröjning. Ofa innebär dea a man reagerar snabbare på förändringar i eferfrågan och på så sä kan undvika sörre svängningar i prognoserna och höja prognosprecisionen. 3. Koninuie: Kvalieen på de prognoser som görs manuell av e föreags experer varierar beroende på vem som har gjor prognoserna. Om e föreag endas förliar sig på manuell prognosisering, finns de en risk a prognosprecisionen lider ifall någon av dem som jobbar med prognoserna byer arbesuppgifer. I sådana siuaioner sjunker prognosprecisionen vanligen ill en rä låg nivå innan den nya personen hunni bli bekan med produkerna och marknaden. Med hjälp av maemaiska prognosmodeller kan man säkersälla a prognoser görs och a de håller en accepabel, om ine allid umärk, nivå i alla siuaioner. Näsa seg? Vi på RELEX har hjälp många föreag a effekivisera sina prognosiseringsprocesser och uppnå en högre prognosprecision. Ta de försa sege mo bäre effekivare och noggrannare prognosiseringen genom a a konak med: johanna.smaros@relexsoluions.com eller +358 (0) Källor Fildes, R., Goodwin, P., Lawrence, M., Nikolopoulos, K., (2009), Effecive forecasing and judgmenal adjusmens: an empirical evaluaion and sraegies for improvemen in supply-chain planning, Inernaional Journal of Forecasing. RELEX johanna.smaros@relexsoluions.com