En introduktion till kvantitativa och kvalitativa modeller för efterfrågeprognoser

Vikten av att välja rätt beräkningsmodell för lagerprognoser

Oavsett om du är tillverkare, grossist eller återförsäljare är korrekta lagerprognoser avgörande för många företag för att uppnå effektiv lagerhantering. Lagerprognoser handlar om att förutse framtida kundefterfrågan på dina produkter, vilket möjliggör datadrivna beslut och säkerställer att du har rätt mängd varor i lager.

Felaktiga prognoser kan få allvarliga konsekvenser. Om du till exempel binder för mycket kapital i lager kan det leda till kassaflödesproblem. Å andra sidan, om du har för lite lager, riskerar du lagerbrist, missnöjda kunder och på sikt ett skadat rykte.

Att analysera din framtida försäljning är en logisk startpunkt för att planera verksamhet och inköp. Genom att förutse framtida efterfrågan på ett korrekt sätt kan du optimera dina inköp och minska lagerkostnaderna. Men för att skapa mer exakta prognoser behöver du välja rätt beräkningsmodell.

Metoder och modeller för prognostisering av lager

Det finns två huvudsakliga metoder att överväga vid beräkning av den prognostiserade efterfrågan: kvantitativa och kvalitativa lagerprognosmodeller. Generellt sett bygger kvalitativa prognoser på subjektiva åsikter och insikter, medan kvantitativa prognoser använder historisk data för att förutsäga framtiden.

Kvantitativa efterfrågeprognoser

Kvantitativ prognostisering använder historisk efterfrågedata i kombination med matematiska modeller för att förutsäga framtida resultat. Det innebär oftast att man analyserar tidigare försäljningssiffror för att förutse kommande efterfrågan. Datamängderna kan sträcka sig från flera decennier bakåt i tiden till det senaste kalenderåret. Ju mer data som finns tillgänglig, desto mer exakt kan prognosen bli.

Kvantitativa prognosmetoder tar hänsyn till faktorer som efterfrågetrender och säsongsvariationer för att förbättra noggrannheten. Dessa metoder bygger på att man har tillgång till tillräckligt med data av god kvalitet för att kunna göra rimliga bedömningar. Om sådan data saknas, till exempel vid lanseringen av en ny produkt, är det inte möjligt att använda dessa metoder från början.

En av de vanligaste statistiska efterfrågeprognosmodellerna är analys av tidsserier (Time series forecasting). Denna metod undersöker mönster i tidigare beteenden över tid för att förutsäga framtida beteenden. Det finns två huvudtyper som ofta används i kvantitativa prognoser:

1.       Prognos för glidande medelvärde (moving average forecasting):

Denna metod använder efterfrågedata från en tidigare period (t.ex. fyra veckors försäljningsdata) och beräknar genomsnittlig efterfrågan under den perioden. Detta genomsnitt används sedan som prognos för den kommande perioden.

Nackdelar med metoden för glidande medelvärde inkluderar att varje period ges lika stor vikt och att endast data från den valda perioden beaktas.

2.    Exponentiell utjämning:

Detta mer avancerade tillvägagångssätt övervinner problemen med glidande medelvärde. Exponentiell utjämning tar hänsyn till den faktiska efterfrågan för den aktuella perioden och tidigare prognoser för samma period. Observationerna är exponentiellt viktade för att minska över tid, vilket hjälper till att förutse kommande perioder mer exakt.

Statistiska prognoser baserade enbart på historiska konsumtionsdata fungerar bra om du säljer eller producerar samma mängd av varje vara under varje period. Om försäljningen varierar kraftigt mellan perioder kan detta leda till felaktiga prognoser, vilket resulterar i antingen lagerförluster eller överlager.

Effektiva efterfrågeprognoser bör ta hänsyn till efterfrågetrender, säsongsvariationer och produktlivscykelstadiet för dina varor. Det kan dock vara svårt och tidskrävande att göra detta manuellt.

Kvalitativa efterfrågeprognoser

Kvalitativa prognosmetoder är betydligt mer subjektiva än deras kvantitativa motsvarigheter och bygger på kvalificerade slutsatser snarare än matematiska beräkningar. Med kvalitativ prognostisering förutsägs efterfrågan utifrån expertkunskaper och erfarenhet av hur marknaden fungerar. Dessa insikter kan komma från nyckelpersoner eller genom åsikter och analyser – både internt och externt.

Kvalitativa prognosmetoder kan ses som en konst som lagerplanerare har utvecklat genom många års erfarenhet. Dessutom kan kvalitativ prognostisering inkludera att förutspå resultatet av en ny kampanj, uppskatta effekten av ny teknologi på marknaden, eller överväga hur sociala trender påverkar framtida köpvanor.

Riskerna med kvalitativa lagerprognoser är att de bygger på erfarenhet och marknadsexpertis, och det finns alltid en risk att en person i företaget sitter på en stor del av kunskapen. Detta gör prognosprocessen skör; om den personen slutar kan företaget stå inför stora problem.

Det finns flera kvalitativa prognosmetoder:

1.    Expertpanel (Panel approach):

En panel av experter eller anställda, till exempel försäljnings- och marknadschefer, samlas för att agera som en fokusgrupp. De granskar data och ger rekommendationer. Även om resultatet sannolikt blir mer balanserat än en enskild persons åsikt, kan även experter ha fel.

2.    Delphi-metoden (Delphi-metoden):

Denna metod innebär att skapa ett frågeformulär som skickas till relevanta experter (t.ex. kunder och leverantörer). Experterna fyller i formuläret, och resultaten analyseras och returneras anonymt till deltagarna.

De får då möjlighet att ompröva sina ursprungliga svar i ljuset av andras åsikter tills en slutgiltig konsensus uppnås. Detta formella tillvägagångssätt minskar påverkan från möten ansikte mot ansikte men kan fortfarande ha en viss partiskhet från de utvalda experterna.

3.    Scenarioplanering:

Denna metod används för att hantera situationer med stor osäkerhet eller längre tidshorisonter. En expertpanel uppmanas att utveckla en rad framtidsscenarier, troliga utfall och planer för att uppnå det mest önskvärda resultatet. Till exempel att förutsäga effekten av en ny säljkampanj, uppskatta effekten av ny teknologi på marknaden, eller överväga påverkan av sociala trender på framtida köpvanor.

Vilken modell för prognostisering av efterfrågan är bäst?

Smarta lagerplanerare väljer att använda både kvalitativa och kvantitativa prognosmetoder för att få ett mer väl avvägt perspektiv. Till exempel kan du använda en statistisk beräkning av glidande medelvärde, som analyserar historiska försäljningsdata för att fastställa din basefterfrågansprognos och observera hur efterfrågan på en produkt har förändrats (en kvantitativ prognosmetod).

Som exempel kan tillverkaren Utomhusgrillar AB använda historiska data för att göra en prognos av basbehovet av gasgrillar (en kvantitativ form av prognostisering). Men om konsumentundersökningar visar att elgrillar kommer att bli allt populärare under det kommande året kan de justera prognosen och lagernivåerna med hjälp av en kvalitativ metod.

Om du identifierar ett trendmönster kan du sedan använda kvalitativa metoder, såsom paneldiskussioner, intervjuer eller marknadsundersökningsgrupper, för att få ytterligare insikter och diskutera framtida marknadstrender för det kommande året.

Det kan även finnas anledning att använda olika modeller beroende på om det gäller långsiktiga eller kortsiktiga prognoser. Kortsiktiga prognoser, t.ex. för upp till ett år, bör ge dig uppgifter för lagerplanering, påfyllning och upphandling.

När du gör kortsiktiga prognoser behöver du ta hänsyn till flera variabler, inklusive fluktuationer i efterfrågan som säsongsvariationer och volatila ledtider hos leverantörerna. Dessa kan påverka bland annat beställningspunkter och säkerhetslagernivåer. Det finns alltså en mängd detaljer att beakta och prognoserna måste ständigt uppdateras eftersom förutsättningarna förändras.

Långsiktiga efterfrågeprognoser är värdefulla för att hantera viktiga strategiska frågor och investeringsbeslut. När man fokuserar på lagerstrategier kan långsiktiga efterfrågeprognoser hjälpa företag med produktplanering, till exempel att förutspå slutet på vissa produktlinjer, eller att identifiera nya marknadstrender som kräver innovation och nya idéer. Sådana beslut påverkar produktionsplaneringen, som ofta måste hanteras många månader innan produkterna lanseras.

För att göra effektiva långsiktiga prognoser krävs inte bara en ögonblicksbild av aktuella händelser, utan även en djupgående förståelse för marknaden.

Om du tycker att lagerprognoser känns utmanande är du välkommen att kontakta EazyStock-teamet. Vår mjukvara för efterfrågeprognoser ger dig avancerade funktioner för lagerhantering som du kan använda för att förbättra den dagliga driften av ditt företag – snabbt.