Smart IP&O biedt geautomatiseerde statistische prognoses die de juiste prognosemethode selecteren die de gegevens het beste voorspelt. Het doet dit voor elke tijdreeks in de dataset. Deze blog zal leken helpen begrijpen hoe de voorspellingsmethoden automatisch worden gekozen.

Smart stelt vele methoden beschikbaar, waaronder enkele en dubbele exponentiële afvlakking, lineair en eenvoudig voortschrijdend gemiddelde, en Winters-modellen. Elk model is ontworpen om een ander soort patroon vast te leggen. De criteria om automatisch één statistische methode uit een reeks keuzes te kiezen, zijn gebaseerd op welke methode het dichtst bij het correct voorspellen van de achtergehouden geschiedenis kwam.

Eerdere vraaggeschiedenis wordt aan elke methode doorgegeven en het resultaat wordt vergeleken met de werkelijke waarden om de methode te vinden die er in het algemeen het dichtst bij kwam. Die "winnende" automatisch gekozen methode krijgt dan alle geschiedenis voor dat item om de prognose te produceren.

De algehele aard van het vraagpatroon voor het item wordt vastgelegd door verschillende delen van de geschiedenis vast te houden, zodat een incidentele uitbijter de keuze van de methode niet onnodig beïnvloedt. U kunt het visualiseren met behulp van het onderstaande diagram, waarin elke rij een 3-periodevoorspelling in de uitgehouden geschiedenis vertegenwoordigt, gebaseerd op verschillende hoeveelheden van de rode eerdere geschiedenis. De varianties van elke pass worden samen gemiddeld om de algemene rangschikking van de methode ten opzichte van alle andere methoden te bepalen.

Voor de meeste tijdreeksen kan dit proces nauwkeurig trends, seizoensinvloeden en gemiddeld volume vastleggen. Maar soms komt een gekozen methode wiskundig het dichtst in de buurt van het voorspellen van de achtergehouden geschiedenis, maar projecteert deze niet op een logische manier.

Gebruikers kunnen dit corrigeren door de uitzonderingsrapporten en filterfuncties van het systeem te gebruiken om items te identificeren die een beoordeling verdienen. Vervolgens kunnen ze de automatische prognosemethoden configureren waarmee ze voor dat item in aanmerking willen komen.

Hoe lang moet het duren voordat een vraagprognose wordt berekend met behulp van statistische methoden? Deze vraag wordt vaak gesteld door klanten en prospects. Het antwoord hangt er echt van af. Voorspellingsresultaten voor een enkel item kunnen in een oogwenk worden berekend, in slechts enkele honderdsten van een seconde, maar soms kan het zelfs vijf seconden duren. Om de verschillen te begrijpen, is het belangrijk om te begrijpen dat er meer bij komt kijken dan alleen de rekenkundige berekeningen zelf door te spitten. Hier zijn zes factoren die de snelheid van uw prognose-engine beïnvloeden.

1) Prognosemethode.  Traditionele tijdreeks-extrapolatieve technieken (zoals exponentiële afvlakking en voortschrijdend-gemiddeldemethoden) zijn, mits slim gecodeerd, razendsnel. De automatische prognose-engine Smart Forecast, die gebruikmaakt van deze technieken en onze software voor vraagplanning en voorraadoptimalisatie aandrijft, kan bijvoorbeeld in 1 seconde statistische prognoses voor 1000 artikelen genereren! Extrapolatieve methoden produceren een verwachte voorspelling en een samenvattende maatstaf voor de voorspellingsonzekerheid. Complexere modellen in ons platform die probabilistische vraagscenario's genereren, duren echter veel langer bij dezelfde computerbronnen. Dit komt deels omdat ze een veel groter outputvolume creëren, meestal duizenden plausibele toekomstige vraagreeksen. Meer tijd, ja, maar geen tijdverspilling, aangezien deze resultaten veel vollediger zijn en de basis vormen voor downstream-optimalisatie van voorraadbeheerparameters.

2) Computerbronnen.  Hoe meer bronnen u naar de berekening gooit, hoe sneller het zal zijn. Middelen kosten echter geld en het is misschien niet economisch om in deze middelen te investeren. Om bijvoorbeeld bepaalde soorten op machine learning gebaseerde prognoses te laten werken, moet het systeem multithread-berekeningen over meerdere servers uitvoeren om snel resultaten te leveren. Zorg er dus voor dat u de veronderstelde rekenresources en bijbehorende kosten begrijpt. Onze berekeningen vinden plaats in de Amazon Web Services-cloud, dus het is mogelijk om desgewenst voor een groot deel van de parallelle berekeningen te betalen.

3) Aantal tijdreeksen.  Moet u slechts een paar honderd artikelen op één locatie of vele duizenden artikelen op tientallen locaties voorspellen? Hoe groter het aantal combinaties van SKU x Locatie, hoe langer de benodigde tijd. Het is echter mogelijk om de tijd om vraagprognoses te krijgen te verkorten door een betere vraagclassificatie. Het is bijvoorbeeld niet belangrijk om elke combinatie van SKU x Locatie te voorspellen. Moderne software voor vraagplanning kan de gegevens eerst subsetten op basis van volume-/frequentieclassificaties voordat de prognose-engine wordt uitgevoerd. We hebben situaties waargenomen waarin meer dan een miljoen combinaties van SKU x Locatie bestonden, maar waar slechts tien procent vraag naar had in de voorgaande twaalf maanden.

4) Historisch emmeren. Maakt u prognoses met behulp van dagelijkse, wekelijkse of maandelijkse tijdsintervallen? Hoe gedetailleerder de bucketing, hoe meer tijd het kost om statistische prognoses te berekenen. Veel bedrijven zullen zich afvragen: "Waarom zou iemand dagelijks prognoses willen maken?" State-of-the-art software voor vraagvoorspelling kan echter gebruikmaken van dagelijkse gegevens om gelijktijdige dag-van-week- en week-van-maandpatronen te detecteren die anders zouden worden verdoezeld met traditionele maandelijkse vraagbuckets. En de snelheid van zaken blijft toenemen, wat de concurrentiekracht van het traditionele maandelijkse planningstempo bedreigt.

5) Hoeveelheid geschiedenis. Beperkt u het model door alleen de meest recente vraaghistorie in te voeren, of voert u alle beschikbare historie in de vraagvoorspellingssoftware? Hoe meer historie u het model voedt, hoe meer gegevens er moeten worden geanalyseerd en hoe langer het gaat duren.

6) Aanvullende analytische verwerking.  Tot nu toe hebben we ons voorgesteld om de vraaggeschiedenis van items in te voeren en prognoses te krijgen. Maar het proces kan ook aanvullende analytische stappen omvatten die de resultaten kunnen verbeteren. Voorbeelden zijn onder meer:

a) Uitbijterdetectie en -verwijdering om de vervorming te minimaliseren die wordt veroorzaakt door eenmalige gebeurtenissen zoals stormschade.

b) Machine learning dat beslist hoeveel geschiedenis moet worden gebruikt voor elk item door verandering van regime te detecteren.

c) Causale modellering die identificeert hoe veranderingen in vraagbepalende factoren (zoals prijs, rentevoet, klantensentiment, enz.) de toekomstige vraag beïnvloeden.

d) Melding van uitzonderingen die data-analyse gebruikt om ongebruikelijke situaties te identificeren die nadere beoordeling door het management verdienen.

De rest van het verhaal. Het is ook van cruciaal belang om te begrijpen dat de tijd om een antwoord te krijgen meer inhoudt dan de snelheid van het voorspellen van berekeningen per se. Gegevens moeten in het geheugen worden geladen voordat de berekening kan beginnen. Zodra de prognoses zijn berekend, moet uw browser de resultaten laden zodat ze op het scherm kunnen worden weergegeven zodat u ermee kunt werken. Als u een product opnieuw voorspelt, kunt u ervoor kiezen om de resultaten op te slaan. Als u werkt met producthiërarchieën (het samenvoegen van artikelprognoses tot productfamilies, families tot productlijnen, enz.), zal de nieuwe prognose de hiërarchie beïnvloeden en moet alles op elkaar worden afgestemd. Dit kost allemaal tijd.

Snel genoeg voor jou? Wanneer u software evalueert om te zien of aan uw behoefte aan snelheid zal worden voldaan, kan dit allemaal worden getest als onderdeel van een proof of concept of proef aangeboden door leveranciers van software voor vraagplanning. Test het uit, en zorg ervoor dat de berekenen, laden en opslaan tijden zijn acceptabel gezien de hoeveelheid gegevens en prognosemethoden die u wilt gebruiken om uw proces te ondersteunen.

 Wat is het wiggle-effect? 

Het is wanneer uw statistische prognose de ups en downs die in uw vraaggeschiedenis zijn waargenomen, onjuist voorspelt terwijl er echt geen patroon is. Het is belangrijk om ervoor te zorgen dat uw prognoses niet schommelen, tenzij er een echt patroon is.

Hier is een transcriptie van een recente klant waar dit probleem werd besproken:

Klant: “De prognose volgt niet de patronen die ik in de historie zie. Waarom niet?" 

Smart: “Als je goed kijkt, zijn de ups en downs die je ziet geen patronen. Het is echt lawaai.”  

Klant: "Maar als we de hoogtepunten niet voorspellen, slaan we de voorraad op."

Smart: “Als de voorspelling zou 'wiebelen', zou die veel minder nauwkeurig zijn. Het systeem voorspelt welk patroon dan ook, in dit geval een zeer lichte opwaartse trend. We bufferen het lawaai met veiligheidsvoorraden. De wiggles worden gebruikt om de veiligheidsvoorraden in te stellen.”

Klant: “Oké. Logisch nu.” 

De wiggle ziet er geruststellend uit, maar in dit geval resulteert het in een onjuiste vraagprognose. De ups en downs vinden niet echt elke maand op hetzelfde tijdstip plaats. Een betere statistische voorspelling wordt weergegeven in lichtgroen.

5 Stappen naar Consensus Vraagplanning

Het hele punt van vraagvoorspelling is het vaststellen van de best mogelijke zicht op de toekomstige vraag. Dit vereist dat we gebruikmaken van de beste gegevens en input die we kunnen krijgen, maak gebruik van statistieken om onderliggende patronen vast te leggen, de koppen bij elkaar te steken om overrides toe te passen op basis van zakelijke kennis, en overeenstemming te bereiken over een consensusvraagplan dat als hoeksteen dient voor het algemene vraagplan van het bedrijf.

Stap 1: Ontwikkel een nauwkeurig vraagsignaal.   Wat is vraag? Overweeg hoe uw organisatie de vraag definieert – bijvoorbeeld bevestigde verkooporders exclusief annuleringen of verzendgegevens die zijn aangepast om de impact van historische stockouts weg te nemen – en gebruik dit consequent. Dit is uw maatstaf voor wat de markt u vraagt te leveren. Verwar dit niet met uw vermogen om te leveren - dat moet worden weerspiegeld in het inkomstenplan.

Stap 2: Genereer een statistische prognose. Plan voor duizenden artikelen met behulp van een beproefde prognosetoepassing die automatisch uw gegevens binnenhaalt en op betrouwbare wijze nauwkeurige prognoses produceert voor allemaal van uw artikelen. Bekijk de eerste passage van uw prognose en breng vervolgens aanpassingen aan. Een staking of treinwrak kan de scheepvaart vorige maand hebben onderbroken - laat dat uw voorspelling niet beïnvloeden. Pas hiervoor aan en maak een nieuwe voorspelling. Doe je best en nodig dan anderen uit om mee te wegen.

Stap 3: Schakel de experts in. Productlijnmanagers, verkoopleiders, belangrijke distributiepartners kennen hun markten.  Deel uw voorspelling met hen. Smart gebruikt het concept van een "Snapshot" om een facsimile van uw voorspelling - op elk niveau, voor elke productlijn - te delen met mensen die misschien beter weten. Er kan een enorme order zijn die niet in de pijplijn zit, of een channel partner staat op het punt hun jaarlijkse promotie te houden. Geef ze een gemakkelijke manier om hun deel van de prognose te nemen en te wijzigen. Sleep deze maand omhoog, die omlaag…

Stap 4: Meet nauwkeurigheid en voorspelde toegevoegde waarde. Sommige van uw bijdragers hebben misschien gelijk met het geld, andere hebben de neiging hoog of laag bevooroordeeld te zijn. Gebruik prognose versus actuals-rapportage en meet prognosewaardetoevoegende analyse om prognosefouten te meten en of wijzigingen in de prognose pijn doen of helpen. Door het proces met deze informatie te informeren, verbetert uw bedrijf het vermogen om nauwkeuriger prognoses te maken.

Stap 5: ga akkoord met de consensusprognose.  U kunt deze productlijn of geografie per keer doen, of bedrijf per bedrijf. Roep het team bijeen, stapel hun invoer grafisch op elkaar, bekijk eerdere nauwkeurigheidsprestaties, bespreek hun redenen voor het verhogen of verlagen van de prognose en spreek af wiens input moet worden gebruikt. Dit wordt uw consensusplan. Voltooi het plan en verzend het - upload prognoses naar MRP, stuur het naar financiën en productie.  U bent net begonnen met uw verkoop-, voorraad- en operationele planningsproces.

Je kan dit doen. En wij kunnen helpen.  Als u vragen heeft over gezamenlijke vraagplanning, kunt u deze blog beantwoorden, dan nemen we contact met u op.

In de ruim veertig jaar dat Smart Software voorspellingssoftware levert, hebben we veel mensen ontmoet die, misschien verrassend, vraagvoorspellers worden. Deze blog is in de eerste plaats bedoeld voor die gelukkige individuen die op het punt staan om aan dit avontuur te beginnen (hoewel doorgewinterde pro's de opfriscursus misschien leuk vinden).

Welkom op het veld! Goede prognoses kunnen een groot verschil maken voor de prestaties van uw bedrijf, of u nu prognoses maakt ter ondersteuning van verkoop, marketing, productie, voorraad of financiën.

Er is veel wiskunde en statistiek die aan de vraag ten grondslag liggen voorspellingsmethoden, dus je opdracht suggereert dat je niet een van die wiskunde-fobische mensen bent die liever dichters zouden zijn. Gelukkig, als je je een beetje wankel voelt en nog niet genezen bent van je meetkundeles op de middelbare school, is veel van de wiskunde ingebouwd in voorspellingssoftware, dus je eerste taak is om de wiskunde voor later te laten terwijl je een zicht krijgt op de grote afbeelding. Het is inderdaad een grote afbeelding, maar laten we een paar van de ideeën isoleren die u het meest zullen helpen slagen.

1. Vraagvoorspelling is een teamsport. Zelfs in een klein bedrijf maakt de vraagplanner deel uit van een team, waarbij sommige mensen de gegevens brengen, sommigen de technologie en sommigen het zakelijke oordeel. In een goed geleide onderneming zal het nooit uw taak zijn om simpelweg wat gegevens in een programma in te voeren en een prognoserapport te verzenden. Veel bedrijven hebben een proces aangenomen dat Sales and Operations Planning (S&OP) wordt genoemd, waarbij uw prognose wordt gebruikt om een vergadering te starten om bepaalde beoordelingen te maken (bijvoorbeeld: moeten we ervan uitgaan dat deze trend zich zal voortzetten? overprognose?) en om extra informatie in de uiteindelijke prognose op te nemen (bijv. input van het verkooppersoneel, business intelligence over bewegingen van concurrenten, promoties). De implicatie voor u is dat uw vaardigheden op het gebied van luisteren en communiceren belangrijk zullen zijn voor uw succes.

2. Motoren voor statistische prognoses hebben goede brandstof nodig. Historische gegevens zijn de brandstof die wordt gebruikt door statistische prognoseprogramma's, dus slechte of ontbrekende of vertraagde gegevens kunnen uw werkproduct degraderen. Bij je functie hoort impliciet een aspect van kwaliteitscontrole en je moet de gegevens die je aangeleverd worden scherp in de gaten houden. Onderweg is het een goed idee om de IT-mensen tot je vrienden te maken.

3. Uw naam staat op uw prognoses. Of ik het nu leuk vind of niet, als ik voorspellingen naar de commandostructuur stuur, worden ze bestempeld als 'Tom's voorspellingen'. Ik moet bereid zijn die nummers te bezitten. Om mijn plaats aan tafel te verdienen, moet ik kunnen uitleggen op welke gegevens mijn voorspellingen waren gebaseerd, hoe ze werden berekend, waarom ik methode A in plaats van methode B gebruikte om de berekeningen uit te voeren, en vooral hoe stevig of zacht ze zijn. Hier is eerlijkheid belangrijk. Van geen enkele voorspelling kan redelijkerwijs worden verwacht dat deze perfect nauwkeurig is, maar niet van alle managers kan worden verwacht dat ze volkomen redelijk zijn. Als u pech heeft, denkt uw management dat uw meldingen van onzekerheid voorspellen wijzen op onwetendheid of incompetentie. In werkelijkheid duiden ze op professionaliteit. Ik heb geen bruikbaar advies over hoe je zulke managers het beste kunt managen, maar ik kan je er wel voor waarschuwen. Het is aan jou om degenen die je prognoses gebruiken op te leiden. De beste managers zullen dat waarderen.

4. Laat uw spreadsheets achter. Het is niet ongebruikelijk dat iemand wordt gepromoveerd tot voorspeller omdat ze geweldig waren met Excel. Tenzij u bij een ongewoon klein bedrijf werkt, overstijgt de schaal van moderne bedrijfsprognoses wat u met spreadsheets aankunt. De toenemende snelheid van zakendoen verergert het probleem: het slaperige tempo van jaarlijkse en driemaandelijkse planningsvergaderingen maakt snel plaats voor wekelijkse of zelfs dagelijkse herprognoses naarmate de omstandigheden veranderen. Wees dus voorbereid op een professionele leverancier van moderne, schaalbare cloudgebaseerde software voor vraagplanning en statistische prognose voor training en ondersteuning.

5. Denk visueel. Het zal zeer nuttig zijn, zowel bij het beslissen hoe u vraagprognoses genereert als bij het presenteren ervan aan het management, dus profiteer van de visualisatiemogelijkheden die in de prognosesoftware zijn ingebouwd. Zoals ik hierboven al opmerkte, kunnen de gegevens waarmee u werkt in de huidige hoogfrequente zakenwereld snel veranderen, dus wat u vorige maand deed, is deze maand misschien niet de juiste keuze. Houd uw gegevens letterlijk in de gaten door eenvoudige grafieken te maken, zoals "timeplots" die zaken als trend of seizoensinvloeden of (vooral) veranderingen in trend of seizoensinvloeden of anomalieën laten zien die moeten worden aangepakt. Evenzo kan het zeer nuttig zijn in een S&OP-proces om tabellen met prognoses aan te vullen met grafieken waarin huidige prognoses worden vergeleken met eerdere prognoses met werkelijke cijfers. Tijdplots met waarden uit het verleden, voorspelde waarden en 'prognose-intervallen' die de objectieve onzekerheid in de prognoses aangeven, bieden bijvoorbeeld een solide basis voor uw team om de boodschap in uw prognoses ten volle te waarderen.

Dat is genoeg voor nu. Als iemand die al een halve eeuw lesgeeft aan universiteiten, ben ik geneigd om met de statistische kant van voorspellingen te beginnen, maar dat bewaar ik voor een andere keer. De vijf bovenstaande tips zouden u kunnen helpen als u uitgroeit tot een belangrijk onderdeel van uw bedrijfsplanningsteam. Welkom bij het spel!