Prognoza Cererii
Prognoza cererii este practica de a anticipa cererea viitoare a clienților pentru un produs, astfel încât stocul, producția, personalul și transportul să poată fi planificate din timp. Se află chiar la începutul lanțului logistic — aproape orice decizie din aval, de la cât se comandă de la un furnizor până la câte dube de livrare se programează luna viitoare, depinde de o prognoză rezonabil de precisă.
Eroarea de prognoză este costisitoare în ambele direcții. Supraestimarea blochează capital în stoc excedentar, crește costul de depozitare și riscă învechirea sau reducerile de preț pentru stocul nevândut. Subestimarea cauzează rupturi de stoc, vânzări pierdute, reaprovizionare de urgență la tarife de transport premium și încredere afectată a clienților. Pentru că aceste costuri sunt asimetrice în funcție de produs (un produs perisabil penalizează supraestimarea mult mai sever decât un bun durabil), țintele de acuratețe a prognozei sunt de obicei stabilite pe categorie de produs, nu ca un singur număr valabil pentru toată compania.
- Metode de serii de timp — medii mobile, netezire exponențială și descompunere sezonieră care proiectează cererea viitoare din tiparele istorice de vânzări, potrivite pentru produse stabile, mature, cu sezonalitate regulată
- Modele cauzale / de regresie — leagă cererea de factori externi precum preț, promoții, vreme sau indicatori macroeconomici, utile când cererea este influențată de factori din afara tiparului istoric pur
- Modele de machine learning — abordări de tip gradient boosting sau rețele neuronale care pot integra simultan multe variabile (preț, activitatea concurenței, trafic web, evenimente locale) și se adaptează pe măsură ce sosesc date noi
- Prognoză calitativă / de judecată — feedback de la echipa de vânzări, informații de piață și judecata experților, esențială pentru produsele noi fără istoric de vânzări
Cele mai precise prognoze rareori vin de la un singur departament care lucrează izolat. Practicile de Planificare, Prognozare și Reaprovizionare Colaborativă (CPFR) aduc vânzările, marketingul și chiar clienți-cheie din retail sau furnizori în procesul de prognozare, întrucât un retailer are adesea vizibilitate mai bună asupra planurilor promoționale locale decât producătorul, iar producătorul are vizibilitate mai bună asupra constrângerilor de capacitate de producție decât retailerul. Partajarea datelor de la punctul de vânzare în amonte, în loc să se bazeze exclusiv pe istoricul comenzilor, îmbunătățește semnificativ acuratețea prognozei, pentru că istoricul comenzilor reflectă decizii trecute de comandă, nu cererea reală a consumatorilor.
Indicatorii uzuali de acuratețe includ Eroarea Procentuală Absolută Medie (MAPE), care exprimă eroarea medie ca procent din cererea reală, și bias-ul, care arată dacă o prognoză supraestimează sau subestimează în mod constant, nu doar dacă are zgomot în ambele direcții. O prognoză cu eroare mică dar bias persistent este adesea mai ușor de corectat decât una cu eroare mare dar nepărtinitoare, întrucât un bias constant poate fi de obicei corectat cu un simplu factor de ajustare.
Cel mai valoros input pentru prognoza modernă a cererii este datele de vânzare granulare, în timp real, capturate la punctul de vânzare — fiecare scanare de cod de bare la casă este un punct de date despre cererea reală, nu presupusă, a consumatorului. Alimentarea acestor date de nivel scan înapoi în modelele de prognoză, în loc să se bazeze pe rapoarte periodice de vânzări sau date de expediere, este ceea ce permite prognozelor să detecteze schimbări de cerere în câteva zile, nu săptămâni, oferind planificării de reaprovizionare și producție mult mai mult timp să reacționeze înainte ca o situație de ruptură de stoc sau supra-stoc să devină serioasă.