Prognosticering av efterfrågan

Steg 1 av de 7 inköpsstegen handlar om att vända sig ut mot sina kunder och uppskatta vad och hur mycket de kommer att köpa av oss under de kommande perioderna. I denna artikel kommer vi att skrapa lite på ytan för att beskriva vad detta steg innebär.

De sju inköpsstegen utgår från en efterfrågestyrd och servicedriven process, och för att befästa detta är det också efterfrågan som är i fokus i det första steget. Vilka produkter och hur mycket av dessa produkter kommer vi att sälja under de kommande perioderna?

Det är sällan lätt att sia om framtiden, så för att försöka svara på frågorna ovan kan man lägga en prognos utifrån hur det borde bli. Därefter reviderar man sina efterfrågeprognoser och genererar nya med jämna mellanrum för att på så vis säkerställa att man har en prognos som hela tiden är uppdaterad utifrån rådande förutsättningar.

Definition av efterfrågan

Prognoserna på konsumentnivå baseras på faktiskt registrerad efterfråga av antingen försäljning eller point of sales, medan prognoserna vid flernivåoptimering (multi-echelon) baseras på tidsfasade, orderprojektioner från exempelvis butiker. För att definiera efterfråga räcker det dock inte med att enbart se på den faktiska försäljningen. Hänsyn måste även tas till den försäljning som man borde ha haft, men som av en eller annan anledning aldrig blev av (till exempel på grund av slut på lager). Dessutom bör särskilda händelser som drar upp försäljning utöver det normala, såsom exempelvis kampanjer, filtreras bort.

Exponentiell utjämning

Det finns ett stort antal olika prognosmodeller och det skulle ta lång tid att gå igenom alla, varför vi här nöjer oss med att endast se närmare på en av de vanligaste, exponentiell utjämning. I denna modell baseras beräkningen av den nya prognosen på dels den gamla prognosen, dels på viktningsfaktorer som tar hänsyn till eventuella trender.

Trendfaktorn uppdateras automatiskt baserat på föregående periods prognosfel, och kan anta ett värde mellan 0 och 1. Genom att därefter addera en säsongsprofil till prognosen säkerställs att man fyller på depåerna i tid inför en säsong samt att man ej står med för stora lager i slutet av säsongen.

Prognosavvikelser

Ingen prognos kommer dock att vara 100 % tillförlitlig, vilket kommer av att olika slumpmässiga faktorer (så kallade stokastiska variabler) påverkar efterfrågan. Exempel på detta är variationer både vad det gäller efterfrågans storlekt samt när den väl uppstår. För att skydda sig mot dessa slumpmässiga variationer brukar man vanligtvis använda sig av säkerhetslager.

Därför handlar mycket av jobbet vid prognostisering om att förstå vad dessa variationer beror på och att agera samt planera därefter. Genom systemstöd kan man vanligen låta mindre variationer tas om hand per automatik medan det är yttersta viktigt att ens system flaggar upp större svängningar så tidigt som möjligt så att man hinner agera i tid.

Det finns givetvis mycket, mycket mer att nämna kring prognoser och hur man jobbar med dessa. Detta var endast en introduktion till ämnet och vi kommer längre fram att studera ämnet noggrannare. I nästa avsnitt ska vi dock titta närmare på ledtider och vilken påverkan de kan ha på inköpsprocessen. Skulle ni dock redan nu vilja höra mer kring prognoser och prognostisering av efterfråga är ni mer än välkomna att kontakta mig redan idag!

Marcus Engström