ELECTE 4.5 כבר כאן — צוותים, תוכניות והמראה החדש.גלו את החידושים
בינה מלאכותית ותחזיות12 דקות קריאה

תחזית ביקוש לקמעונאות: שיטות, נתונים ויתרונות

כך עובדת תחזית ביקוש לקמעונאות, אילו שיטות כדאי להשתמש בהן, אילו נתונים היא דורשת, ואיך מפחיתים מחסור במלאי ועודפי מלאי בעזרת תוכניות מלאי טובות יותר.

Demand Forecasting for Retail: Methods, Data and Benefits

סכמו את המאמר עם AI

את המחסור במלאי נוהגים להטיל על הספק. ברוב המקרים הוא מתחיל קרוב יותר לבית. מחקר על מלאי בקמעונאות שהוצג בכנס של IEOM Society בבנגלדש ב-2025 מצביע על כך ש-51% עד 73% ממקרי המחסור בסופרמרקטים נובעים מתוך פעילות הקמעונאי עצמו, כאשר תחזית לא מדויקת (כולל הערכת חסר של הביקוש) וטעויות הזמנה הן בין הסיבות העיקריות.

הממצא הזה משנה את נקודת המבט על העבודה. תחזית ביקוש לקמעונאות איננה תחרות על בחירת האלגוריתם המתקדם ביותר. זהו משמעת תפעולית: הפקת אותות ביקוש אמינים מנתונים שמחסור במלאי ומבצעים כבר עיוותו, התאמת השיטה לאופן שבו כל מוצר נמכר, וחיבור התוצאה לנקודות הזמנה מחדש שקונה ישתמש בהן כבר בבוקר יום שני.

המדריך הזה מכסה את כל המעגל. תראו מה התחזית צריכה לספק, אילו קלטים נושאים את עיקר המשקל, איך שש שיטות נפוצות משתוות זו לזו לפי מצב קמעונאי, מדוע מוצרים איטיים דורשים ארכיטקטורה שונה, איך אגירה ומעבר בין ערוצים מנפחים את העלייה הנראית לעין בעקבות מבצעים, באיזה מדד שגיאה לבטוח עבור איזו החלטה, ובדיקה בת חמישה שלבים להריץ לפני מחזור הרכש הבא שלכם.

מה משמעות תחזית ביקוש ברצפת המכירה

תחזית מזג אוויר זוכה לאמון כשהיא מקומית ומתוזמנת: הסיכוי לגשם בעיר שלכם ביום שלישי אחר הצהריים מספיק כדי להחליט אם לקחת מטרייה. תחזית ביקוש עושה את אותה עבודה עבור מלאי. היא מעריכה כמה יחידות של פריט מסוים הלקוחות יקנו בחנות מסוימת בשבוע מסוים, כדי שהקונה יזמין את הכמות הנכונה ולא רק כמות סבירה.

חמשת השלבים שלהלן הם הרעיון כולו בקצרה, מהתחזית ועד הזמנת הרכש שהיא אמורה להניע.

A four-step infographic illustrating the concept of demand forecasting in a retail shop floor environment.

היעד הוא הביקוש, לא סיכום המכירות שהקופה במקרה רשמה. אפס שנרשם בזמן שמדף השמפו היה ריק הוא ביקוש מצונזר; קפיצה במבצע עשויה להיות שאולה מהשבועיים הבאים או נמשכת מחנות סמוכה. ממוצעים לפי קטגוריה ודוחות חודשיים מסתירים את הבעיות ברמת פריט-חנות, ולכן האות צריך להישאר מפורט ולהתרענן לעתים קרובות.

מעגל העבודה נראה כך:

  1. אוספים היסטוריית מכירות ומלאי לפי פריט, חנות ויום, כולל הימים שבהם המדף היה ריק.
  2. מנקים ומיישרים אותה: יחידת מידה אחת, לוח שנה אחד, בלי שורות כפולות כשמערכת של חנות מעדכנת שבוע בדיעבד.
  3. מתאימים מודל ומתחזים ביקוש לכל פריט-חנות, ברמת הפירוט שהחלטת ההזמנה שלכם דורשת.
  4. מתרגמים את התחזית להזמנות ולמלאי ביטחון, לפי זמני אספקה ורמת השירות שהתחייבתם אליה.
  5. מודדים שגיאות ומתאימים, פריט אחר פריט, ולא פעם בשנה בזמן התקציב.

כל שלב מגן מפני אחת משלוש עלויות. תחזית נמוכה מדי, ואתם מפסידים מכירות שאי אפשר להחזיר, כי הקונה רוכש תחליף או עוזב. תחזית גבוהה מדי, והמזומן נתקע במלאי שצריך להוריד את מחירו. הכמות בערך נכונה אבל התזמון שגוי, ואתם משלמים פעמיים: תוספת מחיר על משלוח דחוף בהזמנה, ועלות אחסון על העודף.

הכלל שחוסך הכי הרבה כסף: תחזית מצדיקה את קיומה רק כשכלל חידוש מלאי פועל לפיה. מספר מושלם שיושב בדוח לא משנה דבר על המדף.

נתוני הקלט, ולמה אזילות מלאי מעוותות אותם

לפני שמשווים בין מודלים, כדאי לבחון מה מזינים להם. הנתונים שמשפרים הכי הרבה את דיוק התחזית בקמעונאות הם צפויים ומשעממים, ובצוותים רבים חסרים שניים או שלושה מהם.

  • היסטוריית מכירות לפי פריט, חנות ויום. כל רזולוציה גסה יותר מסתירה את שבועות המבצעים ואת שיאי סוף השבוע, שנושאים את האות.
  • מלאי זמין ומשך אזילת המלאי. בלעדיהם אי אפשר להבדיל בין שבוע רגוע למדף ריק.
  • מחירים ועומק ההנחה. הנחה של 10% והנחה של 30% לא יוצרות אותה עקומת תגובה, ולכן שמרו את מחיר המדף ששילמו הקונים ולא את מחיר המחירון.
  • לוח המבצעים, כולל מיקום תצוגה ופרסום ייעודי.
  • חגים ואירועים מקומיים. יריד בית ספר במרחק שני רחובות מזיז יותר מים מינרליים מחג לאומי.
  • מזג אוויר, בעיקר בקטגוריות של מוצרים טריים, עונתיים וגינון.
  • מחירי מתחרים, בכל מקום שבו אפשר לעקוב אחריהם באופן עקבי.
  • זמני אספקה ועיכובי משלוחים של ספקים, שקובעים כמה כיסוי מלאי אתם צריכים.

למה מדף ריק רושם אפס שגוי

נניח שהשמפו שלכם נמכר בממוצע ב-40 יחידות בשבוע, והמדף עומד ריק שלושה ימים. בימים האלה נרשמות אפס מכירות. מודל שאומן על ההיסטוריה הזו לומד שהביקוש יורד בכל פעם שהמלאי נגמר, וזה ההפך מהאמת. קונים שלא מצאו מוצר לא שינו את דעתם, הם הלכו למקום אחר.

עיכובי ספקים, חידוש מלאי איטי והחלטות ההזמנה שלכם מצנזרים מכירות בדיוק באותה דרך. למודל אין דרך להבדיל בין מכירה שאבדה לבין חוסר עניין, והוא ימשיך להזמין מעט מדי מהפריט שנמכר הכי מהר.

הכשל מתועד היטב. סקירה מ-2026 על למידת מכונה בתחזית קמעונאית מצביעה על מערכי נתונים חסרים, צינורות נתונים מקוטעים, שינויים בהתנהגות הלקוחות, מבצעים, תגובות מתחרים ועונתיות כגורמים למודלים מוטים ושבריריים. אותה סקירה מצטטת סקר בקרב 661 אנשי מקצוע בניהול מלאי, שבו 51% המשיכו לפעמים לפעול לפי תחזיות שכבר ראו כלא אמינות מפני שלא הייתה חלופה טובה יותר, ואילו שינויי מכסים ומדיניות סחר (19%) ותנודות באינפלציה או במחירי סחורות (17%) דורגו בין גורמי ההפרעה הגדולים ביותר.

התיקון בארבעה שלבים, לפי הסדר

  1. סמנו כל יום של חוסר במלאי בהיסטוריית המכירות, עם מספר השעות או הימים שבהם הפריט לא היה זמין.
  2. העריכו את המכירות האבודות באותם ימים לפי פריטים דומים באותה חנות ובאותו שבוע.
  3. תייגו כל תקופה כזמינה או מוגבלת לפני תחילת כל הרצת אימון.
  4. אמנו על ההיסטוריה המתוקנת והשוו תוצאות על שבועות שהוחרגו מהאימון, ולעולם לא על השבועות שתיקנתם.

ברוב העסקים הקטנים והבינוניים העבודה הזו משפרת את הדיוק יותר מהחלפת אלגוריתם. מודל יכול ללמוד רק מה שיש בנתונים; אם הנתונים אומרים שהביקוש קרס בזמן חוסר במלאי, ארכיטקטורה מתוחכמת יותר רק תלמד את הלקח הלא נכון מהר יותר. המדריך של ELECTE לשילוב ממקורות מרובים מכסה את התשתית שמכניסה נתוני מכירות, מלאי ומבצעים לטבלה אחת שאפשר לעבוד איתה.

שיטות חיזוי בהשוואה לפי סוג המצב הקמעונאי

אין שיטה הכי טובה, יש רק שיטה שמתאימה למצב. הטבלה שלהלן היא ההשוואה שהייתי רוצה לתלות מעל שולחן התכנון.

שיטה

המצב המתאים ביותר בקמעונאות

הנתונים הנדרשים

יתרון

נקודה לשים לב אליה

ממוצע נע או החלקה מעריכית

פריטים יציבים בנפח גבוה

שנה עד שנתיים של מכירות שבועיות

פשוטה, זולה וקלה להסבר

מחמיצה מבצעים ושינויים עונתיים

מודלים עונתיים כמו SARIMA

פריטים עם מחזורים שבועיים או שנתיים ברורים

היסטוריה של שתי עונות או יותר

לוכדים מגמה ועונתיות

מתקשים לעבוד על אלפי סדרות בו-זמנית

שיטות ממשפחת Croston

מק"טים לסירוגין ואיטיים בתנועה

היסטוריית מכירות עם תקופות אפס רבות

מפרידות בין תדירות המכירה לגודלה

בחירה שגויה למוצרים עם מכירות יציבות

רגרסיה עם משתני מבצעים ומחירים

קטגוריות מונחות מבצעים

לוח מבצעים והיסטוריית מחירים

מראה כיצד כל גורם משפיע על הביקוש

מתקשה כשהמבצעים מעטים

אנסמבלים של עצים כמו XGBoost או LightGBM

תיקי פריט-חנות גדולים

מכירות, לוח שנה, מבצעים ותמחור

לומד על פני סדרות רבות הקשורות זו לזו

דורש נתונים נקיים וניטור שוטף

אנסמבלים היברידיים של LSTM-XGBoost

רשתות מרובות קטגוריות עם אותות עשירים

36 חודשים של נתוני קופה ומבצעים

הפחיתו את שגיאת האחוז המוחלטת הממוצעת ב-28.6% בממוצע באופק של ארבעה שבועות במחקר אחד על 14 ארגוני קמעונאות

כבד יותר לבנייה ולהסבר

התבנית שמאחורי השורות חשובה יותר מכל שורה בודדת. סקירה שעברה ביקורת עמיתים של מחקרי תחזית בקמעונאות מדווחת שמודלים גלובליים של למידת מכונה, ובהם רשתות עצביות מסוג feed-forward ורשתות עצביות נשנות, עצי רגרסיה מבוססי Gradient Boosting ו-Random Forests, מציגים לא פעם ביצועים טובים יותר ממודלים נפרדים של סדרות עתיות ורגרסיה, כשקמעונאים מפיקים תחזיות לאוספים גדולים של סדרות מכירות. היתרון גדל עם גודל התיק: אלפי צירופי פריט-חנות שבהם לכל מוצר ביקוש דליל, לסירוגין, עונתי או רגיש למבצעים.

איך נראית ההשוואה ברשת אמיתית

דמיינו רשת אזורית עם 40 חנויות. פריטי יסוד עם מכירות שבועיות יציבות מקבלים החלקה אקספוננציאלית, כי מנהל קטגוריה יכול לקרוא את המספר ולערער עליו. ביגוד עונתי עם שמונה מבצעים בשנה מקבל מודל Gradient Boosting שאומן על כל החנויות יחד, כי ההיסטוריה של חנות אחת דלה מכדי ללמוד ממנה עקומת הנחות.

הסקירה ברורה באותה מידה גם בכך שהשיטות הישנות אינן מיושנות. הביצועים שלהן נשארים תחרותיים במערכי נתונים קטנים יותר, במוצרים יציבים ובמצבים שבהם פרשנות וחוסר בנתונים חשובים יותר מהנקודה האחרונה של דיוק.

ריסון משתלם. הערכה מ-2026 של ביקוש קמעונאי בארה"ב על מערך הנתונים M5, שכללה 25,940 סדרות פריט-חנות בחמישה חלונות מתגלגלים של 28 יום, הורידה את שגיאת האחוז המוחלטת המשוקללת הממוצעת מ-0.9006 במודל ייחוס עונתי-נאיבי ל-0.7022 עם מודל LightGBM שמשתמש בביקוש היסטורי, שיפור של כ-22%. הוספת משתנים קמעונאיים ותפעוליים הגיעה ל-0.6979 בלבד, והוספת מדדים מקרו-כלכליים בפיגור הגיעה ל-0.6978, שיפור של כ-0.02%.

בנו קודם קו בסיס. מספר מבוסס מודל עונתי-נאיבי או החלקה אקספוננציאלית, שאפשר להפיק בתוך אחר צהריים, מגלה אם מודל למידת המכונה הצדיק את המורכבות שלו. הריצו את שניהם על אותם שבועות שהוחזקו בצד, ושמרו את המנצח.

את בחירת המודל צריכים להכתיב היקף התיק ומבנהו, לא העובדה שהשיטה חדשה יותר. העיקרון הזה לבדו יחסוך לכם יותר כסף מכל חיפוש היפר-פרמטרים.

מוצרים איטיים וביקוש דליל דורשים מודל משלהם

לחלק מהמוצרים אין רמת ביקוש. יש להם אירוע ביקוש. חלק חילוף שנמכר ארבע פעמים בשנה, וריאנט מהזנב הארוך באיקומרס, צירוף חנות-SKU שמוכר שתי יחידות בחודש: מודלים עונתיים רגילים מתמודדים עם אלה בצורה גרועה, והסיבה מבנית.

אפסים ומכירות חיוביות מגיעים משני תהליכים שונים. אם מכירה מתרחשת בכלל, זו שאלה אחת. מה גודלה כשהיא מתרחשת, זו שאלה אחרת. שיטות מסוג Croston מעריכות אותן בנפרד, ולכן הן עומדות היטב בנתוני קמעונאות עתירי אפסים. מדד ייחוס לתחזית קמעונאית של ביקוש לסירוגין מדווח על Croston עם WAPE של 93.15% ו-MASE של 0.9852, לפני החלופות הנאיביות ו-SARIMAX שנבדקו מולו. יש לקרוא את ה-WAPE הזה כתוצאה יחסית על סדרה מלאה באפסים, ולא כציון דיוק טוב במונחים מוחלטים.

A chart illustrating intermittent demand patterns for slow-moving products in retail inventory and sales forecasting.

מצב הכשל הזה ספציפי ויקר. מודל רגרסיה רגיל או מודל עונתי רואה רצף של אפסים, מסיק שהביקוש נמוך ויציב, וקובע את מלאי הביטחון בהתאם. המוצר איטי התנועה שנמכר בהתפרצויות בלתי צפויות נגמר במלאי, בעוד שהפריט ה"מת" מחזיק כיסוי של שלושה חודשים. טעות אחת עולה במכירה שאבדה, והשנייה עולה במזומן ובשטח מדף.

יש לקח שני באותו תחום. מבחן השוואתי על נתוני מכירות עם ביקוש לסירוגין, תצפיות חסרות ותחלופה תכופה של מגוון המוצרים מצא שמודלים מקומיים מבוססי עצים הניבו את התוצאות הטובות ביותר מבין הגישות שנבדקו, כאשר XGBoost השיג את שורש שגיאת הריבוע הממוצעת הנמוך ביותר שדווח, 4.833. המסקנה אינה "להשתמש ב-XGBoost בכל מקום". היא שכאשר מוצרים מתחלפים במהירות, מודלים שנבנו לכל משפחת מוצרים יכולים להכות מודל כללי אחד שנאלץ לעשות ממוצע בין דפוסים שאינם תואמים.

איך מנתבים סדרה

  1. מסווגים לפני שבונים מודל. חשבו לכל סדרה את מרווח הביקוש הממוצע (Average Demand Interval) ואת מקדם השונות בריבוע של ביקוש שאינו אפס. הראשון הוא הפער הטיפוסי, במספר תקופות, בין מכירות; השני מודד עד כמה גודל המכירות משתנה ממכירה אחת לאחרת.
  2. נתבו סדרות לסירוגין למודלים ממשפחת Croston, למודלי hurdle או למודלי מופע וגודל.
  3. שלחו פריטים יציבים בנפח גבוה למודלים עונתיים או ללמידת מכונה, ששם מקומם.
  4. בדקו מחדש את הסיווג מדי רבעון. פריטים עוברים בין קטגוריות כשהם מתבגרים, יוצאים משימוש או תופסים, וכלל ניתוב שאינו מורץ מחדש מידרדר.

שמרו את הסיווג בטבלה שאפשר לבדוק. כשמנהל קטגוריה שואל למה מוצר מנובא בשיטה מוזרה, התשובה צריכה להיות שני מספרים, לא משיכת כתפיים.

מבצעים, אגירה ומעברי ערוצים

שבועות מבצע אינם שבועות רגילים, ועירוב שלהם בקו הבסיס פוגע בשניהם. מדלו את הביקוש הבסיסי ואת השפעות המבצע כדברים נפרדים, ואז חברו ביניהם.

השוואה בין גישות חיזוי בקמעונאות מצאה שאנסמבלים של עצי החלטה עקפו רגרסיה לינארית, רגרסיה לינארית עם ענישה ושיטות עצי רגרסיה בחיזוי ביקוש יומי ברמת הרשת, כאשר ל-SKU היו יותר מחמישה מבצעים היסטוריים. חמישה הוא הסף השימושי בתוצאה הזו. מתחתיו אין מספיק דוגמאות כדי שמודל ילמד כיצד עומק ההנחה, תזמון המבצע והאינטראקציות עם לוח השנה של המוצר משפיעים על הביקוש, ולכן רגולריזציה חזקה יותר או מודל ייחוס פשוט גורמים פחות נזק ממודל גמיש שרודף אחר רעש.

תנו למודל פיצ'רים מפורשים: סטטוס מבצע, אחוז הנחה, מיקום תצוגה, קרבה לחגים, וביקוש מעוכב (lag) שאחרי המבצע. האחרון נשכח לעיתים קרובות, אך הוא הפיצ'ר שתופס את הצניחה.

הצניחה שאף אחד לא מנבא

נניח שהנחה של 30% על שמפו מעלה את המכירות לשבוע אחד, ואחריה המכירות נמצאות מתחת למגמה במשך שבועיים. הלקוחות עשו מלאי; הם לא קנו יותר במהלך הרבעון. התייחסו לחלון של שלושת השבועות כולו כיחידת ניתוח אחת. שגיאת התקופה המקודמת אומרת לכם אם הזמנתם מספיק. שגיאת התקופה שאחרי המבצע אומרת לכם אם הזמנתם יותר מדי לשארית החודש. כשמעריכים אותן בנפרד, שתי ההחלטות נחשפות. כשמעריכים אותן יחד, שתי השגיאות מבטלות זו את זו, והדוח נראה נקי בעוד שטעיתם בשתיהן.

מחקר על מחזור החיים של מבצעים מציין שעבודות קודמות מתעלמות לעיתים קרובות מהשלב שאחרי המבצע, שבו הביקוש יורד כי הלקוחות עשו מלאי במהלך האירוע, ומדווח ששיטות למידת מכונה יכולות לשפר תחזיות לאורך כל מחזור החיים ולא רק בזמן המבצע עצמו.

הערוץ מוסיף שכבת אשליה שנייה. מחקר על מבצעים רב-ערוציים בסופרמרקט אזורי בברזיל העריך הסטת ביקוש של 11.23% מחנויות פיזיות לאונליין ו-19.34% בכיוון ההפוך, בעוד שמבצעים מתואמים הפחיתו קניבליזציה ב-30.04%. תמריצי נאמנות הניבו את הגידול הגבוה ביותר שנמדד, 3.5%. אם תחזו כל ערוץ בנפרד, תספרו פעמיים ביקוש ששינה כתובת.

לכן קבעו לבדיקה ארבעה כללים:

  • הערכה נפרדת של תקופות עם מבצע ובלעדיו, כדי ששבוע טוב לא יסתיר חודש גרוע.
  • השוואה לבסיס של base-lift או לבסיס סיבתי דומה, אחרת אתם רק מודדים עד כמה המודל למד את הנפח.
  • הערכה לפי SKU ולפי תדירות מבצעים, כי סף חמשת המבצעים משנה את מה שאפשר לצפות לו.
  • שמירה על משתנה מושהה לתקופה שאחרי המבצע, כדי שהמודל יוכל לבטא את הירידה ולא יופתע ממנה.

אם הנחות אוכלות לכם את המרווח, המדריך שלנו על הגנה על מרווחים בקמפייני הנחות עוסק בצד התמחור של אותה בעיה.

מדידת דיוק והפיכת תחזיות להזמנות

בחרו את המדד אחרי שבחרתם את ההחלטה. כל מדד עונה על שאלה אחרת ומסתיר דבר אחר.

A professional analyzing retail demand forecast charts on a tablet screen in a modern office workspace.

מדד

מתי להשתמש

על מה חשוב להיזהר

WAPE (שגיאה אחוזית מוחלטת משוקללת)

השוואת דיוק בין פריטים בגדלים שונים

נותן את המשקל הרב ביותר לפריטים בנפח גבוה

MASE (שגיאה מוחלטת ממוצעת מנורמלת)

השוואת מודלים בסדרות לסירוגין או עם הרבה ערכי אפס

דורש מדד ייחוס נאיבי כדי לקרוא אותו נכון

MAPE (שגיאה אחוזית מוחלטת ממוצעת)

דיווח פשוט על פריטים יציבים בנפח גבוה

לא יציב או לא מוגדר כשהביקוש בפועל הוא אפס

הטיה (Bias)

זיהוי תחזית גבוהה או נמוכה באופן שיטתי

שגיאות מקזזות יכולות להסתיר אותה, אלא אם קוראים לפי תקופה

רמת שירות

בדיקה אם התחזית מגינה על זמינות המוצרים על המדף

תלויה בהגדרות האספקה והחידוש, ולא רק בתחזית

שגיאות באחוזים נשברות בפריטים בעלי תנועה איטית. כשהביקוש בפועל הוא אפס, המכנה הוא אפס, והמדד או מזנק לערכים קיצוניים או מוחרג מהממוצע, ושתי התוצאות מחמיאות למודל יותר מכפי שהוא ראוי. דווחו על WAPE או על שגיאה מנורמלת לצד הטיה ורמת שירות, וקראו אותם לפי פלח ולא כמספר אחד לכל הקטלוג.

ממספר לנקודת הזמנה מחדש

תחזית הופכת להזמנה באמצעות חישוב שכל אחד בצוות יכול לבדוק. הביקוש הצפוי בזמן האספקה, בתוספת מלאי ביטחון שנקבע לפי רמת השירות הרצויה, נותנים את נקודת ההזמנה מחדש.

נניח שחנות צופה 40 יחידות בזמן אספקה של חמישה ימים מהספק, ומחזיקה מרווח ביטחון של 10 יחידות. נקודת ההזמנה מחדש היא 50 יחידות. כשהמלאי הזמין בתוספת מה שכבר הוזמן יורד ל-50, ההזמנה יוצאת. אם הקניין מזמין ב-40 כי המרווח מעולם לא סוכם, המדף יתרוקן ביום הראשון שבו המשאית מאחרת.

שני נהלים שומרים על הדיוק. הגדירו התראות חריגה כאשר שגיאת התחזית של פריט חורגת מהסף שלכם שתי תקופות רצופות או יותר, כך שמישהו יבדוק את הפריט ולא רק את הדשבורד. הריצו בדיקת הטיה חודשית לפי קטגוריה כדי לזהות תחזית יתר או חסר שיטתית, שהשגיאות ברמת הפריט הבודד מקזזות.

תחזית מדויקת סטטיסטית עדיין עלולה לגרום למחסור אם תזמון ההזמנות, תדירות הסקירה או מלאי הביטחון מכוילים בצורה שגויה. סקרו יחד את התחזית ואת כללי האספקה, אחרת תמשיכו לתקן את הדבר הלא נכון.

המדריך של ELECTE לניתוח נתוני מלאי מעמיק בחיבור בין מצבי מלאי למספרים שהקניינים פועלים לפיהם.

אשרו את תוכנית התחזית לפני מחזור הרכש הבא

לפני שמבצעים את ההזמנה הבאה, ודאו שתהליך התחזית מתאים למוצרים ולהחלטות שהוא אמור לתמוך בהם. חמש בדיקות הופכות את התוכנית למעשית:

  1. מיינו את סל המוצרים. זהו את הפריטים שמניבים את רוב ההכנסות, ואז סווגו אותם כיציבים, מונעי מבצעים או מקוטעים. עבור שאר הפריטים ייתכן שכלל פשוט יותר יספיק.
  2. בדקו את היסטוריית המכירות. שלפו 12 עד 24 חודשי מכירות לפי פריט, חנות ויום, וסמנו ימים שבהם המלאי אזל. אם יש רק 12 חודשים, השתמשו בנתונים, אך צפו לשגיאה רחבה יותר.
  3. בדקו מול קו בסיס. הגדירו קו בסיס עונתי והשוו מודלים מורכבים יותר על שבועות שהוחזקו בצד. תוצאת M5 שלעיל מראה מדוע מודל מורכב יותר צריך להוכיח את מקומו.
  4. קבעו שגרת מדידה. בחרו מדד לכל החלטה, ושמרו על סף ותדירות סקירה עקביים בין מחזורים.
  5. סקרו החטאות חוזרות. בדקו מחדש את נקודות ההזמנה של פריטים עם שגיאות תחזית חוזרות לפני ביצוע ההזמנה.

A five-step checklist for retail demand forecasting, guiding users through sales data analysis and order planning.

ELECTE מריצה שש שיטות תחזית על נתוני המשתמש, מדרגת אותן זו מול זו ובוחרת את המדויקת ביותר. מחשבון נקודת ההזמנה החינמי שלה עוזר לחשב את נקודת ההזמנה של פריט בודד.

תחזיות מפחיתות סיכון, אך אינן יכולות לקחת בחשבון כל שינוי. מודל עלול לפספס השקת מוצר חדש או מבצע ללא היסטוריית מכירות דומה. שמרו על שגרת סקירה לצד התחזית, כדי שהקניינים יוכלו להגיב כשהביקוש בפועל שונה מהתוכנית.

ELECTE מחברת בין נתוני מכירות, מלאי וקידום מכירות, משווה שש שיטות חיזוי על הנתונים הזמינים, ומציגה תחזיות, רמת דיוק וחריגים בלוחות מחוונים חזותיים שאפשר לשתף בין הצוותים. קמעונאים שבוחנים תחזיות ביקוש לצד נתוני המכירות שלהם יכולים לבקר ב-ELECTE.

תגובות

אין עדיין תגובות — התחל/י את השיחה.