ELECTE 4.5 כבר כאן — צוותים, תוכניות והמראה החדש.גלו את החידושים
בינה מלאכותית ותחזיות9 דקות קריאה

שיטות לחיזוי מלאי: 5 דרכים לחזות ביקוש

גלו 5 שיטות מוכחות לחיזוי מלאי, איך כל אחת פועלת ומתי להשתמש בה. השוו בין הגישות ובחרו את זו שמתאימה לעסק שלכם.

Inventory Forecasting Methods: 5 Ways to Predict Demand

סכמו את המאמר עם AI

מזמינים יותר מדי וכסף נשרף. מזמינים פחות מדי ומאבדים את המכירה לטובת מי שיש לו מלאי על המדף. כל עסק שמחזיק מלאי חי בין שני הכשלים האלה, והפער ביניהם מסתכם בהחלטה אחת: איזו שיטה לחיזוי מלאי עומדת מאחורי הזמנות הרכש שלכם.

שאלו חדר מלא של מנהלי תפעול באיזו שיטה הם משתמשים, ותקבלו שמות של מוצרים. גיליון אלקטרוני. מודול ב-ERP. תוסף שמישהו בכספים קנה. אף אחד לא מזכיר את המתמטיקה. זה הפער שכדאי לסגור. כלי חיזוי הוא רק אמצעי להעברת שיטה, והשיטה היא שקובעת אם מלאי הביטחון שלכם נקבע לפי המציאות או לפי משאלות לב.

הנה חמש שיטות לחיזוי מלאי, שמוצגות כסולם החלטות ולא כמחנות יריבים. כל שיטה היא קו בסיס שהשיטה הבאה צריכה לנצח. בכל אחת תמצאו מה היא דורשת, איפה היא נשברת, ובאילו תנאים בדיוק היא משתלמת.

1. חיזוי בממוצע נע

הממוצע הנע הוא נקודת פתיחה נפוצה, ובצדק. בוחרים חלון (3, 6 או 12 תקופות), מחשבים ממוצע של הביקוש בפועל לאורכו, ומשתמשים בו כתחזית לתקופה הבאה. כשתקופה חדשה נסגרת, החלון זז קדימה והמספר מתעדכן מעצמו.

מחקר שרשרת אספקה של אוניברסיטת ארקנזס מתאר חיזוי באמצעות סדרות עתיות כבסיס לרוב מערכות האספקה החוזרת, במטרה לזהות מגמה ועונתיות מתחת לרעש של נתוני המכירות. הממוצע הנע מבצע את הגרסה הפשוטה ביותר של המשימה הזו: הוא מנקה קפיצות חד-פעמיות בלי צורך במודל.

חלונות פשוטים לעומת משוקללים

ממוצע נע פשוט נותן משקל שווה לכל תקופה. ממוצע נע משוקלל נותן לתקופות האחרונות השפעה גדולה יותר, וזה חשוב כשהביקוש עולה או יורד בהדרגה ולא נשאר יציב. בחרו בשקלול כשהחודש האחרון אומר יותר על החודש הבא מאשר הרבעון האחרון.

נניח שחנות מקוונת לציוד משרדי מחשבת ממוצע של שלושת החודשים האחרונים במכירות מחברות כדי לקבוע נקודות הזמנה לקו יציב, ואילו מאפייה מחשבת בכל יום שני ממוצע של ארבעה שבועות במכירות לחם כדי לקבוע את הזמנת הקמח. אותה שיטה, חלונות שונים, ושתיהן קלות להסבר לאיש רכש.

בדקו שלושה אורכי חלון מול הנתונים של 12 החודשים האחרונים לפני שמתחייבים לאחד. החלון המנצח הוא בדרך כלל קצר יותר ממה שהאינטואיציה מרמזת.

  • השוו לשיטה נאיבית: אם המכירות של התקופה האחרונה מנבאות טוב כמו הממוצע שלכם, הממוצע לא מצדיק את המורכבות שלו.
  • שלבו עם מלאי ביטחון: החלקה מסירה את הקפיצה מהתחזית, לא מהביקוש.
  • הפרידו בין משפחות מוצרים: מחברת ויומן עונתי לא צריכים לחלוק חלון.

השתמשו בשיטה זו כשהפריטים שלכם נמכרים בקצב יציב, יש לכם לפחות שש תקופות נקיות של היסטוריה, ואתם צריכים קו בסיס שכל בעל עניין יכול להבין. זהו גם המספר שכל שיטה מאוחרת יותר צריכה לנצח. פיילוט מלאי של 30 יום לקמעונאים מראה כמה מהר קו בסיס כזה חושף אילו מק"טים דורשים יותר מממוצע.

2. החלקה מעריכית (שיטת Holt-Winters)

החלקה מעריכית שומרת על הרגל הממוצעים, אך מפסיקה להתייחס לנתונים ישנים וחדשים באותו אופן. כל תצפית מקבלת משקל קטן באופן מעריכי ככל שהיא מתיישנת, כך שהתחזית נעה לעבר מה שקורה עכשיו, בלי להגיב בצורה מוגזמת לשבוע חריג אחד.

Holt-Winters מוסיפה שני רכיבים: רכיב מגמה ורכיב עונתיות, בצורה חיבורית או כפלית, בהתאם לשאלה אם התנודות העונתיות גדלות עם הנפח. לכן קטלוגים קמעונאיים עונתיים מבלים כאן את רוב חייהם.

למה הסיכון בדיוק גבוה יותר

מתן משקל לנתונים אחרונים קונה היענות, וליענות יש מחיר. סקירת מחקרים בנושא סיטונאות ובקרת מלאי מביאה ממצא של Syntetos ועמיתיו, לפיו ירידה של 1% בדיוק התחזית עשויה להתאים לעלייה של 10-15% בעלויות המלאי כששומרים על רמות שירות דומות. פרמטרים שנקבעו לאט מדי משאירים אתכם עם עודף מלאי בזמן שינוי בביקוש; פרמטרים מהירים מדי גורמים לכם לרדוף אחרי רעש עד לאפקט שוט.

A comparison chart showing Simple Exponential Smoothing versus Holt-Winters Method for inventory demand forecasting.

שלושה הרגלים שומרים על המודל ישר:

  • שנתיים לפחות: הזינו לו לפחות שני מחזורים עונתיים מלאים, אחרת רכיב העונתיות מנחש.
  • בדקו את המיטוב: תנו לתוכנה לחשב את קבועי ההחלקה, ואז ודאו שצורת העונתיות תואמת את השנה שהייתה לכם.
  • סמנו מבצעים כאירועים: קמפיין של שלושה שבועות מעוות את קו הבסיס למשך חודשים אם נותנים לו לחלחל להיסטוריה.

השתמשו בשיטה זו כשלביקוש יש צורה עונתית חוזרת ואתם יכולים לספק שני מחזורים נקיים. כדי להבין איך מריצים ומשווים מודלי החלקה בפועל, קראו חיזוי שיעורי כשל באמצעות מודלי החלקה.

3. מודלי סדרות עתיות ARIMA ו-SARIMA

A modern cube box with a golden crescent design placed on a shelf with digital analytics charts.

החלקה מתייחסת להיסטוריה כאל ממוצע משוקלל. ARIMA שואלת שאלה קשה יותר על אותם נתונים: האם הביקוש של היום תלוי בזה של אתמול, באותו שבוע בשנה שעברה ובטעויות שהמודל עשה קודם? שלב ה-Integrated מבצע הפרשים בסדרה עד שהמגמה מתייצבת, ו-SARIMA מוסיפה איברים עונתיים למחזורים שבועיים ושנתיים. בעוד ש-Holt-Winters נותנת לכם קו חלק יותר, ARIMA נותנת לכם מודל של תהליך הביקוש עצמו.

הטווח סביב התחזית הוא התוצר שמשתלם.

טווחים עדיפים על מספרים בודדים

מחקר בנושא אופטימיזציית חידוש מלאי מדמה את הביקוש ל-SKU, את זמני ההחזרה ואת זמני האספקה לחידוש מלאי כמשתנים אקראיים, עובד עם תחזיות כמותיות (quantiles) במקום עם הערכה אחת, ומציע מדד בשם Ratio of Forecast Uncertainty כדי לעקוב אחר האופן שבו אי-ודאות מתפשטת בין שלבי שרשרת האספקה. ההבחנה הזאת חשובה ברגע הוצאת הזמנת הרכש. תחזית של 1,000 יחידות משמעה דבר אחד כשהטווח הסביר נע בין 850 ל-1,150, ודבר אחר לגמרי כשהוא נע בין 500 ל-1,700.

שני קניינים יכולים לקרוא את אותה תחזית ולקבל החלטות הפוכות. רשת מכולות אזורית מדמה ביקוש שבועי למוצרי חלב עם עונתיות שבועית ושנתית, כך שעליית החגים תופיע בהזמנה ולא אחריה. מפיץ אלקטרוניקה קובע מלאי ביטחון לרכיבים לפי האחוזון ה-90 של הטווח, בגודל שנגזר מיעד שירות ולא מכיסוי קבוע של שבועיים. אותו מנגנון, שאלת מדיניות אחרת.

כדי להפעיל את השיטה היטב נדרשת משמעת:

  • בדקו סטציונריות באמצעות גרף ובדיקה סטטיסטית פורמלית, ואז בצעו הפרשים רק במידה הנדרשת. הפרשים־יתר מכניסים רעש שהמודל נאלץ להסביר.
  • השאירו בצד את שלושת החודשים האחרונים ובדקו עליהם את המודל לפני שאתם סומכים עליו.
  • תרגמו טווחים למדיניות: בחרו את האחוזון שהמרווח, מצב המזומנים והמחויבות לשירות שלכם מצדיקים.
  • הפעילו בחירת מודל אוטומטית בקטלוגים גדולים. כוונון ידני של הסדרים לא שורד 400 SKU.

המחיר הוא מאמץ. ARIMA דורש נתונים סטציונריים, בחירה קפדנית של סדרי המודל והיסטוריה מספקת כדי לאמוד את המרכיבים העונתיים, ועדיין הוא קורא רק את העבר של הסדרה עצמה. לכן הוא הרף ששיטות סיבתיות צריכות לעבור: גורם כמו מחיר או מבצע ראוי למקום במודל רק אם הוא מנבא טוב יותר מההיסטוריה של הביקוש עצמו.

השתמשו בשיטה כשבסדרה שלכם יש אוטוקורלציה שהחלקה לא קולטת, וכשאתם צריכים טווח אמין כדי לקבוע מלאי ביטחון מול יעד רמת שירות.

4. תחזית רגרסיה סיבתית

כל השיטות עד כה קוראות את הביקוש מתוך ההיסטוריה שלו. רגרסיה סיבתית שואלת שאלה אחרת: מה מזיז את הביקוש, ובכמה? מזינים אותה בגורמים שהצוות שלכם כבר עוקב אחריהם, כמו מחיר, עומק הנחה, מבצעים, חגים, מזג אוויר ופעילות מתחרים, והיא אומדת את העלייה שכל אחד מהם יוצר.

התוצאה היא מקדם שאפשר להתווכח איתו, וזו בדיוק הנקודה. הנחה לא רק מעלה את התחזית, היא מעלה אותה בשיעור מוגדר, והשיעור הזה הוא מה שהזמנת הרכש שלכם צריכה.

שלבו את לוח המבצעים במודל

נניח שקמעונאי מוצרי בית רוצה לדעת איך הנחה של 20 אחוז בתוספת קמפיין אימייל בסוף השבוע ישפיעו על מכירות מוצרי חשמל למטבח. הרגרסיה אומדת את האפקט המשולב, כך שהקונה מזמין לפי אירוע מתוכנן ולא לפי הממוצע החודשי של השנה שעברה. מפיץ משקאות שכולל במודל את תחזית הטמפרטורה יכול להצטייד מראש לקראת גל חום במקום להגיב אליו.

כלל מעשי: בדקו גורם אחד בכל פעם על תקופת בדיקה מופרדת. גורם שאינו משפר את הדיוק על נתונים שהמודל לא ראה הוא סיפור, לא אות.

A modern athletic shoe displayed on a pedestal with glowing neon icons representing price, schedule, and environment.

  • התחילו ממה שאתם כבר מתעדים: סימוני מבצעים, שינויי מחיר ולוחות חגים. לצוותים רבים יש יותר גורמי השפעה שימושיים ממה שהם מניחים.
  • רעננו את המקדמים: תגובת הלקוחות משתנה אחרי שינוי מחירים או כניסת מתחרה חדש, ומקדמים מיושנים עלולים להוביל למלאי עודף.
  • הפרידו בין מתוכנן ללא מתוכנן: קמפיינים נכנסים כקלט; פוסט ויראלי או התאוששות ממחסור במלאי נכנסים כסימון אירוע.

השתמשו בגישה זו כשמבצעים ותמחור מניעים חלק גדול מהיקף המכירות שלכם, וכשצריך לקבוע את גודל המלאי לקמפיין לפני שהוא יוצא לדרך ולא אחריו.

5. חיזוי ביקוש באמצעות למידת מכונה

למידת מכונה משנה את יחידת המידול. במקום להתאים מודל אחד לכל מוצר, מאמנים מודל יחיד על פני אלפי צירופי מק"ט-חנות ונותנים לו ללמוד דפוסים משותפים: אילו פריטים מגיבים למזג האוויר, אילו למחזורי משכורת, ואילו למבצע שהתקיים שבועיים קודם.

Gradient boosting מתאים היטב לנתוני מכירות טבלאיים. רשתות נוירונים מוכיחות את ערכן כשהקטלוג עצום והאותות משפיעים זה על זה בדרכים שאי אפשר להגדיר ידנית.

איפה טענת הדיוק מסתבכת

מחקר שבחן 7,500 סדרות ביקוש ו-13 שיטות חיזוי מצא שערכו של דיוק החיזוי תלוי במאפייני המוצר, במדיניות המלאי, בעלויות האחזקה, בעלויות מכירות אבודות, במרווחי הסקירה ובזמני האספקה. העבודה מציינת גם שחברות קטנות ובינוניות בתחום התרופות נסמכות לעיתים קרובות על חיזוי שיפוטי, גם כשיש להן הזמנות לסירוגין משמעותיות, ומציגה כחסמים נתוני עבר לא מדויקים, מחסור באנשי מקצוע מומחים ואימוץ טכנולוגי נמוך.

המשמעות לא נוחה לכל מי שרודף אחרי טבלת דירוג. מודל שמנצח במדדי שגיאה יכול להפסיד בעלות כשעלויות האחזקה נמוכות ומחסור במלאי יקר. ושיטה שנראית חזקה בפריטים לסירוגין עשויה לקבל ציון גבוה רק משום שברוב התקופות הביקוש הוא אפס.

  • נצחו את קו הבסיס: ממוצע נע או Holt-Winters הם קבוצת הביקורת שלכם. אם למידת מכונה לא מנצחת אותם על נתוני holdout, אל תעלו אותה לפרודקשן.
  • אמתו לפי זמן, לא באקראי: אמנו על תקופות ישנות יותר ובדקו על חדשות יותר.
  • דרגו לפי מקטע: השגיאה ב-50 המק"טים המובילים שלכם חשובה יותר מהשגיאה בזנב הארוך.
  • טפלו בביקוש לסירוגין בנפרד: פריטים עם הרבה אפסים דורשים כללי הערכה משלהם.

A professional woman in a modern warehouse using a digital tablet for inventory management and logistics analysis.

ELECTE, פלטפורמת ניתוח נתונים מבוססת בינה מלאכותית לעסקים קטנים ובינוניים, מריצה שש שיטות חיזוי על הנתונים שלכם, משווה ביניהן ובוחרת את המדויקת ביותר, וכך מחליפה את תחרות ההשוואה הידנית. לקטלוגים עתירי מבצעים, ראו התחשבות בקפיצות ביקוש במבצעי פלאש.

השתמשו בגישה זו כשיש לכם היסטוריה צפופה ומפורטת על פני מוצרים רבים, וראיות לכך שהיא מנצחת את קו הבסיס שלכם בעלות וברמת השירות, ולא רק על הנייר.

5 שיטות חיזוי מלאי במבט אחד

שיטה

מתאימה במיוחד ל־

נתונים נדרשים

מתמודדת עם עונתיות

רמת קושי

חיזוי בממוצע נע

ביקוש יציב וקווי בסיס פשוטים

כמות קטנה של היסטוריית מכירות עדכנית

לא

קלה

החלקה מעריכית (שיטת הולט-וינטרס)

ביקוש עם מגמות ודפוסים עונתיים

נתוני מכירות של לפחות שני מחזורים עונתיים

כן

בינונית

מודלי סדרות עיתיות ARIMA ו-SARIMA

ביקוש בעל אוטו-קורלציה ודפוסים בזמן

סדרה עיתית היסטורית ארוכה ונקייה

כן, עם SARIMA

מתקדמת

חיזוי באמצעות רגרסיה סיבתית

חיזוי ההשפעה של מבצעים, מחירים וגורמים מניעים אחרים

היסטוריית מכירות ונתונים אמינים על הגורמים המניעים

יכולה, עם משתנים עונתיים

בינונית

חיזוי ביקוש באמצעות למידת מכונה

קטלוגים גדולים עם גורמי ביקוש מורכבים

היסטוריית מכירות גדולה ונקייה ונתוני קלט רלוונטיים

כן, עם מאפייני לוח שנה או עונתיות

מתקדמת

עיקרי הדברים: בחרו את השיטה שהנתונים שלכם יכולים לתמוך בה

התייחסו לכל שלב בסולם כאל קו בסיס שהשלב הבא חייב לנצח. ממוצע נע הוא זול ושקוף, ולכן הוא קובע את המספר שכל מודל מאוחר יותר צריך לשפר. הוסיפו Holt-Winters כשאותה תבנית עונתית חוזרת שוב ושוב; השתמשו ב-ARIMA או ב-SARIMA כשצריך רווח ביטחון שאפשר להגן עליו עבור רמות שירות; עברו לרגרסיה סיבתית כשמבצעים ושינויי מחיר מניעים את הביקוש; והכניסו למידת מכונה רק לאחר שהיא מנצחת על קבוצת בדיקה נפרדת (holdout).

הריצו את הסולם הזה באותו אופן בכל מחזור:

  • בדקו את היסטוריית המכירות: ספרו תקופות נקיות ומק"טים עם רצפים ארוכים של אפסים.
  • בחרו את השיטה הפשוטה ביותר שמתאימה לתבנית הביקוש.
  • אמתו על שלושת החודשים האחרונים, בלי חלוקה אקראית.
  • הפכו את ההשוואה לאוטומטית, כך שקו הבסיס המנצח משתנה עם שינוי התנאים.

ELECTE מתחבר למקורות נתונים של הנהלת חשבונות, בנקים וגיליונות אלקטרוניים, שומר אותם מעודכנים, מריץ שש שיטות חיזוי על המספרים העדכניים, משווה ביניהן ובוחר את המדויקת ביותר. תקבלו תחזיות ביקוש, תזרים מזומנים ושכר, עם לוחות מחוונים שאפשר לייצא או לשתף בלחיצה אחת. בקרו ב-ELECTE כדי לראות תחזית להיסטוריית המכירות שלכם תוך דקות.

תגובות

אין עדיין תגובות — התחל/י את השיחה.