ELECTE 4.5 este live — echipe, planuri și noul look.Descoperă noutățile
IA și previziuni9 min de citire

Metode de prognoză a stocurilor: 5 moduri de a anticipa cererea

Descoperă 5 metode dovedite de prognoză a stocurilor, cum funcționează fiecare și când se folosește. Compară abordările și alege-o pe cea potrivită pentru afacerea ta.

Inventory Forecasting Methods: 5 Ways to Predict Demand

Rezumă acest articol cu AI

Comanzi prea mult și îți pierzi banii. Comanzi prea puțin și pierzi vânzarea în favoarea celui care are marfă pe raft. Orice afacere care ține stoc se află între aceste două eșecuri, iar diferența dintre ele ține de o singură decizie: ce metodă de prognoză a stocurilor stă în spatele comenzilor tale de achiziție.

Întreabă o sală plină de operatori ce metodă folosesc și vei primi nume de produse. O foaie de calcul. Un modul ERP. Un add-on cumpărat de cineva din finanțe. Nimeni nu numește calculul. Aici e golul care merită închis. Un instrument de prognoză este doar un mijloc de livrare pentru o metodă, iar metoda decide dacă stocul tău de siguranță este dimensionat pentru realitate sau pentru dorințe.

Iată cinci metode de prognoză a stocurilor, tratate ca o scară de decizie, nu ca tabere rivale. Fiecare este un punct de referință pe care următoarea trebuie să-l depășească. Pentru fiecare vei afla de ce are nevoie, unde se strică și în ce condiții exacte își merită locul.

1. Prognoza cu media mobilă

Media mobilă este un punct de plecare frecvent și își merită locul. Alegi o fereastră (3, 6 sau 12 perioade), faci media cererii reale pe ea și folosești rezultatul ca prognoză pentru perioada următoare. Când se încheie o perioadă nouă, fereastra avansează, iar valoarea se actualizează singură.

Un studiu de supply chain al Universității din Arkansas descrie prognoza pe serii de timp drept baza majorității sistemelor de reaprovizionare, cu scopul de a identifica tendința și sezonalitatea ascunse sub zgomotul vânzărilor. Media mobilă face cea mai simplă versiune a acestei sarcini: elimină vârfurile izolate fără a cere un model.

Ferestre simple versus ponderate

Mediile mobile simple dau aceeași pondere fiecărei perioade. Mediile mobile ponderate dau mai multă influență perioadelor recente, ceea ce contează când cererea crește sau scade în trepte, în loc să rămână stabilă. Alege varianta ponderată când luna trecută spune mai mult despre luna viitoare decât trimestrul trecut.

Să zicem că un magazin online de papetărie face media vânzărilor de caiete din ultimele trei luni pentru a stabili punctele de recomandare la o linie stabilă, iar o brutărie face în fiecare luni media vânzărilor de pâine din ultimele patru săptămâni pentru a dimensiona comanda de făină. Aceeași metodă, ferestre diferite, ambele ușor de explicat unui cumpărător.

Testează trei lungimi de fereastră pe ultimele douăsprezece luni de date înainte să te hotărăști pentru una. Fereastra câștigătoare este de obicei mai scurtă decât sugerează intuiția.

  • Compară cu metoda naivă: dacă vânzările perioadei trecute se prognozează la fel de bine ca media ta, media nu își justifică complexitatea.
  • Asociază cu stocul de siguranță: netezirea scoate vârful din prognoză, nu din cerere.
  • Separă familiile de produse: un caiet și un planner sezonier nu ar trebui să împartă aceeași fereastră.

Folosește-o când articolele se vând constant, ai cel puțin șase perioade curate de istoric și ai nevoie de un punct de referință pe care îl poate urmări orice parte interesată. Este și valoarea pe care trebuie s-o depășească toate metodele următoare. Un pilot de 30 de zile pentru stocuri în retail arată cât de repede un astfel de punct de referință scoate la iveală ce SKU-uri au nevoie de mai mult decât o medie.

2. Netezirea exponențială (metoda Holt-Winters)

Netezirea exponențială păstrează obiceiul medierii, dar nu mai tratează la fel datele vechi și pe cele noi. Fiecare observație primește o pondere exponențial mai mică pe măsură ce îmbătrânește, astfel încât prognoza se orientează spre ce se întâmplă acum, fără să reacționeze exagerat la o săptămână ciudată.

Holt-Winters adaugă două componente: un termen de tendință și unul sezonier, aplicate aditiv sau multiplicativ, în funcție de dacă variațiile sezoniere cresc odată cu volumul. De aceea cataloagele de retail sezonier își petrec aici cea mai mare parte a vieții.

De ce miza acurateței este mai mare

Ponderarea datelor recente aduce reactivitate, iar reactivitatea are un preț. Un studiu despre cercetarea în comerțul cu ridicata și controlul stocurilor raportează o concluzie a lui Syntetos și colegilor, potrivit căreia o reducere cu 1% a acurateței prognozei poate corespunde unei creșteri de 10-15% a costurilor de stoc, dacă se mențin niveluri comparabile de serviciu. Parametri setați prea lent te lasă cu stoc excedentar într-o schimbare a cererii; setați prea rapid, urmărești zgomotul până într-un efect bullwhip.

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

Trei obiceiuri țin modelul onest:

  • Minimum doi ani: oferă-i cel puțin două cicluri sezoniere complete, altfel componenta sezonieră doar ghicește.
  • Verifică optimizatorul: lasă software-ul să calculeze constantele de netezire, apoi confirmă că forma sezonieră corespunde anului pe care l-ai avut.
  • Marchează promoțiile ca evenimente: o campanie de trei săptămâni distorsionează baza luni la rând dacă o lași să se strecoare în istoric.

Folosește-o când cererea are o formă sezonieră care se repetă și poți furniza două cicluri curate. Pentru felul în care se rulează și se compară în practică modelele de netezire, citește prognoza ratelor de neplată cu modele de netezire.

3. Modele de serii de timp ARIMA și SARIMA

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

Netezirea tratează istoricul ca pe o medie ponderată. ARIMA pune aceleiași date o întrebare mai grea: depinde cererea de azi de cea de ieri, de aceeași săptămână din anul trecut și de erorile pe care le-a făcut modelul înainte? Pasul de integrare diferențiază seria până când tendința devine stabilă, iar SARIMA adaugă termeni sezonieri pentru ciclurile săptămânale și anuale. Unde Holt-Winters îți dă o linie mai netedă, ARIMA îți dă un model al procesului cererii în sine.

Intervalul din jurul prognozei este rezultatul care aduce valoare.

Intervalele bat cifrele unice

Un studiu despre optimizarea reaprovizionării modelează cererea pe SKU, timpii de returnare și timpii de reaprovizionare ca variabile aleatoare, lucrează cu prognoze pe cuantile în loc de o singură estimare și propune un Raport al Incertitudinii Prognozei (Ratio of Forecast Uncertainty) pentru a urmări cum se propagă incertitudinea între etapele lanțului de aprovizionare. Distincția contează în momentul comenzii de achiziție. O prognoză de 1.000 de unități înseamnă altceva când intervalul plauzibil merge de la 850 la 1.150 decât atunci când merge de la 500 la 1.700.

Doi cumpărători pot citi aceeași prognoză și pot lua decizii opuse. Un lanț regional de alimentare modelează cererea săptămânală de lactate cu sezonalitate atât săptămânală, cât și anuală, astfel încât creșterea din sezonul sărbătorilor să apară în comandă, nu după ea. Un distribuitor de electronice stabilește stocul de siguranță pentru componente la percentila 90 a intervalului, dimensionat după un obiectiv de serviciu, nu după o acoperire fixă de două săptămâni. Același instrument, altă întrebare de politică.

Pentru a funcționa bine, este nevoie de disciplină:

  • Testați staționaritatea cu un grafic și cu un test formal, apoi diferențiați doar cât este necesar. Supradiferențierea introduce zgomot pe care modelul trebuie apoi să îl explice.
  • Rezervați ultimele trei luni și evaluați modelul pe ele înainte să vă bazați pe el.
  • Transformați intervalele în politică: alegeți percentila pe care o justifică marja, poziția de cash și angajamentul de serviciu.
  • Automatizați selecția modelului pentru cataloagele mari. Ajustarea manuală a comenzilor nu rezistă la 400 de SKU-uri.

Compromisul este efortul. ARIMA cere date staționare, o selecție atentă a ordinelor și suficient istoric pentru a estima termenii sezonieri, și totuși citește doar trecutul propriei serii. Asta îl face standardul pe care metodele cauzale trebuie să îl depășească: un factor precum prețul sau promoția își câștigă locul în model doar dacă prognozează mai bine decât istoricul cererii însăși.

Folosiți această metodă când seria dvs. are autocorelație pe care netezirea o ratează și aveți nevoie de un interval realist pentru a dimensiona stocul de siguranță în raport cu un obiectiv de nivel de serviciu.

4. Prognoză prin regresie cauzală

Toate metodele de până acum deduc cererea din propriul istoric. Regresia cauzală pune o altă întrebare: ce influențează cererea și cu cât? Îi oferiți factorii pe care echipa dvs. îi urmărește deja, cum ar fi prețul, mărimea reducerii, promoțiile, sărbătorile, vremea și activitatea concurenței, iar ea estimează creșterea generată de fiecare.

Rezultatul este un coeficient pe care îl puteți discuta, și tocmai asta e ideea. O reducere nu doar crește prognoza, ci o crește cu o valoare precisă, iar această valoare este ceea ce are nevoie comanda dvs. de achiziție.

Integrați calendarul promoțional în model

Să presupunem că un retailer de articole pentru casă vrea să afle cum vor evolua vânzările de electrocasnice de bucătărie în urma unei reduceri de 20 la sută însoțite de o campanie de email de weekend. Regresia estimează efectul combinat, astfel încât cumpărătorul comandă în funcție de un eveniment planificat, nu de media lunară a anului trecut. Un distribuitor de băuturi care include temperatura prognozată poate face stocuri înaintea unui val de căldură, în loc să reacționeze la el.

Regulă practică: testați câte un factor pe rând pe o perioadă de validare. Un factor care nu îmbunătățește acuratețea pe date pe care modelul nu le-a văzut este o poveste, nu un semnal.

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

  • Începeți cu ce înregistrați: indicatori de promoție, modificări de preț și calendare de sărbători. Multe echipe au mai mulți factori utilizabili decât cred.
  • Actualizați coeficienții: reacția clienților se schimbă după o modificare de preț sau după intrarea unui nou concurent, iar coeficienții depășiți pot duce la supraстoc.
  • Separați ce este planificat de ce nu este: campaniile intră ca date de intrare; o postare virală sau o revenire după o rupere de stoc intră ca indicator de eveniment.

Folosiți această metodă când promoțiile și prețurile generează o parte mare din volumul dvs. și când trebuie să dimensionați stocul pentru o campanie înainte de derularea ei, nu după.

5. Prognoza cererii prin învățare automată

Învățarea automată schimbă unitatea de modelare. În loc să potriviți câte un model pentru fiecare produs, antrenați un singur model pe mii de combinații SKU-magazin și îl lăsați să învețe tiparele comune: ce articole reacționează la vreme, care la ciclurile de salarii, care la o promoție de acum două săptămâni.

Gradient boosting se descurcă bine pe date tabelare de vânzări. Rețelele neuronale își merită locul când catalogul este uriaș, iar semnalele interacționează în moduri pe care nu le puteți specifica manual.

Unde se complică argumentul acurateței

Un studiu care a evaluat 7.500 de serii de cerere și 13 metode de prognoză a constatat că valoarea preciziei prognozei depinde de caracteristicile produsului, politica de stocuri, costurile de stocare, costurile vânzărilor pierdute, intervalele de revizuire și timpii de livrare. Aceeași lucrare notează că IMM-urile farmaceutice se bazează adesea pe prognoze judecate subiectiv, chiar și atunci când au comenzi intermitente semnificative, invocând ca bariere datele istorice inexacte, personalul specializat limitat și adoptarea redusă a tehnologiei.

Implicația este incomodă pentru oricine urmărește un clasament. Un model care câștigă la metricile de eroare poate pierde la cost atunci când costurile de stocare sunt mici, iar rupturile de stoc sunt scumpe. Iar o metodă care pare puternică pe articolele cu cerere intermitentă poate obține scoruri bune doar pentru că majoritatea perioadelor au cerere zero.

  • Depășiți referința: o medie mobilă sau Holt-Winters este grupul dvs. de control. Dacă învățarea automată nu le depășește pe datele de validare, nu o puneți în producție.
  • Validați în timp, nu aleatoriu: antrenați pe perioadele mai vechi, testați pe cele mai noi.
  • Evaluați pe segmente: eroarea pe primele 50 de SKU-uri contează mai mult decât eroarea pe coada lungă.
  • Tratați separat intermitența: articolele cu multe zerouri au nevoie de reguli proprii de evaluare.

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

ELECTE, o platformă de analiză a datelor bazată pe AI pentru IMM-uri, rulează șase metode de prognoză pe datele dvs., le evaluează comparativ și o alege pe cea mai precisă, înlocuind competiția manuală dintre modele. Pentru cataloagele cu multe promoții, consultați cum să țineți cont de vârfurile de cerere din vânzările flash.

Folosiți această metodă când aveți istoric dens și detaliat pe multe produse și dovezi că depășește referința dvs. la cost și la nivel de serviciu, nu doar pe hârtie.

Cele 5 metode de prognoză a stocurilor pe scurt

Metodă

Cea mai potrivită pentru

Date necesare

Gestionează sezonalitatea

Dificultate

Prognoză cu media mobilă

Cerere stabilă și repere simple de comparație

Un istoric restrâns de vânzări recente

Nu

Ușoară

Netezire exponențială (metoda Holt-Winters)

Cerere cu tendințe și tipare sezoniere

Date de vânzări pentru cel puțin două cicluri sezoniere

Da

Moderată

Modele de serii de timp ARIMA și SARIMA

Cerere autocorelată, cu tipare temporale

Serii de timp istorice lungi și curate

Da, cu SARIMA

Avansată

Prognoză prin regresie cauzală

Prognozarea efectelor promoțiilor, prețurilor și ale altor factori

Istoric de vânzări și date fiabile despre factori

Poate, cu variabile sezoniere

Moderată

Prognoza cererii cu machine learning

Cataloage mari, cu factori de cerere complecși

Istoric de vânzări mare și curat, plus date de intrare relevante

Da, cu variabile de calendar sau sezoniere

Avansată

Concluzii: alegeți metoda pe care o pot susține datele dumneavoastră

Tratați fiecare treaptă ca pe reperul pe care următoarea trebuie să îl depășească. Media mobilă este ieftină și transparentă, deci stabilește valoarea pe care fiecare model ulterior trebuie să o îmbunătățească. Adăugați Holt-Winters când aceeași formă sezonieră revine constant; folosiți ARIMA sau SARIMA când aveți nevoie de un interval defensabil pentru nivelurile de serviciu; treceți la regresia cauzală când promoțiile și variațiile de preț determină volumul; apelați la machine learning doar după ce a câștigat pe un set de testare (holdout).

Parcurgeți această scară în același fel la fiecare ciclu:

  • Auditați istoricul vânzărilor: numărați perioadele curate și SKU-urile cu serii lungi de zerouri.
  • Alegeți cea mai simplă metodă care se potrivește tiparului cererii.
  • Validați pe ultimele trei luni, fără împărțire aleatorie.
  • Automatizați comparația, astfel încât reperul câștigător să se schimbe odată cu condițiile.

ELECTE conectează sursele de contabilitate, bancare și foile de calcul, le menține actualizate, rulează șase metode de prognoză pe cifrele în timp real, le evaluează comparativ și o alege pe cea mai precisă. Primiți prognoze pentru cerere, numerar și salarii, cu dashboarduri pe care le puteți exporta sau partaja dintr-un clic. Vizitați ELECTE pentru a vedea în câteva minute prognoza propriului istoric de vânzări.

Comentarii

Niciun comentariu încă — începe conversația.