8 tips för bättre efterfrågeprognoser

8 tips för bättre efterfrågeprognoser

5 min läsning


Efterfrågeprognoser handlar om att se in i framtiden och spelar en avgörande roll inom lagerstyrning, inköp och logistik. Om du kan förutsäga hur mycket du kommer att sälja av en vara kan du se till att köpa in rätt kvantitet, vid rätt tillfälle till rätt plats. Du kommer att kunna maximera försäljningen utan att ta upp onödig lageryta och riskera att artiklar inte säljer slut.

”Den här bloggposten publicerades första gången i maj 2015 och uppdaterades i mars 2020”

Tyvärr är pålitliga efterfrågeprognoser ingenting man gör i en handvändning. Det krävs en hel del kunskap och erfarenhet och kräver att man hela tiden håller koll på artiklar, livscykler, trender och lagernivåer för att komma så nära sanningen som möjligt.
I den här bloggposten delar vi med oss av några av våra bästa tips för att lyckas med efterfrågeprognoserna och så gott som det är möjligt, se in i framtiden.

Vad är en efterfrågeprognos?

Låt oss börja med en definition.

Efterfrågeprognoser görs för att förutsäga kundernas efterfrågan av en eller flera produkter under en definierad tidsperiod. Välgjorda efterfrågeprognoser gör det möjligt att hålla rätt mängd lager och få bättre kontroll. Bra prognoser bygger på en kombination av historisk data och marknadskunskap.

Om efterfrågan underskattas kan företaget gå miste om försäljning till följd av att produkten inte finns i lager. Om efterfrågan däremot överskattas blir produkter liggande i lagret vilket medför onödig kapitalbindning, extra lagerkostnader samt risk för inkurans.

Olika sätt att beräkna efterfrågan

Det finns en mängd olika sätt att beräkna efterfrågan på, allt ifrån väldigt enkla till extremt komplexa. Alla metoder har sina för- och nackdelar, men generellt kan man säga att de mer sofistikerade teknikerna kommer du att kunna förutse produktåtgången mer exakt. Statistiska metoder är de mest träffsäkra, men kan vara utmanande att ta sig an för nybörjare. Så det kan vara en bra ide att börja med en enklare metod för att sedan successivt gå över till mer avancerade formler och metoder.

8 tips för bättre efterfrågeprognoser

Det finns både kvantitativa (baserade på historisk efterfrågedata) och kvalitativa (baserade på erfarenhet och subjektiva åsikter) tekniker för att beräkna efterfrågan. Oftast är en kombination det bästa, men det finns en rad olika aspekter att ta med. Låt oss titta närmare på några.

Rätt beräkningsmetod för olika stadier i produktlivscykeln.

Om du analyserar historiska försäljningsdata för varje produkt i ditt lager, kommer du att upptäcka att efterfrågan på dina olika artiklar varierar ganska mycket. Vissa kommer att ha kontinuerligt hög efterfrågan över tid, andra sporadisk eller låg efterfrågan.
Till exempel:
Efterfrågeprognoser

När produkter rör sig genom sin produktlivscykel, från introduktion på marknaden till mognad och minskning, kommer dessutom efterfrågan att förändras:
Produktlivscykel med efterfrågemönster

Det är viktigt att ha koll på vilken efterfrågtyp en artikel har eftersom den bestämmer vilken typ av beräkning du behöver du behöver använda. Du bör alltså använda en typ av beräkning för en artikel med sporadisk efterfrågan, en annan för en stabil, snabb efterfrågan och kanske en tredje för en döende artikel.

Baserat på detta kan du räkna ut en basefterfrågan. Till din basefterfrågan behöver du lägga olika typer av avvikelser, på vilka det kommer några exempel nedan.

Förändringar i efterfrågan under en produkts livscykel

Efterfrågan på produkter förändras vartefter de flyttar sig genom produktlivscykeln. I tillväxtfasen kommer de ha en positiv trend, för att sedan bli snabbrörlig, sporadisk eller oregelbunden beroende på produkttypen. Detta behöver du ta hänsyn till när du gör dina efterfrågeprognoser och det är viktigt att du håller koll på var i livscykeln produkterna befinner sig. Missar du en förändring i efterfrågetrenden är det lätt att du börjar bygga upp stora överlager eller får slut på lagret och därmed försämrar dina servicegrader.

Du behöver även hålla koll på trender i branschen, nya teknologier som ersätter gamla eller socioekonomiska förändringar på din marknad som kan förändra efterfrågan över tid.

Säsongsvariationer

De flesta tillverkare, distributörer eller återförsäljare kan förvänta sig säsongsvariationer på åtminstone några produktgrupper. Väder, högtider och andra traditioner påverkar efterfrågan på olika sätt.

Förstår du hur dessa säsongsbetonade faktorer påverkar dina kunders köpbeteenden kan du utnyttja detta för att ytterligare förfina dina prognoser. Du kommer kunna sälja mer under perioderna med hög efterfrågan och planera lagret bättre för de långsamma årstiderna.

Praxis är att hålla säsongsbetonade efterfrågefaktorer separerade från beräkningarna av basefterfrågan. Detta gör att datan hålls ren och du kan använda den för framtida prognoser.

Demand Forecasting Influencers Graph

Kvalitativ input

Även om historiska data (kvantitativ efterfrågan för prognoser) är en utmärkt grund måste de ibland även kompletteras med kvalitativa faktorer. Dessa kan innefatta planerade kampanjer, externa marknadsfaktorer såsom världshändelser, kriser, politiska utspel och dina konkurrenters aktiviteter.

Kommunicera med din sälj- och marknadsavdelning regelbundet för att få så bra inblick som möjligt och inkludera informationen i dina prognoser för bättre precision.

Extremvärden (outliers) i säljhistoriken

Extremvärden, eller ”outliers” kan vara resultatet av i förväg kända händelser (t ex kampanjer, stora engångsbeställningar eller strejker) eller oförutsägbara händelser (t ex en konkurrent som går i konkurs, en naturkatastrof eller en global epidemi, såsom Coronautbrottet).

För att dessa ytterligheter inte ska påverka dina framtida prognoser behöver du regelbundet gå tillbaka, analysera lagerdata och identifiera avvikelser. Börja med att identifiera efterfrågedata som ligger utanför den rimliga standardavvikelsen för genomsnittlig efterfrågan. Sedan behöver du bedöma om den avvikande efterfrågan är en del av en trend, och om den därmed ska inkluderas i kommande prognosberäkningar. Om det däremot är ett extremfall behöver du plocka bort datan så att den inte påverkar dina framtida prognoser.
Inventory forecasting demand outliers

Förstå hur korrekta dina prognoser är med hjälp av prognosfel

Trots att du gått igenom alla möjliga steg för att beräkna efterfrågan är det ganska osannolikt att prognoserna blir 100% korrekt. Det handlar ju trots allt om att spå i framtiden. Därför bör du även försöka förstå hur stora avvikelser från prognoserna som du kan förvänta dig. Detta görs genom att beräkna det så kallade prognosfelet och informationen kan användas för att ytterligare förfina framtida prognoser och dimensionera säkerhetslagret.

Det finns olika formler för att beräkna prognosnoggrannheten eller prognosfelet. Med den s.k. ”MAPE-formeln” (the Mean Absolute Percent Error) beräknas genomsnittliga procentuella skillnaden mellan din faktiska och prognostiserade efterfrågan under en viss period. Medan ”MAD-formeln” (the Mean Absolute Deviation) visar avvikelsen av den prognostiserade efterfrågan från den faktiska efterfrågan i enheter. Du kan lära dig mer om prognosfel i bloggposten ”Beräkning av prognosfel för mer precisa efterfrågeprognoser

Var noga med efterfrågeperioderna

Den tidsperiod du väljer för din efterfrågeprognos har ett direkt samband med korrektheten av din beräknade framtida efterfrågan. En prognos för de kommande två veckorna är till exempel mycket mer sannolik än en prognos 12 månader framåt i tiden.

Om du dessutom verkar på en volatil marknad eller om du har produkter med ett oregelbundet efterfrågemönster behöver du analysera dina artiklar oftare än om marknaden och efterfrågan mestadels är stabila. Om du märker att du börjar du få slut på lagerlagda artiklar eller bygga upp överskottslager har du ytterligare skäl att se över dina prognosintervaller.

Räkna manuellt eller ta hjälp av ett verktyg

Att göra noggranna efterfrågeprognoser är ingen enkel uppgift. Har du få produkter i portföljen, av relativt lågt värde och med stabil efterfrågan, kan det räcka med beräkningar i excel, som du sedan matar in i ditt affärssystem.

Men om du, som många andra, har ett växande produktutbud, artiklar med olika typer av efterfrågemönster eller flera lagerställen blir det snabbt väldigt komplext.

Många företag har affärssystem, lagerhanteringssystem (WMS) och/eller e-handelsplattformar som erbjuder visst stöd för prognoser. Men för mer korrekta prognoser krävs en mjukvara för lageroptimering som tillägg till ditt ERP, till exempel EazyStock.

EazyStock använder statistiska beräkningar för efterfrågan och uppdaterar alla parametrar på alla artiklar dagligen. På så sätt kommer du alltid har uppdaterade prognoser baserade på varje enskild produkts nuvarande efterfrågemönster. Du kommer inte bara spara massor med tid på manuella beräkningar, du eliminerar även risken för mänskliga fel. Kontakta oss för en gratis demo!

Bli bättre på att prognostisera med vår guide till högre prognosnoggrannhet:

 


Gratis Guide - 8 steg till bättre efterfrågeprognoser

Share

5 min läsning

Anmäl dig till EazyStocks nyhetsbrev

Håll dig uppdaterad med de senaste nyheterna, trenderna och tipsen inom lagerstyrning, supply chain management, inköp och prognostisering i vårt månatliga nyhetsbrev.