Inventory Analysis Mistakes

Beräkning av prognosfel för mer precisa efterfrågeprognoser

3 min läsning


Alla logistikkedjor av handelsvaror börjar och startar med kunden: vad vill kunden ha, i vilken kvantitet, när och var. Därför är det extremt viktigt med noggranna och korrekta efterfrågeprognoser. Om dina prognoser inte ger dig rätt information om vad dina kunder kommer att efterfråga vid en given tid och plats, kommer du antingen bygga upp ett stort överskottslager, eller omvänt: få problem med produkttillgängligheten.

På engelska benämns tillförlitligheten av prognoserna ”forecast accuracy” och prognosefel ”forecast error”.

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

Välgjorda efterfrågeprognoser hjälper dig att:

  • Förbättra kundnöjdheten – kunder kräver allt kortare ledtider och dålig servicenivå kan vara tillräckligt för att en kunde ska gå till en konkurrent. Nöjda kunder kommer tvärt om att ge goda referenser, recensioner och bidra till ett starkt varumärke.
  • Optimera lagernivåer – Att ha tillräckligt, men inte för mycket, på lager är viktigt för att inte binda upp onödigt kapital eller riskera att produkter blir inkuranta.
  • Hantera leverantörens ledtider – Genom att ge leverantörer trovärdiga prognoser över dina framtida behov kan de planera för att bättre kunna leverera fyllda leveranser i tid.
  • Förhindra förlorade intäkter – har du inte produkter i lager kan du inte sälja. Och långsiktigt kan dålig produkttillgänglighet leda till förlorade kunder, vilket har en ännu mer negativ inverkan på intäkterna.

Vad är ett prognosfel (”forecast error”)?

Så vad menar vi då med noggranna efterfrågeprognoser och hur vet du om du är bra eller dålig på att prognostisera?

Ett sätt att kontrollera kvaliteten på din efterfrågan är att beräkna prognosfelet. Ett prognosfel är avvikelsen av den faktiska efterfrågan från den prognostiserade efterfrågan. Om du kan beräkna felnivån i dina tidigare prognoser, kan du ta med detta i framtida och på så sätt göra relevanta justeringar av din planering.

Att beräkna prognosnoggrannhet (”forecast accuracy”) eller prognosfelberäkningar

Det finns flera olika formler som för att beräkna prognosnoggrannhet /prognosfel. Allt från det ganska enkla till väldigt komplexa. Två av de vanligaste är den som kallas MAPE (the Mean Absolute Percent Error) och MAD – (the Mean Absolute Deviation).

Låt oss titta närmare på båda:

MAPE-formeln

MAPE-formeln består av två delar, M och APE. Formeln för APE är:

MAPE formeln

Du beräknar sedan medelvärdet av alla procentuella fel under en given tidsperiod.

MAPE-formeln diagram

Eftersom MAPE är ett mått på ”fel” är höga siffror dåliga och låga siffror är bra.

MAD-formel

Ett annat vanligt sätt att beräkna prognosfel är att beräkna MAD (Mean Absolute Deviation). Denna formel visar avvikelsen av den prognostiserade efterfrågan från den faktiska efterfrågan i enheter. Den beräknar medelvärdet av det absoluta prognosfelet under de prognostiserade tidsperioderna.

MAPE och MAD är två av de vanligaste sätten att beräkna prognosfel, men det finns många fler. Se till att du hittar den mest lämpliga metoden för dina behov, det viktigaste är att du förstår hur korrekt du kan förvänta dig att prognoserna kommer vara.

Gratis Guide - 8 steg till bättre efterfrågeprognoser

Använda prognosfel i praktiken

Att beräkna prognosfelet är ett första, viktigt steg. Men beräkningarna i sig adderar naturligtvis inget värde om du inte vet hur du ska använda dem.

Såhär kan du använda prognosfelen för att förfina inköp och lagerplanering:

  1. Förutspå prognosnoggrannheten på framtida beräkningar: Prognosfelsberäkningen ger en kvantitativ uppskattning av kvaliteten på dina tidigare prognoser. Denna data kan du använda som en utgångspunkt för att avgöra säkerheten i framtida prognoser. Baserat på detta kan du sedan justera parametrar såsom säkerhetslager och beställningspunkter för att täcka upp för de mer osäkra perioderna.
  2. Prioritera tveksamma prognoser: Att identifiera och prioritera produkter med stor osäkerhet, dvs högt prognosfel, gör att du kan ge dem extra uppmärksamhet. Du kan noga övervaka deras framtida efterfrågan och justera lagernivåerna vart eftersom det behövs.
  3. Förbättra prognosnoggrannheten över tid: Konsekvent höga prognosfel kan vara en indikation på att den teknik för efterfrågeprognostisering du använder inte är helt rätt för din verksamhet. Det finns flera sätt att beräkna efterfrågeprognoser på och fungerar inte en kanske det är dags att prova en annan teknik. Mer om detta kan du läsa i vår guide till bättre efterfrågeprognoser.

Systemstöd för beräkning av prognosprecision

Vissa affärssystem och lagersystem (WMS) har funktioner för att automatiskt beräkna efterfrågan på prognosfel. Dessa kan vara användbara, men olika system har olika komplexitet och det är viktigt att du förstår begränsningarna. Ser till exempel systemet till varje enskild artikel? Vilka beräkningar används för att identifiera prognosfelet och justeras lagerparametrarna baserat på resultaten?

Ett lageroptimeringsverktyg, som EazyStock, kommer ge dig mer exakta beräkningar och automatiserar processer, så att du sparar tid och kan ta beslut baserade på bättre information.

Tycker du att det här känns utmanande? Vill du ha hjälp, eller är du nyfiken på EazyStock? Kontakta oss för en gratis demo med en av våra experter.

EazyStock Mjukvara Efterfrågeprognoser

Share

3 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.