Identifiera säsongsvariationer vid efterfrågeprognostisering

Nu är det dags igen. Årets mest intensiva period med Halloween, Black Friday, jul och nyår i ett enda svep. Nu är det viktigare än någonsin att ha rätt artiklar i lager för att kunna maximera omsättningen och inte göra kunderna besvikna. Men om man å andra sidan tar i och köper in för mycket kan smällen bli hård när man tvingas slumpa ut överblivet lager till underpris.

Seasonality of demand

För att få kontroll över lagret och lyckas med lagerstyrningen behövs tillgång till information om framtida efterfrågan. För vissa produkter är efterfrågeprognostisering relativt enkelt, dom kanske rör sig jämt och fint över hela året. Men har du säsongslager, dvs artiklar som säljer ojämnt under året, blir det genast lite knepigare.

Vad är en säsongsvariation?

Man brukar prata om fyra olika orsaker till efterfrågevariationer som man behöver ta hänsyn till när man prognostiserar efterfrågan:

  • Trend
  • Konjunktur
  • Säsong
  • Slump

Säsongsvariationer är de svängningar som upprepas med jämna tidsintervall, dvs variationen är periodisk. Dessa perioder som är lika långa kan tex vara ett dygn, en vecka, en månad eller ett år.

Många branscher har säsongsvariationer i sin efterfrågan och allt ifrån högtider till väder kan komma att påverka försäljningen. Om du förstår hur säsongsbetonade köpmönster påverkar din verksamhet kan du öka dina servicegrader utan att höja lagernivåerna och på så sätt positionera dig bättre på marknaden. Bristsituationer som är vanliga tidigt under säsongen och överbeställningar mot slutat kan undvikas.

Identifiera och planera inköp av säsongslager

Genom att analysera försäljningsutvecklingen kan man identifiera mönster i efterfrågan. Detta görs enklast genom att studera en artikels tidsserieplot. Hur lång tidsserie som krävs för analysen varierar mellan olika verksamheter. Om möjligt är det bra att använda 24 månaders försäljningsdata så att man i nästa steg kan korrelera data mellan de två åren och analysera hur signifikant säsongsdelen är.

Säsongsvariation

Exempel på en artikel med en tydlig säsongsvariation

I vissa verksamhetstyper, där det är svårt att identifiera säsongerna på artikelnivå, kan man göra analysen på produktsegmentnivå för att öka datakvaliteten. Det bästa är att helt enkelt testa sig fram och gruppera produkter som man tror har liknade försäljningsmönster.

Separera basprognosen från säsongsfaktor och andra variationer

En viktig grundregel är att hålla säsongsdata separerad från basprognosen. Basprognosen bör baseras på efterfrågestatistik som är rensad från säsongsvariationer och då behöver man kunna exludera den säsongsbetonade efterfrågan. Nedan ser du ett exempel på hur basprognosen kompletteras med beräknade trender, säsongsindex samt kvalitativa bedömningar baserade på marknadskännedom. Detta för att få fram den slutliga, totala prognosen för varje vald period.

Faktorer som påverkar prognosen säsongsvariation
Olika faktorer som påverkar prognosen

I det här exemplet är faktorer som marknadstrender, marknadskunskap, och säsongsvariationer separata så att man enkelt kan justera försäljningshistoriken innan nästa prognosberäkning görs.

Genom att addera säsongsprofiler blir prognosen bättre vilket i sin tur resulterar i lägre lagernivåer och mindre skrotning av artiklar som blivit inkuranta, samtidigt som försäljningsintäkter säkras genom att produkter finns tillgängliga när kunden efterfrågar dem. Frigjort kapital och höjda servicenivåer kan ha en betydande skillnad i lönsamheten.

Komplettera basprognosen med säsongsindexet för bättre prognoskvalitet

Om man använder sig av prognosmodeller som inte inkluderar trend och säsong kommer möjligheten till en träffsäker prognos bli betydligt mindre. Basprognosen måste alltså kompletteras med ett säsongsindex för att man ska få en bättre prognoskvalitet. Detta kan i viss mån göras manuellt, men ett bra verktyg som automatiserar processen kring testning och simulering kan behövas för mer noggranna analyser när man har säsongslager med många variationer. Läs mer om säsongshantering med EazyStock.

Traditional red Chinese New Year lanterns for Chinese New Year supply chain disruptions
Blogg

Minimera leveranshinder under kinesiska nyåret med effektiv lagerplanering 

Smarta lagerplanerare och inköpare planerar i god tid inför det kinesiska nyåret, oftast flera månader i förväg. För många företag kan det...

Gold bars stacked three on the bottom, two in the middle and one on the top on a pink background to show a bell curve of a product lifecycle
Blogg

Lagerplanerarens guide till produktlivscykeln och dess faser

Produktlivscykelns faser är inte bara viktiga att hålla koll på för marknadsförare och produktchefer, utan spelar även en avgörande roll...

A blue background with three white circles on the right-hand side of slightly different sizes with cut-out question marks showing the blue background
Blogg

Varför är lageroptimering bättre än lagerhantering?

Lageroptimering är en term som ofta missförstås. Det är inte en finare benämning av lagerhantering, utan ett sätt att lyfta...

Missa inget!

Anmäl dig till vårt nyhetsbrev för att hålla dig uppdaterad.

Få nyhetsbrevet