Efterfrågekontroll: hantera outliers, undvik felaktiga prognosberäkningar

3 min läsning

Tags: Prognostisering, Tips & Tricks

Daniel Fritsch   28 maj 2015


clearance sale due to poor demand forecasting and excess inventory

Innehåll

  1. Manuell efterfrågekontroll
  2. Statistisk efterfrågekontroll av outliers

En hög prognosprecision är A och O för att kunna göra korrekta inköp och för lagerstyrningen som helhet. Det kan emellertid inträffa att exceptionellt stora eller små efterfrågevärden har inkluderats i prognosberäkningen vilket har påverkat prognosprecisionen negativt. Att exceptionellt stora eller små efterfrågevärden för enstaka perioder förekommer kan exempelvis bero på att man fått en ovanligt stor order av engångskaraktär eller att en konkurrent har kört en framgångsrik säljkampanj som har påverkat försäljningen negativt.

När man talar om prognoser och statistik kallas kraftigt avvikande värden för utliggare (outliers) och är datapunkter som anses vara extremvärden. Vissa order är helt enkelt inte representativa under tidsperioden. För att undvika att felaktiga eller kraftigt avvikande efterfrågevärden påverkar prognosberäkningarna använder man sig av så kallad efterfrågekontroll. Kontrollen går ut på att kontrollera om efterfrågevärden som inkluderas i prognosberäkningen ligger inom rimliga gränser.

Genom att införa gränser för vad som är godtagbara avvikelser samt att genomföra rimlighetstester innan efterfrågevärden tillåts ingå i prognosberäkningarna kan man med god säkerhet undvika negativ påverkan på prognosprecisionen.

Manuell efterfrågekontroll

Exceptionella efterfrågevärden kan fångas upp manuellt vid orderingången. Om en ordermottagare identifierar och bedömer att orden inte kan betraktas som representativ flaggas den och orden exkluderas i prognosberäkningen. Metoden kan endast tillämpas vid enstaka order som anses vara exceptionellt stora.

Statistisk efterfrågekontroll av outliers

I många fall går det inte att manuellt fånga upp exceptionella efterfrågevärden vid orderingång. Då kan man i stället använda statistisk efterfrågekontroll. Den statistiska efterfrågekontrollen kan åstadkommas genom att jämföra den senaste periodens verkliga efterfrågan med ett referensvärde, som till exempel kan vara artikelns senaste prognos. Den absoluta skillnaden mellan gällande prognos och senaste efterfrågevärde jämförs därefter med ett visst antal absoluta medelavvikelser baserade på historik. Här gäller det att välja antalet absoluta medelavvikelser på ett korrekt sätt så att man inte förkastar efterfrågevärden som statistiskt sett kan betraktas som normala.

Så här kan du genomföra den statistiska efterfrågkontrollen. Den senaste periodens efterfrågevärde accepteras och tillåts ingå i prognosberäkningen för kommande perioder om:

| E(t) – F(t) | < k * MAD

där:
E(t) = verklig efterfrågan under period t
P(t) = prognostiserad efterfrågan under period t
k = en konstant
MAD = absolut prognosfel fram till och med period t-1

Konstanten k väljs så att man med låg sannolikhet inte exkluderar efterfrågevärden som bör påverka prognosberäkningen. Ett vanligt förekommande värde på faktorn är 4. Detta värde motsvarar en konfidensgrad på 99,8 % vilket innebär att man med 99,8 % sannolikhet vidtar en korrekt åtgärd genom att utesluta det aktuella efterfrågevärdet. De beskrivna förhållandena bygger på att man kan anta att prognosfelen är normalfördelade.

Det är en hög administrativ insats att löpande genomföra efterfrågekontroller för varje enskild artikel utan något systemstöd. I verkligheten är inte heller alla prognosfel normalfördelade, vilket leder till att fler modeller än den ovan måste användas. Dessutom förändras artiklarnas beteende så prognosfelets distribution måste löpande analyseras.




7 steg till högre prognosnoggrannhet




Som företag vinner man mycket på att använda ett system som kan följa och flagga outliers, extremvärden som påverkar prognosprecisionen negativt. Utan denna funktion löper företag risk att blåsa upp prognoser som långsiktigt inte är hälsosamt för verksamheten. Om prognoskvaliteten inte är hög nog leder det till onödigt stora lager som tummar på vinstmarginalen eller att produkten inte finns tillgänglig när den efterfrågas.

System som EazyStock genomför automatisk kontroll av efterfrågevärden och kan utesluta outliers per automatik baserat på definitionen av gränser. Extremvärden flaggas alltid för användaren och om man inte önskar automatisk eliminering av efterfrågevärdet går det bra att granska orderinformationen och manuellt utesluta efterfrågevärdet från prognosberäkningen.

outliers efterfråga
Ett exempel på hur ett extremvärde, outlier, flaggas i EazyStock