Efterspørgselsprognose i produktionen: En praktisk guide

Hjem » Ressourcer » Efterspørgselsprognose i produktionen: En praktisk guide

Anslået læsetid: 14 Minutter

En efterspørgselsprognose til produktionen anslår, hvilke produkter kunderne får brug for, i hvilke mængder og hvornår. Den kombinerer historisk efterspørgsel med viden om kommende ændringer, så indkøb og produktion har et fælles grundlag for deres beslutninger.

En brugbar prognose hjælper dig med at være forberedt uden at lægge varer på lager til ethvert muligt salg. Ved at gennemgå fejlene og forudsætningerne kan du vurdere, hvad du skal binde dig til nu, og hvad der kan vente. Prognosearbejdet er en del af efterspørgselsplanlægningen, som også omfatter gennemgang af markedsoplysninger og en fælles aftale om efterspørgselsplanen.

I praksis er udfordringen todelt: Først skal du estimere efterspørgslen godt nok til den beslutning, du skal træffe. Derefter skal du lægge en produktionsplan, der kan gennemføre den valgte løsning. SkyPlanner APS håndterer den detaljerede finplanlægning bag dine produktionsbeslutninger, så du slipper for at opbygge separate køer til hver maskine på ny, når beslutningerne ændrer sig.

Her får du en gennemgang af, hvordan du laver prognosen, vurderer dens fejl og bruger den i praksis.

1. Afklar, hvilke beslutninger prognosen skal understøtte

Tag udgangspunkt i beslutningen, ikke i prognosemodellen. Der er brug for forskellige detaljeringsgrader, alt efter om du skal reservere materialer til et produkt med lang gennemløbstid, beslutte næste måneds produktion til lager eller overveje et ekstra skift i produktionen.

Skriv fire ting ned, før du indsamler data:

• Hvad prognosen dækker: en færdigvare, en produktfamilie eller en anden klart afgrænset planlægningsenhed.
• Måleenheden: styk, pakker, kilogram eller en anden fysisk mængde, der bruges konsekvent. Omsætning alene kan skjule ændringer i pris og produktmix.
• Perioden: hvornår kunderne har brug for produktet. Brug konsekvent den ønskede leveringsdato som grundlag, hvor dataene giver mulighed for det.
• Horisonten: hvor lang tid i forvejen du skal træffe beslutningen under hensyntagen til indkøbs- og produktionsgennemløbstider.

Hvis du binder dig til materialekøb fire uger før, materialerne skal bruges, er en prognose, der kun er præcis én uge frem, ikke tilstrækkelig. Vurder det estimat, der blev lavet fire uger før behovstidspunktet, og som indkøb faktisk er nødt til at bruge.

Vælg planlægningsniveau ud fra den beslutning, der skal træffes. En prognose for en produktfamilie kan hjælpe med at vurdere behovet for et kommende skift, men den fortæller ikke indkøb, hvilken variantspecifik komponent der skal købes. Omvendt kan separate prognoser for hver sjældent bestilt variant give mere støj end indsigt. Sørg for, at produktfamiliens samlede mængde stemmer med fordelingen på de enkelte varer, og vurder, om ændringer i produktmixet har betydning for materialer eller kapacitet.

Ved lagerproduktion understøtter prognoser beslutninger om genopfyldning. Ved ordreproduktion kan faste ordrer styre den faktiske frigivelse til produktion, mens prognoser bruges til at forberede fælles kapacitet eller indkøb med lang gennemløbstid. Du behøver ikke at producere færdigvarer til lager på et usikkert grundlag, blot fordi du har en prognose.

Hold salgsmålet adskilt fra prognosen. Et mål angiver, hvad virksomheden ønsker at sælge. En prognose angiver, hvad man aktuelt forventer, at kunderne får brug for. Hvis du sænker prognosen for at tilpasse den til fabrikkens nuværende kapacitet, skjuler du en mulig udækket efterspørgsel i stedet for at løse problemet.

2. Klargør historiske data, der afspejler kundernes behov

Brug en sammenhængende tidsserie over efterspurgte mængder pr. vare og periode. Leveringsrapporten fra dit ERP-system kan være et udgangspunkt, men undersøg, hvad datoerne og mængderne faktisk dækker over.

Forsinkede leverancer er en almindelig faldgrube. Varer, der ønskes i én uge, men først afsendes ugen efter, kan få den første uge til at se svag ud og den næste usædvanligt stærk. Hvis formålet er at forudsige, hvornår varerne skal være til rådighed, bør du så vidt muligt bruge den periode, kunden har ønsket. Ellers risikerer modellen at lære jeres egne leveringsforsinkelser som et efterspørgselsmønster.

Gennemgå historikken sammen med salg og produktion:

• Ret dubletter og fejl i enhedsomregninger, og tag højde for ændringer i varenumre. Håndter returneringer og annulleringer ud fra årsagen i stedet for at behandle enhver korrektion som ny, negativ efterspørgsel.
• Behold perioder, hvor efterspørgslen reelt var nul. En manglende registrering er ikke automatisk et nul, og hvis du sletter stille uger, kan estimatet blive for højt.
• Markér udsolgte varer, fordeling af knappe varer og kapacitetsbegrænsninger. At der blev afsendt 60 enheder, når kunderne ønskede 100, beviser ikke, at efterspørgslen kun var 60. Brug registrerede, udækkede kundeønsker, hvor de findes. Hvis du estimerer tabt efterspørgsel, skal det tydeligt fremgå, at der er tale om et estimat.
• Identificér kampagner, engangskontrakter, lanceringer og udgåede produkter. Bevar den oprindelige historik, og dokumentér, hvorfor du justerer den tidsserie, modellen bruger.

Vis de klargjorte mængder i en graf over tid. Se efter et stabilt niveau, vedvarende vækst eller fald, tilbagevendende sæsontoppe og lange mellemrum mellem ordrerne. Mønstrene hjælper dig med at vælge, hvilke metoder der er værd at afprøve.

Lav ikke selvstændige prognoser for hver komponent, når behovet bestemmes af de overordnede produkter, der planlægges. Det afhængige behov bør håndteres gennem styklisten og materialebehovsberegningen. Ellers risikerer du at få modstridende svar på det samme indkøbsspørgsmål.

3. Vælg en prognosemetode, der passer til mønstret

Ingen metode er bedst til alle produkter i en produktion. Start med en enkel referencemetode, og undersøg derefter, om en anden metode giver et bedre grundlag for de beslutninger, du skal træffe.

Efterspørgselsmønster	Et fornuftigt udgangspunkt	Det skal du undersøge
Forholdsvis stabil efterspørgsel	Et glidende gennemsnit af de seneste perioder eller simpel eksponentiel udjævning	Om perioden, gennemsnittet beregnes over, udjævner støj uden at skjule en reel ændring
Tilbagevendende sæsonbestemt efterspørgsel	Seneste sammenlignelige sæson som reference; en prognosemodel med sæsonvariation	Om placeringen af helligdage, antallet af arbejdsdage eller produktsortimentet har ændret sig
Vedvarende tendens	En model, der kan håndtere en tendens, f.eks. eksponentiel udjævning med trend	Om væksten fortsætter, eller produktet nærmer sig modenhed
Efterspørgsel knyttet til målbare faktorer	Regression eller en egnet maskinlæringsmodel	Om oplysningerne om disse faktorer faktisk vil være tilgængelige, når prognosen udarbejdes
Mange perioder uden efterspørgsel og sporadiske ordrer	En tilgang til sporadisk efterspørgsel, f.eks. en metode af Croston-typen	Hvor godt metoden klarer sig over genopfyldningshorisonten, ikke kun om den forudsiger hver stille uge
Et nyt produkt med begrænset historik	Data fra sammenlignelige produkter og systematiske vurderinger fra salg og kunder	Forudsætninger for lanceringen, erstatning af eksisterende produkter og hvor hurtigt den faktiske efterspørgsel omsættes til ny viden

Simpel eksponentiel udjævning lægger større vægt på de seneste observationer, men i sin grundform modellerer den hverken trend eller sæsonvariation. Metoder af Croston-typen håndterer sporadisk efterspørgsel ved at se på mængder, der er større end nul, og tidsrummene mellem dem. De fjerner ikke usikkerheden om den næste ordre.

Et enkelt eksempel viser, hvordan et glidende gennemsnit fungerer: Antag, at efterspørgslen i de seneste tre uger var 80, 100 og 120 enheder. Med et glidende gennemsnit over tre uger bliver prognosen for næste uge:

Prognose = (80 + 100 + 120) ÷ 3 = 100 enheder.

Beregningen er let at forklare, men den kan også halte bagefter en reel opadgående tendens. Tre observationer viser regnestykket, ikke om metoden egner sig til produktet.

Sammenlign de mulige metoder med enkle referencer: den senest observerede efterspørgsel og, for sæsonvarer, den seneste sammenlignelige sæsonperiode. En mere kompleks model bør gøre sig fortjent til sin plads ved at give bedre resultater på data uden for det datasæt, den er tilpasset på, eller føre til en bedre driftsbeslutning. Et avanceret navn er ikke nok.

En model, der bruger kampagner eller økonomiske indikatorer, har også brug for realistiske input om fremtiden. Hvis du tester den med oplysninger, som ikke var tilgængelige på prognosetidspunktet, fremstår den bedre, end den kunne have været i praksis. En sammenhæng, der er nyttig til at forudsige efterspørgslen, er ikke i sig selv et bevis på, at en ændring af den pågældende faktor vil medføre en bestemt salgsstigning.

4. Inddrag forretningsviden uden at miste den oprindelige prognose

Historiske data fortæller ikke alt. En kunde kan have varslet et driftsstop, en distributør kan være ved at åbne en ny afdeling, eller et produkt kan være på vej til at erstatte en ældre model.

Hold den statistiske basisprognose synlig, og registrer hver forretningsmæssig justering separat. Angiv mængde, periode, begrundelse, ansvarlig og dato for opfølgning. Undersøg, om effekten allerede er med i modellen eller en anden justering, før du lægger den til igen.

Forestil dig, at basisprognosen er 100 enheder for en kommende uge. Salgsafdelingen dokumenterer en ekstra efterspørgsel på 20 enheder fra en ny kunde, som ikke allerede er medregnet. Den justerede prognose bliver dermed 120 enheder. Hvis kunden flytter efterspørgsel fra et andet produkt, skal prognosen for det produkt også justeres, så flytningen ikke registreres som ren vækst.

Det gør opfølgningen konkret: Kom den ekstra efterspørgsel, i hvilken periode, og forbedrede den manuelle justering prognosen? Sammenlign over tid fejlen i basisprognosen med fejlen i den justerede prognose. Behold justeringer, der tilfører information, og undersøg dem, der gentagne gange blot tilfører optimisme.

Ved en usikker produktlancering eller en større kontrakt bør du bevare et basisscenarie samt plausible scenarier med højere og lavere efterspørgsel og de tilhørende antagelser. Det er planlægningsscenarier, ikke statistisk kalibrerede prædiktionsintervaller. Brug dem til at finde frem til, hvilke beslutninger der ville ændre sig: reservation af materialer, et ekstra skift eller en senere beslutning om at producere færdigvarer til lager.

5. Mål prognosefejlen med den relevante gennemløbstid som tidshorisont

Gem hver udsendt prognose med dato, den periode den gælder for, vare og version. Når den faktiske efterspørgsel kendes, skal den sammenlignes med den version, der var til rådighed, da virksomheden skulle handle – ikke den seneste revision lige før levering.

Brug en historisk backtest til at vælge metode. Tilpas metoden udelukkende med oplysninger, der var tilgængelige på en tidligere dato, og lav en prognose for den nødvendige tidshorisont. Flyt derefter skæringsdatoen frem, og gentag. Med dette rullende udgangspunkt tester du den opgave, du faktisk står over for, uden at lade fremtidige observationer snige sig ind i fortidens datagrundlag.

Et eksempel på prognosefejl

Forestil dig, at du evaluerer fire uger for ét produkt. For hver række nedenfor blev den gemte prognose udsendt fire uger før den uge, den gælder for. Her beregnes fejl med fortegn som prognose minus faktisk efterspørgsel, så et positivt tal betyder, at prognosen var for høj.

Uge, prognosen gælder for	Gemt prognose	Faktisk efterspørgsel	Fejl med fortegn	Absolut fejl
Uge 1	110	100	+10	10
Uge 2	110	120	−10	10
Uge 3	110	80	+30	30
Uge 4	110	100	+10	10
I alt	440	400	+40	60

Tre mål belyser forskellige sider af resultatet:

Gennemsnitlig absolut fejl (MAE) = summen af absolutte fejl ÷ antal perioder = 60 ÷ 4 = 15 enheder pr. uge.

MAE giver et letforståeligt mål for den typiske fejlstørrelse målt i produktets enheder. Det viser ikke, om prognosen har tendens til at ligge for højt eller for lavt.

Vægtet absolut procentfejl (WAPE) = summen af absolutte fejl ÷ samlet faktisk efterspørgsel × 100 = 60 ÷ 400 × 100 = 15 %.

For disse ikke-negative efterspørgselsmængder udtrykker WAPE den absolutte fejl i forhold til den samlede efterspørgsel. Det betyder ikke, at prognosen for hver uge højst afveg med 15 %, eller at sandsynligheden for at dække efterspørgslen er 85 %.

Gennemsnitlig fejl med fortegn, også kaldet bias = summen af fejl med fortegn ÷ antal perioder = 40 ÷ 4 = +10 enheder pr. uge.

Med den angivne fortegnskonvention lå prognosen i gennemsnit for højt. Over de fire uger oversteg den den faktiske efterspørgsel med 40 enheder, svarende til 10 % af den samlede faktiske efterspørgsel. For høje og for lave prognoser kan udligne hinanden i en samlet opgørelse. Derfor kan bias ikke alene beskrive fejlens størrelse.

De fire rækker illustrerer målene, men udgør ikke et tilstrækkeligt historisk grundlag for validering. Brug tilstrækkeligt mange rullende test til at dække de sæsoner, ordremønstre og ændringer, der er relevante for produktet.

Undgå misvisende mål for prognosens præcision

MAPE dividerer hver periodes absolutte fejl med den faktiske efterspørgsel i perioden. Målet er udefineret, når den faktiske efterspørgsel er nul, og ustabilt tæt på nul. Derfor er det et dårligt standardvalg for produkter med sporadisk efterspørgsel i produktionen.

WAPE kan omfatte enkelte perioder uden efterspørgsel, men er udefineret, hvis den samlede faktiske efterspørgsel er nul. Nævneren ændrer sig også med mængden: Stigende efterspørgsel kan forbedre procenttallet, selv om fejlen målt i enheder ikke er blevet mindre. Vurder WAPE sammen med MAE, bias og den simple basisprognose for de samme testperioder.

Et samlet tal for en produktfamilie kan skjule, at prognosen konsekvent er for høj for én variant og for lav for en anden. Se nærmere på de produkter, der skaber risiko for leveringsproblemer, binder store beløb på lager eller belaster kritiske ressourcer – ikke kun det overordnede gennemsnit.

Der findes ingen universel grænse for en acceptabel prognosefejl i procent. En fejl på 15 enheder har forskellige konsekvenser for en billig standarddel og et færdigmonteret produkt med lav lageromsætning. Vurder prognosen ud fra omkostningerne ved mangel og overskud, gennemløbstiden for genopfyldning og de handlemuligheder, du har. Fastlæg buffere ud fra usikkerheden og virksomhedens politik for serviceniveau; læg ikke blot MAE til hver produktionsmængde.

6. Omsæt prognosen til en produktionsbeslutning

Den gennemgåede prognose er et skøn over kundernes efterspørgsel. Hvor meget der skal produceres, er en separat beslutning, som tager højde for bekræftede ordrer, disponibel lagerbeholdning, forventede tilgange fra igangværende produktion og den ønskede lagerbeholdning.

Undgå at tælle den samme efterspørgsel to gange. Hvis prognosen er 120 enheder, og bekræftede ordrer dækker 70 af dem, vil en simpel regel for prognoseforbrug inden for samme periode efterlade 50 enheder i prognosen, som endnu ikke er dækket af ordrer. Den samlede efterspørgsel er stadig 120, ikke 190. Jeres faktiske regler kan lade ordrer forbruge prognose på tværs af datoer eller efterspørgselskategorier.

Forestil dig nu, at du har 30 disponible færdigvarer, ønsker 10 tilbage ved periodens slutning og ikke har nogen forventede tilgange fra produktionen. For at dække de 120 enheder vil den foreslåede produktionsmængde være 100 enheder: 120 + 10 − 30. Det forudsætter, at lagerbeholdningen og de færdigproducerede enheder er til rådighed, før den efterspørgsel, de skal dække, opstår.

I hovedproduktionsplanen fastlægges disse mængder og tilgængelighedsdatoer for hver vare. MRP beregner de materialer og komponenter, der skal bruges til de godkendte produktionsmængder. Hverken prognosen eller en lageropgørelse dokumenterer, at fabrikken har kapacitet til at producere dem til tiden.

Antag for eksempel, at produktionen af de 100 enheder kræver 0,2 maskintimer pr. enhed plus to timers omstilling: 22 timer på den kritiske maskine. Andre aftalte opgaver kræver allerede 20 timer på maskinen, mens der kun er 40 timer til rådighed inden den krævede færdiggørelsesdato. Den foreslåede belastning er 42 timer. Du skal dække et underskud på to timer, bruge et egnet alternativ eller ændre en aftale.

Sæt ikke prognosen for kundernes efterspørgsel ned til 110 blot for at få maskinbelastningen til at passe. Lad skønnet over efterspørgslen fremgå tydeligt, og beslut, hvordan forskellen mellem behov og forsyning skal håndteres.

Brug SkyPlanner til at finplanlægge den aftalte produktion

Når ændringer i prognosen får dig til at ændre en aftalt produktion, kan planlægningsarbejdet brede sig til flere maskiner og ordrer. Tilføjer du én batch, påvirker det de efterfølgende operationer, de opgaver, der allerede står i kø på maskinerne, og de leveringsdatoer, der afhænger af dem.

SkyPlanner APS samler dette arbejde i én fælles plan for ressourcerne. Definer arbejdsstationer, skift, operatører, procestrin og varigheder, og styr derefter planen med prioriteter og låsninger. Arcturus, SkyPlanners kunstige intelligens til finplanlægning, beregner placeringen af opgaver ud fra den konfigurerede kapacitet, egnede ressourcer og afhængigheder mellem operationer. Gantt-visningen viser den beregnede rækkefølge og færdiggørelsesdatoerne.

For den foreslåede produktion på 100 enheder kobler det behovet for maskinbearbejdning sammen med resten af produktionsruten og de øvrige opgaver, der bruger de samme ressourcer. Du kan undersøge, om en godkendt ændring af skiftplanen eller en anden prioritering gør det muligt at færdiggøre arbejdet til tiden, uden at skulle afstemme alle berørte maskinkøer manuelt.

Når finplanlægning med materialehensyn er aktiveret, tager Arcturus højde for lagerbeholdningen og tilgængeligheden af indgående materialer ved beregning af starttidspunkter. Forventede leveringsdatoer på indkøb angiver den forventede tilgængelighed; lagerbeholdningen opdateres, når modtagelsen er bekræftet. En maskine, der på papiret er ledig, er ikke nok, hvis materialet ikke er klar, eller den foregående operation ikke er færdig.

Lad fortsat prognoser og beslutninger om genopfyldning høre til i jeres efterspørgselsplanlægning eller ERP-system. SkyPlanner opretter ikke automatisk produktionsopgaver ud fra prognoser, men finplanlægger det produktionsarbejde, I opretter eller overfører via integration. SkyPlanner kan integreres med ethvert ERP- eller MES-system via sit åbne REST API, så I kan beholde det system, der håndterer beslutningerne, og forbedre den detaljerede planlægning af, hvordan de føres ud i livet.

Det er grunden til at vælge SkyPlanner, når ændringer i efterspørgslen igen og igen kræver manuel finplanlægning: Planlæggerne fastlægger prioriteterne, og Arcturus beregner rækkefølgen af opgaver på ressourcerne, så beslutningerne bliver ført ud i livet.

Hvad hurtigere omplanlægning betød for Fredman Operations

Fredman Operations er en finsk producent af fødevaresikre køkken- og emballageprodukter. Tidligere prioriterede virksomheden opgaver manuelt uden præcist overblik over, hvornår maskinerne blev ledige, eller hvor meget kapacitet der var på hvert skift. Når planen skulle ændres akut, kunne det tage en time eller mere.

Med indførelsen af SkyPlanner blev virksomhedens L7- og LTR-systemer forbundet, og kapacitet og opgaver blev samlet i en fælles Gantt-visning. I kundehistorien fortæller virksomheden, at det tager sekunder at vurdere en forespørgsel om at fremrykke hele ordrebeholdningen, hvor det før krævede timers manuelle beregninger. Teamet fortæller også om mindre overarbejde og hurtigere reaktioner på ændringer i planen.

Den relevante gevinst ligger i at kunne tilpasse produktionen: at forstå, hvad et ændret behov betyder for opgaver og leveringsdatoer, mens der stadig er tid til at handle.

Sørg for sammenhæng mellem prognosen og tilpasningen af produktionen

Fastlæg en rytme for opfølgning, der passer til de beslutninger, I skal træffe. Opdater basisprognosen, når der kommer nye efterspørgselsdata, gennemgå væsentlige afvigelser med salg, og følg prognosefejlen ved at bruge den arkiverede prognose, der blev udarbejdet med det varsel, hver beslutning kræver. Lad ikke rutinemæssige revisioner ubemærket ændre de forpligtelser, produktionen allerede er ved at forberede sig på at opfylde.

Når en aftalt ændring påvirker produktionsmængden eller datoen, hvor varerne skal være tilgængelige, skal I opdatere produktionsopgaverne og gennemgå deres placering på ressourcerne. Det giver indkøb, produktion og salg et fælles billede af, hvad der er ændret, og hvad der nu kan leveres.

Book en demo af SkyPlanner, og se, hvordan I kan håndtere tilpasningen med mindre manuel planlægning. Medbring et eksempel på en produktionsmængde, I har besluttet efter en prognoseændring, samt den tilhørende produktionsrute og de datoer, hvor produkterne skal være tilgængelige. Det giver et konkret udgangspunkt for at se konsekvenserne for jeres fælles kapacitet og øvrige forpligtelser. Vil I hellere selv udforske systemet først, kan I prøve SkyPlanner med demodata.