Nõudluse prognoosimine tootmises: praktiline juhend

Avaleht » Ressursid » Nõudluse prognoosimine tootmises: praktiline juhend

Hinnanguline lugemisaeg: 14 minutit

Nõudluse prognoosimine tootmises aitab hinnata, milliseid tooteid kliendid vajavad, kui suurtes kogustes ja millal. See ühendab varasemad nõudlusandmed teabega eelseisvate muutuste kohta ning annab ostule ja tootmisele otsustamiseks ühise lähtekoha.

Kasulik prognoos aitab valmistuda, ilma et iga võimaliku müügi jaoks tuleks kaup lattu toota. Prognoosivea ja eelduste ülevaatamine aitab otsustada, millised kohustused võtta kohe ja millega võib oodata. Prognoosimine on üks osa nõudluse planeerimisest – laiemast protsessist, mille käigus vaadatakse läbi turuteave ja lepitakse kokku nõudlusplaan.

Praktilisel ülesandel on kaks osa: kõigepealt tuleb hinnata nõudlust otsustamiseks piisavalt hästi ning seejärel koostada tootmisplaan, millega saab kokkulepitu ellu viia. SkyPlanner APS hoolitseb tootmisotsuste elluviimiseks vajaliku üksikasjaliku ajastamise eest. Nii ei pea sa otsuste muutumisel iga masina tööjärjekorda eraldi uuesti koostama.

Järgnevalt vaatame, kuidas prognoosi koostada, selle viga hinnata ja seda töös kasutada.

1. Määratle, milliseid otsuseid prognoos peab toetama

Alusta otsusest, mitte prognoosimudelist. Pika läbiminekuajaga tootele materjali reserveerimine, järgmise kuu laovarude täiendamise otsustamine ja lisavahetuse kaalumine nõuavad erineva detailsusega teavet.

Enne andmete kogumist pane kirja neli asja:

• Mille nõudlust prognoosid: valmistoode, tooterühm või muu selgelt määratletud planeeritav artikkel.
• Ühik: tükid, pakid, kilogrammid või muu läbivalt kasutatav füüsiline mõõtühik. Üksnes müügitulu vaadates võivad hindade ja eri toodete osakaalude muutused varju jääda.
• Periood: millal kliendid toodet vajavad. Kui andmed seda võimaldavad, lähtu järjepidevalt kliendi soovitud kuupäevast.
• Prognoosihorisont: kui pikalt ette tuleb otsustada, arvestades ostu ja tootmise läbiminekuaegu.

Kui pead materjali hankimise otsuse tegema neli nädalat enne selle vajaminekut, ei piisa prognoosist, mis on täpne vaid ühe nädala vaates. Hinda nelja nädala võrra ette koostatud prognoosi, mida ostuosakond tegelikult kasutama peab.

Vali planeerimise detailsus otsuse järgi. Tooterühma prognoos võib aidata hinnata tulevase vahetuse vajadust, kuid ei ütle ostuosakonnale, millist konkreetse variandi komponenti osta. Samas võib iga harva tellitava variandi eraldi prognoosimine tekitada rohkem müra kui kasulikku teavet. Hoia tooterühma kogus ja selle jaotus artiklite vahel kooskõlas ning vaata üle, kas osakaalude muutused mõjutavad materjali- või tootmisvõimsuse vajadust.

Laotootmises toetavad prognoosid varude täiendamise otsuseid. Tellimuspõhises tootmises võivad tootmisse andmise aluseks olla kinnitatud tellimused, samal ajal kui prognoosid aitavad ette planeerida ühiselt kasutatavat tootmisvõimsust või pika tarneajaga sisendite hankimist. Pelgalt prognoosi olemasolu ei tähenda, et peaksid valmistoodangut võimaliku müügi ootuses lattu tootma.

Hoia müügieesmärk prognoosist lahus. Eesmärk näitab, kui palju ettevõte tahab müüa; prognoos näitab praegust hinnangut sellele, kui palju kliendid vajavad. Prognoosi vähendamine tehase praeguse tootmisvõimsuse järgi peidab võimaliku rahuldamata nõudluse, mitte ei lahenda seda.

2. Koosta klientide vajadust kajastav nõudluse ajalugu

Kasuta ühtsetel alustel koostatud nõudluskoguste aegrida artiklite ja perioodide kaupa. ERP-süsteemi väljastusaruandest võib alustada, kuid kontrolli, mida selle kuupäevad ja kogused tegelikult tähistavad.

Hilinenud tarned on levinud komistuskivi. Ühel nädalal vajatud, kuid järgmisel nädalal lähetatud kogused võivad jätta esimese nädala nõudlusest nõrga ja teise nädala omast ebatavaliselt tugeva mulje. Kui eesmärk on prognoosida, millal toode peab kättesaadav olema, lähtu võimaluse korral kliendi soovitud perioodist. Muidu võib mudel õppida nõudlusmustri asemel sinu enda tarneviivitusi.

Vaata varasemad andmed koos müügi- ja tootmismeeskonnaga üle:

• Paranda topeltkirjed ning mõõtühikute teisendamise ja tootekoodide muutmisega seotud vead. Arvesta tagastusi ja tühistamisi nende põhjuse järgi, selle asemel et käsitleda iga parandust uue negatiivse nõudlusena.
• Säilita perioodid, mil nõudlus tõepoolest puudus. Puuduv kirje ei tähenda automaatselt nulli ning vaiksete nädalate kustutamine võib prognoosi põhjendamatult suurendada.
• Märgi ära laopuudujäägid, piiratud varude jaotamine ja tootmisvõimsuse piirangud. Kui kliendid soovisid 100 ühikut, kuid lähetati 60, ei tõesta see, et nõudlus oligi ainult 60. Kasuta võimaluse korral registreeritud täitmata kliendisoove; kui hindad rahuldamata jäänud nõudlust, märgi see selgelt hinnanguks.
• Tuvasta kampaaniad, ühekordsed lepingud, uute toodete turuletoomised ja müügist eemaldatud tooted. Säilita algandmed ning pane kirja, miks modelleerimiseks kasutatavat aegrida korrigeerid.

Kuva saadud kogused ajagraafikul. Otsi stabiilset taset, püsivat kasvu või langust, korduvaid hooajalisi tippe ja pikki tellimustevahelisi pause. Need mustrid aitavad valida meetodeid, mida tasub katsetada.

Ära prognoosi iga komponendi nõudlust eraldi, kui selle vajadus tuleneb kavandatud lõpptoodetest või koostudest. Selline sõltuv nõudlus peaks tulenema toote koosseisust ja materjalivajaduse arvutusest. Vastasel juhul võid saada samale ostuküsimusele vastuolulisi vastuseid.

3. Vali nõudlusmustrile sobiv prognoosimeetod

Ükski meetod ei ole kõigi toodete jaoks parim. Alusta lihtsast võrdlusprognoosist ja hinda seejärel, kas mõni teine meetod aitab teha paremaid otsuseid.

Nõudluse iseloom	Sobiv lähtekoht	Mida kontrollida
Suhteliselt stabiilne nõudlus	Viimaste perioodide libisev keskmine või lihtne eksponentsilumine	Kas keskmistamisperiood silub juhuslikku kõikumist, varjamata tegelikku muutust
Korduv hooajaline nõudlus	Viimane võrreldav hooaeg võrdlusalusena; hooajaline prognoosimudel	Kas pühade ajastus, tööpäevad või tootevalik on muutunud
Püsiv trend	Trendi arvestav mudel, näiteks trendiga eksponentsilumine	Kas kasv jätkub või on toode jõudmas küpsusfaasi
Mõõdetavate teguritega seotud nõudlus	Regressioon või sobiv masinõppemudel	Kas teave mõjutegurite kohta on prognoosi koostamise ajal tegelikult kättesaadav
Palju nullnõudlusega perioode ja üksikud tellimused	Katkendliku nõudluse meetod, näiteks Crostoni tüüpi meetod	Tulemuslikkus varude täiendamise horisondi ulatuses, mitte ainult see, kas iga nõudluseta nädal ennustatakse õigesti
Uus toode, mille kohta on vähe varasemaid andmeid	Võrreldavate toodete andmed ning süstemaatiliselt kogutud müügimeeskonna ja klientide hinnangud	Turuletoomise eeldused, olemasolevate toodete asendamine uuega ning see, kui kiiresti tegelikust nõudlusest õpitakse

Lihtne eksponentsilumine annab värskematele vaatlustele suurema kaalu, kuid selle põhikuju ei modelleeri trendi ega hooajalisust. Crostoni tüüpi meetodid käsitlevad katkendlikku nõudlust, arvestades nullist erinevaid koguseid ja nendevahelisi ajavahemikke. Need ei kõrvalda siiski ebakindlust järgmise tellimuse suhtes.

Võtame libiseva keskmise selgitamiseks lihtsa näite: viimase kolme nädala nõudlus oli 80, 100 ja 120 ühikut. Kolme nädala libiseva keskmise põhjal on järgmise nädala prognoos:

Prognoos = (80 + 100 + 120) ÷ 3 = 100 ühikut.

Seda arvutust on lihtne selgitada, kuid see võib tegelikust kasvutrendist maha jääda. Kolm vaatlust näitavad arvutuskäiku, mitte seda, et meetod tootele sobib.

Võrdle võimalikke meetodeid lihtsate võrdlusalustega: viimase teadaoleva nõudlusega ning hooajaliste toodete puhul viimase võrreldava hooajalise perioodiga. Keerukama mudeli kasutamine on põhjendatud siis, kui see annab paremaid tulemusi andmetel, mida mudeli sobitamisel ei kasutatud, või aitab teha parema praktilise otsuse, mitte lihtsalt mudeli keeruka nimetuse tõttu.

Ka kampaaniaid või majandusnäitajaid kasutav mudel vajab tuleviku kohta realistlikke sisendeid. Kui katsetad seda teabega, mis ei olnud prognoosi koostamise kuupäeval kättesaadav, paistab mudel parem, kui see oleks praktikas saanud olla. Prognoosimisel kasulik seos ei tõesta iseenesest, et mõjuteguri muutmine põhjustab kindla müügikasvu.

4. Täienda prognoosi äriteadmistega, säilitades algse võrdlusprognoosi

Varasemad andmed ei ütle kõike. Klient võib olla teatanud tootmise seiskamisest, edasimüüja võib avada uue müügikoha või uus toode võib asendada vanema mudeli.

Hoidke statistiline baasprognoos nähtaval ja dokumenteerige iga äriinfost lähtuv korrigeerimine eraldi. Märkige selle kogus, periood, põhjus, vastutaja ja ülevaatamise kuupäev. Enne mõju lisamist kontrollige, kas mudel või mõni muu korrigeerimine seda juba arvestab.

Oletame, et ühe eelseisva nädala baasprognoos on 100 ühikut. Müügimeeskond esitab tõendid, et uus klient toob lisaks juba arvestatule nõudlust veel 20 ühiku järele. Ülevaadatud prognoosiks saab 120 ühikut. Kui klient suunab nõudluse ümber mõnelt teiselt tootelt, korrigeerige ka selle toote prognoosi ja ärge käsitlege kogu muutust kasvuna.

Nii saab hilisemal ülevaatusel vastata konkreetsetele küsimustele: kas lisanõudlus realiseerus, millisel perioodil ja kas käsitsi korrigeerimine parandas prognoosi? Võrrelge aja jooksul baasprognoosi viga korrigeeritud prognoosi veaga. Säilitage korrigeerimised, mis lisavad teavet, ja uurige neid, mis muudavad prognoosi korduvalt üksnes optimistlikumaks.

Ebakindla turuletoomise või suure lepingu puhul hoidke alles baasstsenaarium ning usutavad suurema ja väiksema nõudluse stsenaariumid koos nende eeldustega. Need on planeerimisstsenaariumid, mitte statistiliselt kalibreeritud prognoosivahemikud. Kasutage neid selleks, et selgitada välja, millised otsused eri olukordades muutuksid: kas reserveerida materjali, lisada vahetus või lükata valmistoodangu varusse tootmise otsus hilisemaks.

5. Mõõtke prognoosiviga selle järgi, kui pikalt ette peate otsustama

Salvestage iga avaldatud prognoos koos selle kuupäeva, sihtperioodi, toote ja versiooniga. Kui tegelik nõudlus on selgunud, võrrelge seda versiooniga, mis oli olemas siis, kui ettevõte pidi tegutsema, mitte vahetult enne tarnet tehtud viimase parandusega.

Meetodi valimiseks katsetage seda varasemate andmete peal. Sobitage meetod ainult mingiks varasemaks kuupäevaks teada olnud teabe põhjal, koostage prognoos vajaliku ajahorisondi kohta, seejärel nihutage lähtekuupäeva edasi ja korrake. Selline liikuva lähtepunktiga testimine vastab tegelikule prognoosimisülesandele ega lase tulevastel vaatlustel mõjutada minevikus tehtud prognoose.

Prognoosivea näide

Oletame, et hindate ühe toote prognoosi nelja sihtnädala kohta. Alloleva tabeli igas reas on salvestatud prognoos avaldatud neli nädalat enne vastavat sihtnädalat. Siin arvutatakse märgiga viga, lahutades prognoosist tegeliku nõudluse, seega näitab positiivne arv üleprognoosimist.

Sihtnädal	Salvestatud prognoos	Tegelik nõudlus	Märgiga viga	Absoluutviga
1. nädal	110	100	+10	10
2. nädal	110	120	−10	10
3. nädal	110	80	+30	30
4. nädal	110	100	+10	10
Kokku	440	400	+40	60

Kolm mõõdikut kirjeldavad selle tulemuse eri külgi:

Keskmine absoluutviga (MAE) = absoluutvigade summa ÷ perioodide arv = 60 ÷ 4 = 15 ühikut nädalas.

MAE väljendab tüüpilist vea suurust arusaadavalt toote ühikutes. See ei näita, kas prognoos kipub nõudlust üle- või alahindama.

Kaalutud absoluutne protsentviga (WAPE) = absoluutvigade summa ÷ tegeliku nõudluse summa × 100 = 60 ÷ 400 × 100 = 15%.

Nende mittenegatiivsete nõudluskoguste puhul väljendab WAPE absoluutviga kogunõudluse suhtes. See ei tähenda, et iga nädala prognoos erines tegelikust nõudlusest kuni 15% või et nõudluse rahuldamise tõenäosus on 85%.

Keskmine märgiga viga ehk nihe = märgiga vigade summa ÷ perioodide arv = 40 ÷ 4 = +10 ühikut nädalas.

Siin kasutatud märgikokkuleppe järgi oli prognoos keskmiselt liiga suur. Nelja nädala peale ületas see tegelikku nõudlust 40 ühiku võrra ehk 10% tegelikust kogunõudlusest. Üle- ja alaprognoosimine võivad summas teineteist tasakaalustada, mistõttu ei piisa vea suuruse kirjeldamiseks üksnes nihkest.

Need neli rida illustreerivad mõõdikuid, kuid ei anna valideerimiseks piisavat ajalugu. Tehke piisavalt liikuva lähtepunktiga teste, et hõlmata toote jaoks olulisi hooaegu, tellimismustreid ja muutusi.

Vältige eksitavat täpsusnäitajat

MAPE arvutamisel jagatakse iga perioodi absoluutviga sama perioodi tegeliku nõudlusega. Nullnõudluse korral on see määramata ja nullilähedase nõudluse korral ebastabiilne, mistõttu ei sobi see tootmises vaikimisi mõõdikuks, kui nõudlust esineb harva.

WAPE arvutusse võib kaasata ka nullnõudlusega perioode, kuid kui tegelik kogunõudlus on null, on mõõdik määramata. Ka selle nimetaja muutub koos mahuga: nõudluse kasvades võib protsent paraneda isegi siis, kui viga ühikutes ei vähene. Vaadake WAPE-t koos MAE ja nihkega ning võrrelge tulemust lihtsa baasprognoosiga samadel testperioodidel.

Tootepere koondnäitaja võib varjata olukorda, kus ühe variandi nõudlust prognoositakse pidevalt üle ja teise oma alla. Ärge piirduge üldise keskmisega, vaid vaadake eraldi tooteid, millega kaasneb tarnerisk, kallis laovaru või kriitiliste ressursside koormus.

Universaalset vastuvõetavat prognoosivea protsenti ei ole. 15 ühiku suurusel veal on odava levinud detaili ja väikese käibega valmiskoostu puhul erinevad tagajärjed. Hinnake prognoosi puudujäägi ja ülejäägi kulude, varude täiendamise läbiminekuaja ning olemasolevate reageerimisvõimaluste põhjal. Määrake puhvervarud ebakindlust ja teenindustaseme põhimõtteid arvestades; ärge lihtsalt lisage MAE väärtust igale tootmiskogusele.

6. Tehke prognoosi põhjal tootmisotsus

Ülevaadatud prognoos on hinnang klientide nõudlusele. Tootmiskogus on eraldi otsus, mille tegemisel arvestatakse kinnitatud tellimusi, kasutuskõlblikku laovaru, juba planeeritud toodangu laekumisi ja soovitud varutaset.

Vältige sama nõudluse topeltarvestust. Kui prognoos on 120 ühikut ja kinnitatud tellimused katavad sellest 70 ühikut, jääb prognoosist tellimustega katmata veel 50 ühikut. See kehtib lihtsa reegli korral, mille järgi tellimused asendavad sama perioodi kattuva prognoosi. Kogunõudlus on endiselt 120, mitte 190 ühikut. Teie tegelikud reeglid võivad lubada tellimustega prognoosi asendada ka eri kuupäevade või nõudluskategooriate vahel.

Oletame nüüd, et teil on 30 kasutuskõlblikku valmistoodangu ühikut, soovite perioodi lõpuks jätta alles 10 ühikut ning tootmisest ei ole midagi lattu saabumas. 120 ühiku nõudluse katmiseks oleks kavandatav tootmiskogus 100 ühikut: 120 + 10 − 30. See eeldab, et nii laovaru kui ka valmiv toodang on saadaval enne hetke, mil neid nõudluse katmiseks vaja läheb.

Tootmise põhiplaan määrab need kogused ja saadavuse kuupäevad toote kaupa. MRP arvutab kinnitatud tootmiskoguste jaoks vajalikud materjalid ja komponendid. Ei prognoos ega laoseis tõenda, et tehasel on piisavalt vaba võimsust nende õigeaegseks tootmiseks.

Oletame näiteks, et 100 ühiku tootmiseks kulub ühiku kohta 0,2 masinatundi ja lisaks kaks tundi seadistamiseks: kriitilisel masinal kokku 22 tundi. Muude kokkulepitud tööde jaoks on samal masinal vaja juba 20 tundi, kuid nõutud valmimiskuupäevani on saadaval vaid 40 tundi. Kavandatav koormus on seega 42 tundi. Peate leidma lahenduse kahe puuduva tunni jaoks, kasutama sobivat alternatiivset ressurssi või muutma mõnd kokkulepet.

Ärge vähendage klientide nõudluse prognoosi 110 ühikuni üksnes selleks, et masina koormus mahuks olemasoleva tootmisvõimsuse piiresse. Hoidke nõudluse hinnang nähtaval ja otsustage, kuidas katta see osa nõudlusest, mida praegune tootmisplaan ei kata.

Ajastage kokkulepitud lahenduseks vajalikud tööd SkyPlanneriga

Kui prognoosi muutus sunnib muutma kokkulepitud tootmisplaani, võib ümberajastamine puudutada mitut masinat ja tellimust. Ühe partii lisamine mõjutab sellele järgnevaid operatsioone, masinate järjekordades juba olevaid töid ja neist sõltuvaid tarnekuupäevi.

SkyPlanner APS koondab need tööd ühisesse ressursside ajakavasse. Määrake töökohad, vahetused, operaatorid, protsessietapid ja nende kestused ning juhtige seejärel plaani prioriteetide ja lukustustega. SkyPlanneri ajastamise tehisintellekt Arcturus arvutab tööde ajastuse, arvestades seadistatud tootmisvõimsust, sobivaid ressursse ja operatsioonidevahelisi sõltuvusi. Gantti vaates on näha saadud tööjärjestus ja valmimiskuupäevad.

Kavandatud 100 ühiku tootmisel seob see masintöötluse vajaduse ülejäänud operatsioonijada ja teiste samadel ressurssidel tehtavate töödega. Saate hinnata, kas heakskiidetud vahetusemuudatus või teistsugune prioriteet võimaldab töö õigeks ajaks lõpetada, ilma et peaksite kõigi mõjutatud masinate tööjärjekordi käsitsi kooskõlastama.

Kui materjalide arvestamine ajastamisel on sisse lülitatud, võtab Arcturus algusaegade arvutamisel arvesse nii laovaru kui ka saabuvate materjalide saadavust. Ostutellimuste eeldatavad tarnekuupäevad näitavad eeldatavat saadavust; laoseis uueneb siis, kui vastuvõtt on kinnitatud. Üksnes näiliselt vabast masinast ei piisa, kui materjal pole saadaval või eelnev operatsioon pole valmis.

Jätke prognoosimine ja varude täiendamise otsused oma nõudluse planeerimise protsessi või ERP-süsteemi. SkyPlanner ei loo prognoosidest automaatselt tootmistöid, vaid ajastab tööd, mille ise loote või integratsiooni kaudu edastate. SkyPlanner ühildub avatud REST API kaudu mis tahes ERP- või MES-süsteemiga, nii et saate jätkata nende otsuste haldamist senises süsteemis ning parandada nende praktilist elluviimist.

Just seepärast tasub valida SkyPlanner, kui muutuv nõudlus nõuab üha uuesti käsitsi ajastamist: planeerijad määravad prioriteedid ja Arcturus arvutab tööde järjekorra ressurssidel, et need otsused ellu viia.

Mida kiirem ümberajastamine Fredman Operationsi jaoks muutis

Soome ettevõte Fredman Operations, mis toodab toiduga kokkupuuteks sobivaid köögi- ja pakenditooteid, seadis varem tööde prioriteete käsitsi. Seejuures puudus täpne ülevaade masinate vabanemise aegadest ja iga vahetuse tootmisvõimsusest. Kiireloomuline ümberajastamine võis võtta tunni või kauem.

SkyPlanneri kasutuselevõtt ühendas ettevõtte L7- ja LTR-süsteemid ning tõi tootmisvõimsuse ja tööd ühisesse Gantti vaatesse. Kliendiloo järgi saab nüüd sekunditega kontrollida, kas kogu täitmata tellimuste portfelli on võimalik varem täita, selle asemel et kulutada tunde käsitsi arvutamisele. Meeskonna sõnul on vähenenud ka ületunnitöö ja ajakava muudatustele reageeritakse kiiremini.

Siin seisneb kasu tootmise reageerimisvõimes: muutunud vajaduse mõju töödele ja tarnekuupäevadele saab selgeks siis, kui on veel aega tegutseda.

Hoidke prognoos ja tootmise tegevused omavahel kooskõlas

Vaadake prognoos üle sellise sagedusega, nagu teie otsused nõuavad. Uuendage baasprognoosi uute nõudlusandmete laekumisel, arutage olulised erandid müügimeeskonnaga läbi ja jälgige arhiveeritud prognoosi viga selle järgi, kui pikalt ette tuleb iga otsuse jaoks nõudlust prognoosida. Ärge laske tavapärastel uuendustel märkamatult muuta kohustusi, mille täitmiseks tootmine juba valmistub.

Kui kokkulepitud muudatus mõjutab tootmiskogust või kuupäeva, mil tooted peavad valmis olema, uuendage tootmistöid ja vaadake üle nende ajastus ressurssidel. Nii on ostul, tootmisel ja müügil ühtne arusaam sellest, mis on muutunud ja mida on nüüd võimalik tarnida.

Et näha, kuidas nende muudatustega toime tulla väiksema käsitsi planeerimise vaevaga, broneerige SkyPlanneri tutvustus. Võtke kaasa andmed ühe tootmiskoguse kohta, mille määrasite pärast prognoosi muutumist, koos tootmise operatsioonijada ja kuupäevadega, mil tooted peavad saadaval olema. Need andmed annavad praktilise lähtekoha, et näha mõju ühisele tootmisvõimsusele ja teistele kohustustele. Kui eelistate esmalt ise tutvuda, proovige SkyPlannerit demoandmetega.