Etterspørselsprognoser i industrien: En praktisk veiledning

Hjem » Ressurser » Etterspørselsprognoser i industrien: En praktisk veiledning

Estimert lesetid: 14 minutter

En etterspørselsprognose i industrien anslår hvilke produkter kundene vil trenge, i hvilke mengder og når. Den kombinerer historisk etterspørsel med informasjon om kommende endringer, slik at innkjøp og produksjon får et felles beslutningsgrunnlag.

En nyttig prognose hjelper dere å forberede dere uten å legge varer på lager for hvert eneste mulige salg. Ved å gjennomgå prognosefeil og forutsetninger kan dere avgjøre hva dere skal binde dere til nå, og hva som kan vente. Prognosearbeidet er én del av etterspørselsplanleggingen, den bredere prosessen der dere vurderer markedsinformasjon og blir enige om en etterspørselsplan.

Den praktiske utfordringen er todelt: Først må dere anslå etterspørselen godt nok til å ta beslutningen. Deretter må dere lage en produksjonsplan som gjør det mulig å gjennomføre det dere har bestemt. SkyPlanner APS tar seg av finplanleggingen som ligger bak produksjonsbeslutningene, slik at dere slipper å bygge opp separate maskinkøer på nytt når beslutningene endres.

Slik lager dere prognosen, vurderer prognosefeilene og tar den i bruk.

1. Avklar hvilke beslutninger prognosen skal støtte

Start med beslutningen, ikke prognosemodellen. Å reservere materialer til et produkt med lang ledetid, bestemme neste måneds lagerproduksjon og vurdere et ekstra produksjonsskift krever ulike detaljeringsnivåer.

Skriv ned fire ting før dere samler inn data:

• Hva prognosen gjelder: et ferdigprodukt, en produktfamilie eller en annen tydelig definert planleggingsenhet.
• Måleenhet: stykk, pakker, kilogram eller en annen konsekvent brukt fysisk mengdeenhet. Omsetning alene kan skjule endringer i pris og produktmiks.
• Periode: når kundene trenger produktet. Bruk ønsket leveringsdato som et konsekvent utgangspunkt der datagrunnlaget tillater det.
• Horisont: hvor langt frem i tid dere må ta beslutninger, med hensyn til ledetidene for innkjøp og produksjon.

Hvis dere binder dere til materialinnkjøp fire uker før materialene trengs, holder det ikke at prognosen bare treffer godt én uke frem i tid. Vurder anslaget som ble laget fire uker i forveien, og som innkjøp faktisk må basere seg på.

Velg planleggingsnivå ut fra beslutningen som skal tas. En prognose for en produktfamilie kan være nyttig når dere vurderer et fremtidig skift, men den forteller ikke innkjøp hvilken variantspesifikk komponent de skal kjøpe. På den annen side kan egne prognoser for hver variant som sjelden bestilles, gi mer støy enn innsikt. Sørg for at totalen for produktfamilien stemmer med fordelingen på enkeltartikler, og vurder om endringer i produktmiksen har betydning for materialer eller kapasitet.

Ved produksjon mot lager bidrar prognoser til å avgjøre hva som skal etterfylles. Ved produksjon mot ordre kan bekreftede ordrer styre hva som faktisk frigis til produksjon, mens prognoser brukes til å forberede felles kapasitet eller innsatsvarer med lang ledetid. Dere trenger ikke å produsere ferdigvarer til lager på spekulasjon bare fordi dere har en prognose.

Hold salgsmål og prognose atskilt. Et salgsmål sier hva virksomheten ønsker å selge, mens en prognose sier hva dere nå forventer at kundene vil trenge. Å senke prognosen for å tilpasse den til dagens produksjonskapasitet skjuler mulig udekket etterspørsel i stedet for å løse problemet.

2. Klargjør historiske data som gjenspeiler kundenes etterspørsel

Bruk en konsistent dataserie med etterspurte mengder per artikkel og periode. Leveranserapporten fra ERP-systemet kan være et utgangspunkt, men undersøk hva datoene og mengdene faktisk representerer.

Forsinkede leveranser er en vanlig fallgruve. Varer som kunden ønsket levert én uke, men som først ble sendt uken etter, kan få den første uken til å se svak ut og den andre uvanlig sterk. Hvis målet er å forutsi når varene må være tilgjengelige, bør dere så langt som mulig bruke perioden kunden ønsket dem levert. Ellers kan egne leveringsforsinkelser bli tolket som et etterspørselsmønster.

Gå gjennom historikken sammen med salg og drift:

• Rett opp dobbeltregistreringer, enhetsomregninger og endringer i produktkoder. Ta hensyn til årsaken til returer og kanselleringer, i stedet for å behandle alle justeringer som ny negativ etterspørsel.
• Behold perioder der etterspørselen faktisk var null. En manglende registrering er ikke automatisk en nullverdi, og hvis dere fjerner stille uker, kan anslaget bli for høyt.
• Marker utsolgte varer, begrensninger som følge av allokering og kapasitetsbegrensninger. At dere leverte 60 enheter når kundene ønsket 100, beviser ikke at etterspørselen bare var 60. Bruk registrerte, udekkede forespørsler der de finnes, og merk anslag for tapt etterspørsel tydelig som estimater.
• Identifiser kampanjer, engangskontrakter, lanseringer og utgåtte produkter. Behold de opprinnelige historiske dataene, og dokumenter hvorfor dere justerer dataserien som brukes i modellen.

Vis de klargjorte mengdene i et diagram over tid. Se etter et stabilt nivå, vedvarende vekst eller nedgang, tilbakevendende sesongtopper og lange opphold mellom ordrene. Disse mønstrene hjelper dere å velge hvilke metoder som bør testes.

Ikke lag uavhengige prognoser for hver komponent når behovet bestemmes av de overordnede produktene dere planlegger å produsere. Dette avledede behovet bør beregnes ved hjelp av stykklisten og materialbehovsberegningen. Ellers risikerer dere å få motstridende svar på det samme innkjøpsspørsmålet.

3. Velg prognosemetode etter etterspørselsmønsteret

Ingen metode er best for alle industriprodukter. Start med en enkel referanseprognose, og vurder deretter om en annen metode gir et bedre grunnlag for beslutningene dere skal ta.

Etterspørselsmønster	Et fornuftig utgangspunkt	Hva dere bør undersøke
Relativt stabil etterspørsel	Et glidende gjennomsnitt basert på nyere data eller enkel eksponentiell glatting	Om perioden for gjennomsnittsberegningen jevner ut støy uten å skjule reelle endringer
Tilbakevendende sesongbasert etterspørsel	Siste sammenlignbare sesong som referanse; en sesongbasert prognosemodell	Om tidspunktet for helligdager, antall arbeidsdager eller produktutvalget har endret seg
Vedvarende trend	En modell som håndterer trend, for eksempel eksponentiell glatting med trend	Om veksten fortsetter, eller om produktet nærmer seg en moden fase
Etterspørsel knyttet til målbare drivere	Regresjon eller en egnet maskinlæringsmodell	Om informasjon om driverne faktisk vil være tilgjengelig når prognosen utarbeides
Mange perioder uten etterspørsel og sporadiske ordrer	En metode for sporadisk etterspørsel, for eksempel en Croston-variant	Hvor godt prognosen treffer over etterfyllingshorisonten, ikke bare om den forutsier hver stille uke
Et nytt produkt med lite historikk	Data fra sammenlignbare produkter og strukturerte vurderinger fra salg og kunder	Forutsetninger for lanseringen, erstatning av eksisterende produkter og hvor raskt dere lærer av faktisk etterspørsel

Enkel eksponentiell glatting legger større vekt på nyere observasjoner, men grunnformen modellerer verken trend eller sesongvariasjoner. Croston-varianter håndterer sporadisk etterspørsel ved å se på mengdene i perioder med etterspørsel og avstanden mellom disse periodene. De fjerner ikke usikkerheten om neste ordre.

Et enkelt eksempel viser hvordan et glidende gjennomsnitt fungerer: Anta at etterspørselen de siste tre ukene var 80, 100 og 120 enheter. Prognosen for neste uke, basert på et treukers glidende gjennomsnitt, blir da:

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

Denne beregningen er lett å forklare, men den kan også henge etter en reell stigende trend. Tre observasjoner viser regnemåten, ikke at metoden er egnet for produktet.

Sammenlign aktuelle metoder med enkle referanser: den sist observerte etterspørselen og, for sesongvarer, den siste sammenlignbare sesongperioden. En mer komplisert modell bør gjøre seg fortjent til plassen ved å gi bedre resultater på data som ikke ble brukt til å tilpasse den, eller ved å føre til en bedre driftsbeslutning – ikke ved å ha et avansert navn.

En modell som bruker kampanjer eller økonomiske indikatorer, trenger også realistiske inngangsdata for fremtiden. Hvis den testes med informasjon som ikke var tilgjengelig da prognosen ble laget, fremstår den som bedre enn den kunne ha vært i praksis. En sammenheng som er nyttig for å forutsi etterspørsel, er ikke i seg selv et bevis på at en endring i driveren vil føre til en bestemt salgsøkning.

4. Tilfør forretningskunnskap uten å miste referanseprognosen

Historikken forteller ikke alt. En kunde kan ha varslet driftsstans, en distributør kan være i ferd med å åpne en ny avdeling, eller et produkt kan være på vei til å erstatte en eldre modell.

La den statistiske basisprognosen være synlig, og registrer hver forretningsmessige justering separat. Ta med mengde, periode, begrunnelse, ansvarlig og dato for gjennomgang. Før du legger til en effekt, må du avklare om den allerede er tatt med i modellen eller i en annen justering.

Tenk deg at basisprognosen er 100 enheter for en kommende uke. Salgsavdelingen dokumenterer en ekstra etterspørsel på 20 enheter fra en ny kunde, utover det som allerede er tatt med. Etter gjennomgangen blir prognosen 120 enheter. Hvis kunden flytter etterspørsel fra et annet produkt, må du også justere prognosen for det produktet, i stedet for å registrere flyttingen som ren vekst.

Da blir oppfølgingen konkret: Kom den ekstra etterspørselen, i hvilken periode, og ble prognosen bedre av den manuelle justeringen? Sammenlign over tid feilen i basisprognosen med feilen i den justerte prognosen. Behold justeringer som tilfører informasjon, og undersøk dem som gjentatte ganger bare tilfører optimisme.

Ved en usikker lansering eller en stor kontrakt bør du beholde et basisscenario og plausible scenarioer med høyere og lavere etterspørsel, sammen med forutsetningene for hvert av dem. Dette er planleggingsscenarioer, ikke statistisk kalibrerte prediksjonsintervaller. Bruk dem til å finne ut hvilke beslutninger som ville blitt annerledes: reservasjon av materialer, et ekstra skift eller en senere beslutning om å produsere til ferdigvarelager.

5. Mål prognosefeilen ved den ledetiden som er relevant

Lagre hver utgitte prognose med dato, perioden den gjelder, artikkel og versjon. Når den faktiske etterspørselen er kjent, sammenligner du den med versjonen som var tilgjengelig da bedriften måtte handle, ikke med den siste revisjonen rett før levering.

Bruk historisk testing til å velge metode. Tilpass metoden med bare den informasjonen som var tilgjengelig på et tidligere tidspunkt, lag en prognose for den aktuelle horisonten, og flytt deretter skjæringstidspunktet fremover og gjenta. Ved å flytte startpunktet på denne måten tester du oppgaven du faktisk står overfor, uten at fremtidige observasjoner lekker inn i datagrunnlaget.

Et eksempel på prognosefeil

Tenk deg at du evaluerer fire uker for ett produkt. For hver rad nedenfor ble den lagrede prognosen utgitt fire uker før uken den gjelder. Her betyr feil med fortegn prognose minus faktisk etterspørsel. Et positivt tall betyr dermed at prognosen var for høy.

Uken prognosen gjelder	Lagret prognose	Faktisk etterspørsel	Feil med fortegn	Absolutt feil
Uke 1	110	100	+10	10
Uke 2	110	120	−10	10
Uke 3	110	80	+30	30
Uke 4	110	100	+10	10
Totalt	440	400	+40	60

Tre mål belyser ulike sider ved resultatet:

Gjennomsnittlig absolutt feil (MAE) = summen av absolutte feil ÷ antall perioder = 60 ÷ 4 = 15 enheter per uke.

MAE gir et lett forståelig mål på typisk feilstørrelse, uttrykt i produktets måleenhet. Det viser ikke om prognosene har en tendens til å være for høye eller for lave.

Vektet absolutt prosentfeil (WAPE) = summen av absolutte feil ÷ samlet faktisk etterspørsel × 100 = 60 ÷ 400 × 100 = 15 %.

For disse ikke-negative etterspørselsmengdene uttrykker WAPE den absolutte feilen i forhold til samlet etterspørsel. Det betyr ikke at prognosen for hver uke lå innenfor 15 %, eller at sannsynligheten for å dekke etterspørselen er 85 %.

Gjennomsnittlig feil med fortegn, eller systematisk skjevhet = summen av feil med fortegn ÷ antall perioder = 40 ÷ 4 = +10 enheter per uke.

Med fortegnsdefinisjonen som er brukt her, var prognosen i gjennomsnitt for høy. Over de fire ukene lå den 40 enheter over faktisk etterspørsel, eller 10 % av samlet faktisk etterspørsel. For høye og for lave prognoser kan utligne hverandre i en totalsum. Derfor kan ikke systematisk skjevhet alene beskrive hvor store feilene er.

Disse fire radene illustrerer målene, men gir ikke nok historikk til å validere prognosen. Bruk nok tester med rullerende startpunkt til å dekke sesongene, ordremønstrene og endringene som er relevante for produktet.

Unngå misvisende mål på prognosenøyaktighet

MAPE deler den absolutte feilen i hver periode på den faktiske etterspørselen i samme periode. Målet er udefinert når faktisk etterspørsel er null, og ustabilt når den er nær null. Derfor er det et dårlig standardvalg for produkter med sporadisk etterspørsel.

WAPE kan inkludere enkelte perioder uten etterspørsel, men er udefinert hvis samlet faktisk etterspørsel er null. Nevneren endrer seg også med volumet: Økende etterspørsel kan gi en bedre prosentverdi selv om feilen målt i enheter ikke er redusert. Vurder WAPE sammen med MAE, systematisk skjevhet og den enkle basisprognosen for de samme testperiodene.

Totalen for en produktfamilie kan skjule at prognosen konsekvent er for høy for én variant og for lav for en annen. Se nærmere på produktene som gir risiko for sviktende leveringsevne, kostbart lager eller høy belastning på kritiske ressurser, ikke bare på det overordnede gjennomsnittet.

Det finnes ingen universell grense for akseptabel prognosefeil i prosent. En feil på 15 enheter har ulike konsekvenser for en billig standarddel og en ferdigmontert vare med lav omløpshastighet. Vurder prognosen ut fra kostnadene ved mangler og overskudd, ledetiden for etterfylling og hvilke handlingsalternativer du har. La usikkerheten og retningslinjene for servicenivå avgjøre bufferne. Ikke legg MAE til alle produksjonsmengder uten videre.

6. Bruk prognosen som grunnlag for en produksjonsbeslutning

Den gjennomgåtte prognosen er et estimat på kundenes etterspørsel. Hvor mye som skal produseres, er en egen beslutning som tar hensyn til bekreftede ordrer, brukbar lagerbeholdning, forventede mottak fra eksisterende produksjon og ønsket lagerbeholdning.

Unngå å telle den samme etterspørselen to ganger. Hvis prognosen er 120 enheter og bekreftede ordrer dekker 70 av disse, vil en enkel regel der ordrer erstatter prognose innenfor samme periode, etterlate 50 enheter i prognosen som ennå ikke er dekket av ordrer. Samlet etterspørsel er fortsatt 120, ikke 190. Reglene dere faktisk bruker, kan la ordrer erstatte prognose på tvers av datoer eller etterspørselskategorier.

Tenk deg nå at du har 30 brukbare ferdigvarer, ønsker å ha 10 igjen ved periodeslutt og ikke har noen forventede mottak fra produksjonen. For å dekke etterspørselen på 120 enheter blir forslaget å produsere 100 enheter: 120 + 10 − 30. Det forutsetter at lagerbeholdningen og de ferdigproduserte varene er tilgjengelige før etterspørselen de skal dekke, må oppfylles.

I hovedproduksjonsplanen fastsettes disse mengdene og tilgjengelighetsdatoene for hver artikkel. MRP beregner materialene og komponentene som trengs til den godkjente produksjonen. Verken prognosen eller en lagerbalanse viser at fabrikken har kapasitet til å produsere varene i tide.

Anta for eksempel at produksjonen av 100 enheter krever 0,2 maskintimer per enhet pluss to timers omstilling: 22 timer på den kritiske maskinen. Andre forpliktelser krever allerede 20 timer på samme maskin, mens bare 40 timer er tilgjengelige før påkrevd ferdigdato. Den foreslåtte belastningen er 42 timer. Du må dekke et kapasitetsunderskudd på to timer, bruke et egnet alternativ eller endre en forpliktelse.

Ikke reduser prognosen for kundeetterspørsel til 110 bare for å få maskinbelastningen til å gå opp. Behold etterspørselsestimatet synlig, og avgjør hvordan gapet mellom etterspørsel og forsyning skal håndteres.

Bruk SkyPlanner til å finplanlegge arbeidet som følger av beslutningen

Når prognoseendringer fører til at du endrer en produksjonsforpliktelse, kan finplanleggingen berøre flere maskiner og ordrer. Én ekstra batch påvirker de påfølgende operasjonene, arbeidet som allerede ligger i disse køene, og leveringsdatoene som avhenger av dem.

SkyPlanner APS samler dette arbeidet i én felles plan for produksjonsressursene. Definer arbeidsstasjoner, skift, operatører, prosesstrinn og varigheter, og styr deretter planen med prioriteringer og låsinger. Arcturus, den kunstige intelligensen for finplanlegging i SkyPlanner, beregner plasseringen av jobber ut fra konfigurert kapasitet, egnede ressurser og avhengigheter mellom operasjoner. Gantt-visningen viser den beregnede rekkefølgen og ferdigdatoene.

For den foreslåtte produksjonen av 100 enheter kobles behovet for maskinering til resten av produksjonsruten og til annet arbeid som bruker de samme ressursene. Du kan vurdere om en godkjent endring i skiftplanen eller en annen prioritering gjør det mulig å fullføre arbeidet i tide, uten å måtte samordne alle berørte maskinkøer manuelt.

Når hensyn til materialtilgang er aktivert i finplanleggingen, tar Arcturus høyde for lagerbeholdning og tilgang på innkommende materialer ved beregning av starttidspunkter. Forventede leveringsdatoer for innkjøp angir når materialene forventes å være tilgjengelige. Lagerbeholdningen oppdateres når mottaket er bekreftet. Det er ikke nok at en maskin er ledig på papiret hvis materialet eller den foregående operasjonen ikke er klar.

La prognosearbeidet og beslutningene om lagerpåfyll fortsatt ligge i prosessen for etterspørselsplanlegging eller i ERP-systemet. SkyPlanner oppretter ikke produksjonsjobber automatisk fra prognoser, men finplanlegger produksjonsarbeidet du oppretter eller overfører via integrasjon. SkyPlanner kan integreres med alle ERP- og MES-systemer gjennom sitt åpne REST API. Dermed kan du beholde systemet som håndterer disse beslutningene, og samtidig forbedre den detaljerte gjennomføringen.

Dette er grunnen til å velge SkyPlanner når endringer i etterspørselen stadig fører til manuell finplanlegging: Planleggerne bestemmer hva som er viktig, og Arcturus beregner rekkefølgen på jobbene på ressursene slik at beslutningene blir omsatt i praksis.

Hva raskere omplanlegging betydde for Fredman Operations

Fredman Operations er en finsk produsent av kjøkken- og emballasjeprodukter som er trygge for kontakt med mat. Tidligere prioriterte bedriften jobber manuelt, uten presis oversikt over når maskinene ble ledige, eller hvor mye kapasitet som var tilgjengelig på hvert skift. Omplanlegging som hastet, kunne ta en time eller mer.

Da bedriften tok i bruk SkyPlanner, ble L7- og LTR-systemene koblet sammen, og kapasitet og arbeid ble samlet i en felles Gantt-visning. Ifølge kundehistorien tar det nå sekunder å vurdere en forespørsel om å fremskynde hele ordrereserven, i stedet for timer med manuelle beregninger. Teamet rapporterer også om mindre overtid og raskere håndtering av endringer i planen.

Gevinsten som er relevant her, ligger i hvordan produksjonen kan tilpasses: å forstå hva et endret behov betyr for arbeidet og leveringsdatoene mens det fortsatt er tid til å handle.

Knytt prognosen til tilpasningene i produksjonen

Legg opp til regelmessige gjennomganger i takt med beslutningene dere skal ta. Oppdater grunnprognosen når ny etterspørsel kommer inn, gå gjennom vesentlige avvik sammen med salg, og følg opp prognosefeilen med utgangspunkt i den arkiverte prognosen som ble laget så langt i forkant som hver beslutning krever. Ikke la rutinemessige revisjoner ubemerket endre forpliktelsene som produksjonen allerede forbereder seg på å innfri.

Når en avtalt endring påvirker produksjonsmengden eller datoen varene skal være tilgjengelige, oppdaterer du produksjonsarbeidet og går gjennom planen for ressursene som skal utføre det. Da får innkjøp, produksjon og salg et felles bilde av hva som er endret, og hva som nå kan leveres.

Vil du se hvordan du kan håndtere slike tilpasninger med mindre manuell planlegging? Bestill en demo av SkyPlanner. Ta med et eksempel på en produksjonsmengde du har besluttet etter en prognoseendring, tilhørende produksjonsrute og datoene produktene må være tilgjengelige. Dette gir et praktisk utgangspunkt for å se hvordan endringen påvirker felles kapasitet og andre leveringsforpliktelser. Hvis du heller vil utforske løsningen først, kan du prøve SkyPlanner med demodata.