Prognozowanie popytu w produkcji: praktyczny przewodnik

Strona główna » Zasoby » Prognozowanie popytu w produkcji: praktyczny przewodnik

Szacowany czas czytania: 14 minut

Prognozowanie popytu w produkcji pozwala oszacować, jakich produktów będą potrzebować klienci, w jakich ilościach i kiedy. Łączy historię popytu z informacjami o nadchodzących zmianach, dając działom zakupów i produkcji wspólną podstawę do podejmowania decyzji.

Użyteczna prognoza pomaga przygotować się na przyszły popyt bez tworzenia zapasu pod każdą potencjalną sprzedaż. Analiza błędów prognozy i jej założeń pomaga zdecydować, do czego zobowiązać się już teraz, a co może poczekać. Prognozowanie jest częścią planowania popytu — szerszego procesu, który obejmuje analizę informacji rynkowych i uzgadnianie planu popytu.

W praktyce wyzwanie składa się z dwóch części: najpierw trzeba oszacować popyt na tyle dobrze, by podjąć decyzję, a następnie przygotować plan produkcji, który pozwoli ją zrealizować. SkyPlanner APS zajmuje się szczegółowym harmonogramowaniem wynikającym z decyzji produkcyjnych, dzięki czemu po ich zmianie nie musisz od nowa układać osobnych kolejek operacji dla poszczególnych maszyn.

Poniżej pokazujemy, jak przygotować prognozę, ocenić jej błąd i wykorzystać ją w praktyce.

1. Określ, w jakich decyzjach ma pomagać prognoza

Zacznij od decyzji, nie od modelu prognostycznego. Zabezpieczenie materiału dla produktu o długim lead time, ustalenie wielkości produkcji na magazyn na kolejny miesiąc i rozważenie dodatkowej zmiany produkcyjnej wymagają różnego poziomu szczegółowości.

Zanim zaczniesz zbierać dane, zapisz cztery rzeczy:

• Przedmiot prognozy popytu: wyrób gotowy, rodzina produktów lub inna jasno określona pozycja planistyczna.
• Jednostka: sztuki, opakowania, kilogramy lub inna konsekwentnie stosowana jednostka miary. Sam przychód może maskować zmiany cen i struktury asortymentowej.
• Okres: kiedy klienci potrzebują produktu. Jeśli dane na to pozwalają, konsekwentnie przypisuj popyt do okresów według terminów wymaganych przez klientów.
• Horyzont: z jakim wyprzedzeniem musisz podejmować decyzje, uwzględniając lead time zakupów i produkcji.

Jeśli wiążące decyzje dotyczące materiału podejmujesz cztery tygodnie przed terminem jego wykorzystania, nie wystarczy prognoza, która okazuje się trafna dopiero z tygodniowym wyprzedzeniem. Oceniaj prognozę sporządzoną cztery tygodnie wcześniej — tę, z której dział zakupów rzeczywiście musi korzystać.

Dobierz poziom planowania do decyzji, którą masz podjąć. Prognoza dla rodziny produktów może pomóc ocenić potrzebę uruchomienia dodatkowej zmiany w przyszłości, ale nie wskaże działowi zakupów, jaki komponent kupić dla konkretnego wariantu. Z kolei osobne prognozowanie każdego rzadko zamawianego wariantu może wprowadzać więcej szumu niż użytecznych informacji. Dbaj o zgodność łącznej prognozy dla rodziny z jej podziałem na poszczególne pozycje i sprawdzaj, czy zmiany struktury asortymentowej mają znaczenie dla materiałów lub zdolności produkcyjnych.

W produkcji na magazyn prognozy wspierają decyzje o uzupełnianiu zapasów. W produkcji na zamówienie podstawą uruchamiania produkcji mogą być potwierdzone zamówienia, a prognozy pomagają przygotować wspólne zdolności produkcyjne lub zabezpieczyć materiały i komponenty o długim lead time. Sam fakt posiadania prognozy nie oznacza, że musisz produkować wyroby gotowe na zapas w oczekiwaniu na niepotwierdzoną sprzedaż.

Oddzielaj cel sprzedażowy od prognozy. Cel określa, ile firma chce sprzedać, a prognoza — jakiego zapotrzebowania klientów obecnie się spodziewa. Obniżanie prognozy, by dopasować ją do obecnych zdolności produkcyjnych zakładu, ukrywa ryzyko niezaspokojenia popytu, zamiast rozwiązywać problem.

2. Przygotuj historię popytu odzwierciedlającą potrzeby klientów

Korzystaj ze spójnego szeregu danych o wielkości popytu w podziale na pozycje i okresy. Punktem wyjścia może być raport wysyłek z systemu ERP, ale sprawdź, co faktycznie oznaczają zawarte w nim daty i ilości.

Częstą pułapką są opóźnione dostawy. Jeśli klient potrzebował produktów w jednym tygodniu, a wysłano je dopiero w następnym, dane mogą sugerować niski popyt w pierwszym tygodniu i wyjątkowo wysoki w drugim. Jeżeli chcesz przewidywać, kiedy produkt powinien być dostępny, w miarę możliwości przypisuj popyt do okresu wymaganego przez klienta. W przeciwnym razie model będzie traktował opóźnienia twoich dostaw jako wzorzec popytu.

Zweryfikuj dane historyczne wspólnie z działem sprzedaży i zespołem operacyjnym:

• Usuń duplikaty i skoryguj dane związane z przeliczaniem jednostek oraz zmianami kodów produktów. Uwzględniaj zwroty i anulowania stosownie do ich przyczyn, zamiast traktować każdą korektę jako nowy ujemny popyt.
• Zachowaj okresy, w których popyt rzeczywiście wynosił zero. Brak rekordu nie oznacza automatycznie zerowego popytu, a usuwanie tygodni bez zamówień może zawyżyć prognozę.
• Oznacz braki zapasów, ograniczenia przydziału towaru i ograniczenia zdolności produkcyjnych. Wysyłka 60 sztuk, gdy klienci potrzebowali 100, nie dowodzi, że popyt wynosił tylko 60. Korzystaj z zapisów niezrealizowanego zapotrzebowania, jeśli są dostępne, a szacowany utracony popyt wyraźnie oznaczaj jako oszacowanie.
• Oznacz promocje, jednorazowe kontrakty, wprowadzenia nowych produktów i produkty wycofane z oferty. Zachowaj surowe dane historyczne i zapisuj powody korekt w szeregu danych używanym do modelowania.

Przedstaw przygotowane dane ilościowe na wykresie w czasie. Sprawdź, czy widać stabilny poziom, trwały wzrost lub spadek, powtarzające się szczyty sezonowe albo długie przerwy między zamówieniami. Te wzorce pomogą wybrać metody warte przetestowania.

Nie prognozuj niezależnie popytu na każdy komponent, jeśli jego zapotrzebowanie wynika z planowanych ilości wyrobów nadrzędnych. Takie zapotrzebowanie zależne powinno być wyliczane na podstawie zestawienia materiałowego w ramach obliczeń potrzeb materiałowych. W przeciwnym razie ryzykujesz uzyskanie sprzecznych odpowiedzi na to samo pytanie zakupowe.

3. Dopasuj metodę prognozowania do wzorca popytu

Nie ma jednej metody, która byłaby najlepsza dla wszystkich wytwarzanych produktów. Zacznij od prostej metody bazowej, a następnie sprawdź, czy inne podejście pozwala podejmować lepsze decyzje.

Charakter popytu	Rozsądny punkt wyjścia	Co sprawdzić
Względnie stabilny popyt	Średnia ruchoma z ostatnich okresów lub proste wygładzanie wykładnicze	Czy przyjęty okres uśredniania wygładza szum, nie maskując rzeczywistej zmiany
Powtarzający się popyt sezonowy	Ostatni porównywalny sezon jako punkt odniesienia; model prognozowania uwzględniający sezonowość	Czy zmienił się układ świąt, liczba dni roboczych lub asortyment
Trwały trend	Model uwzględniający trend, np. wygładzanie wykładnicze z trendem	Czy wzrost nadal trwa, czy produkt zbliża się do fazy dojrzałości
Popyt powiązany z mierzalnymi czynnikami	Regresja lub odpowiednio dobrany model uczenia maszynowego	Czy informacje o tych czynnikach będą rzeczywiście dostępne w chwili sporządzania prognozy
Liczne okresy bez popytu i sporadyczne zamówienia	Metoda prognozowania popytu sporadycznego, np. metoda typu Crostona	Wyniki w całym horyzoncie uzupełniania zapasów, a nie tylko trafność przewidywania poszczególnych tygodni bez zamówień
Nowy produkt z krótką historią popytu	Dane o porównywalnych produktach oraz oceny działu sprzedaży i klientów zbierane według ustalonych zasad	Założenia dotyczące wprowadzenia produktu, zastępowanie dotychczasowych produktów nowym oraz tempo uczenia się na podstawie rzeczywistego popytu

Proste wygładzanie wykładnicze nadaje większą wagę najnowszym obserwacjom, ale w podstawowej postaci nie modeluje trendu ani sezonowości. Metody typu Crostona służą do prognozowania popytu sporadycznego: uwzględniają niezerowe wielkości popytu i odstępy między nimi. Nie eliminują jednak niepewności co do kolejnego zamówienia.

Aby pokazać prosty przykład średniej ruchomej, przyjmijmy, że popyt w ostatnich trzech tygodniach wynosił 80, 100 i 120 sztuk. Prognoza na kolejny tydzień obliczona jako trzytygodniowa średnia ruchoma wynosi:

Prognoza = (80 + 100 + 120) ÷ 3 = 100 sztuk.

To obliczenie łatwo wyjaśnić, ale jego wynik może reagować z opóźnieniem na rzeczywisty trend wzrostowy. Trzy obserwacje pokazują sposób liczenia, nie dowodzą jednak, że metoda jest odpowiednia dla danego produktu.

Porównuj rozważane metody z prostymi punktami odniesienia: ostatnią zaobserwowaną wielkością popytu, a w przypadku produktów sezonowych — popytem z ostatniego porównywalnego okresu sezonowego. Wybór bardziej złożonego modelu powinien być uzasadniony lepszymi wynikami na danych spoza próby uczącej lub możliwością podjęcia lepszej decyzji operacyjnej, a nie fachowo brzmiącą nazwą.

Model uwzględniający promocje lub wskaźniki gospodarcze potrzebuje również realistycznych danych wejściowych dotyczących przyszłości. Testowanie go z użyciem informacji niedostępnych w dniu sporządzenia prognozy sprawia, że wyniki wyglądają lepiej, niż mogłyby wyglądać w praktyce. Sama zależność przydatna w prognozowaniu nie dowodzi, że zmiana danego czynnika spowoduje określony wzrost sprzedaży.

4. Uwzględnij wiedzę biznesową, zachowując prognozę bazową

Dane historyczne nie powiedzą wszystkiego. Klient mógł zapowiedzieć przestój, dystrybutor może otwierać nową placówkę, a nowy produkt może zastępować starszy model.

Zadbaj o to, by statystyczna prognoza bazowa była widoczna, i zapisuj każdą korektę biznesową osobno. Odnotuj wielkość korekty, okres, uzasadnienie, osobę odpowiedzialną i datę przeglądu. Zanim dodasz dany efekt, sprawdź, czy nie został już uwzględniony w modelu lub innej korekcie.

Załóżmy, że prognoza bazowa na nadchodzący tydzień wynosi 100 sztuk. Dział sprzedaży przedstawia dowody na dodatkowe 20 sztuk dla nowego klienta, ponad to, co już uwzględniono. Po weryfikacji prognoza wynosi więc 120 sztuk. Jeśli klient przenosi popyt z innego produktu, skoryguj również prognozę dla tamtego produktu, zamiast traktować tę zmianę jako sam wzrost.

Dzięki temu przegląd dotyczy konkretnych kwestii: czy dodatkowy popyt się pojawił, w którym okresie i czy ręczna korekta poprawiła prognozę? Z czasem porównuj błąd prognozy bazowej z błędem prognozy po korekcie. Zachowuj korekty wnoszące nowe informacje, a sprawdzaj te, które regularnie wnoszą jedynie optymizm.

Przy niepewnym wprowadzeniu produktu na rynek lub dużym kontrakcie zachowaj scenariusz bazowy oraz realistyczne scenariusze wyższego i niższego popytu wraz z ich założeniami. Są to scenariusze planistyczne, a nie statystycznie skalibrowane przedziały predykcji. Wykorzystaj je do ustalenia, które decyzje należałoby zmienić: rezerwację materiału, uruchomienie dodatkowej zmiany czy odłożenie decyzji o budowie zapasu wyrobów gotowych.

5. Mierz błąd prognozy dla wyprzedzenia, z jakim musisz podejmować decyzje

Zapisuj każdą opublikowaną prognozę wraz z datą jej sporządzenia, okresem, którego dotyczy, produktem i wersją. Gdy poznasz rzeczywisty popyt, porównaj go z wersją dostępną w momencie, gdy firma musiała podjąć działanie, a nie z ostatnią korektą wprowadzoną tuż przed dostawą.

Wybierając metodę, przeprowadź historyczną symulację prognozowania poza próbą uczącą. Dopasuj metodę wyłącznie na podstawie informacji dostępnych w wybranym momencie w przeszłości i sporządź prognozę na wymagany horyzont. Następnie przesuń datę graniczną do przodu i powtórz test. Takie podejście z przesuwanym początkiem prognozy odtwarza rzeczywiste zadanie bez wykorzystywania obserwacji z przyszłości do prognozowania przeszłości.

Przykład obliczania błędu prognozy

Załóżmy, że oceniasz prognozy dla jednego produktu na cztery tygodnie. W każdym z poniższych wierszy zapisana prognoza została sporządzona cztery tygodnie przed tygodniem, którego dotyczy. W tym przykładzie błąd ze znakiem to prognoza minus rzeczywisty popyt, więc wartość dodatnia oznacza zawyżenie prognozy.

Tydzień objęty prognozą	Zapisana prognoza	Rzeczywisty popyt	Błąd ze znakiem	Błąd bezwzględny
Tydzień 1	110	100	+10	10
Tydzień 2	110	120	−10	10
Tydzień 3	110	80	+30	30
Tydzień 4	110	100	+10	10
Razem	440	400	+40	60

Trzy miary opisują różne aspekty tego wyniku:

Średni błąd bezwzględny (MAE) = suma błędów bezwzględnych ÷ liczba okresów = 60 ÷ 4 = 15 sztuk tygodniowo.

MAE pokazuje typową wielkość błędu w zrozumiały sposób — w jednostkach danego produktu. Nie wskazuje jednak, czy prognozy są zwykle zawyżone, czy zaniżone.

Ważony bezwzględny błąd procentowy (WAPE) = suma błędów bezwzględnych ÷ suma rzeczywistego popytu × 100 = 60 ÷ 400 × 100 = 15%.

Dla tych nieujemnych wielkości popytu WAPE wyraża błąd bezwzględny w stosunku do łącznego popytu. Nie oznacza to, że błąd prognozy w każdym tygodniu mieścił się w granicach 15% ani że prawdopodobieństwo zaspokojenia popytu wynosi 85%.

Średni błąd ze znakiem, czyli obciążenie prognozy = suma błędów ze znakiem ÷ liczba okresów = 40 ÷ 4 = +10 sztuk tygodniowo.

Przy przyjętej konwencji znaków prognoza była średnio zawyżona. W ciągu czterech tygodni przekroczyła rzeczywisty popyt o 40 sztuk, czyli o 10% łącznego rzeczywistego popytu. Zawyżenia i zaniżenia mogą się wzajemnie znosić w sumie, dlatego samo obciążenie prognozy nie opisuje wielkości błędu.

Te cztery wiersze ilustrują sposób obliczania miar, ale nie stanowią wystarczającej historii do walidacji. Przeprowadź tyle testów z przesuwanym początkiem prognozy, aby uwzględnić sezonowość, wzorce zamówień i zmiany istotne dla danego produktu.

Unikaj mylących ocen trafności prognozy

Średni bezwzględny błąd procentowy (MAPE) dzieli błąd bezwzględny w każdym okresie przez rzeczywisty popyt w tym okresie. Gdy rzeczywisty popyt wynosi zero, wskaźnik jest nieokreślony, a przy wartościach bliskich zeru staje się niestabilny. Dlatego nie jest dobrym domyślnym wyborem dla produktów, na które popyt występuje sporadycznie.

WAPE może uwzględniać pojedyncze okresy bez popytu, ale jest nieokreślony, gdy łączny rzeczywisty popyt wynosi zero. Jego mianownik zmienia się również wraz z wolumenem: przy rosnącym popycie wynik procentowy może się poprawić, nawet jeśli błąd w sztukach pozostaje bez zmian. Analizuj go razem z MAE, obciążeniem prognozy i prostą prognozą bazową dla tych samych okresów testowych.

Łączny wynik dla rodziny produktów może ukrywać stale zawyżaną prognozę dla jednego wariantu i zaniżaną dla innego. Analizuj produkty, które wiążą się z ryzykiem niezaspokojenia popytu, kosztownym zapasem lub obciążeniem krytycznych zasobów produkcyjnych, a nie tylko ogólną średnią.

Nie ma jednego uniwersalnego, akceptowalnego procentowego błędu prognozy. Błąd wynoszący 15 sztuk ma inne konsekwencje dla taniej, powszechnie używanej części, a inne dla wolno rotującego gotowego zespołu. Oceniaj prognozę w kontekście kosztów niedoborów i nadwyżek, lead time uzupełnienia zapasu oraz dostępnych możliwości reagowania. Ustalaj bufory na podstawie niepewności i przyjętej polityki obsługi klienta; nie dodawaj po prostu MAE do każdej planowanej wielkości produkcji.

6. Przełóż prognozę na decyzję produkcyjną

Zweryfikowana prognoza jest szacunkiem popytu klientów. Wielkość produkcji to odrębna decyzja, która uwzględnia potwierdzone zamówienia, zapas dostępny do wykorzystania, już zaplanowane przyjęcia z produkcji oraz poziom zapasu, który chcesz utrzymać.

Unikaj podwójnego liczenia tego samego popytu. Jeśli prognoza wynosi 120 sztuk, a potwierdzone zamówienia obejmują 70 z nich, to przy prostej zasadzie konsumowania prognozy w tym samym okresie pozostaje 50 sztuk prognozy niepokrytych zamówieniami. Łączny popyt nadal wynosi 120, a nie 190 sztuk. Stosowana w firmie polityka może dopuszczać konsumowanie prognozy między różnymi datami lub kategoriami popytu.

Załóżmy teraz, że masz 30 sztuk wyrobów gotowych dostępnych do wykorzystania, chcesz zachować 10 sztuk na koniec okresu i nie oczekujesz żadnych przyjęć z produkcji. Aby pokryć popyt na 120 sztuk, należałoby zaproponować produkcję 100 sztuk: 120 + 10 − 30. Zakłada to, że zapas i ukończone wyroby będą dostępne przed terminem wystąpienia popytu, który mają zaspokoić.

Główny harmonogram produkcji określa te ilości i daty dostępności dla poszczególnych produktów. MRP wylicza zapotrzebowanie na materiały i komponenty potrzebne do zatwierdzonej produkcji. Ani prognoza, ani bilans zapasów nie dowodzą jednak, że zakład ma zdolności produkcyjne pozwalające wykonać tę produkcję na czas.

Załóżmy na przykład, że wyprodukowanie 100 sztuk wymaga 0,2 maszynogodziny na sztukę oraz dwóch godzin przezbrojenia, czyli 22 godzin na kluczowej maszynie. Pozostałe zobowiązania wymagają już na niej 20 godzin, a przed wymaganym terminem zakończenia dostępnych jest tylko 40 godzin. Proponowane obciążenie wynosi więc 42 godziny. Musisz zaradzić niedoborowi dwóch godzin, wykorzystać dopuszczalną alternatywę lub zmienić przyjęte zobowiązanie.

Nie obniżaj prognozy popytu klientów do 110 tylko po to, by dopasować obciążenie maszyny do dostępnego czasu. Pozostaw szacunek popytu bez zmian i zadbaj, by był nadal widoczny. Zdecyduj, jak zaradzić niedoborowi podaży.

Zaplanuj w SkyPlanner operacje wynikające z przyjętej decyzji

Gdy zmiana prognozy skłania Cię do zmiany zobowiązania produkcyjnego, aktualizacja harmonogramu może objąć kilka maszyn i zleceń. Dodanie jednej partii wpływa na kolejne operacje, pracę już oczekującą w kolejkach oraz zależne od nich terminy dostaw.

SkyPlanner APS ujmuje te operacje w jednym wspólnym harmonogramie zasobów produkcyjnych. Zdefiniuj stanowiska robocze, zmiany, operatorów, etapy procesu i czasy ich trwania, a następnie steruj planem za pomocą priorytetów i blokad. Arcturus, sztuczna inteligencja do harmonogramowania w SkyPlanner, wyznacza terminy operacji z uwzględnieniem skonfigurowanych zdolności produkcyjnych, zasobów dopuszczonych do ich wykonania oraz zależności między operacjami. Widok wykresu Gantta pokazuje uzyskaną kolejność i terminy zakończenia.

W przypadku proponowanej produkcji 100 sztuk pozwala to powiązać wymaganą obróbkę z pozostałymi etapami marszruty oraz innymi operacjami korzystającymi z tych samych zasobów produkcyjnych. Możesz sprawdzić, czy zatwierdzona zmiana organizacji pracy zmianowej lub inny priorytet pozwolą zakończyć produkcję na czas, bez ręcznego uzgadniania wszystkich kolejek operacji na maszynach objętych zmianą.

Po włączeniu harmonogramowania uwzględniającego materiały Arcturus wyznacza terminy rozpoczęcia na podstawie zapasów oraz dostępności materiałów z nadchodzących dostaw. Oczekiwane terminy dostaw zakupowych oznaczają przewidywaną dostępność; stan magazynowy jest aktualizowany po potwierdzeniu przyjęcia. Sama wolna maszyna nie wystarczy, jeśli materiał nie jest dostępny lub poprzednia operacja nie została zakończona.

Prognozowanie i decyzje o uzupełnianiu zapasów pozostaw w procesie planowania popytu lub w systemie ERP. SkyPlanner nie tworzy automatycznie operacji produkcyjnych na podstawie prognoz — harmonogramuje operacje, które utworzysz lub przekażesz przez integrację. SkyPlanner integruje się z dowolnym systemem ERP lub MES przez otwarte REST API, dzięki czemu możesz zachować system, w którym podejmujesz te decyzje, i usprawnić ich realizację na poziomie szczegółowego harmonogramu.

To powód, by wybrać SkyPlanner, gdy zmiany popytu stale wymuszają ręczne poprawianie harmonogramu: planiści ustalają, co jest najważniejsze, a Arcturus wyznacza kolejność operacji na zasobach produkcyjnych, która pozwala zrealizować te decyzje.

Co szybsze przeplanowanie produkcji zmieniło w Fredman Operations

Fredman Operations, fiński producent artykułów kuchennych i opakowań bezpiecznych w kontakcie z żywnością, wcześniej ręcznie ustalał priorytety operacji, nie mając dokładnego wglądu w terminy zwolnienia maszyn ani zdolności produkcyjne na poszczególnych zmianach. Pilne przeplanowanie produkcji mogło zajmować godzinę lub dłużej.

Wdrożenie SkyPlanner połączyło systemy L7 i LTR firmy oraz pozwoliło ująć zdolności produkcyjne i operacje we wspólnym widoku wykresu Gantta. Jak relacjonuje klient, sprawdzenie możliwości przyspieszenia realizacji całego portfela zamówień zajmuje sekundy zamiast godzin ręcznych obliczeń. Zespół wskazuje również na mniejszą liczbę nadgodzin i szybsze reagowanie na zmiany harmonogramu.

Korzyść dotyczy tu reakcji produkcji na zmiany: można ocenić, co zmienione wymagania oznaczają dla operacji i terminów dostaw, gdy jest jeszcze czas na działanie.

Powiąż prognozę z działaniami po stronie produkcji

Dostosuj częstotliwość przeglądów do podejmowanych decyzji. Aktualizuj prognozę bazową w miarę napływu nowych danych o popycie, omawiaj istotne wyjątki z działem sprzedaży i śledź błąd zarchiwizowanej prognozy sporządzonej z wyprzedzeniem wymaganym dla danej decyzji. Nie pozwól, by rutynowe korekty po cichu zmieniały zobowiązania, do których realizacji produkcja już się przygotowuje.

Gdy uzgodniona zmiana wpływa na wielkość produkcji lub termin dostępności, zaktualizuj operacje produkcyjne i sprawdź ich harmonogram na zasobach produkcyjnych. Dzięki temu działy zakupów, produkcji i sprzedaży mają spójny obraz tego, co się zmieniło i co można teraz dostarczyć.

Aby zobaczyć, jak zarządzać taką reakcją na zmiany przy mniejszym nakładzie ręcznego planowania, umów prezentację SkyPlanner. Przygotuj przykład wielkości produkcji ustalonej po zmianie prognozy, wraz z marszrutą i terminami, w których produkty muszą być dostępne. Te dane stanowią praktyczny punkt wyjścia do sprawdzenia wpływu na wspólne zdolności produkcyjne i pozostałe zobowiązania. Jeśli wolisz najpierw samodzielnie poznać system, wypróbuj SkyPlanner na danych demonstracyjnych.