Efterfrågeprognoser i tillverkningen: en praktisk guide

Hem » Resurser » Efterfrågeprognoser i tillverkningen: en praktisk guide

Beräknad lästid: 14 minuter

En efterfrågeprognos för tillverkningen uppskattar vilka produkter kunderna kommer att behöva, i vilka mängder och när. Den kombinerar historisk efterfrågan med information om kommande förändringar och ger inköp och produktion en gemensam utgångspunkt för sina beslut.

En användbar prognos hjälper dig att förbereda verksamheten utan att bygga lager för varje möjlig försäljning. Genom att granska prognosens fel och antaganden kan du avgöra vad ni behöver binda er till nu och vad som kan vänta. Prognostisering är en del av efterfrågeplaneringen, den bredare process där ni granskar marknadsinformation och enas om en efterfrågeplan.

Den praktiska utmaningen består av två delar: att uppskatta efterfrågan tillräckligt väl för det aktuella beslutet och sedan skapa en produktionsplan som gör det möjligt att genomföra det. SkyPlanner APS sköter den detaljerade schemaläggningen bakom era tillverkningsbeslut, så att du slipper bygga om separata maskinköer när besluten ändras.

Så här tar du fram prognosen, bedömer prognosfelen och använder den i praktiken.

1. Bestäm vilka beslut prognosen ska stödja

Börja med beslutet, inte med prognosmodellen. Att reservera material för en produkt med lång ledtid, bestämma nästa månads tillverkning mot lager och överväga ytterligare ett produktionsskift kräver olika detaljnivåer.

Skriv ned fyra saker innan du samlar in data:

• Vad prognosen avser: en färdig produkt, en produktfamilj eller ett annat tydligt definierat planeringsobjekt.
• Enhet: styck, förpackningar, kilogram eller någon annan konsekvent använd fysisk enhet. Enbart omsättning kan dölja förändringar i pris och produktmix.
• Period: när kunderna behöver produkten. Utgå konsekvent från önskat leveransdatum där underlaget medger det.
• Horisont: hur långt i förväg ni måste fatta beslut, med hänsyn till ledtider för inköp och tillverkning.

Om ni binder er till materialinköp fyra veckor innan materialet behövs räcker det inte med en prognos som är träffsäker först en vecka i förväg. Utvärdera den uppskattning som gjordes fyra veckor före behovet och som inköp faktiskt måste använda.

Välj planeringsnivå utifrån beslutet. En prognos för en produktfamilj kan vara till hjälp när ni bedömer behovet av ett framtida skift, men den talar inte om för inköp vilken variantspecifik komponent som ska köpas. Att göra separata prognoser för varje sällan beställd variant kan å andra sidan ge mer brus än insikt. Se till att produktfamiljens total stämmer med fördelningen på artiklar, och granska om förändringar i produktmixen påverkar material eller kapacitet.

Vid tillverkning mot lager ger prognoser underlag för beslut om lagerpåfyllnad. Vid tillverkning mot kundorder kan fasta order styra vilka tillverkningsorder som frisläpps, medan prognoser hjälper er att förbereda gemensam kapacitet eller insatsvaror med lång ledtid. Ni behöver inte tillverka färdigvaror på spekulation bara för att ni har en prognos.

Håll försäljningsmålet separat. Målet anger vad företaget vill sälja, medan prognosen anger vad ni för närvarande förväntar er att kunderna kommer att behöva. Att sänka prognosen för att passa fabrikens nuvarande kapacitet döljer efterfrågan som ni kanske inte kan tillgodose, i stället för att lösa problemet.

2. Ta fram efterfrågehistorik som speglar kundernas behov

Använd en konsekvent tidsserie över efterfrågade kvantiteter per artikel och period. Leveransrapporten i ert ERP-system kan vara en utgångspunkt, men kontrollera vad datumen och kvantiteterna faktiskt avser.

Sena leveranser är en vanlig fallgrop. Kvantiteter som kunderna ville ha en vecka men som levererades veckan därpå kan få den första veckan att se svag ut och den andra ovanligt stark. Om syftet är att förutse när produkterna behöver finnas tillgängliga bör ni så långt möjligt använda den period kunden önskat, i stället för att låta modellen tolka era egna leveransförseningar som ett efterfrågemönster.

Granska historiken tillsammans med försäljning och produktion:

• Rätta dubbletter och fel i enhetsomräkningar och ta hänsyn till ändringar av artikelkoder. Hantera returer och avbeställningar utifrån orsaken, i stället för att betrakta varje justering som ny negativ efterfrågan.
• Behåll perioder där efterfrågan verkligen var noll. En saknad uppgift är inte automatiskt en nolla, och om ni tar bort lugna veckor kan uppskattningen bli för hög.
• Markera lagerbrister, tilldelningsbegränsningar och kapacitetsbegränsningar. Att ni levererade 60 enheter när kunderna ville ha 100 bevisar inte att efterfrågan bara var 60. Använd registrerade önskemål som inte kunde tillgodoses där sådana uppgifter finns. Märk uppskattad förlorad efterfrågan som just en uppskattning.
• Identifiera kampanjer, engångskontrakt, lanseringar och utgångna produkter. Bevara den ursprungliga historiken och dokumentera varför ni justerar den tidsserie som används i modellen.

Visa de resulterande kvantiteterna i ett diagram över tid. Leta efter en stabil nivå, ihållande ökning eller minskning, återkommande säsongstoppar och långa uppehåll mellan beställningarna. Mönstren hjälper er att avgöra vilka metoder som är värda att testa.

Gör inte oberoende prognoser för varje komponent när behovet bestäms av de överordnade produkter som planeras. Det härledda behovet ska beräknas med hjälp av stycklistan och materialbehovsberäkningen. Annars riskerar ni att få motstridiga svar på samma inköpsfråga.

3. Välj prognosmetod efter efterfrågemönstret

Ingen metod är bäst för alla tillverkade produkter. Börja med en enkel referensprognos och undersök sedan om en annan metod ger bättre stöd för de beslut ni behöver fatta.

Efterfrågemönster	Lämplig utgångspunkt	Att kontrollera
Relativt stabil efterfrågan	Ett glidande medelvärde för de senaste perioderna eller enkel exponentiell utjämning	Om den valda medelvärdesperioden jämnar ut brus utan att dölja en verklig förändring
Återkommande säsongsbunden efterfrågan	Senaste jämförbara säsong som referens; en prognosmodell med säsongskomponent	Om helgdagarnas placering, antalet arbetsdagar eller produktsortimentet har ändrats
Ihållande trend	En modell som hanterar trend, till exempel exponentiell utjämning med trendkomponent	Om tillväxten fortsätter eller om produkten närmar sig mognadsfasen
Efterfrågan kopplad till mätbara drivfaktorer	Regression eller en lämplig maskininlärningsmodell	Om information om drivfaktorerna faktiskt kommer att finnas tillgänglig när prognosen tas fram
Många perioder med noll efterfrågan och enstaka beställningar	En metod för intermittent efterfrågan, till exempel en metod av Croston-typ	Hur väl metoden fungerar över påfyllnadshorisonten, inte bara om den förutser varje vecka utan efterfrågan
En ny produkt med begränsad historik	Underlag från jämförbara produkter och strukturerade bedömningar från försäljning och kunder	Antaganden om lanseringen, hur försäljning flyttas från befintliga produkter och hur snabbt ni lär av faktisk efterfrågan

Enkel exponentiell utjämning ger större vikt åt nyare observationer, men grundformen modellerar varken trend eller säsongsvariation. Metoder av Croston-typ hanterar intermittent efterfrågan genom att ta hänsyn till kvantiteter över noll och tidsavstånden mellan dem. De tar inte bort osäkerheten om nästa beställning.

Som ett enkelt exempel på glidande medelvärde kan vi anta att efterfrågan de senaste tre veckorna var 80, 100 och 120 enheter. Prognosen för nästa vecka med ett treveckors glidande medelvärde blir:

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

Beräkningen är lätt att förklara, men den kan också släpa efter en verklig uppåtgående trend. Tre observationer visar hur beräkningen fungerar, inte att metoden är lämplig för produkten.

Jämför metoderna med enkla referenser: den senast observerade efterfrågan och, för säsongsbundna artiklar, den senaste jämförbara säsongsperioden. En mer komplicerad modell ska motiveras av bättre resultat på data som inte använts för att anpassa modellen eller av bättre operativa beslut, inte av hur avancerat namnet låter.

En modell som använder kampanjer eller ekonomiska indikatorer behöver också realistiska indata för framtiden. Om ni testar den med information som inte fanns tillgänglig vid prognostillfället framstår den som bättre än den hade kunnat vara i praktiken. Ett samband som är användbart för prognoser bevisar inte i sig att en förändring av drivfaktorn kommer att orsaka en viss försäljningsökning.

4. Komplettera med verksamhetskunskap utan att tappa referensprognosen

Historiken säger inte allt. En kund kan ha aviserat ett driftstopp, en distributör kan vara på väg att öppna på en ny ort eller en produkt kan vara på väg att ersätta en äldre modell.

Låt den statistiska basprognosen vara synlig och dokumentera varje verksamhetsbaserad justering separat. Ange kvantitet, period, skäl, ansvarig och datum för uppföljning. Kontrollera om effekten redan ingår i modellen eller i en annan justering innan du lägger till den igen.

Anta att basprognosen är 100 enheter för en kommande vecka. Säljavdelningen har underlag för ytterligare 20 enheter från en ny kund, utöver allt som redan ingår. Den granskade prognosen blir då 120 enheter. Om kunden flyttar efterfrågan från en annan produkt ska även den produktens prognos justeras, så att flytten inte räknas som ren tillväxt.

Då blir uppföljningen konkret: kom den extra efterfrågan, under vilken period och blev prognosen bättre av den manuella justeringen? Jämför över tid basprognosens fel med den justerade prognosens fel. Behåll justeringar som tillför information och granska dem som gång på gång bara tillför optimism.

Vid en osäker lansering eller ett större avtal bör du behålla ett basscenario samt rimliga högre och lägre scenarier med tillhörande antaganden. Det är planeringsscenarier, inte statistiskt kalibrerade prediktionsintervall. Använd dem för att identifiera vilka beslut som skulle ändras: att reservera material, lägga till ett skift eller vänta med att binda sig till att bygga upp ett färdigvarulager.

5. Mät prognosfelet med den framförhållning som besluten kräver

Spara varje utgiven prognos med datum, prognosperiod, artikel och version. När den faktiska efterfrågan är känd ska den jämföras med den version som fanns när verksamheten behövde agera, inte med den senaste revideringen strax före leverans.

Välj metod genom att simulera prognoser på historiska data. Anpassa metoden med enbart den information som fanns tillgänglig vid en tidigare tidpunkt och gör en prognos för den horisont som behövs. Flytta sedan prognosens startpunkt framåt och upprepa. Genom att stegvis flytta startpunkten prövar ni den uppgift ni faktiskt står inför, utan att använda observationer som ännu inte var tillgängliga vid respektive prognostillfälle.

Ett exempel på prognosfel

Anta att du utvärderar fyra prognosveckor för en produkt. För varje rad nedan gavs den sparade prognosen ut fyra veckor före den aktuella veckan. Här beräknas felet med tecken som prognos minus faktisk efterfrågan, så ett positivt tal innebär att prognosen var för hög.

Prognosvecka	Sparad prognos	Faktisk efterfrågan	Fel med tecken	Absolutfel
Vecka 1	110	100	+10	10
Vecka 2	110	120	−10	10
Vecka 3	110	80	+30	30
Vecka 4	110	100	+10	10
Totalt	440	400	+40	60

Tre mått belyser olika delar av resultatet:

Medelabsolutfel (MAE) = summan av absolutfelen ÷ antal perioder = 60 ÷ 4 = 15 enheter per vecka.

MAE ger en lättbegriplig bild av den typiska felstorleken, uttryckt i produktens enheter. Det visar inte om prognoserna tenderar att vara för höga eller för låga.

Viktat absolut procentfel (WAPE) = summan av absolutfelen ÷ summan av faktisk efterfrågan × 100 = 60 ÷ 400 × 100 = 15 %.

För dessa efterfrågekvantiteter, som inte är negativa, uttrycker WAPE absolutfelet i förhållande till den totala efterfrågan. Det betyder inte att varje veckas prognos låg inom 15 %, eller att sannolikheten att tillgodose efterfrågan är 85 %.

Medelfel med tecken, eller bias = summan av felen med tecken ÷ antal perioder = 40 ÷ 4 = +10 enheter per vecka.

Med den angivna teckenkonventionen var prognosen i genomsnitt för hög. Under de fyra veckorna översteg den den faktiska efterfrågan med 40 enheter, eller 10 % av den totala faktiska efterfrågan. För höga och för låga prognoser kan ta ut varandra i en totalsumma. Därför kan bias inte ensamt beskriva felens storlek.

De fyra raderna illustrerar måtten men ger inte tillräcklig historik för validering. Gör tillräckligt många rullande tester för att täcka in de säsonger, ordermönster och förändringar som är relevanta för produkten.

Undvik missvisande mått på prognosprecision

MAPE dividerar varje periods absolutfel med den faktiska efterfrågan under samma period. Måttet är odefinierat när den faktiska efterfrågan är noll och instabilt nära noll. Därför är det ett dåligt standardval för produkter med sporadisk efterfrågan i tillverkningen.

WAPE kan omfatta vissa perioder utan efterfrågan, men är odefinierat om den totala faktiska efterfrågan är noll. Nämnaren ändras också med volymen: ökande efterfrågan kan förbättra procenttalet även om felet i antal enheter är oförändrat. Granska WAPE tillsammans med MAE, bias och den enkla basprognosen för samma testperioder.

En totalsiffra för en produktfamilj kan dölja att prognosen konsekvent är för hög för en variant och för låg för en annan. Granska de produkter som medför leveransrisker, dyrt lager eller hög belastning på kritiska resurser, inte bara det övergripande genomsnittet.

Det finns ingen allmängiltig procentsats för ett acceptabelt prognosfel. Ett fel på 15 enheter får olika följder för en billig standardkomponent och en färdigmonterad produkt med låg omsättning. Bedöm prognosen utifrån kostnaderna för brist och överskott, återanskaffningsledtiden och de handlingsalternativ du har. Bestäm buffertar utifrån osäkerheten och er policy för servicenivå. Lägg inte bara till MAE till varje tillverkningskvantitet.

6. Omsätt prognosen i ett produktionsbeslut

Den granskade prognosen är en uppskattning av kundernas efterfrågan. Tillverkningskvantiteten är ett separat beslut som tar hänsyn till bekräftade order, användbart lager, planerade inleveranser från befintlig produktion och det lager du vill ha kvar.

Undvik att räkna samma efterfrågan två gånger. Om prognosen är 120 enheter och bekräftade order täcker 70 av dessa, återstår 50 enheter av prognosen enligt en enkel regel för prognosavräkning inom samma period. Den totala efterfrågan är fortfarande 120, inte 190. Era faktiska regler kan innebära att prognosen räknas av över olika datum eller efterfrågeklasser.

Anta nu att du har 30 användbara färdiga enheter, vill ha 10 kvar vid periodens slut och inte har några väntade inleveranser från produktionen. För att täcka de 120 enheterna blir den föreslagna tillverkningskvantiteten 100 enheter: 120 + 10 − 30. Det förutsätter att lager och färdigtillverkade enheter är tillgängliga innan den efterfrågan de ska täcka uppstår.

I huvudplanen för produktionen tas dessa artikelkvantiteter och tillgänglighetsdatum fram. MRP beräknar de material och komponenter som behövs för den godkända tillverkningen. Varken prognosen eller lagersaldot visar att fabriken har kapacitet att tillverka allt i tid.

Anta exempelvis att tillverkningen av 100 enheter kräver 0,2 maskintimmar per enhet plus två timmars ställtid: 22 timmar på den kritiska maskinen. Andra åtaganden kräver redan 20 timmar på samma maskin, medan bara 40 timmar finns tillgängliga före det datum då tillverkningen måste vara klar. Den föreslagna belastningen blir 42 timmar. Du behöver lösa kapacitetsbristen på två timmar, använda ett lämpligt alternativ eller ändra ett åtagande.

Sänk inte prognosen för kundernas efterfrågan till 110 bara för att få maskinbelastningen att gå ihop. Låt efterfrågeprognosen vara synlig och besluta hur underskottet ska hanteras.

Schemalägg den beslutade produktionen med SkyPlanner

När en ändrad prognos får dig att ändra ett tillverkningsåtagande kan schemaläggningen beröra flera maskiner och order. En extra batch påverkar efterföljande operationer, arbetet som redan ligger i kö och de leveransdatum som beror på dem.

SkyPlanner APS samlar arbetet i ett gemensamt resursschema. Definiera arbetsstationer, skift, operatörer, processteg och tidsåtgång och styr sedan planen med prioriteringar och låsningar. Arcturus, SkyPlanners AI för schemaläggning, beräknar operationernas placering utifrån konfigurerad kapacitet, lämpliga resurser och beroenden mellan operationer. Gantt-vyn visar den resulterande ordningsföljden och datumen för färdigställande.

För den föreslagna tillverkningen av 100 enheter kopplas bearbetningsbehovet därmed ihop med resten av operationsföljden och övrigt arbete som delar på resurserna. Du kan granska om en godkänd ändring av skiften eller en annan prioritering gör att arbetet blir klart i tid, utan att manuellt behöva stämma av kön vid varje berörd maskin.

När hänsyn till material är aktiverad i schemaläggningen tar Arcturus hänsyn till lagersaldo och tillgång till inkommande material vid beräkning av starttider. Förväntade leveransdatum för inköp anger när materialet väntas vara tillgängligt. Lagersaldot uppdateras när inleveransen bekräftas. Att en maskin är ledig på papperet räcker inte om materialet inte är tillgängligt eller den föregående operationen inte är klar.

Låt prognosarbetet och besluten om lagerpåfyllnad ligga kvar i er process för efterfrågeplanering eller i ert ERP-system. SkyPlanner skapar inte automatiskt produktionsoperationer utifrån prognoser, utan schemalägger det produktionsarbete ni skapar eller överför via integration. SkyPlanner kan integreras med alla ERP- och MES-system via sitt öppna REST API, så att ni kan behålla systemet som hanterar dessa beslut och förbättra den detaljerade planeringen av hur de ska genomföras.

Det är skälet att välja SkyPlanner när förändringar i efterfrågan gång på gång leder till manuell schemaläggning: planerarna avgör vad som är viktigast, och Arcturus beräknar i vilken ordning arbetet ska utföras på resurserna för att omsätta besluten i praktiken.

Vad snabbare omplanering innebar för Fredman Operations

Fredman Operations är en finländsk tillverkare av köks- och förpackningsprodukter som är säkra för kontakt med livsmedel. Tidigare prioriterade företaget operationer manuellt, utan exakt överblick över när maskinerna blev lediga eller hur stor kapacitet som fanns under varje skift. Brådskande omplanering kunde ta en timme eller mer.

När SkyPlanner infördes kopplades företagets L7- och LTR-system samman, och kapacitet och arbete samlades i en gemensam Gantt-vy. Enligt kundberättelsen tar det nu sekunder att kontrollera om hela orderstocken kan tidigareläggas, i stället för timmar av manuella beräkningar. Teamet rapporterar också mindre övertid och att de snabbare kan hantera ändringar i schemat.

Nyttan i det här sammanhanget ligger i hur produktionen kan anpassas: att förstå vad ett ändrat behov innebär för arbetet och leveransdatumen medan det fortfarande finns tid att agera.

Knyt ihop prognosen med anpassningarna i produktionen

Anpassa uppföljningsintervallen efter de beslut ni behöver fatta. Uppdatera basprognosen när ny efterfrågan tillkommer, gå igenom betydande avvikelser med försäljningen och följ upp felet i den arkiverade prognosversion som gjordes med den framförhållning respektive beslut kräver. Låt inte rutinmässiga revideringar i det tysta ändra de åtaganden som produktionen redan förbereder sig för att genomföra.

När en överenskommen ändring påverkar tillverkningskvantiteten eller datumet då produkterna ska vara tillgängliga, uppdatera produktionsarbetet och se över hur det är schemalagt på resurserna. Det ger inköp, produktion och försäljning en gemensam bild av vad som har ändrats och vad som nu kan levereras.

Vill ni se hur ni kan hantera dessa anpassningar med mindre manuell planering? Boka en demo av SkyPlanner. Ta med en tillverkningskvantitet som ni har beslutat om efter en prognosändring, dess operationsföljd och de datum då produkterna måste vara tillgängliga. Det ger en konkret utgångspunkt för att se hur er gemensamma kapacitet och era övriga åtaganden påverkas. Vill ni hellre utforska själva först kan ni prova SkyPlanner med demodata.