Jeśli prognoza jest błędna, to jaki jest sens prognozowania?
Temat prognozowania od wieków porusza społeczność łańcucha dostaw. Wiele już zainwestowano i nadal się inwestuje w to zagadnienie. Uwzględnia się ponownie aspekt sztucznej inteligencji, uczenia maszynowego, Big Data. Trzymamy kciuki: być może te technologie pomogą nam poprawić wiarygodność prognoz.
Często jesteśmy rozczarowani. Niezależnie od naszych wysiłków w zakresie prognozowania rzeczywista sprzedaż jest znacząco różna, zwłaszcza na poziomie pojedynczego kodu produktu.
Nasze portfele produktów są coraz bardziej zróżnicowane, nowe produkty wprowadzane są w karkołomnym tempie, na rynku konkuruje coraz więcej podmiotów, wszechobecna jest niepewność geopolityczna, nie mówiąc już o pandemii.
Nie ma więc żadnej tajemnicy: wiarygodność prognoz pogarsza się i będzie się pogarszać, ponieważ po prostu środowisko, w którym działamy staje się coraz mniej przewidywalne.
Kiedy pojawiła się metoda DDMRP rozpoczęto następującą dyskusję: ponieważ prognozy są błędne rozbijmy naszą kryształową kulę, ustawmy bufory na podstawie średniego dziennego zużycia z ostatnich kilku tygodni, a wszystko będzie dobrze. Debata ta wybuchła we Francji w 2014 roku. Co ciekawe, od czasu do czasu wciąż się pojawia, co świadczy o wielu nieporozumieniach.
Nigdy nie zgodziłem się ze skrajnymi opiniami o konieczności rezygnacji z prognoz. Po prostu z tego powodu, że mam 35 lat doświadczenia w łańcuchu dostaw i widziałem w praktyce wartość pragmatycznych procesów prognozowania. Przeżywałam też ekstremalne sytuacje w obu kierunkach i nauczyłem się być ostrożnym w osądach …
Słowo na F*** lub iluzja rzeczywistego popytu
Lata temu pracowałem w amerykańskiej grupie medycznej przechodzącej transformację Lean, opartej wówczas na zasadach Demand Flow Technology. Liderzy tej transformacji w firmie byli zaciekłymi przeciwnikami wszystkich prognoz – „Prognoza” była w firmie zrównana z słowe „F***” – po prostu zakazana. Wszystko musiało być zrobione na podstawie „prawdziwego zapotrzebowania”.
Jeden z amerykańskich kierowników projektu stworzył system zarządzania przepływem pull-flow dla kluczowego zakładu w Europie. Jego obsesją było nieposługiwanie się prognozami, oparł więc średnią dzienną konsumpcję na historii sprzedaży z ostatnich trzech miesięcy, która miała reprezentować „prawdziwy popyt”. Kiedy sprzedaż wzrosła w październiku – jak co roku – podczas kiedy obliczano „prawdziwy popyt” za lipiec-wrzesień, czyli słaby okres z powodu wakacji w Europie, co według was się stało ? Odzyskanie zaufania klientów zajęło zakładowi cały rok, w ciągu której firma pracowała przez 5 miesięcy pracy przy pełnej zdolności produkcyjnej …
Przykład wydaje się karykaturalny, ale jest bardzo prawdziwy. Czego brakowało w tej firmie? Trochę mniej dogmatyzmu i trochę więcej zdrowego rozsądku, aby nakarmić proces S&OP odpowiednimi zagregowanymi prognozami i dostosować pętle kanban zgodnie z tymi prognozami na strategicznych pozycjach.
Iluzja szczegółowych prognoz
Na drugim końcu spektrum wiele firm podejmuje skoordynowane wysiłki w celu stworzenia bardzo szczegółowych prognoz: według kodu pozycji, według klienta, według tygodnia lub nawet dnia.
Na konferencji uczestniczyłem w prezentacji firmy z branży odzieżowej, która wdrożyła skomplikowane algorytmy na dużej bazie danych (mówimy w terabajtach), w celu określenia prognoz na dzień i pozycję na poziomie pojedynczego sklepu. Ale skoro już wiem, że powinniśmy sprzedać 0,00001 sztuk tej koszulki w rozmiarze S w poniedziałek w moim sklepie, to co mam w zasadzie z tą informacją zrobić?
Ponownie, przykład jest skrajny, ale jeśli przyjrzeć się procesowi prognozowania większości firm, to odbywa się on na poziomie zdecydowanie zbyt szczegółowym, aby był użyteczny. Im bardziej szczegółowa jest prognoza, tym bardziej jest ona nieprawdziwa. Im bardziej szczegółowa jest prognoza, tym więcej wysiłku wymaga ona od twoich zespołów prognostyków lub menedżerów ds. popytu.
Dużo energii dla fałszywie dokładnego wyniku, na podstawie którego nie można podjąć odpowiedniej decyzji. Unikajmy tego typu ewidentnym strat i kosztów.
Niektóre pozycje materiałowe (produkty) nie zasługują na wysiłek związany z prognozowaniem. Weźmy za przykład pozycję, której popyt wygląda następująco:
![](https://demanddriventech.com/wp-content/uploads/demand-graph.png)
Czy ta prognoza pomoże ci wyprodukować i dostarczy ten artykuł? Albo prognozujesz sprzedaż na poziomie 0,02 dziennie lub 0,6 miesięcznie, albo 1 sztukę co x miesiąc i prawdopodobnie umieścisz tę prognozę w niewłaściwym miesiącu – co nigdy nie będzie odpowiadało prawdziwej sprzedaży. W związku z tym jesteście skazani na wiarygodność prognozy na poziomie 0%. Czy to uniemożliwia ci na tym artykule zapewnienie swoim klientom doskonałej obsługi przy jednoczesnej optymalizacji wykorzystania twoich zasobów? Nie. W zależności od czasu realizacji (ang leadtime) danego elementu sztuczka polega na zastosowaniu metody min/max z maksymalną liczbą 2. Prawdziwe pytanie, które musisz sobie zadać brzmi: jaki proces uzupełniania zapasów muszę wdrożyć, aby zrealizować zamówienia na ten artykuł? Czy muszę utrzymywać zapas tego artykułu na stanie? Jak uruchomić jego uzupełnianie? Czy mogę to zrobić za pomocą metody opóźnionego zróżnicowania (ang. delayed differentiation)?
W przypadku takiego artykułu (indeksu) nie marnuj energii swoich zespołów do tworzenia fałszywych prognoz: skoncentruj swoje wysiłki na stworzeniu zwinnego modelu operacyjnego opartego na rzeczywistych zamówieniach klientów.
Prognoza – po co mi to?
Celem każdej informacji jest pomoc w podejmowaniu decyzji.
Prognozy są przydatne dla kilku funkcji w firmie, aby pomóc im w podejmowaniu decyzji.
Zespół zarządzający potrzebuje scenariuszy prognostycznych, aby móc przewidywać możliwą przyszłość firmy oraz przewidywać adaptację zasobów i inicjatywy strategiczne. Jesteśmy w centrum procesu S&OP i potrzebujemy widoków na przyszłość zagregowanych według rodzin produktowych i przemysłowych, z alternatywnymi scenariuszami i identyfikacją głównych zdarzeń.
Prognozy są również bardzo przydatne dla zespołów sprzedaży i marketingu. Umożliwiają one zrozumienie trendów, korelację działań promocyjnych i wolumenów, a także napędzają dynamikę sprzedaży. W tym celu istotna jest praca w podziale na głównych klientów, rynki, linie produktów, geografię. Najważniejszy jest proces współpracy i pozyskiwania istotnych informacji z życia rynków, a nie algorytmy statystyczne.
Ale uważaj: aby odnieść sukces handlowiec musi być optymistą! Wprowadzanie na rynek nowych produktów jest jak chodzenie po rozżarzonym węglu. Promocja ma na celu odstawienie konkurencji w tyle – to humanitarne i zdrowe, aby motywować pracowników sprzedaży. Jesteś przekonany, że chcesz dostosować swoje możliwości i zapasy do tego optymizmu sprzedażowego? …
Dla planistów modelu operacyjnego sterowanego popytem prognozy są przydatne przy podejmowaniu decyzji o dostosowaniu modelu operacyjnego. Przykłady takich decyzji to ilość zmian pracy, budowa zapasy w wyprzedzeniu spodziewanej promocji lub zamknięcia kluczoego dostawcy, itd. Mogą być one wykorzystywane do dynamicznego ustawiania buforów zapasów. W przypadku niektórych produktów dostosowanie buforów ze względu na niedawną historię konsumpcji działa bardzo dobrze, w innych przypadkach, zwłaszcza w odniesieniu do produktów objętych promocjami, prognoza musi być wykorzystana do dostosowania buforów. Bardzo często mechanizm doboru wielkości buforów łączy 50% historii najnowszej i 50% prognozowania, i dopiero taki miks daje dobre wyniki.
Istnieją trzy różne grupy odbiorców o różnych potrzebach, które stawiają w perspektywie kluczowe elementy właściwego procesu prognozowania:
- Możliwość łatwego grupowania widoków na poziomie rodzin / grup w kilku wymiarach. Prognozowanie zagregowane jest bardziej wiarygodne niż prognozowanie szczegółowe, a podejmowanie decyzji odbywa się właśnie na poziomie zagregowanym.
- Być w stanie generować scenariusze – optymistyczne, pesymistyczne, a co jeśli wygramy ten przetarg?
- Wiedzieć jak uchwycić informacje o ważnych wydarzeniach rynkowych.
- Być w stanie generować prognozy wielkości zapasów trzymanych w dynamicznych buforach – tylko dla strategicznych pozycji, które na to zasługują.
Prognozy są błędne – i co z tego?
Oczywiście prognozy są błędne. Potrzebujemy jednak uczciwego wysiłku do przewidywania przyszłych zdarzeń. Nawet w samym sercu pętli Kanban jest „takt time”, który jest niczym innym jak prognozą.
Wróćmy do podstaw naszej potrzeby prognozowania. Samo prognozowanie nie ma dla ciebie znaczenia ! To, co ma znaczenie i czego potrzebujesz, to po prostu być w stanie odpowiedzieć na zamówienie klienta w krótkim czasie i z zyskiem.
Aby to zrobić, trzeba się stale dostosowywać, mieć odpowiednie zasoby we właściwym miejscu i we właściwym czasie. Chodzi o uzupełnianie zapasów we właściwy sposób, a nie o prognozowanie. Chodzi więc między innymi o stworzenie modelu operacyjnego opartego na zamówieniach klientów.
Aby dowiedzieć się więcej o tym, w jaki sposób włączamy prognozowanie do naszych rozwiązań sterowanych prawdziwym popytem (Demand Driven Planning), poproś nas o demo odpowiedniej aplikacji!