Πρόβλεψη ζήτησης που επιβιώνει σε επαφή με την πραγματικότητα

Οι περισσότερες προβλέψεις ζήτησης αποτυγχάνουν όχι επειδή τα μαθηματικά είναι λάθος, αλλά επειδή συναντούν τον πραγματικό κόσμο και σπάνε. Μια πρόβλεψη ζήτησης επιβιώνει από την επαφή με την πραγματικότητα όταν χτίζεται αντίστροφα από την απόφαση που ενημερώνει, επικυρώνεται σε σχέση με το ιστορικό που ήδη έχετε, παρακολουθείται μόλις κυκλοφορήσει και επανεκπαιδεύεται καθώς οι συνθήκες αλλάζουν. Ο στόχος δεν είναι ένας έξυπνος αριθμός. Είναι μια πρόβλεψη την οποία κάποιος εμπιστεύεται αρκετά για να ενεργήσει, η οποία παραμένει περίπου σωστή καθώς αλλάζει η επιχείρηση και που επισημαίνεται όταν αρχίζει να παρασύρεται. Αντιμετωπίστε μια πρόβλεψη ως ζωντανό μέρος του τρόπου με τον οποίο η επιχείρηση λαμβάνει αποφάσεις παραγγελιών, στελέχωσης και αποθήκευσης, όχι ως μια εφάπαξ αναφορά. Λάβετε σωστά τον βρόχο (προβλέψτε, συγκρίνετε με αυτό που συνέβη, μάθετε, προσαρμόστε) και η ακρίβεια φροντίζει τον εαυτό της με την πάροδο του χρόνου.

Γιατί οι προβλέψεις ζήτησης αποτυγχάνουν στην πράξη;

Οι προβλέψεις σπάνια αποτυγχάνουν στο υπολογιστικό φύλλο. Αποτυγχάνουν στην αποθήκη, την κουζίνα ή την αλυσίδα εφοδιασμού, όπου οι υποθέσεις σταματούν ήσυχα να ισχύουν.

Οι κοινές αποτυχίες είναι γνωστές. Ένα μοντέλο συντονίζεται σε μια ήρεμη περίοδο και, στη συνέχεια, μια αλλαγή τιμής, μια προώθηση ή ένας ανταγωνιστής κινεί το έδαφος κάτω από αυτό. Τα ιστορικά δεδομένα φέρουν παλιά αποθέματα, επομένως το μοντέλο μαθαίνει τη ζήτηση που θα μπορούσατε να καλύψετε, όχι τη ζήτηση που υπήρχε. Ένας αριθμός ακρίβειας επικεφαλίδας κρύβει το γεγονός ότι το μοντέλο είναι καλό σε σταθερά προϊόντα και άχρηστο στα νέα ή εποχιακά που πραγματικά έχουν σημασία. Και το πιο επιζήμιο από όλα, η πρόβλεψη προσγειώνεται σε ένα inbox που κανείς δεν ανοίγει, επομένως δεν αλλάζει τίποτα.

Το σχέδιο κάτω από όλα αυτά είναι το ίδιο. Η πρόβλεψη αντιμετωπίστηκε ως παραδοτέο και όχι ως λειτουργικό μέρος μιας απόφασης. Αυτή είναι η ίδια παγίδα που πιάνει τα έργα ανάλυσης γενικά, γι' αυτό βοηθάει να σκεφτόμαστε προγνωστικά αναλυτικά: μετατροπή δεδομένων σε αποφάσεις πριν καταλήξουμε σε ένα μοντέλο.

Πώς δημιουργείτε μια πρόβλεψη ζήτησης που να ισχύει;

Δημιουργήστε το ως βρόχο, όχι ως εκτόξευση. Τα παρακάτω βήματα διατάσσονται σκόπιμα και η σειρά είναι η ουσία.

Ξεκινήστε από την απόφαση. Ονομάστε την επιλογή που θα βελτιωθεί η πρόβλεψη (πόσο να παραγγείλετε, πόσα άτομα να παραγγείλετε, πότε να παραγγείλετε ξανά) και ποιος την κάνει. Εάν δεν μπορείτε να ονομάσετε την απόφαση, δεν είστε έτοιμοι να μοντελοποιήσετε.
Επικύρωση έναντι της πραγματικής ιστορίας. Κρατήστε πίσω τις πιο πρόσφατες εβδομάδες ή μήνες, προβλέψτε τις σαν να ήταν άγνωστες και συγκρίνετε με αυτό που πραγματικά συνέβη. Αυτή η εκ των υστέρων δοκιμή είναι η ειλικρινής δοκιμή, πολύ περισσότερο από οποιαδήποτε εφαρμογή σε δείγμα.
Λάβετε υπόψη τις γνωστές παραμορφώσεις. Διορθώστε τις προηγούμενες αποθέσεις, αφαιρέστε τα έκτακτα συμβάντα και διαχωρίστε τη βασική ζήτηση από την άνοδο των προωθήσεων. Διαφορετικά το μοντέλο παίρνει το λάθος μάθημα.
Επιλέξτε το μέτρο σφάλματος που ταιριάζει στην απόφαση. Το μέσο σφάλμα σε όλα τα προϊόντα είναι παρήγορο και παραπλανητικό. Μετρήστε πού ζει το κόστος: οι αργοί κινούμενοι, τα φθαρτά, τα αντικείμενα όπου το να κάνεις λάθος είναι ακριβό.
Συνδέστε το στη ροή εργασιών. Μια πρόβλεψη που χρειάζεται κάποιος να συνδεθεί σε ένα ξεχωριστό εργαλείο θα αγνοηθεί. Σπρώξτε το στο σύστημα όπου έχει ήδη ληφθεί η απόφαση παραγγελίας ή ρόστερ.
Παρακολούθηση και επανεκπαίδευση. Παρακολουθήστε την ακρίβεια καθώς φτάνουν νέα δεδομένα και ορίστε ένα έναυσμα για όταν υποβαθμίζονται. Τα πρότυπα ζήτησης αλλάζουν και μια πρόβλεψη που ήταν καλή τον Ιανουάριο είναι μια υπόθεση μέχρι τον Ιούνιο.

Πώς ξέρετε εάν μια πρόβλεψη είναι πραγματικά καλή;

Όχι από την ακρίβειά του στα δεδομένα στα οποία εκπαιδεύτηκε. Ένα μοντέλο μπορεί να ταιριάζει σχεδόν τέλεια στην ιστορία και να είναι άχρηστο την επόμενη εβδομάδα.

Το τεστ που έχει σημασία είναι εκτός δείγματος. Πάρτε μια περίοδο που δεν είδε ποτέ το μοντέλο, προβλέψτε την και μετρήστε το κενό. Εκτελέστε το σε όλα τα τμήματα που σας ενδιαφέρουν, όχι μόνο στο σύνολο, επειδή μια υψηλή συνολική ακρίβεια μπορεί να κρύψει την πλήρη αποτυχία στα προϊόντα που αυξάνουν το κόστος. Συγκρίνετε το αποτέλεσμα και με μια απλή βασική γραμμή, όπως "το ίδιο με πέρυσι" ή "ο μέσος όρος των τελευταίων εβδομάδων". Εάν το μοντέλο σας δεν μπορεί να το ξεπεράσει αυτό, η πολυπλοκότητα δεν κερδίζει τη διατήρηση του. Μια καλή πρόβλεψη είναι αυτή που ξεπερνά την αφελή επιλογή, αντέχει τα στοιχεία που έχουν σημασία και είναι ειλικρινής ως προς την αβεβαιότητά της αντί να εκπέμπει έναν μόνο σίγουρο αριθμό.

Πόσο συχνά πρέπει να επανεκπαιδεύεται μια πρόβλεψη ζήτησης;

Αρκετά συχνά ώστε να μην απομακρύνεται ποτέ από την πραγματικότητα, κάτι που εξαρτάται από το πόσο γρήγορα κινείται η ζήτησή σας. Η παρακολούθηση καθορίζει τον ρυθμό, όχι το ημερολόγιο. Ο παρακάτω πίνακας είναι ένα σημείο εκκίνησης, όχι ένας κανόνας.

Κατάσταση	Προτεινόμενος ρυθμός	Τι ενεργοποιεί μια προηγούμενη επανεκπαίδευση
Σταθερά, αργά κινούμενα προϊόντα	Μηνιαία επανεξέταση, επανεκπαίδευση ανά τρίμηνο	Παρατεταμένη πτώση ακρίβειας ή γνωστή αλλαγή αγοράς
Εποχιακές ή διαφημιστικές γραμμές	Εβδομαδιαία ανασκόπηση	Έναρξη σεζόν, προγραμματισμένη προσφορά, αλλαγή τιμής
Ταχέως κινούμενη ή ασταθής ζήτηση	Συνεχής παρακολούθηση, συχνή επανεκπαίδευση	Η ακρίβεια υπερβαίνει ένα καθορισμένο όριο
Νέο προϊόν, μικρή ιστορία	Παρακολουθήστε προσεκτικά από την κυκλοφορία	Φτάνουν οι πρώτες εβδομάδες πραγματικών δεδομένων πωλήσεων

Η αρχή πίσω από το τραπέζι: παρακολούθηση συνεχώς, επανεκπαίδευση σε ένα σήμα. Μια προγραμματισμένη επανεκπαίδευση σε ένα ήσυχο προϊόν σπαταλά την προσπάθεια. Μια χαμένη επανεκπαίδευση σε μια ασταθή κοστίζει αθόρυβα χρήματα. Αφήστε την παρακολούθηση να σας πει σε ποια κατάσταση βρίσκεστε.

Πώς φαίνεται αυτό ενσύρματο στην επιχείρηση;

Φαίνεται αδιάφορο, αυτό είναι το ζητούμενο. Ο αγοραστής ανοίγει το σύστημα που χρησιμοποιεί ήδη και η προτεινόμενη ποσότητα παραγγελίας είναι εκεί, με την αίσθηση του πόσο σίγουρη είναι η πρόβλεψη και μια σημαία στα είδη που αξίζει μια δεύτερη ματιά. Όταν μια πρόβλεψη αρχίζει να ολισθαίνει, κάποιος ενημερώνεται πριν από το απόθεμα, όχι μετά. Το μοντέλο ελέγχεται σε σχέση με αυτό που πραγματικά πουλήθηκε, μαθαίνει από το κενό και προσαρμόζεται. Τίποτα από αυτά δεν εξαρτάται από το αν κάποιος θυμάται να ανοίξει μια αναφορά.

Αυτό το τελευταίο μίλι, από έναν αριθμό σε μια απόφαση που παίρνει κάποιος χωρίς τριβές, είναι συνήθως το σημείο όπου βρίσκεται η πραγματική δουλειά και είναι ο πυρήνας αυτού που κάνουμε στην προγνωστική ανάλυση.

Το πρακτικό takeaway

Εάν αξιολογείτε μια προσπάθεια πρόβλεψης, κάντε μια ερώτηση. Όταν αλλάξει η ζήτηση το επόμενο τρίμηνο, τι θα γίνει με αυτήν την πρόβλεψη; Εάν η απάντηση είναι "κάποιος το ξαναφτιάχνει", έχετε μια αναφορά. Εάν η απάντηση είναι "παρατηρεί, επισημαίνει τον εαυτό του και η απόφαση προσαρμόζεται", έχετε ένα σύστημα. Κατασκευάστε το δεύτερο είδος. Επικυρώστε το σε σχέση με την πραγματική ιστορία, μετρήστε το εκεί που είναι το κόστος, ενσωματώστε το στην απόφαση και αφήστε το να συνεχίσει να μαθαίνει. Μια πρόβλεψη που επιβιώνει σε επαφή με την πραγματικότητα δεν είναι η πιο ακριβής την πρώτη μέρα. Είναι αυτό που εξακολουθεί να εμπιστεύεται την ημέρα των τριακόσιων.