The accuracy of business forecasts typically depends on choosing right statistical model best suited to the nature of the data. Forecasts of future demand are essential to a suply chain manager's decision-making and planning processes. We can say that accurate forecasts allow managers to use machine capacity efficiently, reduce production times, cut inventories and mainly make supply chain more transparent. This paper is about the right approach to design efficient system for forecast platform.
Úvod
Předpověď budoucí poptávky formuje základy pro všechna strategická i operativní rozhodnutí v dodavatelsko-odběratelském řetězci. Kromě výroby a distribuce, oblastí v nichž má dobrá předpověď velký význam, jsou výsledky předpovědí používány pro mnohá jiná rozhodnutí v podniku. Následujícím výčtem uvedu alespoň ty základní:
Výroba - plánování výroby, zásoby, agregované plánování,
Marketing - rozložení prodejních sil, promoce, plánování nových výrobků,
Finance - investice do výroby a vybavení, rozpočty,
Personalistika - plánování pracovní síly, atd.
V ideálním případě by žádné rozhodnutí firmy v těchto oblastech nemělo padnout nezávisle na ostatních funkcích v podniku. Všechna rozhodnutí by měla být vzájemně propojená a synergická.
Předpověď budoucí poptávky je procesem určujícím jaké produkty, kdy, kde a v jakém množství jsou potřeba. Může se stát konkurenční výhodou, která podniku umožní zefektivnit nákladovou strukturu, zlepší úroveň služeb pro zákazníky, dostupnost výrobků na trhu a sníží zásoby hotových výrobků na skladu. Hlavním cílem je minimalizovat chybu mezi předpovědí a aktuálním stavem poptávky.
Přesné předpovědi jsou kritické pro dobrý systém řízení výnosů podniku. [1] uvádí že Lee(1990) zjistil, že 10% zpřesnění předpovědí v leteckém průmyslu zvýšilo výnosy o 0,5-3%. Wall Street Journal uvádí v jednom z článků, že Continental Airlines zvýšil zisk z 50 na 100 miliónů dolarů za rok díky chytřejšímu použití systému řízení výnosů a předpovědí. Detailní předpovědi jsou hlavním vstupem do většiny systémů řízení výnosů.
Základní přístup k designu systému předpovědi poptávky
Volba metodologie předpovědi poptávky je pouze jedna část komplexního přístupu k předpovědi poptávky. Všechny zúčastněné strany v dodavatelsko-odběratelském řetězci by měly dosáhnout shody v otázkách metodologie, použitých metod a finální podobě předpovědi.
V následujících šesti krocích je ukázán základní přístup, který pomáhá podnikům úspěšně zavést předpovědní systém:
Porozumět základním cílům předpovědi,
Integrovat systémy pro předpověď a plánování,
Identifikovat hlavní faktory, které mají vliv na úroveň poptávky,
Identifikovat a porozumět zákaznickým segmentům,
Zvliit vhodné předpovědní techniky,
Vybudovat systém měření výkonnosti a chybovosti předpovědí.
1. Porozumět základním cílům předpovědi
Prvním krokem, který podnik musí udělat je objasnit cíle celého procesu předpovídání poptávky. Cílem každého systému předpovědi poptávky je podpořit rozhodování, která jsou závislá na úrovni předpovědí. Počítá-li podnik s výraznými slevami v období prázdnin, musí to vědět všichni ti, co zajišťují distribuci, dopravu, promoci, propagaci, prodej a poprodejní servis. Celý tento proces může selhat pokud pouze jedna strana nebude mít ty správné informace.
V této etapě musí podnik definovat tzv. předpovědní horizont, který je definován jako časová mezera mezi bodem, kdy je předpověď zrealizována a bodem kdy byla udělána.
2. Integrovat systémy pro předpověď a plánování
Podnik by měl propojit vlastní předpovědi se všemi plánovacími aktivitami uvnitř řetězce, které jsou ovlivněny poptávkou zákazníků. Tyto aktivity zahrnují plánování kapacit, produkce, promoce, prodejů atd. Toto propojení by mělo existovat jak v informačním systému podniku tak v řízení lidských zdrojů. Autoři [2] uvádějí, že je dobré mít v podniku tzv. křížový tým složený z členů oddělení, kterých se předpověď bezprostředně týká. Jako příklad uvádějí situaci kdy marketingové oddělení plánuje velkou promoci určitých produktů aniž by o tom věděli pracovníci výroby.
3. Identifikovat hlavní faktory ovlivňující předpověď
V odkazu [4] uvádí autor dva základní druhy faktorů působící na úroveň poptávky.
Externí faktory - mimo kontrolu manažerů, sem patří většina makroekonomických ukazatelů a indikátorů
Interní faktory - rozhodnutí uvnitř podniku, změna strategie, marketingové plány, změny distribuce atd.
Podnik by si také měl uvědomit, dosah svých promočních akcí na vybrané produkty. Když proběhla minulý rok velká promoční akce na vybranou značku nebo produkt, nemůžeme letos v případě, že neplánujeme s žádnou podporou produktu počítat se stejnou hladinou prodeje. Podnik by si měl dále uvědomit vliv substitučních efektů. Promocí určitého produktu mohu výrazně ovlivnit prodejnost substitučních produktů.
4. Identifikovat a porozumět zákaznickým segmentům
Zákazníci mohou být seskupeni podle podobností v požadavcích na služby, objemu poptávky, frekvenci objednávek, nestálosti poptávky a sezónnosti. V důsledku může podnik použít odlišné předpovědní techniky pro různé zákaznické segmenty.
5. Volba vhodných předpovědních technik
Většina autorů se shoduje na tom, že pouze vhodnou kombinací několika vybraných metod se dosáhne nejlepších výsledků. Na vybraném vzorku tří výrobků velké české firmy(název firmy ani názvy produktů nemůžu uveřejnit) jsme provedl srovnání účinnosti vybraných předpovědních metod viz níže.
Regresní prognostické modely s využitím sezónních faktorů
Do této skupiny patří modely, kdy odhadujeme budoucí vývoj sledovaných veličin na základě předpokladu, že jsou funkcí nějaké proměnné x, o jejímž vývoji máme dostatek informací.
Časovou řadu vyrovnáme vhodně zvolenou křivkou a sezónní indexy určíme jako podíl skutečných hodnot a hodnot vyrovnaných
Ij = Sj/S'j.
Klouzavé průměry
Tato metoda se používá pro předpovědi vývoje veličin, které nevykazují nějaký výrazný trend. Pro předpověď na období t+1 učiněnou na konci období t je třeba znát historické údaje za zvolených posledních t období. Pak bude předpověď rovna
Pt+1,t = (St + St-1 + … + S1)/T
Jednoduché exponenciální vyrovnání
Nejjednodušší ze skupiny metod exponenciálního vyrovnání. Používá se pro časové řady bez trendů a sezónnosti. Hodnotu předpovědi v periodě t+1 určíme podle následujícího vztahu:
Ft+1 = Lt Lt+1 = aDt+1 + (1-a)Lt
Kde alfa je vyrovnávací konstanta pro úroveň poptávkové složky, 0<a<1.
Holtova metoda
Tuto metodu je vhodné použít v případě, že časová řada vykazuje trendovou složku. Hodnotu předpovědi v periodě t+1 určíme podle následujícího vztahu:
Kde alfa je vyrovnávací konstanta pro úroveň popt. složky, 0<a<1, b pro trendovou složku, 0<b<1 a g je vyrovnávací konstanta pro sezónní složku, 0<g<1. Index p vyjadřuje periodicitu poptávky.
Výrobek A
Výrobek B
Výrobek C
Regresní prognostické modely s využitím sezónních faktorů
Z předchozích obrázků je sice patrná skutečnost, že nejlepší výsledky dávají metody počítající se sezónností časové řady, ale v praxi nastává mnoho případů kdy lepších výsledků dosahují ostatní vybrané metody. Stává se tak většinou v případech, kdy se výrobek nachází v počáteční fázi životního cyklu. A tak konečnému rozhodnutí o hodnotě předpovědi poptávky musí předcházet důkladná analýza časové řady a prostředí ve kterém se výrobek nachází.
6. Systém měření výkonnosti a chyb předpovědí
Podnik by měl zavést jasné měření výkonnosti. Tato měření by měla korelovat s cíly systému pro předpověď. Na konci prodejního období musí podnik poměřit aktuální hodnotu poptávky s hodnotou předpovědi. Získanou přesnost bychom měli porovnat s přesností plánovou. Z rozdílu by měly pro podnik vyplynout korekční akce.
Závěr
Závěrem chci shrnout a naposledy zdůraznit důležitost správného přístupu k designu platformy pro předpověď poptávky v podniku. Bude-li přístup podniku správný vytvoří si tak obrovskou konkurenční výhodu. Přínosy plynoucí z úspěšného zavedení a implementace systému pro předpověď poptávky jsou jednoznačné a pro český podnik, který stojí na prahu vstupu do Evropské unie kritické.
Literatura
[1] Weatherford, Larry R., Kimes, Sheryl E.(2002). A comparsion of forecasting methods for hotel revenue management, International Journal of Forecasting
[2] Chopra Sunil, Meindl Peter(2001). Supply chain management: Strategy, Planning, and Operation, Practice-Hall, Inc.
[3] Clarston Group, Inc.(2000), Demand Forecasting
[4] http://luna.pepperdine.edu/~ohall/class/quantcity/qmchap12.htm
[5] Gros Ivan: Kvantitativní metody v manažerském rozhodování, Grada Publishing a.s., 2003
[6] Balatka Sláva: Inženýrská statistika pro ekonomy, VŠCHT, 2002
