Jak mierzyć i poprawiać dokładność prognoz w handlu detalicznym: Kompleksowy przewodnik

Nieprawidłowe zapasy kosztowały sprzedawców detalicznych 1,77 biliona euro w 2023 roku. Prognozowanie popytu to klasyczne rozwiązanie pozwalające uniknąć ogromnych strat spowodowanych nadmiernymi zapasami lub niedoborami. W tym artykule rozważymy metody i opcje obliczeniowe oraz dowiemy się, która formuła błędu prognozy jest najlepsza dla Państwa firmy. Poniżej znajdą Państwo również wskazówki dotyczące poprawy dokładności prognoz w obliczu współczesnych wyzwań rynkowych.

Główne wnioski

Dokładność prognoz jest kluczowa dla redukcji kosztów zapasu i strat sprzedaży.

• Podstawowy miernik to MAPE. 

• Błędy prognoz często wynikają z nieuwzględnienia sezonu. 

• Forecasty muszą być rewizytowane co miesiąc. 

• Wizualizacja błędów prognoz pomaga je korygować. 

• Łączenie danych POS z zewnętrznymi trendami poprawia trafność.

Badacze z McKinsey stwierdzili, że 77% firm inwestuje w technologię, aby zwiększyć przejrzystość łańcucha dostaw i poprawić dokładność prognozowania. Pokazuje to, że zrozumienie procesów stało się priorytetem, a pojawienie się na rynku narzędzi predykcyjnych opartych na sztucznej inteligencji i uczeniu maszynowym dodatkowo wspiera ten trend.

W związku z tym zainteresowanie mierzeniem dokładności prognoz wzrosło dzięki przewadze tych narzędzi nad ręcznymi obliczeniami i przewidywaniami ekspertów. Ale czy rzeczywiście są one w 100% bezbłędne? Aby odpowiedzieć na to pytanie, musimy przyjrzeć się bliżej, wyjaśnić proces obliczania dokładności i określić dopuszczalne odchylenie prognozy.

Ale najpierw zacznijmy od podstaw.

W kontekście dokładności prognozy popytu jest to zgodność między prognozowanym a rzeczywistym popytem. Proszę zauważyć, że rzeczywisty popyt to całkowita liczba zamówień lub żądań zakupu, niezależnie od tego, ile produktu było w magazynie.

Jeśli dokładność jest niska, istnieje ryzyko zakupu większej ilości zapasów niż jest to potrzebne lub niezadowolenia klientów z powodu braku produktów.

Czy dokładność prognozowania powinna być zawsze bliska 100%? Czy jest to realistyczne?

Prognozowanie nie powinno być postrzegane jako cel, ale jako środek. Prognozowanie jest konieczne tylko wtedy, gdy pomaga w osiągnięciu celów. Na przykład, jeśli celem jest osiągnięcie maksymalnej dostępności produktu, należy skupić się na dokładności prognozowania popytu i starać się osiągnąć odpowiednią dokładność.

Obliczanie i określanie odchylenia prognozy jest skomplikowane i niezbyt ekscytujące. Pytanie więc brzmi: czy jest to niezbędne? Przyjrzyjmy się korzyściom, jakie dokładne prognozowanie przynosi sprzedawcom detalicznym.

Prognozowanie popytu i późniejsze planowanie pozwala na stworzenie właściwego cyklu: utrzymanie ilości zapasów zgodnie z planowaną przyszłą sprzedażą (biorąc pod uwagę promocje, sezonowość i inne czynniki). Zamawianie tylko tyle, ile potrzeba, wtedy, kiedy jest to potrzebne - czy nie tego chcą wszyscy sprzedawcy detaliczni? W tym przypadku celem prognozowania jest uniknięcie niedoborów i gromadzenia zapasów. Jest to jeszcze ważniejsze w przypadku produktów łatwo psujących się.

Zadowolony klient to lojalny klient. Będą wracać, a dokładne prognozowanie pomaga to zapewnić, ponieważ pozwala skutecznie zagwarantować, że produkty, których potrzebują klienci, będą zawsze dostępne.

W handlu detalicznym popyt nigdy nie jest stabilny. Oprócz czynników typowych dla sprzedawców detalicznych, takich jak Czarny Piątek, Boże Narodzenie i inne święta, sezonowość i zmiany pogody, istnieje jeszcze jeden czynnik - wpływ mediów społecznościowych. Jeśli produkt stanie się wirusowy, sprzedaż może wzrosnąć tysiące razy znikąd. Chociaż jest to dość trudne, nadal trzeba to przewidzieć. Osiągnięcie wysokiego poziomu dokładności prognoz jest ważne, ponieważ zawsze bardziej opłaca się być przygotowanym na zwiększony popyt niż spieszyć na ratunek, gdy półki są puste, a dostawca nie ma czasu na dostarczenie nowej partii.

Rotacja asortymentu jest powszechną praktyką wśród sprzedawców detalicznych, ale skąd wiadomo, jak klienci zareagują na nowe towary? Dzięki dokładnym prognozom popytu opartym na wskaźnikach wydajności podobnych produktów, można dowiedzieć się, ile nowego produktu należy kupić i jaka będzie przewidywana sprzedaż.

Państwa sukces zależy bezpośrednio od wysiłków Państwa partnerów: szybkości i dokładności Państwa dostawców. Dobre planowanie jest pierwszym krokiem do poprawy. Proszę spróbować udostępnić roczną prognozę popytu swoim dostawcom, aby mogli oni odpowiednio dostosować produkcję i dostawy.

Optymalne poziomy zapasów zapewniają przechowywanie mniejszej ilości towarów w magazynie bez nadmiaru zapasów, przy jednoczesnym zwiększeniu rotacji produktów i obniżeniu kosztów magazynowania. Co więcej, dzięki precyzyjnym prognozom popytu mogą Państwo uniknąć przepłacania za dostawy awaryjne z powodu niedoborów i wyeliminować potrzebę przenoszenia towarów między punktami sprzedaży.

Posiadanie odpowiedniego produktu na półkach sklepowych we właściwym czasie zmniejsza straty w sprzedaży i prowadzi do ogólnego wzrostu zadowolenia klientów i przychodów.

Czym dokładnie jest formuła dokładności prognozy używana do obliczeń? Przyjrzyjmy się głównym wskaźnikom, formułom i przykładom, a także szczegółowo przeanalizujmy każdy błąd prognozy.

Ta metryka pozwala określić odchylenie wartości prognozowanej od rzeczywistej. Jest ono obliczane jako wartość procentowa. Jest to najprostszy sposób na określenie wielkości błędu, który można wykorzystać do porównania różnych okresów lub produktów. Jednocześnie jest wrażliwy na rzeczywiste małe wartości i może prowadzić do zniekształceń, w których rzeczywisty popyt wynosi = 0. Wzór jest następujący:

Na przykład, jeśli planowali Państwo sprzedać 100 opakowań kawy, a sprzedali 80, błąd prognozy wyniósłby 25%. Oznacza to, że nie doszacowali Państwo popytu o jedną czwartą.

Metoda ta pomaga zidentyfikować duże błędy w różnicy między wartościami rzeczywistymi a prognozami. Jest to szczególnie cenne, jeśli chcą Państwo uniknąć błędów prognozy podczas prognozowania popytu w szczytowych sezonach lub podczas pracy z drogimi produktami. Należy jednak zachować ostrożność, ponieważ ta metoda obliczeniowa nie docenia systematycznych małych błędów i nie jest odpowiednia, jeśli obawiają się Państwo zarówno dużych, jak i małych błędów.

Wzór obliczeniowy:

yi - rzeczywista wartość sprzedaży lub popytu dla i-tego produktu lub okresu.

ŷi - przewidywana wartość sprzedaży lub popytu dla tego samego produktu lub okresu.

n - liczba obserwacji.

Jest to średnia bezwzględnej różnicy między prognozowanym popytem a rzeczywistą sprzedażą. MAE jest najczęściej używany, gdy konieczne jest określenie całkowitej ilości błędów, czy są one nadmierne, czy też prognoza nie docenia sprzedaży. Jest skuteczny na przykład w ocenie prognozowania dziennej sprzedaży bagietek.

Wzór na dokładność prognozy:

Proszę sobie wyobrazić, że sprawdzali Państwo prognozy sprzedaży bagietek dla trzech dni i okazało się, że powinni Państwo sprzedać 110, 140 i 125 sztuk, ale w rzeczywistości sprzedali Państwo 100, 150 i 130 sztuk. Rzeczywiste błędy dla każdego dnia wyniosły odpowiednio 10, 10 i 5. Oznacza to, że suma błędów wynosi 25. Dzielimy to przez liczbę dni badań i otrzymujemy 8,33. Jest to średnie odchylenie od prognozy.

Średni bezwzględny błąd procentowy MAPE jest miarą średniej bezwzględnej różnicy między prognozowanym popytem a rzeczywistą sprzedażą. Jest on potrzebny do zrozumienia wielkości błędów w stosunku do rzeczywistej sprzedaży. Innymi słowy, średni bezwzględny błąd procentowy pozwala jasno zrozumieć, jak dokładna była prognoza w ujęciu procentowym. Obliczenia są wykorzystywane do porównywania prognoz dla różnych produktów lub okresów.

Wzór na średni bezwzględny błąd procentowy:

n - liczba obserwacji.

Ai - rzeczywista wartość i w danym momencie

Fi - wartość przewidywana w czasie i

Wróćmy do naszego przypadku z bagietkami. Aby obliczyć średni bezwzględny błąd procentowy, należy najpierw znaleźć błędy procentowe dla każdego dnia: 10%, 6,67% i 3,85%, odpowiednio. Następnie należy zsumować te wartości procentowe i podzielić je przez liczbę dni. Wynikiem jest bezwzględny błąd procentowy wynoszący 6,84%.

Metryka ta służy do pomiaru tendencji prognoz do ciągłego przeszacowywania lub niedoszacowywania rzeczywistego popytu. Jest to konieczne, aby zidentyfikować systematyczne problemy w prognozowaniu i dokonać korekt w odpowiednim czasie. Obliczenia nie dają jednak obrazu wielkości błędów: wskazują jedynie ich kierunek.

Wzór na dokładność prognozy:

Rozważmy ponownie przykład przewidywanej i rzeczywistej sprzedaży bagietek. W tym przypadku obliczymy różnicę między prognozami a rzeczywistymi wartościami: 10, -10 i -5, odpowiednio. Szukamy sumy tych wartości i wynosi ona -5. Dzielimy wynik przez 3 dni badań i otrzymujemy -1,67. Oznacza to, że model obliczeniowy niedoszacowuje popytu o 1,67 dla każdej obserwacji.

Zobaczyliśmy więc, jak obliczyć dokładność, ale teraz pojawia się kolejne pytanie: co jest dobrym wynikiem? Jaka powinna być docelowa dokładność dla Państwa modelu biznesowego?

Ocena jakości prognozy zależy od przewidywalności popytu, na którą wpływają trendy rynkowe, czynniki makroekonomiczne, sezonowość, dostępność wystarczającej powierzchni w magazynie, a także specjalne wydarzenia sprzedawcy detalicznego (na przykład wyprzedaże).

Niemniej jednak, ogólnie przyjęty wskaźnik dla sprzedawców detalicznych wynosi 70-80%. Jednocześnie dokładność na poziomie 60% jest uważana za dobrą w przypadku towarów, które sprzedają się powoli (na przykład sprzęt AGD lub towary luksusowe), ponieważ trudniej jest przewidzieć popyt.

Ważne jest, aby wziąć pod uwagę następujące zasady:

• Proszę zmierzyć dla siebie osiągalny wskaźnik: na przykład rentowność. Na tej podstawie proszę modelować sytuacje, w których dobra prognoza będzie miała wpływ na wynik i ignorować wszystko, na co prognoza nie będzie miała wpływu. Na przykład, jeśli sprzedają Państwo towary sezonowe, należy zignorować zmiany popytu poza sezonem.
• Optymalizacja prognoz w tym samym czasie co planowanie. Proszę uporządkować zapasy bezpieczeństwa, cykle planowania i terminy zadań. Szczegółowo przeanalizuj produkty, wielkości partii i promocje, które nie sprawiają, że Twoja firma jest wydajna, nawet pomimo dokładnej prognozy.
• Jeśli zarządzają Państwo siecią sklepów, warto stworzyć osobne prognozy dla każdego punktu sprzedaży, ponieważ dane wejściowe będą się różnić w zależności od lokalizacji.

Teraz doszliśmy do wskazówek, w jaki sposób można poprawić prognozowanie w zarządzaniu łańcuchem dostaw i handlu detalicznym.

Im dokładniejsze i bardziej aktualne są dane dotyczące zapasów, tym skuteczniejsze będzie planowanie popytu. Proszę więc najpierw skonfigurować gromadzenie danych z zaufanych źródeł. Obecnie proces ten można zautomatyzować: proszę zintegrować jedną platformę, która będzie zsynchronizowana ze wszystkimi aplikacjami i narzędziami używanymi do planowania, sprzedaży i danych klientów. Będzie ona zbierać informacje w czasie rzeczywistym.

Aby skutecznie zarządzać asortymentem, niezbędne jest zrozumienie, gdzie dokładność prognozy jest krytyczna, a gdzie dopuszczalny jest pewien margines błędu. W tym miejscu do gry wkracza analiza ABC(D), kategoryzująca produkty w oparciu o ich znaczenie. Na przykład szybko zbywalne towary konsumpcyjne (FMCG), takie jak mleko, wymagają wysokiej dokładności prognoz. Jeśli klienci nie mogą znaleźć preferowanego mleka, mogą opuścić sklep, co prowadzi do strat w sprzedaży nie tylko mleka, ale także powiązanych produktów, takich jak płatki zbożowe.

I odwrotnie, produkty takie jak 10-letnia whisky poza sezonem świątecznym mogą tolerować błędy w prognozowaniu. Mają one długi okres przydatności do spożycia, a popyt na drogie towary poza sezonem jest z natury nieprzewidywalny.

Rozważając analizę XYZ, która kładzie nacisk na zmienność popytu, należy zauważyć, że w przypadku towarów kategorii Z - charakteryzujących się dużą zmiennością popytu - osiągnięcie dokładnych prognoz jest często nieosiągalne.

Zaawansowane systemy planowania popytu, takie jak LEAFIO AI, mogą być zarówno ustawiane automatycznie, jak i dostosowywane indywidualnie dla każdej firmy. Oprogramowanie stale sprawdza dokładność automatycznie generowanych i dostosowywanych prognoz. Jeśli dokładność wykracza poza ustalone limity, system wysyła alert do użytkownika w celu skorygowania problemu.

Istnieją sezonowe i niesezonowe czynniki zewnętrzne. Te pierwsze są przewidywalne (święta, opady, temperatura itp.), podczas gdy te drugie są nieregularne i nieprzewidywalne. Proszę wykorzystać dane historyczne oraz ogólne informacje rynkowe, aby określić ich wpływ na sprzedaż.

Istnieje wiele metod prognozowania czynników zewnętrznych: analiza trendów, średnia ruchoma, wygładzanie wykładnicze, regresja itp. Należy je łączyć i dopasowywać w zależności od potrzeb. Na przykład, jeśli mają Państwo czynniki sezonowe, właściwym wyborem będzie wygładzanie wykładnicze z korektami sezonowymi.

Oprogramowanie do prognozowania popytu jest Państwa asystentem, który dostarcza gotowych do wykorzystania danych do przemyślanego planowania i podejmowania strategicznych decyzji.

Na przykład LEAFIO Demand Planning Software to platforma oparta na sztucznej inteligencji, która oblicza popyt na każdy rodzaj produktu tak dokładnie, jak to możliwe, w oparciu o pełną historię sprzedaży, promocji, sezonowości i innych czynników. Korzystając z niej, mogą Państwo:

• Podejmowanie świadomych decyzji strategicznych.
• Szybkie i terminowe reagowanie na zmiany popytu.
• Zwiększenie lojalności klientów.
• Zwiększenie zysków i obniżenie kosztów.

Oprogramowanie do planowania popytu LEAFIO jest używane przez supermarkety, sklepy spożywcze, sklepy monopolowe, sklepy e-commerce, sklepy z zabawkami i wiele innych branż detalicznych.

Proszę wyobrazić sobie kilka możliwych scenariuszy opartych na określonych założeniach. Pomoże to Państwu znaleźć możliwości i zidentyfikować zagrożenia. Proszę przetestować te scenariusze za pomocą analizy what-if. Pomoże to dostosować kluczowe zmienne i modelować możliwe wyniki. Połączenie tych metod pomoże Państwu podejmować świadome decyzje i tworzyć dokładniejsze prognozy.

Na przykład, jeśli prognozują Państwo sprzedaż na rok, proszę stworzyć scenariusz optymistyczny (wzrost popytu dzięki stabilizacji gospodarczej), scenariusz pesymistyczny (nasilenie kryzysu, spadek popytu) oraz scenariusz bazowy (nic się nie zmienia). Proszę sprawdzić, jak zmiany cen w każdym przypadku wpłyną na zyski i przygotować się na wszystkie możliwe scenariusze.

Ta wskazówka prowadzi nas z powrotem do pierwszego punktu - znaczenia dokładnych danych. Każdy dział ma swoje własne informacje. Dział sprzedaży dostarczy danych na temat poziomu popytu: historycznego i bieżącego. Marketerzy podzielą się informacjami na temat trendów rynkowych i nadchodzących działań promocyjnych, pracownicy działu finansów podzielą się informacjami na temat budżetu i tak dalej. Proszę połączyć te informacje, a otrzymają Państwo kompleksowy obraz do stworzenia prognozy.

Zapewnienie możliwości szybkiego reagowania na zmiany: monitorowanie danych i wyników oraz wprowadzanie zmian w prognozach. Jeśli odchylenie między rzeczywistą sprzedażą a prognozami jest znaczące, nadszedł czas, aby zweryfikować dane i ulepszyć proces prognozowania. Muszą Państwo śledzić wyniki w czasie rzeczywistym, aby móc podejmować najbardziej trafne decyzje. Nawiasem mówiąc, zadanie to można również powierzyć oprogramowaniu do prognozowania popytu opartemu na sztucznej inteligencji.