Hvad er en lagerprognose?
En lagerprognose hjælper dig med at forudsige den fremtidige efterspørgsel på dine produkter på kort, mellemlang eller lang sigt. Det er en grundlæggende del af enhver effektiv lagerstyring. Når du kender efterspørgslen i forvejen, kan du forbedre kundeservice, lagerkontrol og kapacitetsstyring.
Du kan også forudsige fremtidige omkostninger i forbindelse med nye ordrer. Et andet vigtigt område er leveringstiden (lead time), som ofte bliver kortere. Uanset hvad du vælger at forudsige, bør du huske disse grundprincipper:
- Prognoser er mest præcise på kort sigt. Jo længere frem du forudsiger, jo større usikkerhed.
- Prognosen vil aldrig være 100% nøjagtig. Der vil være en fejlmargin, som bør kendes og måles.
- En prognose erstatter ikke den faktiske efterspørgsel.
Typer af prognoser
Der findes mange måder at lave prognoser på, og ingen metode er bedst i alle situationer. Valget afhænger af tidshorisonten og de tilgængelige data. Prognoser opdeles typisk efter tidsramme:
- Langsigtet: ser flere år frem
- Mellemlang sigt: ser tre måneder til et år frem
- Kortsigtet: ser et par uger frem
Prognoser kan baseres på historiske data eller skøn. Hvis der findes en pålidelig efterspørgselshistorik, bør den bruges som kilde.
Prognoseteknikker
Tidligere har vi gennemgået EOQ-metoden (økonomisk ordremængde) for at finde ud af, hvor meget der skal købes. I dette indlæg gennemgår vi tre grundlæggende metoder, der bruger historiske data.
Vi bruger data fra oktober, november og december 2022 til at forudsige de første tre måneder af 2023.
Bevægende gennemsnit
Denne metode beregner det enkle gennemsnit af et fast antal tidligere måneder for at forudsige næste måneds efterspørgsel.
| Oktober 2022 | 114 |
| November 2022 | 119 |
| December 2022 | 137 |
| Januar 2023 | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| Februar 2023 | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| Marts 2023 | ? 137 + 123 + 126 = 386, 386 / 3 = 129 |
Vægtet bevægende gennemsnit
Denne metode tildeler forskellige vægte til tidligere måneder, hvor de nyeste data vægter højest. Den er velegnet til kortsigtede prognoser for stabile produkter.
Bemærk: Summen af vægtene skal være 1,00. I dette eksempel bruger vi 0,6 (nyeste), 0,3 og 0,1
| Oktober 2022 | 114 |
| November 2022 | 119 |
| December 2022 | 137 |
| Januar 2023 | ? 137 * 0.6 + 119 * 0.3 + 114 * 0.1 = 129 |
| Februar 2023 | ? 129 * 0.6 + 137 * 0.3 + 119 * 0.1 = 131 |
| Marts 2023 | ? 131 * 0.6 + 129 * 0.3 + 137 * 0.1 = 130 |
Lineær udjævning
Ligner den vægtede metode, men vægtene falder lineært efter en formel. Denne metode er også god til kortsigtede prognoser for modne produkter.
Vægt for én måned tilbage = 3 / ((n² + n)/2) = 3 / 6 = 0.5
Vægt for to måneder tilbage = 2 / 6 = 0.3
Vægt for tre måneder tilbage = 1 / 6 ≈ 0.17
| Oktober 2022 | 114 |
| November 2022 | 119 |
| December 2022 | 137 |
| Januar 2023 | ? 137 * 0.5 + 119 * 0.3 + 114 * 0.17 = 126 |
| Februar 2023 | ? 126 * 0.5 + 137 * 0.3 + 119 * 0.17 = 128 |
| Marts 2023 | ? 128 * 0.5 + 126 * 0.3 + 137 * 0.17 = 129 |
Konklusion
Prognoser er baseret på historiske data og modeller. De er ikke perfekte og kan indeholde fejl forårsaget af modelvalg, datakvalitet eller fortolkning. Alligevel er et kvalificeret estimat langt bedre end slet ingen prognose.
I kommende indlæg vil vi gennemgå mere avancerede metoder som eksponentiel udjævning og mindste kvadraters regression – og hvordan de kan automatiseres i moderne lagerstyringssystemer.