Czym jest prognoza magazynowa?
Prognoza magazynowa pomaga oszacować przyszłe zapotrzebowanie na produkty w krótkim, średnim lub długim okresie. To kluczowy element każdej strategii planowania zapasów. Wczesne prognozowanie pozwala poprawić obsługę klienta, kontrolę zapasów i zarządzanie pojemnością magazynową.
Można również prognozować koszty związane z przyszłymi zamówieniami. Innym obszarem do przewidywania jest czas dostawy (lead time), który z reguły ulega skróceniu. Niezależnie od tego, co prognozujemy, należy pamiętać o podstawowych zasadach:
- Prognozy są dokładniejsze w krótkim okresie. Im dalszy horyzont, tym mniejsza dokładność.
- Prognozy nigdy nie będą idealne. Błąd prognozy zawsze wystąpi i warto znać jego skalę.
- Prognoza nie zastępuje rzeczywistego popytu.
Rodzaje prognoz
Istnieje wiele metod prognozowania i żadna z nich nie jest zawsze najlepsza. Wybór zależy od okresu prognozy i dostępnych danych. Prognozy można podzielić według horyzontu czasowego:
- Długoterminowe prognozy: obejmują kilka lat naprzód
- Średnioterminowe prognozy: od trzech miesięcy do jednego roku
- Krótkoterminowe prognozy: dotyczą najbliższych tygodni
Prognozy mogą opierać się na danych historycznych lub subiektywnych szacunkach. Jeżeli istnieje wiarygodna historia popytu, powinna być ona podstawą prognozowania.
Techniki prognozowania
Wcześniej omówiliśmy metodę ekonomicznej wielkości zamówienia (EOQ), która pomaga określić, ile produktów należy kupić. W tym wpisie przedstawimy trzy podstawowe techniki wykorzystujące dane historyczne.
Do prognozowania pierwszych trzech miesięcy 2023 roku użyjemy danych z października, listopada i grudnia 2022.
Średnia ruchoma
Metoda ta oblicza prostą średnią określonej liczby miesięcy, aby przewidzieć wartość na kolejny miesiąc.
| Październik 2022 | 114 |
| Listopad 2022 | 119 |
| Grudzień 2022 | 137 |
| Styczeń 2023 | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| Luty 2023 | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| Marzec 2023 | ? 137 + 123 + 126 = 386, 386 / 3 = 129 |
Ważona średnia ruchoma
W tej metodzie przypisuje się różne wagi do wcześniejszych miesięcy, przy czym największą wagę otrzymuje najbardziej aktualny miesiąc. Dobrze sprawdza się przy krótkoterminowych prognozach dla produktów o stabilnym popycie.
Uwaga: suma wag musi wynosić 1,00. W tym przykładzie przyjmujemy 0,6 (najbardziej aktualny), 0,3 i 0,1
| Październik 2022 | 114 |
| Listopad 2022 | 119 |
| Grudzień 2022 | 137 |
| Styczeń 2023 | ? 137 * 0.6 + 119 * 0.3 + 114 * 0.1 = 129 |
| Luty 2023 | ? 129 * 0.6 + 137 * 0.3 + 119 * 0.1 = 131 |
| Marzec 2023 | ? 131 * 0.6 + 129 * 0.3 + 137 * 0.1 = 130 |
Wygładzanie liniowe
Podobne do ważonej średniej ruchomej, ale wagi maleją liniowo według wzoru. Metoda ta dobrze działa dla krótkoterminowych prognoz produktów o ustabilizowanym popycie.
Waga dla jednego okresu wstecz = 3 / ((n² + n)/2) = 3 / 6 = 0.5
Waga dla dwóch okresów wstecz = 2 / 6 = 0.3
Waga dla trzech okresów wstecz = 1 / 6 ≈ 0.17
| Październik 2022 | 114 |
| Listopad 2022 | 119 |
| Grudzień 2022 | 137 |
| Styczeń 2023 | ? 137 * 0.5 + 119 * 0.3 + 114 * 0.17 = 126 |
| Luty 2023 | ? 126 * 0.5 + 137 * 0.3 + 119 * 0.17 = 128 |
| Marzec 2023 | ? 128 * 0.5 + 126 * 0.3 + 137 * 0.17 = 129 |
Wnioski
Prognozy opierają się na danych historycznych i modelach matematycznych. Nie są doskonałe i mogą zawierać błędy wynikające z modeli, danych lub ich interpretacji. Mimo to dobra prognoza jest lepsza niż jej całkowity brak.
W kolejnych wpisach omówimy bardziej zaawansowane metody, takie jak wygładzanie wykładnicze i regresję najmniejszych kwadratów, oraz jak zautomatyzować te procesy w systemach zarządzania magazynem.