Mi az a készlet-előrejelzés?
A készlet-előrejelzés segít megbecsülni a termékek jövőbeli keresletét rövid, közép vagy hosszú távon. Ez az egyik legfontosabb eleme a hatékony készlettervezésnek. Az előrejelzések ismerete lehetővé teszi az ügyfélszolgálat, a készletkezelés és a kapacitásmenedzsment javítását.
Előrejelezhetjük például a jövőbeli megrendelések költségeit is. Egy másik terület az átfutási idő (lead time) becslése, amely általában egyre rövidebb. Bármilyen tényezőt is akarunk előrejelezni, az alábbi alapelveket érdemes észben tartani:
- Az előrejelzés rövid távon a legpontosabb. Minél messzebb tekintünk előre, annál nagyobb a bizonytalanság.
- Az előrejelzés sosem lesz teljesen pontos. Mindig lesz benne hibaarány, amit ismernünk kell.
- Az előrejelzés nem helyettesíti a tényleges keresletet.
Előrejelzési típusok
Számos előrejelzési módszer létezik, és egyik sem a legjobb minden helyzetben. A választás függ az időtávtól és az elérhető adatoktól. Az előrejelzések általában három időtávra oszthatók:
- Hosszú távú: több évre előre
- Középtávú: három hónaptól egy évig
- Rövid távú: néhány hétre előre
Az előrejelzések készülhetnek történelmi adatok vagy szakértői becslések alapján. Ha megbízható keresleti adatok állnak rendelkezésre, akkor azokat érdemes alapul venni.
Előrejelzési technikák
Korábban részletesen bemutattuk az optimális rendelési mennyiség (EOQ) módszerét, amely segít meghatározni, mennyit érdemes vásárolni. Ebben a bejegyzésben három egyszerű, múltbeli adatokon alapuló módszert vizsgálunk meg.
Az előrejelzésekhez az október, november és december 2022-es értékeket használjuk, hogy megbecsüljük 2023 első három hónapját.
Mozgóátlag
Ez a módszer az előző hónapok egyszerű számtani átlagát használja a következő hónap keresletének becslésére.
| 2022. október | 114 |
| 2022. november | 119 |
| 2022. december | 137 |
| 2023. január | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| 2023. február | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| 2023. március | ? 137 + 123 + 126 = 386, 386 / 3 = 129 |
Súlyozott mozgóátlag
Ez a módszer eltérő súlyokat rendel a múltbeli adatokhoz, a legfrissebb hónap kapja a legnagyobb súlyt. Kifejezetten hasznos rövid távú, stabil termékek előrejelzésére.
Megjegyzés: A súlyok összege legyen 1,00. Ebben a példában a súlyok: 0,6 (legfrissebb), 0,3 és 0,1
| 2022. október | 114 |
| 2022. november | 119 |
| 2022. december | 137 |
| 2023. január | ? 137 * 0.6 + 119 * 0.3 + 114 * 0.1 = 129 |
| 2023. február | ? 129 * 0.6 + 137 * 0.3 + 119 * 0.1 = 131 |
| 2023. március | ? 131 * 0.6 + 129 * 0.3 + 137 * 0.1 = 130 |
Lineáris simítás
Hasonló a súlyozott mozgóátlaghoz, de a súlyokat egy képlet segítségével lineárisan csökkenő módon számítjuk. Ez a módszer is jól működik rövid távon, stabil keresletű termékeknél.
1 hónappal korábbi súly = 3 / ((n² + n)/2) = 3 / 6 = 0,5
2 hónappal korábbi súly = 2 / 6 = 0,3
3 hónappal korábbi súly = 1 / 6 ≈ 0,17
| 2022. október | 114 |
| 2022. november | 119 |
| 2022. december | 137 |
| 2023. január | ? 137 * 0.5 + 119 * 0.3 + 114 * 0.17 = 126 |
| 2023. február | ? 126 * 0.5 + 137 * 0.3 + 119 * 0.17 = 128 |
| 2023. március | ? 128 * 0.5 + 126 * 0.3 + 137 * 0.17 = 129 |
Következtetés
Az előrejelzések történelmi adatokon és statisztikai modelleken alapulnak. Soha nem lesznek tökéletesek, és tartalmazhatnak hibákat az adatok, a modell vagy az értelmezés miatt. Ennek ellenére egy jó becslés mindig jobb, mint a teljes bizonytalanság.
Következő bejegyzéseinkben fejlettebb módszereket mutatunk be, mint például az exponenciális simítás és a legkisebb négyzetek módszere, és megnézzük, hogyan lehet ezeket automatizálni a készletkezelő rendszerekben.