Hva er en lagerprognose?
En lagerprognose hjelper deg med å estimere fremtidig etterspørsel etter produkter på kort, mellomlang eller lang sikt. Det er en grunnleggende del av enhver effektiv lagerplanlegging. Når du kjenner til etterspørselen på forhånd, kan du forbedre kundeservice, lagerstyring og kapasitetsplanlegging.
Du kan også forutsi fremtidige kostnader knyttet til innkjøp. Et annet område å vurdere er leveringstid (lead time), som vanligvis blir kortere. Uansett hva du ønsker å forutsi, husk disse prinsippene:
- Prognoser er mer nøyaktige på kort sikt. Jo lenger frem i tid, desto mindre presise.
- Prognoser vil ikke være feilfrie. Det vil alltid være en feilmargin du må kjenne til.
- Prognoser kan ikke erstatte faktisk etterspørsel.
Typer av prognoser
Det finnes mange måter å lage prognoser på, og ingen metode er best i alle tilfeller. Valget avhenger av tidshorisonten og hvilke data som er tilgjengelige. Prognoser deles ofte inn i:
- Langsiktige prognoser: flere år frem i tid
- Middels langsiktige prognoser: tre måneder til ett år frem
- Kortsiktige prognoser: de neste ukene
Prognoser kan være datadrevne eller basert på vurderinger. Hvis det finnes pålitelig etterspørselshistorikk, bør dette være det primære grunnlaget.
Prognoseteknikker
Vi har tidligere dekket EOQ-metoden (økonomisk bestillingsmengde) for å avgjøre hvor mye du bør bestille. Her ser vi på tre grunnleggende metoder som bruker historiske data.
Vi bruker tall fra oktober, november og desember 2022 for å forutsi de tre første månedene i 2023.
Bevegelig gjennomsnitt
Denne metoden beregner et enkelt gjennomsnitt av et bestemt antall tidligere måneder for å forutsi neste måneds etterspørsel.
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Desember 2022 | 137 |
| Januar 2023 | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| Februar 2023 | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| Mars 2023 | ? 137 + 123 + 126 = 386, 386 / 3 = 129 |
Vektet bevegelig gjennomsnitt
Her tildeles ulike vekter til tidligere måneder, der de nyeste dataene får størst vekt. Den egner seg godt til kortsiktige prognoser for modne produkter.
Merk: Summen av vektene må være 1,00. I dette eksemplet bruker vi 0,6 (nyeste), 0,3 og 0,1
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Desember 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 |
| Mars 2023 | ? 131 * 0.6 + 129 * 0.3 + 137 * 0.1 = 130 |
Lineær utjevning
Ligner på vektet gjennomsnitt, men vektene reduseres lineært i henhold til en formel. Egner seg godt til kortsiktige prognoser for etablerte produkter.
Vekt for én periode tilbake = 3 / ((n² + n)/2) = 3 / 6 = 0.5
Vekt for to perioder tilbake = 2 / 6 = 0.3
Vekt for tre perioder tilbake = 1 / 6 ≈ 0.17
| Oktober 2022 | 114 |
| November 2022 | 119 |
| Desember 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 |
| Mars 2023 | ? 128 * 0.5 + 126 * 0.3 + 137 * 0.17 = 129 |
Konklusjon
Prognoser bygger på historiske data og modeller. De er aldri helt presise og inneholder alltid en viss feilmargin, enten fra modellene, dataene eller tolkningen. Likevel er en godt fundert beregning bedre enn ingen.
I fremtidige innlegg skal vi se nærmere på mer avanserte metoder som eksponentiell utjevning og minste kvadraters regresjon, og hvordan disse kan automatiseres i lagerstyringssystemer.