Wpływ outlierów na jakość prognoz

Wpływ outlierów na jakość prognoz

Przedsiębiorstwa działające w warunkach gospodarki rynkowej muszą liczyć się z nieustannie zmieniającymi się warunkami otoczenia. Przykładem jest wystąpienie pandemii Covid-19. Dotychczasowe algorytmy prognostyczne przestały wystarczać do przewidywania tego, co wydarzy się na rynku w kolejnym półroczu, kwartale czy nawet miesiącu. Dlatego istotną rolę w ich działalności odgrywa informacja zorientowana na zmieniającą się przyszłość.

Prognozowanie popytu to trudny, ale bardzo ważny proces. Celowo mówimy o procesie, ponieważ nie jest to czynność jednorazowa, ale obejmuje kilka etapów i angażuje osoby z różnych departamentów przedsiębiorstwa. Za przygotowanie prognozy popytu powinien odpowiadać dział marketingu lub w mniejszych firmach dział sprzedaży. To te działy, wykorzystując swoją wiedzę rynkową, potrafią najlepiej określić, jaki będzie popyt zgłaszany przez konsumentów. Dodatkowo prognozę powinien przeanalizować dział zaopatrzenia, logistyki i produkcji oraz finansów. Dział zaopatrzenia analizuje możliwości dostawców w odniesieniu do planowanych wielkości zamawianych opakowań, surowców i materiałów, wielkość partii zamówień, która ma wpływ na cenę i terminy dostaw. Dział logistyki ocenia możliwości operacyjne: niezbędne miejsca magazynowe, zasoby ludzkie, transport. Dział produkcji powinien rozpatrzyć, czy jest w stanie wyprodukować określone produkty w wymaganym czasie i jakości. Całość nadzoruje dział finansowy, który decyduje o alokacji zasobów. Może okazać się, że dział marketingu szacuje wzrost popytu w stosunku do roku poprzedniego, ale pod warunkiem iż otrzyma dodatkowy budżet reklamowy. Dział handlowy zapowiada podpisanie kontraktu z nowym klientem, co będzie miało przełożenie na zaopatrzenie, logistykę i produkcję. Takich sytuacji może być więcej. Należy pamiętać o synchronizacji poszczególnych działów przedsiębiorstwa, aby każdy projekt mający wpływ na sprzedaż – zaopatrzenie – logistykę – produkcję – finanse był precyzyjnie uzgadniany, zanim sformalizuje się kolejny kontrakt. Dobrze przygotowana prognoza będzie miała wpływ na jakość obsługi klienta oraz płynność firmy.

Dlaczego prognozujemy?

Prognozowanie popytu to złożony proces powiązany z decyzjami strategicznymi dla przedsiębiorstwa. Jest bazą do przygotowania całego budżetu firmy. Powinien być jednym z ważniejszych procesów i warto wpisać go w roczną agendę działania firmy, angażując w prognozę jak najwięcej osób z różnych działów. Dodatkowo istotna jest transparentność prognozy, ocena korzyści i zagrożeń w gronie ekspertów, aby osoby decyzyjne były świadome podejmowanych decyzji.
Należy pamiętać, że prognoza popytu nie jest tym samym, czym prognoza sprzedaży. Prognoza popytu jest bazą do przygotowania prognozy sprzedaży, a prognoza sprzedaży jest podstawą do przygotowanie prognozy produkcyjnej.
To prognoza popytu wyznacza, jak będzie wyglądał cały budżet przygotowywany przez firmę. Prognoza popytu informuje przedsiębiorstwo o planowanych kosztach wytworzenia produktów, kosztach zaopatrzenia, poziomie kosztów administracji, kosztach sprzedaży i nakładach na marketing. Ma ogromny wpływ na procesy zaopatrzenia, logistyki i produkcji. Posiadając prognozę popytu, firma może określić, jakie produkty i w jakich terminach będzie wytwarzała. Dobra prognoza popytu umożliwia optymalizację zapasów produktów gotowych. Dzięki niej przedsiębiorstwo inwestuje w innowacje, park maszynowy, a także zespół ekspercki. Oczywiście można utrzymywać wyższy zapas, aby zaspokoić potrzeby konsumentów. Jednak to kosztuje. Są to koszty magazynowania, ubezpieczenia, czy koszty zamrożonego kapitału, które zmniejszają konkurencyjność na rynku. To, za ile lub w jakich kosztach wyprodukujemy, musi być akceptowalne przez klientów, którzy mają bezpośredni wpływ na zysk danego produktu. Dokładna prognoza popytu umożliwia nie tylko obniżenie poziomu zapasu do niezbędnego zapasu bezpieczeństwa, ale także wpływa na lepszą obsługę klientów, wzmacniając tym samym swoją pozycję na rynku. Ma to również znaczenie dla płynności przedsiębiorstwa. Oczywiście, tak jak w każdej prognozie nie zakładajmy, że sprawdzi się ona w 100%. Przygotowanie prognozy sprawdzalnej w 100% w wielu branżach jest wręcz niemożliwe lub bardzo kosztowne. Ale już przygotowanie prognozy popytu z dużą dokładnością okazuje się jak najbardziej wykonalne. Na pewno nie jest to proces łatwy, ale połączenie metod ilościowych z wiedzą ekspercką umożliwi stworzenie dobrego modelu prognostycznego.
Opracowywanie jednego modelu uniwersalnego dla każdego przedsiębiorstwa nie jest najlepszym rozwiązaniem, jest wręcz niemożliwe. Specyfika branży, czy wprowadzane innowacje i wdrożona strategia powodują, że taki model powinien być dostosowany do potrzeb konkretnego przedsiębiorstwa. Wobec zmiany oczekiwań klientów, którzy liczą na produkt wyróżniający się na rynku, dostarczony możliwie w szybkim terminie, dobry jakościowo, firma zmuszona jest do korzystania z różnych algorytmów prognostycznych, które uwzględniają produkty całoroczne, całoroczne – promocyjne, sezonowe oraz in-out’y.
Przed przystąpieniem do opracowania prognozy popytu trzeba zebrać najważniejsze informacje o rynku. Należy zdefiniować, na jakim obszarze działa firma i jaki jest potencjał i preferencje konsumentów. Być może firma chce rozszerzyć swoją działalność, dlatego do badań marketingowych należy dodać nowe rynki. Podstawowe pytanie w badaniach marketingowych dotyczy zawsze konsumenta – czego oczekuje, jakie ma preferencje, jaka jest struktura demograficzna konsumentów, przekrój ich dochodów, a nawet jakie są ich zainteresowania czy sposób spędzania wolnego czasu oraz tego, czy rynek krajowy, europejski lub światowy zagrożony jest nieoczekiwanymi zmianami, na przykład pandemii, konfliktami zbrojnymi, migracją ludzi, poszukiwaniem zasobów (wody) itp. Do tej analizy prognozy potrzebna jest wiedza ekspercka.
Bardzo ważne jest również poznanie potrzeb klientów, z którymi współpracuje producent. To oni ostatecznie decydują, jak ma wyglądać produkt, jakich wolumenów sprzedaży należy oczekiwać. Klientami mogą być duże sieci handlowe, hurtownie oraz klienci eksportowi. Dzięki poznaniu ich potrzeb producent jest w stanie lepiej przygotować prognozę popytu i skuteczniej dotrzeć do konsumenta.

Horyzont prognozy

Przed przystąpieniem do zbudowania modelu umożliwiającego prognozowanie popytu należy zdefiniować horyzont prognozy. Zazwyczaj przygotowuje się prognozy w trzech horyzontach czasowych: krótkoterminowej – do roku, średnioterminowej – najczęściej od 1 do 3 lat oraz w perspektywie długoterminowej – zazwyczaj od 3 do 5 lat. Prognoza krótkoterminowa jest wykorzystywana w celach określenia zapotrzebowania bieżących zasobów, tj. na pracowników produkcyjnych, określenia budżetu finansowego, dostępności lub wydajności maszyn, kontraktów na dostawy surowców i opakowań, półproduktów oraz materiałów. Prognoza średnioterminowa umożliwia zaplanowanie budżetów marketingowych, wielkości zatrudnienia w działach operacyjnych, jak: sprzedaż, marketing, produkcja oraz logistyka. Również ma wpływ na poziomu utrzymywanych zapasów. Natomiast prognoza długoterminowa ma wpływ na długookresową strategię firmy, która może wiązać się z inwestycjami w infrastrukturę przedsiębiorstwa, zmianą modelu kanałów dystrybucyjnych itp. Co do zasady jest przygotowana najmniej dokładnie, ale wyznacza główny kierunek działalność firmy. Przygotowanie takiej prognozy niezbyt dokładnie może skutkować poważnymi konsekwencjami finansowymi. Na przykład zakup drogiej linii produkcyjnej pod produkt, który nie został dobrze zdefiniowany w ujęciu potrzeb klientów na rynku. Efekt – możliwy postój linii lub przerwy w produkcji = nieefektywna produkcja, która będzie generowała koszty dla przedsiębiorstwa. Inną słabością przedsiębiorstwa jest niedopasowanie mocy produkcyjnej lub wielkości szarzy produkcyjnej do zleceń produkcyjnych, które wynikają z wielkości sprzedażowych dla danego klienta. I tutaj niezbędna jest wiedza ekspercka ludzi badających rynek konsumentów i potrzeb klientów.

Prognozowanie popytu – budowa modelu

Outliery to zdarzenia nietypowe występujące w historii sprzedaży. Najczęściej rozumiane są jako:
• jednorazowe duże sprzedaże wynikające z nietypowych zamówień klientów, promocji;
• braki sprzedaży z powodu sytuacji out-of-stock;
• nagły wzrost zamówień typu: make to order;
• okoliczności nadzwyczajne: pandemia, konflikty zbrojne, migracje ludzi, katastrofy itp.
Outliery zakłócają nasze prognozy oraz sprawiają, że rozkład sprzedaży przestaje być normalny, a wyliczony statystyczny zapas bezpieczeństwa niedostosowany do rzeczywistych fluktuacji popytu oraz algorytmów prognostycznych.
Większość najnowszych metod prognozowania oparta jest o algorytmy grupowania, które często nie przypisują wszystkich punktów do grup/klastrów. Stosujemy te algorytmy, szukając grup niestandardowych albo grup elementów pozostałych. Jednak algorytmy te nie są zoptymalizowane pod kątem wykrywania outlierów. Dokładność algorytmu zależy od dokładności algorytmu grupowania – to drugie zagadnienie samo w sobie jest trudne, często stosuje się metody nieparametryczne. Zbiór obserwacji niestandardowych może zostać uznany za istotną grupę. Pytanie: kiedy? Na przykład przy produkcji sezonowej, która może nałożyć się z akcją promocyjną lub in-out, czy produkcją eksportową typu make to order. W tym okresie potrzebna jest detekcja outlierów dużo wcześniej niż w spodziewanym okresie sprzedażowym.
Metody detekcji outlierów mogą być globalne lub lokalne. Trzeba ustalić, jaki zbiór jest zbiorem odniesienia dla własności odstawania elementu. Istnieją dwa skrajne warianty określania wyniku zastosowanej metody. Może być binarny – każdy element zbioru określany jest jako outlier, lub ustanowiony z rankingu obserwacji, np. od najbardziej do najmniej odstających.
W przedsiębiorstwie produkcyjnym normalny schemat stanowi przygotowana prognoza popytu, a na jej podstawie prognoza sprzedaży – później plan produkcji w horyzoncie rocznym. Na bazie przygotowanej prognozy popytu – prognozy sprzedaży zlecenia produkcyjne zostają zaimplementowane do systemu informatycznego na kolejny rok i kwartał z podziałem na miesiące, aby w efekcie zaplanować harmonogram produkcyjny w horyzoncie tygodnia. Harmonogramowanie produkcji ułatwia optymalizacje, ciągłość produkcji, minimalizowanie postojów lub przezbrojeń między produkcjami, ułatwia planowanie i dostępność zasobów operacyjnych wraz z obsługą techniczną. Harmonogram jest dostępny działom operacyjnym, jak: produkcja, zaopatrzenie, logistyka i sprzedaż oraz controlling.
Jak przygotować schemat w momencie pojawienia się outlierów, na przykładzie niezaplanowanej promocji w grupie produktów całorocznych, zlecenia typu make to order, czy akcji in-out?
Outlier – niezaplanowana promocja – wynika z wielu powodów. To między innymi wzrost sprzedaży przed dniami okolicznościowymi, np. Dzień Nauczyciela, Dzień Dziecka, pojawienie się promocji na tych samych grupach produktowych u konkurencji, tj. klientów sieciowych, czy nadejście sezonu, w którym wzrasta spożycie produktów.
Outlier – zlecenie typu make to order – wynika z wpłynięcia zapotrzebowania od klienta eksportowego, który nie jest klientem stockowym, a zamówienia wpływają do firmy nieregularnie – liczba i częstotliwość zamówień uwarunkowane są potrzebami rynku zagranicznego, o którym nie mamy pełnej wiedzy.
Outlier – akcja in-out – wynika z chęci zdobycia nowych konsumentów nową gamą produktową na półce, tj. produkt jednorazowy, który może po wysokiej sprzedaży stać się produktem całorocznym.
Należy zadać pytanie, jak obserwować outliery, jak się ich nauczyć, aby przewidzieć wcześniej ich wystąpienie. Pytanie to istotne jest dla przedsiębiorstw produkcyjnych, które posiadają w swojej szerokiej gamie produktowej wyroby całoroczne, sezonowe, in-out, a występuje u nich ograniczenie mocy produkcyjnej.
Outliery w historii sprzedaży powinny być zastępowane wartościami uśrednionymi. Można to zrobić za pomocą dwóch metod: poprzez ręczne zastępowanie outlierów – manualne wyliczenie wartości uśrednionych i korektę historii braną do wyliczeń prognoz; lub wykorzystanie uczenia maszynowego i mechanizmów autodetekcji outlierów, jeśli nie jest możliwe ich oflagowanie.
Uruchomienie metody uczenia się maszynowego i mechanizmów autodetekcji może nastąpić w przedsiębiorstwie w dwóch etapach. W pierwszym, uruchomiona zostaje część prognostyczna, a w drugim część optymalizacyjna (rekomendacje zatowarowania magazynu dystrybucyjnego).
Prognozowanie popytu statystycznego generowane może być per każdy indeks stockowy w gradacji tygodniowej i miesięcznej, a prognozy dla produktów niestockowych mogą być wprowadzane do systemu w formie prognozy eksperckiej. Prognozy statystyczne są wówczas agregowane na poziomie poszczególnych hierarchii grup asortymentowych i mogą być zastępowane wartościami prognozy tj. prognozami eksperckimi uwzględniającymi dane z rynku (nowi klienci, duże zamówienia itp.) w tych tygodniach, w których dostępna byłaby informacja rynkowa.
Do generowania prognoz statystycznych można wykorzystać też mechanizm automatycznej detekcji outlierów, który z czasem może być zastępowany i/lub uzupełniany flagowaniem outlierów w historii sprzedaży, tj. podawaniem informacji o promocjach, jednorazowych dużych zamówieniach, sytuacjach out-of-stock (w zależności od tego, czy dane te będą dostępne).
Należy wykorzystać funkcjonalność wpływu dni kalendarzowych na popyt, bazując na dostępnym w systemie wykazie tych dni i podaniu wartości (okres piku sprzedaży i spadku). Ponadto trzeba zdefiniować sytuacje niestandardowe, jak na przykład inwentura roczna, czy postój letni działów produkcyjnych.

.

Korzyści biznesowe z uruchomienia modułu prognostycznego w różnych obszarach

Dział Sprzedaży . Automatyczne generowanie statystycznych prognoz popytu z wykorzystaniem uczenia maszynowego dla wszystkich indeksów stockowych oraz możliwość wprowadzania prognoz eksperckich dla indeksów niestockowych
Tygodniowa aktualizacja prognoz w oparciu o tygodniową aktualizację sprzedaży
Możliwość porównania planów sprzedaży do prognoz  
Dział Logistyki Jak wyżej, co stanowiłoby bazę do wyliczania zapotrzebowania na zatowarowanie magazynu dystrybucyjnego (po uruchomieniu części optymalizacyjnej proces ten byłby zautomatyzowany)  
Dział Produkcji Jak wyżej, co stanowiłoby bazę do zasilenia systemu planistycznego pod kątem zbudowania optymalnych planów i harmonogramów produkcji  
  Dział Zakupów   Prognoza długoterminowa pozwalałaby na przygotowanie planów zakupowych z odpowiednim wyprzedzeniem co przy braku uruchomionego mechanizmu MRP powinno znacząco pomóc w zapewnieniu dostępności surowców i komponentów produkcyjnych  
Wszystkie działy   Możliwość pracy na uzgodnionych planach sprzedaży    
Ryc. 1. Etapy wdrożenia modelu prognostycznego uwzględniające: dane historyczne, dni kalendarzowe, outliery

Test dla autodetekcji i zastępowania outlierów

W ramach kilku testów porównawczych na danych uzyskanych od klientów, okazało się, że wykorzystanie mechanizmu autodetekcji outlierów i ich zastępowania pozwoliło na znaczną poprawę trafności prognoz w odniesieniu do wszystkich produktów (średnio była to poprawa na poziomie 7%) oraz na lepsze dopasowanie statystycznego zapasu bezpieczeństwa do fluktuacji popytu, co przekładało się na niższy poziom zapasu przy zachowaniu wymaganej dostępności towaru.
Efekt dni kalendarzowych oznacza zwykle okresowy wzrost sprzedaży występujący przed i/lub w trakcie określonej daty w roku oraz zwykle spadek sprzedaży po tej dacie. Przykładami są święta ustawowe, takie jak Boże Narodzenie, Wielkanoc; święta zwyczajowe np. Walentynki, Dzień Kobiet, czy coroczne wydarzenia handlowe, jak np. Black Friday.
Przy pełnym wdrożeniu schematu prognostycznego, który zakłada detekcje outlierów, należy uwzględnić dni kalendarzowe, ponieważ jest wiele świąt i corocznych wydarzeń handlowych, które mają charakter ruchomy np. Wielkanoc, co stanowi nie lada wyzwanie dla prognozowania.
Efekt dni kalendarzowych może występować zarówno w trakcie samego wydarzenia (typowe dla sieci detalicznych np. Black Friday), jak i przed nim (typowe dla dystrybutorów i producentów). Dlatego do dni kalendarzowych przypisuje się okres, w jakim występuje okresowy wzrost sprzedaży przed i/lub w trakcie wydarzenia, a także leady – czas, w którym występuje okresowy spadek sprzedaży po wydarzeniu.
W prognozowaniu musi być uwzględniony wpływ dni kalendarzowych w historii sprzedaży. Istnieją dwie możliwe metody:
• ręczna analiza wpływu dni kalendarzowych – manualne wyliczenie wartości wzrostu popytu i jego spadku zgodnie ze wzorcem popytowym,
• wykorzystanie uczenia maszynowego do uwzględnienia wpływu dni kalendarzowych na popyt – automatyczna detekcja wydarzeń i odpowiednie odzwierciedlenie we wzorcu popytowym.

Ryc. 2. Dojrzałość a trafność decyzji
Podsumowanie

Każde przedsiębiorstwo w obecnych warunkach rynkowych musi być świadome wzrostu zmienności zachowań i potrzeb konsumentów, nieprzewidywalności rynku lokalnego oraz światowego, który staje się wrażliwy na wpływy globalne mogące zmienić profil produkcyjny lub sam wytwarzany produkt. Rynek globalny, który będzie wywierał coraz większą presję na producentów, wymusi większą elastyczność, konieczność szybkiego reagowania na zmienne potrzeby. Należy ciągle doskonalić algorytmy prognostyczne oparte na detekcji outlierów. Do tego niezbędna jest transparentność danych prognostycznych, niezbędnych do zwiększenia świadomości prowadzonych strategicznych procesów, które mają wpływ na rentowność i rozwój przedsiębiorstwa.

Artykuł ukazał się w czasopiśmie Eurologistics nr 6/2020.

Poleć ten artykuł:

Polecamy