撰写者 下午4:10 未分类

事情已经改变:我们现在要做什么?

本周,我采访了 泰拉科技,这是他们关于卓越预测的第四次基准研究的结果。对于那些不喜欢这项工作的人,请允许我给我一个序言。我认为,Terra Technology所做的工作是业内预测的基准数据的两个准确来源之一。另一个是Chainalytics的需求基准测试。

业内有许多预测基准研究,但大多数都有悲剧性的缺陷。大多数预测基准测试的问题是数据是自报告的。需求计划流程缺乏标准化,可疑的自我报告数据。

研究背景

十一家跨国消费品公司参加了这项研究。它们庞大而重要,年销售额总计2300亿美元。

复杂性升级。 公司想要成长。新产品发布和贸易促销的成功对实现这一目标至关重要。但是,新产品和贸易促销活动的增加使预测的任务比四年前更加艰巨。在这项研究中,新产品占总出货量的17%。在过去三年中,新产品的出货量增长了10%。再加上季节性和促销商品的增加。传统的预测流程可以很好地支持周转量或基准产品的预测,但不适用于新产品,季节性产品和促销产品。新产品和促销品的周转量偏差为4-5倍。供应链中长尾的产品的平均误差为70%MAPE,偏差为15%。

图1。

  • 在欧洲更加艰难。 在欧洲供应链中,偏见和错误都较高。北美的平均MAPE为36%,而欧洲的平均MAPE为45%。欧洲预测与北美的平均偏差比北美高2%。
  • 卓越的流程帮助。 预测增值(FVA)分析越来越受欢迎。这种持续改进过程的使用对领导者的偏见和错误产生了重大的重大影响。该研究中表现最好的人的平均MAPE为46%,使用FVA和其他技术可以将偏差从7%降低到2%。
  • 技术需要改变。 此外,使用统计信息来代替基于规则的消费(通常称为“demand sensing”),如图1所示,将仓库一级的预测需求误差降低了33%。

我的看法:

如果增长对您的业务很重要,那么您将无法像十年前那样管理需求计划流程。我的建议是:

  • 使用FVA: 积极实施预测增值(FVA)流程。
  • 由内而外。认真考虑需求建模。市场上的许多预测系统只是不具备面对这种复杂性所需的建模类型的深度。重新实现传统的预测系统进行建模“what is to be sold”使用基于属性的建模。积极整合多个需求流(下游数据,仓库提货数据和市场情报)。
  • 灵活地管理属性以帮助建模。 根据市场属性管理历史记录并积极地从“SKU-based modeling” to an “基于属性的模型” based on attribute-based views of history. Synchronize and harmonize downstream data using an 基于属性的模型.
  • 建立全球卓越。 仔细定义区域的角色以及全球团队在减少偏见和错误中的角色。积极使用FVA改进和调整全局建模。
  • 实施需求感知。成功实施需求感知以改善仓库配送中心预测的公司在两年内将资产负债表上的库存减少了10%。我看不到多层库存项目的相同结果。

我期待着您的想法。