撰稿人 下午 4:10 未分类

事情发生了变化:我们现在做什么?

本周我采访了 Robert Byrne,创始人 大地科技,关于他们关于卓越预测的第四次基准研究的结果。对于那些不遵循这项工作的人,让我做一个序言。在我看来,Terra Technology 所做的工作是行业预测基准数据的两个准确来源之一。另一个是 Chainalytics 需求基准测试。

业内有很多预测基准研究,但大多数都有一个悲剧性的缺陷。大多数预测基准的问题在于数据是自我报告的。需求规划流程缺乏标准化,自我报告的数据令人怀疑。

研究背景

11 家跨国消费品公司参与了这项研究。它们规模庞大且意义重大,年销售额总计 2300 亿美元。

复杂性升级。 公司想要发展。新产品发布和贸易促销的成功对于实现这一目标至关重要。然而,新产品和贸易促销的增加使得预测任务比四年前更加艰巨。在研究中,新产品占总出货量的 17%。新产品出货量在过去三年中增长了 10%。这与季节性和促销商品的增加相结合。传统的预测流程很好地支持周转量或基准产品的预测,但不太适合新产品、季节性产品和促销产品。新产品和促销商品的转向量偏差是 4-5 倍。供应链长尾产品的平均误差为 70% MAPE 和 15% 偏差。

图1。

  • 在欧洲更严格。 欧洲供应链中的偏差和错误都更高。北美的平均 MAPE 为 36%,而欧洲的平均 MAPE 为 45%。与北美相比,欧洲预测的平均偏差增加了 2%。
  • 流程卓越有帮助。 预测附加值 (FVA) 分析越来越受欢迎。使用这种持续改进过程对领导者的偏见和错误产生了重大影响。研究中表现最好的人的平均 MAPE 为 46%,使用 FVA 和其他技术将偏差从 7% 降低到 2%。
  • 技术需要改变。 此外,使用统计数据代替基于规则的消费(通常称为“需求感知”)将仓库级别预测的需求误差降低了 33%,如图 1 所示。

我的看法:

如果增长对您的业务很重要,您就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。
  • 由外而内.认真对待需求建模。市场上的许多预测系统都没有足够的深度来进行面对这种复杂性所需的建模类型。重新实施传统的预测系统,使用基于属性的建模对“要销售什么”进行建模。积极整合多个需求流(下游数据、出库数据、市场情报)。
  • 灵活管理属性以帮助建模。 根据市场属性管理历史,并积极地从“基于 SKU 的建模”转变为基于基于属性的历史视图的“基于属性的模型”。使用基于属性的模型同步和协调下游数据。
  • 打造全球卓越。 仔细定义区域和全球团队在减少偏见和错误方面的作用。积极使用 FVA 来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进仓库 DC 预测的公司已在两年内将资产负债表上的库存减少了 10%。我没有从多层库存项目中看到相同的结果。

我期待着得到你的想法。

 

 

关闭