“如何在没有复杂算法的情况下提高预测指标和流程?”

How to improve prediction metrics and processes without complex algorithms?

发展描述性分析可以帮助识别改进需求规划指标和流程效率的重点领域

Photo by Lukas Blazek on Unsplash

介绍

需求规划是整合业务规划(IBP)过程的前沿。该阶段的结果是其他阶段(例如供应规划、生产规划)的基础。该阶段通常以根据历史销售生成统计预测并将其与销售输入相结合得出初始基准预测开始。在与销售和营销利益相关者审查和协调后,该预测会经过细化以形成共识预测。在IBP的这个阶段,我们通常跟踪预测准确性和偏差作为关键绩效指标(KPIs)。供应链、销售和营销团队可能会花费大量的时间、精力(和金钱)来确保预测准确,往往会投资于昂贵的预测工具。尽管拥有一套先进的算法来提高预测准确性无疑是有帮助的,但从历史销售和预测数据中得出的描述性分析也可以帮助简化需求规划流程并增强KPIs。

为什么我们需要这样的分析?

总体而言,分析有两个主要目的:

1)它们有助于识别改进KPIs的机会

2)它们有助于识别存在低效的流程步骤

例如,将每个产品和客户的销售预测准确性与统计预测准确性进行比较,可以帮助了解在花费时间收集销售输入产生比系统生成的统计预测更准确结果的地方。销售团队可以专注于这些特定项目,节省时间和精力,同时产生更好的预测。

分析还有助于向高层领导传达明确的可行性行动事项。与试图理解晦涩的KPI数据相比,分析突出显示需要改进的特定领域以及可以从整个业务中借鉴经验的高绩效实体。这在获得管理层支持朝着具体的、可实现的目标努力方面非常有效。

设计分析

较为直观的方法之一是查看需求规划过程的各个组成部分(图1),并为每个子过程开发描述性分析。

图1. 需求规划过程

* 本文中的所有图片(除非另有说明)均由作者提供

首先,我们分析历史销售并清理异常值。在统计预测生成步骤中,使用经过异常值调整的历史销售数据生成基于系统的预测。在下一步中,销售团队收集客户反馈或提供其对需求的估计,这成为销售预测。需求经理使用分析仪表板分析统计和销售预测以及历史销售和特殊事件信息,以得出基准预测。在一个经常性的会议(通常是每月或每周)中,销售、营销和供应规划团队的利益相关者对基准预测进行审查和协调,以达成共识预测。所有利益相关者在此会议上审查分析结果,以确定专注的行动事项。在讨论后,将供应限制(如果有)纳入预测中,以得出最终预测。

在实施分析之前,决定其细化程度至关重要。组织内的不同业务部门可能会以不同的产品和客户层次进行需求、供应和物流规划。根据制造设置的不同,产品规划可以在SKU、产品系列(或其他)级别进行。根据帐号设置方式的不同,客户规划可以在客户级别或市场细分级别等进行。与为每个单独实体开发和展示描述性分析相比,开发选择想要查看分析和洞察力的级别的灵活性可能是值得的。分析设计还受到我们希望改进的KPIs的影响。在本文中,我们将重点关注基于体积的描述性分析,应该有助于改进加权平均绝对百分比误差(MAPE)作为预测准确性的指标。

分析模板

在本节中,我们将讨论使用预测和历史销售(实际销售)进行计算的描述性分析。需要注意的是,所有预测和实际销售都是根据所选择的粒度进行的。下面的可视化中选择的粒度(产品和客户层次结构、历史时间段、预测类型等)只是示例,可以根据业务设置进行更新。每个可视化的顶部都有蓝色的下拉框,用户可以在其中选择多个项目(Display Entity除外,该项只能选择一个实体)。显示实体是分析可视化的级别。时间段表示进行分析的最近过去时期(在本节示例中以月为单位)。

I. 需求规模和变异性

图2. 需求规模和变异性

在图2中,我们显示了过去12个月的SKU级别实际销售。这以箱线图的形式展示,突出显示了历史时间段内销售的中位数、25th百分位数、75th百分位数、最小值和最大值。

洞察(s): 如图2所示的箱线图提供了历史时间段内需求规模(以中位数表示)和需求变异性(使用四分位距表示)的感觉。我们可以选择按中位数或四分位距排序,以识别出销售量最大或变异性最大的商品。

行动(s): 通常情况下,我们将预测工作集中在销售量大和变异性高的商品上,而对销售量小或变异性低的商品使用统计预测。

II. 历史销售帕累托

图3. 历史销售帕累托

在图3中,我们绘制了过去6个月每个客户的实际销售。

洞察(s): 图3中的图表按照客户的销售量从高到低依次排列。这个视图还可以计算一组客户在过去一段时间内的累计销售额。

行动(s): 往往情况下,少数客户负责大部分需求(80-20法则)。针对这些商品进行预测将获得更高的时间投资回报。

III. 持续表现不佳的商品

图4A. 预测与实际销售的偏差(原始数据)
图4B. 预测与实际销售的偏差(绝对值)

在图4A和图4B中,我们分别查看了过去6个月内SKU级别预测与实际销售的原始偏差和绝对偏差。

洞察(s): 图4A中的正偏差显示了我们持续过度预测的领域,而负偏差则突出显示了持续低估预测的商品。第二个图表(图4B)显示了我们在商品的预测时机上出错的地方(间歇性的过度和低估预测)。

行动(s): 理想情况下,我们会降低持续正偏差商品的预测值,并增加持续低估商品的预测值,除非业务情况发生了变化。对于无法准确捕捉时机的商品,我们可能希望与客户合作,了解根本原因并更好地捕捉时机。

IV. 基于预测准确度对项目进行分段

图5. 销售预测误差与统计预测误差之间的偏差

在图5中,我们展示了过去6个月内按SKU-客户组合聚合的销售预测误差和统计预测误差之间的偏差。

洞察(s):图5中的正偏差显示了销售预测在过去6个月内累积误差高于对应的统计预测。负偏差显示了销售调整使预测比统计预测更准确的地方(即,在所选时间段内,累积销售预测误差低于累积统计预测误差)。

行动(s):为了改善指标,我们将使用统计预测来处理正偏差的项目,使用销售预测来处理负偏差的实体。这再次假设业务情况保持稳定。

V. 基于最近销售的离群点

图6. 预测与最近销售的偏差

在图6中,我们研究了下个月销售预测与过去3个月平均销售的偏差。

洞察(s):图6中的正偏差显示了与最近销售相比的过度预测,而负偏差显示了预计销售远低于最近历史。

行动(s):我们需要密切审查异常值,并验证预测是否超出了范围,或者最近销售是否存在异常,并根据需要调整预测。

VI. 基于增长和季节性的离群点

图7A. 基于增长率的预测与预期销售之间的偏差
图7B. 实际和预测增长率

对于这些可视化图表,我们通常选择产品族或更高级别,因为较低级别的属性(例如SKU)可能会导致增长率的噪声。出于同样的原因,我们倾向于按季度而不是按月份查看离群值。在图7A中,我们查看了与预期Q2销售相比的销售预测偏差的产品族。Q2的预期销售仅仅是上一个可用的Q2销售和多年来Q2销售的平均增长率的乘积。在图7B中,我们深入研究了过去3年每个季度的年同比增长率(%)。

洞察(s):图7A中的正偏差显示了与预期销售相比,考虑平均年同比增长率和季节性的销售预测过度预测的地方,而负偏差显示了预计销售低于预期季节性调整的年同比增长率。在图7B中对产品族(例如PF21)进行深入分析,我们发现明年Q2的预计增长率远低于过去3年的平均Q2增长率,需要进一步审查。

行动(s):需要审查最大的偏差(正向和负向),以了解为何预测与预期增长和季节性不符,并相应地进行调整。

VII. 价格-销量离群点

图8. (归一化)价格与销量

图8中,我们绘制了产品系列PF23的标准化价格与交易量的关系图。价格使用相关投料‘Feed3’的价格进行标准化,而交易量没有进行标准化,因为我们可能没有关于整个行业需求或可比产品系列的数据。对于历史时期,使用历史价格和交易量生成散点图,而使用预测价格和交易量生成前瞻性的标准化价格和交易量预测。

洞察(s):散点图显示了不同粒度下价格(标准化)和交易量(标准化)的相关性。虽然这近似了交易量随价格变动的情况(请注意,标准化实体本身是近似值),但该图表可以帮助识别预测异常值(例如,在与(标准化)历史价格与交易量趋势进行比较时,对于给定的预测(标准化)价格,预测(标准化)交易量过高)。

行动(s):我们在预测时间段的价格与交易量图表中探索预测异常值,并审查历史业务背景和当前市场需求和供应状况,以评估异常值是否合理。如果不合理,将调整交易量或价格,使预测与历史趋势保持一致。

VIII. 随时间一致预测恶化或改善的实体

图9A. 预测与实际数据之间的偏差(原始数据)
图9B. 选定预测的最低误差项
图9C. 滞后预测与实际数据的比较

在图9A中,我们分析了过去6个月以SKU级别为单位的Lag2Final预测(在实际数据分析的月份之前2个月确定的预测)的性能。进一步地,我们还调查了在过去6个月内具有最小Lag2Final预测绝对误差的产品系列项,如图9B所示。为了了解每个项的趋势,我们在图9C中绘制了不同滞后预测与实际数据的关系。

洞察(s):从图9A中,我们可以根据误差是正还是负来识别一直被高估或低估的实体。图9B显示了在一段时间内具有选定滞后预测的最高准确性的项。我们通过图9C中的表格中的每个项进行进一步调查,以了解它相对于过去一段时间内的其他滞后预测的表现。

行动(s):我们希望减少所有滞后预测的误差,因此将重点关注所有这些预测中表现不佳的产品。另一个可行的措施是从任何感兴趣的粒度中学习一直表现最佳的滞后预测,并将其用于将来的参考。例如,如果我们从Lag3Final到Lag2Final到Lag1Final的预测变得更糟,我们可能首先要了解根本原因-如果被认为是与任何业务异常无关的预测更新不佳,我们可能会在问题的特定项之后停止更新预测。

总结

虽然我们讨论了一组关键的描述性需求计划分析,但这些并不是详尽无遗的。例如,可以在这里找到详细列表。然而,重要的是要在拥有过多和过少的分析之间进行权衡。过少的分析无法提供足够的见解,而过多的分析会消耗大量的时间和精力,从而破坏了通过例外管理的预测管理的原始目的。目标是寻找多个分析之间的一致性的见解。无论有多少分析,最终我们希望使用这些来确定需要额外关注以改善组织的需求计划流程和预测准确性的领域。

感谢阅读。希望您觉得有用。请随时发送您的评论至[email protected]。让我们在LinkedIn上连接