Demand forecasting, der ender i en indkøbsordre

Demand forecasting tæller først, når indkøbsordren ændrer sig

Kig på jeres salgsprognose. Ligger den i et regneark, som controlleren opdaterer hvert kvartal til budgettet, er det en budgetprognose. Indkøberen bestiller imens efter mavefornemmelse, sidste års tal og minimumsbeholdningen i ERP.

Demand forecasting i drift er noget andet. Det er en efterspørgselsprognose pr. vare, pr. lager og pr. uge, som går direkte ind i genbestillingen. Får prognosen ret, står varen på hylden i kampagneugen. Tager den fejl, skal I kunne se det inden for få uger og rette den.

Spørg ikke, hvor præcis modellen er. Spørg, hvor mange indkøbsordrer den ændrede sidste måned, og om lageret blev mindre uden flere udsolgte varer.

Hvordan kan AI forudsige efterspørgsel?

En AI-model til demand forecasting lærer af jeres historik, ligesom en erfaren indkøber gør. Forskellen er, at den kan holde 8.000 varenumre i hovedet på én gang og regne de signaler med, som et regneark lader ligge.

Dagene uden lager er dem, de fleste glemmer. Solgte I nul stk. i tre uger, fordi varen var udsolgt, lærer en naiv model, at ingen ville have den. Modellen skal vide, at efterspørgslen var der, og at hylden var tom.

Modellen giver et interval frem for et enkelt tal: 340 stk., og 80 % sikkerhed for, at det bliver mellem 290 og 410. Intervallet bestemmer jeres sikkerhedslager, og det er her, pengene ligger.

Detail og engros forudsiges forskelligt

I detail kommer de største fejl fra kampagner. Marketing planlægger 30 % på udvalgte varer i uge 47, og indkøb hører om det, når varen er udsolgt. Når kampagneplanen ligger i hjernen, ved prognosen det seks uger før. Hvor meget en kampagne faktisk løfter salget, ser I under kampagneanalyse.

I engros er det kunderne, der flytter tallene. Her slår et tal fra sælgeren ofte en model, og det rigtige svar er at bruge begge: modellen laver bunden, sælgeren justerer de største kunder.

Fra prognose til indkøbsordre før kl. 9

Mikkel bruger 25 minutter på de 13 sager, der kræver en indkøber. Halveringen af gasflasker er hans egen viden: leverandøren har varslet en prisstigning, som ingen model kender. Han skriver det i agentens note, og næste mandag regner agenten med det.

Når en leverandør ikke bekræfter ordren, tager leverandørstyringen over. Hvor meget I bør have på lager af hver vare, er et emne for lageroptimering.

Hvad Business Central selv kan forudsige

Business Central har udvidelsen Sales and Inventory Forecast. Den bruger Azure AI til at forudsige salg ud fra jeres historik og viser varer, der er ved at løbe tør. I Business Central online er forbindelsen til Azure AI sat op på forhånd. Prøv den, før I køber andet.

• Prognosen er samlet for alle lokationer og varianter. Har I flere lagre eller butikker, skal I selv fordele tallet.
• Microsoft anbefaler prognoser pr. måned med 12 måneders horisont. En kampagne i én bestemt uge forsvinder i månedstallet.
• Er der for lidt data, eller svinger salget meget, laver tjenesten ingen prognose.
• Kampagneplaner, udsolgte dage og sælgerens viden kommer ikke med.

Genbestillingen kan Business Central allerede. En behovsprognose kan ligge pr. lokation og pr. uge, planlægningskladden regner den med som behov, og forslagene bliver til indkøbsordrer, når indkøberen udfører aktionsmeddelelserne. Det, der mangler, er gode tal i prognosen. En prognoseagent erstatter hverken planlægningen eller indkøberen. Den skriver en bedre prognose pr. vare, lager og uge ind i den planlægning, I har, og lægger de usikre forslag til indkøberen.

Sådan laver I en salgsprognose, indkøberen kan bruge

I kan starte uden en agent. Sådan bygger vi en prognose fra bunden.

1. Vælg niveauet

   Prognosen skal ligge på det niveau, I bestiller på. Bestiller I pr. vare og lager hver uge, nytter en månedsprognose pr. varegruppe ikke indkøberen.

2. Rens historikken

   Marker udsolgte dage, kampagner og engangsordrer. Uden den rensning lærer prognosen af jeres fejl.

3. Lav en dum prognose først

   Samme uge sidste år, justeret for trenden. Det er den, en model skal slå. Kan den ikke det, er modellen ikke pengene værd.

4. Mål fejlen hver uge

   Følg både den gennemsnitlige fejl og skævheden. En prognose, der altid ligger 10 % for højt, fylder lageret, selv om fejlen ser lille ud.

5. Lad indkøberen rette

   Gem hver rettelse med en begrundelse. Efter et kvartal kan I se, hvem der rammer bedst, modellen eller mavefornemmelsen.

Når en prognosemodel ikke betaler sig

Har I 300 varer, korte leveringstider og en indkøber, der kender dem alle, er en model sjældent besværet værd. Det samme gælder varer, der kun sælges på ordre, og nye kollektioner uden historik. Dér er indkøberens vurdering prognosen.

Demand forecasting betaler sig, når I har tusindvis af varer, flere lagre, lange leveringstider fra Asien eller kampagner, der flytter salget med en faktor tre.

Start med at måle jeres nuværende prognose

På første møde, som er gratis, ser vi på jeres sortiment, jeres lagre og hvor ofte I løber tør. I afklaringen taler vi med indkøberne og måler, hvor godt jeres nuværende prognose rammer. Den ender i en business case med fast pris, aftalt før vi går i gang.

Første løsning bygger vi med jeres team, i jeres cloud, på jeres egne salgsdata. Indkøbschefen ejer agenten og reglerne for, hvad den må sende selv. Når I åbner et nyt lager, lægger jeres team det selv ind i prognosen uden os.