Strategische Supply Chain Forecasting für Hersteller

Einführung

In der modernen Lieferkette sind Prognosen für Unternehmen erforderlich, die Artikel für den Lagerbestand herstellen und die nicht auf Bestellung gefertigt werden. Hersteller werden Materialprognosen verwenden, um sicherzustellen, dass sie das Material produzieren, das ihre Kunden zufrieden stellt, ohne eine Überkapazitätssituation zu erzeugen, in der zu viel Inventar produziert wird und im Regal verbleibt.

Ebenso darf die Prognose nicht unterschritten werden und der Hersteller findet sie ohne Lagerbestand zur Erfüllung der Kundenaufträge.

Die Kosten für die Nichteinhaltung einer genauen Prognose können finanziell katastrophal sein.

Prognosen können entweder sein:

• Statistisch
• Nichtstatistisch

Prognosen werden für die Fertigwaren, Komponenten und Serviceteile eines Unternehmens erstellt. Die Prognose wird vom Produktionsteam verwendet, um Produktions- oder Bestellauslöser, Mengen und Sicherheitsbestände zu entwickeln.

Die Prognose ist nicht statisch und sollte vom Management regelmäßig überprüft werden. Dadurch soll sichergestellt werden, dass Informationen über zukünftige Trends, die interne oder externe Umgebung, in die Prognose einbezogen werden, um eine genauere Berechnung zu ermöglichen.

Statistical Forecasting

Bei Software für das Supply Chain Management ist die Prognose eine Berechnung, die Daten aus Echtzeittransaktionen erhält und auf einem Satz von Variablen basiert, die für eine Reihe statistischer Prognosesituationen konfiguriert sind.

Planungsfachleute müssen die Software verwenden, um die bestmögliche Prognose zu gewährleisten, und oft wird dies ohne Überprüfung für lange Zeiträume ignoriert.

Um die Prognosetechniken in der Supply-Chain-Software optimal nutzen zu können, sollten Planer ihre Entscheidungen in Bezug auf die interne und externe Umgebung überprüfen.

Sie sollten die Berechnung anpassen, um eine genauere Prognose basierend auf den aktuellen Informationen, die sie haben, bereitzustellen.

Statistische Prognosen sind die besten Schätzungen dessen, was in Zukunft auf der Grundlage der in der Vergangenheit aufgetretenen Nachfrage geschehen wird.

Historische Bedarfsdaten können verwendet werden, um eine Prognose unter Verwendung einer einfachen linearen Regression zu erzeugen. Damit wird die Nachfrage der historischen Zeiträume gleich gewichtet und die Nachfrage in die Zukunft projiziert.

Die Prognosen geben heute jedoch mehr Gewicht auf die jüngeren Nachfragedaten als die älteren Daten. Dies wird als Glättung bezeichnet und wird erzeugt, indem den jüngsten Daten mehr Gewicht beigemessen wird. Exponentielle Glättung bezieht sich auf eine immer stärkere Gewichtung der jüngeren historischen Perioden. Daher hat ein Zeitraum vor zwei Monaten eine größere Gewichtung als vor sechs Monaten.

Alpha-Faktor

Die Gewichtung wird als Alpha-Faktor bezeichnet, und je höher die Gewichtung oder der Alpha-Faktor ist, desto weniger historische Perioden werden zum Erstellen der Prognose verwendet.

Beispielsweise gibt ein hoher Alpha-Faktor eine hohe Gewichtung für die letzten Zeiträume an, und die Nachfrage aus Zeiträumen vor einem oder zwei Jahren wird so leicht gewichtet, dass sie keinen Einfluss auf die Gesamtprognose haben. Ein niedriger Alpha-Faktor bedeutet, dass historische Daten für die Prognose relevanter sind.

Historische Perioden enthalten im Allgemeinen Bedarfsdaten eines festen Monats, d.h. e. Juni oder Juli. Dies führt jedoch zu Fehlern in der Berechnung, da einige Monate mehr Tage als andere Monate haben und die Anzahl der Arbeitstage variieren kann.

Einige Unternehmen nutzen die tägliche Nachfrage, um diesen Fehler zu verringern. Wenn der Prognostiker den Fehler versteht, können monatliche historische Zeiträume zusammen mit einem Tracking-Indikator verwendet werden, um festzustellen, wann die Prognose erheblich von der tatsächlichen Nachfrage abweicht. Der Pegel, auf dem das Verfolgungssignal die Abweichung kennzeichnet, wird von dem Prognostiker oder der Software bestimmt und variiert zwischen Industrien, Firmen und Produkten.

Eine kleine Abweichung kann einen Eingriff erfordern, wenn das prognostizierte Produkt einen hohen Wert hat, während ein niedriger Wert möglicherweise nicht erfordert, dass die Prognose auf ein so hohes Niveau geprüft wird.

Nichtstatistische Prognosen

Nicht statistische Prognosen werden in Supply-Chain-Management-Software gefunden, bei der die Nachfrage auf der Grundlage der von den Produktionsplanern bestimmten Mengen prognostiziert wird.

Dies geschieht, wenn der Planer eine subjektive Menge eingibt, von der er glaubt, dass die Nachfrage ohne Bezugnahme auf die historische Nachfrage ausfällt.

Die andere nichtstatistische Prognose, die auftritt, ist, wenn die Nachfrage nach einer Position auf den Ergebnissen der Materialbedarfsplanung (MRP) basiert.

Dies nimmt die Nachfrage nach dem Endprodukt auf und löst die Stückliste auf, so dass eine Nachfrage für die Einzelteile berechnet wird. Der Komponentennachfrage kann dann durch den Planer basierend auf ihrer Bewertung und Kenntnis der aktuellen Umgebung geändert werden.

Die resultierende Prognose basiert auf der aktuellen Nachfrage und enthält keine Nachfrage aus früheren Perioden. Viele Unternehmen verwenden eine Kombination aus nichtstatistischen und statistischen Prognosen für ihre gesamte Produktlinie.

Die statistische Prognose basiert auf komplexen Berechnungen und der zukünftige Bedarf kann auf der Grundlage der Nachfrage aus historischen Perioden ermittelt werden.

Die Prognose gibt dem Planer einen Leitfaden für die zukünftige Nachfrage, aber keine Prognose ist absolut zutreffend und die Erfahrung und das Wissen des Planers über das gegenwärtige und zukünftige Umfeld sind wichtig, um die zukünftige Nachfrage nach den Produkten eines Unternehmens zu bestimmen.

Dieser Artikel wurde von Gary Marion, Experte für Logistik und Supply Chain für The Balance, aktualisiert.