降低预测中的缺货偏差

降低预测中的缺货偏差


首页 » 资源 » 此处

2016 年 5 月更新:Lokad 预测引擎现在对缺货提供原生支持。因此,我们的概率预测不仅能灵活处理因缺货而引入的偏差,也能根据过去的缺货已进行精确定位的假设来进行修正。

缺货不仅有损企业(因为无法服务于客户而导致失去客户忠诚度),而且缺货也会在历史需求观察值中引入偏差。因为缺货,销售量为零并不意味着需求也是零。虽然 Salescast 也不能免除这个问题,但只要使用得当,是可以极其灵活地处理这个问题的。

Image


缺货对传统预测的影响

传统(中位数)意义上的预测表明预计未来有 50% 的机会高于或低于未来需求。在观察到缺货时,由于一般不会考虑未能满足的需求,所以历史记录中将引入向下偏差

所以,基于历史数据的预测也会具有向下的偏差,因而会进一步出现缺货。

在最极端的情况下,如果未定义最小库存水平,补货过程可能会聚为冻结库存状态 ,在该种状态下,不会再记录销售 – 因为没有库存 – 库存也不会再订货。更糟的情形是预测 100% 准确:预测为 0,销售也为 0。

缺货数据整合的不足

为了修正因缺货引入的偏差,应当将缺货纳入考量范围。通过收集与过去(和现在)所有缺货相关的详细历史记录可以做到这一点。虽然这种观点看起来很有吸引力,但在实际中实施这种方法需要做出相当多的工作。

  • 大部分公司没有准确跟踪缺货。只拥有一些缺货数据并不够,而是应当拥有广泛且准确的有望改善需求预测的缺货数据。
  • 缺货(很有可能)相对少见,大部分企业只有不到 10% 的时候会发生缺货。因此,需要达到较大的营业额才能收集到足以支持对缺货进行可靠统计分析的数据。
  • 缺货的影响很复杂。缺货会导致在有替代品存在时(对不能供应的产品)拼修。还会导致有些客户推迟其需求,有时造成在产品恢复供应后出现需求“激增”。

(((在 Lokad,我们拥有丰富的缺货分析经验,为此我们甚至还设计了专门用于缺货分析的方法,经验告诉我们,如果没有至少 100 家店,那么一个类似规模的企业如果尝试通过分析历史缺货数据来处理缺货偏差是不值得的。))

分位数是一种灵活应对偏差的预测方法

分位数预测是降低因缺货引入的大部分偏差的替代性方法,这种方法更高效、更精益。简单地说,分位数用于将再订货点作为含有原生偏差的预测来计算。比方说,在服务水平为 95% 时计算的再订货点,估计其 95% 的时间将高于需求(仅 5% 的时间缺货)。

服务水平下(实际上超过 90%)的分位数预测,其表现与传统预测截然不同。从直观上说,为了计算 95% 的分位数预测,分析应侧重于前 5% 的需求极限波动情况。虽然存在历史表现中缺货如此突出,甚至所观察到的前 5% 的销售也只是“常规”需求的一小部分的可能性,但实际上一般不会发生这种情况。即便存在很明显的缺货,历史记录中最高的需求点也通常会高于平均需求。

因此,分位数预测几乎从来不会进入因缺货引入极大偏差,进而出现偏差的预测进一步导致缺货加剧的恶性循环。我们发现,对于绝大多数客户,分位数预测会促成良性循环,即分位数更为灵活地处理偏差,直接降低缺货频率,服务水平回到正轨。之后一段时间,缺货频率便会朝所定义的目标服务水平靠拢。