Lue PDF-versio

Kirjoittaja: Johanna Småros
Johtaja, Skandinavia
johanna.smaros@relexsolutions.com

Valmistavissa yrityksissä menekkiennusteet ohjaavat hankintaa, tuotantoa, varastoja ja  kapasiteettia. Tämän takia ennustetarkkuudella on suuri vaikutus sekä toiminnan taloudellisuuteen että asiakkaiden kokemaan palvelutasoon. Useat yritykset ovatkin  panostaneet ennustetarkkuuden nostamiseen. Monesti tämä on tarkoittanut  ennustamiseen käytettävän ajan moninkertaistumista – ennusteita pohditaan enemmän,  niitä päivitetään tiheämmin ja ennusteita tehdään tarkemmalla tasolla ja pidemmälle  tulevaisuuteen kuin aikaisemmin. Ennustetarkkuuden parantaminen ei kuitenkaan  välttämättä vaadi ennustamiseen käytettävän työmäärän kasvattamista. Vanhan sanonnan  mukaan viisas pääsee vähemmällä. Tämä pätee myös kysynnän ennustamiseen!

Mikä ennustamiseen käytetyn ajan tuotto on?

Menekin ennustaminen kuormittaa yrityksen asiantuntijoita. Ajalle, jonka asiantuntijat  käyttävät ennustamiseen pitäisikin saada mahdollisimman hyvä tuotto. Tuoton pitää olla  ainakin yhtä hyvä tai mielellään parempi kuin jos myyntipäällikkö käyttäisi vastaavan ajan myyntiponnisteluihin tai suunnittelupäällikkö käyttäisi vastaavan ajan vaikkapa  sesonkituotteiden tuotannon ajoittamiseen.

Asiantuntijan erityisosaamista tarvitaan ennustamisessa tietyissä tilanteissa, mutta iso osa ennustamistyöstä on rutiininomaista puurtamista, joka voidaan tehdä tehokkaamminkin kuin pistämällä myynti- tai suunnittelupäällikkö syöttämään ennustelukuja taulukon soluihin. Laskennallisten ennustemallien avulla voidaan valjastaa tietokone tekemään pohjatyö ihmisen puolesta, mikä nostaa ennustamisen tuottavuutta vähentämällä ennustamisen vaatimaa aikaa ja nostamalla ennustetarkkuutta. Rutiinien automatisointi kehittää samalla myös ennustamistyön mielekkyyttä.

Milloin laskennallisesta ennustamisesta on hyötyä?

Laskennallisesta ennustamisesta on sitä enemmän hyötyä mitä enemmän ennustettavia nimikkeitä on ja mitä tarkemmalla tasolla niiden menekkiä ennustetaan. Kun ennustettavien kohteiden määrä on iso, ennusteita tekevä asiantuntija ei pysty käymään kaikkia nimikkeitä läpi kovinkaan tarkasti, jolloin ennustetarkkuus kärsii tai hän joutuu käyttämään ennustamiseen paljon aikaa, mikä heijastuu kielteisesti hänen muihin työtehtäviinsä. Tietokone sen sijaan pystyy käymään läpi kaikki ennustettavat nimikkeet kaikilla ennustettavilla tasoilla viikoittain tai vaikka päivittäin, tehokkaasti, tarkasti ja väsymättä.

Laskennalliset ennustemallit perustuvat oletukseen että tulevaisuus on luettavissa menneisyydestä, minkä takia laskennalliset mallit purevat kaikkein parhaiten toistuviin tilanteisiin, kuten kausiin, sesonkeihin, trendeihin ja kampanjoihin. Tilanteiden ei kuitenkaan tarvitse toistua täsmälleen samanlaisina vuodesta toiseen jotta malleista olisi hyötyä. Laskennalliset ennustemallit pystyvät tehokkaasti huomioimaan esimerkiksi trendin loiventumisen ajan myötä tai vaikkapa kasvun tai laskun kausituotteen peruskysynnässä.

Milloin ennustamiseen tarvitaan asiantuntijan panosta?

Laskennalliset ennustemallit ovat vahvoilla kun menekissä on toistuvia piirteitä, mutta täysin uudenlaisissa tilanteissa ennustamisessa tarvitaan usein asiantuntijan osaamista. Tällaisia tilanteita ovat esimerkiksi uuden tuotteen lanseeraus, uudenlaisen kampanjan toteutus tai merkittävä muutos markkina- tai kilpailutilanteessa.

Tehokas tapa yhdistää molempien lähestymistapojen parhaat puolet on käyttää laskennallisia ennustemalleja pohjaennusteen laskemiseksi ja käyttää asiantuntijan osaamista pohjaennusteen muokkaamiseen tarvittaessa. Laskennallisia ennusteita kannattaa kuitenkin muokata vain perustellusta syystä. Tutkimuksissa on havaittu, että asiantuntijoiden korjaukset yleensä tuovat lisää tarkkuutta vain silloin kun ennusteeseen tehdään merkittäviä muutoksia, eli silloin kun asiantuntijalla on jotain sellaista tietoa mitä historiasta ei löydy tai ennustemalli ei pysty hyödyntämään. Pienet korjaukset, erityisesti ylöspäin sen sijaan usein vain heikentävät ennustetarkkuutta.1

Jonkin verran ihmispanosta tarvitaan myös ennusteiden seurannassa ja ennustemallien ylläpidossa. Ennustelaskennan hallintaan tarvittava työmäärä voidaan kuitenkin hyvällä järjestelmätuella puristaa varsin pieneksi. Toimenpiteitä edellyttävät tilanteet, kuten tuotteen heikentynyt ennustetarkkuus tai voimakas muutos tuotteen menekissä, voidaan automaattisesti havaita ja nostaa esille käyttäjän tarkistettavaksi. Hyvä järjestelmä pystyy myös tunnistamaan ja ehdottamaan kullekin nimikkeelle sen kysyntään parhaiten sopivaa ennustemallia ja -parametreja.

Mitä hyötyä laskennallisella ennustamisella saadaan?

Laskennallisella ennustamisella on saavutettavissa kolmenlaisia hyötyjä:

  1. Tehokkuus: Laskennallinen ennustaminen poistaa rutiinityötä yrityksen asiantuntijoilta. Vapautunut aika voidaan käyttää myyntiin ja erilaisten erikoistilanteiden, kuten tärkeiden uutuuslanseerausten hallintaan.
  2. Tarkkuus: Laskennalliset ennustemallit hyödyntävät jatkuvasti kaikkea saatavilla olevaa tietoa nimikkeiden toteutuneesta menekistä ja päivittävät ennusteita säännöllisesti ja objektiivisesti. Usein tämä tarkoittaa nopeampaa reagointia kysyntämuutoksiin, vähemmän ylilyöntejä ennusteiden korjaamisessa ja tätä kautta tarkempia ennusteita.
  3. Jatkuvuus: Asiantuntijoiden tekemien ennusteiden laatu vaihtelee henkilöittäin ja niihin liittyy myös riski, että asiantuntija vaihtaa työtehtäviä, jolloin ennustetarkkuus tyypillisesti heikkenee kunnes korvaava henkilö on päässyt työhön sisälle. Laskennallisten ennusteiden avulla voidaan varmistaa, että ennusteita tuotetaan ja että niiden laatu on ainakin hyvällä, vaikkakaan ei välttämättä erinomaisella tasolla, kaikissa tilanteissa.

Miten tästä eteenpäin?

Meillä RELEXissä on kokemusta useiden yritysten ennusteprosessien kehittämisestä. Olemme yhdessä asiakkaittemme kanssa menestyksekkäästi työstäneet niin myynnin suunnittelu- ja ennustamisprosesseja kuin laskennallisten ennustemallien käyttöä. Ota ensimmäinen askel kohti parempaa ennustamista ottamalla yhteyttä: mikko.karkkainen@relexsolutions.com tai 050 596 2322. Tunnin tapaaminen riittää yrityksesi tilanteen läpikäymiseksi ja ensimmäisten askeleiden määrittämiseksi!

 

1 Fildes, R., Goodwin, P., Lawrence, M., Nikolopoulos, K., (2009), “Effective forecasting and judgmental adjustments: an empirical evaluation and strategies for improvement in supply-chain planning”, International Journal of Forecasting