Løsninger & teknologi / Business Analytics

Oppfører alle kundene dine seg likt?

av Richard Horgen, Senior Advisor

Øk profitten med riktig prognosemodell på rett plass til rett tid
Med dagens nedgangstider har det blitt et stadig økende fokus på kostnadsreduksjon og det å kunne frigjøre kapital i norske virksomheter. Gode prognoser er et kraftig virkemiddel for å kunne oppnå dette.

Hovedhensikten med å prognostisere etterspørsel er å identifisere hva som er det riktige produktet på rett plass til rett tid. For modellene som benyttes til å prognostisere gjelder de samme prinsippene. Det handler i stor grad om å ha den riktige prognosemodellen allokert til rett produkt og utsalgssted, til rett tid.

Ulike produkter og markeder krever prognosemodeller som er tilpasset spesifikke etterspørselsmønstre. Ved å la prognoseverktøyet gå på autopilot med én og samme prognosemodell for alle produkter på samtlige utsalgssteder, går man glipp av et stort potensial for både kostnadsreduksjon og økt inntjeningsevne.

Hva er riktig modell å benytte?
Den beste modellen å benytte for å prognostisere etterspørsel vil variere og er veldig avhengig av datamaterialet som er tilgjengelig. Det er ikke slik at for eksempel eksponentielle glattingsmodeller gir best resultat i ethvert tilfelle, snarere tvert i mot. Alt ettersom det er sesongvariasjoner, trender, kampanjeeffekter eller helligdagseffekter som dominerer etterspørselmønsteret, så har ulike prognosemodeller varierende egnethet til å fange opp de ulike faktorene.

Det finnes ingen modell som vil være den mest egnede i enhver situasjon. Som Professor Stein Erik Grønland nevner i intervju i Logistikk og Ledelse nr.3 2009, så er det viktig å være stand til å sjekke ulike modeller opp mot de dataene man har på etterspørsel for å kunne identifisere hvilke modeller som er egnet i hvert enkelt tilfelle.

Riktig modell på rett plass
Vel så viktig som å velge riktig modell, er det å prognostisere på rett plass. Det er ikke nødvendigvis slik at den beste modellen for å prognostisere et produkts totale etterspørsel også vil være den beste for å prognostisere etterspørselen til dette produktet på tvers av alle kunder og alle geografiske lokasjoner. Lokale forskjeller kan påvirke etterspørselsmønstret slik at det kan være en fordel med egne prognoser for ulike geografiske områder. Kanskje det til og med er bedre å benytte ulike prognosemodeller på de ulike stedene, dersom etterspørselsmønsteret avviker veldig.

Et eksempel er salg av VG på Narvesen på Oslo S og på bensinstasjonen på Tjøme, hvor det mest sannsynlig er langt jevnere etterspørsel på Oslo S mens etterspørselen på Tjøme antagelig er langt mer sesongavhengig. I slike tilfeller vil bruk av samme prognosemodell for alle utsalgssteder kunne føre til at noen utsalgssteder blir oversupplert, mens andre opplever utsolgtsituasjoner selv om totalprognosen i seg selv er riktig.

Riktig modell kan variere over tid
Verden er ikke statisk og det samme gjelder etterspørsel. Produkter endrer etterspørselsmønster ut fra hvilken fase i livssyklusen de er i, markedssituasjon og lignende. Ettersom etterspørselsmønsteret endres så vil også mest egnet prognosemodell kunne endre seg over tid. Det er derfor viktig å jobbe kontinuerlig med prognosekvalitet og overvåke prognosene for å identifisere de modellene som ikke lenger klarer å gi nødvendig eller ønsket nøyaktighet.

Dersom produktspekteret er stort og selges på mange lokasjoner, vil det å etterleve prinsippene om riktig modell på rett plass til rett tid, ofte være ekstremt tidkrevende dersom man baserer seg på manuelle prognoseprosesser. Det å gå gjennom flere tusen ulike produkter for å sjekke hvilke modeller som er egnet å bruke er en tilnærmet umulig oppgave. Resultatet blir ofte at svært få modeller blir benyttet og at antall gjennomganger og tilpasninger av modellene som benyttes reduseres til kanskje bare et par ganger i året.

En mer robust tilnærming
En måte å bedre sikre at riktig prognosemodell blir benyttet på rett plass til rett tid er å automatisere så mye som mulig av prognoseprosessen. Gjennom å benytte seg av statistiske tester og metoder, kan prosessen rundt utvelgelse og tilpasning av beste modell automatiseres til en stor grad. Dette vil føre til at etterspørselsmønstrene kan testes opp mot langt flere typer modeller og man kan oppnå bedre totalresultater, samtidig som den manuelle arbeidsbelastningen reduseres. Tiden som spares benyttes på å identifisere og jobbe med modellene til de produktene som den automatiske prosessen ikke klarer å diagnostisere korrekt.

En slik prosess vil sikre at kvaliteten på prognosene gradvis forbedres og man har dermed en mer robust tilnærming til å ta ut det potensialet som ligger i forbedrede prognoser.

Muligheter med SAS® Analytics

Data and Text Mining - Finn tidligere skulte mønstre i store mengder data og tekst, og bruk resultaterne på tvers.
Data Visualisation - Gjør arbeidet med analyse mer umiddelbart og effektivt via en visuell "pek og klikk"-grensesnitt.
Forecasting - Med SAS® Forecasting bruker du dine historiske data til å forutsi fremtidige scenarier.
Model Management and Deployment - Gjør prosessen med å utvikle og anvende analytiske modeller strømlinjeformet.
Optimisation - Ta i bruk operations research, skjedulering og simuleringsteknikker for å oppnå optimale resultater.
Quality Improvement - Et bredt spekter av spesialiserte produkter til overvåkning og forbedring av produksjonskvaliteten.
Statistics - Les mer om SAS Institutes statistiske verktøykasse.
Content Categorization - Automatisér kategoriseringen av innhold og oppnå bedre organisering og tilgjengelighet.
Operational Reserarch - Optimer forretningsprosessene med bruk av avansert analyse.

Vil du vite mer?

Ta kontakt med våre rådgivere for å sette sammen den løsningen som er riktig for akkurat din organisasjon.
Faglig påfyll rett i mailboksen? Meld deg på vår nyhetsbrevliste.