Strategic Supply Chain Forecasting for Manufacturers

Panimula

Sa modernong supply chain, ang pagtataya ay kinakailangan para sa mga kumpanya na gumagawa ng mga item para sa imbentaryo at hindi ginawa sa order. Ang mga tagagawa ay gagamit ng materyal na pagtataya upang matiyak na sila ay gumawa ng antas ng materyal na nakakatugon sa kanilang mga customer nang hindi gumagawa ng isang overcapacity na sitwasyon kung saan napakaraming imbentaryo ang ginawa at nananatili sa istante.

Gayundin, ang forecast ay hindi dapat magkulang at ang tagahanap ay hahanapin ang mga ito nang walang imbentaryo upang matupad ang mga order ng customer. Ang gastos ng hindi pagtupad upang mapanatili ang isang tumpak na forecast ay maaaring pinansyal sakuna.

Maaaring maging:

• Statistical
• Non-Statisical

Ang mga pagtataya ay binuo para sa mga natapos na kalakal, bahagi at bahagi ng serbisyo ng kumpanya. Ang forecast ay ginagamit ng pangkat ng produksyon upang maitaguyod ang produksyon o pagbili ng mga order na nag-trigger, dami at mga antas ng kaligtasan ng stock.

Ang forecast ay hindi static at dapat na susuriin ng pamamahala sa isang regular na batayan. Ito ay upang matiyak na ang impormasyon sa mga uso sa hinaharap, ang panloob o panlabas na kapaligiran ay isinama sa forecast upang magbigay ng mas tumpak na pagkalkula.

Statistical Forecasting

Sa supply chain management software, ang forecast ay isang pagkalkula na kinain ng data mula sa real-time na mga transaksyon at batay sa isang set ng mga variable na naka-configure para sa isang bilang ng mga istatistika forecast sitwasyon.

Ang mga propesyonal sa pagpaplano ay kinakailangan upang gamitin ang software upang magbigay ng pinakamahusay na sitwasyon ng forecast posible at madalas na ito ay iniwan walang check na walang anumang pagsusuri para sa matagal na panahon. Upang pinakamahusay na gamitin ang mga diskarte sa pagtataya sa software ng supply kadena, dapat suriin ng mga tagaplano ang kanilang mga desisyon may kinalaman sa panloob at panlabas na kapaligiran.

Dapat nilang ayusin ang pagkalkula upang magbigay ng isang mas tumpak na forecast batay sa kasalukuyang impormasyon na mayroon sila.

Ang mga pagtataya ng istatistika ay ang pinakamahusay na pagtatantya ng kung ano ang magaganap sa hinaharap batay sa pangangailangan na naganap sa nakaraan.

Maaaring gamitin ang data ng kasaysayan ng demand upang makabuo ng isang forecast gamit ang simpleng linear regression. Nagbibigay ito ng katumbas na timbang sa pangangailangan ng mga makasaysayang panahon at mga proyekto ang pangangailangan sa hinaharap.

Gayunpaman, ang mga pagtataya ngayon ay nagbibigay ng higit na diin sa mas kamakailang data ng demand kaysa sa mas lumang data. Ito ay tinatawag na smoothing at ginawa sa pamamagitan ng pagbibigay ng mas maraming timbang sa kamakailang data. Ang pagpaparami ng smoothing ay tumutukoy sa kailanman-mas mataas na weighting na ibinigay sa mas kamakailang makasaysayang panahon. Samakatuwid isang panahon ng dalawang buwan na nakalipas ay may mas mataas na weighting kaysa sa isang panahon ng anim na buwan na ang nakalipas.

Alpha Factor

Ang weighting ay tinatawag na Alpha Factor at mas mataas ang weighting, o ang Alpha factor na ang mas kaunting makasaysayang panahon ay ginagamit upang lumikha ng forecast.

Halimbawa, ang isang mataas na kadahilanan ng Alpha ay nagbibigay ng mataas na timbang sa mga huling panahon at demand mula sa mga panahon para sa isang taon o dalawang taon na ang nakakaraan ay bigat nang napakaliit na wala silang epekto sa pangkalahatang forecast. Ang isang mababang kadahilanan ng Alpha ay nangangahulugan na makasaysayang data ay mas may kaugnayan sa forecast.

Ang pangkaraniwang panahon ay karaniwang naglalaman ng data ng demand mula sa isang nakapirming buwan, ie Hunyo o Hulyo. Gayunpaman, ipinakilala nito ang error sa pagkalkula habang ang ilang buwan ay may higit pang mga araw kaysa sa iba pang mga buwan at ang bilang ng mga workday ay maaaring mag-iba.

Ang ilang mga kumpanya ay gumagamit ng pang-araw-araw na demand upang mapabilis ang error na ito, kahit na kung ang manghuhula ay nauunawaan ang error, ang buwanang makasaysayang panahon ay maaaring gamitin kasama ng tagapagpahiwatig ng pagsubaybay upang makilala kung ang forecast ay lumihis nang malaki mula sa aktwal na demand. Ang antas kung saan ang pagsubaybay ng mga signal flag ang paglihis ay tinutukoy ng forecaster o software at iba-iba sa pagitan ng mga industriya, mga kumpanya at mga produkto.

Ang isang maliit na paglihis ay maaaring mangailangan ng interbensyon kapag ang produkto ay itinataya ay mataas ang halaga, samantalang ang isang mababang halaga ay maaaring hindi nangangailangan ng forecast na masuri sa isang mataas na antas.

Non-Statistical Forecasting

Ang non-statistical forecasting ay matatagpuan sa supply chain management software kung saan ang demand ay forecasted batay sa mga dami na tinutukoy ng mga planner ng produksyon.

Ito ay nangyayari kapag ang planner ay nagpasok sa isang subjective na dami na naniniwala sila na ang demand ay walang anumang reference sa makasaysayang demand. Ang iba pang di-statistical forecasting na nagaganap ay kapag ang demand para sa isang item ay batay sa mga resulta ng mga materyales na kinakailangan pagpaplano (MRP) ay tumatakbo.

Ito ay tumatagal ng pangangailangan para sa natapos na magandang at explodes ang bill ng mga materyales upang ang isang demand ay kinakalkula para sa bahagi bahagi. Ang bahagi ng demand ay maaaring susugan ng tagaplano batay sa kanilang pagtatasa at kaalaman sa kasalukuyang kapaligiran.

Ang resultang forecast ay batay sa kasalukuyang demand at hindi isama ang anumang demand mula sa mga nakaraang panahon. Maraming mga kumpanya ay gagamit ng isang kumbinasyon ng di-makatotohanang at statistical forecasting sa kanilang linya ng produkto.

Ang pagtataya ng istatistika ay batay sa kumplikadong kalkulasyon at ang hinaharap na pangangailangan ay maaaring matukoy batay sa pangangailangan mula sa mga makasaysayang panahon.

Ang forecast ay nagbibigay sa tagaplano ng isang gabay sa hinaharap na demand, ngunit walang forecast ay lubos na tumpak at ang mga tagaplano karanasan at kaalaman ng kasalukuyang at hinaharap na kapaligiran ay mahalaga sa pagtukoy ng hinaharap na demand para sa mga produkto ng isang kumpanya.

Ang artikulong ito ay na-update ni Gary Marion, Logistics at Supply Chain Expert para sa Balance.