Pivot Forecasting ist ein dreistufiger Prozess. In unserem Artikel "Der Prozess im Überblick" wird der grundlegende Arbeitsablauf von Pivot Forecasting vorgestellt. Wenn Sie noch keine Gelegenheit hatten, ihn zu lesen, sollten Sie das tun, bevor Sie mit diesem Artikel fortfahren.
Der dreistufige Prozess des Pivot Forecasting:
Das System erstellt automatisch kalkulierte Forecasts;
Die Benutzer überprüfen die Prognosen und passen sie an, wodurch der synchronisierte Forecast geändert wird;
Die Benutzer schließen die Prognose ab, wodurch sie in die Kennzahl "endgültiger Forecast" übernommen wird.
In diesem Artikel wollen wir uns näher mit Schritt 2 befassen. Insbesondere werden wir erörtern, wie man die Ursachen für ungenaue Prognosen findet. Dies ist sehr wichtig, denn bessere Prognosen ermöglichen Verbesserungen beim Kundenservice, beim Umschlag von Beständen und Vermögenswerten und bei vielen anderen wichtigen Leistungsindikatoren des Unternehmens.
Sehen wir uns zunächst einige der häufigsten Ursachen für ungenaue Prognosen an.
Artikel, für die nicht genügend historische Daten vorliegen, sind schwieriger zu prognostizieren, einfach weil nicht genügend Daten vorhanden sind.
Ungewöhnliche Nachfrage wie Werbeaktionen, nicht saisonale Ereignisse und Ausreißer können zu ungenauen Prognosen führen. Beispiele hierfür sind einmalige Käufe, Unterbrechungen der Lieferkette, usw. Große Ausreißer, ob hoch oder niedrig, führen zu erheblichen Änderungen in der Prognose, wenn sie nicht korrigiert werden. Ein großer einmaliger Auftrag führt beispielsweise zu höheren Prognosen, auch wenn es unwahrscheinlich ist, dass er wieder auftritt.
Menschliche Fehler, wie optimistische, pessimistische oder alte und wiederverwendete Anpassungen. Einige Unternehmen erstellen nur wenige Male im Jahr Prognosen, was bedeutet, dass sie immer noch mit Prognosen arbeiten, die möglicherweise vor einigen Monaten erstellt wurden, obwohl die Nachfrage seit der Erstellung der Prognose gestiegen oder gesunken sein könnte.
Die Prognosemethode könnte fehlerhaft sein, z. B. würde die Expertenmethode ein Produkt noch einige Monate oder Wochen nach dessen Auslaufen prognostizieren.
Die Nachfrage kann extrem niedrig, sporadisch oder zufällig sein. Dies kann der Fall sein, wenn weniger beliebte Artikel prognostiziert werden oder wenn kleinere Kunden unabhängig voneinander prognostiziert werden, anstatt sie zu gruppieren.
Lassen Sie uns nun untersuchen, wie Sie diese Situationen in Pivot Forecasting finden können.
Es gibt vier primäre Möglichkeiten, Dinge in Pivot Forecasting zu finden und zu priorisieren, nämlich:
Attribute
Filter
"Top N"-Panels
Pivot-Maps
Attribute
Es gibt Attribute, die Ihnen helfen können, Ihre Arbeit zu erkennen und zu priorisieren. So verfügen beispielsweise alle Pivot Forecasting Modelle über die Attribute "Prognostizierbarkeit" und "Prognoseergebnisse", die potenziell schwierige Artikel oder Prognosen identifizieren. Die Modelle enthalten auch die ABC- und HML-Kategorien, die aus Ihrer Bestandsmamangementanwendung stammen.
Die Gruppierungen für die Prognostizierbarkeit werden durch den Vergleich der Serienvariabilität mit dem Durchschnitt bestimmt. Wenn die Variabilität höher ist, werden die Artikel als wenig prognostizierbar eingestuft.
Prognoseergebnisse sind die verwendeten Prognosemethoden. Wenn eine Position eine Methode verwendet, die für die Reihe ungeeignet ist, kann dieses Attribut Ihnen helfen, sie zu finden. Eine Position mit hoher Prognosefähigkeit sollte beispielsweise keine einfache Methode wie einen gleitenden Durchschnitt verwenden.
Das ABC ist nützlich, um Prioritäten für Ihre Arbeit zu setzen. A-Artikel sind wichtiger, da sie einen größeren Teil der Nachfrage ausmachen. HML ist dem ähnlich. Es ist ein Maß für die Beständigkeit der Nachfrage. Niedrig bedeutet, dass es sich nicht so regelmäßig verkauft wie andere Produkte.
Filter
Der Zugriff auf die Filter erfolgt direkt über die Attributauswahl auf der linken Navigationsseite der Pivot Forecasting Benutzeroberfläche. Filter schränken die Elemente ein, die in die Struktur geladen werden. Alle Pivot Forecasting Modelle verfügen über Standardfilter zur Identifizierung von Artikeln mit Ausreißern, kürzlichen Werbeaktionen, neuen Artikeln und einigen anderen, wie in der Abbildung unten gezeigt. Diese Filter sind äußerst wertvoll, da sie Situationen identifizieren, die eine erhebliche Ungenauigkeit der Prognose verursachen können.
Die Anzahl der historischen Zeiträume, die "kürzlich" sind, ist eine Modelloption, die von einem Administrator konfiguriert werden kann. Der Standardwert ist ein Zeitraum, aber ein Administrator kann diesen Wert ändern. Die Abbildung unten zeigt, dass ein Benutzer sich dafür entschieden hat, den Wert auf zwei zu ändern, um mehr Zeit für die Überprüfung und Korrektur zu haben.
Mit der Option "Benutzerdefinierte Filter" können Sie auch Ihre eigenen Filter erstellen. Jeder Benutzer kann benutzerdefinierte Filter erstellen, aber Administratoren können öffentliche Filter erstellen und sie mit anderen Benutzern teilen. Benutzerdefinierte Filter können alle Attribute oder Kennzahlen in einem Modell sowie viele der wichtigsten Statistiken und Prognoseeinstellungen verwenden. Der Filter in der Abbildung unten zeigt Elemente mit zukünftigen Prognosen, aber ohne Historie in den letzten Monaten.
Top N Panel
Das Dashboard "Forecast Performance" in der Abbildung unten enthält ein Beispiel für die Bereiche "Die ersten n" und "Ausnahme". Das Panel Bedarf - Ausnahmeblatt kann Elemente anzeigen, die eine Reihe von zuvor konfigurierten Ausnahmekriterien erfüllen, darunter viele, die auch als Standardfilter in der Navigationsstruktur verfügbar sind.
Pivot Maps®
Im Standard-Dashboard "Forecast Performance" finden Sie auch eine sehr nützliche Pivot Map. In dieser Pivot Map stellt die Größe der Kästchen das Umsatzvolumen dar, und die Farben zeigen das Ausmaß der Prognoseabweichungen für den Vormonat an.
Sie können auch Pivot Maps verwenden, um den aktuellen Umsatz und die endgültigen Forecast für den aktuellen Monat zu vergleichen. Die aktuellen Verkäufe sind die Summe der Verkäufe von Monat zu Monat (oder von Woche zu Woche) und der offenen Aufträge. Wenn wir sie mit dem endgültigen Forecast für den aktuellen Monat vergleichen, können wir sehen, wo wir zu viel oder zu wenig verkauft haben.
Da Sie nun wissen, wie Sie die Ausreißer finden, die zu ungenauen Prognosen führen, gehen Sie zu unserem Artikel über "Filter und erweiterte Arbeitsabläufe: Korrektur von Ausreißern", um zu erfahren, wie Sie die Ursachen für ungenaue Prognosen korrigieren können.
Haben Sie die verwandten Artikel gelesen? Sehen Sie sich unsere Pivot Forecasting-Sammlung an!