Nõudlusel on oluline roll ettevõtte ärieesmärkide täitmisel – sellel põhineb palju ärilisi otsuseid nagu müügikorraldus, mehitamine, ostutegevus, tootmine, jne. Nõudluse prognoosimisel on kaubanduse tarneahelas väga suur mõju. Ometi räägitakse sellest vähe.
Lõpptarbija ostukäitumine on volatiilne ja seetõttu on täpne prognoosimine keeruline.
Kui prognoosid ületavad tegelikkust, siis kasvavad näiteks laovarudega seonduvad probleemid. Kui prognoosid liiga vähe, siis pole klient rahul, kuna nõudlust ei täideta (tundub, et väike ala-prognoosimine on vähem kahjumlik, kui üle-prognoosimine).
Nõudluse prognoosimine on üheaegselt kunst ja teadus
Igaüks oskab nõudlust prognoosida, kuid igaüks ei oska seda täpselt teha. Kui prognoos pole täpne, siis on risk, et suuri ärilisi otsuseid tehakse vale info põhiselt.
Prognoosimisega on võimalik väga teaduslikuks minna ja ikkagi mööda panna. Samas, spetsialist oskab oma kogemuse põhjal suhteliselt täpseid prognoose koostada, arvestades erinevaid faktoreid. Paljud ettevõtted on leidnud kuldse kesktee subjektiivse ennustuse ja andmeanalüüside kasutamise vahel.
Milline on sinu prognoosimudel?
Tavaliselt toimub nõudluse prognoosimine ajalooliste andmete põhjal. Abiks võetakse turuanalüüse, konkurentsianalüüse, tarbimise analüüse, sotsiaalseid, poliitilisi ning muid sisemisi ja väliseid faktoreid. Mida rohkem faktoreid prognoosimudelis arvestada, seda täpsemaks kujuneb mudel. Miinuseks on see, et siis tavaliselt kasvab ka mudeli keerukus ja prognooside hind. Ehk – vaja on leida ja kasutada kõige olulisemaid, ajakohasemaid ning usaldusväärseid andmeid.
Nõudlust saab mingil määral mõjutada näiteks hinna, turunduse ja reklaamiga. Selles osas koordineeritakse tegevusi tarnijatega – näiteks müügikampaaniate korraldamisel. Kontrollimatuteks faktoriteks on aga konkurentide tegevus, sesoonsus, ilmastikutingimused, majanduslikud tingimused, seadusandlus, jne.
Kui kliendid teevad ostusid harva, siis on keeruline nõudlust prognoosida. Siinkohal aitab alusandmete baasi tihendada klientide grupeerimine ühtse käitumismustri alusel grupeerimine – personade tuvastamine.
Partnerlussuhted loovad tarneahelas uued võimalused läbi koostöö
Tavaliselt jaemüüja prognoosib lõpptarbija nõudlust ja annab prognoosi edasi tootjale – näiteks eeltellimuste kujul. Tootja paneb kokku erinevate müüjate tellimused ja selle põhjal planeerib tootmismahtusid ning tootmisressursse.
Soovitav on siit sammukese kaugemale astuda. Nimelt, jaemüüjatel on palju infot lõppklientide tarbimiseelistuste kohta. Soovitav on taolised ajaloolised andmed agregeerida ja jagada oma võtmetarnijatega, kes saaksid neid andmeid oma prognoosimudelis ja miks mitte ka tootearenduses kasutada. Sellest võidaksid kõik osapooled.
Kuidas ma tean, et prognoosimudel töötab ja kui täpsed on minu prognoosid?
Paljud ettevõtted kasutavad prognooside täpsuse hindamiseks MAPEt. See teeb erinevate tootegruppide prognoosid võrreldavaks, kuna tegemist on suhtarvuga. Samas, MAPEt ei soovitata kasutada väikeste koguste korral, kuna see moonutab pilti.
Prognoosimudeli eeldatav täpsus, võrreldes näiteks eelmise aasta tegelikuga või siis mudeli tegelik täpsus, kõrvutades tegelikke andmeid prognoosituga – MAPE.
MAPE – perioodi (nt kuu) tegelikust nõudlusest lahutatakse prognoositav nõudlus ja jagatakse tulemus tegeliku nõudlusega. Saadakse perioodi hälve absoluutväärtuses. Seejärel arvutatakse perioodide hälbe keskmine väärtus, mis ongi MAPE – vt. näidet allpool.
Nõudluse prognoosimiseks on vaja leida õiged tööriistad
Millised on õiged tööriistad, kuhu ehitada nõudluse prognoosimise mudel?
Soovitav on kaardistada nõudluse prognoosimise töövoog. Selle kaudu selginevad vajalikud ärinõuded prognoosimissüsteemile, samuti andmeallikad. Vastu konkreetseid ärivajadusi on võimalik leida tööriistad, mis kõige paremini vastavad konkreetsetele ärinõuetele.
Arvestada tuleb, et prognoosi mudel ei ole staatiline – see muutub vastavalt vajadusele ja tingimustele.
Excel on küll paindlik abivahend prognooside koostamisel, kuid sellel on oma piirid ning ettevõtte vajadused võivad kasvada. Näiteks on vaja läbi mängida erinevaid stsenaariume – mis juhtub siis, kui muutub see või teine parameeter. Sel juhul on tõenäoliselt vaja spetsiaalset tööriista prognoosimiseks.
Selleks, et jõuda masinõppe abil nõudluse prognoosimiseni on vaja esmalt selgitada konkreetsed ärivajadused, leida kõige sobivam prognoosimudel koos faktorite komplektiga ja usaldusväärsed andmeallikad.
Kuidas leida endale parim lahendus?
Otsime seda vastust hea meelega koos ja aitame orienteeruda andmete ja prognoosimise maailmas.
Kui soovid mõtteid vahetada, siis anna endast märku siin.
Võta ühendust ja küsi lisa
Toomas Olli
Linkedin