Lagerprognoser är avgörande för att undvika att få slut på lager eller överbeställa produkter. Prognostisering blir mer komplext när du driver en säsongsbetonad verksamhet med toppar och dalar. Vi guidar dig genom vad du ska tänka på för att korrekt prognostisera kundefterfrågan.
Det finns ingen prognosstrategi som passar alla e-handelsbolag. Istället finns det olika alternativ för olika mål och datamängder.
Om du driver en säsongsbetonad verksamhet behöver du en modell som tar hänsyn till snabba förändringar. Så du behöver se till att den lösning du väljer fungerar för säsongsmässiga variationer.
Till exempel är den ekonomiska orderkvantiteten (EOQ) populär bland e-handelsföretag eftersom den kan minska logistik- och lagerkostnaderna genom större beställningar. Men den ignorerar säsongsmässiga fluktuationer och antar konstant, regelbunden efterfrågan. Det kan riskera att lämna ett säsongsbetonat företag med för mycket lager i lågsäsonger och inte tillräckligt med lager under högsäsong.
Vilken prognosteknik du ska välja beror till stor del på vilka data du har och ditt prognosmål.
Oavsett om du har historiska data eller är ett nytt företag som precis har startat upp, finns det en prognosteknik som passar dina behov.
Kvalitativ prognos använder extern forskning för att förutspå efterfrågan. Här är den data du behöver:
Kvalitativ prognos används bäst när historisk data inte är användbar, relevant eller tillgänglig. Det används ofta av nya företag men kräver en hel del subjektivitet, så det är svårt att skapa detaljerade och korrekta prognoser. Denna metod kan dock fortfarande fungera bra. Se bara till att din forskning eller tredjepartsdata tar hänsyn till den säsongsmässiga variationen.
Kvantitativ prognos använder historisk efterfrågedata och matematiska formler för att bestämma framtida efterfrågan. Du behöver historiska data som:
Till skillnad från trend eller grafisk prognostisering – som enbart bygger på tidigare försäljningsdata – kombinerar denna metod tidigare efterfrågedata med matematiska formler för att avgöra framtida efterfrågan. Det finns två huvudsakliga modeller för "tidsanalys" (mer om detta nedan), båda tillräckligt flexibla för att ta hänsyn till ovanliga händelser och säsongsmönster.
Grafisk prognos använder historiska data för att skapa en visuell representation av efterfrågan. Här är den data du behöver:
Detta kan vara ett effektivt sätt att identifiera mönster och trender. På grund av den visuella karaktären av denna prognos, kan det bidra till att visualisera säsongstoppar och dalar över tid.
Denna metod bygger dock på tidigare uppgifter, så det kanske inte är möjligt för nya företag.
Trendprognos använder historisk data för att projicera potentiella framtida trender. Du behöver minst två års värde av följande data:
Denna metod är inte lika flexibel som kvantitativ prognostisering eftersom den kanske inte tar hänsyn till säsongsmässiga fluktuationer. På grund av mängden historisk data som krävs skulle det heller inte passa för en ny verksamhet.
Prognosmodeller använder en av de ovan nämnda teknikerna för att bestämma olika typer av lager. Varje modell har ett specifikt mål. Vi har inkluderat modeller som är användbara för säsongsvariationer, vilket kan hjälpa dig att se hur mycket säkerhetslager du bör ha, när du behöver beställa nytt lager och förutspå efterfrågan.
Säkerhetslager är extra lager som hålls för att säkerställa att du inte tar slut på varor på grund av problem i leveranskedjan, nödsituationer eller en plötslig ökning av efterfrågan.
(Maximal daglig användning x Maximal ledtid) – (Genomsnittlig daglig användning x Genomsnittlig ledtid)
Du bör använda denna formel tillsammans med formeln för beställningspunkt nedan. Det är alltid användbart, men särskilt för säsongsvariationer eller globala svängningar.
Beställningspunkter för vitala lagerenheter (SKU) hjälper dig att avgöra när du ska göra en ny beställning, så att du inte får för mycket eller för lite av en artikel.
(Genomsnittlig daglig användning x Genomsnittlig ledtid i dagar) + Säkerhetslager
Formeln för beställningspunkt är avgörande för att undvika slut på lager eller överfyllning, särskilt under säsongsvariationer. Utför denna formel regelbundet för att redovisa eventuella ändringar.
Tidsserieanalys undersöker mönster i tidigare beteenden över tid för att förutse framtida beteende. Det finns två huvudmodeller. Det första alternativet är 'rörligt medelvärde för prognoser', vilket tar tidigare perioders efterfrågedata och beräknar genomsnittlig efterfrågan under den perioden för att prognostisera över en 'rörlig' tidsperiod.
Efterfrågan över tidsperiod / antal månader, veckor eller dagar
Rörlig genomsnittlig prognos är en bra modell för att ge dig en uppfattning om genomsnittlig efterfrågan. Modellen lägger lika stor vikt på varje period och tar endast hänsyn till data under den valda perioden.
Även om detta kan ta hänsyn till säsongsvariationer kan det ignorera påverkan av slumpmässiga händelser om de inträffar utanför den valda tidsramen.
Den andra modellen är exponentiell utjämning. Man tittar på den faktiska efterfrågan för innevarande period och den prognos som tidigare gjorts för innevarande period. Du kan anpassa resultaten för att passa företagets marknadsposition genom att lägga till en utjämningsfaktor.
(D*S)+(F*(1-S))
D = senaste periodens efterfrågan
S = den utjämningsfaktor som representeras i decimalform
D = senaste periodens prognos
Exponentiell utjämning är en mer avancerad metod som övervinner den rörliga medelvärdesprognosens problem. Därför, om du har tid och data, är detta den modell du vill använda. Den kan dock vara ganska tidskrävande att genomföra.
Även om lagerprognoser kan hjälpa dig att se hur säsongsmönster påverkar ditt företag, är det också bra att ha ett mål för lageromsättning för att hjälpa till att mäta din framgång.
I e-handelsbranschen är konsensusen att en bra lageromsättning är en kvot på mellan 4 till 6, vilket innebär att du har sålt och fyllt på lagret 4 till 6 gånger den mängd lager som du har lagrat. Detta innebär att den genomsnittliga e-handelsbutiken bör sälja hela sitt lager var 60-90 dag.
Jämfört med det, om du endast har en omsättning på 2, är antingen dina marginaler mycket höga och du säljer lyxvaror, eller så väljer inte dina kunder din produkt och du löper risk att förlora mot konkurrenter.
Även om lagerprognoser inte är en garanti, kan det hjälpa dig att planera för olika möjligheter och fatta välgrundade beslut för att förbereda dig för säsongsmässiga förändringar. Det är också viktigt att vara förberedd på plötsliga förändringar som orsakas av makroekonomiska faktorer och prognostisera regelbundet om det finns stora förändringar.
Juni är här för att hjälpa dig att ta kontroll över ditt kassaflöde med de verktyg och insikter du behöver för att fatta smartare beslut.
Junis virtuella kort, konton i flera valutor, och integrationer för bokföring och annonser ger dig en enhetlig bild av dina finanser. Få ökad synlighet av ditt kassaflöde och dina transaktioner med insikter och analysverktyg. Få kontroll över dina transaktioner med anpassade inställningar för notifikationer och transaktionsomdömen genom att tilldela kort till chefer. Juni kan hjälpa dig att öka ditt kassaflöde med cashback på alla dina berättigade utgifter och tillgång till flexibelt kapital med förlängda villkor.
Anmäl dig till vårt nyhetsbrev.