De fleste virksomheter bruker stadig mer tid på å treffe riktig: hva vil faktisk behov for hver enkelt vare være de neste periodene - dagene/ukene/månedene.
Tidligere kjappe kommentarer som ”Det eneste sikre vi vet om prognoser er at de er feil” blir ikke lengre akseptert. De færreste har i dag råd til å la være å jobbe aktivt med å forbedre sine prognoser, som danner underlag for det meste av aktivitetene i virksomhetens oppnådde resultater.
Manglende leveranser gir kundelojaliteten en unødig belasting – og kostnadene for overlager og ukurans forblir håndfaste resultater av manglende prognosenøyaktighet som må kompenseres ved høyere priser/påslag. I begge tilfeller utsettes bedriftens konkurranseevne for et unødvendig ekstra press.
Presisjonen i tilgjengelige prognoseverktøy varierer sterkt - alt fra enkle gjennomsnittsmodeller via Excel til avanserte løsninger som takler både sent-omsettelige varer og volumvarer med sesonger og kampanjer – alt per vare og lokasjon.
Felles for de fleste er imidlertid at de tar utgangspunktet i tidligere salgsdata – i form av hva som faktisk ble levert eller fakturert – og bygger sjelden på den faktiske etterspørselen. Ekstra omsetning ved kampanjer, tapt salg eller ønskede leveringstider tas det sjelden hensyn til når prognosene utarbeides, og det ligger et stort potensiale i å analysere og utarbeide en basisetterspørsel som grunnlag for prognostiseringen.
Samtidig viser studier at man ved selve prognosearbeidet sjelden klarer å innarbeide verken den faktiske markedskunnskapen som finnes i virksomheten eller andre faktorer som påvirker forventet utvikling. Eksempler på dette kan være kjent konkurrentinfo, markedskampanjer/aktiviteter, planlagt endring i varemix og/eller distribusjonsgrad/-kanaler foruten økonomiske indikatorer som forventet forbruksvekst eller markedsutvikling.
Erfaringer internasjonalt viser at ved å skape en prognoseprosess der slik informasjon enkelt kan innarbeides, gjerne ved direkte bidrag fra ulike interne kompetansemiljøer, oppnås det en betydelig forbedring i prognosekvaliteten og virksomhetens oppnådde resultater.
I praksis handler dette om å orientere seg mot en mer etterspørselsbasert forsyningskjede. Demand Driven Forecasting (DDF) omtales således av mange som “Det beste fra to verdener” – der man på toppen av robuste kvantitative prognosemodeller basert på reell historisk etterspørsel legger en dialogprosess der kvalitative innspill til etterspørselen innarbeides i virksomhetens samlede og “omforente” prognoser. Dette er tatt i bruk i både store og mellomstore virksomheter med gode resultater og rulles nå også ut i Norge.
SAS har DDF løsningen
- Interessert ?
Ta gjerne kontakt så forteller vi mer!
Fred Graham, Senior Advisor SAS Institute
