make connections share ideas be inspired Kysynnän ennustaminen muuttuvassa maailmassa Nina Survo ja Antti Leskinen SAS Institute
Mitä on kysynnän ennustaminen? Ennakoiva lähestymistapa, jolla pyritään havaitsemaan kysyntäsignaaleja Mahdollistaa tulevaisuuden skenaarioinnin kompastumatta historian tuotantorajoitteisiin Painotetaan niitä toimenpiteitä, jotka suoraan vaikuttavat kysyntään. Saadaan luotua selkeämpi kuva todellisesta kysynnästä
Kysynnän ennustamisen vaiheet Kolmivaiheinen prosessi: Etsitään kysyntäsignaaleja sisäisestä ja ulkoisesta datasta Sovitetaan kysyntää analytiikan avulla Ennustetaan tulevaisuuden kysyntää, jotta saataisiin mahdollisimman tarkkaa tietoa rajoitattamattomasta kysynnästä
Kysyntäsignaalien etsiminen yrityksen ja markkinoiden tuottamasta datasta Termille rajoittamaton kysyntä ei ole olemassa vakiintunutta määritelmää Rajoittamatonta kysyntää ei voida mitata luotettavasti, joudutaan turvautumaan erilaisiin myyntidatoihin: Laskutus Toimitus Tilaukset Jos mahdollista on suositeltavaa käyttää tilausdataa ennustamisen lähtötietona. Tilausdata kuvastaa asiakkaiden myyntikäyttäytymistä paremmin kuin toimitusdata.
Mitä on kysynnän sovittaminen? Ennakoiva prosessi, jossa arvioidaan kysyntää siihen vaikuttavien komponenttien näkökulmasta Myynnin ja markkinoinnin toimet: Uuden tuotteen lanseeraus Hinnoittelu Mainostaminen Kampanjat Tapahtumat Tuotteiden elinkaaren hallinta Ulkoisia komponentteja: Kilpailijoiden toimet Säätila Raaka-aineiden hinnat Korot ja valuuttakurssit Taloustilanne
Kysynnän sovittaminen analytiikan avulla Mallinnetaan kysyntäkomponenttien tilastollinen vaikutus Skenaarioanalyysillä voidaan arvioida tulevaisuuden kysyntää eri tilanteissa
Tulevaisuuden kysynnän ennustaminen Kysyntään vaikuttavien tekijöiden, kuten kausivaihtelun, markkinointitoimenpiteiden (hintamuutokset, mainonta, kampanjat) ja odottamattomien tapahtumien tarkka ennustaminen pelkästään subjektiivisella arvioinnilla on hankalaa Kysynnän ennustamisen tulisikin lähteä historiadataan perustuvasta tilastollisesta aikasarjaennustamisesta Tilastollinen ennuste toimii pohjana, johon voidaan lisätä eri tahojen subjektiivista tietoutta parantamaan ennusteen tarkkuutta
Erilaiset lähestymistavat ennustamiseen Subjektiiviseen arvioon perustuvat metodit Pelkkään myyntihistoriaan perustuvat ennustemallit Naiivit mallit ja liukuvan keskiarvon mallit Eksponentiaalinen tasoitus (exponential smoothing) Myyntihistoriaan ja erilaisiin selittäviin tekijöihin perustuvat ennustemallit ARIMAX UCM (Unobserved Components Models)
Aikasarjaennustaminen Eri tekniikoita, joilla pyritään löytämään historiasta säännönmukaisuuksia, joita tulevaisuuden myynnit noudattavat Aikasarjamallit pyrkivät löytämään: Trendejä Kausivaihteluita Jaksollisuutta
Aikasarjaennustamisen edut Sopii hyvin tilanteeseen, jossa ennusteet on luotava suurelle määrälle tuotteita Sopii hyvin, jos myyntihistoria on stabiili Voivat tasoittaa pieniä satunnaisia muutoksia Helppoja ymmärtää ja käyttää Ovat saatavilla ohjelmistoissa Hyviä lyhyen horisontin ennustamiseen
Aikasarjaennustamisen haasteet Vaativat paljon historiadataa Mukautuvat hitaasti myynnin muutoksiin Suuret satunnaiset poikkeamat historia-aineistossa saattavat tuottaa ennusteisiin suuria virheitä
Eksponentiaalinen tasoitus Useimmin käytetty malliperhe Perusoletus on, että lähihistorian myynneillä on suurempi vaikutus tulevaisuuteen kuin kaukaisemman historian myynneillä Kolme ylitse muiden: Yksinkertainen tasoitus Holtin kaksiparametrinen tasoitus Holtin ja Wintersin kolmiparametrinen tasoitus
Exponentiaalinen tasoitus - Holt & Winters Hyvä ennustamaan trendiä, syklejä ja kausivaihtelua Vaatii vähän dataa Käyttää kolmea parametria Trendi/sykli Kausivaihtelu Epäsäännöllinen Käytetyin matemaattinen metodi
Exponentiaalinen tasoitus - Holt & Winters Hankala löytää optimaalisia arvoja tasoitusparametreille Voi ennustaa vain 1-3 jaksoa eteenpäin tehokkaasti Ei pysty ennustamaan äkillisiä muutoksia kohtuullisessa ajassa Mukautuu hitaasti kysynnän muutoksiin Ei voi käyttää selittäviä muuttujia
Myyntihistorian ja selittävien muuttujien yhdistämisen edut Mukana useimmissa ohjelmistoissa Antavat tarkempia lyhyen ja keskipitkän ajanjakson ennusteita kuin pelkät aikasarjamallit Näiden avulla voidaan skenarioida tulevaisuutta
Myyntihistorian ja selittävien muuttujien yhdistämisen haasteet Ennustetarkkuus riippuu selittävän ja selitettävien muuttujien suhteen johdonmukaisuudesta Selittävien muuttujien tarkat estimaatit ovat välttämättömiä Hyvien mallien kehittäminen vie aikaa ja vaatii tilastotieteen ymmärrystä
ARIMAX Edistynein aikasarjamallinnustekniikka Yhdistää aikasarjan elementit ja regressiomallin ARIMA-mallien laajennus, jossa malliin lisätty selittäviä muuttujia: Hinta Mainonta Hyvä lyhyen, keskipitkän ja pitkän aikavälin ennusteissa
UCM- mallit Structured state space models Jakaa myyntihistorian komponentteihin: Trendi Kausivaihtelu Syklit Selittävät muuttujat Voidaan käyttää skenariointiin Hyviä lyhyen, keskipitkän ja pitkän aikavälin ennusteissa Melko uusi menetelmä
Ennusteisiin systemaattisesti vaikuttavat Ennustettavan koko tai volyymi Suurempi volyymi, pienempi selittämätön varianssi -> pienempi virhe Datan aggregointi Enempi aggregointia, tarkemmat ennusteet Kysynnän vakaus Aikasarjan eheys Kilpailu markkinoilla Kilpailutilanteessa kysyntä voi käyttäytyä ennalta-arvaamattomasti
Ennustevirheen syyt Virhe kysynnän mallin havaitsemisessa ja kausaalisuhteissa Väärät selittävät tekijät Kausaalisuuden sijasta kyse korrelaatiosta Epävakaat mallit tai epäluotettavat suhteet Kyse yleensä keskiarvoista Mallit tai suhteet muuttuvat ajassa
Ennustusmallin tehokkuuden mittaaminen Mitataan kuinka hyvin onnistuttiin ennustamaan tuleva Verrataan ennustetta ja toteutunutta myyntiä Vertaillaan historiassa tilastollisia malleja, jotta saadaan selville mikä malli ennustaisi parhaiten
Kysynnän ennustamisen hyödyt Rajoittamaton kysyntä saadaan tietoon tarkemmin Voidaan optimoida varaston kokoa ja varastokiertoa, tuotetta on saatavilla oikeaan aikaan Saadaan lyhennettyä toimitusaikoja Saadaan tietoa kysyntään vaikuttavista tekijöistä: Voidaan käyttää hyödyksi strategisissa linjauksissa Niiden avulla voidaan optimoida varastoarvoja Voidaan tutkia hinnan vaikutusta ja maksimoida siten tuottoa Voidaan tehostaa tiedon vaihtoa yrityksen sisällä eri toimijoiden välillä, joilla on tietoa kysynnän muutoksiin
Kirjallisuutta Demand-Driven Forecasting: A Structured Approach to Forecasting Charles Chase
make connections share ideas be inspired