Prognoser vid Ahlsell

Sammanfattning

Att på förhand bestämma hur mycket som ska köpas in för att täcka en ännu

okänd efterfrågan, är en fråga som många inköpare kämpar med. I takt med att

resurser ska utnyttjas allt effektivare blir kraven högre på minskat

resursslöseri. Det ställs allt högre krav på korrekta prognoser samtidigt

som det har blivit allt svårare att prognostisera enskilda artiklar.

Sortimenten har utökats, artiklars livslängd har förkortats och

företagsförvärv förvränger efterfrågestatistiken. Samtliga av dessa problem

kämpar Ahlsells centrallager i Hallsberg med. Där finns nära 80.000 aktiva

artiklar med varierande efterfrågan och efterfrågemönster.

Syftet med examensarbetet är att möjliggöra en förbättring av

prognosprocessen genom att visa på en metodik för utvärdering av

prognosmetoder och parametersättning. Några olika metoder utvärderades:

glidande medelvärde, exponentiell utjämning, exponentiell utjämning med

trend, exponentiell utjämning med säsong kombinerat med naiv prognos samt

adaptiv exponentiell utjämning. Metoderna analyserades med och utan

säsongsindex. Utvärderingen skedde med en kombination av utvalda och

slumpmässigt utvalda artiklar. Ett förslag på en Excel-mall för utvärdering

av prognoser lämnas till Ahlsell.

Bland de nya mått som introduceras finns bland annat lagerperioder och

medelabsolutförändring. Lagerperioder är ett komplement för att mäta

systematiska prognosfel som tar hänsyn till tidsaspekten.

Medelabsolutförändring används vid beskrivning av tidsserier.

Två prognosmetoder rekommenderas som lämpliga att starta med. Adaptiv

exponentiell utjämning i de fall trend eller ett tydligt cyklisk

efterfrågmönster existerar. Denna metod var bäst i de flesta av dessa fall

men olämplig i övriga fall. Exponentiell utjämning med naiv prognos var den

mest robusta metoden och var aldrig sämst, samtidigt som det var den enskilt

bästa metoden. Metoderna bör kunna användas med och utan säsongsindex. Till

Ahlsell föreslås att prognosprocessen förbättras i fyra steg:

Steg 1. En ansvarig utses för prognoserna och dess förbättringsarbete.

Vederbörande skall ha både befogenheter och kompetens. Prognosarbetet,

viktiga parametrar och uppföljning av prognosmetoder bör dokumenteras. Detta

gäller för samtliga förbättringssteg. Endast två metoder används med och

utan säsongsindex. För exponentiell utjämning med naiv prognos ska det vara

möjligt att välja bort den naiva delen. Utvärdering av metoder sker med

hjälp av en Excel-mall. Vid osäkerhet i bedömning av lämplig metod väljs det

alternativ som visats sig ge tillfredsställande resultat i de flesta fall.

Parameterfokus ska vara på att hitta ett korrekt startvärde. Det

exponentiellt utjämnade MAPE-gränsvärdet för klassificering av bristande

prognosprecision ersätts av tre olika gränsvärden: 20, 30 och 40 procent.

Steg 2. Parameterfokus flyttas till utjämningskonstanten. Enbart två värden

för utjämningskonstanten används och utvärderas i Excel-mallen och/eller i

enlighet med beskrivande mått på tidsserien.

Steg 3. Värdena på utjämningskonstanten tillåts variera då utvärdering kan

ske utan risk för överanpassning av prognosmetoderna.

Steg 4. När kunskaperna kring parametersättning är etablerade från de

tidigare stegen, kan fler prognosmetoder introduceras för förbättrad

prognosprecision.

Det fjärde steget utgör inte det sista steget i prognosförbättringar. Det är

istället det första steget till ständiga förbättringar av prognoserna.