ניהול תחזית משמש ככלי מרכזי לתכנון ולעמידה ביעדי הארגון. כיצד נדע אם התחזית שלנו טובה ? כיצד מודדים את דיוק התחזית ואילו כלים עומדים לרשותנו לשם כך ?
במאמר זה אציג כיצד מודדים את טיב התחזית ואת הכלים המשמשים לכך.
מה היא תחזית טובה
ארגונים רבים מתחבטים בשאלה : מה היא תחזית טובה ? כיצד מגדירים תחזית טובה וכיצד בודקים זאת. כדי לענות על שאלה חשובה זאת יש להגדיר מה הן המטרות לניהול התחזית ומה אנו מנסים לחזות. בהתאם להגדרת הצורך לתחזית ניתן לבנות את ההגדרות לבחינת טיב התחזית.
ניתן באופן כללי ניתן להגדיר את התחזית על פי המאפיינים הבאים:
- מהו הצורך המרכזי לניהול התחזית. להלן מספר דוגמאות: לצורך תכנון הרכש, לצורך תכנון הייצור, לצורך תכנון התקציב והיעדים.
- מה הן תקופות התחזית המתאימות לארגון, בדרך כלל ארגון יבחר לנהל תחזית חודשית או תחזית שבועית.
- מהו אופק התחזית שנידרש לנהל: תחזית לטווח קצר (למספר חודשים) לטווח בינוני (שנה) או לטווח ארוך (3 או 5 שנים)
- מהם הנתונים ההיסטוריים שישמשו אותנו בניהול התחזית: נתוני מכר היסטוריים או נתוני ביקוש היסטוריים (במקרים רבים ההבדל בין ביקוש למכר הוא מהותי).
תחזית טובה תהיה תחזית המאפשרת לנו לעמוד ביעדים ובמטרות שלשמה אנו מנהלים אותה.
נציג זאת ע"י מספר דוגמאות:
דוגמה א': חברה המייצרת למלאי מוצרים שזמן הייצור שלהם מהיר. מטרת התחזית היא לחזות את הביקוש של הלקוחות למוצרי המלאי. בדוגמה זאת התחזית צריכה לאפשר לתכנן את הייצור כך שהכמות במלאי תספק רמת שרות טובה ללקוחות. רמת השרות מגדירה במקרה זה את כמות החוסרים במלאי לתקופה מוגדרת.
דוגמה ב': חברה המייצרת להזמנות. מטרת התחזית היא לאפשר תכנון לרכש, כיוון שזמני האספקה מהרכש הם ארוכים יותר מזמני הייצור להזמנה ללקוחות. במקרה זה צריכה התחזית לחזות את הזמנות הלקוחות בעתיד ולאפשר לרכש להוציא הזמנות לספקים בזמן.
דוגמה ג': מפיץ המספק מוצרים לערוצי הפצה שונים (רשתות שיווק, שוק מוסדי, מכרזים וכו..). במקרה זה נדרוש מהתחזית לספק מידע מתאים לצפי צריכה של המוצרים לפי ערוצי ההפצה השונים ולהתייחס למגוון נתונים כגון מבצעים ומתחרים.
לכל אחת מהתחזיות בדוגמאות המצורפות ניתן להגדיר את טווח התחזית המתאים: לתחזית המשמשת את התכנון לייצור (דוגמה א') הטווח הרלוונטי הוא טווח קרוב, זאת כיוון שהייצור הוא מהיר וצריך להגדיר לו יעדים לטווח הקרוב. לתחזית המשמשת לתכנון הרכש (דוגמה ב') הטווח הרלוונטי הוא הטווח הבינוני, כיוון שהתחזית מששת לתכנון הרכש.
כיצד מודדים את טיב התחזית
לצורך מדידת טיב התחזית אנו מודדים את טעות התחזית. ככל שטעות התחזית קטנה יותר, כך התחזית תהיה טובה יותר. ישנן שיטות רבות למדידת טעות התחזית, לכל שיטה יש את היתרונות והחסרונות שלה. לכן נהוג להשתמש במספר מדדים.
אציג את שני המדדים הנפוצים ביותר ואת שיטת החישוב שלהם:
מדד MAD
Mean Absolute Deviation)) MAD – זהו מדד המחשב את גודל השגיאה ביחידות. מדד MAD מחשב את ממוצע הטעויות המוחלטות בתחזית, כפי שמופיע בתרשים:
מדד MAD הנו פשוט יחסית לחשב והוא משמש לצורך מדידת ביצועי התחזית בין תחזיות שונות לאותו המוצר. למדד MAD יש יתרון על פני חישוב סטיית התקן של התחזית, כיוון שהוא מושפע פחות מסטיות גדולות ומקריות שהתקבלו על פני תקופה. לא ניתן להשתמש במדד MAD לצורך השוואה בין תחזיות שונות ולמוצרים שונים, כיוון שהמדד הוא כמותי ואינו יחסי.
מדד MAPE
MAPE (Mean Absolute Percent Error) הנו מדד המחשב את הממוצע של אחוז השגיאה המוחלטת, זהו מדד נפוץ מאוד לבחינת טעות התחזית על פני מספר תקופות. תוצאות המדד הן באחוזים ולכן ניתן להשתמש במדד בהשוואה בין מוצרים שונים ותחזיות שונות.
. מדד MAPE הנו פשוט כפי שמוצג בתרשים:
מדד MAPE הוא מדד הפשוט לחישוב והבנה ומקובל מאוד בקרב חברות רבות בעולם לצורך מדידת איכות התחזית. כיוון שהתוצאה שלו מוצגת באחוזים, קל להציגו להנהלה ולעובדים. אולם למדד MAPE יש חסרונות, הוא אינו יכל להציג ערכים כאשר הפעילות בפועל היא אפס "0" כיוון שבנוסחה הפעילות בפועל נמצאת במכנה השבר. גם במקרים בהם מדובר על פעילות נמוכה מאוד מתקבלים ערכים קיצוניים למדד MAPE, לכן יש להיזהר בשימוש עם מדד MAPE לתחזית עם מוצרים איטיים.
חישוב טעות התחזית על פני תקופות Waterfall Report
כפי שהצגתי בדוגמאות השונות, תקופת התחזית הרלוונטית בכל דוגמה הייתה שונה. לכן יש חשיבות לבדיקת דיוק התחזית על פני תקופה.
נניח שזמני האספקה לרכש הם בממוצע 3 חודשים, כך שתחזית לצורך תכנון הרכש (כפי שהוצג בדוגמה ב') היא רלוונטית לטווח של 3 חודשים.
כדי לבחון את טיב התחזית, אנו נדרשים למדוד את התחזית לטווח של 3 חודשים "קדימה". לצורך כך פותחה שיטה המאפשרת לחשב את המדדים לטעות התחזית (כגון MAD ו MAPE) במרחק של מספר תקופות.
ניתן להסביר את החישוב ע"י הצגה גרפית פשוטה הנקראת Waterfall Report.
ראה תרשים Waterfall Report:
בתרשים, שבוצע ע"י תוכנת Forecast Pro לניהול תחזיות, ניתן לראות ניתוח Waterfall Report שמבוצע למוצר.
בשורה הירוקה מוצגים נתוני המכר של המוצר על פני מספר חודשים. מתחת לשורה הירוקה מוצגים נתוני התחזית שחושבו על פני תקופות שונות. בצד שמאל מוצגים תאריכי התחזיות שחושבו בעבר. בשורה הראשונה מתחת לשורה הירוקה מוצגת התחזית שבוצה בחודש דצמבר 2016. בשורה השניה מוצגת התחזית שבוצעה בחודש ינואר. וכך הלאה עד לתחזית שבוצעה בחודש מאי 2017. ניתן לראות כי לכל חודש חושבו מספר תחזיות בחודשים שונים.
אם נחזור לדוגמה של תחזית לצורך תכנון הרכש, בה אנו נדרשים לחשב את התחזית כ 3 חודשים לפני מועד הביקוש, נצטרך לדעת את טיב התחזית ל 3 חודשים קדימה.
ניתן לראות בגרף את חישוב דיוק התחזית (טעות התחזית) ל 3 חודשים מראש, על פני 6 דגימות שונות. בתרשים ניתן לראות בצבע ורוד את החישוב של טעות התחזית ל 3 חודשים קדימה, על פני 6 חודשים, מסומן בעיגול שחור (בתרשים רואים רק 4 מדידות של 3 חודשים קדימה, אולם תוכנת Forecast Pro שבדוגמה מדדה 6 תקופות לחישוב) וחישוב התוצאה הממוצעת של כל המדדים לטווח זה, כולל המדדים MAD I MAPE המסומנים בעיגול שחור.
במאמר הבא אציג יישום של תכנון ייצור בקיבולת סופית במפעל להזרקת פלסטיק
צור אמיתי, מנכ״ל חברת הייעוץ ASC, המתמחה בליווי חברות וארגונים לשיפור התחרותיות והרווחיות, תוך התמקדות בייעול שרשרת האספקה ובשיפור תהליכים בניהול הרכש, ניהול הייצור, ניהול המלאי, ניהול ההפצה, ניהול התכנון וניהול המכירות והשיווק. הנציגה הבלעדית של תוכנת Forecast Pro בישראל.
ליצירת קשר: 08-9300363 amitai@asc-il.co.il www.asc-il.co.il
לפרטים נוספים