תחזית טובה היא הבסיס לתכנון פעילות הארגון. כל ארגון מעוניין לדעת מה יקרה בעתיד: אילו מוצרים הלקוחות שלו ירכשו (מה?), כמות המוצרים שירכשו (כמה?) וזמני הרכישה (מתי?). לצורך כך מנהלים הארגונים המתקדמים תחזית עתידית המנסה לנבא את התשובות לשאלות (מה? כמה? ומתי?). את התחזית מנהלים בעזרת כל המידע הקיים בארגון: היסטוריית המכר של המוצרים, מידע שמגיע מאנשי המכירות לגבי הלקוחות והמתחרים, מידע שיווקי הכולל קמפיינים וקידום מכירות, ומידע כללי על מצב השווקים והערכות כלליות.

 

התחזית הסטטיסטית

הבסיס המרכזי לבניית התחזית הנה התחזית הסטטיסטית. התחזית הסטטיסטית מבוססת על חישוב סטטיסטי של נתוני המכר בעבר ומציאת ההסתברות למכר עתידי. כלומר באמצעות נתוני המכירות בעבר, אנו מנסים לחזות את המכירות בעתיד.

בדרך כלל לא ניתן לחזות בצורה מדויקת את המכירות בעתיד על בסיס המכירות בעבר, אולם התחזית הסטטיסטית מספקת לנו את הבסיס (Baseline) עליו ניתן להוסיף את השיקולים והמידע הקיים בארגון לגבי העתיד ובכך לשנות את התחזית הסטטיסטית לתחזית הסופים.

במאמר זה אציג את הנוסחאות והכלים המשמשים אותנו לצורך חישוב התחזית הסטטיסטית.

 

הנוסחאות לחישוב תחזית סטטיסטית

במהלך השנים פותחו נוסחאות שונות לחישוב התחזית הסטטיסטית. בתחילה השתמשו בנוסחאות פשוטות כדוגמת ממוצע נע או ממוצע משוקלל. עם השנים והמחקר הסטטיסטי האקדמי, התפתחו נוסחאות מורכבות יותר המסוגלות לנבא את התנהגות המוצרים על פני תקופה ולזהות מגמות והתנהגויות מחזוריות בחיי המוצר.

 

שיטות רגרסיה

בנוסף לנוסחאות הסטטיסטיות, פותחו שיטות רגרסיה לחיזוי, שיטות אילו מאפשרות לנבא התנהגות של סידרת מספרים על ידי תאימות (קורלציה) בין סידרת המספרים לסדרות מספרים אחרות. לדוגמה: ניבוי צריכת החשמל על ידי רגרסיה של נתוני מזג האויר, נתוני הכלכלה ונתוני מחירי הדלקים.

עם השנים השתפרו שיטות הרגרסיה ונוספו שיטות דינאמיות ממוחשבות. במאמר זה לא הציג את שיטות הרגרסיה (הנושא מורכב ואפשר להציגו בעתיד במאמר נפרד על שיטות ריגרסיה). חשוב לציין ששיטות הרגרסיה מתאימות לניבוי התנהגות של מוצר אחד בעזרת סדרות של משתנים, לכן שיטות הרגרסיה אינן מתאימות למרבית הארגונים הנדרשים לנהל תחזית למוצרים רבים.

 

 

שיטות חיזוי סטטיסטיות של סדרות זמן

השיטות המקובלות לחיזוי הנן נוסחאות סטטיסטיות העושות שימוש בציר הזמן על מנת לנתח את התנהגות המוצרים.

נוסחאות אילו "מנסות" לזהות את דפוס התנהגות המוצר על פני ציר הזמן בשיטות שונות. לחלק מהנוסחאות יש מעין "זיכרון" המנסה לזהות התנהגויות טיפוסיות בעבר ולהשליך אותן על העתיד. לכן חשוב לבצע את החישוב על בסיס היסטוריה ארוכה. בניגוד לחישוב של ממוצע נע או ממוצע משוקלל, שאינו דורש היסטוריה ארוכה של נתונים (ממוצע נע על פני 4 חודשים דורש היסטוריה של לפחות 4 חודשים) נוסחאות מתקדמות דורשות לפעמים מעל 24 תקופות ולפעמים גם מעל 36 תקופות, כדי לחשב באמינות סטטיסטית גבוה.

 

להלן מספר נוסחאות המקובלות לחישוב תחזית סטטיסטית

 

החלקה מעריכית "Exponential smoothing"

החלקה מעריכית  – קבוצת הנוסחאות המקובלת ביותר נקראת החלקה מעריכית או בשמה הלועזי החלקה אקספוננציאלית "Exponential smoothing". החלקה אקספוננציאלית היא משפחה של נוסחאות המחולקות ל 12 נוסחאות שונות המטפלות כל אחת בהתנהגות שונה של המוצרים. הנוסחאות של החלקה אקספוננציאלית מבוססות על חישוב מספר גורמי התנהגות:

 

• רמה " Level " – זהו מספר קבוע המציין את הרמה הקבועה של הפעילות למוצר, חישוב הרמה מתבצע לאחר החלקת הנתונים ו"ניטרול" הרעשים" הנובעים מהתנהגות של מגמה ועונתיות.
• מגמה "Trend " – הנוסחה מחשבת את המגמה המקומית " Local Trend " שהיא למעשה המגמה של פעילות המוצר בנקודת זמן מסוימת. ישנם 4 סוגי מגמות: ללא מגמה, מגמה לינארית, מגמה מרוסנת " Damped Trend "  ומגמה מעריכית  " Exponential Trend " .
• עונתיות " Seasonal " – הנוסחה מחשבת את ההתנהגות העונתית של המוצר על פני ציר הזמן. ישנן 3 התנהגויות עונתיות שונות: ללא עונתיות, עונתיות פשוטה " Additive Seasonal " ועונתיות מרובה " Multiplicative Seasonal".

 

בסך הכל קיימות 12 נוסחאות מובילות של החלקה אקספוננציאלית המגדירות התנהגויות שונות של שלושת המרכיבים (4 סוגי מגמות, 3 סוגי עונתיות ורמה אחת, לכן: 4 X 3 X 1 = 12)

 

ניתן לצפות בטבלאות בצילום המאמר המודפס, מופיע בלינק מטה "פרטים נוספים".

 

חלק מהנוסחאות של החלקה אקספוננציאלית מוכרת יותר מהאחרות לעוסקים בחיזוי והן נלמדות בקורסים לניתוח סטטיסטי באקדמיה, הנוסחאות היותר ידועות הנן: SIMPLE, HOLT, ו WINTERS. ניתן לראות בברור בטבלה את סוג ההתנהגות שמבטאת כל אחת מהן. יש לזכור כי במקרים רבים פונקציית החיזוי האופטימלית אינה משתייכת לאחת משלושת הפונקציות המוכרות, אלה לפונקציה אחרת ממשפחת הפונקציות של ההחלקה האקספוננציאלית.

 

שיטת ההחלקה אקספוננציאלית  מאפשרות לנו לחשב את ההשפעה של אירועים על התנהגות המוצר "  Event Effects". אירועים הנם פעילויות על ציר הזמן המשפיעים על התנהגות המוצר כגון: חגים, מבצעים, פרסום, חוסר במלאי וכו… . השימוש באירועים עוזר לנו לנתח נכון יותר את התנהגות המוצר בעבר ולחשב באופן מדויק יותר את התחזית לעתיד. על נושא ניהול האירועים והשימוש שלהם בניהול תחזיות ארחיב באחד מהמאמרים הבאים.

 

 

שיטת Box-Jenkins

שיטת Box-Jenkins הינה שיטה חדשה יחסית והיא מבוססת על מודל סטטיסטי הנקרא ARIMA. המודל הסטטיסטי ARIMA משלב שני שיטות חישוב יחד: חישוב ממוצע נע משוכלל  MA וחישוב רגרסיה לינארית אוטומטית Autoregressive AR . המודל מנסה למצוא דפוסי התנהגויות היסטוריות של המוצר על פני הזמן.

כדי לחשב תחזית בשיטת Box-Jenkins נידרש להשתמש בלפחות 40 תקופות היסטוריות (בקובץ הנתונים ההיסטוריים), כלומר אם אנו מנהלים תחזית חודשית, צריך לחשב את התחזית למוצר על בסיס 40 חודשי היסטוריה לפחות.

חישוב תחזית בשיטת Box-Jenkins באופן ידני או בעזרת אקסל הנה משימה מורכבת הדורשת ידע סטטיסטי מעמיק וזמן רב, לכן בפועל ניתן להשתמש בשיטה זאת בעזרת כלים אוטומטים כדוגמת מערכת Forecast Pro.

 

 

כלים לשיפור החישוב הסטטיסטי של התחזית

בעולם האמיתי התנהגות המוצרים אינה מתבצעת "בצורה מושלמת" , ישנם גורמים רבים המשפיעים על התנהגות המכר של המוצר. הנוסחאות לחישוב התחזית הסטטיסטית אינן יכולות להתחשב באותן הגורמים כיוון שהם "גורמים חיצוניים" שאינם נלקחים כחלק מחישוב הנתונים.

לכן אנו משתמשים בכלים נוספים המאפשרים להתייחס לאותם גורמים חיצוניים ולשפר את חישוב התחזית.

 

Events – ניהול אירועים. כדי לנהל תחזית טובה צריך להתחשב באירועים ולהבין את השפעתם על היסטורית הצריכה. אם נבין את השפעת כל אירוע על כל מוצר בעבר נרוויח פעמיים: מצד אחד נוכל לחשב את התנהגות המוצר בעבר ולקבל את התנהגותו הטיפוסית, בקיזוז השפעת האירוע, אם לא נקזז את השפעת האירוע מהעבר נחשב בטעות התנהגות טיפוסית לא נכונה ונקבל Baseline שגוי. מצד שני אם הצלחנו לחשב את השפעת האירוע על המוצר, נוכל להיעזר בנתון זה ולחזות טוב יותר את העתיד, הכולל אירועים דומים בעתיד (כגון חגים, מבצעים, פרסום, הידועים לנו מראש).

כדי להבין את השפעת מוצר לאירוע מסוג מבצע, אנו נדרשים לנהל תחזית ברמה שתאפשר להגדיר את היסטורית המכירה של מוצר לערוץ הפצה המנהל את המבצע. לדוגמה: אם אנו מוכרים מוצר מסוים לרשתות שיווק שונות, ובכל רשת מנהלים מבצעים באופן שונה, כדי להתחשב באירועי המבצעים יהיה צורך לנהל תחזית ברמה של נתוני כל מוצר לרשת שיווק.

כיצד מנהלים את האירועים? לשם כך צריך לבצע חישובים לא פשוטים המחלצים את השפעת כל אירוע על כל מוצר. בתחזית טיפוסית אנו מנהלים שורות רבות (לפעמים אלפי שורות או עשרות אלפי שורות) לכן כדי לחשב את השפעת אירועים רבים על שורות היסטוריה רבות נידרש לפעול בעזרת מערכות מתקדמות לניהול תחזיות, כדוגמת מערכת Forecast Pro העושה שימוש באלגוריתמים סטטיסטים מתקדמים, ומחשבת את השפעת האירועים השונים על המוצרים בצורה אוטומטית ומהירה.

 

 

Outliers – תיקון של נתונים היסטוריים חריגים. בתוכנות מתקדמות לניהול תחזיות כדוגמת תוכנת Forecast Pro מבוצע חישוב אוטומטי של הסטיות ההיסטוריות והתוכנה מציעה "היסטוריה מתוקנת" ללא הסטיות שחושבו.

התוכנה מאפשרת לאנליסט לקבוע האם לחשב את התחזית באופן אוטומטי על בסיס ההיסטוריה המתוקנת או שתבחר הדרך החצי אוטומטית, כך שכל סטייה תיבחן לגופה והאנליסט יקבע האם יש צורך "לתקן" את ההיסטוריה או שאין צורך בכך וחישוב התחזית יושפע גם מהסטיות החריגות. ההחלטה האם יש צורך לתקן את הנתונים ההיסטוריים הינה החלטה מקצועית וחשובה של האנליסט.

השימוש בתיקון הנתונים ההיסטוריים בעזרת ה Outliers מאפשר להקטין את "הרעש " בחישוב בתחזית ולאפשר לתוכנה לזהות את ההתנהגות הטיפוסית של המוצר, כולל מגמה ומחזוריות.

 

 

בפרק הבא אציג שיטות לחישוב מלאי ביטחון

 

 

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