Bu makale, işletmenin iş süreçleri ve bu süreçlerin "1C:ERP Kurumsal Yönetim" dahilinde yürütülmesi esnasındaki tahmin konularını ele almaktadır. Bu makale, aynı zamanda talebin mevsimsel değişikliğinin göz önünde bulundurulması, yeni ürünlerin tahmini, tahmin yönteminin seçimi, veri hazırlığı ve "istatistiksel aykırı değerlerin" belirlenmesi hususlarına odaklanmaktadır. Örneğin, spor kıyafeti dikme pratiğinden örnekler verilmiş. Bu örnekler sadece yöntemleri göstermek amacıyla seçilmiştir.
Tahmin hangi zamanlarda gereklidir?
Tahmin süreci nasıl organize edilir?
1C:ERP süreci nasıl ayarlanır?
Talebin mevsimsel değişikliği nasıl hesaplanır?
Farklı bölgelerdeki farklı mevsimsellikler nasıl hesaba katılır?
1C:ERP mevsimsel katsayıları nasıl hesaplar?
Talep, ürün parametrelerıne bağlıdır: peki nasıl hesaplanır?
Yeni ürünler için talep nasıl tahmin edilir?
Tahmin hangi zamanlarda gereklidir?
Stoğa üretiminde talep tahmini, çoğunlukla hesaplamaların geri kalanı için bir başlangıç noktası teşkil eder. Satış tahmini, satın alma ve üretim planları buna dahildir.
Stoğa üretim, talebi önceden (müşteri siparişleri gelmeden önce) tahmin etmeniz, üretim için malzeme temin etmeniz, gerekli her şeyi üretmeniz ve ürünleri ambara kaldırmanız gerektiği anlamına gelmektedir. Sonra müşteri gelir, ürünleri sipariş eder ve eğer istenilen ürünler stokta mevcut ise bunları müşteriye göndeririz. Eğer yoksa, göndermiyoruz.
Satış siparişi, sipariş edilmiş ürünler üretilmeden önce alınır
Satış siparişi, ürünler üretildikten sonra alınmaktadır
Stratejik ve taktiksel kararlar tahmin verileri esas alınarak alınır. Uzun vadeli planlamada talep tahmini, örneğin "Üretim kapasitesini artırmamız gerekiyor mu?" sorusunu yanıtlanmada yardımcı olabilmektedir.
Talep tahmini, daha düşük planlama seviyelerinde de gerekmektedir (daha detaylı bilgilere sahip, fakat daha kısa planlama ufkuna sahip seviyeler). Örneğin, bir başlatmanın hesaplanması esnasında tahmini göz önünde bulundurmanız gerekmektedir: Başlatma esnasında ambardan kaç ürünün satılacağı tahmini.
Tahminlerin detayları seviyeden seviyeye değişiklik gösterecektir, fakat her durumda bir tahmin mevcut olacaktır. Bu, tüketici davranışına yönelik bir öngörüdür.
Tahmine temelinde ürün ve malzeme ihtiyacı hesaplanmaktadır. Tahmin, öyle ya da böyle pratikte işletme faaliyetlerinin planlamasının tüm seviyelerinde mevcuttur. Sonuç olarak talep tahmininin kalitesi, planlamanın kalitesini ve bir bütün olarak şirketin başarısını büyük ölçüde etkileyecektir.
Tahmin süreci nasıl organize edilir?
Talep, bağımlı ve bağımsız talep olmak üzere ikiye ayrılabilir. Talebin bağımsız sayılan kısmı ürünün, pazarın vs. dahili mantığıyla ilişkilidir. Bu tüketici promosyonlarından, bizden veya rakip firmalardan gelen ürün eksikliklerinden vs. etkilenmediğinde sistemin denge durumundaki tüketimdir. Bağımlı talep, dış etkilere bağlı düzeltmelerdir.
"Bağımlı talep, zamanın farklı noktalarında farklı olabilir (ve aslında öyle olmalıdır), fakat bağımsız talep geçmişte ve gelecekte benzer şekilde işleyecektir. Bu varsayım ürünün kullanım değeri, pazar büyüklüğü ve şirketin pazar payı gibi net kavramlarla desteklenen, iç mantığı olan bir süreç olarak tüketim görüşüne dayanır."
– SCM. Tedarik zinciri yönetimi
Satışların tahmininde hem bağımlı hem de bağımsız talebin dikkate alınması önemlidir. Bu durumda matematiksel tahmin yöntemleri, öncelikle bağımsız talep kavramı ile ilgilidir. Bağımlı durumunun açıklanması için daha yaygın bir biçimde çeşitli uzman yargıları kullanılmaktadır.
Satış tahmin süreci
Kısacası, satış tahmini yapma süreci şöyle olabilir:
-
Analist/ekonomist/EPD çalışanı, geçmiş satış istatistiklerini baz alarak bir plan hazırlar (yani, bağımsız bir talep tahmini oluşturur).
-
Satış elemanları/pazarlamacılar/satış müdürleri/tasarımcılar bağımsız talep tahminini kendi ürün vizyonlarında, müşteri ilişkilerine ve genel duruma uygun bir biçimde geliştirmektedirler (yani, bağımlı talebi de dikkate alan bir tahmin elde etmektedirler).
-
Farklı uzmanlardan gelen tahminler derlenir, hangi tahminlerin dikkate alınacağına karar verilir ve satış tahmini onaylanır.
1C:ERP süreci nasıl ayarlanır?
1C:ERP sisteminde önceki dönemlerin verileri baz alınarak, satış tahminlerini hesaplama imkanı ve planların verilerini manuel olarak ayarlamak mümkündür. Bu sayede hem bağımlı, hem de bağımsız talep hesaba katılabilir.
Bir satış planının oluşturulmasında sistemde saklanan herhangi bir veri kullanılabilmektedir. Mesela:
-
önceki dönemlerin satışları
-
satış siparişleri
Filtreler ürün yelpazesine veya diğer parametrelere göre ayarlanabilir.
Plan sistem verileri kullanılarak hesaplandıktan sonra elimizde pazarlamacılar/satış elemanlarıyla doğrulanması gerekecek bir "tahmin taslağı" olacaktır.
1C:ERP'de satış planının doldurulması kuralının ayarları
Sistem verilerinden hareketle hesaplanan plan, manuel ayarlanabilir. Plan verileri üzerinde değişiklik yapıldığında planlama sürecindeki diğer katılımcılara, düzenlemenin gerekçesini açıkça belirtmek için bir yorum yazabilirsiniz. Bu sebeple eğer bir plan, birden fazla pazarlamacıya/satış elemanlarına gönderilmiş ise, her biri orijinal planlarında kendi ayarlamalarını yapabilecektir (satış tahminine yönelik kendi uzman değerlendirmeleri yapılabilir).
1C:ERP'de planın her satırına yorum girilebilir (her bir ürün için)
Uzmanların her biri, satış tahminine yönelik değerlendirme düzeltmeleri yapıldıktan sonrasında veriler derlenir ve nihai bir satış tahmini yapmak veya sunulan tahminlerden birini onaylayıp onaylamamaya karar vermek için kullanılır. Sistemdeki plan onay süreci, plan durumları vasıtasıyla takip edilebilmektedir.
Talebin mevsimsel değişikliği nasıl hesaplanır?
Tahmin için çokça farklı yöntem mevcuttur. Bunların çoğunluğu, literatürde detaylarıyla açıklanmıştır. Fakat pratiğe gelince, örneğin belirli bir görev için yöntem seçimi veya veri hazırlanması ile ilgili nüanslar söz konusu olabilmektedir. Bu yüzden, talebin bağımsız kısmının tahmini esnasında dahi, tahmin konusu ürünlere ilişkin talebin özelliklerine dair bilgi sahibi olmadan bunu yapmak çoğu zaman mümkün değildir.
Excel'de mevsimsel talep grafiği
Örneğin, spor giyim ürünlerinin satışında yıllık talep sıklığı genellikle gözlemlenebilir. Her yıl tüketici davranışları şöyle bir modeli izlemektedir: İlk çeyrekte satışlar genel ortalama düzeyde, ikincisinde düşük düzeyde, üçüncüsünde çok yüksek düzeyde, dördüncüsünde ise yüksek düzeyde. Bu özellik satılan ürünlerin özellikleri ve talebin dahili mantığı ile ilişkilidir. Temmuz - Eylül aylarındaki artan talepler, yeni spor sezonunun ve yeni okul yılının başlamasından kaynaklıdır. Mayıs - Haziran aylarındaki düşüş gösteren talepler de yine bu aylardaki tipik tüketici davranışlarıyla ilişkilidir: Eğitim yılının ve spor sezonunun sona ermesi, yaz tatillerinin başlangıcı.
Münferit ürünler veya kategoriler için mevsimsellik, o kadar da belirgin olmayabilmektedir. Örneğin, dans ayakkabılarının kullanım ömürleri nispeten kısadır. Eğer mesela kaliteli spor pantolonları birkaç yıl kullanılabiliyor ise, pisiler ve "jimnastik patikleri", profesyonel jimnastikçiler tarafından birkaç aylık bir süre zarfında yıkanmaktadır. Tüketiciler ürünü daha sık satın almak zorunda kaldıklarından dolayı, talep yıl boyunca daha istikrarlı olmaktadır. Veya örneğin, Nisan - Mayıs aylarında dans taytları, satışlarda diğer ürünlerin büyük bir kısmı kadar "başarısız" bir performans sergileyemez. Bu aylarda rapor konserleri düzenlenmekte ve takımlar, aktif olarak tüm takımları için taytlar satın almaktadır.
1C:ERP, farklı ürünlerin tamamen farklı mevsimsel talebine sahip olabileceği hususunu dikkate almaktadır. Talebin mevsimselliği sadece spor giyim satışlarının değil, diğer birçok sektörün de bir özelliğidir. Benzer mevsimselliğe sahip ürünler, mevsimsel gruplar olarak gruplandırılmaktadır. Her mevsimsel grup için farklı mevsimsel katsayılar hesaplanır.
1C:ERP'de ürünlerin hangi mevsimsel gruba ait olduğu belirlenebilir
Farklı bölgelerdeki farklı mevsimsellikler nasıl hesaba katılır?
Mevsimsel katsayılar, sistemde iş bölgelerine göre hesaplanabilmektedir. Örneğin, giysilerimizin Moskova'da diğer bölgelere nazaran biraz daha farklı satıldığını biliyoruz. Moskova'da talebin yüksek sezonda daha belirgin olduğunu biliyoruz. Ve genellikle merkez bölgelerde daha fazla satış yapmaktayız. Bu yüzden mevsimsel katsayıları Moskova ve bölgeler için ayrı ayrı hesaplamak daha mantıklıdır (2 birbirinden bağımsız satış tahmini elde edebilmek için).
Belirli bir bölgenin satışlarında, diğerlerinden bir şekilde farklı olması durumu sadece satış görevlilerinin şahsi deneyimlerine dayanılarak değil, aynı zamanda 1C:ERP'deki "Satış" alt sisteminde sağlanan raporlar yardımıyla da tespit edilebilir.
1C:ERP'deki mevsimsel katsayılar, veri tabanında saklanan satış istatistiklerine göre otomatik olarak hesaplanabilir.
1C:ERP'deki mevsimsel katsayıların grafiği
1C:ERP mevsimsel katsayıları nasıl hesaplar?
Mevsimsel katsayıları hesaplamak için çokça farklı yaklaşım mevcuttur (eklemeli veya çarpımsal mevsimsellik). 1C:ERP'deki sezonsal katsayılar, dönemin ortalama satışlarından sapma olarak hesaplanır (çarpımsal sezonsal katsayılar, ortalama çizgi baz alınır).
1C:ERP'ye dahil edilen mevsimsel katsayıların hesaplanma mantığı. Excel'deki grafik
Tabii, mevsimsel talep için sadece mevsimsel katsayılar değil, başka yöntemler de uygulanabilir. Mevsim ve trend etkisi içeren tahmin yöntemlerinden biri, Holt-Winters yöntemidir. Bu yöntem, adını geliştiricilerinin adlarından almıştır: Holt trendi hesaba katmak için bir yöntem önermiş, Winters ise mevsimselliği eklemiştir.
Trend ve mevsimsellik etki içeren üstel düzleştirme yöntemi (Holt-Winters), genellikle 2-3 yıllık verilere ihtiyaç duyar:
-
Başlangıç parametrelerinin ayarlanabilmesi için 1. yıl;
-
Tahminin oluşturulması için 2. yıl. Başlangıç modeli bu süreçte "düzleştirilir";
-
Doğrulama ve optimal model parametrelerinin seçimi için 3. yıl. Üçüncü yıl için satış tahmini oluşturulur ve sonrasında gerçek verilerle karşılaştırılır. Model parametreleri, tahmin hatasını en aza indirgeyecek biçimde seçilir.
Sadece 2 yıllık veriler mevcutsa, tahmin kabacadır. Çünkü, ikinci yılın verileri baz alınırsa hem modelin "düzleştirilmesi", hem de tahmin hatasını en aza indirgeyecek parametrelerin seçimi gerçekleştirilir.
Giyim satışlarında, ürün yelpazesinin nispeten sık değişiklik gösterebilmesi (ürün yelpazesinin bir kısmının yenilenmesi), satışların önemli özelliklerinden biri olarak not düşülebilir. Moda trendleri her sezon değişkenlik göstermektedir: Bazı ürünler üretimden kaldırılmakta, yeni ürünler de piyasaya sürülmektedir. Bunun sonucunda belirli bir ürün için maksimum istatistik değeri üç yılı geçemez. Bu durum satış tahmininde kullanılabilecek yöntemlere sınırlama getirir.
Bu durumda Holt-Winters yönteminin uygulanması, ürün veya ürün grubuna olan talebin tahmin edilmesi için her zaman uygun değildir (fakat, örneğin, gelir tahmininde "bozuk" verilerde daha iyi sonuçlar verir). Bu yöntemin uygulanması ve şirket çalışanlarına açıklanması, örneğin geleneksel mevsimsel katsayılara nazaran çok daha zordur.
"Model ne kadar basit olursa, firmanın karar mercilerince o kadar iyi algılanacak ve sonuç olarak, ortaya çıkan tahmine olan güvenleri de o kadar artacaktır. Çoğunlukla, daha fazla isabet sağlayan daha sofistike bir tahmin yaklaşımından ziyade, şirket yöneticilerince anlaşılabilecek daha basit bir tahmin yaklaşımı tercih edilmelidir. Belirlenen yöntem yöneticilerce kabul gördüğünde, tahmin sonuçları da yöneticiler tarafından aktif olarak kullanılmaktadır."
– Business Forecasting, Hanke, Reitsch, Wichern
Talep, ürün parametrelerıne bağlıdır: peki nasıl hesaplanır?
Spor giyimi satışlarının önemli bir özelliği talebin ürünün modeline, rengine, kumaş bileşenine ve bedenine bağlılığıdır. Kural olarak, talebin bedenine bağlılığı normal (Gauss) dağılıma sahiptir ve dağılımın parametreleri, kumaşın modeline ve özelliklerine bağlıdır. Tabii, örneğin, saf pamuk ürünlerin küçük çocuklarca satın alınma ihtimali daha yüksek iken, bazı koyu renkli ürünlerde ise talep daha büyük bedenlere doğru kayabilir.
Ürüne yönelik talebin bedenine göre dağılımı. Excel'deki tablo
Bu bağlılık, pratikte "yakından inceleme" yöntemi ile belirlenir. Özellik seçimi sorunu genellikle oldukça karmaşıktır ve çoğu zaman bu şekilde çözümlenemez. Talebin ürün parametrelerine bağlılığının gözlemlendiği tek yer sadece spor giyim satışları değildir. 1C:ERP sisteminde, ürün özellikleri kullanılarak ek muhasebe boyutları oluşturulabilir. Örneğin, şu hesap kesimleri konfigüre edilebilir: Kumaş, renk, kumaş bileşeni, beden. Buna ilaveten, bu parametrelerdeki talep dağılımının özelliklerini dikkate alarak satış planları yapabilirsiniz.
1C:ERP'de ürün türü ayarları
Sistem verileri bu özellikler boyutunda sakladığından, aynı özellikler boyutunda önceki dönemlerin verilerine dayanarak plan yapmakta herhangi bir sorun yaşanmayacaktır.
Örneğin döneme ait satış raporu renk, kumaş bileşeni, ürün bedenine göre satış verilerini gösterebilir. Satış planı aynı boyutta hazırlanabilir ve talebin renk, kumaş bileşeni ve ürün bedenine olan farklı bağlılığı dikkate alınabilir.
1C:ERP'de satış tahmini, 1C:ERP'de satış raporu parçası
Yeni ürünler için talep nasıl tahmin edilir?
Ayrı bir sorun ise, yeni ürünlere yönelik talebin tahmin edilmesidir. Yani bir nevi henüz satılmamış ürünler için bir satış tahmininin oluşturulmasıdır. Bu özellik elbette sadece hazır giyim satışları için değil, birçok işletme için geçerlidir.
Yeni ürünleri tahmin ederken pazar araştırmalarına, uzman değerlendirmelerine, "benzer" ürünlere yönelik talebe, vs. güvenebilirsiniz.
Örneğin, yeni bir siyah pamuklu bebek ürününü piyasaya sürüyorsak, genellikle siyah pamuklu ürünlerin ve özellikle de bebek ürünlerinin nasıl pazarlandığını bilmek faydalı olacaktır. Ne kadar bebek ürünü sattığımızı, vs. bilmek işimize yarayacaktır.
1C:ERP sisteminde, örneğin, dağılım standartları kullanılarak yenilikler tahmin edilebilir. Yeni siyah pamuklu bebek ürününün nasıl satılacağını tam olarak bilmiyoruz, fakat şunları anlayabiliriz:
-
siyah ürünler diğer renklere kıyasla nasıl satılır;
-
pamuklu ürünler diğer kumaşlara kıyasla nasıl satılır.
Bu bilgiler, veri tabanında biriken satış istatistiklerinden hesaplanabilen dağılım standartlarında mevcuttur. Örneğin aşağıda hesaplanan dağılım standardı, siyah renkli ürünlerin beyaz renkli ürünlere nazaran biraz daha iyi satıldığını göstermektedir.
1C:ERP'de dağılım standartlarının hesaplanması
Genel hesaplama şeması şöyledir:
1C:ERP'de standartların kullanımına yönelik basitleştirilmiş şema
Talebin dağılım standartları, geçmiş satışlar baz alınarak hesaplanır. Standart, ürün "parametreleri" boyutlarından hesaplanır ve sonrasında bu standartlar, yenilikler için satış tahmininin hesaplanmasını etkiler.
1C:ERP sistemindeki dağılım standardı, ilgili kategorinin toplam satış rakamının belirli ürünlere bölündüğü kural/pay/yüzdedir.
1C:ERP'de bir satış tahminini hesaplama mantığını ve hesaplama örneğini inceleyelim. "Kadın spor giyim" ürün kategorisinde satış yapmayı planlıyor olalım. Bu kategori dahilinde, bir yıl içerisinde 10.000 ürün satacağımızı tahmin edelim. Satış tahminlerini hazırlarken üç parametreyi baz alarak talebin spesifik dağılımını dikkate almak isteriz: Kumaşın boyutu, rengi ve içeriği. Kadın spor giyimine yönelik talep dağılımının XS-XL bedenlere kaydığını düşünelim. Ve siyah sentetik ürünler daha sık satın alınıyor olsun.
Kumaş bileşenine göre dağılım standartları: Alımların %70'i viskozlu ürünler, alımların %30'u ise pamuklu ürünler.
Renklere göre dağılım standartları: alımların %40'ı beyaz ürünler, %60'ı ise siyah ürünler.
Ürün bedenine göre dağılım standartları şu tabloda gösterilmektedir:
Üç dağılım standardı baz alınarak, standartları birbirleri ile çarparak toplam satışları kategorilere göre ayrıştırabiliriz. Örneğin, 10.000 / 5 * 0,6 * 0,3 * 0,1 = 36 adet XS beden siyah pamuklu "Ürün 1" ürününden satmayı planlıyor olalım.
1C:ERP sisteminde dağılım standartları aracılığıyla satış tahminleri de aynı şekilde hesaplanmaktadır.
(markalara göre)
1C:ERP’de renklere göre dağılım standardı
(hacime göre)
1C:ERP'de kumaş bileşenine göre dağılım standardı
(türe göre)
1C:ERP’de bedenlere göre dağılım standardı
Sadece dağılım standardı ile oluşturulan bir satış planı, uzman tahminlerinin yerini tam olarak alamaz. Fakat böyle bir plan, uzman düzeltmeleri için esas teşkil edebilir. Sistemin otomatik oluşturduğu planı düzeltmek, tüm işi manuel yapmaktan daha basit ve kullanışlıdır: ilk önce önceki dönemlerin satış verilerine dayanarak bir plan oluşturmaya çalışın ve sonrasında bu planda ayarlamalar yapın (ürün, pazar, vs. vizyonuna göre).
Hangi veriler alınmalı?
Kaliteli tahmin için sadece başarılı bir yöntemin seçilmesi ve satılan ürünlerin özelliklerine dair iyi bir bilgi sahibi olunması çoğu zaman yeterli değildir. Tahminin kalitesi, büyük ölçüde verilerin kalitesine bağlıdır. Bu yüzden bir tahminde bulunmadan önce, veri hazırlama aşaması esnasında istatistiksel aykırı değerlerin belirlenmesi ve veri kümesinin bunlardan ayıklanması için gayret gösterilmesi gerekmektedir.
Aykırı değer ing. outlier, "ıska": İstatistiklerde, toplam veri kümesinden ayıklanan bir ölçüm sonucu.
Aykırı değerlerin sebepleri:
-
Ölçüm hataları sebebiyle.
-
Girdi verilerinin olağan dışılığı sebebiyle. Örneğin bir odadaki nesnelerin sıcaklıklarını rastgele ölçerseniz, 18 ila 22°C arasında rakamlar elde edeceksiniz, fakat kalorifer radyatörünün sıcaklığı 70° olacaktır.
-
Aykırı değerler de bir dağılımın parçası olabilir, yani normal bir dağılımda her 22. ölçüm "iki sigma" değerinden, her 370. ölçüm ise üç sigmadan çıkacaktır.
Aykırı değer, diğer verilerle karşılaştırıldığında "anormal" bir şeydir. Standart şablona uymayan şeyler. Fakat aykırı değerlerin belirlenmesi için tek bir "normallik" kriteri bulunmamaktadır. Kriterler farklı görevler, sektörler, vs. için farklılık gösterebilir.
Ölçüm hataları
Aykırı değerlerin sebeplerinden bir başkası ise ölçüm hatalarıdır. Yani veriler en başta yanlış toplanmış, ölçülmüş veya sisteme yanlış girilmiştir. Otomatik hesaplama sisteminin kullanılması, bu sorunu en az düzeye indirebilir.
Bir işletmenin, satış istatistiklerini derlemek üzere Excel kullandığını varsayalım. Satış elemanları tabloya müşteri, sevkiyat tarihi ve satış tutarını girer. Müşteriye göre satış tahmini için gereklidir.
Satış elemanlarının "girdikleri" verileri sıralamaya başladığımızda, bazı ilginç şeyler gün yüzüne çıkacaktır. Örneğin "Hacıbekov" Şahıs Şirketi ve "Romaşka" Limited Şirketi, esasında aynı müşteri olduğu yanlışlıkla ortaya çıkabilir. Ve bunları birlikte saymak daha makuldür. Müşterinin adında veya diğer verilerinde yazım hataları olacaktır. Müşteri, ilk yıl boyunca belirli bir satış elemanı tarafından yönetilmiş ve bu satış elemanı onu "İvanov İ.İ." şeklinde kaydetmiş, daha sonra bu müşteri ikinci bir satış elemanına devredilmiş olabilir. Ve ikincisi onu, İjevsk Spor Ürünleri Limited Şirketi olarak kaydetmeye başladı. Bu gibi durumların takibinin yapılması, özellikle de çok fazla veri varsa oldukça zordur ve zaman alıcıdır.
Bu yüzden bu tür durumları önleyen otomatik bir muhasebe sistemi, doğru verilerin toplanmasına yardımcı olabilir.
Girdi verilerinin olağan dışı doğası sebebiyle aykırı değerlerden veya dağılımın bir parçası olarak aykırı değerlerden bahsedecek olursak, farklı durumlar söz konusu olabilir.
Ürün açığı
Veriler stokta bulunmayan bir çeşit üründen ve bu ürünün bir sonraki satış artışından etkilenebilir. Yani önceden ertelenmiş bir talebi topladık, sonra ise karşılaşmış olduk. İlk dönemde talep az sayılır, ikinci dönemde ise normalin üzerinde bir aşırılıkta olduğu tahmin edilir. Aykırı değer göstergesi, ürünün stokta bulunmaması/bulunması olabilir.
1C:ERP sisteminde satış planı oluştururken, stoktaki ürünlerin mevcudiyet payını otomatik hesaplayabilir ve böylelikle "ertelenmiş talebi" hesaba katabilirsiniz.
1C:ERP'de tahmin tablosunu doldurmak için formülün düzenlenmesi
Sıra dışı sipariş
Aykırı değer, tek seferlik büyük ve sıra dışı bir sipariş olabilir. Örneğin bir ürün çocuklara yönelik fakat yetişkinler için satın alınmış ise. Tablo, böyle bir siparişin talep tahminini nasıl etkileyebileceğine dair bir örnek teşkil etmektedir. Tablonun ilk üç satırı, doğru ürün konumlandırması bağlamında olması gerektiği gibi, talebin bedenlere göre dağılımıdır. Alttaki üç satır, aykırı değerleri içeren gerçek verilere dayalı hesaplamalardır.
Talebin bedenlere bağlı dağılımı, Excel tablosu
Eğer aykırı değerli siparişi kaldırmazsanız, talep tahmininde ve daha sonraki üretim planlamalarında bu veriler dikkate alınacaktır. Bunun sonucunda da nihai ürün ambarına "standart dışı" büyük bedenlerde bir fazlalık teslim alınacak. Bu yüzden aykırı değerlerin belirlenmesi önemlidir. Rastgele dalgalanmalar, tahminin kalitesini etkilememelidir.
1C:ERP'de mevsimsel katsayıların hesaplanma ve/veya dağılım standartlarının hesaplanma aşamasında gereksiz verileri filtreleyebilirsiniz. Buna ilaveten, bir satış planı oluştururken filtreleri de belirleyebilirsiniz. Bu durumda plan oluşturulurken sadece belirli, "gerekli" veriler dikkate alınır. Örneğin, (ABC analizi yapılırsa) sadece A kategorisindeki ürünleri ele alabilirsiniz.
Plan doldurma veri kaynağındaki filtre ayarları
Sektör ve şirket özellikleri
Spor giyim imalatının sektöre özgü özelliklerinden biri, spor takımlarının ve/veya dans gruplarının taleplerini karşılamaktır. Bu durumda müşteri, genellikle belirli bir tarihe kadar tüm takım için üniformalar satın almak ister. Örneğin, eğitim sezonunun başlangıcı veya herhangi bir yarışma için. Satış açısından değerlendirildiğinde spor takımları, talebin yüksek isabetle tahmin edilebildiği ayrı bir hedef grubudur. Bu talep dönemseldir ve aylara göre değişir, genellikle yarışma tarihleri yaklaştıkça talep de artar. Farklı bölgelerdeki yarışmalar farklı zamanlarda gerçekleşir, bu yüzden bölgelere göre satış dinamikleri farklılık gösterebilmektedir.
Spor takımlarının talebi, belirli birtakım özelliğe sahiptir:
-
Takımdakilere genellikle aynı ürünler satın alınır.
-
Bedenler de aynı veya benzerdir.
-
Bir takıma satın alınanlar, genellikle belirli bir spor etkinliğinden önce yapılır: Bir spor sezonunun başlangıcı, yarışma, vs.
Takımların talebi, rastgele bir aykırı değer gibi düşünülebilir. Bu yüzden aykırı değerleri belirlenirken aykırı değerin mantığını da anlamak gerekir. Belki de bu bir aykırı değer değil, bağlı bir taleptir. Bir model belirlendikten sonra nihai tahmini buna göre düzeltebilirsiniz.
Excel'deki grafik. Bölge No.1 için aylara göre spor takımı talebi
Excel'deki grafik. Bölge No.2 için aylara göre spor takımı talebi
Önceki yıllar satış istatistikleri ile müşterilerin bölgelerini ve spor dallarını öğrenerek, "spor takımları" hedef grubu için satış planını düzenlemek mümkündür.
Excel'deki grafik. No.1 ve No.2 bölgelerinde "spor takımları" için toplam talep
"Spor takımları" hedef grubunun talebi yarışma tarihleri ile ilişkili iken, diğer tüm talepler yarışma tarihleriyle ilişkili değildir. Bu yüzden "spor takımları" hedef grubu, diğer siparişlerden ayrı olarak analiz edilmelidir. "Spor takımları" ayrı ayrı analiz edildiğinde genel satış planı, gözle görülür biçimde düzenlenebilir.
Excel'deki grafik. "Spor takımları" haricindeki toplam talep
Excel'deki grafik. "Spor takımları" dahil toplam talep
Sonuç
Talep tahmini, kurumsal planlamanın ve yönetimin mühim bir parçasıdır. Matematiksel istatistiksel yöntemlere ilaveten uzman görüşlerini ve ürün talebinin mantığını anlamak da, tahminlerde önemli bir rol oynamaktadır.