Myynnin ennustamisen tilastolliset menetelmät

Erilaisia ​​tilastollisia ennustamismenetelmiä on suunniteltu käytettäväksi hitaasti liikkuvien tuotteiden, uusien tuotteiden käyttöönoton, vakaiden kypsien tuotteiden ja epätavallisen kysynnän omaavien tuotteiden kanssa. Määrittämällä, mikä tilastollisen ennustamismenetelmä toimii parhaiten tuotteessa, on usein kokeiluversio ja virhe. Käytettävää menetelmää (-menetelmiä) koskevan sekaannuksen vuoksi jotkut yritykset esittävät ennusteiden asiantuntijoita tietojen analysoimiseksi ja määrittämään, mihin aloittaa ennustamisprosessi.

Perusasiat

Kun yritys käyttää tilastollisia myynnin ennustamistekniikoita, se käyttää historiallista myynti- tai kysyntää koskevia tietoja yrittäessään ennustaa tulevaa myyntiä. Ennusteiden luomiseen käytettyjen monimutkaisten matemaattisten kaavojen vuoksi useimmat yritykset luottavat kehittyneeseen ohjelmistoon tämän tehtävän suorittamiseksi. Jokainen kysynnän tyyppi edellyttää erilaista tilastollista menetelmää tulevan ennusteen parhaaksi ennustamiseksi.

Kausimallit

On olemassa useita kausiluonteisia ennustamismenetelmiä. Kausittaiset ennustamismenetelmät, kuten Box Jenkins, Census X-11, Decomposition ja Holt Winters eksponentiaaliset tasoitusmallit käyttävät tuotteiden kysynnän profiilin kausiluonteista osaa tärkeänä panoksena tulevan ennusteen määrittämiseksi. Kausiluonteisuus edustaa trendiä, joka toistuu tietyissä jaksoissa. Esimerkiksi ruokapöydissä on suuri kausiluonteinen kysyntä kuukausina, jotka johtavat kiitospäivään ja jouluun.

Yksinkertaiset mallit

Yritykset, joilla ei ole kehittynyttä ennusteohjelmistoa, luottavat usein pelkästään laskentataulukossa hallittuihin yksinkertaisiin ennustemalleihin. Joitakin näistä menetelmistä ovat Holtin kaksinkertainen eksponentiaalinen tasoitus; adaptiivinen eksponentiaalinen tasoitus, painotettu liikkuva keskiarvo ja hyvin yleinen liikkuva keskimääräinen menetelmä. Vaikka helppokäyttöinen malli, liikkuva keskiarvomenetelmä ei varoita yritystä tuotteen tietojen tulevista suuntauksista. Liukuva keskiarvo näyttää vain jo muodostuneet suuntaukset. Joka kerta kun uusi jakso lisätään liikkuvaan keskimääräiseen kaavaan, viimeinen jakso poistetaan - siten koko ajanjakso ”liikkuu” eteenpäin yhden ajanjakson.

Uudet tuotemallit

Uusien tuotteiden ennustaminen on edelleen yksi vaikeimmista ennustustehtävistä. Uusien tuotteiden ennustaminen edellyttää panosta ihmisen ja tietokoneen tuottamista lähteistä. Uusien tuotteiden ennustamismenetelmät, kuten Gompertz-käyrä ja Probit-käyrä, pyrkivät hallitsemaan uuden tuotteen käyttöönottoon liittyvää korkeaa nousuprosessia. Nämä menetelmät toimivat myös sellaisten tuotteiden kypsymisessä, jotka lähestyvät elinkaarensa loppua.

Hitaasti liikkuvat mallit

Tuotteet, joilla kysyntä on hidasta tai joilla on satunnainen kysyntä, edellyttävät tietyntyyppistä tilastollista ennustemallia. Crostonin ajoittainen malli toimii tuotteissa, joissa on epätasainen kysyntä. Tuotteet, joilla on epätarkka kysyntä, eivät ole kausiluonteisia; sen sijaan tuotteiden kysyntäominaisuuksista piirretty kaavio osoittaa huiput ja tasaiset jaksot ajoittaisissa pisteissä aikasarjassa. Crostonin mallin tavoitteena on tarjota turvaosuusarvo ennustearvon sijasta. Turvallisuusvaraston arvo mahdollistaa vain tarpeeksi varastoja tarpeiden kattamiseksi.