ניהול תחזית – הנוסחאות והכלים לחישוב תחזית סטטיסטית

ניהול תחזית – הנוסחאות והכלים לחישוב תחזית סטטיסטית

מאת: צור אמיתי

תחזית טובה היא הבסיס לתכנון פעילות הארגון. כל ארגון מעוניין לדעת מה יקרה בעתיד: אילו מוצרים הלקוחות שלו ירכשו, מה תהיה כמות המוצרים שירכשו, ומתי צפויה הרכישה. לצורך כך מנהלים ארגונים מתקדמים תחזית עתידית המנסה לנבא את התשובות לשאלות: מה, כמה ומתי.

את התחזית מנהלים בעזרת כל המידע הקיים בארגון: היסטוריית המכירות 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 הוא התחזית הסטטיסטית. התחזית הסטטיסטית מבוססת על חישוב סטטיסטי של נתוני המכירות 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 רק על בסיס המכירות בעבר. עם זאת, התחזית הסטטיסטית מספקת את הבסיס, או ה-Baseline, שעליו ניתן להוסיף את השיקולים והמידע הקיים בארגון לגבי העתיד, ובכך להפוך את התחזית הסטטיסטית לתחזית עסקית שימושית יותר.

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, כגון ממוצע נע או ממוצע משוקלל. עם השנים, ובעקבות התפתחות המחקר הסטטיסטי, פותחו נוסחאות מורכבות יותר המסוגלות לנבא את התנהגות המוצרים על פני תקופה ולזהות מגמות, מחזוריות ועונתיות בחיי המוצר.

שיטות רגרסיה

בנוסף לנוסחאות הסטטיסטיות, פותחו שיטות רגרסיה לחיזוי. שיטות אלו מאפשרות לנבא התנהגות של סדרת מספרים על ידי בדיקת תאימות, או קורלציה, בין סדרת המספרים לבין סדרות מספרים אחרות.

לדוגמה, ניתן לנסות לנבא את צריכת החשמל באמצעות רגרסיה של נתוני מזג האוויר, נתוני הכלכלה ונתוני מחירי הדלקים.

עם השנים השתפרו שיטות הרגרסיה ונוספו שיטות דינמיות ממוחשבות. במאמר זה לא אפרט את שיטות הרגרסיה, משום שזהו נושא רחב ומורכב בפני עצמו. חשוב לציין ששיטות רגרסיה מתאימות במיוחד לניבוי התנהגות של מוצר אחד בעזרת סדרות של משתנים. לכן, במקרים רבים, שיטות אלו אינן מתאימות למרבית הארגונים הנדרשים לנהל תחזית למוצרים רבים במקביל.

שיטות חיזוי סטטיסטיות של סדרות זמן

השיטות המקובלות לחיזוי מבוססות על נוסחאות סטטיסטיות העושות שימוש בציר הזמן כדי לנתח את התנהגות המוצרים.

נוסחאות אלו מנסות לזהות את דפוס ההתנהגות של המוצר על פני ציר הזמן. לחלק מהנוסחאות יש מעין "זיכרון" המנסה לזהות התנהגויות טיפוסיות בעבר ולהשליך אותן על העתיד. לכן חשוב לבצע את החישוב על בסיס היסטוריה ארוכה מספיק.

בניגוד לחישוב של ממוצע נע או ממוצע משוקלל, שאינו דורש היסטוריה ארוכה במיוחד, נוסחאות מתקדמות דורשות לעיתים יותר מ-24 תקופות, ולעיתים גם יותר מ-36 תקופות, כדי לחשב תחזית ברמת אמינות סטטיסטית גבוהה.

להלן מספר נוסחאות ושיטות מקובלות לחישוב תחזית סטטיסטית.

החלקה מעריכית — Exponential Smoothing

החלקה מעריכית היא קבוצת הנוסחאות המקובלת ביותר לחיזוי סטטיסטי. באנגלית היא נקראת Exponential Smoothing. מדובר במשפחה של נוסחאות המטפלות בהתנהגויות שונות של מוצרים וסדרות זמן.

נוסחאות ההחלקה האקספוננציאלית מבוססות על חישוב מספר גורמי התנהגות מרכזיים:

• רמה — Level: מספר קבוע המציין את הרמה הקבועה של פעילות המוצר, לאחר החלקת הנתונים ונטרול רעשים הנובעים ממגמה ועונתיות.
• מגמה — Trend: הנוסחה מחשבת את המגמה המקומית של פעילות המוצר בנקודת זמן מסוימת. קיימות מגמות שונות, כגון ללא מגמה, מגמה לינארית, מגמה מרוסנת ומגמה מעריכית.
• עונתיות — Seasonal: הנוסחה מחשבת את ההתנהגות העונתית של המוצר על פני ציר הזמן. קיימות התנהגויות עונתיות שונות, כגון ללא עונתיות, עונתיות פשוטה ועונתיות מרובה.

בסך הכול קיימות נוסחאות שונות במשפחת ההחלקה האקספוננציאלית, המגדירות שילובים שונים של רמה, מגמה ועונתיות. חלק מהנוסחאות מוכרות יותר לעוסקים בחיזוי, כגון Simple, Holt ו-Winters.

חשוב לזכור כי במקרים רבים פונקציית החיזוי האופטימלית אינה בהכרח אחת משלוש הפונקציות המוכרות, אלא פונקציה אחרת מתוך משפחת נוסחאות ההחלקה האקספוננציאלית.

שיטת ההחלקה האקספוננציאלית מאפשרת גם לחשב את ההשפעה של אירועים על התנהגות המוצר. אירועים הם פעולות או מצבים על ציר הזמן המשפיעים על התנהגות המכר, כגון חגים, מבצעים, פרסום, חוסר במלאי ועוד.

השימוש באירועים עוזר לנתח נכון יותר את התנהגות המוצר בעבר ולחשב באופן מדויק יותר את התחזית לעתיד.

שיטת Box-Jenkins

שיטת Box-Jenkins מבוססת על מודל סטטיסטי הנקרא ARIMA. המודל משלב בין חישוב ממוצע נע משוכלל לבין חישוב רגרסיה לינארית אוטומטית. המודל מנסה למצוא דפוסי התנהגות היסטוריים של המוצר על פני הזמן.

כדי לחשב תחזית בשיטת Box-Jenkins נדרש להשתמש בהיסטוריה ארוכה יחסית. לדוגמה, אם מנהלים תחזית חודשית, נדרש לעיתים בסיס של עשרות חודשי היסטוריה לפחות כדי לבצע חישוב אמין.

חישוב תחזית בשיטת Box-Jenkins באופן ידני או בעזרת Excel הוא משימה מורכבת הדורשת ידע סטטיסטי מעמיק וזמן רב. לכן בפועל נהוג להשתמש בשיטה זו בעזרת כלים אוטומטיים לניהול תחזיות, כגון Forecast Pro.

כלים לשיפור החישוב הסטטיסטי של התחזית

בעולם האמיתי התנהגות המוצרים אינה מתרחשת בצורה מושלמת. קיימים גורמים רבים המשפיעים על התנהגות המכר של המוצר, והנוסחאות לחישוב התחזית הסטטיסטית אינן יכולות להתחשב בכל אותם גורמים חיצוניים כחלק מחישוב הנתונים הרגיל.

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

ניהול אירועים — Events

כדי לנהל תחזית טובה צריך להתחשב באירועים ולהבין את השפעתם על היסטוריית הצריכה. אם נבין את השפעת כל אירוע על כל מוצר בעבר, נרוויח פעמיים.

מצד אחד, נוכל לחשב את התנהגות המוצר בעבר ולקבל את ההתנהגות הטיפוסית שלו לאחר קיזוז השפעת האירוע. אם לא נקזז את השפעת האירוע, אנו עלולים לחשב בטעות התנהגות טיפוסית לא נכונה ולקבל Baseline שגוי.

מצד שני, אם הצלחנו לחשב את השפעת האירוע על המוצר, נוכל להיעזר בנתון זה ולחזות טוב יותר את העתיד, כאשר קיימים אירועים דומים בעתיד, כגון חגים, מבצעים או קמפיינים שיווקיים.

כדי להבין את השפעת אירוע מסוג מבצע, יש לנהל תחזית ברמה שתאפשר להגדיר את היסטוריית המכירה של מוצר בערוץ ההפצה שבו מתקיים המבצע. לדוגמה, אם אנו מוכרים מוצר מסוים לרשתות שיווק שונות, ובכל רשת מנהלים מבצעים באופן שונה, יש צורך לנהל תחזית ברמה של מוצר מול רשת שיווק.

חישוב השפעת אירועים על שורות תחזית רבות הוא תהליך מורכב. בתחזית טיפוסית מנהלים לעיתים אלפי שורות או עשרות אלפי שורות. לכן, כדי לחשב את השפעתם של אירועים רבים על שורות היסטוריה רבות, נדרש להשתמש במערכות מתקדמות לניהול תחזיות, כגון Forecast Pro, העושות שימוש באלגוריתמים סטטיסטיים מתקדמים.

תיקון חריגים — Outliers

כלי חשוב נוסף הוא תיקון נתונים היסטוריים חריגים. בתוכנות מתקדמות לניהול תחזיות, כגון Forecast Pro, מבוצע חישוב אוטומטי של סטיות היסטוריות והתוכנה יכולה להציע היסטוריה מתוקנת ללא הסטיות החריגות שחושבו.

התוכנה מאפשרת לאנליסט לקבוע האם לחשב את התחזית באופן אוטומטי על בסיס ההיסטוריה המתוקנת, או לעבוד בדרך חצי אוטומטית שבה כל סטייה נבחנת לגופה. האנליסט מחליט האם יש צורך לתקן את ההיסטוריה או האם יש להשאיר את הנתונים כפי שהם.

ההחלטה האם לתקן את הנתונים ההיסטוריים היא החלטה מקצועית חשובה של האנליסט.

השימוש בתיקון נתונים היסטוריים בעזרת Outliers מאפשר להקטין את הרעש בחישוב התחזית, ולאפשר למערכת לזהות טוב יותר את ההתנהגות הטיפוסית של המוצר, כולל מגמה, עונתיות ומחזוריות.

סיכום

ניהול תחזית סטטיסטית הוא הבסיס לתכנון ביקושים, תכנון מלאי, תכנון ייצור ותכנון רכש. שילוב נכון בין נוסחאות סטטיסטיות, היסטוריה איכותית, ניהול אירועים, תיקון חריגים וניסיון מקצועי מאפשר לארגון לבנות תחזית טובה יותר ולהפוך אותה לכלי עבודה מרכזי בתהליכי התכנון.

ASC מלווה ארגונים בהקמת תהליכי ניהול תחזיות, בחירת שיטות חיזוי, יישום Forecast Pro, שיפור איכות הנתונים ובניית תהליכי Demand Planning ו-S&OP אפקטיביים.