ניהול תחזית – ניתוח סטטיסטי של הפעילות ההיסטורית

ניהול תחזית – ניתוח סטטיסטי של הפעילות ההיסטורית

מאת: צור אמיתי

השיטה המקובלת לבניית תחזית היא שימוש בכלים לניתוח סטטיסטי של היסטוריית פעילות המוצרים. תוצאות הניתוח הסטטיסטי משמשות כבסיס המרכזי לבניית התחזית, ובעזרת בסיס זה אנו מבצעים שינויים לקבלת תחזית אמינה ככל הניתן.

במאמר הקודם הצגתי כיצד בונים את בסיס הנתונים של הפעילות ההיסטורית של המוצרים, וכן שיטות פשוטות לחישוב סטטיסטי. במאמר זה אציג את הכלים המקובלים לניתוח סטטיסטי של הפעילות ההיסטורית ולבניית בסיס לתחזית העתידית של פעילות המוצרים.

חישוב ה-Baseline כבסיס לניהול תחזית

לבסיס התחזית אנו קוראים "Baseline". בדרך כלל אנו מחשבים את ה-Baseline בעזרת ניתוח סטטיסטי של הפעילות ההיסטורית, ועל כך נדון בפרק זה. במקרים מיוחדים נשתמש ב-Baseline שאינו מחושב על בסיס ההיסטוריה אלא על נתון אחר; בנושא ניהול Baseline המבוסס על נתונים אחרים נדון במאמרים הבאים.

ובכן, כיצד נחשב את ה-Baseline של התחזית על בסיס ניתוח סטטיסטי? כדי לבצע חישוב לתחזית אנו צריכים לדעת באיזו שיטת חישוב סטטיסטי כדאי לנו להשתמש. התשובה לשאלה זו היא אולי אחת ההחלטות החשובות ביותר שיש לקבל בתהליך ניהול התחזית.

השיטות המקובלות לחישוב סטטיסטי לתחזית

השיטות השונות לחישוב סטטיסטי מתבססות על נוסחאות סטטיסטיות שונות. לכל קבוצת נוסחאות יש יתרונות וחסרונות יחסיים, והיא מתאימה להתנהגות היסטורית שונה של מוצרים.

החלקה מעריכית — Exponential Smoothing

קבוצת הנוסחאות המקובלת ביותר נקראת החלקה מעריכית, או בשמה הלועזי 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: מספר קבוע המציין את הרמה הקבועה של פעילות המוצר. 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 הכול קיימות 12 נוסחאות מובילות של החלקה אקספוננציאלית המגדירות התנהגויות שונות של שלושת המרכיבים (4 סוגי מגמות, 3 סוגי עונתיות ורמה אחת, לכן: 4 × 3 × 1 = 12).

ניתן לצפות בטבלאות בצילום המאמר המודפס.

חלק מהנוסחאות של החלקה אקספוננציאלית מוכרות יותר לעוסקים בחיזוי והן נלמדות בקורסים לניתוח סטטיסטי באקדמיה. הנוסחאות היותר ידועות הן: 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 משלוש הפונקציות המוכרות, אלא לפונקציה אחרת ממשפחת הפונקציות של ההחלקה האקספוננציאלית.

שיטת ההחלקה האקספוננציאלית מאפשרת לנו לחשב את ההשפעה של אירועים על התנהגות המוצר Event Effects. אירועים הם פעילויות על ציר הזמן המשפיעות 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. כאשר אירוע השפיע על המכירות בעבר, חשוב לזהות את השפעתו ולנטרל אותה מתוך ההתנהגות הרגילה של המוצר; אם לא נעשה זאת, עלול להתקבל Baseline שגוי המשקף את האירוע החריג במקום את ההתנהגות הטיפוסית של המוצר. על נושא ניהול האירועים והשימוש בהם בניהול תחזיות ארחיב באחד מהמאמרים הבאים.

שיטת Box-Jenkins

שיטת Box-Jenkins היא 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 היסטוריים 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 Excel הוא משימה מורכבת הדורשת ידע סטטיסטי מעמיק וזמן רב, לכן בפועל ניתן להשתמש בשיטה זו בעזרת כלים אוטומטיים כדוגמת מערכת Forecast Pro.

שיטות ניתוח סטטיסטי פשוטות

את שיטות החיזוי הפשוטות הצגתי בחלקן בפרק הקודם והן כוללות את המודלים הבאים:

• תחזית קבועה (Fixed Forecast): קביעת תחזית קבועה לתקופות התחזית הבאות.
• ממוצע נע (Moving Average): חישוב ממוצע על פני מספר תקופות. השיטה מאפשרת לחשב מחדש בכל תקופה את הממוצע על פי מספר תקופות קודמות. מקובל לחשב ל-3 עד 5 תקופות קודמות את הממוצע. ישנם ממוצעים משוכללים יותר הניתנים לחישוב, כגון ממוצע נע משוקלל לינארית (Linear Weighted Moving Average) המגדיר משקל שונה לכל תקופה — משקל גבוה יותר לתקופה קרובה יותר ומשקל נמוך לתקופה מרוחקת — וישנו ממוצע מתקדם יותר, ממוצע נע מעריכי (Exponential Moving Average).
• כמו לפני שנה: בניית תחזית על פי הפעילות בתקופה המקבילה בשנה שעברה. ניתן לשכלל את השיטה ולהוסיף כמות קבועה (חיובית או שלילית) או לשנות באחוז קבוע (חיובי או שלילי) את התחזית ביחס לתקופה המקבילה בשנה שעברה. לדוגמה: בשנה שעברה מכרנו בחודש נובמבר ממוצר A 1,000 יחידות, לכן התחזית השנה למוצר A לחודש נובמבר תהיה 1,000 יחידות, או 1,000 + 15% במידה והחלטנו להוסיף השנה 15% לפעילות המוצר ביחס לשנה שעברה.

בחירת השיטה הסטטיסטית המתאימה ביותר לחישוב התחזית

כיצד ניתן לדעת באיזו שיטה לבחור לצורך חישוב התחזית? כאמור, זו אחת השאלות החשובות ביותר בבואנו לבנות תחזית. התשובה לשאלה זו פשוטה: אנו מבצעים מעין "תחרות" בין השיטות הסטטיסטיות השונות כדי לבדוק מי מהן מתאימה יותר למוצרים שלנו. התחרות בין השיטות בוחנת את התוצאות שמתקבלות ואת השגיאות הסטטיסטיות שנחשב לכל תחזית. השיטה שתיבחר תהיה השיטה עם הטעויות הסטטיסטיות הקטנות ביותר. כלומר, אנו עורכים מספר חישובים של התחזית לאותו מוצר על ידי שיטות סטטיסטיות שונות ובודקים לאיזו שיטה התקבלה הטעות הסטטיסטית הקטנה ביותר.

אין ספק שזו עבודה קשה וסיזיפית; היא דורשת מאתנו לבצע לכל מוצר (או לכל שורה בקובץ ההיסטוריה) מספר רב של חישובים, ואת החישובים יש לבצע בכל עדכון מחדש של התחזית (בדרך כלל כל שבוע או כל חודש). אם לדוגמה ישנם בקובץ ההיסטוריה אלפי שורות של מוצרים, אנו נידרש לבצע עשרות אלפי חישובים סטטיסטיים בכל חודש. לשם כך נהוג להשתמש בכלים אוטומטיים לחישוב התחזית כדוגמת Forecast Pro, המבצעים אלפי חישובים במהלך שניות בודדות ובוחרים את השיטה האופטימלית לחישוב הסטטיסטי של כל שורה בקובץ ההיסטוריה.

בדרך כלל נגלה כי לכל מוצר (או שורה בקובץ הנתונים ההיסטוריים) מתאימה שיטת חיזוי סטטיסטית אופטימלית שונה. כדי לבחון את תוצאות החישובים אנו צריכים לבחון את השגיאות הסטטיסטיות ולהבין איזו תחזית טובה יותר. על כך ועל הכלים לבחינת טיב התחזית והשגיאות הסטטיסטיות ארחיב בפרק הבא.

סיכום

ניתוח סטטיסטי של הפעילות ההיסטורית הוא הבסיס לבניית תחזית אמינה. בחירה נכונה של שיטת החיזוי, שימוש נכון ב-Baseline, הבנת התנהגות המוצר ובחינת השגיאות הסטטיסטיות מאפשרים לארגון לבנות תחזית איכותית יותר. בארגונים שבהם מנוהלות אלפי שורות תחזית, השימוש בכלים מתקדמים לניהול תחזיות אינו מותרות, אלא תנאי מרכזי לניהול תכנון מקצועי, עקבי ובר־בקרה. ASC מלווה ארגונים בהקמת תהליכי ניהול תחזיות, בחירת שיטות חיזוי, יישום Forecast Pro, שיפור איכות הנתונים ובניית תהליכי Demand Planning ו-S&OP אפקטיביים.

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.

ליצירת קשר: 08-9300363    amitai@asc-il.co.il   www.asc-il.co.il