Po co Ci prognoza, której nie potrzebujesz? Dlaczego dobre prognozowanie zaczyna się od decyzji, a nie od algorytmu

Wejdź na dowolne spotkanie planistyczne albo na webinar o planowaniu. Wcześniej czy później padnie to samo pytanie: jak prognozować lepiej? Jakiego algorytmu użyć, jakiego systemu, jakiej metody, żeby prognoza była wreszcie „dobra”? Pytanie w różnej konfiguracji pojawia się bardzo często. Ale z moich obserwacji jest ono postawione od złej strony. Bo z moich obserwacji główny problem rzadko leży w samej metodzie prognozowania. Dużo częściej leży w tym, że w ogóle podchodzimy do prognoz nie od tej strony, co trzeba. Nie zaczynamy od jedynego pytania, które naprawdę ma znaczenie: po co nam ta prognoza i jakie decyzje ma nam pomóc podejmować? Bo zadaniem prognoz jest wspieranie procesów decyzyjnych a dobra to prognoza wcale nie musi mieć super sprawdzalności.

Wszyscy szukają lepszej metody. To zła strona problemu

Zobaczmy najpierw, jak większość firm w ogóle podchodzi do prognozowania. Mówimy sobie tak: musimy planować, a żeby wiedzieć co zaplanować potrzebujemy prognozy. No i tworzymy tę prognozę. Często z dużą dokładnością na poszczególnych indeksach. Bierzemy dane historyczne, jak dany indeks się sprzedawał, kumulujemy do miesięcy, przeklejamy jako prognozę bazową na najbliższe dwanaście miesięcy i robimy korekty uwzględniając trendy, sezonowości, zmiany w portfolio, promocje. Bardziej zaawansowani używają do tego różnych algorytmów, prostszych albo bardziej skomplikowanych, i uzupełniają prognozę informacjami o promocjach, zmianach w trendzie czy nowych klientach. Wszystko zależy od tego, jak dojrzały jest ten proces.

Potem taką prognozę rozliczamy, również najczęściej miesiąc do miesiąca. Liczymy błąd prognozy i wychodzi nam na przykład, że w poprzednim miesiącu mieliśmy np. 20% błędu czy 80% trafności. I tu robi się ciekawie, bo wynik zależy przede wszystkim od tego, jak liczymy. Kiedy sprawdzamy trafność na całości, czyli czy sprzedaliśmy w zeszłym miesiącu tyle, ile prognozowaliśmy, bardzo często wychodzą nam fantastyczne liczby. Ale kiedy zaczynamy mierzyć, czy sprzedaliśmy dokładnie to, co zaprognozowaliśmy, konkretne numery indeksów, obraz się sypie i błąd bezwzględny na poziomie 30 czy 40% przestaje być rzadkością.

I co wtedy robimy? Najczęściej rozkładamy ręce i mówimy, że trzeba znaleźć lepszy sposób na prognozowanie, bo na takich błędach nie da się niczego sensownie zaplanować. Kiedy bowiem przeliczymy prognozę na godziny i na potrzebny manpower, a potem wejdziemy w szczegóły, okazuje się, że indeksy, które mamy zaplanowane, wcale nie są tymi, które faktycznie będziemy produkować. My zresztą przeczuwamy to już wcześniej i dlatego z góry mówimy, że ta prognoza jest do bani i że jej nie ufamy.

Tyle że pod tym narzekaniem siedzą dwa zupełnie różne błędy. Pierwszy to sposób, w jaki w ogóle mierzymy trafność, bo robiąc to sztywno miesiąc do miesiąca, sprawdzamy tylko, czy akurat w danym miesiącu się trafiło. Drugi, znacznie ważniejszy, to sposób, w jaki tę prognozę tworzymy, i nie chodzi tu o to, jaki dobrać algorytm, tylko o coś dużo bardziej podstawowego. Dlaczego w ogóle prognozujemy po indeksach, a nie po grupach? Dlaczego po miesiącach, a nie po tygodniach czy kwartałach? Dlaczego w takim, a nie innym horyzoncie? A może w niektórych miejscach powinniśmy prognozować wartość albo godziny pracy zamiast sztuk? Rozbierzmy to po kolei, zaczynając od tego prostszego.

Miesiąc do miesiąca potrafi kłamać

Mierzenie prognozy z dokładnością do miesiąca potrafi być bardzo zwodnicze i najlepiej widać to na konkretnych przykładach. Wezmę dwa, od moich klientów. Obaj bardzo narzekali na swój profil zapotrzebowania i mówili mniej więcej to samo: klienci zamawiają tak chaotycznie, że nie da się z tego prognozować, bo kiedy patrzysz na historię sprzedaży, widzisz jedno wielkie EKG z mnóstwem pików i dołków.

Pierwszy z nich był przekonany, że w jego przypadku nie ma żadnego ładu i składu, skoro w jednym miesiącu jest tak, a w drugim zupełnie inaczej. Zaproponowałem mu proste ćwiczenie: żeby przeliczył trafność prognozy nie z dokładnością do miesiąca, tylko w ujęciu dwumiesięcznym, a potem trzymiesięcznym. Okazało się, że tam, gdzie w ujęciu miesięcznym błąd prognozy na poszczególnych indeksach potrafił przekraczać 100%, w ujęciu dwumiesięcznym schodził poniżej 20%, a w trzymiesięcznym poniżej 10%. Z tego samego materiału nagle wyszło ponad 90% trafności.

Kiedy dodatkowo nałożyliśmy na ten historyczny profil zapotrzebowania średnią ruchomą z trzech miesięcy, wykres zrobił się praktycznie płaski. Kwartał do kwartału klienci zamawiali w zasadzie to samo, tylko nie wiedzieliśmy dokładnie, w którym konkretnie miesiącu dane zamówienie wpadnie. Co ciekawe, nawet średnia ruchoma z dwóch miesięcy dawała już niemal płaską linię.

Skąd bierze się ta różnica? Z pewnej pułapki, którą ma w sobie rozliczanie miesiąc do miesiąca. Jeżeli coś planowaliśmy sprzedać 2 marca, a sprzedaliśmy 28 marca, to dla oceny błędu prognozy wszystko jest w najlepszym porządku, bo zmieściliśmy się w tym samym miesiącu, mimo że operacyjnie przesunięcie sprzedaży o cztery tygodnie potrafi być naprawdę trudne. I odwrotnie: jeżeli przekładamy coś z 30 marca na 2 kwietnia, czyli o kilka dni, to operacyjnie jest to drobiazg i powoduje minimalną fluktuację, ale na miesięcznej jakości prognozy odbija się mocno, bo nagle wpadamy w inny miesiąc. Ta sama liczba potrafi więc opisywać dwie zupełnie różne sytuacje.

Dlatego tak ważne jest, żeby naprawdę zrozumieć własną prognozę: co się w niej realnie zmienia, gdzie mamy stabilność, a gdzie jej nie mamy, i jak w ogóle wygląda nasz proces sprzedaży. U jednego z klientów okazało się na przykład, że wielkość sprzedaży jest wprost proporcjonalna do liczby czwartków w miesiącu, a powód był całkiem prozaiczny: w czwartki robili wysyłki do bardzo dużego klienta. Jeżeli w miesiącu wypadło pięć czwartków, sprzedaż potrafiła być o 25% większa niż w miesiącach, w których tych czwartków było mniej. A kiedy na czwartek wypadło jeszcze jakieś święto albo czwartek lądował na ostatni dzień miesiąca i wysyłka przesuwała się o jeden dzień ale na kolejny miesiąc, robiły się z tego dodatkowe perturbacje.

U innego klienta było trochę odwrotnie. Kiedy patrzyliśmy na miesiące, na wykresie widać było straszny chaos, ale kiedy zeszliśmy na tygodnie, zrobiło się dużo płaściej, bo z tygodnia na tydzień sprzedaż była praktycznie powtarzalna, i to nie tylko pod względem samego wolumenu, ale nawet struktury, czyli tego, jakie konkretnie produkty schodziły. Kiedy zeszliśmy jeszcze niżej, na poszczególne dni, okazało się, że każdego dnia sprzedajemy w zasadzie tyle samo, a dni różnią się między sobą jedynie lekko strukturą. Sama sprzedaż była wprost powiązana z liczbą dni pracujących w tym zakładzie.

Tu akurat kryła się pewna zasadzka, bo był to dość specyficzny zakład, który nie miał liczby dni pracujących takiej jak w kalendarzu. Właśnie dlatego nie od razu było widać, że sprzedaż wcale nie jest przypięta do dni kalendarzowych, tylko do harmonogramu produkcji (tutaj akurat rolę odegrała specyfika modelu sprzedaży tego produktu). Kiedy przeliczyliśmy trafność prognozy względem liczby dni pracujących, wyszło ponad 90%, a w niektórych miesiącach nawet ponad 95%. Na papierze zapotrzebowanie stawało się świetnie przewidywalne, a jedynym czynnikiem, który realnie ruszał błędem prognozy w ujęciu miesięcznym, była zmiana liczby dni pracujących.

Te same dane, różne wnioski

Co z tego wynika? Przede wszystkim to, że na trafność prognozy trzeba patrzeć szerzej, nie jednowymiarowo, raz bardziej szczegółowo, a raz bardziej ogólnie. Warto też naprawdę zrozumieć sam proces sprzedaży, bo bardzo często to właśnie tam siedzi haczyk, którego nie widać na pierwszym lepszym wykresie. Dane i wykresy to w końcu statystyka, a mój profesor statystyki powtarzał, że są tylko trzy rodzaje kłamstw: małe kłamstwo, duże kłamstwo i statystyka. W końcu średnio ja i mój pies mamy po trzy nogi. W zależności od tego, jak zaprezentujemy dokładnie te same dane, potrafimy wyciągnąć z nich zupełnie różne wnioski, i z tym trzeba bardzo uważać.

No i tu dochodzimy do sedna. Co jest bardziej prawidłowe: to, że mamy 20% błędu prognozy miesięcznie, czy to, że w ujęciu trzymiesięcznym mamy 2%? Co tak naprawdę jest dla nas prawdą i co w ogóle ma dla nas znaczenie? Żeby na to odpowiedzieć, musimy przejść do drugiego, znacznie ważniejszego błędu, czyli do tego, jak w ogóle tworzymy prognozę.

Zacznij od pytania, po co Ci ta prognoza

Zwykle działamy tak, że tworzymy prognozę, wkładamy ją do planowania i zaczynamy na niej pracować. A na samym początku powinno wydarzyć się coś zupełnie innego. Zanim cokolwiek policzymy, powinniśmy odpowiedzieć sobie na pytanie, po co nam ta prognoza w ogóle jest i jakie decyzje będziemy na jej podstawie podejmować.

Czy będą to decyzje o zakupie materiału albo surowca? O tym, co i kiedy uruchomić na produkcję? Ile osób zatrudnić, zwolnić albo przesunąć między obszarami, a ilu ludzi wziąć z agencji pracy? Kiedy i jakie zrobić szkolenia oraz cross-treningi? Czy zainwestować w nowy park maszynowy, czy budować nowe hale produkcyjne, i kiedy zaplanować przegląd maszyn? To są bardzo różne decyzje, a co mega ważne, podejmujemy je z zupełnie różnym wyprzedzeniem. Zakup maszyny to często decyzja z półtorarocznym wyprzedzeniem, a zatrudnienie nowych ludzi to zwykle pół roku, zanim ich znajdziemy, wyszkolimy i zanim będą realnie operacyjni na produkcji. Przy agencji pracy, jeśli działamy dynamicznie, wystarczy wyprzedzenie tygodniowe, a materiał, w zależności od pozycji, raz potrzebuje pół roku, a raz dwóch tygodni.

I tu dochodzimy do rzeczy, o której najczęściej się zapomina: te decyzje potrzebują zupełnie różnego poziomu szczegółowości, a część z nich w ogóle nie potrzebuje prognozy. Jeżeli planujemy materiały na reorder pointach, na min-max albo na kanbanach, to samo zejście zapasu do ustalonego poziomu jest już sygnałem do złożenia kolejnego zamówienia u dostawcy. Prognoza nie jest nam tutaj potrzebna potrzebna do planowania konkretnych dostaw, a co najwyżej przydaje się do tego, żeby ustalić wartości parametrów (min/max, reorder point czy wielkość pojedynczego kanbanu). Jako alternatywą do ustawiania tych parametrów na podstawie danych historycznych, bo wiadomo lepiej je ustawiać na podstawie prognozy zwłaszcza jeśli przyszłość ma być istotnie inna od przeszłości, czy to większa czy to mniejsza).

Podobnie jest z zakupem maszyny. Nie musimy wiedzieć, jakie konkretnie części będą na danej grupie maszyn produkowane za półtora roku, tylko jakie będzie jej obciążenie, i to nawet bez dokładności do dnia czy miesiąca. Wystarczy, że wiemy, czy kwartał do kwartału obciążenie tej grupy maszyn będzie rosło i mniej więcej o ile procent. Mając prognozowany trend wzrostu i obecne obciążenie, jesteśmy w stanie przewidzieć, w którym kwartale skończą nam się moce produkcyjne, a ponieważ inwestycję w maszynę i tak da się dość łatwo zaplanować z dokładnością do miesiąca, w zupełności wystarczy nam informacja, że mniej więcej w tym kwartale maszyna powinna już pracować, bo od następnego bylibyśmy w kłopotach.

Różne decyzje, różna prognoza

Kiedy zmapujemy sobie, jakie decyzje musimy podjąć, jakich informacji do tego potrzebujemy, jak jesteśmy w stanie te informacje uzyskać oraz jakich danych, z jaką precyzją i szczegółowością, a następnie nałożymy to wszystko na siebie, wyjdzie nam coś zupełnie innego niż jedna prognoza na wszystko. Bo tym, czego naprawdę potrzebujemy, wcale nie jest informacja, ile czego będziemy produkować. Potrzebujemy wiedzieć, ilu ludzi będziemy potrzebować w lipcu przyszłego roku, jakie będzie obciążenie maszyn albo ile ich w ogóle potrzebujemy za półtora roku, a prognoza jest tylko jedną ze składowych analityki, która do tych odpowiedzi prowadzi a informacja o tym ile czego będziemy produkować może być ale wcale nie musi być pewną informacją pośrednią.

Jak może wyglądać wynik takiego mapowania? Na przykład tak, że w horyzoncie do trzech miesięcy potrzebujemy prognozy po tygodniach i po indeksach, w przedziale mniej więcej od sześciu do dziewięciu miesięcy wystarcza już prognoza po grupach materiałowych i po miesiącach, a tylko dla kilku wyjątkowych indeksów schodzimy do poziomu miesiąc i indeks. Powyżej dziewięciu miesięcy potrzebujemy natomiast jedynie prognozy po grupach materiałowych i po kwartałach. Zasada jest prosta: im dalej w przyszłość, tym bardziej ogólnie.

Gdy podejdziemy do tego w ten sposób, samo tworzenie prognozy wygląda zupełnie inaczej niż wtedy, gdy z góry zakładamy, że potrzebujemy prognozy na półtora roku do przodu i klepiemy ją po indeksach różnymi metodami. Może się bowiem okazać, że na trzy najbliższe miesiące w ogóle nie musimy prognozować, bo ten okres i tak mamy już pokryty zamówieniami fix od klientów. Jedyne, co trzeba wtedy prognozować, to kilka wybranych indeksów z materiałami o wyjątkowo długich LT, a resztę planujemy po grupach materiałowych bo potrzebujemy ich tylko do liczenia capacity, co jest dużo łatwiejsze, bo elementów do prognozowania jest znacznie mniej i można się na nich mocniej skupić.

Żeby było jasne, nie zawsze będzie tak łatwo, jak to tutaj opisuję. Czasami będziemy mieli zamówienia tylko na tydzień do przodu, a cała reszta pozostanie prognozą. Możliwe, że będziemy mieli bardzo długi LT na wiele drogich elementów i będziemy potrzebować szczegółowych prognoz na długie horyzonty. Ale nawet wtedy samo odpowiedzenie sobie na pytania, do czego naprawdę potrzebujemy tych prognoz, jakie decyzje mamy podjąć, jakich informacji do tego potrzebujemy i jaką rolę odgrywa w tym wszystkim prognoza, całkowicie zmienia sposób, w jaki do niej podchodzimy.

Jaki błąd prognozy jesteś w stanie zaakceptować

To samo mapowanie daje jeszcze jedną, bardzo praktyczną korzyść, bo pozwala odpowiedzieć na pytanie, jaki błąd prognozy jest dla nas w ogóle akceptowalny. To pytanie tak naprawdę brzmi inaczej, niż się wydaje. Na ile zmieniłaby się nasza decyzja, gdyby prognoza była o 10% niższa albo o 10% wyższa? A gdyby okazała się o 20% niższa lub wyższa? Czy to cokolwiek zmienia? Albo inaczej: jeżeli wiemy, że prognoza może się odchylić o te kilka procent i realnie, powiedzmy pół na pół, wylądować sporo niżej, to czy wpłynie to naszą decyzję?

To krótkie ćwiczenie myślowe pokazuje, na jaki błąd prognozy jesteśmy gotowi i jaki jesteśmy w stanie zaakceptować. Żeby policzyć to precyzyjniej, trzeba by sprawdzić, jakie skutki dla firmy miałby dany scenariusz, ten na plus i ten na minus, oraz z czym konkretnie by się wiązał, bo wtedy decyzję podejmuje się łatwiej. Nie zawsze jest to jednak potrzebne, a to, jak dokładnie liczyć takie rzeczy, to temat na zupełnie osobną rozprawę, na którą tu nie ma miejsca.

Kiedy już wiemy, po co nam prognoza i jakie decyzje ma obsłużyć, zupełnie inaczej wygląda też jej pomiar. Żeby poznać błąd prognozy pod kątem zakupu maszyn, powinniśmy policzyć, ile prognozowaliśmy półtora roku temu, a ile wychodzi w rzeczywistości, bo to jest ten błąd, który realnie wpływa na tę decyzję. Jeżeli coś zamawiamy z półrocznym wyprzedzeniem, liczymy z kolei, jakie prognozy na ten okres mieliśmy pół roku wcześniej, i tak dalej. Dopiero to definiuje, co i jak powinniśmy mierzyć, zamiast mierzyć wszystko jedną miarą, od jednej linijki, bez względu na to, jaki ma to potem wpływ na całość.

Bez tego wpadamy w jedną z dwóch pułapek. Albo spoczywamy na laurach, bo zmierzyliśmy prognozę, wyszedł nam świetny wynik, a przy okazji okazuje się, że do podejmowania naszych decyzji ta prognoza i tak jest do niczego. Albo odwrotnie, rwiemy sobie włosy z głowy, bo wyniki są koszmarne, tyle że mierzymy i celujemy w coś, co jest nam kompletnie niepotrzebne, a poprawa prognozy akurat w tym aspekcie i tak nie zmieni żadnej naszej decyzji.

Warto też dodać, że w sytuacjach kiedy potrzebujemy dużej precyzji prognoz a błąd naszego prognozowania jest na zbyt wysokim dla nas poziomie to kluczowe jest zrozumienie i zidentyfikowanie przyczyn tych odchyleń. Zbieranie informacji o tych przyczynach może być żmudne i być czasochłonną zabawą w Sherlocka, ale jest kluczowe. Nawet jeśli wyjdzie nam na końcu, że większość naszych przyczyn to są sprawy absolutnie losowe i nie do przewidzenia. Ale to też jest super informacja! Bo wtedy wiemy z jaką zmiennością prognoz musimy się mierzyć i na jaki poziom elastyczności biznesu i operacji musimy być gotowi! Bo wiecie… prognoza z regularnie powtarzającym się błędem losowym na poziomie 30% który dokładnie wiemy z czego wynika to też jest przewidywalna prognoza.

Podsumowanie

Sprowadza się to do dwóch rzeczy. Po pierwsze, zaczynajmy od pytania, po co nam ta prognoza w ogóle jest, i dopiero pod to projektujmy cały proces prognozowania. Po drugie, pod to samo projektujmy sposób pomiaru i uzgadniania, co jest w porządku, a co nie, bo wtedy nasz pomiar wygląda zupełnie inaczej.

A na koniec rzecz najważniejsza. Jeżeli poprawa jakości prognozy nie zmienia naszych decyzji, to nie ma sensu w nią inwestować. To bowiem decyzje przekuwają się na działania, a działania na wyniki firmy, nie sama prognoza. Jeżeli lepsza prognoza nie zmienia decyzji, nie zmienia też tego, co robimy, a więc nie zmienia i wyników, a podnoszenie jakości prognoz przecież kosztuje. W takim wypadku wydamy pieniądze i nie ruszymy firmy ani o krok.

Zaznaczę tylko jedno, żeby nie było nieporozumień. Mówię o sytuacji, w której mamy dobry proces podejmowania decyzji, a mimo to lepsza prognoza niczego w nich nie zmienia. Czym innym jest przypadek, gdy prognozę mamy lepszą, ale brakuje nam mechanizmu czy procesu, żeby na jej podstawie podejmować lepsze decyzje. To już zupełnie inna para kaloszy.

Koniec końców chodzi o to, żeby przestać gonić za dokładniejszą prognozą jako celem samym w sobie i zacząć od decyzji.

O autorze. Paweł Birecki. Konsultant S&OP i planowania produkcji, który pomaga firmom produkcyjnym tak układać procesy planowania i podejmowania decyzji, żeby realnie służyły biznesowi, a nie odwrotnie. Autor książki „S&OP - Od chaosu do przewidywalności”, prowadzi podcast i newsletter o planowaniu w produkcji. Jeżeli rozpoznajesz w tym tekście swoją firmę, warto usiąść z własnymi danymi i zadać sobie jedno pytanie: jaką decyzję ma tak naprawdę obsłużyć nasza prognoza. Chętnie o tym porozmawiam, najłatwiej złapać mnie na LinkedIn. Więcej materiałów znajdziesz na pawelbirecki.com.