DEMAND FORECAST What is wrong with demand forecasting

NHỮNG ĐIỀU CẦN CHÚ Ý ĐỂ TRÁNH MẮC LỖI SAI TRONG DEMAND FORECAST Có hai yếu tố đầu ra hết sức quan trọng trong dự báo nhu cầu mà bạn thường tập trung gần như tất cả năng lượng của mình v

What’s Wrong with

Demand Forecasting?

There are two equally important outputs of demand forecasting and you may be focusing nearly all your energy on only one, and maybe even the wrong one By Jeff Bodenstab &

Stefan de Kok

Maybe you are doing your demand forecasting completely wrong.

To be more precise, there are two equally important outputs of demand forecasting and you may be focusing nearly all your energy on only one, and maybe even the wrong one.

And the impact is that you may not be getting the forecast accuracy you want.

Or even more important, that you may not be getting the service levels and inventory efficiencies that you need.

And if that’s true, you are not alone.

The number of companies is growing that are saying that their forecast accuracy, service levels and inventory

efficiency metrics have hit a ceiling that they just can’t get past.

Whether you read the analyst reports or listen to planners talk about their jobs, it’s all the same: metrics and KPIs are stuck.

Here is the dilemma to consider. Demand forecasts should predict two outcomes: the expected demand and how much uncertainty there is in that prediction.

The need to predict demand is fairly obvious It drives most supply chain planning activities And you probably measure the efficacy of your tools and processes with well-known forecast accuracy KPIs.

But the need to predict forecast uncertainty is not

nearly as clear, and you probably make some gross

assumptions about demand uncertainty and just assume they are accurate By the way, if you don’t know whether or not you are making these assumptions, then we can pretty much guarantee that you are.

So it comes down to this If you have a lot of fast moving stock and unaggressive service level targets , then focusing mostly on expected demand and forecast

accuracy is probably a reasonable approach What we

mean by “unaggressive” varies by industry, but for for

example, for a fast moving consumer good company we’d say below a 96% line-fill rate.

But if instead you are facing more long tail

demand or aggressive service levels , then predicting uncertainty becomes much more important Here’s why.

A Different Type of Prediction

It starts with what constitutes forecast error All the

common definitions of forecast error share a fundamental flaw - they assume a perfect forecast and define all

demand variability as forecast error But in reality,

variability is perfectly normal Surprisingly, while you can’t predict demand perfectly due to its inherent

variability, you can predict demand variability For

example, you cannot predict the outcome of the role of two fair dice There is just too much variability But you can accurately predict the range of possible outcomes and the probability of each outcome That is, you can predict its variability.

And when you predict the variability, not only is this a more realistic task, it also leads to better business decisions

Consider a weather forecast If you make an exact “rain” or

“no rain” prediction, that information is helpful, but not nearly as helpful as providing a probability of rain If you are planning an outside activity knowing there is a 5%

chance of rain, you will likely make one plan If there is a

40% chance of rain, you may make a different plan or have

a backup plan for inside That 40% figure provides you with more information to make better plans than an absolute rain/no rain prediction.

It doesn’t take much to see that such a probabilistic

forecast and improved prediction of uncertainty is useful information in supply chain planning And in fact,

accurately predicting uncertainty can add enormous value That’s because you are focusing on improving not just to the average demand prediction but the entire range of

possible demand predictions - including the extreme

variability that has the biggest impact on service levels Because when supply plans or safety stocks are based on wrong assumptions about demand uncertainty, targets go unmet and supply chains go into firefighting mode.

And predicting uncertainty better leads directly to smarter safety stocks - able to capture a larger range of possible demand outcomes, catch more demand spikes, and buffer the rest of the supply chain With a focus on the range of possible demand values, the number and the severity of supply chain disruptions decreases, leading to a more

stable supply chain Knowing the probabilities of demand coming in higher or lower than the expected value allows you to mitigate risks and capitalize on opportunities.

Another Way to Look at Forecast Error

To improve demand uncertainty predictions, it helps to have a forecast accuracy measurement or a KPI similar

to Mean Absolute Percent Error (MAPE) This means

forecasting the range of possible demand values and then determining how much error there is between the predicted and actual demand distribution And when this predicted demand distribution does not accurately represent the

actual demand distribution, that difference (highlighted in the figure above) is the forecast error That is, we are

measuring the accuracy across the range of outcomes, not just against a single average value.

Nassim Nicholas Taleb described this type of forecast

accuracy measurement in his book, The Black Swan He explains that measuring the accuracy of a stochastic

forecast based on probability distributions is inherently different than measuring the accuracy of a traditional

forecast, whose results are expressed by single-point

expected values He states that if you predict with a 20% probability that something will happen and across many

instances it actually happens 20% of the time, that the error is 0% Naturally, it would also need to be correct for every other percentile (not just the 20 percentile) to be 100% accurate.

Two metrics are now available to measure the accuracy and value of stochastic forecasts in this way Total

Percentile Error (TPE) measures the accuracy of the full spectrum of uncertainty in a stochastic forecast It

measures the reduction in error - rather than the increase

in accuracy - since there is a stronger correlation between error and business impact than between accuracy and

business effect Stochastic Value Add (SVA) measures the value derived from this additional information.

For most supply chain practitioners, the precise calculation methodology for these KPIs is not required to use them, just like MAPE is useful even when you don’t know exactly how it’s calculated.

However, a more in depth discussion on these metrics is available in a series of blogs starting at “ The Greatest

Missed Opportunity in Demand Forecasting ”

Meanwhile, we recommend taking a serious look at a

demand forecasting system that accurately predicts

demand uncertainty so you can break through your KPI barriers.

NHỮNG ĐIỀU CẦN CHÚ Ý ĐỂ

TRÁNH MẮC LỖI SAI TRONG

DEMAND FORECAST

Có hai yếu tố đầu ra hết sức quan trọng trong dự báo nhu cầu mà bạn thường tập trung gần như tất cả năng lượng của mình vào chỉ một yếu tố, thậm chí yếu tố đó chưa chắc là một trong hai yếu tố đúng

Và kết quả là bạn không thể đạt được độ chính xác trong dự báo như mong muốn Hoặc thậm chí quan trọng hơn, bạn sẽ không đạt được mức độ hiệu quả về dịch vụ và hàng tồn kho ở mức cần thiết

Nhưng hãy yên tâm đi vì bạn không hề đơn độc!

Nhiều công ty đang phát triển cho biết độ chính xác trong dự báo của công ty họ, mức độ dịch vụ và chỉ số hiệu quả hàng tồn kho đã đạt đến một mức độ mà họ không thể vượt qua được nữa

Cho dù bạn đọc các báo cáo phân tích hoặc nghe các nhà hoạch định nói về công việc thì đều như nhau cả thôi: các số liệu và KPIs hiện đang bị mắc kẹt

Tình trạng này là thách thức lớn đối với nhiều doanh nghiệp Dự báo nhu cầu thường cho

ra hai kết quả: nhu cầu dự kiến và mức độ không chắc chắn của dự đoán đó.

Sự cần thiết phải dự đoán nhu cầu là khá rõ ràng Việc dự báo nhu cầu sẽ giúp thúc đẩy

hầu hết các hoạt động hoạch định chuỗi cung ứng Bạn cũng có thể đo lường hiệu quả của các công cụ và quy trình của mình với các KPIs dự báo nổi tiếng khác

Nhưng sự cần thiết để dự đoán mức độ chắc chắn của các dự báo thì hầu như không rõ

ràng Bạn thường bỏ qua yếu tố này và mặc định rằng những dự đoán được đưa ra là chính xác Nhân tiện, nếu bạn còn chưa xác định được liệu mình có rơi vào trường hợp

đó hay không thì xin đảm bảo với bạn rằng câu trả lời là có

Vì vậy, nếu bạn có nguồn hàng dự trữ có thể được cung cấp trong thời gian ngắn và mục tiêu cấp độ dịch vụ không quá khó khăn thì việc tập trung chủ yếu vào nhu cầu dự kiến và mức độ chính xác có thể là cách tiếp cận hợp lý Yếu tố “khó khăn” thường thay đổi tùy thuộc vào từng ngành công nghiệp, ví dụ đối với các mặt hàng tiêu dùng nhanh thì mức

độ thực hiện đơn hàng thường dưới 96% (line-fill rate)

Nhưng nếu thay vào đó bạn đang phải đối mặt với nhu cầu dài hạn hoặc mức độ dịch vụ khó khăn thì việc dự báo được độ chính xác là yếu tố then chốt

Một thể loại dự báo khác

Những yếu tố nào thường gây ra lỗi sai trong các dự báo? Tất cả các quan điểm phổ biến

về lỗi sai trong dự báo đều phạm phải một lỗi cơ bản - họ giả định một dự báo hoàn hảo

và xác định tất cả sự biến thiên so với dự báo đó là lỗi dự báo Nhưng trong thực tế, biến thiên là hoàn toàn bình thường Điều đáng ngạc nhiên là trong khi bạn không thể dự đoán nhu cầu một cách chính xác thì bạn có thể dự đoán sự biến thiên của nhu cầu đó Ví dụ, bạn không thể dự đoán chính xác kết quả của hai viên xúc xắc Có quá nhiều kết quả có thể xảy ra Nhưng bạn có thể dự đoán chính xác một loạt các kết quả có thể xảy ra và xác suất của từng kết quả

Và khi bạn dự đoán sự biến thiên, đây không chỉ là một nhiệm vụ thực tế mà còn mang đến các quyết định kinh doanh tốt hơn Ví dụ như dự báo thời tiết Nếu bạn dự đoán chính xác "mưa" hoặc "không có mưa" thì thông tin đó hữu ích, nhưng hầu như không

hữu ích bằng việc cung cấp một xác suất Nếu bạn đang có kế hoạch vui chơi ngoài trời, với xác suất có mưa là 5%, bạn sẽ quyết định tiếp tục kế hoạch đó Nếu xác suất đó tăng lên 40%, bạn có thể cân nhắc một kế hoạch khác hoặc đề ra một kế hoạch dự phòng cho các hoạt động vui chơi trong nhà Con số 40% cung cấp cho bạn nhiều thông tin hơn để lập kế hoạch tốt hơn so với dự báo tuyệt đối mưa/không mưa

Chúng ta dễ dàng nhận thấy việc dự báo xác suất và cải thiện độ không chắc chắn của dự báo mang lại nhiều thông tin hữu ích trong việc lập kế hoạch chuỗi cung ứng Và trên thực tế, độ chắn chắn của dự báo có thể cung cấp các giá trị lớn Đó là bởi vì bạn đang tập trung vào việc cải thiện không chỉ yếu tố dự đoán nhu cầu trung bình mà còn toàn bộ phạm vi các kết quả có thể xảy ra - bao gồm cả sự biến thiên – yếu tố có tác động lớn nhất đến mức độ dịch vụ Bởi vì khi các kế hoạch cung ứng hoặc mức tồn kho an toàn được dựa trên những giả định sai lầm về mức độ chắc chắn của dự báo, mục tiêu đó sẽ không thể được đáp ứng và chuỗi cung ứng có thể rơi vào tình trạng nguy khốn

Vì vậy dự đoán về mức độ chắc chắn tốt hơn sẽ trực tiếp dẫn đến số lượng hàng tồn kho

an toàn “thông minh” hơn - có thể nắm bắt phạm vi kết quả rộng lớn hơn, kiểm soát được nhu cầu và cung cấp mức độ sản phẩm dự trù cho toàn bộ những phần còn sót lại của chuỗi cung ứng Việc tập trung vào một loạt kết quả có thể xảy ra còn giúp giảm sự nghiêm trọng và sự lũng đoạn trong hoạt động chuỗi cung ứng, thiết lập nên một chuỗi cung ứng ổn định hơn Biết được xác suất xảy ra cao hơn hoặc thấp hơn giá trị dự kiến sẽ cho phép giảm thiểu rủi ro và tận dụng cơ hội

Một cách nhìn khác về sai số trong dự đoán

Để cải thiện sự không chắc chắn trong dự đoán nhu cầu, bạn cần có phép đo độ chính xác của dự báo hoặc một KPI tương tự như Sai số Phần trăm Tuyệt đối Trung bình (Mean Absolute Percent Error - MAPE) Điều này có nghĩa là dự báo dãy giá trị nhu cầu có thể xảy ra và sau đó xác định mức độ sai số giữa phân phối nhu cầu dự báo và thực tế Và khi phân phối nhu cầu dự đoán không thể hiện chính xác phân phối nhu cầu thực tế, khoảng chênh lệch (đánh dấu trong hình trên) chính là lỗi dự báo Đó là cách mà chúng ta đo đạc mức độ chính xác trên phạm vi một loạt các kết quả, không chỉ trên phạm vi một kết quả duy nhất

Nassim Nicholas Taleb mô tả kiểu đo lường dự báo chính xác này trong cuốn sách của

ông mang tên The Black Swan Ông giải thích rằng việc đo độ chính xác của dự báo ngẫu

nhiên dựa trên phân bố xác suất là hơi khác đi so với việc đo tính chính xác của dự báo theo kiểu truyền thống, khi mà kết quả được thể hiện bằng giá trị dự kiến đơn điểm Ông nói rằng nếu bạn dự đoán với một xác suất 20% một điều gì đó sẽ xảy ra, qua nhiều trường hợp nó thực sự xảy ra 20% trên tổng số thời gian, với sai số là 0% Đương nhiên, điều này cũng chính xác cho các trường hợp phần trăm khác (không phải chỉ là 20%) Hai chỉ số có sẵn để đo độ chính xác và các giá trị dự báo ngẫu nhiên theo cách này chính là: Tổng Phần trăm Sai số (Total Percentile Error - TPE) đo độ chính xác của đầy đủ dãy kết quả trong dự đoán ngẫu nhiên TPE đo đạc sự giảm thiểu về sai số chứ không phải sự

gia tăng về độ chính xác vì có một mối tương quan lớn giữa sai số và động thái kinh doanh hơn là mối quan hệ giữa độ chính xác và hiệu quả kinh doanh Chỉ số thứ hai là Stochastic Value Add – SVA đo lường giá trị từ các thông tin bổ sung này

Đối với hầu hết các học viên chuỗi cung ứng, các phương pháp tính toán chính xác cho các KPIs là không cần thiết, giống như MAPE thực sự hữu ích ngay cả khi bạn không biết cách mà các phép tính được thực hiện như thế nào

Chi tiết các cuộc thảo luận chuyên sâu về những số liệu có sẵn được đăng tải trong một loạt các bài viết tại: “The Greatest Missed Opportunity in Demand Forecasting.”

Qua bài viết này, chúng tôi khuyên bạn nên quan tâm hơn đến hệ thống dự báo độ chính xác của nhu cầu để có thể vượt qua những rào cản KPI vô hình đang chắn lối trên con đường phát triển của công ty bạn