Absoluutselt täpseid nõudluse prognoose ei eksisteeri

Nõudluse juhtimine võimaldab tarneahela efektiivse kasutamise kaudu luua suuremat lisaväärtust, maksimeerides sellega ahela osapoolte tulusid. Nõudluse juhtimine hõlmab palju turunduslikke ning logistilisi tegevusi. Tähtsaim neist on ilmselt nõudluse prognoosimine. Prognoosimine võimaldab eelkõige vähendada varude suurust, kuna prognoos näitab teatud täpsusega, kui suur peab olema keskmine laoseis ning kui suured võiksid olla selle potentsiaalsed hälbed. Paraneb kaubandus- ja laopinna kasutamine, muutub tootevalik.

Tavaliselt lahutatakse nõudlus kuueks komponendiks: keskmine nõudlus teatud perioodil, trend, sesoonne komponent, tsükliline komponent, juhuslikud kõikumised ning autokorrelatsioon.

Tsüklilistest kõikumistest vabaneda on raske, sageli pole võimalik määrata tsükli pikkust või selle tekkimise põhjust. Juhuslikud varieerumised on tavaliselt tingitud sündmustest, mida polnud kuidagi võimalik ette näha. Kui üldisest nõudlusest elimineerida kõik determineeritavad koostisosad, siis jääbki üle ainult juhuslik koostisosa.

Eristatakse sõltuvat ning sõltumatut nõudlust. Esimest illustreerib lihtne näide: 20 auto jaoks on vaja 800 ratast. Kuid kas 20 autot leiavad ka oma ostjad - see on veel küsitav. Tavaliselt on ettevõtte võimalused sõltuva nõudluse juhtimiseks üsna kitsad.

Tihti ei vii sellesuunalised pingutused kuhugi, kuna saavutatud tulemused on marginaalsed. Sõltumatu nõudluse puhul aga on aga kaks varianti: kas omada proaktiivset positsiooni, püüdes nõudlust ennetada ning mõjutada, või reageerida paindlikult nõudluse muutustele.

Vahel on passiivne lähenemine õigustatud. Näiteks olemasolevate võimsuste ammendatuse korral ei mõjuks nõudluse suurenemine positiivselt. Ka vahendite nappus, turu stabiilsus ning mõningad teised faktorid ei anna valikuvõimalusi. Kuid põhjus ei saa olla selles, et nõudlus ei ole firma kontrolli all.

Kuidas oleks võimalik efektiivselt korraldada prognoosimist näiteks kaubanduses? Eelkõige võib seda teostada lihtsate võtetega. See tähendab - kasutada Excelit koos kahe-kolme lihtsama statistilise tööriistaga. See variant sobib, kui prognoosimine jääb kõrvaltegevuseks. Plussiks on, et selline prognoosimisviis on kõige lihtsamini korraldatav.

Samas on tulemustel on küllaltki väike usaldusväärsus, kuna kasutatud töövõtetes sisaldub palju piiranguid ning lihtsustusi. Teatud analüütiliste vahenditega saab seda täpsust suurendada, kuid mitte väga palju.

Komplekssema analüütilise süsteemi väljatöötamine algab andmete korrastamisest. Pole mõtet rääkida enam-vähem täpsest prognoosist, kui pole teada, kuivõrd usaldatavad on lähteandmed.

Tasub pöörata tähelepanu ka sellele, kuidas kogutakse lähteandmeid igapäevases tegevuses, ehk kuidas toimub näiteks müükide registreerimine andmebaasi. Korralikult korrigeeritud varasema müügi numbrid on üsna hea võimalus näha ette tuleviku nõudlust ning suurendada ettevõte kasumit 1,5-2 korda. Eriti tõhusaks osutub see põhimõte nende toodete puhul, mille elutsükkel on suhteliselt lühike. Vaatamata sellele on vähesed firmad ehitanud süsteemi nende andmete kogumiseks.

Prognoosimismudeli ülesehitamisel saab kasutada nii kvantitatiivseid kui ka kvalitatiivseid võtteid, kombineerides neid omavahel. Enne, kui metoodikat saab kasutada, peab see läbima eeltestimise varasemate andmete alusel, et hinnata, kuidas see tabab trendi, kui suur on prognoosi koridor jne. Tavaliselt kaalutakse ka üheaegselt kogu turul valitseva nõudluse võrdlemist konkreetse firma turuosa nõudlusega.

Loomulikult võib juurutada ka prognoosimistarkvara.

Fundamentaalseks ülesandeks prognooside optimeerimisel jääb vigade jälgimine, nende põhjuste väljaselgitamine ning optimeerimistöö.

Ideaalset prognoosi ei eksisteeri. Paljusid faktoreid, mis mõjutavad majandustegevust, ei saa sajaprotsendilise täpsusega ette näha. Seetõttu tuleb elada ebatäpsete prognoosidega ning neid pidevalt korrigeerida. Mõistlikkuse piirides peab alati püüdma leida paremaid prognoosimismetoodikaid.

Potentsiaalse vea suuruse määramise kõrval on samuti oluline omada tegevusplaani olukorraks, kui prognoos osutub vääraks. Näiteks, kui mingi tooteartikli keskmine laoseis on 2500 ühikut, tähendab see 30% hälve puhul, et järgmisel perioodil võivad müüginumbrid kõikuda vahemikus 1750-3250 ühikut. Targem oleks sel juhul varuda ca 2000 ühikut ning mõelda selle peale, kust saaks vajaduse korral operatiivselt juurde tellida veel 1000 tükki.

Prognoosimine on vahetult seotud varude juhtimisega. Seetõttu tekib teatud hetkel soov need valdkonnad veelgi tihedamalt omavahel kokku siduda, kusjuures nii üksiku ettevõtte kui ka tarneahela tasemel. Selline lähenemine eelkõige võimaldab vältida nn Forresteri efekti tekkimist, kus niigi ebatäpsed prognoosid annavad läbi tarneahela liikudes, lõpptootjale täiesti väära pildi tegelikkusest nõudlusest. Üks väga hea lahendus on kollaboratiivse planeerimise, prognoosi ja varude täiendamise süsteem (CPFR), mis hõlmab analüütilist, strateegilist ning rakenduslikku osa.

Autor: Sergei Slepuhhov