Visninger: 0 Forfatter: Webstedsredaktør Udgivelsestid: 2026-09-10 Oprindelse: websted
At beslutte, hvor mange tøj der skal produceres, er en af de vigtigste beslutninger, et tøjmærke træffer.
Bestil for få, og populære produkter kan blive udsolgt inden næste forsendelse ankommer. Bestil for mange, og mærket kan stå tilbage med overskydende lagerbeholdning, nedskrivninger og penge bundet op i usolgte produkter.
Af denne grund bør produktionsmængder baseres på mere end sidste års salg eller en købers intuition.
En praktisk beklædningsforudsigelsesproces ser på faktisk efterspørgsel, lagertilgængelighed, sæsonbestemte kampagner, leveringstid, sikkerhedslager, størrelsesfordeling og tilgængeligt budget.
Målet er at estimere, hvor meget kunderne sandsynligvis vil købe i den periode, hvor den nye beholdning vil være tilgængelig, og derefter bestemme, hvor meget beholdning mærket skal bruge for at understøtte denne efterspørgsel.
For en OEM-tøjproducent bliver denne prognose til sidst en produktionsordre opdelt efter stil, farve og størrelse.
I første omgang virker prognoser enkel.
Hvis et mærke solgte 1.000 styk af en style sidste år, vil det muligvis bestille yderligere 1.000 styk i år.
Problemet er, at historisk salg ikke altid repræsenterer den faktiske kundeefterspørgsel.
Forestil dig en T-shirt solgt 100 styk om ugen. Efter fire uger er mellemstørrelsen udsolgt. Kunderne leder fortsat efter Medium, men mærket kan ikke sælge det, det ikke længere har.
Salgsrekorden viser måske, at efterspørgslen faldt efter den fjerde uge.
I virkeligheden blev produktet utilgængeligt.
Den leverede forskning beskriver dette som efterspørgselscensur . Når et produkt er udsolgt, kan det observerede salg falde til nul, selvom kunderne måske stadig ønsker at købe det. Direkte brug af disse råtal kan få dig til at undervurdere fremtidige produktionsmængder.
Dette skaber en farlig cyklus:
Populært produkt → udsolgt → salgsdata ser svagere ud → næste ordre er for lille → produkt udsolgt igen
I mellemtiden kan langsomt omsættelige produkter forblive på lager og fortsætte med at generere salgsdata.
Gode prognoser starter derfor med at spørge:
Hvad ønskede kunderne egentlig at købe, da produktet var tilgængeligt?
Det første trin er at indsamle historiske salgsdata for den stil, farve og størrelse, der forventes.
Nyttige oplysninger kan omfatte:
Enheder solgt
Salgsdatoer
Inventar tilgængelig
Lagerperioder
Prisændringer
Kampagner
Produktlanceringer
Sæsonbestemte perioder
Salg efter størrelse
Salg efter kanal
Jo mere detaljerede dataene er, jo mere brugbare kan prognosen blive.
Et brand med flere års salgshistorie kan nemmere identificere tilbagevendende mønstre end et brand med kun få måneders data.
Flere data betyder dog ikke automatisk bedre prognoser.
Data skal fortolkes korrekt.
Antag, at et brand havde en salgsperiode på 30 dage.
Produktet var tilgængeligt i 20 dage og solgte 400 stk.
Hvis mærket blot beregner:
400 ÷ 30 = 13,3 stykker pr. dag
det antager, at produktet kunne have solgt til den pris gennem hele perioden.
Men hvis produktet ikke var tilgængeligt i 10 dage, var den observerede salgsrate i den tilgængelige periode:
400 ÷ 20 = 20 styk pr. ledig dag
Det andet tal kan give et bedre udgangspunkt for at estimere efterspørgslen.
Undersøgelsen anbefaler, at man beregner den sande salgsrate ved at bruge den periode, hvor SKU'en faktisk var tilgængelig, i stedet for at behandle udsolgte perioder som nul efterspørgsel.
Denne proces kaldes ofte efterspørgselsfri.
Grundideen er ligetil:
Hvis kunderne ikke kunne købe produktet, skulle de dage ikke automatisk tolkes som dage, hvor kunderne ikke ønskede det.
Når der er ryddet op i det historiske salg, har brandet brug for en basisprognose.
Basislinjen er et estimat af normal efterspørgsel, før særlige begivenheder såsom større kampagner eller usædvanlige stigninger tilføjes.
Forskellige produkter kan kræve forskellige prognosemetoder.
For et basisprodukt med relativt stabil efterspørgsel kan et glidende gennemsnit give et nyttigt udgangspunkt.
For eksempel kræver en grundlæggende sort T-shirt, der sælges konsekvent hele året, ikke et omfattende prognosesystem.
Brandet kan undersøge det seneste salg og etablere et repræsentativt gennemsnit.
Hvis salget konsekvent har været stigende eller faldende, bør prognosen tage højde for denne tendens.
For eksempel, hvis en kerneundertøjsstil er vokset støt over flere sæsoner, kan det blot at bruge et gammelt gennemsnit undervurdere den fremtidige efterspørgsel.
Lineære trendmodeller kan være nyttige til denne type situation.
Nogle produkter følger forudsigelige sæsonbestemte mønstre.
Badetøj, vinterundertøj, termotøj og andre sæsonbestemte produkter kan have meget forskellige salgsmønstre henover året.
Prognosen skal derfor skelne mellem:
Normal vækst eller tilbagegang
og
Tilbagevendende sæsonbestemt efterspørgsel
Forskningen identificerer eksponentiel udjævning og ETS-modeller som nyttige prognosetilgange, fordi de kan tage højde for fejl, tendenser og sæsonbestemte.
For de fleste mindre mærker er det vigtigere at forstå princippet end at vælge en kompliceret prognosealgoritme.
Et større salg kan få et produkt til at fremstå meget mere populært, end det normalt er.
Forestil dig, at et mærke normalt sælger 100 stykker af en style om ugen.
Under en 30% rabatkampagne sælger den 250 stk.
Brug af 250 som det nye normale ville give en meget aggressiv produktionsprognose.
Det samme problem kan opstå med:
Flash salg
Influencer kampagner
Større reklamekampagner
Feriekampagner
Lancering af nye produkter
Midlertidige prisnedsættelser
Undersøgelsen anbefaler at adskille salgsfremmende løft fra den underliggende basislinjeefterspørgsel og derefter tilføje planlagte salgsfremmende effekter tilbage i den fremtidige prognose, når det er relevant.
For eksempel:
Normal efterspørgsel: 100 enheder/uge
Forventet salgsfremmende stigning: +40 %
Prognose under kampagne: ca. 140 enheder/uge
Det nøjagtige løft bør komme fra mærkets egne historiske data, når det er muligt.
Efterspørgsel efter tøj er stærkt forbundet med årstiden.
Kundernes efterspørgsel kan ændre sig på grund af:
Temperatur
Klima
Helligdage
Tilbage-til-skole perioder
Rejsesæsoner
Salgsfremmende kalendere
Mode sæsoner
Et brand bør derfor sammenligne lignende perioder, når man bygger en forecast.
For eksempel kan det give et meget misvisende resultat at bruge december-salg til at forudsige juli-efterspørgslen efter et sæsonprodukt.
Mærket bør spørge:
Hvad solgte dette produkt eller lignende produkter i samme sæson i tidligere år?
Sæsonbestemthed bliver især vigtigt, når produktionstiden er lang.
Hvis en fabrik har brug for flere måneder til at producere og sende en tilpasset ordre, skal mærket forudsige efterspørgslen i god tid før den faktiske salgssæson begynder.
En ny stil skaber et prognoseproblem, fordi der ikke er nogen direkte salgshistorik.
Et brand kan ikke beregne sidste års salg for et produkt, der ikke fandtes sidste år.
Forskningen anbefaler at bruge attributbaseret klyngedannelse og kortlægning af lignende varer til nye produkter. I stedet for at gætte et tal ud fra ingenting, kan planlæggere sammenligne det nye produkt med eksisterende produkter, der deler vigtige egenskaber.
Relevante attributter kan omfatte:
Produktkategori
Silhuet
Stofkonstruktion
Stofvægt
Pris
Målmargin
Farve
Mønster kompleksitet
Antag for eksempel, at et mærke lancerer en ny 280 GSM French Terry-hættetrøje.
Det kan se på tidligere hættetrøjer med lignende:
Stofvægt
Konstruktion
Pris
Målkunde
Passe
Farvepositionering
Disse produkter kan give et mere nyttigt udgangspunkt end blot at vælge en vilkårlig mængde.
Nye produkter rummer mere usikkerhed end etablerede produkter.
Et brand kan derfor overveje:
Mindre indledende produktion
Forudbestillinger
Tidlig kundeinteresse
Historisk ydeevne af lignende produkter
Fleksibel genopfyldning
Kortere produktionscyklusser, hvor det er muligt
Dette kan reducere risikoen for at binde for meget lager, før den faktiske efterspørgsel bliver klar.
At forudsige efterspørgslen er kun halvdelen af problemet.
Et brand skal også vide, hvor lang tid det vil tage at udskifte beholdningen.
Antag, at et mærke forventer at sælge 500 styk pr. måned.
Hvis genopfyldning tager to uger, har mærket ét lagerproblem.
Hvis genopfyldning tager fire måneder, har mærket et meget andet problem.
Forskningen understreger, at fabrikkens produktionstid ikke skal behandles som hele leveringskædens ledetid. Samlet gennemløbstid kan omfatte materialeindkøb, prøveudtagning og godkendelser, bulkproduktion, transport, told og indgående behandling.
En forenklet beklædningsforsyningskæde ser sådan ud:
Materiale indkøb
↓
Prøveudtagning og godkendelser
↓
Bulk produktion
↓
Transport
↓
Told og indgående behandling
↓
Lagertilgængelighed
Mærket bør forudsige lagerbehov i hele denne periode.
Dette er især vigtigt for brugerdefinerede stoffer og brugerdefinerede farver, hvor materialeforberedelse kan tilføje betydelig tid.
En prognose er stadig et skøn.
Den faktiske efterspørgsel kan være højere end forventet.
Produktionen kan også tage længere tid end planlagt.
Sikkerhedslager giver en buffer mod disse usikkerheder.
Forskningen identificerer to hovedkilder til risiko:
Efterspørgselsvariabilitet
Variabilitet i leveringstid
Antag for eksempel, at et brand forventer at sælge 1.000 styk i løbet af den tid, det tager at genopbygge lagerbeholdningen.
Hvis efterspørgslen pludselig stiger eller produktionen forsinkes, er 1.000 styk måske ikke nok.
Sikkerhedslager giver yderligere beskyttelse.
En simpel regel såsom 'producer altid 10 % ekstra' kan virke bekvem.
Forskellige produkter har dog forskellige risikoniveauer.
En stabil sort T-shirt med forudsigelig efterspørgsel året rundt kan kræve en anden buffer end en sæsonbestemt modestil, hvis salg er meget uforudsigeligt.
Forskningen anbefaler at bruge forskellige prognoser og strategier for sikkerhedslager i henhold til både indtægtsmæssig betydning og efterspørgselsforudsigelighed , ved hjælp af ABC-XYZ klassificering.
Det grundlæggende koncept er nyttigt selv uden at udføre den fulde statistiske analyse:
Højværdi + forudsigelige produkter: Beskyt tilgængeligheden omhyggeligt.
Højværdi + uforudsigelige produkter: overvåg efterspørgslen nøje og juster hurtigt.
Lavværdi + uforudsigelige produkter: undgå at binde for meget lager.
Dette hjælper brands med at bruge lagerinvesteringer, hvor det betyder mest.
Når et brand kender sin forventede efterspørgsel og sikkerhedslager, kan det bestemme, hvornår en anden produktionsordre skal placeres.
Dette er genbestillingspunktet (ROP).
Konceptuelt:
Genbestillingspunkt = Forventet efterspørgsel i løbetid + sikkerhedslager
Hvis et mærke f.eks. forventer at sælge 1.500 enheder i løbet af sin genopfyldningstid og ønsker yderligere 300 enheder som en sikkerhedsbuffer:
ROP = 1.800 enheder
Når den tilgængelige lagerposition når dette niveau, bør brandet overveje at starte den næste genopfyldningsordre.
Undersøgelsen beskriver genbestillingspunktet som lagertærsklen, der udløser en ny indkøbsordre, baseret på forventet efterspørgsel gennem den samlede leveringstid plus sikkerhedslager.
Det vigtige punkt er timing.
Et mærke bør ikke vente, indtil lagerbeholdningen når nul, før det kontakter sin producent, hvis producenten kræver uger eller måneder til at genopbygge produktet.
At vide, at et mærke har brug for 5.000 styk, fortæller ikke fabrikken, hvor mange styk af hver størrelse der skal produceres.
Produktionsordren skal muligvis være:
XS: 350
S: 900
M: 1.900
L: 1.300
XL: 550
Det nøjagtige forhold afhænger af mærkets kundebase og historiske salg.
Dette kaldes en størrelseskurve.
Forskningen fremhæver et vigtigt problem her: rå salgsforhold kan blive forvrænget, når populære størrelser bliver udsolgt tidligt.
Antag, at Medium gentagne gange bliver udsolgt.
Dets historiske salg kan faktisk repræsentere antallet af mellemstore enheder, som mærket formåede at sælge, snarere end det antal kunder, der ønskede.
Mærket bør derfor analysere efterspørgsel efter størrelse i perioder, hvor hver størrelse faktisk var tilgængelig.
Dette er især vigtigt for undertøj, fordi størrelse er tæt forbundet med pasform, komfort og kundetilfredshed.
En produktionsprognose bør derfor besvare to separate spørgsmål:
Hvor mange stykker skal vi lave i alt?
og
Hvordan skal disse stykker fordeles på tværs af størrelser?
En efterspørgselsprognose kan give et meget stort produktionsbehov.
Mærket mangler stadig at afgøre, om det har råd til at fremstille og holde det pågældende lager.
Det er her, økonomisk planlægning kommer ind i processen.
Forskningen beskriver Open-to-Buy (OTB) som en økonomisk begrænsning, der hjælper med at afstemme bottom-up SKU-prognoser med mængden af lagerforbrug, som virksomheden kan støtte.
For et mindre tøjmærke kan konceptet forenkles:
Foreslå den beholdning, du har brug for, og tjek derefter, om dine tilgængelige kontanter og beholdningsbudget kan understøtte det.
Hvis prognosen tyder på at bestille 20.000 styk, men virksomheden kan trygt finansiere kun 12.000, skal brandet prioritere.
Det kan vælge at:
Beskyt kerneprodukter
Reducer langsomt bevægende stilarter
Reducer farvedybden
Start færre SKU'er
Brug mindre indledende ordrer
Forsink produkter med lavere prioritet
Planlæg endnu et produktionsforløb senere
Det er her, at prognoser bliver en forretningsbeslutning snarere end en rent matematisk øvelse.
Efter at efterspørgsel, sæsonbestemt, leveringstid, sikkerhedslager, størrelseskurver og budget er blevet gennemgået, kan mærket bestemme sit produktionsbehov.
En forenklet arbejdsgang er:
Historisk salg
↓
Fjern lagerforvrængning
↓
Opbyg basisefterspørgsel
↓
Juster for sæsonbestemte og planlagte kampagner
↓
Overvej produktions- og leveringstid
↓
Tilføj passende sikkerhedslager
↓
Bestem genbestillingspunkt
↓
Påfør størrelseskurve
↓
Tjek lagerbudgettet
↓
Udsted produktionsordre
Forskningen opsummerer en lignende syv-trins planlægningsprotokol, begyndende med ubegrænset historisk efterspørgsel og slutter med en låst indkøbsordre udstedt til producenten.
Fra producentens perspektiv skal en god produktionsprognose i sidste ende blive en klar indkøbsordre.
Fabrikken kan modtage:
Stil
Farve
Samlet mængde
Størrelsesfordeling
Materialespecifikation
Emballagekrav
Leveringsdato
Forsendelseskrav
Kvalitetskrav
Kvaliteten af disse oplysninger påvirker produktionsplanlægningen.
For eksempel kan en producent være i stand til at producere 10.000 stykker af en stil, men produktionsplanen afhænger stadig af den specifikke størrelse og farvefordeling, stoftilgængelighed, trim, leveringsfrist og andre krav.
Dette er grunden til, at prognoser og fremstilling er tæt forbundet.
Et brands efterspørgselsplanlægning bestemmer, hvor meget det vil sælge og hvornår.
Producentens produktionsplanlægning bestemmer, hvordan dette krav omdannes til fysisk beklædning.
Ingen prognose er perfekt.
Formålet med forecasting er at træffe bedre beslutninger under usikkerhed.
Hvis den faktiske efterspørgsel er højere end forventet, kan brandet opleve:
Stockouts
Tabt salg
Nødproduktion
Fremskyndet forsendelse
Kunde utilfredshed
Hvis efterspørgslen er lavere end forventet, kan mærket stå over for:
Overskydende beholdning
Rabatter
Nedskrivningstab
Lageromkostninger
Kontanter bundet i usolgte produkter
De bedste prognosesystemer overvåger derfor løbende det faktiske salg.
Prognosen bør ændre sig, efterhånden som ny information bliver tilgængelig.
For eksempel:
Indledende prognose → faktisk salg → opdateret efterspørgselsestimat → revideret produktionsplan
Dette er især nyttigt for modeprodukter med kort livscyklus.
Forestil dig et undertøjsmærke har en kernestil, der sælger hele året.
Historiske data viser, at efter at have taget højde for lagerudbud, sælger produktet normalt omkring 800 styk pr..
Mærket forventer en sæsonmæssig stigning på cirka 20 %.
Det giver en forventet efterspørgsel på omtrent:
800 × 1,20 = 960 styk pr. måned
Producenten og logistikprocessen kræver tre måneder fra ordreafgivelse til lagertilgængelighed.
Mærket skal derfor planlægge for ca.
960 × 3 = 2.880 stykker
Den tilføjer derefter en passende sikkerhedsbuffer baseret på dens efterspørgsels- og udbudsrisiko.
Antag, at mærket beslutter, at yderligere 320 stykker giver en passende planlægningsbuffer.
Lagerbehovet bliver cirka:
2.880 + 320 = 3.200 stk
Det sidste trin er at opdele disse stykker i henhold til den forventede størrelseskurve.
Dette er et forenklet eksempel snarere end en universel formel. Reelle prognoser bør tage højde for ændringer i pris, kampagner, lagertilgængelighed, sæsonbestemthed, variabilitet i leveringstid og produktlivscyklus.
Det vigtige punkt er rækkefølgen:
Efterspørgsel → salgsperiode → gennemløbstid → risikobuffer → størrelsesfordeling → produktionsmængde
Et brand har ikke brug for et avanceret AI-prognosesystem for at forbedre sin produktionsplanlægning.
Det kan starte med bedre datadisciplin.
Optag, når hver stil og størrelse bliver utilgængelig.
Ellers kan lavt salg forveksles med lav efterspørgsel.
Optag store rabatter og kampagner, så usædvanlige salgsstigninger ikke automatisk bliver den nye baseline.
Et samlet salgsnummer på stilniveau kan skjule vigtige forskelle mellem størrelser.
Registrer, hvor lang tid faktiske ordrer tager fra indkøbsordre til lagermodtagelse.
Efter hver salgsperiode skal du sammenligne den forventede efterspørgsel med de faktiske resultater.
Brug lignende produkter og attributter som referencer i stedet for at lade som om, at et nyt produkt har historiske data.
En prognose bør ændre sig, når ny information ændrer den forventede efterspørgsel.
Når produktionsmængden er fastlagt, har producenten brug for en klar ordre.
For et skræddersyet tøjprojekt omfatter nyttige oplysninger:
Stilnummer
Farveveje
Samlet mængde
Størrelsesfordeling
Stofspecifikation
Trimkrav
Emballagekrav
Kvalitetsstandarder
Mål leveringsdato
Forsendelsesdestination
En klar produktionsordre mindsker risikoen for misforståelser mellem mærke og fabrik.
Det giver også producenten mulighed for at planlægge stof, klipning, sykapacitet og andre produktionsressourcer mere effektivt.
For et langsigtet OEM-forhold kan historiske produktionsdata også blive nyttige.
Faktiske produktionstider, materialeforbrug, kvalitetsproblemer og ordremængder kan alle hjælpe med at forbedre fremtidig planlægning.
Der er ikke et enkelt tal, der kan garantere den korrekte produktionsmængde.
En stærk prognose kombinerer flere oplysninger.
Historisk salg fortæller brandet, hvad der skete.
Lagerbeholdningsanalyse hjælper med at afsløre efterspørgsel, som salgsdata kan være gået glip af.
Sæsonbestemte og kampagner forklarer usædvanlige ændringer.
Gennemløbstiden bestemmer, hvor langt frem lagerbeholdningen skal planlægges.
Sikkerhedslager beskytter mod usikkerhed.
Størrelseskurver gør den samlede efterspørgsel til en praktisk produktionsopdeling.
Budgetgrænser holder lagerplaner økonomisk realistiske.
Tilsammen skaber disse faktorer et meget stærkere grundlag for at beslutte, hvor mange beklædningsgenstande, der skal fremstilles.
For tøjmærker er det mest nyttige skift ofte at flytte fra:
'Vi solgte så mange sidste gang, så lad os bestille det samme beløb.'
til:
'Hvor meget krævede kunderne faktisk, hvordan vil efterspørgslen ændre sig, og hvor meget lager skal vi bruge for at dække tiden, indtil vi kan genopfylde det?'
Det spørgsmål fører til bedre produktionsbeslutninger.
Og for en OEM-producent skaber det en tydeligere sammenhæng mellem kundernes efterspørgsel og den fysiske produktionsplan.
God produktionsplanlægning starter før indkøbsordren. Jo bedre efterspørgselsprognosen er, jo større er chancen for, at de rigtige produkter, størrelser og mængder er tilgængelige, når kunderne ønsker dem.
