چگونه برندهای لباس میزان تولید را پیش‌بینی می‌کنند

تصمیم گیری در مورد تعداد پوشاک برای تولید یکی از مهم ترین تصمیمات یک برند لباس است.

تعداد بسیار کمی سفارش دهید و محصولات محبوب می توانند قبل از رسیدن محموله بعدی به فروش برسند. تعداد زیادی سفارش دهید و ممکن است نام تجاری با موجودی اضافی، کاهش قیمت و پول در محصولات فروخته نشده باقی بماند.

به همین دلیل، مقادیر تولید باید بر اساس میزان فروش سال گذشته یا شهود خریدار باشد.

یک فرآیند عملی پیش‌بینی پوشاک به تقاضای واقعی، در دسترس بودن موجودی، فصلی بودن، تبلیغات، زمان تحویل، سهام ایمنی، توزیع اندازه و بودجه موجود می‌پردازد..

هدف این است که تخمین بزنیم که مشتریان در طول دوره‌ای که موجودی جدید در دسترس خواهد بود چقدر خرید می‌کنند، سپس تعیین می‌کنند که برند برای حمایت از آن تقاضا به چه مقدار موجودی نیاز دارد.

برای یک تولید کننده پوشاک OEM، این پیش بینی در نهایت به یک سفارش تولید تبدیل می شود که بر اساس سبک، رنگ و اندازه تقسیم می شود.

چرا پیش بینی مقدار تولید اینقدر دشوار است؟

در ابتدا، پیش بینی ساده به نظر می رسد.

اگر یک برند در سال گذشته 1000 قطعه از یک سبک را بفروشد، ممکن است امسال 1000 قطعه دیگر را سفارش دهد.

مشکل این است که فروش تاریخی همیشه نشان دهنده تقاضای واقعی مشتری نیست.

تصور کنید یک تیشرت 100 عدد در هفته فروخته می شود. پس از چهار هفته، اندازه متوسط ​​به فروش می رسد. مشتریان به دنبال Medium هستند، اما برند نمی تواند چیزی را که دیگر ندارد بفروشد.

رکورد فروش ممکن است نشان دهد که تقاضا پس از هفته چهارم کاهش یافته است.

در واقع، محصول از دسترس خارج شد.

تحقیق ارائه شده این را به عنوان سانسور تقاضا توصیف می کند . هنگامی که یک محصول موجود نیست، فروش مشاهده شده ممکن است به صفر برسد، حتی اگر مشتریان همچنان بخواهند آن را خریداری کنند. استفاده مستقیم از این اعداد خام می تواند باعث شود که مقدار تولید آینده را دست کم بگیرید.

این یک چرخه خطرناک ایجاد می کند:

محصول پرطرفدار → فروخته می شود → داده های فروش ضعیف تر به نظر می رسد → سفارش بعدی خیلی کوچک است → محصول دوباره فروخته می شود

در همین حال، محصولات آهسته می توانند در انبار باقی بمانند و به تولید داده های فروش ادامه دهند.

بنابراین پیش‌بینی خوب با پرسیدن شروع می‌شود:

وقتی محصول در دسترس بود، مشتریان واقعاً چه چیزی را می خواستند بخرند؟

1. با داده های فروش واقعی شروع کنید

اولین قدم جمع آوری داده های تاریخی فروش برای سبک، رنگ و اندازه پیش بینی شده است.

اطلاعات مفید می تواند شامل موارد زیر باشد:

• واحد فروخته شده

• فروش خرما

• موجودی موجود است

• دوره های انبارداری

• تغییرات قیمت

• تبلیغات

• عرضه محصولات

• دوره های فصلی

• فروش بر اساس سایز

• فروش بر اساس کانال

هرچه داده ها دقیق تر باشند، پیش بینی می تواند مفیدتر باشد.

یک نام تجاری با چندین سال سابقه فروش می تواند الگوهای تکرار شونده را راحت تر از یک برند با داده های چند ماهه شناسایی کند.

با این حال، داده های بیشتر به طور خودکار به معنای پیش بینی بهتر نیست.

داده ها باید به درستی تفسیر شوند.

اثر استاک اوت را حذف کنید

فرض کنید یک برند یک دوره فروش 30 روزه داشته است.

این محصول به مدت 20 روز موجود بود و 400 عدد به فروش رسید.

اگر برند به سادگی محاسبه کند:

400 ÷ 30 = 13.3 قطعه در روز

فرض می‌کند که محصول می‌توانست در کل دوره با آن نرخ فروخته شود.

با این حال، اگر محصول به مدت 10 روز در دسترس نبود، نرخ فروش مشاهده شده در دوره موجود عبارت بود از:

400 ÷ 20 = 20 عدد در روز موجود

شکل دوم ممکن است نقطه شروع بهتری برای تخمین تقاضا باشد.

این تحقیق توصیه می‌کند که نرخ واقعی فروش را با استفاده از دوره‌ای که SKU واقعاً در دسترس بوده است، به جای اینکه دوره‌های خارج از انبار را به‌عنوان تقاضای صفر تلقی کنیم، محاسبه کنیم.

این فرآیند اغلب نامحدود تقاضا نامیده می شود.

ایده اصلی ساده است:

اگر مشتریان نمی توانستند محصول را بخرند، آن روزها نباید به طور خودکار به عنوان روزهایی تفسیر شوند که مشتریان آن را نمی خواستند.

2. یک پیش بینی تقاضای پایه ایجاد کنید

هنگامی که فروش تاریخی پاک شد، برند به یک پیش‌بینی پایه نیاز دارد.

خط مبنا تخمینی از تقاضای عادی قبل از اضافه شدن رویدادهای خاص مانند تبلیغات عمده یا افزایش غیرمعمول است.

محصولات مختلف می توانند به روش های پیش بینی متفاوتی نیاز داشته باشند.

محصولات اصلی پایدار

برای یک محصول اساسی با تقاضای نسبتاً پایدار، میانگین متحرک می‌تواند نقطه شروع مفیدی باشد.

به عنوان مثال، یک تی شرت مشکی ساده که به طور مداوم در طول سال به فروش می رسد ممکن است نیازی به سیستم پیش بینی دقیق نداشته باشد.

این برند می تواند فروش اخیر را بررسی کرده و میانگین نمایندگی را تعیین کند.

محصولات با روند واضح

اگر فروش به طور مداوم در حال افزایش یا کاهش بوده است، پیش بینی باید آن روند را در نظر بگیرد.

به عنوان مثال، اگر یک مدل لباس زیر اصلی در طول چندین فصل به طور پیوسته رشد کرده است، استفاده از یک میانگین قدیمی می تواند تقاضای آینده را دست کم بگیرد.

مدل های روند خطی می توانند برای این نوع موقعیت ها مفید باشند.

محصولات فصلی

برخی از محصولات از الگوهای فصلی قابل پیش بینی پیروی می کنند.

لباس های شنا، لباس های زیر زمستانی، لباس های حرارتی و سایر محصولات فصلی می توانند الگوهای فروش بسیار متفاوتی در طول سال داشته باشند.

بنابراین پیش بینی باید بین موارد زیر تمایز قائل شود:

رشد یا کاهش طبیعی

و

تقاضای فصلی مکرر

این تحقیق مدل‌های هموارسازی نمایی و ETS را به عنوان رویکردهای پیش‌بینی مفید شناسایی می‌کند، زیرا می‌توانند خطا، روند و فصلی بودن را توضیح دهند.

برای اکثر برندهای کوچکتر، درک اصل مهمتر از انتخاب یک الگوریتم پیش بینی پیچیده است.

3. تقاضای عادی را از فروش تبلیغاتی جدا کنید

یک فروش عمده می تواند یک محصول را بسیار محبوب تر از آنچه که معمولاً هست نشان دهد.

تصور کنید یک برند معمولاً 100 قطعه از یک سبک را در هفته می فروشد.

طی کمپین تخفیف 30 درصدی، 250 قطعه به فروش می رسد.

استفاده از 250 به عنوان نرمال جدید یک پیش بینی تولید بسیار تهاجمی ایجاد می کند.

همین مشکل ممکن است در موارد زیر رخ دهد:

• فروش فلش

• کمپین های اینفلوئنسر

• کمپین های تبلیغاتی عمده

• تبلیغات تعطیلات

• عرضه محصولات جدید

• کاهش موقت قیمت

این تحقیق توصیه می کند که افزایش تبلیغاتی را از تقاضای پایه اساسی جدا کرده و سپس در صورت لزوم، اثرات تبلیغاتی برنامه ریزی شده را به پیش بینی آینده اضافه کنید.

به عنوان مثال:

تقاضای عادی: 100 واحد در هفته
افزایش تبلیغاتی مورد انتظار: +40٪
پیش بینی در طول تبلیغات: تقریباً 140 واحد در هفته

افزایش دقیق باید در صورت امکان از داده های تاریخی خود برند حاصل شود.

4. فصلی بودن را در نظر بگیرید

تقاضای پوشاک به شدت با زمان سال مرتبط است.

تقاضای مشتری می تواند به دلیل موارد زیر تغییر کند:

• دما

• آب و هوا

• تعطیلات

• دوره های بازگشت به مدرسه

• فصول سفر

• تقویم های تبلیغاتی

• فصول مد

بنابراین، یک برند باید دوره های مشابه را هنگام ایجاد یک پیش بینی مقایسه کند.

به عنوان مثال، استفاده از فروش دسامبر برای پیش بینی تقاضای ماه جولای برای یک محصول فصلی می تواند نتیجه بسیار گمراه کننده ای داشته باشد.

برند باید بپرسد:

این محصول یا محصولات مشابه در همان فصل در سال های گذشته چه فروش داشته است؟

فصلی بودن زمانی اهمیت بیشتری پیدا می کند که زمان تولید طولانی باشد.

اگر یک کارخانه برای تولید و ارسال یک سفارش سفارشی به چند ماه زمان نیاز دارد، برند باید قبل از شروع فصل فروش واقعی تقاضا را پیش‌بینی کند.

5. محصولات جدید به رویکردی متفاوت نیاز دارند

یک سبک جدید یک مشکل پیش بینی ایجاد می کند زیرا سابقه فروش مستقیم وجود ندارد.

یک برند نمی تواند فروش سال گذشته را برای محصولی که سال گذشته وجود نداشت محاسبه کند.

این تحقیق استفاده از خوشه‌بندی مبتنی بر ویژگی و نگاشت موارد مشابه را برای محصولات جدید توصیه می‌کند. برنامه ریزان می توانند به جای حدس زدن یک عدد از هیچ، محصول جدید را با محصولات موجود که ویژگی های مهم مشترکی دارند مقایسه کنند.

ویژگی های مرتبط می تواند شامل موارد زیر باشد:

• دسته بندی محصول

• سیلوئت

• ساخت پارچه

• وزن پارچه

• قیمت

• حاشیه هدف

• رنگ

• پیچیدگی الگو

به عنوان مثال، فرض کنید یک برند در حال عرضه هودی فرانسوی تری 280 GSM است.

می تواند به هودی های قبلی با موارد مشابه نگاه کند:

• وزن پارچه

• ساخت و ساز

• قیمت

• مشتری هدف

• مناسب

• موقعیت رنگ

این محصولات می توانند نقطه شروع مفیدتری نسبت به انتخاب یک مقدار دلخواه فراهم کنند.

پیش بینی محصول جدید باید محافظه کارانه باشد

محصولات جدید نسبت به محصولات ثابت دارای عدم قطعیت بیشتری هستند.

بنابراین یک برند می تواند در نظر بگیرد:

• تولید اولیه کوچکتر

• پیش سفارش

• علاقه اولیه مشتری

• عملکرد تاریخی محصولات مشابه

• پر کردن انعطاف پذیر

• چرخه‌های تولید کوتاه‌تر در صورت وجود

این می تواند خطر ارتکاب موجودی بیش از حد را قبل از مشخص شدن تقاضای واقعی کاهش دهد.

6. زمان تولید کامل را در نظر بگیرید

پیش بینی تقاضا تنها نیمی از مشکل است.

یک برند همچنین باید بداند که چقدر طول می کشد تا موجودی را جایگزین کند.

فرض کنید یک برند انتظار دارد ماهانه 500 قطعه بفروشد.

اگر تکمیل مجدد دو هفته طول بکشد، برند یک مشکل موجودی دارد.

اگر شارژ مجدد چهار ماه طول بکشد، برند مشکل بسیار متفاوتی دارد.

این تحقیق تاکید می کند که زمان تولید کارخانه نباید به عنوان کل زمان تحویل زنجیره تامین در نظر گرفته شود. کل زمان تحویل می تواند شامل تهیه مواد، نمونه برداری و تاییدیه، تولید فله، حمل و نقل، گمرک و پردازش ورودی باشد.

یک زنجیره تامین پوشاک ساده به نظر می رسد:

تهیه مواد

↓

نمونه برداری و تاییدیه

↓

تولید فله

↓

حمل و نقل

↓

گمرک و پردازش ورودی

↓

در دسترس بودن انبار

برند باید نیازهای موجودی را در کل این دوره پیش بینی کند.

این به ویژه برای پارچه های سفارشی و رنگ های سفارشی مهم است، جایی که آماده سازی مواد می تواند زمان قابل توجهی را اضافه کند.

7. سهام ایمنی را اضافه کنید

یک پیش بینی هنوز یک تخمین است.

تقاضای واقعی می تواند بالاتر از حد انتظار باشد.

تولید همچنین می تواند بیش از برنامه ریزی شده طول بکشد.

سهام ایمنی یک بافر در برابر این عدم قطعیت ها فراهم می کند.

این تحقیق دو منبع اصلی خطر را شناسایی می کند:

• تنوع تقاضا

• تغییرپذیری زمان سرب

برای مثال، فرض کنید یک برند انتظار دارد 1000 قطعه را در طول زمانی که برای تکمیل موجودی نیاز دارد بفروشد.

اگر تقاضا به طور ناگهانی افزایش یابد یا تولید به تاخیر بیفتد، 1000 قطعه ممکن است کافی نباشد.

سهام ایمنی محافظت بیشتری را فراهم می کند.

از استفاده از بافر یکسان برای هر محصول خودداری کنید

یک قانون ساده مانند 'همیشه 10٪ بیشتر تولید کنید' ممکن است راحت به نظر برسد.

با این حال، محصولات مختلف سطوح مختلفی از خطر را دارند.

یک تی‌شرت مشکی ثابت با تقاضای قابل پیش‌بینی در طول سال ممکن است به یک بافر متفاوت از سبک مد فصلی نیاز داشته باشد که فروش آن بسیار غیرقابل پیش‌بینی است.

این تحقیق استفاده از استراتژی‌های مختلف پیش‌بینی و سهام ایمنی را با توجه به اهمیت درآمد و قابلیت پیش‌بینی تقاضا ، با استفاده از طبقه‌بندی ABC-XYZ توصیه می‌کند.

مفهوم اصلی حتی بدون انجام تجزیه و تحلیل آماری کامل مفید است:

محصولات با ارزش بالا + قابل پیش بینی: از در دسترس بودن با دقت محافظت کنید.

محصولات با ارزش بالا + غیرقابل پیش بینی: تقاضا را از نزدیک بررسی کنید و به سرعت تنظیم کنید.

محصولات کم ارزش + غیرقابل پیش بینی: از بستن موجودی بیش از حد خودداری کنید.

این به برندها کمک می‌کند سرمایه‌گذاری موجودی را در جایی که بیشترین اهمیت را دارد خرج کنند.

8. نقطه Reorder Point را محاسبه کنید

هنگامی که یک نام تجاری تقاضای مورد انتظار و موجودی ایمنی خود را می داند، می تواند تعیین کند که چه زمانی باید سفارش تولید دیگری ارسال شود.

این نقطه سفارش مجدد (ROP) است.

از نظر مفهومی:

نقطه سفارش مجدد = تقاضای مورد انتظار در طول زمان تحویل + سهام ایمنی

به عنوان مثال، اگر یک برند انتظار داشته باشد که 1500 دستگاه را در طول زمان تکمیل خود بفروشد و 300 واحد دیگر را به عنوان بافر ایمنی بخواهد:

ROP = 1800 واحد

هنگامی که موقعیت موجودی موجود به آن سطح رسید، برند باید شروع سفارش مجدد بعدی را در نظر بگیرد.

این تحقیق نقطه سفارش مجدد را به‌عنوان آستانه موجودی توصیف می‌کند که بر اساس تقاضای مورد انتظار در کل زمان تحویل به اضافه موجودی ایمنی، باعث ایجاد یک سفارش خرید جدید می‌شود.

نکته مهم زمان بندی است.

اگر سازنده هفته‌ها یا ماه‌ها برای تکمیل محصول نیاز داشته باشد، یک برند نباید قبل از تماس با سازنده خود منتظر بماند تا موجودی کالا به صفر برسد.

9. تقسیم اندازه را پیش بینی کنید

دانستن اینکه یک برند به 5000 قطعه نیاز دارد به کارخانه نمی گوید که از هر اندازه چند قطعه تولید کند.

سفارش تولید ممکن است نیاز داشته باشد:

XS: 350
S: 900
M: 1900
L: 1300
XL: 550

نسبت دقیق به پایگاه مشتری و فروش تاریخی برند بستگی دارد.

به این می گویند منحنی اندازه .

این تحقیق یک مشکل مهم را در اینجا برجسته می‌کند: نسبت‌های فروش خام زمانی که اندازه‌های محبوب زود به فروش می‌رسند می‌توانند مخدوش شوند.

فرض کنید Medium مکرراً فروخته می شود.

فروش تاریخی آن ممکن است در واقع نشان دهنده تعداد واحدهای متوسطی باشد که برند موفق به فروش آن شده است، نه تعداد مورد نظر مشتریان.

بنابراین، نام تجاری باید تقاضا را بر اساس اندازه در دوره هایی که هر اندازه واقعاً در دسترس بود، تجزیه و تحلیل کند.

این به ویژه برای لباس زیر مهم است زیرا اندازه با تناسب، راحتی و رضایت مشتری ارتباط نزدیکی دارد.

بنابراین یک پیش‌بینی تولید باید به دو سؤال جداگانه پاسخ دهد:

در کل چند قطعه باید بسازیم؟

و

چگونه باید آن قطعات در اندازه ها توزیع شوند؟

10. مقدار تولید را در مقابل بودجه بررسی کنید

پیش‌بینی تقاضا می‌تواند نیاز تولید بسیار زیادی را ایجاد کند.

این برند هنوز باید تعیین کند که آیا توانایی تولید و نگهداری آن موجودی را دارد یا خیر.

اینجاست که برنامه ریزی مالی وارد فرآیند می شود.

این تحقیق باز به خرید (OTB) را به عنوان یک محدودیت مالی توصیف می‌کند که به تطبیق پیش‌بینی‌های SKU از پایین به بالا با میزان مخارج موجودی که کسب‌وکار می‌تواند پشتیبانی کند، کمک می‌کند.

برای یک برند لباس کوچکتر، این مفهوم را می توان ساده کرد:

موجودی مورد نیاز خود را پیش بینی کنید، سپس بررسی کنید که آیا پول نقد موجود و بودجه موجودی شما می تواند آن را پشتیبانی کند یا خیر.

اگر پیش‌بینی سفارش 20000 قطعه را پیشنهاد می‌کند اما کسب‌وکار می‌تواند با خیال راحت تنها 12000 قطعه را تامین کند، برند باید اولویت‌بندی کند.

ممکن است انتخاب کند:

• از محصولات اصلی محافظت کنید

• سبک های آهسته حرکت را کاهش دهید

• عمق رنگ را کاهش دهید

• SKU های کمتری راه اندازی کنید

• از سفارشات اولیه کوچکتر استفاده کنید

• محصولات با اولویت کمتر را به تاخیر بیندازید

• بعداً برای اجرای دیگر تولید برنامه ریزی کنید

اینجاست که پیش‌بینی به یک تصمیم تجاری تبدیل می‌شود تا یک تمرین صرفاً ریاضی.

11. پیش بینی را به یک سفارش تولید تبدیل کنید

پس از بررسی تقاضا، فصلی بودن، زمان تحویل، موجودی ایمنی، منحنی های اندازه و بودجه، برند می تواند نیاز تولید خود را تعیین کند.

یک گردش کار ساده شده عبارت است از:

فروش تاریخی

↓

اعوجاج انبار را حذف کنید

↓

ایجاد تقاضای پایه

↓

برای فصلی بودن و تبلیغات برنامه ریزی شده تنظیم کنید

↓

زمان تولید و حمل و نقل را در نظر بگیرید

↓

سهام ایمنی مناسب را اضافه کنید

↓

نقطه سفارش مجدد را تعیین کنید

↓

منحنی اندازه را اعمال کنید

↓

بودجه موجودی را بررسی کنید

↓

صدور دستور تولید

این تحقیق یک پروتکل برنامه‌ریزی هفت مرحله‌ای مشابه را خلاصه می‌کند که با تقاضای تاریخی نامحدود شروع می‌شود و با یک دستور خرید قفل شده صادر شده برای سازنده خاتمه می‌یابد.

این برای یک تولید کننده پوشاک OEM به چه معناست؟

از دیدگاه سازنده، یک پیش بینی تولید خوب در نهایت باید به یک سفارش خرید واضح تبدیل شود.

کارخانه ممکن است دریافت کند:

• سبک

• رنگ

• مقدار کل

• تفکیک اندازه

• مشخصات مواد

• الزامات بسته بندی

• تاریخ تحویل

• الزامات حمل و نقل

• الزامات کیفیت

کیفیت این اطلاعات بر برنامه ریزی تولید تأثیر می گذارد.

به عنوان مثال، یک تولید کننده ممکن است بتواند 10000 قطعه از یک سبک را تولید کند، اما برنامه تولید همچنان به اندازه خاص و تقسیم رنگ، در دسترس بودن پارچه، تزئینات، مهلت تحویل و سایر الزامات بستگی دارد.

به همین دلیل است که پیش‌بینی و تولید ارتباط نزدیکی با هم دارند.

برنامه ریزی تقاضای یک برند تعیین می کند که چقدر و چه زمانی می خواهد بفروشد.

برنامه ریزی تولید سازنده تعیین می کند که چگونه این نیاز را به پوشاک فیزیکی تبدیل کند.

وقتی پیش‌بینی اشتباه باشد چه اتفاقی می‌افتد؟

هیچ پیش بینی کامل نیست.

هدف از پیش بینی تصمیم گیری بهتر در شرایط عدم قطعیت است.

اگر تقاضای واقعی بالاتر از حد انتظار باشد، برند ممکن است موارد زیر را تجربه کند:

• انبارها

• فروش از دست رفته

• تولید اضطراری

• حمل و نقل سریع

• نارضایتی مشتری

اگر تقاضا کمتر از حد انتظار باشد، برند ممکن است با:

• موجودی اضافی

• تخفیف ها

• ضررهای Markdown

• هزینه های انبار

• پول نقد در محصولات فروخته نشده موجود است

بنابراین بهترین سیستم های پیش بینی فروش واقعی را به طور مداوم نظارت می کنند.

با در دسترس قرار گرفتن اطلاعات جدید، پیش بینی باید تغییر کند.

به عنوان مثال:

پیش بینی اولیه ← فروش واقعی ← برآورد تقاضا به روز شده ← طرح تولید تجدید نظر شده

این به ویژه برای محصولات مد با چرخه عمر کوتاه مفید است.

یک مثال ساده از پیش بینی تولید

تصور کنید یک برند لباس زیر دارای سبک اصلی است که در طول سال به فروش می رسد.

داده های تاریخی نشان می دهد که، پس از حسابرسی برای موجودی، محصول به طور معمول حدود 800 قطعه در ماه به فروش می رسد..

این برند افزایش فصلی تقریباً 20 درصدی را انتظار دارد.

این یک تقاضای پیش‌بینی‌شده تقریباً به دست می‌دهد:

800 × 1.20 = 960 قطعه در ماه

فرآیند تولید کننده و لجستیک از زمان ثبت سفارش تا در دسترس بودن موجودی به سه ماه زمان نیاز دارد.

بنابراین، برند باید تقریباً برای موارد زیر برنامه ریزی کند:

960 × 3 = 2880 قطعه

سپس یک بافر ایمنی مناسب بر اساس ریسک عرضه و تقاضا اضافه می کند.

فرض کنید برند تصمیم بگیرد که 320 قطعه دیگر بافر برنامه ریزی مناسبی را فراهم کند.

نیاز موجودی تقریباً می شود:

2880 + 320 = 3200 قطعه

مرحله آخر این است که آن قطعات را بر اساس منحنی اندازه مورد انتظار تقسیم کنید.

این یک مثال ساده شده است تا یک فرمول جهانی. پیش‌بینی واقعی باید تغییرات قیمت، تبلیغات، در دسترس بودن موجودی، فصلی بودن، تغییرپذیری زمان سرب و چرخه عمر محصول را در نظر بگیرد.

نکته مهم توالی است:

تقاضا ← دوره فروش ← زمان سرب ← بافر ریسک ← توزیع اندازه ← مقدار تولید

چگونه برندهای پوشاک می توانند پیش بینی های خود را بهبود بخشند

یک برند برای بهبود برنامه ریزی تولید خود نیازی به سیستم پیش بینی هوش مصنوعی پیشرفته ندارد.

می تواند با نظم و انضباط داده بهتر شروع شود.

مسیر سهام

زمانی که هر سبک و اندازه در دسترس نیست، ضبط کنید.

در غیر این صورت، فروش پایین ممکن است با تقاضای کم اشتباه گرفته شود.

تبلیغات جداگانه

تخفیف‌ها و کمپین‌های عمده را ثبت کنید تا جهش‌های غیرمعمول فروش به طور خودکار به خط پایه جدید تبدیل نشوند.

پیگیری فروش بر اساس اندازه

تعداد کل فروش در سطح سبک می تواند تفاوت های مهم بین اندازه ها را پنهان کند.

پیگیری زمان سرب

مدت زمان سفارشات واقعی از سفارش خرید تا رسید انبار را ثبت کنید.

مقایسه پیش بینی در مقابل واقعی

پس از هر دوره فروش، تقاضای پیش بینی شده را با نتایج واقعی مقایسه کنید.

محصولات جدید را به طور جداگانه بررسی کنید

از محصولات و ویژگی های مشابه به عنوان مرجع به جای اینکه وانمود کنید که یک محصول جدید دارای داده های تاریخی است، استفاده کنید.

به طور منظم به روز کنید

زمانی که اطلاعات جدید تقاضای مورد انتظار را تغییر می دهد، یک پیش بینی باید تغییر کند.

برندها چه چیزی باید به تولیدکننده OEM خود بدهند؟

هنگامی که مقدار تولید مشخص شد، تولید کننده به یک سفارش واضح نیاز دارد.

برای یک پروژه لباس سفارشی، اطلاعات مفید شامل موارد زیر است:

• شماره سبک

• رنگ ها

• مقدار کل

• تفکیک اندازه

• مشخصات پارچه

• الزامات اصلاح

• الزامات بسته بندی

• استانداردهای کیفیت

• تاریخ تحویل هدف

• مقصد حمل و نقل

یک دستور تولید واضح احتمال سوء تفاهم بین برند و کارخانه را کاهش می دهد.

همچنین به سازنده اجازه می دهد تا پارچه، برش، ظرفیت دوخت و سایر منابع تولید را به طور موثرتری برنامه ریزی کند.

برای یک رابطه OEM طولانی مدت، داده های تولید تاریخی نیز می توانند مفید باشند.

زمان تولید واقعی، مصرف مواد، مشکلات کیفیت و مقادیر سفارش همگی می توانند به بهبود برنامه ریزی آینده کمک کنند.

پیش‌بینی درباره مدیریت عدم قطعیت است

هیچ شماره واحدی وجود ندارد که بتواند مقدار صحیح تولید را تضمین کند.

یک پیش‌بینی قوی چندین بخش از اطلاعات را ترکیب می‌کند.

فروش تاریخی به برند می گوید که چه اتفاقی افتاده است.

تجزیه و تحلیل موجودی به آشکار کردن تقاضایی کمک می کند که داده های فروش ممکن است از دست رفته باشد.

فصلی بودن و تبلیغات تغییرات غیرعادی را توضیح می دهد.

زمان سررسید تعیین می‌کند که موجودی‌ها چقدر باید برنامه‌ریزی شوند.

سهام ایمنی از عدم قطعیت محافظت می کند.

منحنی های اندازه، تقاضای کل را به یک شکست عملی تولید تبدیل می کند.

محدودیت های بودجه، برنامه های موجودی را از نظر مالی واقعی نگه می دارد.

این عوامل در کنار هم، مبنای بسیار قوی تری برای تصمیم گیری در مورد تولید پوشاک ایجاد می کنند.

برای برندهای لباس، مفیدترین تغییر اغلب حرکت از موارد زیر است:

'آخرین بار این تعداد را فروختیم، پس بیایید همان مقدار را سفارش دهیم.'

به:

'مشتریان واقعاً چقدر تقاضا کردند، این تقاضا چگونه تغییر خواهد کرد و چقدر موجودی برای پوشش زمان نیاز داریم تا بتوانیم آن را دوباره پر کنیم؟'

این سوال منجر به تصمیمات تولید بهتر می شود.

و برای یک تولید کننده OEM، ارتباط واضح تری بین تقاضای مشتری و برنامه تولید فیزیکی ایجاد می کند.

برنامه ریزی تولید خوب قبل از سفارش خرید شروع می شود. هر چه پیش‌بینی تقاضا بهتر باشد، شانس بیشتری برای در دسترس بودن محصولات، اندازه‌ها و مقادیر مناسب زمانی که مشتریان آن‌ها را می‌خواهند، بیشتر می‌کند.