दृश्य: 0 लेखक: साइट संपादक प्रकाशन समय: 2026-09-10 उत्पत्ति: साइट
यह तय करना कि कितने कपड़ों का उत्पादन किया जाए, एक कपड़ा ब्रांड के सबसे महत्वपूर्ण निर्णयों में से एक है।
बहुत कम ऑर्डर करें, और लोकप्रिय उत्पाद अगली शिपमेंट आने से पहले ही बिक सकते हैं। बहुत अधिक ऑर्डर करें, और ब्रांड के पास अतिरिक्त इन्वेंट्री, मार्कडाउन और बिना बिके उत्पादों में बंधा हुआ पैसा रह सकता है।
इस कारण से, उत्पादन मात्रा पिछले वर्ष की बिक्री या खरीदार के अंतर्ज्ञान से अधिक पर आधारित होनी चाहिए।
एक व्यावहारिक परिधान पूर्वानुमान प्रक्रिया वास्तविक मांग, इन्वेंट्री उपलब्धता, मौसमी, पदोन्नति, लीड समय, सुरक्षा स्टॉक, आकार वितरण और उपलब्ध बजट को देखती है।.
लक्ष्य यह अनुमान लगाना है कि नई इन्वेंट्री उपलब्ध होने की अवधि के दौरान ग्राहकों द्वारा कितनी खरीदारी करने की संभावना है, फिर यह निर्धारित करें कि ब्रांड को उस मांग का समर्थन करने के लिए कितनी इन्वेंट्री की आवश्यकता है।
एक ओईएम वस्त्र निर्माता के लिए, यह पूर्वानुमान अंततः शैली, रंग और आकार के आधार पर विभाजित उत्पादन ऑर्डर बन जाता है।
प्रथम दृष्टया, पूर्वानुमान लगाना सरल लगता है।
यदि किसी ब्रांड ने पिछले वर्ष किसी स्टाइल के 1,000 टुकड़े बेचे थे, तो वह इस वर्ष 1,000 और टुकड़े का ऑर्डर दे सकता है।
समस्या यह है कि ऐतिहासिक बिक्री हमेशा वास्तविक ग्राहक मांग का प्रतिनिधित्व नहीं करती है।
कल्पना कीजिए कि एक टी-शर्ट प्रति सप्ताह 100 टुकड़े बिकती है। चार सप्ताह के बाद, मध्यम आकार बिक जाता है। ग्राहक माध्यम की तलाश जारी रखते हैं, लेकिन ब्रांड वह नहीं बेच सकता जो उसके पास अब नहीं है।
बिक्री रिकॉर्ड दिखा सकता है कि चौथे सप्ताह के बाद मांग में गिरावट आई है।
वास्तव में, उत्पाद अनुपलब्ध हो गया।
आपूर्ति किया गया शोध इसे डिमांड सेंसरिंग के रूप में वर्णित करता है । जब कोई उत्पाद स्टॉक से बाहर हो जाता है, तो देखी गई बिक्री शून्य तक गिर सकती है, भले ही ग्राहक अभी भी इसे खरीदना चाहें। इन कच्चे नंबरों का सीधे उपयोग करने से आप भविष्य की उत्पादन मात्रा को कम आंक सकते हैं।
यह एक खतरनाक चक्र बनाता है:
लोकप्रिय उत्पाद → बिक गया → बिक्री डेटा कमजोर दिखाई देता है → अगला ऑर्डर बहुत छोटा है → उत्पाद फिर से बिक गया
इस बीच, धीमी गति से चलने वाले उत्पाद स्टॉक में रह सकते हैं और बिक्री डेटा उत्पन्न करना जारी रख सकते हैं।
इसलिए अच्छा पूर्वानुमान पूछने से शुरू होता है:
जब उत्पाद उपलब्ध था तो ग्राहक वास्तव में क्या खरीदना चाहते थे?
पहला कदम पूर्वानुमानित शैली, रंग और आकार के लिए ऐतिहासिक बिक्री डेटा एकत्र करना है।
उपयोगी जानकारी में शामिल हो सकते हैं:
इकाइयाँ बेची गईं
तारीखें बेचना
इन्वेंटरी उपलब्ध है
स्टॉकआउट अवधि
कीमत में बदलाव
प्रचार
उत्पाद लॉन्च
मौसमी अवधि
आकार के अनुसार बिक्री
चैनल द्वारा बिक्री
डेटा जितना अधिक विस्तृत होगा, पूर्वानुमान उतना ही अधिक उपयोगी हो सकता है।
कई वर्षों के बिक्री इतिहास वाला एक ब्रांड केवल कुछ महीनों के डेटा वाले ब्रांड की तुलना में आवर्ती पैटर्न की अधिक आसानी से पहचान कर सकता है।
हालाँकि, अधिक डेटा का मतलब स्वचालित रूप से बेहतर पूर्वानुमान नहीं है।
डेटा की सही व्याख्या की जानी चाहिए.
मान लीजिए कि किसी ब्रांड की बिक्री अवधि 30 दिन थी।
उत्पाद 20 दिनों के लिए उपलब्ध था और 400 टुकड़े बेचे गए।
यदि ब्रांड बस गणना करता है:
400 ÷ 30 = 13.3 टुकड़े प्रति दिन
यह मानता है कि उत्पाद पूरी अवधि के दौरान उसी दर पर बिक सकता था।
हालाँकि, यदि उत्पाद 10 दिनों के लिए अनुपलब्ध था, तो उपलब्ध अवधि के दौरान देखी गई बिक्री दर थी:
400 ÷ 20 = 20 टुकड़े प्रति उपलब्ध दिन
दूसरा आंकड़ा मांग का अनुमान लगाने के लिए बेहतर शुरुआती बिंदु प्रदान कर सकता है।
शोध में आउट-ऑफ-स्टॉक अवधि को शून्य मांग मानने के बजाय उस अवधि का उपयोग करके बिक्री की वास्तविक दर की गणना करने की सिफारिश की गई है जब एसकेयू वास्तव में उपलब्ध था।
इस प्रक्रिया को अक्सर मांग अप्रतिबंधित कहा जाता है.
मूल विचार सीधा है:
यदि ग्राहक उत्पाद नहीं खरीद सकते, तो उन दिनों की स्वचालित रूप से उन दिनों के रूप में व्याख्या नहीं की जानी चाहिए जब ग्राहक इसे नहीं चाहते थे।
एक बार ऐतिहासिक बिक्री साफ़ हो जाने के बाद, ब्रांड को आधारभूत पूर्वानुमान की आवश्यकता होती है।
बेसलाइन प्रमुख पदोन्नति या असामान्य स्पाइक्स जैसे विशेष आयोजनों से पहले सामान्य मांग का अनुमान है।
विभिन्न उत्पादों के लिए अलग-अलग पूर्वानुमान विधियों की आवश्यकता हो सकती है।
अपेक्षाकृत स्थिर मांग वाले बुनियादी उत्पाद के लिए, एक चलती औसत एक उपयोगी प्रारंभिक बिंदु प्रदान कर सकती है।
उदाहरण के लिए, एक बुनियादी काली टी-शर्ट जो पूरे वर्ष लगातार बिकती है, उसे विस्तृत पूर्वानुमान प्रणाली की आवश्यकता नहीं हो सकती है।
ब्रांड हालिया बिक्री की जांच कर सकता है और एक प्रतिनिधि औसत स्थापित कर सकता है।
यदि बिक्री लगातार बढ़ रही है या घट रही है, तो पूर्वानुमान को उस प्रवृत्ति को ध्यान में रखना चाहिए।
उदाहरण के लिए, यदि मुख्य अंडरवियर शैली कई सीज़न में लगातार बढ़ी है, तो केवल पुराने औसत का उपयोग करके भविष्य की मांग को कम आंका जा सकता है।
इस प्रकार की स्थिति के लिए रैखिक प्रवृत्ति मॉडल उपयोगी हो सकते हैं।
कुछ उत्पाद पूर्वानुमानित मौसमी पैटर्न का पालन करते हैं।
स्विमवीयर, शीतकालीन अंडरवियर, थर्मल कपड़े और अन्य मौसमी उत्पादों की बिक्री के पैटर्न पूरे वर्ष बहुत भिन्न हो सकते हैं।
इसलिए पूर्वानुमान को इनमें अंतर करने की आवश्यकता है:
सामान्य वृद्धि या गिरावट
और
आवर्ती मौसमी मांग
शोध घातांकीय स्मूथिंग और ईटीएस मॉडल को उपयोगी पूर्वानुमान दृष्टिकोण के रूप में पहचानता है क्योंकि वे त्रुटि, प्रवृत्ति और मौसमी को ध्यान में रख सकते हैं।
अधिकांश छोटे ब्रांडों के लिए, जटिल पूर्वानुमान एल्गोरिदम चुनने की तुलना में सिद्धांत को समझना अधिक महत्वपूर्ण है।
एक बड़ी बिक्री किसी उत्पाद को सामान्य से कहीं अधिक लोकप्रिय दिखा सकती है।
कल्पना कीजिए कि एक ब्रांड आम तौर पर प्रति सप्ताह एक शैली के 100 टुकड़े बेचता है।
30% छूट अभियान के दौरान, यह 250 टुकड़े बेचता है।
250 को नए सामान्य के रूप में उपयोग करने से बहुत आक्रामक उत्पादन पूर्वानुमान उत्पन्न होगा।
यही समस्या इनके साथ भी हो सकती है:
फ़्लैश बिक्री
प्रभावशाली अभियान
प्रमुख विज्ञापन अभियान
छुट्टियों का प्रमोशन
नए-नए उत्पाद लॉन्च
अस्थायी कीमत में कटौती
शोध में अंतर्निहित आधारभूत मांग से प्रचारात्मक लिफ्ट को अलग करने की सिफारिश की गई है, फिर उचित होने पर भविष्य के पूर्वानुमान में नियोजित प्रचार प्रभावों को जोड़ा गया है।
उदाहरण के लिए:
सामान्य मांग: 100 यूनिट/सप्ताह
अपेक्षित प्रचार लिफ्ट: +40%
प्रमोशन के दौरान पूर्वानुमान: लगभग 140 यूनिट/सप्ताह
जब भी संभव हो सटीक वृद्धि ब्रांड के अपने ऐतिहासिक डेटा से आनी चाहिए।
कपड़ों की मांग साल के समय से गहराई से जुड़ी हुई है।
ग्राहक की मांग निम्न कारणों से बदल सकती है:
तापमान
जलवायु
छुट्टियां
स्कूल वापसी की अवधि
यात्रा ऋतुएँ
प्रचारात्मक कैलेंडर
फ़ैशन सीज़न
इसलिए एक ब्रांड को पूर्वानुमान बनाते समय समान अवधियों की तुलना करनी चाहिए।
उदाहरण के लिए, किसी मौसमी उत्पाद की जुलाई की मांग का पूर्वानुमान लगाने के लिए दिसंबर की बिक्री का उपयोग करना बहुत ही भ्रामक परिणाम दे सकता है।
ब्रांड को पूछना चाहिए:
पिछले वर्षों में इसी सीज़न के दौरान इस उत्पाद या इसी तरह के उत्पादों की क्या बिक्री हुई?
मौसमीता विशेष रूप से तब महत्वपूर्ण हो जाती है जब उत्पादन का समय लंबा होता है।
यदि किसी कारखाने को कस्टम ऑर्डर तैयार करने और शिप करने के लिए कई महीनों की आवश्यकता होती है, तो ब्रांड को वास्तविक बिक्री सीजन शुरू होने से पहले मांग का पूर्वानुमान लगाना होगा।
एक नई शैली पूर्वानुमान की समस्या पैदा करती है क्योंकि इसका कोई प्रत्यक्ष बिक्री इतिहास नहीं है।
कोई ब्रांड उस उत्पाद के लिए पिछले वर्ष की बिक्री की गणना नहीं कर सकता जो पिछले वर्ष मौजूद ही नहीं था।
शोध विशेषता-आधारित क्लस्टरिंग और समान-आइटम मैपिंग का उपयोग करने की अनुशंसा करता है। नए उत्पादों के लिए शून्य से किसी संख्या का अनुमान लगाने के बजाय, योजनाकार नए उत्पाद की तुलना मौजूदा उत्पादों से कर सकते हैं जो महत्वपूर्ण विशेषताओं को साझा करते हैं।
प्रासंगिक विशेषताओं में शामिल हो सकते हैं:
उत्पाद श्रेणी
सिल्हूट
कपड़ा निर्माण
कपड़े का वजन
कीमत
लक्ष्य मार्जिन
रंग
पैटर्न जटिलता
उदाहरण के लिए, मान लीजिए कि कोई ब्रांड एक नया 280 जीएसएम फ्रेंच टेरी हुडी लॉन्च कर रहा है।
यह पिछले हुडीज़ को समान रूप से देख सकता है:
कपड़े का वजन
निर्माण
कीमत
लक्ष्य ग्राहक
उपयुक्त
रंग स्थिति
वे उत्पाद केवल एक मनमानी मात्रा चुनने की तुलना में अधिक उपयोगी प्रारंभिक बिंदु प्रदान कर सकते हैं।
नए उत्पादों में स्थापित उत्पादों की तुलना में अधिक अनिश्चितता होती है।
इसलिए एक ब्रांड इस पर विचार कर सकता है:
छोटा प्रारंभिक उत्पादन
प्री-ऑर्डर
प्रारंभिक ग्राहक रुचि
समान उत्पादों का ऐतिहासिक प्रदर्शन
लचीली पुनःपूर्ति
जहां उपलब्ध हो वहां छोटे उत्पादन चक्र
इससे वास्तविक मांग स्पष्ट होने से पहले बहुत अधिक इन्वेंट्री करने का जोखिम कम हो सकता है।
पूर्वानुमान की मांग समस्या का केवल आधा हिस्सा है।
एक ब्रांड को यह भी जानना होगा कि इन्वेंट्री को बदलने में कितना समय लगेगा.
मान लीजिए कि कोई ब्रांड प्रति माह 500 पीस बेचने की उम्मीद करता है।
यदि पुनःपूर्ति में दो सप्ताह लगते हैं, तो ब्रांड के पास एक इन्वेंट्री समस्या है।
यदि पुनःपूर्ति में चार महीने लगते हैं, तो ब्रांड की एक बहुत अलग समस्या होती है।
शोध इस बात पर जोर देता है कि कारखाने के उत्पादन समय को संपूर्ण आपूर्ति-श्रृंखला के नेतृत्व समय के रूप में नहीं माना जाना चाहिए। कुल लीड टाइम में सामग्री की खरीद, नमूनाकरण और अनुमोदन, थोक उत्पादन, परिवहन, सीमा शुल्क और इनबाउंड प्रसंस्करण शामिल हो सकते हैं।
एक सरलीकृत परिधान आपूर्ति श्रृंखला इस प्रकार दिखती है:
सामग्री की खरीद
↓
नमूनाकरण और अनुमोदन
↓
थोक उत्पादन
↓
परिवहन
↓
सीमा शुल्क और आवक प्रसंस्करण
↓
गोदाम की उपलब्धता
ब्रांड को इस पूरी अवधि के दौरान इन्वेंट्री आवश्यकताओं का पूर्वानुमान लगाना चाहिए।
यह विशेष रूप से कस्टम कपड़ों और कस्टम रंगों के लिए महत्वपूर्ण है, जहां सामग्री की तैयारी में महत्वपूर्ण समय लग सकता है।
पूर्वानुमान अभी भी एक अनुमान है.
वास्तविक मांग उम्मीद से अधिक हो सकती है.
उत्पादन में योजना से अधिक समय भी लग सकता है।
सुरक्षा स्टॉक इन अनिश्चितताओं के विरुद्ध एक बफर प्रदान करता है।
शोध जोखिम के दो प्रमुख स्रोतों की पहचान करता है:
मांग परिवर्तनशीलता
लीड-टाइम परिवर्तनशीलता
उदाहरण के लिए, मान लीजिए कि कोई ब्रांड इन्वेंट्री को फिर से भरने में लगने वाले समय के दौरान 1,000 टुकड़े बेचने की उम्मीद करता है।
यदि मांग अचानक बढ़ जाती है या उत्पादन में देरी होती है, तो 1,000 टुकड़े पर्याप्त नहीं हो सकते हैं।
सुरक्षा स्टॉक अतिरिक्त सुरक्षा प्रदान करता है.
एक सरल नियम जैसे ''हमेशा 10% अतिरिक्त उत्पादन करें'' सुविधाजनक लग सकता है।
हालाँकि, विभिन्न उत्पादों में जोखिम के विभिन्न स्तर होते हैं।
साल भर अनुमानित मांग वाली एक स्थिर काली टी-शर्ट को मौसमी फैशन शैली से अलग बफर की आवश्यकता हो सकती है, जिसकी बिक्री अत्यधिक अप्रत्याशित होती है।
शोध राजस्व महत्व और मांग की भविष्यवाणी दोनों के अनुसार विभिन्न पूर्वानुमान और सुरक्षा-स्टॉक रणनीतियों का उपयोग करने की सिफारिश करता है।एबीसी-एक्सवाईजेड वर्गीकरण का उपयोग करते हुए,
पूर्ण सांख्यिकीय विश्लेषण किए बिना भी मूल अवधारणा उपयोगी है:
उच्च-मूल्य + पूर्वानुमानित उत्पाद: उपलब्धता की सावधानीपूर्वक सुरक्षा करें।
उच्च-मूल्य + अप्रत्याशित उत्पाद: मांग की बारीकी से निगरानी करें और जल्दी से समायोजित करें।
कम-मूल्य + अप्रत्याशित उत्पाद: बहुत अधिक इन्वेंट्री बांधने से बचें।
इससे ब्रांडों को इन्वेंट्री निवेश खर्च करने में मदद मिलती है जहां यह सबसे ज्यादा मायने रखता है।
एक बार जब कोई ब्रांड अपनी अपेक्षित मांग और सुरक्षा स्टॉक को जान लेता है, तो वह यह निर्धारित कर सकता है कि दूसरा उत्पादन ऑर्डर कब दिया जाना चाहिए।
यह रीऑर्डर प्वाइंट (आरओपी) है.
संकल्पनात्मक रूप से:
पुनः क्रम बिंदु = लीड समय के दौरान अपेक्षित मांग + सुरक्षा स्टॉक
उदाहरण के लिए, यदि कोई ब्रांड अपने पुनःपूर्ति लीड समय के दौरान 1,500 इकाइयाँ बेचने की उम्मीद करता है और सुरक्षा बफर के रूप में अन्य 300 इकाइयाँ चाहता है:
आरओपी = 1,800 इकाइयाँ
जब उपलब्ध इन्वेंट्री स्थिति उस स्तर तक पहुंच जाती है, तो ब्रांड को अगला पुनःपूर्ति ऑर्डर शुरू करने पर विचार करना चाहिए।
शोध पुनर्क्रम बिंदु को इन्वेंट्री सीमा के रूप में वर्णित करता है जो कुल लीड समय और सुरक्षा स्टॉक के दौरान अपेक्षित मांग के आधार पर एक नया खरीद ऑर्डर ट्रिगर करता है।
महत्वपूर्ण बिंदु समय है.
यदि निर्माता को उत्पाद को फिर से भरने के लिए हफ्तों या महीनों की आवश्यकता होती है, तो किसी ब्रांड को अपने निर्माता से संपर्क करने से पहले इन्वेंट्री शून्य तक पहुंचने तक इंतजार नहीं करना चाहिए।
यह जानते हुए कि एक ब्रांड को 5,000 टुकड़ों की आवश्यकता है, कारखाने को यह नहीं बताता कि प्रत्येक आकार के कितने टुकड़ों का उत्पादन करना है।
उत्पादन आदेश की आवश्यकता हो सकती है:
एक्सएस: 350
एस: 900
एम: 1,900
एल: 1,300
एक्सएल: 550
सटीक अनुपात ब्रांड के ग्राहक आधार और ऐतिहासिक बिक्री पर निर्भर करता है।
इसे आकार वक्र कहा जाता है.
शोध यहां एक महत्वपूर्ण समस्या पर प्रकाश डालता है: जब लोकप्रिय आकार जल्दी बिक जाते हैं तो कच्चे बिक्री अनुपात विकृत हो सकते हैं।
मान लीजिए कि मीडियम बार-बार बिकता है।
इसकी ऐतिहासिक बिक्री वास्तव में उन मध्यम इकाइयों की संख्या का प्रतिनिधित्व कर सकती है जिन्हें ब्रांड बेचने में कामयाब रहा, न कि ग्राहकों की वांछित संख्या।
इसलिए ब्रांड को उस अवधि के दौरान आकार के आधार पर मांग का विश्लेषण करना चाहिए जब प्रत्येक आकार वास्तव में उपलब्ध था।
यह अंडरवियर के लिए विशेष रूप से महत्वपूर्ण है क्योंकि आकार का फिट, आराम और ग्राहकों की संतुष्टि से गहरा संबंध है।
इसलिए उत्पादन पूर्वानुमान को दो अलग-अलग प्रश्नों का उत्तर देना चाहिए:
हमें कुल कितने टुकड़े बनाने चाहिए?
और
उन टुकड़ों को विभिन्न आकारों में कैसे वितरित किया जाना चाहिए?
एक मांग पूर्वानुमान बहुत बड़ी उत्पादन आवश्यकता उत्पन्न कर सकता है।
ब्रांड को अभी भी यह निर्धारित करने की आवश्यकता है कि क्या वह उस इन्वेंट्री का निर्माण और भंडारण कर सकता है।
यहीं से वित्तीय नियोजन प्रक्रिया में प्रवेश होता है।
शोध ओपन-टू-बाय (ओटीबी) को एक वित्तीय बाधा के रूप में वर्णित करता है जो व्यवसाय द्वारा समर्थित इन्वेंट्री खर्च की मात्रा के साथ बॉटम-अप एसकेयू पूर्वानुमानों को समेटने में मदद करता है।
छोटे कपड़ों के ब्रांड के लिए, अवधारणा को सरल बनाया जा सकता है:
आपको आवश्यक इन्वेंट्री का पूर्वानुमान लगाएं, फिर जांचें कि क्या आपकी उपलब्ध नकदी और इन्वेंट्री बजट इसका समर्थन कर सकते हैं।
यदि पूर्वानुमान 20,000 टुकड़ों का ऑर्डर देने का सुझाव देता है लेकिन व्यवसाय केवल 12,000 टुकड़ों को सुरक्षित रूप से वित्तपोषित कर सकता है, तो ब्रांड को प्राथमिकता देने की आवश्यकता है।
यह चुन सकता है:
मुख्य उत्पादों को सुरक्षित रखें
धीमी गति से चलने वाली शैलियों को कम करें
रंग की गहराई कम करें
कम SKU लॉन्च करें
छोटे प्रारंभिक ऑर्डर का उपयोग करें
निम्न-प्राथमिकता वाले उत्पादों में देरी करें
बाद में किसी अन्य प्रोडक्शन को चलाने की योजना बनाएं
यहीं पर पूर्वानुमान लगाना पूरी तरह से गणितीय अभ्यास के बजाय एक व्यावसायिक निर्णय बन जाता है।
मांग, मौसमी, लीड समय, सुरक्षा स्टॉक, आकार घटता और बजट की समीक्षा के बाद, ब्रांड अपनी उत्पादन आवश्यकता निर्धारित कर सकता है।
एक सरलीकृत वर्कफ़्लो है:
ऐतिहासिक बिक्री
↓
स्टॉकआउट विकृति को दूर करें
↓
आधारभूत मांग का निर्माण करें
↓
मौसमी और नियोजित पदोन्नति के लिए समायोजित करें
↓
उत्पादन और शिपिंग लीड समय पर विचार करें
↓
उचित सुरक्षा स्टॉक जोड़ें
↓
पुनः क्रम बिंदु निर्धारित करें
↓
आकार वक्र लागू करें
↓
इन्वेंट्री बजट की जाँच करें
↓
उत्पादन आदेश जारी करें
शोध एक समान सात-चरणीय योजना प्रोटोकॉल का सारांश प्रस्तुत करता है, जो अप्रतिबंधित ऐतिहासिक मांग से शुरू होता है और निर्माता को जारी किए गए लॉक किए गए खरीद आदेश के साथ समाप्त होता है।
निर्माता के दृष्टिकोण से, एक अच्छे उत्पादन पूर्वानुमान को अंततः एक स्पष्ट खरीद आदेश बनने की आवश्यकता होती है।
फ़ैक्टरी को प्राप्त हो सकता है:
शैली
रंग
कुल मात्रा
आकार का टूटना
सामग्री विशिष्टता
पैकेजिंग आवश्यकताएँ
डिलीवरी की तारीख
शिपिंग आवश्यकताएँ
गुणवत्ता की आवश्यकताएँ
इस जानकारी की गुणवत्ता उत्पादन योजना को प्रभावित करती है।
उदाहरण के लिए, एक निर्माता एक शैली के 10,000 टुकड़े का उत्पादन करने में सक्षम हो सकता है, लेकिन उत्पादन कार्यक्रम अभी भी विशिष्ट आकार और रंग के टूटने, कपड़े की उपलब्धता, ट्रिम्स, डिलीवरी की समय सीमा और अन्य आवश्यकताओं पर निर्भर करता है।
यही कारण है कि पूर्वानुमान और विनिर्माण आपस में घनिष्ठ रूप से जुड़े हुए हैं।
किसी ब्रांड की मांग योजना यह निर्धारित करती है कि वह कितना और कब बेचना चाहता है.
निर्माता की उत्पादन योजना यह निर्धारित करती है कि उस आवश्यकता को भौतिक परिधानों में कैसे बदला जाए.
कोई भी पूर्वानुमान सटीक नहीं होता.
पूर्वानुमान का उद्देश्य अनिश्चितता के तहत बेहतर निर्णय लेना है।
यदि वास्तविक मांग अपेक्षा से अधिक है, तो ब्रांड अनुभव कर सकता है:
स्टॉकआउट
बिक्री में कमी
आपातकालीन उत्पादन
शीघ्र भेजी जाने वाली शिपिंग
ग्राहक असंतोष
यदि मांग अपेक्षा से कम है, तो ब्रांड को इसका सामना करना पड़ सकता है:
अतिरिक्त वस्तु-सूची
छूट
मार्कडाउन घाटा
गोदाम की लागत
बिना बिके उत्पादों में नकदी बंधी हुई है
इसलिए सर्वोत्तम पूर्वानुमान प्रणालियाँ वास्तविक बिक्री की लगातार निगरानी करती हैं।
नई जानकारी उपलब्ध होते ही पूर्वानुमान बदलना चाहिए।
उदाहरण के लिए:
प्रारंभिक पूर्वानुमान → वास्तविक बिक्री → अद्यतन मांग अनुमान → संशोधित उत्पादन योजना
यह छोटे जीवनचक्र वाले फैशन उत्पादों के लिए विशेष रूप से उपयोगी है।
कल्पना करें कि एक अंडरवियर ब्रांड की एक मूल शैली होती है जो पूरे वर्ष बिकती है।
ऐतिहासिक आंकड़ों से पता चलता है कि, स्टॉकआउट का हिसाब लगाने के बाद, उत्पाद आम तौर पर प्रति माह लगभग 800 टुकड़े बेचता है.
ब्रांड को लगभग 20% की मौसमी वृद्धि की उम्मीद है।
यह मोटे तौर पर अनुमानित मांग देता है:
800 × 1.20 = 960 टुकड़े प्रति माह
निर्माता और लॉजिस्टिक्स प्रक्रिया को ऑर्डर प्लेसमेंट से लेकर इन्वेंट्री उपलब्धता तक तीन महीने की आवश्यकता होती है।
इसलिए ब्रांड को लगभग योजना बनाने की आवश्यकता है:
960 × 3 = 2,880 टुकड़े
इसके बाद यह अपनी मांग और आपूर्ति जोखिम के आधार पर एक उचित सुरक्षा बफर जोड़ता है।
मान लीजिए कि ब्रांड निर्णय लेता है कि अन्य 320 टुकड़े एक उपयुक्त नियोजन बफर प्रदान करते हैं।
इन्वेंट्री आवश्यकता लगभग बन जाती है:
2,880 + 320 = 3,200 टुकड़े
अंतिम चरण उन टुकड़ों को अपेक्षित आकार वक्र के अनुसार विभाजित करना है।
यह एक सार्वभौमिक सूत्र के बजाय एक सरलीकृत उदाहरण है। वास्तविक पूर्वानुमान को मूल्य, प्रचार, इन्वेंट्री उपलब्धता, मौसमी, लीड-टाइम परिवर्तनशीलता और उत्पाद जीवनचक्र में बदलाव के लिए जिम्मेदार होना चाहिए।
महत्वपूर्ण बिंदु अनुक्रम है:
मांग → बिक्री अवधि → लीड समय → जोखिम बफर → आकार वितरण → उत्पादन मात्रा
किसी ब्रांड को अपनी उत्पादन योजना में सुधार के लिए उन्नत एआई पूर्वानुमान प्रणाली की आवश्यकता नहीं है।
इसकी शुरुआत बेहतर डेटा अनुशासन से हो सकती है।
जब प्रत्येक शैली और आकार अनुपलब्ध हो जाए तो रिकॉर्ड करें।
अन्यथा, कम बिक्री को कम मांग समझने की गलती हो सकती है।
प्रमुख छूटों और अभियानों को रिकॉर्ड करें ताकि असामान्य बिक्री वृद्धि स्वचालित रूप से नई आधार रेखा न बन जाए।
कुल शैली-स्तरीय बिक्री संख्या आकारों के बीच महत्वपूर्ण अंतर छिपा सकती है।
रिकॉर्ड करें कि खरीद ऑर्डर से गोदाम रसीद तक वास्तविक ऑर्डर में कितना समय लगता है।
प्रत्येक बिक्री अवधि के बाद, वास्तविक परिणामों के साथ अनुमानित मांग की तुलना करें।
किसी नए उत्पाद में ऐतिहासिक डेटा होने का दिखावा करने के बजाय समान उत्पादों और विशेषताओं को संदर्भ के रूप में उपयोग करें।
जब नई जानकारी अपेक्षित मांग को बदल देती है तो पूर्वानुमान बदलना चाहिए।
एक बार उत्पादन मात्रा निर्धारित हो जाने के बाद, निर्माता को एक स्पष्ट आदेश की आवश्यकता होती है।
कस्टम परिधान परियोजना के लिए, उपयोगी जानकारी में शामिल हैं:
शैली क्रमांक
रंगमार्ग
कुल मात्रा
आकार का टूटना
कपड़ा विशिष्टता
आवश्यकताओं को ट्रिम करें
पैकेजिंग आवश्यकताएँ
गुणवत्ता मानक
लक्ष्य डिलीवरी तिथि
शिपिंग गंतव्य
एक स्पष्ट उत्पादन आदेश ब्रांड और कारखाने के बीच गलतफहमी की संभावना को कम कर देता है।
यह निर्माता को कपड़े, कटाई, सिलाई क्षमता और अन्य उत्पादन संसाधनों की अधिक प्रभावी ढंग से योजना बनाने की भी अनुमति देता है।
दीर्घकालिक ओईएम संबंध के लिए, ऐतिहासिक उत्पादन डेटा भी उपयोगी हो सकता है।
वास्तविक उत्पादन समय, सामग्री की खपत, गुणवत्ता के मुद्दे और ऑर्डर की मात्रा सभी भविष्य की योजना को बेहतर बनाने में मदद कर सकते हैं।
ऐसी कोई एक संख्या नहीं है जो सही उत्पादन मात्रा की गारंटी दे सके।
एक मजबूत पूर्वानुमान जानकारी के कई टुकड़ों को जोड़ता है।
ऐतिहासिक बिक्री ब्रांड को बताती है कि क्या हुआ।
स्टॉकआउट विश्लेषण उस मांग को प्रकट करने में मदद करता है जो बिक्री डेटा से छूट गई हो।
सीज़नैलिटी और प्रमोशन असामान्य बदलावों की व्याख्या करते हैं।
लीड समय यह निर्धारित करता है कि कितनी आगे की इन्वेंट्री की योजना बनाई जानी चाहिए।
सुरक्षा स्टॉक अनिश्चितता से बचाता है।
आकार वक्र कुल मांग को व्यावहारिक उत्पादन टूटने में बदल देते हैं।
बजट सीमाएँ इन्वेंट्री योजनाओं को वित्तीय रूप से यथार्थवादी रखती हैं।
साथ में, ये कारक यह तय करने के लिए एक बहुत मजबूत आधार बनाते हैं कि कितने कपड़ों का निर्माण किया जाए।
कपड़ों के ब्रांडों के लिए, सबसे उपयोगी बदलाव अक्सर निम्नलिखित से होता है:
'पिछली बार हमने इतने ही बेचे थे, तो चलिए इतनी ही मात्रा का ऑर्डर करते हैं।'
को:
'ग्राहकों ने वास्तव में कितनी मांग की, वह मांग कैसे बदलेगी, और जब तक हम इसकी भरपाई नहीं कर सकते तब तक हमें कितनी इन्वेंट्री की आवश्यकता होगी?'
यह प्रश्न बेहतर उत्पादन निर्णयों की ओर ले जाता है।
और एक ओईएम निर्माता के लिए, यह के बीच एक स्पष्ट संबंध बनाता है ग्राहक की मांग और भौतिक उत्पादन योजना .
अच्छी उत्पादन योजना खरीद आदेश से पहले शुरू होती है। मांग का पूर्वानुमान जितना बेहतर होगा, ग्राहक के चाहने पर सही उत्पाद, आकार और मात्रा उपलब्ध होने की संभावना उतनी ही बेहतर होगी।
