Pregleda: 0 Autor: Urednik stranice Vrijeme objave: 2026-09-10 Porijeklo: stranica
Odluka o tome koliko će odjevnih predmeta proizvesti jedna je od najvažnijih odluka koje donosi marka odjeće.
Naručite premalo, a popularni proizvodi mogu se rasprodati prije nego što stigne sljedeća pošiljka. Naručite ih previše i robna marka može ostati s viškom zaliha, sniženjima i novcem vezanim za neprodane proizvode.
Iz tog razloga, proizvodne količine trebale bi se temeljiti više od prošlogodišnje prodaje ili intuicije kupca.
Praktičan proces predviđanja odjeće gleda na stvarnu potražnju, dostupnost zaliha, sezonski hod, promocije, vrijeme isporuke, sigurnosnu zalihu, raspodjelu veličine i raspoloživi proračun.
Cilj je procijeniti koliko će kupci vjerojatno kupiti tijekom razdoblja kada će novi inventar biti dostupan, a zatim odrediti koliko inventara marki treba da podrži tu potražnju.
Za OEM proizvođača odjeće, ovo predviđanje na kraju postaje proizvodni nalog raščlanjen prema stilu, boji i veličini.
Na početku se predviđanje čini jednostavnim.
Ako je marka prošle godine prodala 1000 komada nekog stila, ove bi godine mogla naručiti još 1000 komada.
Problem je u tome što povijesna prodaja ne predstavlja uvijek stvarnu potražnju kupaca.
Zamislite da se majica prodaje 100 komada tjedno. Nakon četiri tjedna, Medium size je rasprodan. Kupci i dalje traže Medium, ali brend ne može prodati ono što više nema.
Podaci o prodaji mogli bi pokazati da je potražnja pala nakon četvrtog tjedna.
U stvarnosti je proizvod postao nedostupan.
Priloženo istraživanje opisuje ovo kao cenzuriranje potražnje . Kada proizvoda nema na zalihama, promatrana prodaja može pasti na nulu iako ga kupci još uvijek žele kupiti. Izravno korištenje ovih neobrađenih brojeva može dovesti do toga da podcijenite buduće količine proizvodnje.
To stvara opasan ciklus:
Popularan proizvod → rasprodan → podaci o prodaji su slabiji → sljedeća je narudžba premala → proizvod je ponovno rasprodan
U međuvremenu, proizvodi koji se sporo kreću mogu ostati na zalihama i nastaviti generirati podatke o prodaji.
Dobro predviđanje stoga počinje pitanjem:
Što su kupci zapravo htjeli kupiti kada je proizvod bio dostupan?
Prvi korak je prikupljanje povijesnih podataka o prodaji za stil, boju i veličinu koji se predviđaju.
Korisne informacije mogu uključivati:
Jedinice prodane
Prodajne datulje
Inventar dostupan
Razdoblja zaliha
Promjene cijena
Promaknuća
Lansiranje proizvoda
Sezonska razdoblja
Prodaja po veličini
Prodaja po kanalu
Što su podaci detaljniji, prognoza može postati korisnija.
Marka s višegodišnjom poviješću prodaje može lakše identificirati uzorke koji se ponavljaju nego marka sa samo nekoliko mjeseci podataka.
Međutim, više podataka ne znači automatski bolje predviđanje.
Podatke je potrebno ispravno interpretirati.
Pretpostavimo da je robna marka imala razdoblje prodaje od 30 dana.
Proizvod je bio dostupan 20 dana i prodan je u 400 komada.
Ako marka jednostavno izračuna:
400 ÷ 30 = 13,3 komada dnevno
pretpostavlja da se proizvod mogao prodavati po toj stopi tijekom cijelog razdoblja.
Međutim, ako proizvod nije bio dostupan 10 dana, promatrana stopa prodaje tijekom dostupnog razdoblja bila je:
400 ÷ 20 = 20 komada po raspoloživom danu
Druga brojka može pružiti bolju polaznu točku za procjenu potražnje.
Istraživanje preporučuje izračunavanje stvarne stope prodaje korištenjem razdoblja kada je SKU zapravo bio dostupan, umjesto da se razdoblja rasprodaje tretiraju kao nulta potražnja.
Ovaj se proces često naziva zahtjev bez ograničenja.
Osnovna ideja je jasna:
Ako kupci nisu mogli kupiti proizvod, te dane ne treba automatski tumačiti kao dane kada ga kupci nisu željeli.
Nakon što se povijesna prodaja očisti, marki je potrebna osnovna prognoza.
Osnovna vrijednost je procjena normalne potražnje prije nego što se dodaju posebni događaji kao što su velike promocije ili neuobičajeni skokovi.
Različiti proizvodi mogu zahtijevati različite metode predviđanja.
Za osnovni proizvod s relativno stabilnom potražnjom, pomični prosjek može pružiti korisnu početnu točku.
Na primjer, osnovna crna majica kratkih rukava koja se stalno prodaje tijekom cijele godine možda neće zahtijevati razrađen sustav predviđanja.
Marka može ispitati nedavne prodaje i utvrditi reprezentativni prosjek.
Ako se prodaja stalno povećavala ili smanjivala, predviđanje bi trebalo uzeti u obzir taj trend.
Na primjer, ako je temeljni stil donjeg rublja postojano rastao tijekom nekoliko sezona, jednostavno korištenje starog prosjeka moglo bi podcijeniti buduću potražnju.
Modeli linearnog trenda mogu biti korisni za ovu vrstu situacije.
Neki proizvodi slijede predvidljive sezonske obrasce.
Kupaći kostimi, zimsko donje rublje, termo odjeća i drugi sezonski proizvodi mogu imati vrlo različite obrasce prodaje tijekom godine.
Prognoza stoga treba razlikovati između:
Normalan rast ili pad
i
Ponavljajuća sezonska potražnja
Istraživanje identificira eksponencijalno izglađivanje i ETS modele kao korisne pristupe predviđanju jer mogu uzeti u obzir pogreške, trendove i sezonske promjene.
Za većinu manjih robnih marki, razumijevanje principa važnije je od odabira kompliciranog algoritma za predviđanje.
Velika rasprodaja može učiniti da proizvod izgleda mnogo popularniji nego što inače jest.
Zamislite da marka obično prodaje 100 komada stila tjedno.
U akciji sniženja od 30% prodaje se 250 komada.
Korištenje 250 kao nove normale dalo bi vrlo agresivnu prognozu proizvodnje.
Isti problem može se pojaviti sa:
Brza prodaja
Influencer kampanje
Glavne reklamne kampanje
Blagdanske akcije
Lansiranje novih proizvoda
Privremena sniženja cijena
Istraživanje preporučuje odvajanje promotivnog porasta od osnovne potražnje, a zatim dodavanje planiranih promotivnih učinaka natrag u buduću prognozu kada je to prikladno.
Na primjer:
Normalna potražnja: 100 jedinica/tjedan
Očekivani promotivni porast: +40%
Prognoza tijekom promocije: približno 140 jedinica/tjedan
Točan porast trebao bi proizaći iz vlastitih povijesnih podataka marke kad god je to moguće.
Potražnja za odjećom usko je povezana s dobom godine.
Potražnja kupaca može se promijeniti zbog:
Temperatura
Klima
Praznici
Razdoblja povratka u školu
Sezone putovanja
Promotivni kalendari
Modne sezone
Marka bi stoga trebala uspoređivati slična razdoblja kada gradi prognozu.
Na primjer, korištenje prosinačke prodaje za predviđanje srpanjske potražnje za sezonskim proizvodom moglo bi dovesti do vrlo pogrešnih rezultata.
Marka bi se trebala pitati:
Što se ovaj proizvod ili slični proizvodi prodavali tijekom iste sezone prethodnih godina?
Sezonalnost postaje posebno važna kada su vremena proizvodnje duga.
Ako tvornici treba nekoliko mjeseci da proizvede i isporuči narudžbu po narudžbi, robna marka mora predvidjeti potražnju puno prije početka stvarne sezone prodaje.
Novi stil stvara problem predviđanja jer ne postoji izravna povijest prodaje.
Brend ne može izračunati prošlogodišnju prodaju za proizvod koji prošle godine nije postojao.
Istraživanje preporučuje korištenje klasteriranja na temelju atributa i mapiranja sličnih stavki za nove proizvode. Umjesto da iz ničega pogađaju broj, planeri mogu usporediti novi proizvod s postojećim proizvodima koji dijele važne karakteristike.
Relevantni atributi mogu uključivati:
Kategorija proizvoda
Silueta
Konstrukcija tkanine
Težina tkanine
Cijena
Ciljana marža
Boja
Složenost uzorka
Na primjer, pretpostavimo da robna marka lansira novu 280 GSM majicu s kapuljačom od francuskog frotira.
Može pogledati prethodne majice s kapuljačom sa sličnim:
Težina tkanine
Izgradnja
Cijena
Ciljani kupac
Fit
Pozicioniranje boja
Ti proizvodi mogu pružiti korisniju polaznu točku od jednostavnog odabira proizvoljne količine.
Novi proizvodi sadrže više neizvjesnosti nego etablirani proizvodi.
Marka stoga može razmotriti:
Manja početna proizvodnja
Predbilježbe
Rani interes kupaca
Povijesna izvedba sličnih proizvoda
Fleksibilno dopunjavanje
Kraći proizvodni ciklusi gdje su dostupni
To može smanjiti rizik od angažiranja previše inventara prije nego što stvarna potražnja postane jasna.
Predviđanje potražnje samo je pola problema.
Brend također mora znati koliko će vremena trebati za zamjenu inventara.
Pretpostavimo da marka očekuje da će prodati 500 komada mjesečno.
Ako nadopuna traje dva tjedna, marka ima jedan problem sa zalihama.
Ako nadopuna traje četiri mjeseca, marka ima sasvim drugačiji problem.
Istraživanje naglašava da se vrijeme tvorničke proizvodnje ne bi trebalo tretirati kao cijelo vrijeme trajanja opskrbnog lanca. Ukupno vrijeme isporuke može uključivati nabavu materijala, uzorkovanje i odobrenja, masovnu proizvodnju, transport, carinu i ulaznu obradu.
Pojednostavljeni lanac nabave odjeće izgleda ovako:
Nabava materijala
↓
Uzorkovanje i odobrenja
↓
Masovna proizvodnja
↓
Prijevoz
↓
Carinska i ulazna obrada
↓
Dostupnost skladišta
Marka bi trebala predvidjeti potrebe za zalihama u cijelom tom razdoblju.
Ovo je osobito važno za prilagođene tkanine i prilagođene boje, gdje priprema materijala može dodati značajno vrijeme.
Prognoza je još uvijek procjena.
Stvarna potražnja može biti veća od očekivane.
Proizvodnja također može trajati dulje od planiranog.
Sigurnosne zalihe predstavljaju zaštitu od ovih neizvjesnosti.
Istraživanje identificira dva glavna izvora rizika:
Varijabilnost potražnje
Varijabilnost vremena isporuke
Na primjer, pretpostavimo da marka očekuje da će prodati 1000 komada tijekom vremena potrebnog za popunjavanje zaliha.
Ako potražnja iznenada poraste ili se proizvodnja odgodi, 1000 komada možda neće biti dovoljno.
Sigurnosni kundak pruža dodatnu zaštitu.
Jednostavno pravilo poput 'uvijek proizvodi 10% više' može se činiti zgodnim.
Međutim, različiti proizvodi imaju različite razine rizika.
Stabilna crna majica s predvidljivom potražnjom tijekom cijele godine može zahtijevati drugačiji odbojnik od sezonskog modnog stila čija je prodaja vrlo nepredvidiva.
Istraživanje preporučuje korištenje različitih strategija predviđanja i sigurnosnih zaliha prema važnosti prihoda i predvidljivosti potražnje , koristeći ABC-XYZ klasifikaciju.
Osnovni koncept je koristan čak i bez provođenja potpune statističke analize:
Visokovrijedni + predvidljivi proizvodi: pažljivo zaštitite dostupnost.
Visokovrijedni + nepredvidivi proizvodi: pažljivo pratite potražnju i brzo se prilagodite.
Niska vrijednost + nepredvidivi proizvodi: izbjegavajte vezivanje previše zaliha.
To pomaže robnim markama da potroše ulaganja u zalihe tamo gdje je najvažnije.
Jednom kada robna marka zna svoju očekivanu potražnju i sigurnosne zalihe, može odrediti kada bi trebala biti poslana druga proizvodna narudžba.
Ovo je točka ponovnog naručivanja (ROP).
Konceptualno:
Točka ponovnog naručivanja = Očekivana potražnja tijekom vremena isporuke + Sigurnosne zalihe
Na primjer, ako marka očekuje da će prodati 1500 jedinica tijekom vremena dopune i želi još 300 jedinica kao sigurnosnu rezervu:
ROP = 1.800 jedinica
Kada raspoloživa pozicija zaliha dosegne tu razinu, robna marka bi trebala razmotriti pokretanje sljedeće narudžbe za nadopunjavanje.
Istraživanje opisuje točku ponovne narudžbe kao prag zaliha koji pokreće novu narudžbu, na temelju očekivane potražnje tijekom ukupnog vremena isporuke plus sigurnosne zalihe.
Važna točka je tajming.
Marka ne bi trebala čekati dok zalihe ne dosegnu nulu prije nego što kontaktiraju svog proizvođača ako su proizvođaču potrebni tjedni ili mjeseci da obnovi proizvod.
Saznanje da robnoj marki treba 5000 komada ne govori tvornici koliko komada svake veličine treba proizvesti.
Proizvodni nalog bi možda trebao biti:
XS: 350
S: 900
M: 1900
L: 1300
XL: 550
Točan omjer ovisi o bazi kupaca marke i povijesnoj prodaji.
To se naziva krivulja veličine.
Istraživanje ovdje naglašava važan problem: sirovi omjeri prodaje mogu postati iskrivljeni kada se popularne veličine rano rasprodaju.
Pretpostavimo da se Medium više puta rasproda.
Njegova povijesna prodaja možda zapravo predstavlja broj srednjih jedinica koje je marka uspjela prodati, a ne broj kupaca koji su željeli.
Marka bi stoga trebala analizirati potražnju prema veličini tijekom razdoblja kada je svaka veličina bila stvarno dostupna.
Ovo je posebno važno za donje rublje jer je veličina usko povezana s pristajanjem, udobnošću i zadovoljstvom kupaca.
Prognoza proizvodnje stoga treba odgovoriti na dva odvojena pitanja:
Koliko ukupno komada trebamo napraviti?
i
Kako bi ti dijelovi trebali biti raspoređeni po veličinama?
Predviđanje potražnje može proizvesti vrlo velike potrebe za proizvodnjom.
Robna marka još uvijek mora utvrditi može li si priuštiti proizvodnju i držanje tog inventara.
Ovdje u proces ulazi financijsko planiranje.
Istraživanje opisuje Open-to-Buy (OTB) kao financijsko ograničenje koje pomaže u usklađivanju SKU predviđanja odozdo prema gore s količinom potrošnje zaliha koju tvrtka može podržati.
Za manju marku odjeće, koncept se može pojednostaviti:
Predvidite inventar koji vam je potreban, a zatim provjerite može li vaš raspoloživi novac i proračun zaliha to podržati.
Ako predviđanje sugerira naručivanje 20.000 komada, ali tvrtka može sigurno financirati samo 12.000, robna marka mora odrediti prioritet.
Može odabrati sljedeće:
Zaštitite osnovne proizvode
Smanjite spore stilove
Smanjite dubinu boje
Lansirajte manje SKU-ova
Koristite manje početne narudžbe
Odgodite proizvode nižeg prioriteta
Kasnije planirajte još jednu proizvodnju
Ovdje predviđanje postaje poslovna odluka, a ne čisto matematička vježba.
Nakon što se pregleda potražnja, sezonalnost, vrijeme isporuke, sigurnosne zalihe, krivulje veličine i proračun, robna marka može odrediti svoje proizvodne zahtjeve.
Pojednostavljeni tijek rada je:
Povijesne prodaje
↓
Uklonite izobličenje zaliha
↓
Izgradite osnovnu potražnju
↓
Prilagodite se sezoni i planiranim promocijama
↓
Uzmite u obzir vrijeme proizvodnje i otpreme
↓
Dodajte odgovarajući sigurnosni zaliha
↓
Odredite točku ponovnog naručivanja
↓
Primijeni krivulju veličine
↓
Provjerite proračun inventara
↓
Izdaj proizvodni nalog
Istraživanje sažima sličan protokol planiranja u sedam koraka, koji počinje s neograničenom povijesnom potražnjom i završava zaključanom narudžbenicom izdanom proizvođaču.
Iz perspektive proizvođača, dobra prognoza proizvodnje na kraju treba postati jasna narudžbenica.
Tvornica može primiti:
Stil
Boja
Ukupna količina
Raščlamba veličine
Specifikacija materijala
Zahtjevi za pakiranje
Datum isporuke
Zahtjevi za otpremu
Zahtjevi kvalitete
Kvaliteta ovih informacija utječe na planiranje proizvodnje.
Na primjer, proizvođač može proizvesti 10 000 komada stila, ali raspored proizvodnje i dalje ovisi o specifičnoj veličini i raščlanjivanju boja, dostupnosti tkanine, ukrasima, roku isporuke i drugim zahtjevima.
Zbog toga su predviđanje i proizvodnja usko povezani.
Planiranje potražnje marke određuje koliko želi prodati i kada.
Proizvođačevo planiranje proizvodnje određuje kako taj zahtjev pretvoriti u fizičku odjeću.
Nijedna prognoza nije savršena.
Svrha predviđanja je donošenje boljih odluka u uvjetima neizvjesnosti.
Ako je stvarna potražnja veća od očekivane, robna marka može doživjeti:
Zalihe
Izgubljena prodaja
Hitna proizvodnja
Ubrzana dostava
Nezadovoljstvo kupaca
Ako je potražnja manja od očekivane, marka bi se mogla suočiti sa:
Višak zaliha
Popusti
Gubici smanjenja
Troškovi skladišta
Gotovina vezana za neprodane proizvode
Najbolji sustavi predviđanja stoga kontinuirano prate stvarnu prodaju.
Prognoza bi se trebala promijeniti kako nove informacije postanu dostupne.
Na primjer:
Početna prognoza → stvarna prodaja → ažurirana procjena potražnje → revidirani plan proizvodnje
Ovo je osobito korisno za modne proizvode s kratkim životnim ciklusom.
Zamislite da marka donjeg rublja ima temeljni stil koji se prodaje tijekom cijele godine.
Povijesni podaci pokazuju da se, nakon obračuna zaliha, proizvod obično prodaje oko 800 komada mjesečno.
Brend očekuje sezonski porast od oko 20%.
To daje predviđenu potražnju od otprilike:
800 × 1,20 = 960 komada mjesečno
Proces proizvodnje i logistike zahtijevaju tri mjeseca od slanja narudžbe do dostupnosti zaliha.
Marka stoga treba planirati otprilike:
960 × 3 = 2.880 komada
Zatim dodaje odgovarajući sigurnosni međuspremnik na temelju rizika potražnje i ponude.
Pretpostavimo da robna marka odluči da dodatnih 320 komada pruži odgovarajući međuspremnik za planiranje.
Potreban inventar postaje otprilike:
2.880 + 320 = 3.200 komada
Posljednji korak je podijeliti te dijelove prema očekivanoj krivulji veličine.
Ovo je pojednostavljeni primjer, a ne univerzalna formula. Stvarno predviđanje treba uzeti u obzir promjene u cijeni, promocijama, dostupnosti inventara, sezonskim promjenama, varijabilnostima u vremenu isporuke i životnom ciklusu proizvoda.
Važna točka je slijed:
Potražnja → razdoblje prodaje → vrijeme isporuke → međuspremnik rizika → raspodjela veličine → količina proizvodnje
Brend ne treba napredni AI sustav predviđanja kako bi poboljšao svoje planiranje proizvodnje.
Može početi s boljom disciplinom podataka.
Zabilježite kada svaki stil i veličina postanu nedostupni.
Inače se slaba prodaja može pogrešno zamijeniti s malom potražnjom.
Bilježite velike popuste i kampanje kako neuobičajeni skokovi prodaje ne bi automatski postali nova baza.
Ukupni prodajni broj na razini stila može sakriti važne razlike između veličina.
Zabilježite koliko je potrebno stvarnim narudžbama od narudžbenice do skladišne potvrde.
Nakon svakog razdoblja prodaje usporedite predviđenu potražnju sa stvarnim rezultatima.
Koristite slične proizvode i atribute kao reference umjesto da se pretvarate da novi proizvod ima povijesne podatke.
Prognoza bi se trebala promijeniti kada nove informacije promijene očekivanu potražnju.
Nakon što je određena količina proizvodnje, proizvođač treba jasnu narudžbu.
Za projekt prilagođene odjeće korisne informacije uključuju:
Broj stila
Boje
Ukupna količina
Raščlamba veličine
Specifikacija tkanine
Zahtjevi za trim
Zahtjevi za pakiranje
Standardi kvalitete
Ciljani datum isporuke
Odredište otpreme
Jasan proizvodni red smanjuje mogućnost nesporazuma između marke i tvornice.
Također omogućuje proizvođaču učinkovitije planiranje tkanine, krojenja, kapaciteta šivanja i drugih proizvodnih resursa.
Za dugoročni OEM odnos, povijesni podaci o proizvodnji također mogu postati korisni.
Stvarna vremena proizvodnje, potrošnja materijala, problemi s kvalitetom i količine narudžbi mogu pomoći u poboljšanju budućeg planiranja.
Ne postoji jedinstveni broj koji može jamčiti točnu proizvodnu količinu.
Jaka prognoza kombinira nekoliko informacija.
Povijesne prodaje govore brendu što se dogodilo.
Analiza zaliha pomaže u otkrivanju potražnje koju podaci o prodaji možda nisu otkrili.
Sezonalnost i promocije objašnjavaju neobične promjene.
Vrijeme isporuke određuje koliko unaprijed treba planirati zalihe.
Sigurnosna zaliha štiti od neizvjesnosti.
Krivulje veličine pretvaraju ukupnu potražnju u praktičnu analizu proizvodnje.
Proračunska ograničenja održavaju planove zaliha financijski realističnima.
Zajedno, ovi čimbenici stvaraju mnogo jaču osnovu za odlučivanje koliko odjevnih predmeta proizvesti.
Za robne marke odjeće, najkorisniji pomak često je pomicanje od:
'Prošli smo put ovoliko prodali, pa naručimo istu količinu.'
do:
'Koliko su kupci zapravo zahtijevali, kako će se ta potražnja promijeniti i koliko zaliha trebamo da pokrijemo vrijeme dok ih ne možemo napuniti?'
To pitanje vodi do boljih proizvodnih odluka.
A za OEM proizvođača stvara jasniju vezu između potražnje kupaca i fizičkog plana proizvodnje.
Dobro planiranje proizvodnje počinje prije narudžbenice. Što je bolja prognoza potražnje, veća je šansa da pravi proizvodi, veličine i količine budu dostupni kada ih kupci žele.
