Visninger: 0 Forfatter: Nettstedredaktør Publiseringstid: 2026-09-10 Opprinnelse: nettsted
Å bestemme hvor mange plagg som skal produseres er en av de viktigste avgjørelsene et klesmerke tar.
Bestill for få, og populære produkter kan bli utsolgt før neste sending kommer. Bestill for mange, og merkevaren kan sitte igjen med overflødig beholdning, nedskrivninger og penger bundet opp i usolgte produkter.
Av denne grunn bør produksjonsmengder være basert på mer enn fjorårets salg eller en kjøpers intuisjon.
En praktisk prognoseprosess for klær ser på faktisk etterspørsel, lagertilgjengelighet, sesongvariasjoner, kampanjer, ledetid, sikkerhetslager, størrelsesfordeling og tilgjengelig budsjett.
Målet er å estimere hvor mye kundene sannsynligvis vil kjøpe i løpet av perioden da den nye varebeholdningen vil være tilgjengelig, og deretter bestemme hvor mye beholdning merkevaren trenger for å støtte denne etterspørselen.
For en OEM-klærprodusent blir denne prognosen til slutt en produksjonsordre brutt ned etter stil, farge og størrelse.
Til å begynne med virker prognoser enkle.
Hvis et merke solgte 1000 stykker av en stil i fjor, kan det bestille ytterligere 1000 stykker i år.
Problemet er at historisk salg ikke alltid representerer faktisk kundebehov.
Tenk deg en T-skjorte solgt 100 stykker per uke. Etter fire uker blir Medium size utsolgt. Kunder fortsetter å lete etter Medium, men merket kan ikke selge det det ikke lenger har.
Salgsrekorden kan vise at etterspørselen falt etter den fjerde uken.
I virkeligheten ble produktet utilgjengelig.
Den leverte forskningen beskriver dette som etterspørselssensur . Når et produkt er utsolgt, kan observerte salg falle til null selv om kunder fortsatt ønsker å kjøpe det. Å bruke disse råtallene direkte kan føre til at du undervurderer fremtidige produksjonsmengder.
Dette skaper en farlig syklus:
Populært produkt → utsolgt → salgsdata ser svakere ut → neste ordre er for liten → produktet blir utsolgt igjen
I mellomtiden kan saktegående produkter forbli på lager og fortsette å generere salgsdata.
Gode prognoser starter derfor med å spørre:
Hva ønsket kundene egentlig å kjøpe når produktet var tilgjengelig?
Det første trinnet er å samle inn historiske salgsdata for stilen, fargen og størrelsen som er anslått.
Nyttig informasjon kan omfatte:
Enheter solgt
Salgsdatoer
Inventar tilgjengelig
Lagerperioder
Prisendringer
Kampanjer
Produktlanseringer
Sesongmessige perioder
Salg etter størrelse
Salg etter kanal
Jo mer detaljerte dataene er, desto mer nyttig kan prognosen bli.
Et merke med flere års salgshistorie kan lettere identifisere tilbakevendende mønstre enn et merke med bare noen få måneders data.
Mer data betyr imidlertid ikke automatisk bedre prognoser.
Dataene må tolkes riktig.
Anta at et merke hadde en salgsperiode på 30 dager.
Produktet var tilgjengelig i 20 dager og solgte 400 stykker.
Hvis merket bare beregner:
400 ÷ 30 = 13,3 stykker per dag
det antar at produktet kunne ha solgt til den prisen gjennom hele perioden.
Men hvis produktet var utilgjengelig i 10 dager, var den observerte salgsraten i den tilgjengelige perioden:
400 ÷ 20 = 20 stykker per tilgjengelig dag
Det andre tallet kan gi et bedre utgangspunkt for å estimere etterspørselen.
Undersøkelsen anbefaler å beregne den sanne salgsraten ved å bruke perioden da SKU-en faktisk var tilgjengelig i stedet for å behandle utsolgte perioder som null etterspørsel.
Denne prosessen kalles ofte etterspørselsfri.
Grunnideen er grei:
Hvis kundene ikke kunne kjøpe produktet, skulle ikke disse dagene automatisk tolkes som dager kundene ikke ønsket det.
Når det historiske salget er ryddet opp, trenger merket en grunnprognose.
Grunnlinjen er et estimat av normal etterspørsel før spesielle begivenheter som store kampanjer eller uvanlige topper legges til.
Ulike produkter kan kreve ulike prognosemetoder.
For et basisprodukt med relativt stabil etterspørsel kan et glidende gjennomsnitt gi et nyttig utgangspunkt.
For eksempel kan det hende at en enkel svart T-skjorte som selges konsekvent gjennom året ikke krever et forseggjort prognosesystem.
Merket kan undersøke nylig salg og etablere et representativt gjennomsnitt.
Hvis salget har vært konsekvent økende eller synkende, bør prognosen ta hensyn til denne trenden.
For eksempel, hvis en kjerneundertøysstil har vokst jevnt over flere sesonger, kan det å bare bruke et gammelt gjennomsnitt undervurdere fremtidig etterspørsel.
Lineære trendmodeller kan være nyttige for denne typen situasjoner.
Noen produkter følger forutsigbare sesongmønstre.
Badetøy, vinterundertøy, termoklær og andre sesongprodukter kan ha svært forskjellige salgsmønstre gjennom året.
Prognosen må derfor skille mellom:
Normal vekst eller nedgang
og
Tilbakevendende sesongmessig etterspørsel
Forskningen identifiserer eksponentiell utjevning og ETS-modeller som nyttige prognosetilnærminger fordi de kan redegjøre for feil, trender og sesongvariasjoner.
For de fleste mindre merker er det viktigere å forstå prinsippet enn å velge en komplisert prognosealgoritme.
Et større salg kan få et produkt til å fremstå mye mer populært enn det normalt er.
Tenk deg at et merke vanligvis selger 100 stykker av en stil per uke.
Under en kampanje med 30 % rabatt selger den 250 stk.
Å bruke 250 som den nye normalen ville gi en veldig aggressiv produksjonsprognose.
Det samme problemet kan oppstå med:
Flash salg
Influencer-kampanjer
Store reklamekampanjer
Feriekampanjer
Nye produktlanseringer
Midlertidige prisavslag
Forskningen anbefaler å skille reklameløft fra den underliggende grunnlinjeetterspørselen, og deretter legge til planlagte reklameeffekter tilbake i fremtidsprognosen når det er hensiktsmessig.
For eksempel:
Normal etterspørsel: 100 enheter/uke
Forventet kampanjeløft: +40 %
Prognose under kampanjen: ca. 140 enheter/uke
Det nøyaktige løftet bør komme fra merkevarens egne historiske data når det er mulig.
Etterspørselen etter klær er sterkt knyttet til tiden på året.
Kundebehov kan endres på grunn av:
Temperatur
Klima
Helligdager
Tilbake til skolen perioder
Reisesesongene
Kampanjekalendere
Mote sesonger
Et merke bør derfor sammenligne lignende perioder når man bygger en prognose.
For eksempel kan det å bruke desembersalg til å forutsi julietterspørselen etter et sesongprodukt gi et svært misvisende resultat.
Merket bør spørre:
Hva solgte dette produktet, eller lignende produkter, i samme sesong tidligere år?
Sesongvariasjon blir spesielt viktig når produksjonstiden er lang.
Hvis en fabrikk trenger flere måneder på å produsere og sende en tilpasset bestilling, må merket forutsi etterspørselen i god tid før den faktiske salgssesongen begynner.
En ny stil skaper et prognoseproblem fordi det ikke er noen direkte salgshistorikk.
Et merke kan ikke beregne fjorårets salg for et produkt som ikke fantes i fjor.
Forskningen anbefaler å bruke attributtbasert klynging og kartlegging av lignende varer for nye produkter. I stedet for å gjette et tall fra ingenting, kan planleggere sammenligne det nye produktet med eksisterende produkter som deler viktige egenskaper.
Relevante attributter kan omfatte:
Produktkategori
Silhuett
Stoffkonstruksjon
Stoffvekt
Pris
Målmargin
Farge
Mønsterkompleksitet
Anta for eksempel at et merke lanserer en ny 280 GSM French Terry-hettegenser.
Den kan se på tidligere hettegensere med lignende:
Stoffvekt
Konstruksjon
Pris
Målkunde
Passe
Fargeplassering
Disse produktene kan gi et mer nyttig utgangspunkt enn bare å velge en vilkårlig mengde.
Nye produkter inneholder mer usikkerhet enn etablerte produkter.
Et merke kan derfor vurdere:
Mindre første produksjon
Forhåndsbestillinger
Tidlig kundeinteresse
Historisk ytelse for lignende produkter
Fleksibel påfylling
Kortere produksjonssykluser der tilgjengelig
Dette kan redusere risikoen for å begå for mye varelager før faktisk etterspørsel blir tydelig.
Å forutsi etterspørselen er bare halvparten av problemet.
Et merke må også vite hvor lang tid det vil ta å erstatte varebeholdningen.
Anta at et merke forventer å selge 500 stykker per måned.
Hvis etterfylling tar to uker, har merket ett lagerproblem.
Hvis etterfyllingen tar fire måneder, har merket et helt annet problem.
Forskningen understreker at produksjonstiden i fabrikken ikke skal behandles som hele ledetiden i forsyningskjeden. Total ledetid kan inkludere materialinnkjøp, prøvetaking og godkjenninger, bulkproduksjon, transport, toll og inngående behandling.
En forenklet forsyningskjede for klær ser slik ut:
Materialinnkjøp
↓
Prøvetaking og godkjenninger
↓
Bulkproduksjon
↓
Transport
↓
Toll og inngående behandling
↓
Lagertilgjengelighet
Merket bør forutsi lagerbehov over hele denne perioden.
Dette er spesielt viktig for tilpassede stoffer og tilpassede farger, der materialforberedelse kan legge til betydelig tid.
En prognose er fortsatt et estimat.
Den faktiske etterspørselen kan være høyere enn forventet.
Produksjonen kan også ta lengre tid enn planlagt.
Sikkerhetslager gir en buffer mot disse usikkerhetene.
Forskningen identifiserer to hovedkilder til risiko:
Etterspørselsvariabilitet
Variasjon i ledetid
Anta for eksempel at en merkevare forventer å selge 1000 stykker i løpet av tiden det tar å fylle opp beholdningen.
Hvis etterspørselen plutselig øker eller produksjonen blir forsinket, kan det hende at 1000 stykker ikke er nok.
Sikkerhetslager gir ekstra beskyttelse.
En enkel regel som 'produser alltid 10 % ekstra' kan virke praktisk.
Forskjellige produkter har imidlertid ulike risikonivåer.
En stabil svart T-skjorte med forutsigbar etterspørsel året rundt kan kreve en annen buffer enn en sesongbasert motestil hvis salg er svært uforutsigbart.
Forskningen anbefaler å bruke ulike prognoser og sikkerhetsbeholdningsstrategier i henhold til både inntektsbetydning og etterspørselsforutsigbarhet , ved å bruke ABC-XYZ-klassifisering.
Det grunnleggende konseptet er nyttig selv uten å utføre den fullstendige statistiske analysen:
Høyverdi + forutsigbare produkter: beskytt tilgjengeligheten nøye.
Høyverdi + uforutsigbare produkter: overvåk etterspørselen nøye og juster raskt.
Lavverdi + uforutsigbare produkter: unngå å binde opp for mye varelager.
Dette hjelper merkevarer med å bruke lagerinvesteringer der det betyr mest.
Når et merke kjenner sin forventede etterspørsel og sikkerhetslager, kan det bestemme når en annen produksjonsordre skal plasseres.
Dette er Reorder Point (ROP).
Konseptuelt:
Reorder Point = Forventet etterspørsel under ledetid + Sikkerhetslager
For eksempel, hvis et merke forventer å selge 1500 enheter i løpet av påfyllingstiden og ønsker ytterligere 300 enheter som en sikkerhetsbuffer:
ROP = 1800 enheter
Når den tilgjengelige beholdningsposisjonen når dette nivået, bør merkevaren vurdere å starte neste etterfyllingsbestilling.
Forskningen beskriver gjenbestillingspunktet som lagerterskelen som utløser en ny innkjøpsordre, basert på forventet etterspørsel gjennom den totale ledetiden pluss sikkerhetslager.
Det viktige poenget er timing.
Et merke bør ikke vente til lagerbeholdningen når null før de kontakter produsenten hvis produsenten trenger uker eller måneder på å etterfylle produktet.
Å vite at et merke trenger 5000 stykker, forteller ikke fabrikken hvor mange stykker av hver størrelse som skal produseres.
Produksjonsordren må kanskje være:
XS: 350
S: 900
M: 1900
L: 1300
XL: 550
Det nøyaktige forholdet avhenger av merkevarens kundebase og historiske salg.
Dette kalles en størrelseskurve.
Forskningen fremhever et viktig problem her: rå salgsforhold kan bli forvrengt når populære størrelser blir utsolgt tidlig.
Anta at Medium gjentatte ganger selger ut.
Det historiske salget kan faktisk representere antallet Medium-enheter merket klarte å selge, i stedet for antallet kunder ønsket.
Merket bør derfor analysere etterspørsel etter størrelse i perioder da hver størrelse faktisk var tilgjengelig.
Dette er spesielt viktig for undertøy fordi størrelse er nært knyttet til passform, komfort og kundetilfredshet.
En produksjonsprognose bør derfor svare på to separate spørsmål:
Hvor mange deler skal vi lage totalt?
og
Hvordan skal disse brikkene fordeles over størrelser?
En etterspørselsprognose kan gi et veldig stort produksjonsbehov.
Merket må fortsatt finne ut om det har råd til å produsere og holde det inventaret.
Det er her økonomisk planlegging kommer inn i prosessen.
Forskningen beskriver Open-to-Buy (OTB) som en økonomisk begrensning som hjelper til med å avstemme SKU-prognoser nedenfra og opp med mengden lagerbeholdning virksomheten kan støtte.
For et mindre klesmerke kan konseptet forenkles:
Forutsi beholdningen du trenger, og sjekk deretter om tilgjengelige kontanter og beholdningsbudsjett kan støtte det.
Hvis prognosen tilsier å bestille 20 000 stykker, men virksomheten trygt kan finansiere bare 12 000, må merket prioritere.
Den kan velge å:
Beskytt kjerneprodukter
Reduser saktegående stiler
Reduser fargedybden
Lanser færre SKU-er
Bruk mindre innledende bestillinger
Utsett produkter med lavere prioritet
Planlegg en ny produksjon senere
Det er her prognoser blir en forretningsbeslutning snarere enn en rent matematisk øvelse.
Etter at etterspørsel, sesongvariasjoner, ledetid, sikkerhetslager, størrelseskurver og budsjett er gjennomgått, kan merket bestemme produksjonsbehovet.
En forenklet arbeidsflyt er:
Historisk salg
↓
Fjern lagerforvrengning
↓
Bygg grunnleggende etterspørsel
↓
Juster for sesongvariasjoner og planlagte kampanjer
↓
Vurder produksjon og leveringstid
↓
Legg til passende sikkerhetslager
↓
Bestem ombestillingspunktet
↓
Påfør størrelseskurve
↓
Sjekk lagerbudsjettet
↓
Utstede produksjonsordre
Forskningen oppsummerer en lignende syv-trinns planleggingsprotokoll, som begynner med ubegrenset historisk etterspørsel og slutter med en låst innkjøpsordre utstedt til produsenten.
Fra produsentens perspektiv må en god produksjonsprognose til slutt bli en klar innkjøpsordre.
Fabrikken kan motta:
Stil
Farge
Total mengde
Størrelsesfordeling
Materialspesifikasjon
Emballasjekrav
Leveringsdato
Fraktkrav
Kvalitetskrav
Kvaliteten på denne informasjonen påvirker produksjonsplanleggingen.
For eksempel kan en produsent være i stand til å produsere 10 000 stykker av en stil, men produksjonsplanen avhenger fortsatt av den spesifikke størrelsen og fargesammenbruddet, stofftilgjengelighet, trim, leveringsfrist og andre krav.
Dette er grunnen til at prognoser og produksjon er nært forbundet.
Et merkes behovsplanlegging avgjør hvor mye det vil selge og når.
Produsentens produksjonsplanlegging bestemmer hvordan dette kravet skal gjøres om til fysiske plagg.
Ingen prognose er perfekt.
Formålet med prognoser er å ta bedre beslutninger under usikkerhet.
Hvis den faktiske etterspørselen er høyere enn forventet, kan merkevaren oppleve:
Lagerbeholdninger
Tapt salg
Nødproduksjon
Fremskyndet frakt
Kundemisnøye
Hvis etterspørselen er lavere enn forventet, kan merkevaren møte:
Overflødig beholdning
Rabatter
Markdown tap
Lagerkostnader
Kontanter bundet i usolgte produkter
De beste prognosesystemene overvåker derfor det faktiske salget kontinuerlig.
Prognosen bør endres etter hvert som ny informasjon blir tilgjengelig.
For eksempel:
Innledende prognose → faktisk salg → oppdatert etterspørselsestimat → revidert produksjonsplan
Dette er spesielt nyttig for moteprodukter med kort livssyklus.
Tenk deg et undertøysmerke har en kjernestil som selger hele året.
Historiske data viser at etter å ha tatt hensyn til lagerbeholdninger, selger produktet normalt rundt 800 stykker per måned.
Merket forventer en sesongmessig økning på ca. 20 %.
Det gir en anslått etterspørsel på omtrent:
800 × 1,20 = 960 stykker per måned
Produsenten og logistikkprosessen krever tre måneder fra bestilling til lagertilgjengelighet.
Merket må derfor planlegge for ca.
960 × 3 = 2 880 stykker
Den legger deretter til en passende sikkerhetsbuffer basert på etterspørsels- og tilbudsrisiko.
Anta at merket bestemmer at ytterligere 320 stykker gir en passende planleggingsbuffer.
Lagerkravet blir omtrent:
2 880 + 320 = 3 200 stykker
Det siste trinnet er å dele disse brikkene i henhold til forventet størrelseskurve.
Dette er et forenklet eksempel i stedet for en universell formel. Reelle prognoser bør ta hensyn til endringer i pris, kampanjer, lagertilgjengelighet, sesongvariasjoner, variasjoner i leveringstid og produktlivssyklus.
Det viktige poenget er rekkefølgen:
Etterspørsel → salgsperiode → ledetid → risikobuffer → størrelsesfordeling → produksjonsmengde
Et merke trenger ikke et avansert AI-prognosesystem for å forbedre produksjonsplanleggingen.
Det kan starte med bedre datadisiplin.
Ta opp når hver stil og størrelse blir utilgjengelig.
Ellers kan lavt salg forveksles med lav etterspørsel.
Ta opp store rabatter og kampanjer slik at uvanlige salgstopper ikke automatisk blir den nye grunnlinjen.
Et totalt salgsnummer på stilnivå kan skjule viktige forskjeller mellom størrelser.
Registrer hvor lang tid faktiske bestillinger tar fra innkjøpsordre til lagermottak.
Etter hver salgsperiode, sammenligne forventet etterspørsel med faktiske resultater.
Bruk lignende produkter og attributter som referanser i stedet for å late som om et nytt produkt har historiske data.
En prognose bør endres når ny informasjon endrer forventet etterspørsel.
Når produksjonsmengden er bestemt, trenger produsenten en klar ordre.
For et tilpasset klesprosjekt inkluderer nyttig informasjon:
Stilnummer
Fargebaner
Total mengde
Størrelsesfordeling
Stoffspesifikasjon
Trimkrav
Emballasjekrav
Kvalitetsstandarder
Mål leveringsdato
Fraktdestinasjon
En tydelig produksjonsordre reduserer sjansen for misforståelser mellom merke og fabrikk.
Det lar også produsenten planlegge stoff, skjæring, sykapasitet og andre produksjonsressurser mer effektivt.
For et langsiktig OEM-forhold kan historiske produksjonsdata også være nyttige.
Faktisk produksjonstid, materialforbruk, kvalitetsproblemer og bestillingsmengder kan bidra til å forbedre fremtidig planlegging.
Det finnes ikke et enkelt tall som kan garantere riktig produksjonsmengde.
En sterk prognose kombinerer flere opplysninger.
Historisk salg forteller merket hva som skjedde.
Lageranalyse hjelper til med å avsløre etterspørsel som salgsdata kan ha gått glipp av.
Sesongvariasjoner og kampanjer forklarer uvanlige endringer.
Ledetid avgjør hvor langt frem beholdningen må planlegges.
Sikkerhetslager beskytter mot usikkerhet.
Størrelseskurver gjør total etterspørsel til en praktisk produksjonssammenbrudd.
Budsjettgrenser holder lagerplaner økonomisk realistiske.
Til sammen skaper disse faktorene et mye sterkere grunnlag for å bestemme hvor mange plagg som skal produseres.
For klesmerker er det mest nyttige skiftet ofte å flytte fra:
'Vi solgte så mange forrige gang, så la oss bestille samme beløp.'
til:
'Hvor mye krevde kundene faktisk, hvordan vil etterspørselen endre seg, og hvor mye beholdning trenger vi for å dekke tiden før vi kan fylle på det?'
Det spørsmålet fører til bedre produksjonsbeslutninger.
Og for en OEM-produsent skaper det en klarere sammenheng mellom kundebehov og den fysiske produksjonsplanen.
God produksjonsplanlegging starter før innkjøpsordren. Jo bedre etterspørselsprognosen er, jo større er sjansen for at de riktige produktene, størrelsene og kvantitetene er tilgjengelige når kundene vil ha dem.
