Wyświetlenia: 0 Autor: Edytor witryny Czas publikacji: 2026-09-10 Pochodzenie: Strona
Decyzja o liczbie wyprodukowanych ubrań jest jedną z najważniejszych decyzji podejmowanych przez markę odzieżową.
Zamów zbyt mało, a popularne produkty mogą zostać wyprzedane przed nadejściem kolejnej wysyłki. Zamów zbyt wiele, a marka może pozostać z nadmiarem zapasów, przecenami i pieniędzmi uwięzionymi w niesprzedanych produktach.
Z tego powodu wielkości produkcji powinny opierać się na czymś więcej niż zeszłoroczna sprzedaż lub intuicja kupującego.
Praktyczny proces prognozowania odzieży uwzględnia rzeczywisty popyt, dostępność zapasów, sezonowość, promocje, czas realizacji, zapasy bezpieczne, rozkład rozmiarów i dostępny budżet.
Celem jest oszacowanie, ile klientów prawdopodobnie kupi w okresie, gdy nowy asortyment będzie dostępny, a następnie określenie, ile asortymentu potrzebuje marka, aby zaspokoić ten popyt.
Dla producenta odzieży OEM prognoza ta ostatecznie staje się zleceniem produkcyjnym z podziałem na styl, kolor i rozmiar.
Na pierwszy rzut oka prognozowanie wydaje się proste.
Jeśli w zeszłym roku marka sprzedała 1000 sztuk danego modelu, w tym roku może zamówić kolejne 1000 sztuk.
Problem w tym, że sprzedaż historyczna nie zawsze odzwierciedla rzeczywiste zapotrzebowanie klientów.
Wyobraź sobie, że koszulka sprzedawana jest w ilości 100 sztuk tygodniowo. Po czterech tygodniach rozmiar średni zostaje wyprzedany. Klienci nadal szukają Medium, ale marka nie może sprzedać tego, czego już nie ma.
Rekord sprzedaży może wskazywać, że popyt spadł po czwartym tygodniu.
W rzeczywistości produkt stał się niedostępny.
Dostarczone badania określają to jako cenzurowanie popytu . Kiedy produktu nie ma w magazynie, obserwowana sprzedaż może spaść do zera, nawet jeśli klienci nadal będą chcieli go kupić. Bezpośrednie użycie tych surowych liczb może spowodować niedoszacowanie przyszłej wielkości produkcji.
Tworzy to niebezpieczny cykl:
Popularny produkt → wyprzedany → dane dotyczące sprzedaży wydają się słabsze → następne zamówienie jest za małe → produkt ponownie się wyprzeda
Tymczasem produkty wolno rotujące mogą pozostać w magazynie i nadal generować dane sprzedażowe.
Dlatego dobre prognozowanie zaczyna się od zadania pytania:
Co tak naprawdę klienci chcieli kupić, gdy produkt był dostępny?
Pierwszym krokiem jest zebranie historycznych danych sprzedażowych dotyczących prognozowanego stylu, koloru i rozmiaru.
Przydatne informacje mogą obejmować:
Sprzedane jednostki
Daty sprzedaży
Dostępne zapasy
Okresy wyczerpania zapasów
Zmiany cen
Promocje
Premiery produktów
Okresy sezonowe
Sprzedaż według rozmiaru
Sprzedaż według kanałów
Im bardziej szczegółowe dane, tym bardziej użyteczna może stać się prognoza.
Marka z kilkuletnią historią sprzedaży może łatwiej zidentyfikować powtarzające się wzorce niż marka posiadająca tylko kilka miesięcy danych.
Jednak więcej danych nie oznacza automatycznie lepszego prognozowania.
Dane należy interpretować poprawnie.
Załóżmy, że marka ma 30-dniowy okres sprzedaży.
Produkt dostępny był przez 20 dni i sprzedano 400 sztuk.
Jeśli marka po prostu obliczy:
400 ÷ 30 = 13,3 sztuk dziennie
zakłada, że produkt mógł być sprzedawany po tej cenie przez cały okres.
Jeżeli jednak produkt był niedostępny przez 10 dni, zaobserwowana stopa sprzedaży w dostępnym okresie wyniosła:
400 ÷ 20 = 20 sztuk w dostępnym dniu
Druga liczba może stanowić lepszy punkt wyjścia do szacowania popytu.
Badanie zaleca obliczenie prawdziwego współczynnika sprzedaży na podstawie okresu, w którym jednostka SKU była faktycznie dostępna, zamiast traktować okresy braku towaru jako zerowy popyt.
Proces ten nazywany jest często nieograniczaniem popytu.
Podstawowa idea jest prosta:
Jeżeli klienci nie mogli kupić produktu, dni tych nie należy automatycznie interpretować jako dni, w których klienci tego nie chcieli.
Po oczyszczeniu historii sprzedaży marka potrzebuje prognozy bazowej.
Wartość bazowa to szacunkowa wartość normalnego popytu przed dodaniem wydarzeń specjalnych, takich jak duże promocje lub nietypowe skoki cen.
Różne produkty mogą wymagać różnych metod prognozowania.
W przypadku podstawowego produktu o stosunkowo stabilnym popycie średnia ruchoma może stanowić przydatny punkt wyjścia.
Na przykład podstawowy czarny T-shirt, który sprzedaje się stale przez cały rok, może nie wymagać skomplikowanego systemu prognozowania.
Marka może sprawdzić ostatnią sprzedaż i ustalić reprezentatywną średnią.
Jeżeli sprzedaż stale rośnie lub spada, prognoza powinna uwzględniać tę tendencję.
Na przykład, jeśli podstawowy styl bielizny będzie się stale rozwijał przez kilka sezonów, samo użycie starej średniej może spowodować niedoszacowanie przyszłego popytu.
W tego typu sytuacjach przydatne mogą być modele trendów liniowych.
Niektóre produkty podlegają przewidywalnym wzorcom sezonowym.
Stroje kąpielowe, bielizna zimowa, odzież termoaktywna i inne produkty sezonowe mogą mieć bardzo zróżnicowane wzorce sprzedaży w ciągu roku.
W prognozie należy zatem rozróżnić:
Normalny wzrost lub spadek
I
Powtarzający się popyt sezonowy
W badaniu wskazano, że modele wygładzania wykładniczego i modele ETS są przydatnymi metodami prognozowania, ponieważ umożliwiają uwzględnienie błędów, trendów i sezonowości.
Dla większości mniejszych marek zrozumienie zasady jest ważniejsze niż wybór skomplikowanego algorytmu prognozowania.
Większa wyprzedaż może sprawić, że produkt będzie wyglądał na znacznie bardziej popularny niż zwykle.
Wyobraź sobie, że marka zwykle sprzedaje 100 sztuk danego stylu tygodniowo.
W ramach promocji 30% rabatu sprzedaje 250 sztuk.
Użycie 250 jako nowej normy dałoby bardzo agresywną prognozę produkcji.
Ten sam problem może wystąpić w przypadku:
Sprzedaż błyskawiczna
Kampanie influencerów
Główne kampanie reklamowe
Wakacyjne promocje
Premiery nowych produktów
Tymczasowe obniżki cen
Badanie zaleca oddzielenie wzrostu promocyjnego od bazowego popytu, a następnie, w stosownych przypadkach, dodanie planowanych efektów promocyjnych do przyszłej prognozy.
Na przykład:
Normalny popyt: 100 jednostek/tydzień
Oczekiwany wzrost promocyjny: +40%
Prognoza w trakcie promocji: około 140 jednostek/tydzień
Dokładny wzrost powinien, jeśli to możliwe, pochodzić z własnych danych historycznych marki.
Popyt na odzież jest silnie powiązany z porą roku.
Popyt klientów może się zmienić z powodu:
Temperatura
Klimat
Ferie
Okresy powrotu do szkoły
Sezony podróży
Kalendarze promocyjne
Sezony mody
Budując prognozę, marka powinna zatem porównywać podobne okresy.
Na przykład wykorzystanie grudniowej sprzedaży do prognozowania lipcowego popytu na produkt sezonowy może dać bardzo mylący wynik.
Marka powinna zapytać:
Co sprzedawał ten lub podobne produkty w tym samym sezonie w poprzednich latach?
Sezonowość staje się szczególnie istotna, gdy terminy realizacji produkcji są długie.
Jeśli fabryka potrzebuje kilku miesięcy na wyprodukowanie i wysyłkę niestandardowego zamówienia, marka musi przewidzieć popyt na długo przed rozpoczęciem faktycznego sezonu sprzedaży.
Nowy styl stwarza problem prognozowania, ponieważ nie ma historii sprzedaży bezpośredniej.
Marka nie może obliczyć ubiegłorocznej sprzedaży produktu, który w zeszłym roku nie istniał.
Badanie zaleca stosowanie klastrowania opartego na atrybutach i mapowania podobnych elementów w przypadku nowych produktów. Zamiast zgadywać liczbę na podstawie niczego, planiści mogą porównać nowy produkt z istniejącymi produktami, które mają wspólne ważne cechy.
Odpowiednie atrybuty mogą obejmować:
Kategoria produktu
Sylwetka
Konstrukcja tkaniny
Waga tkaniny
Cena
Marża docelowa
Kolor
Złożoność wzoru
Załóżmy na przykład, że marka wprowadza na rynek nową bluzę z kapturem French Terry 280 GSM.
Może przeglądać poprzednie bluzy z podobnymi:
Waga tkaniny
Budowa
Cena
Klient docelowy
Pasować
Pozycjonowanie kolorów
Produkty te mogą stanowić bardziej przydatny punkt wyjścia niż zwykły wybór dowolnej ilości.
Nowe produkty wiążą się z większą niepewnością niż produkty ustalone.
Marka może zatem rozważyć:
Mniejsza produkcja początkowa
Zamówienia w przedsprzedaży
Wczesne zainteresowanie klientów
Historyczna wydajność podobnych produktów
Elastyczne uzupełnianie
Krótsze cykle produkcyjne, jeśli są dostępne
Może to zmniejszyć ryzyko wykorzystania zbyt dużej ilości zapasów, zanim rzeczywisty popyt stanie się jasny.
Prognozowanie popytu to tylko połowa problemu.
Marka musi także wiedzieć, ile czasu zajmie wymiana zapasów.
Załóżmy, że marka spodziewa się sprzedać 500 sztuk miesięcznie.
Jeśli uzupełnienie trwa dwa tygodnie, marka ma jeden problem z zapasami.
Jeśli uzupełnienie zajmie cztery miesiące, marka ma zupełnie inny problem.
W badaniu podkreślono, że czasu produkcji fabrycznej nie należy traktować jako całego czasu realizacji łańcucha dostaw. Całkowity czas realizacji może obejmować zakup materiałów, pobieranie próbek i zatwierdzenia, produkcję masową, transport, cła i przetwarzanie przychodzące.
Uproszczony łańcuch dostaw odzieży wygląda następująco:
Zakup materiałów
↓
Pobieranie próbek i zatwierdzanie
↓
Produkcja masowa
↓
Transport
↓
Obsługa celna i przychodząca
↓
Dostępność magazynu
Marka powinna prognozować zapotrzebowanie na zapasy na cały ten okres.
Jest to szczególnie ważne w przypadku niestandardowych tkanin i niestandardowych kolorów, gdzie przygotowanie materiału może znacznie wydłużyć czas.
Prognoza jest nadal szacunkiem.
Rzeczywisty popyt może być wyższy niż oczekiwano.
Produkcja może również potrwać dłużej niż planowano.
Zapasy bezpieczeństwa stanowią bufor chroniący przed tymi niepewnościami.
W badaniu zidentyfikowano dwa główne źródła ryzyka:
Zmienność popytu
Zmienność czasu realizacji
Załóżmy na przykład, że marka spodziewa się sprzedać 1000 sztuk w czasie potrzebnym do uzupełnienia zapasów.
Jeśli popyt nagle wzrośnie lub produkcja się opóźni, 1000 sztuk może nie wystarczyć.
Kolba bezpieczeństwa zapewnia dodatkową ochronę.
Prosta zasada, taka jak „zawsze produkuj 10% więcej” może wydawać się wygodna.
Jednakże różne produkty charakteryzują się różnym poziomem ryzyka.
Stabilny czarny T-shirt, na który istnieje przewidywalny popyt przez cały rok, może wymagać innego bufora niż sezonowy styl mody, którego sprzedaż jest wysoce nieprzewidywalna.
Badanie zaleca stosowanie różnych strategii prognozowania i zapasów bezpieczeństwa, zarówno ze względu na znaczenie przychodów, jak i przewidywalność popytu , przy użyciu klasyfikacji ABC-XYZ.
Podstawowa koncepcja jest przydatna nawet bez przeprowadzenia pełnej analizy statystycznej:
Produkty o wysokiej wartości i przewidywalne: starannie chroń dostępność.
Produkty o wysokiej wartości i nieprzewidywalne: uważnie monitoruj popyt i szybko go dostosowuj.
Produkty o niskiej wartości i nieprzewidywalne: unikaj blokowania zbyt dużej ilości zapasów.
Pomaga to markom inwestować w zasoby tam, gdzie jest to najważniejsze.
Gdy marka zna oczekiwany popyt i zapasy bezpieczeństwa, może określić, kiedy należy złożyć kolejne zlecenie produkcyjne.
To jest punkt ponownego zamówienia (ROP).
Konceptualnie:
Punkt ponownego zamówienia = oczekiwany popyt w okresie realizacji + zapasy zabezpieczające
Na przykład, jeśli marka spodziewa się sprzedać 1500 jednostek w okresie uzupełniania zapasów i chce kolejnych 300 jednostek jako bufor bezpieczeństwa:
ROP = 1800 jednostek
Kiedy dostępna pozycja w magazynie osiągnie ten poziom, marka powinna rozważyć rozpoczęcie kolejnego zamówienia uzupełniającego.
Badanie opisuje punkt ponownego zamówienia jako próg zapasów, który uruchamia nowe zamówienie zakupu, w oparciu o oczekiwany popyt w całym całkowitym czasie realizacji zamówienia oraz zapasy zabezpieczające.
Ważną kwestią jest wyczucie czasu.
Marka nie powinna czekać, aż zapasy osiągną zero, zanim skontaktuje się z producentem, jeśli ten potrzebuje tygodni lub miesięcy na uzupełnienie produktu.
Świadomość, że marka potrzebuje 5000 sztuk, nie mówi fabryce, ile sztuk każdego rozmiaru ma wyprodukować.
Zlecenie produkcyjne może wymagać:
XS: 350
S: 900
M: 1900
L: 1300
XL: 550
Dokładny stosunek zależy od bazy klientów marki i historycznej sprzedaży.
Nazywa się to krzywą wielkości.
Badanie uwydatnia istotny problem: surowe wskaźniki sprzedaży mogą zostać zniekształcone, jeśli popularne rozmiary wyprzedają się wcześniej.
Załóżmy, że Medium wielokrotnie się wyprzedaje.
Historyczna sprzedaż może w rzeczywistości odzwierciedlać liczbę egzemplarzy Medium, które marka zdołała sprzedać, a nie liczbę oczekiwaną przez klientów.
Marka powinna zatem analizować popyt według rozmiaru w okresach, gdy każdy rozmiar był rzeczywiście dostępny.
Jest to szczególnie ważne w przypadku bielizny, ponieważ rozmiar jest ściśle powiązany z dopasowaniem, wygodą i zadowoleniem klienta.
Prognoza produkcji powinna zatem odpowiedzieć na dwa osobne pytania:
Ile łącznie sztuk powinniśmy zrobić?
I
Jak te elementy powinny być rozmieszczone według rozmiarów?
Prognoza popytu może generować bardzo duże zapotrzebowanie produkcyjne.
Marka musi jeszcze ustalić, czy stać ją na produkcję i utrzymywanie tych zapasów.
W tym miejscu wkracza planowanie finansowe.
Badanie opisuje opcję „Open-to-Buy” (OTB) jako ograniczenie finansowe, które pomaga pogodzić oddolne prognozy SKU z wielkością wydatków na zapasy, jaką firma może obsłużyć.
W przypadku mniejszej marki odzieżowej koncepcję można uprościć:
Prognozuj potrzebne zapasy, a następnie sprawdź, czy dostępny budżet środków pieniężnych i zapasów jest w stanie je pokryć.
Jeśli prognoza sugeruje zamówienie 20 000 sztuk, ale firma może bezpiecznie sfinansować tylko 12 000, marka musi ustalić priorytety.
Może wybrać:
Chroń podstawowe produkty
Zredukuj wolno poruszające się style
Zmniejsz głębię kolorów
Uruchamiaj mniej jednostek SKU
Użyj mniejszych zamówień początkowych
Opóźniaj produkty o niższym priorytecie
Zaplanuj kolejną serię produkcyjną później
W tym momencie prognozowanie staje się decyzją biznesową, a nie ćwiczeniem czysto matematycznym.
Po sprawdzeniu popytu, sezonowości, czasu realizacji, zapasów bezpieczeństwa, krzywych wielkości i budżetu marka może określić swoje wymagania produkcyjne.
Uproszczony przepływ pracy to:
Historyczna sprzedaż
↓
Usuń zniekształcenia zapasów
↓
Zbuduj popyt bazowy
↓
Uwzględnij sezonowość i planowane promocje
↓
Weź pod uwagę czas realizacji produkcji i wysyłki
↓
Dodaj odpowiedni zapas bezpieczeństwa
↓
Określ punkt ponownego zamówienia
↓
Zastosuj krzywą rozmiaru
↓
Sprawdź budżet zapasów
↓
Wydaj zlecenie produkcyjne
Badanie podsumowuje podobny siedmioetapowy protokół planowania, zaczynający się od nieograniczonego popytu historycznego, a kończący na zamkniętym zamówieniu wystawionym producentowi.
Z punktu widzenia producenta dobra prognoza produkcji musi ostatecznie stać się jasnym zamówieniem.
Fabryka może otrzymać:
Styl
Kolor
Całkowita ilość
Podział rozmiaru
Specyfikacja materiału
Wymagania dotyczące opakowań
Data dostawy
Wymagania dotyczące wysyłki
Wymagania jakościowe
Jakość tych informacji wpływa na planowanie produkcji.
Na przykład producent może być w stanie wyprodukować 10 000 sztuk danego stylu, ale harmonogram produkcji nadal zależy od konkretnego zestawienia rozmiarów i kolorów, dostępności tkanin, wykończeń, terminu dostawy i innych wymagań.
Dlatego prognozowanie i produkcja są ze sobą ściśle powiązane.
Planowanie popytu marki określa, ile i kiedy chce sprzedać.
Planowanie produkcji producenta określa, w jaki sposób przełożyć to wymaganie na fizyczną odzież.
Żadna prognoza nie jest idealna.
Celem prognozowania jest podejmowanie lepszych decyzji w warunkach niepewności.
Jeśli rzeczywisty popyt będzie wyższy niż oczekiwano, marka może doświadczyć:
Zapasy
Utracona sprzedaż
Produkcja awaryjna
Przyspieszona wysyłka
Niezadowolenie klienta
Jeśli popyt będzie niższy niż oczekiwano, marka może spotkać się z:
Nadmiar zapasów
Zniżki
Straty Markdownowe
Koszty magazynu
Gotówka zablokowana w niesprzedanych produktach
Najlepsze systemy prognostyczne monitorują zatem w sposób ciągły rzeczywistą sprzedaż.
Prognoza powinna ulec zmianie w miarę pojawiania się nowych informacji.
Na przykład:
Wstępna prognoza → rzeczywista sprzedaż → zaktualizowany szacunek popytu → poprawiony plan produkcji
Jest to szczególnie przydatne w przypadku produktów modowych o krótkim cyklu życia.
Wyobraź sobie, że marka bielizny ma podstawowy styl, który sprzedaje się przez cały rok.
Z danych historycznych wynika, że po uwzględnieniu wyczerpania zapasów produkt sprzedaje się zazwyczaj w ilości około 800 sztuk miesięcznie.
Marka spodziewa się sezonowego wzrostu na poziomie około 20%.
Daje to przewidywane zapotrzebowanie w przybliżeniu:
800 × 1,20 = 960 sztuk miesięcznie
Proces produkcyjny i logistyczny trwa trzy miesiące od złożenia zamówienia do dostępności zapasów.
Dlatego marka musi zaplanować około:
960 × 3 = 2880 sztuk
Następnie dodaje odpowiedni bufor bezpieczeństwa w oparciu o ryzyko popytu i podaży.
Załóżmy, że marka zdecyduje, że kolejne 320 sztuk zapewni odpowiedni bufor planowania.
Zapotrzebowanie na zapasy wynosi w przybliżeniu:
2880 + 320 = 3200 sztuk
Ostatnim krokiem jest podzielenie tych kawałków zgodnie z oczekiwaną krzywą wielkości.
To raczej uproszczony przykład niż uniwersalna formuła. Prawdziwe prognozowanie powinno uwzględniać zmiany cen, promocje, dostępność zapasów, sezonowość, zmienność czasu realizacji i cykl życia produktu.
Ważną kwestią jest kolejność:
Popyt → okres sprzedaży → czas realizacji → bufor ryzyka → rozkład wielkości → wielkość produkcji
Marka nie potrzebuje zaawansowanego systemu prognozowania AI, aby usprawnić planowanie produkcji.
Można zacząć od lepszej dyscypliny danych.
Zapisz, kiedy dany styl i rozmiar stanie się niedostępny.
W przeciwnym razie niską sprzedaż można pomylić z niskim popytem.
Rejestruj duże rabaty i kampanie, aby nietypowe skoki sprzedaży nie stały się automatycznie nowym punktem odniesienia.
Całkowita liczba sprzedaży na poziomie stylu może ukryć istotne różnice między rozmiarami.
Rejestruj, ile czasu zajmuje faktyczne zamówienie od zamówienia do odbioru z magazynu.
Po każdym okresie sprzedaży porównaj przewidywany popyt z rzeczywistymi wynikami.
Używaj podobnych produktów i atrybutów jako referencji, zamiast udawać, że nowy produkt ma dane historyczne.
Prognoza powinna się zmieniać, gdy nowe informacje zmieniają oczekiwany popyt.
Po ustaleniu wielkości produkcji producent potrzebuje jasnego zamówienia.
W przypadku niestandardowego projektu odzieży przydatne informacje obejmują:
Numer stylu
Kolorystyka
Całkowita ilość
Podział rozmiaru
Specyfikacja tkaniny
Wymagania dotyczące przycinania
Wymagania dotyczące opakowań
Standardy jakości
Docelowy termin dostawy
Miejsce docelowe wysyłki
Jasne zlecenie produkcyjne zmniejsza ryzyko nieporozumień pomiędzy marką a fabryką.
Pozwala także producentowi efektywniej planować materiał, kroj, możliwości szycia i inne zasoby produkcyjne.
W przypadku długoterminowej relacji OEM przydatne mogą być również historyczne dane produkcyjne.
Rzeczywiste czasy realizacji produkcji, zużycie materiałów, problemy z jakością i wielkości zamówień mogą pomóc w lepszym planowaniu na przyszłość.
Nie ma jednej liczby, która gwarantowałaby prawidłową wielkość produkcji.
Dobra prognoza łączy w sobie kilka informacji.
Historyczna sprzedaż mówi marce, co się wydarzyło.
Analiza zapasów pomaga ujawnić popyt, który mógł zostać przeoczony w danych dotyczących sprzedaży.
Sezonowość i promocje tłumaczą niezwykłe zmiany.
Czas realizacji określa, z jakim wyprzedzeniem należy zaplanować zapasy.
Zapasy bezpieczeństwa chronią przed niepewnością.
Krzywe wielkości przekształcają całkowity popyt w praktyczny podział produkcji.
Limity budżetowe zapewniają realizm finansowy planów zapasów.
Razem te czynniki tworzą znacznie silniejszą podstawę do podjęcia decyzji, ile odzieży wyprodukować.
W przypadku marek odzieżowych najbardziej użyteczna zmiana często polega na przejściu od:
„Ostatnim razem sprzedaliśmy tyle, więc zamówmy tę samą ilość.”
Do:
„Ile faktycznie żądali klienci, jak zmieni się to zapotrzebowanie i ile zapasów potrzebujemy, aby pokryć czas potrzebny do ich uzupełnienia?”
To pytanie prowadzi do lepszych decyzji produkcyjnych.
A dla producenta OEM tworzy wyraźniejsze powiązanie między zapotrzebowaniem klienta a fizycznym planem produkcji.
Dobre planowanie produkcji rozpoczyna się przed złożeniem zamówienia. Im lepsza prognoza popytu, tym większa szansa, że odpowiednie produkty, rozmiary i ilości będą dostępne wtedy, gdy klienci ich potrzebują.
