แบรนด์เสื้อผ้าคาดการณ์ปริมาณการผลิตอย่างไร

การตัดสินใจว่าจะผลิตเสื้อผ้าจำนวนเท่าใดถือเป็นการตัดสินใจที่สำคัญที่สุดอย่างหนึ่งที่แบรนด์เสื้อผ้าทำ

สั่งซื้อน้อยเกินไปและผลิตภัณฑ์ยอดนิยมสามารถขายหมดก่อนการจัดส่งครั้งต่อไปจะมาถึง สั่งซื้อมากเกินไป แบรนด์อาจเหลือสินค้าคงคลังส่วนเกิน ลดราคา และเงินผูกติดอยู่กับผลิตภัณฑ์ที่ขายไม่ออก

ด้วยเหตุนี้ ปริมาณการผลิตจึงควรขึ้นอยู่กับยอดขายในปีที่แล้วหรือสัญชาตญาณของผู้ซื้อ

กระบวนการคาดการณ์เครื่องแต่งกายในทางปฏิบัติจะพิจารณาถึง ความต้องการที่แท้จริง ความพร้อมของสินค้าคงคลัง ฤดูกาล โปรโมชั่น ระยะเวลารอคอยสินค้า สินค้าคงคลังที่ปลอดภัย การกระจายขนาด และงบประมาณที่มีอยู่.

เป้าหมายคือการประมาณจำนวนลูกค้าที่มีแนวโน้มที่จะซื้อในช่วงเวลาที่สินค้าคงคลังใหม่จะพร้อมจำหน่าย จากนั้นจึงกำหนดจำนวนสินค้าคงคลังที่แบรนด์ต้องการเพื่อรองรับความต้องการดังกล่าว

สำหรับผู้ผลิตเสื้อผ้า OEM การคาดการณ์นี้จะกลายเป็นใบสั่งผลิตตามรูปแบบ สี และขนาดในที่สุด

เหตุใดการพยากรณ์ปริมาณการผลิตจึงเป็นเรื่องยาก

ในตอนแรก การพยากรณ์ดูเหมือนง่าย

หากแบรนด์ขายสไตล์หนึ่งได้ 1,000 ชิ้นในปีที่แล้ว แบรนด์อาจสั่งเพิ่มอีก 1,000 ชิ้นในปีนี้

ปัญหาคือยอดขายในอดีตไม่ได้แสดงถึงความต้องการที่แท้จริงของลูกค้าเสมอไป

ลองนึกภาพเสื้อยืดขายได้ 100 ชิ้นต่อสัปดาห์ หลังจากผ่านไปสี่สัปดาห์ ขนาดกลางจะขายหมด ลูกค้ายังคงมองหาสื่อต่อไป แต่แบรนด์ไม่สามารถขายสิ่งที่ไม่มีอีกต่อไปได้

บันทึกการขายอาจแสดงว่าความต้องการลดลงหลังจากสัปดาห์ที่สี่

ในความเป็นจริง ผลิตภัณฑ์ไม่พร้อมใช้งาน

การวิจัยที่ให้มาอธิบายว่าสิ่งนี้เป็นการ ความต้องการ เซ็นเซอร์ เมื่อสินค้าหมดสต็อก ยอดขายที่สังเกตได้อาจลดลงเหลือศูนย์แม้ว่าลูกค้าอาจยังต้องการซื้อก็ตาม การใช้ตัวเลขดิบเหล่านี้โดยตรงอาจทำให้คุณประเมินปริมาณการผลิตในอนาคตต่ำไป

สิ่งนี้ทำให้เกิดวงจรอันตราย:

สินค้ายอดนิยม → ขายหมด → ข้อมูลการขายดูอ่อนแอลง → คำสั่งซื้อถัดไปน้อยเกินไป → สินค้าขายหมดอีกครั้ง

ในขณะเดียวกัน ผลิตภัณฑ์ที่เคลื่อนไหวช้าสามารถยังคงอยู่ในสต็อกและสร้างข้อมูลการขายต่อไปได้

การพยากรณ์ที่ดีจึงเริ่มต้นด้วยการถามว่า:

ลูกค้าต้องการซื้ออะไรจริงๆ เมื่อผลิตภัณฑ์มีจำหน่าย

1. เริ่มต้นด้วยข้อมูลการขายจริง

ขั้นตอนแรกคือการรวบรวมข้อมูลการขายในอดีตสำหรับสไตล์ สี และขนาดที่กำลังคาดการณ์

ข้อมูลที่เป็นประโยชน์อาจรวมถึง:

• ขายหน่วยแล้ว

• ขายวันที่

• มีสินค้าคงคลัง

• ระยะเวลาสต๊อกสินค้า

• การเปลี่ยนแปลงราคา

• โปรโมชั่น

• เปิดตัวผลิตภัณฑ์

• ช่วงฤดูกาล

• ขายตามขนาด

• การขายตามช่องทาง

ยิ่งข้อมูลมีรายละเอียดมากเท่าใด การคาดการณ์ก็จะยิ่งมีประโยชน์มากขึ้นเท่านั้น

แบรนด์ที่มีประวัติการขายหลายปีสามารถระบุรูปแบบที่เกิดซ้ำได้ง่ายกว่าแบรนด์ที่มีข้อมูลเพียงไม่กี่เดือน

อย่างไรก็ตาม ข้อมูลเพิ่มเติมไม่ได้หมายความว่าการคาดการณ์จะดีขึ้นโดยอัตโนมัติ

ข้อมูลจะต้องมีการตีความอย่างถูกต้อง

ลบผลกระทบของ Stockouts

สมมติว่าแบรนด์มีระยะเวลาการขาย 30 วัน

สินค้ามีจำหน่าย 20 วัน ขายได้ 400 ชิ้น

หากแบรนด์คำนวณเพียงอย่างเดียว:

400 ۞ 30 = 13.3 ชิ้นต่อวัน

โดยถือว่าผลิตภัณฑ์สามารถขายได้ในอัตรานั้นตลอดระยะเวลาทั้งหมด

อย่างไรก็ตาม หากผลิตภัณฑ์ไม่พร้อมจำหน่ายเป็นเวลา 10 วัน อัตราการขายที่สังเกตได้ในช่วงเวลาที่มีอยู่จะเป็น:

400 ۞ 20 = 20 ชิ้นต่อวัน

ตัวเลขที่สองอาจเป็นจุดเริ่มต้นที่ดีกว่าในการประมาณความต้องการ

การวิจัยแนะนำให้คำนวณอัตราการขายที่แท้จริงโดยใช้ช่วงเวลาที่ SKU พร้อมจำหน่ายจริง แทนที่จะถือว่าช่วงที่สินค้าหมดสต็อกเป็นความต้องการเป็นศูนย์

กระบวนการนี้มักเรียกว่า การไม่จำกัดความต้องการ.

แนวคิดพื้นฐานนั้นตรงไปตรงมา:

หากลูกค้าไม่สามารถซื้อสินค้าได้ วันเหล่านั้นก็ไม่ควรตีความโดยอัตโนมัติว่าเป็นวันที่ลูกค้าไม่ต้องการ

2. สร้างการคาดการณ์ความต้องการพื้นฐาน

เมื่อกวาดล้างยอดขายในอดีตแล้ว แบรนด์จำเป็นต้องมีการคาดการณ์พื้นฐาน

ข้อมูลพื้นฐานคือการประมาณความต้องการตามปกติก่อนที่จะเพิ่มกิจกรรมพิเศษ เช่น โปรโมชั่นหลักๆ หรือการเพิ่มขึ้นอย่างรวดเร็วผิดปกติ

ผลิตภัณฑ์ที่แตกต่างกันอาจต้องใช้วิธีการพยากรณ์ที่แตกต่างกัน

ผลิตภัณฑ์หลักที่มั่นคง

สำหรับผลิตภัณฑ์พื้นฐานที่มีความต้องการค่อนข้างคงที่ ค่าเฉลี่ยเคลื่อนที่สามารถเป็นจุดเริ่มต้นที่มีประโยชน์ได้

ตัวอย่างเช่น เสื้อยืดสีดำธรรมดาที่ขายได้สม่ำเสมอตลอดทั้งปีอาจไม่ต้องใช้ระบบการคาดการณ์ที่ซับซ้อน

แบรนด์สามารถตรวจสอบยอดขายล่าสุดและสร้างค่าเฉลี่ยตัวแทนได้

ผลิตภัณฑ์ที่มีแนวโน้มชัดเจน

หากยอดขายเพิ่มขึ้นหรือลดลงอย่างต่อเนื่อง การคาดการณ์ควรคำนึงถึงแนวโน้มนั้นด้วย

ตัวอย่างเช่น หากรูปแบบชุดชั้นในหลักเติบโตขึ้นอย่างต่อเนื่องในหลายฤดูกาล การใช้ค่าเฉลี่ยแบบเดิมอาจดูถูกดูแคลนความต้องการในอนาคต

โมเดลแนวโน้มเชิงเส้นอาจมีประโยชน์สำหรับสถานการณ์ประเภทนี้

สินค้าตามฤดูกาล

สินค้าบางชนิดเป็นไปตามรูปแบบตามฤดูกาลที่คาดเดาได้

ชุดว่ายน้ำ ชุดชั้นในฤดูหนาว เสื้อผ้าระบายความร้อน และผลิตภัณฑ์ตามฤดูกาลอื่นๆ อาจมีรูปแบบการขายที่แตกต่างกันมากตลอดทั้งปี

การคาดการณ์จึงต้องแยกแยะระหว่าง:

การเติบโตหรือลดลงตามปกติ

และ

ความต้องการตามฤดูกาลที่เกิดซ้ำ

งานวิจัยระบุว่าการปรับให้เรียบแบบเอ็กซ์โพเนนเชียลและแบบจำลอง ETS เป็นแนวทางการพยากรณ์ที่มีประโยชน์ เนื่องจากสามารถอธิบายข้อผิดพลาด แนวโน้ม และฤดูกาลได้

สำหรับแบรนด์ขนาดเล็กส่วนใหญ่ การทำความเข้าใจหลักการมีความสำคัญมากกว่าการเลือกอัลกอริธึมการคาดการณ์ที่ซับซ้อน

3. แยกความต้องการปกติออกจากการขายส่งเสริมการขาย

การขายครั้งใหญ่สามารถทำให้ผลิตภัณฑ์ดูเป็นที่นิยมมากกว่าปกติได้

ลองนึกภาพแบรนด์หนึ่งมักจะขายสไตล์ได้ 100 ชิ้นต่อสัปดาห์

ในช่วงแคมเปญส่วนลด 30% ขายได้ 250 ชิ้น

การใช้ 250 เป็นสิ่งปกติใหม่จะทำให้มีการคาดการณ์การผลิตเชิงรุกมาก

ปัญหาเดียวกันนี้อาจเกิดขึ้นได้กับ:

• ขายแฟลช

• แคมเปญผู้มีอิทธิพล

• แคมเปญโฆษณาที่สำคัญ

• โปรโมชั่นวันหยุด

• เปิดตัวผลิตภัณฑ์ใหม่

• ลดราคาชั่วคราว

การวิจัยแนะนำให้แยกการเพิ่มโปรโมชันออกจากความต้องการพื้นฐานที่เกี่ยวข้อง แล้วเพิ่มเอฟเฟกต์โปรโมชันที่วางแผนไว้กลับเข้าไปในการคาดการณ์ในอนาคตเมื่อเหมาะสม

ตัวอย่างเช่น:

ความต้องการปกติ: 100 หน่วย/สัปดาห์
การเพิ่มโปรโมชันที่คาดหวัง: +40%
การคาดการณ์ในช่วงโปรโมชัน: ประมาณ 140 หน่วย/สัปดาห์

การเพิ่มขึ้นที่แน่นอนควรมาจากข้อมูลประวัติของแบรนด์ทุกครั้งที่เป็นไปได้

4. พิจารณาฤดูกาล

ความต้องการเสื้อผ้ามีความเชื่อมโยงอย่างมากกับช่วงเวลาของปี

ความต้องการของลูกค้าสามารถเปลี่ยนแปลงได้เนื่องจาก:

• อุณหภูมิ

• ภูมิอากาศ

• วันหยุด

• ช่วงเปิดเทอม

• ฤดูท่องเที่ยว

• ปฏิทินส่งเสริมการขาย

• ฤดูกาลแฟชั่น

แบรนด์จึงควรเปรียบเทียบช่วงเวลาที่คล้ายกันเมื่อสร้างการคาดการณ์

ตัวอย่างเช่น การใช้ยอดขายในเดือนธันวาคมเพื่อคาดการณ์ความต้องการผลิตภัณฑ์ตามฤดูกาลในเดือนกรกฎาคมอาจทำให้เกิดผลลัพธ์ที่ทำให้เข้าใจผิดได้

แบรนด์ควรถาม:

ผลิตภัณฑ์นี้หรือผลิตภัณฑ์ที่คล้ายคลึงกันขายอะไรในช่วงฤดูกาลเดียวกันของปีก่อนๆ

ฤดูกาลมีความสำคัญอย่างยิ่งเมื่อระยะเวลารอคอยในการผลิตยาวนาน

หากโรงงานต้องใช้เวลาหลายเดือนในการผลิตและจัดส่งตามคำสั่งซื้อที่กำหนดเอง แบรนด์จะต้องคาดการณ์ความต้องการให้ดีก่อนที่ฤดูกาลขายจริงจะเริ่มต้นขึ้น

5. ผลิตภัณฑ์ใหม่จำเป็นต้องมีแนวทางที่แตกต่าง

ลักษณะใหม่สร้างปัญหาการคาดการณ์เนื่องจากไม่มีประวัติการขายตรง

แบรนด์ไม่สามารถคำนวณยอดขายในปีที่แล้วสำหรับผลิตภัณฑ์ที่ไม่มีอยู่ในปีที่แล้ว

การวิจัยแนะนำให้ใช้ การจัดกลุ่มตามคุณลักษณะและการแมปรายการที่คล้ายกัน สำหรับผลิตภัณฑ์ใหม่ แทนที่จะคาดเดาตัวเลขจากสิ่งใดเลย นักวางแผนสามารถเปรียบเทียบผลิตภัณฑ์ใหม่กับผลิตภัณฑ์ที่มีอยู่ซึ่งมีลักษณะสำคัญร่วมกันได้

คุณลักษณะที่เกี่ยวข้องอาจรวมถึง:

• หมวดหมู่สินค้า

• ภาพเงา

• โครงสร้างผ้า

• น้ำหนักผ้า

• ราคา

• ระยะขอบเป้าหมาย

• สี

• ความซับซ้อนของรูปแบบ

ตัวอย่างเช่น สมมติว่าแบรนด์หนึ่งกำลังเปิดตัวเสื้อฮู้ด French Terry ขนาด 280 GSM ใหม่

สามารถดูเสื้อฮู้ดรุ่นก่อนๆ ที่คล้ายกัน:

• น้ำหนักผ้า

• การก่อสร้าง

• ราคา

• ลูกค้าเป้าหมาย

• พอดี

• การวางตำแหน่งสี

ผลิตภัณฑ์เหล่านั้นสามารถเป็นจุดเริ่มต้นที่มีประโยชน์มากกว่าการเลือกปริมาณที่ต้องการ

การพยากรณ์ผลิตภัณฑ์ใหม่ควรระมัดระวัง

ผลิตภัณฑ์ใหม่มีความไม่แน่นอนมากกว่าผลิตภัณฑ์ที่มีอยู่เดิม

แบรนด์จึงสามารถพิจารณา:

• การผลิตเริ่มแรกมีขนาดเล็กลง

• สั่งซื้อล่วงหน้า

• ความสนใจของลูกค้าตั้งแต่เนิ่นๆ

• ประสิทธิภาพที่ผ่านมาของผลิตภัณฑ์ที่คล้ายคลึงกัน

• การเติมเต็มที่ยืดหยุ่น

• รอบการผลิตสั้นลงหากมี

วิธีนี้สามารถลดความเสี่ยงในการดำเนินการสินค้าคงคลังมากเกินไปก่อนที่ความต้องการที่แท้จริงจะชัดเจน

6. รวมระยะเวลารอคอยการผลิตทั้งหมด

การคาดการณ์ความต้องการเป็นเพียงครึ่งหนึ่งของปัญหา

แบรนด์ยังต้องทราบด้วยว่า จะต้องใช้เวลานานเท่าใดในการเปลี่ยนสินค้าคงคลัง.

สมมติว่าแบรนด์คาดว่าจะขายได้ 500 ชิ้นต่อเดือน

หากการเติมสินค้าใช้เวลาสองสัปดาห์ แบรนด์จะมีปัญหาสินค้าคงคลังหนึ่งรายการ

หากการเติมใช้เวลาสี่เดือน แบรนด์จะมีปัญหาที่แตกต่างออกไปมาก

การวิจัยเน้นย้ำว่าเวลาในการผลิตของโรงงานไม่ควรถือเป็นระยะเวลารอคอยสินค้าของห่วงโซ่อุปทานทั้งหมด ระยะเวลารอคอยสินค้าทั้งหมดอาจรวมถึงการจัดซื้อวัสดุ การสุ่มตัวอย่างและการอนุมัติ การผลิตจำนวนมาก การขนส่ง ศุลกากร และการประมวลผลขาเข้า

ห่วงโซ่อุปทานเครื่องแต่งกายที่เรียบง่ายมีลักษณะดังนี้:

การจัดซื้อวัสดุ

↓

การสุ่มตัวอย่างและการอนุมัติ

↓

การผลิตจำนวนมาก

↓

การขนส่ง

↓

ศุลกากรและการประมวลผลขาเข้า

↓

ความพร้อมของคลังสินค้า

แบรนด์ควรคาดการณ์ความต้องการสินค้าคงคลังตลอดระยะเวลานี้

นี่เป็นสิ่งสำคัญอย่างยิ่งสำหรับผ้าที่สั่งทำพิเศษและสีที่สั่งทำพิเศษ ซึ่งการเตรียมวัสดุสามารถเพิ่มเวลาที่สำคัญได้

7. เพิ่มสต็อกความปลอดภัย

การคาดการณ์ยังคงเป็นการประมาณการ

ความต้องการที่แท้จริงอาจสูงกว่าที่คาดไว้

การผลิตอาจใช้เวลานานกว่าที่วางแผนไว้

สต็อกสินค้าเพื่อความปลอดภัยจะทำหน้าที่เป็นเกราะป้องกันความไม่แน่นอนเหล่านี้

การวิจัยระบุแหล่งที่มาของความเสี่ยงหลักสองแหล่ง:

• ความแปรปรวนของอุปสงค์

• ความแปรปรวนของเวลานำ

ตัวอย่างเช่น สมมติว่าแบรนด์คาดว่าจะขายได้ 1,000 ชิ้นในช่วงเวลาที่ใช้ในการเติมสินค้าคงคลัง

หากความต้องการเพิ่มขึ้นกะทันหันหรือการผลิตล่าช้า 1,000 ชิ้นอาจไม่เพียงพอ

สต็อกความปลอดภัยให้ความคุ้มครองเพิ่มเติม

หลีกเลี่ยงการใช้บัฟเฟอร์เดียวกันสำหรับทุกผลิตภัณฑ์

กฎง่ายๆ เช่น 'ผลิตเพิ่ม 10% เสมอ' อาจดูสะดวก

อย่างไรก็ตาม ผลิตภัณฑ์ที่แตกต่างกันก็มีระดับความเสี่ยงที่แตกต่างกัน

เสื้อยืดสีดำที่มั่นคงซึ่งมีความต้องการที่คาดการณ์ได้ตลอดทั้งปีอาจต้องการบัฟเฟอร์ที่แตกต่างจากสไตล์แฟชั่นตามฤดูกาลซึ่งยอดขายคาดเดาไม่ได้อย่างมาก

การวิจัยแนะนำให้ใช้กลยุทธ์การคาดการณ์และสต็อกสินค้าที่ปลอดภัยที่แตกต่างกันตาม ความสำคัญของรายได้และความสามารถในการคาดการณ์ความต้องการ โดยใช้การจำแนกประเภท ABC-XYZ

แนวคิดพื้นฐานมีประโยชน์แม้ว่าจะไม่ได้ทำการวิเคราะห์ทางสถิติทั้งหมด:

ผลิตภัณฑ์ที่มีมูลค่าสูงและคาดการณ์ได้: ปกป้องความพร้อมจำหน่ายอย่างระมัดระวัง

ผลิตภัณฑ์ที่มีมูลค่าสูงและคาดเดาไม่ได้: ติดตามความต้องการอย่างใกล้ชิดและปรับเปลี่ยนอย่างรวดเร็ว

สินค้ามูลค่าต่ำและคาดเดาไม่ได้: หลีกเลี่ยงการผูกสินค้าคงคลังมากเกินไป

ช่วยให้แบรนด์ต่างๆ ลงทุนด้านสินค้าคงคลังในส่วนที่สำคัญที่สุดได้

8. คำนวณจุดสั่งซื้อใหม่

เมื่อแบรนด์รู้ความต้องการและสต็อกด้านความปลอดภัยที่คาดหวังแล้ว แบรนด์ก็สามารถกำหนดได้ว่าควรสั่งผลิตอื่นเมื่อใด

นี่คือ จุดสั่งซื้อใหม่ (ROP).

ตามแนวคิด:

จุดสั่งซื้อใหม่ = ความต้องการที่คาดหวังในช่วงเวลารอคอยสินค้า + สต็อกที่ปลอดภัย

ตัวอย่างเช่น หากแบรนด์คาดว่าจะขายได้ 1,500 หน่วยในช่วงเวลารอการเติมสินค้า และต้องการอีก 300 หน่วยเป็นบัฟเฟอร์ด้านความปลอดภัย:

ROP = 1,800 หน่วย

เมื่อตำแหน่งสินค้าคงคลังที่พร้อมใช้งานถึงระดับนั้น แบรนด์ควรพิจารณาเริ่มใบสั่งการเติมสินค้าครั้งถัดไป

การวิจัยอธิบายถึงจุดสั่งซื้อใหม่เป็นเกณฑ์สินค้าคงคลังที่กระตุ้นให้เกิดใบสั่งซื้อใหม่ ตามความต้องการที่คาดหวังตลอดระยะเวลารอคอยสินค้าทั้งหมดบวกกับสินค้าคงคลังที่ปลอดภัย

จุดสำคัญคือเวลา

แบรนด์ไม่ควรรอจนกว่าสินค้าคงคลังจะถึงศูนย์ก่อนที่จะติดต่อผู้ผลิต หากผู้ผลิตต้องใช้เวลาหลายสัปดาห์หรือหลายเดือนในการเติมผลิตภัณฑ์

9. พยากรณ์การแบ่งขนาด

การที่รู้ว่าแบรนด์หนึ่งต้องการ 5,000 ชิ้นไม่ได้บอกโรงงานว่าจะผลิตแต่ละขนาดได้กี่ชิ้น

ใบสั่งผลิตอาจต้องเป็น:

XS: 350
S: 900
M: 1,900
ลิตร: 1,300
XL: 550

อัตราส่วนที่แน่นอนขึ้นอยู่กับฐานลูกค้าของแบรนด์และยอดขายในอดีต

สิ่งนี้เรียกว่า เส้นโค้งขนาด.

การวิจัยเน้นย้ำถึงปัญหาสำคัญที่นี่: อัตราส่วนยอดขายดิบอาจบิดเบือนได้เมื่อขนาดยอดนิยมขายหมดเร็ว

สมมติว่าสื่อขายหมดอย่างต่อเนื่อง

ยอดขายในอดีตอาจแสดงถึงจำนวนหน่วยขนาดกลางที่แบรนด์จัดการขายได้ มากกว่าจำนวนที่ลูกค้าต้องการ

แบรนด์จึงควรวิเคราะห์ความต้องการตามขนาดในช่วงเวลาที่แต่ละขนาดมีจำหน่ายจริง

สิ่งนี้สำคัญอย่างยิ่งสำหรับชุดชั้นในเพราะขนาดมีความสัมพันธ์อย่างใกล้ชิดกับความพอดี ความสะดวกสบาย และความพึงพอใจของลูกค้า

การคาดการณ์การผลิตจึงควรตอบคำถามสองข้อแยกกัน:

เราควรทำทั้งหมดกี่ชิ้น?

และ

ชิ้นส่วนเหล่านั้นควรกระจายไปตามขนาดต่างๆ อย่างไร

10. ตรวจสอบปริมาณการผลิตเทียบกับงบประมาณ

การคาดการณ์ความต้องการสามารถสร้างความต้องการการผลิตที่มีขนาดใหญ่มากได้

แบรนด์ยังคงต้องพิจารณาว่าจะสามารถผลิตและถือครองสินค้าคงคลังได้หรือไม่

นี่คือจุดที่การวางแผนทางการเงินเข้าสู่กระบวนการ

การวิจัยอธิบายว่า Open-to-Buy (OTB) เป็นข้อจำกัดทางการเงินที่ช่วยปรับการคาดการณ์ SKU จากล่างขึ้นบนให้สอดคล้องกับจำนวนการใช้จ่ายสินค้าคงคลังที่ธุรกิจสามารถรองรับได้

สำหรับแบรนด์เสื้อผ้าขนาดเล็ก แนวคิดสามารถทำให้ง่ายขึ้น:

คาดการณ์สินค้าคงคลังที่คุณต้องการ จากนั้นตรวจสอบว่าเงินสดที่มีอยู่และงบประมาณสินค้าคงคลังสามารถรองรับได้หรือไม่

หากการคาดการณ์แนะนำให้สั่งซื้อ 20,000 ชิ้น แต่ธุรกิจสามารถจัดหาได้อย่างปลอดภัยเพียง 12,000 ชิ้น แบรนด์จำเป็นต้องจัดลำดับความสำคัญ

อาจเลือกที่จะ:

• ปกป้องผลิตภัณฑ์หลัก

• ลดสไตล์ที่เคลื่อนไหวช้า

• ลดความลึกของสี

• เปิดตัว SKU น้อยลง

• ใช้คำสั่งซื้อเริ่มต้นที่น้อยลง

• ชะลอผลิตภัณฑ์ที่มีลำดับความสำคัญต่ำกว่า

• วางแผนดำเนินการผลิตอื่นในภายหลัง

นี่คือจุดที่การคาดการณ์กลายเป็นการตัดสินใจทางธุรกิจแทนที่จะเป็นแบบฝึกหัดทางคณิตศาสตร์ล้วนๆ

11. เปลี่ยนการคาดการณ์ให้เป็นใบสั่งผลิต

หลังจากตรวจสอบความต้องการ ฤดูกาล ระยะเวลาในการผลิต สต็อกด้านความปลอดภัย เส้นโค้งขนาด และงบประมาณแล้ว แบรนด์จะสามารถกำหนดความต้องการในการผลิตได้

ขั้นตอนการทำงานที่เรียบง่ายคือ:

การขายในอดีต

↓

ลบความผิดเพี้ยนของสต็อกเอาท์

↓

สร้างความต้องการพื้นฐาน

↓

ปรับตามฤดูกาลและโปรโมชันที่วางแผนไว้

↓

พิจารณาระยะเวลาในการผลิตและการจัดส่ง

↓

เพิ่มสต็อกความปลอดภัยที่เหมาะสม

↓

กำหนดจุดสั่งซื้อใหม่

↓

ใช้เส้นโค้งขนาด

↓

ตรวจสอบงบประมาณสินค้าคงคลัง

↓

ออกใบสั่งผลิต

การวิจัยสรุปโปรโตคอลการวางแผนเจ็ดขั้นตอนที่คล้ายกัน โดยเริ่มจากความต้องการในอดีตที่ไม่มีข้อจำกัด และสิ้นสุดด้วยใบสั่งซื้อที่ล็อคไว้ซึ่งออกให้กับผู้ผลิต

สิ่งนี้หมายความว่าอย่างไรสำหรับผู้ผลิตเสื้อผ้า OEM

จากมุมมองของผู้ผลิต การคาดการณ์การผลิตที่ดีจะต้องกลายเป็นคำสั่งซื้อที่ชัดเจนในที่สุด

โรงงานอาจได้รับ:

• สไตล์

• สี

• ปริมาณรวม

• รายละเอียดขนาด

• ข้อกำหนดวัสดุ

• ข้อกำหนดด้านบรรจุภัณฑ์

• วันที่จัดส่ง

• ข้อกำหนดในการจัดส่ง

• ข้อกำหนดด้านคุณภาพ

คุณภาพของข้อมูลนี้ส่งผลต่อการวางแผนการผลิต

ตัวอย่างเช่น ผู้ผลิตอาจสามารถผลิตสินค้าได้ 10,000 ชิ้นต่อหนึ่งสไตล์ แต่กำหนดการผลิตยังคงขึ้นอยู่กับขนาดและรายละเอียดสีเฉพาะ ความพร้อมของผ้า การตัดแต่ง กำหนดเส้นตายในการจัดส่ง และข้อกำหนดอื่นๆ

นี่คือสาเหตุที่การคาดการณ์และการผลิตมีความเชื่อมโยงกันอย่างใกล้ชิด

การวางแผนอุปสงค์ของแบรนด์เป็นตัวกำหนดว่าแบรนด์ ต้องการขายเท่าใดและเมื่อใด.

การวางแผนการผลิตของผู้ผลิตจะกำหนด วิธีเปลี่ยนข้อกำหนดดังกล่าวให้เป็นชุดกายภาพ.

จะเกิดอะไรขึ้นเมื่อการคาดการณ์ผิดพลาด?

ไม่มีการคาดการณ์ที่สมบูรณ์แบบ

จุดประสงค์ของการพยากรณ์คือเพื่อให้ตัดสินใจได้ดีขึ้นภายใต้ความไม่แน่นอน

หากความต้องการที่แท้จริงสูงกว่าที่คาดไว้ แบรนด์อาจประสบกับ:

• สต๊อกสินค้า

• ขายขาดทุน

• การผลิตฉุกเฉิน

• จัดส่งด่วน

• ความไม่พอใจของลูกค้า

หากความต้องการต่ำกว่าที่คาดไว้ แบรนด์อาจเผชิญกับ:

• สินค้าคงคลังส่วนเกิน

• ส่วนลด

• การสูญเสียมาร์กดาวน์

• ต้นทุนคลังสินค้า

• เงินสดเชื่อมโยงกับผลิตภัณฑ์ที่ขายไม่ออก

ระบบพยากรณ์ที่ดีที่สุดจึงติดตามยอดขายจริงอย่างต่อเนื่อง

การคาดการณ์ควรเปลี่ยนแปลงเมื่อมีข้อมูลใหม่

ตัวอย่างเช่น:

การคาดการณ์เบื้องต้น → ยอดขายจริง → ประมาณการความต้องการที่อัปเดต → แผนการผลิตที่แก้ไข

สิ่งนี้มีประโยชน์อย่างยิ่งสำหรับผลิตภัณฑ์แฟชั่นที่มีวงจรชีวิตสั้น

ตัวอย่างง่ายๆ ของการพยากรณ์การผลิต

ลองนึกภาพแบรนด์ชุดชั้นในมีสไตล์หลักที่ขายได้ตลอดทั้งปี

ข้อมูลในอดีตแสดงให้เห็นว่าหลังจากพิจารณาสต็อกสินค้าแล้ว โดยปกติแล้วสินค้าจะขายได้ประมาณ 800 ชิ้นต่อเดือน.

แบรนด์คาดว่าจะเพิ่มขึ้นตามฤดูกาลประมาณ 20%

นั่นให้ความต้องการที่คาดการณ์ไว้ประมาณ:

800 × 1.20 = 960 ชิ้นต่อเดือน

กระบวนการของผู้ผลิตและลอจิสติกส์ต้องใช้เวลาสามเดือนนับจากการสั่งซื้อไปจนถึงความพร้อมของสินค้าคงคลัง

แบรนด์จึงต้องวางแผนประมาณ:

960 × 3 = 2,880 ชิ้น

จากนั้นจะเพิ่มบัฟเฟอร์ความปลอดภัยที่เหมาะสมตามความต้องการและความเสี่ยงด้านอุปทาน

สมมติว่าแบรนด์ตัดสินใจว่าอีก 320 ชิ้นมีบัฟเฟอร์การวางแผนที่เหมาะสม

ความต้องการสินค้าคงคลังจะอยู่ที่ประมาณ:

2,880 + 320 = 3,200 ชิ้น

ขั้นตอนสุดท้ายคือการแบ่งชิ้นส่วนเหล่านั้นตามเส้นโค้งขนาดที่คาดหวัง

นี่เป็นตัวอย่างที่เรียบง่ายแทนที่จะเป็นสูตรสากล การคาดการณ์จริงควรพิจารณาถึงการเปลี่ยนแปลงของราคา โปรโมชัน ความพร้อมของสินค้าคงคลัง ฤดูกาล ความแปรปรวนของระยะเวลารอคอยสินค้า และวงจรชีวิตของผลิตภัณฑ์

จุดสำคัญคือลำดับ:

ความต้องการ → ระยะเวลาการขาย → เวลานำ → บัฟเฟอร์ความเสี่ยง → การกระจายขนาด → ปริมาณการผลิต

แบรนด์เสื้อผ้าสามารถปรับปรุงการคาดการณ์ได้อย่างไร

แบรนด์ไม่จำเป็นต้องมีระบบคาดการณ์ AI ขั้นสูงเพื่อปรับปรุงการวางแผนการผลิต

มันสามารถเริ่มต้นด้วยวินัยข้อมูลที่ดีขึ้น

ติดตามสต๊อกสินค้า

บันทึกเมื่อแต่ละสไตล์และขนาดไม่พร้อมใช้งาน

มิฉะนั้น ยอดขายต่ำอาจถูกเข้าใจผิดว่าเป็นความต้องการต่ำ

โปรโมชั่นแยก

บันทึกส่วนลดและแคมเปญหลักๆ เพื่อไม่ให้ยอดขายที่เพิ่มขึ้นผิดปกติกลายเป็นบรรทัดฐานใหม่โดยอัตโนมัติ

ติดตามยอดขายตามขนาด

จำนวนยอดขายรวมในระดับสไตล์สามารถซ่อนความแตกต่างที่สำคัญระหว่างขนาดได้

ติดตามระยะเวลารอคอย

บันทึกระยะเวลาที่คำสั่งซื้อจริงใช้เวลาตั้งแต่ใบสั่งซื้อจนถึงใบเสร็จรับเงินของคลังสินค้า

เปรียบเทียบการคาดการณ์กับความเป็นจริง

หลังจากแต่ละช่วงการขาย ให้เปรียบเทียบความต้องการที่คาดการณ์ไว้กับผลลัพธ์จริง

ตรวจสอบผลิตภัณฑ์ใหม่แยกกัน

ใช้ผลิตภัณฑ์และคุณลักษณะที่คล้ายกันเป็นข้อมูลอ้างอิง แทนที่จะแกล้งทำเป็นว่าผลิตภัณฑ์ใหม่มีข้อมูลในอดีต

อัปเดตเป็นประจำ

การคาดการณ์ควรเปลี่ยนแปลงเมื่อข้อมูลใหม่เปลี่ยนแปลงความต้องการที่คาดหวัง

แบรนด์ควรให้อะไรแก่ผู้ผลิต OEM ของตน?

เมื่อกำหนดปริมาณการผลิตแล้ว ผู้ผลิตจะต้องมีคำสั่งซื้อที่ชัดเจน

สำหรับโครงการออกแบบเสื้อผ้าตามสั่ง ข้อมูลที่เป็นประโยชน์ได้แก่:

• หมายเลขสไตล์

• สีสัน

• ปริมาณรวม

• รายละเอียดขนาด

• ข้อกำหนดผ้า

• ข้อกำหนดการตัดแต่ง

• ข้อกำหนดด้านบรรจุภัณฑ์

• มาตรฐานคุณภาพ

• วันที่ส่งมอบเป้าหมาย

• ปลายทางจัดส่ง

การสั่งผลิตที่ชัดเจนช่วยลดโอกาสเกิดความเข้าใจผิดระหว่างแบรนด์กับโรงงาน

นอกจากนี้ยังช่วยให้ผู้ผลิตสามารถวางแผนผ้า การตัด ความสามารถในการตัดเย็บ และทรัพยากรการผลิตอื่นๆ ได้อย่างมีประสิทธิภาพมากขึ้น

สำหรับความสัมพันธ์แบบ OEM ระยะยาว ข้อมูลการผลิตในอดีตอาจมีประโยชน์เช่นกัน

เวลาในการผลิตจริง ปริมาณการใช้วัสดุ ปัญหาด้านคุณภาพ และปริมาณการสั่งซื้อ ล้วนสามารถช่วยปรับปรุงการวางแผนในอนาคตได้

การพยากรณ์เป็นเรื่องเกี่ยวกับการจัดการความไม่แน่นอน

ไม่มีหมายเลขเดียวที่สามารถรับประกันปริมาณการผลิตที่ถูกต้องได้

การคาดการณ์ที่ชัดเจนจะรวมข้อมูลหลายส่วนเข้าด้วยกัน

ยอดขายในอดีต จะบอกแบรนด์ว่าเกิดอะไรขึ้น

การวิเคราะห์สต๊อกสินค้า ช่วยเปิดเผยความต้องการที่ข้อมูลการขายอาจพลาดไป

ฤดูกาลและโปรโมชัน อธิบายถึงการเปลี่ยนแปลงที่ผิดปกติ

ระยะเวลารอคอย สินค้าจะกำหนดว่าต้องวางแผนสินค้าคงคลังล่วงหน้ามากน้อยเพียงใด

สต็อกความปลอดภัย ป้องกันความไม่แน่นอน

เส้นโค้งขนาด เปลี่ยนความต้องการทั้งหมดเป็นการแจกแจงการผลิตเชิงปฏิบัติ

การจำกัดงบประมาณ ทำให้แผนสินค้าคงคลังมีความสมจริงทางการเงิน

ปัจจัยเหล่านี้ร่วมกันสร้างพื้นฐานที่แข็งแกร่งมากขึ้นในการตัดสินใจเลือกจำนวนเสื้อผ้าที่จะผลิต

สำหรับแบรนด์เสื้อผ้า การเปลี่ยนแปลงที่มีประโยชน์ที่สุดมักจะย้ายจาก:

'ครั้งที่แล้วเราขายไปเยอะขนาดนี้ งั้นสั่งจำนวนเท่าเดิมดีกว่า'

ถึง:

'ลูกค้าต้องการจริงๆ จำนวนเท่าใด ความต้องการนั้นจะเปลี่ยนแปลงไปอย่างไร และเราต้องใช้สินค้าคงคลังจำนวนเท่าใดเพื่อให้ครอบคลุมเวลาจนกว่าเราจะเติมสินค้าได้'

คำถามนั้นนำไปสู่การตัดสินใจด้านการผลิตที่ดีขึ้น

และสำหรับผู้ผลิต OEM จะสร้างความเชื่อมโยงที่ชัดเจนยิ่งขึ้นระหว่าง ความต้องการของลูกค้าและแผนการผลิตทางกายภาพ.

การวางแผนการผลิตที่ดีเริ่มต้นก่อนคำสั่งซื้อ ยิ่งการคาดการณ์ความต้องการดีขึ้นเท่าใด โอกาสที่ผลิตภัณฑ์ ขนาด และปริมาณที่เหมาะสมจะพร้อมจำหน่ายเมื่อลูกค้าต้องการก็ยิ่งมากขึ้นเท่านั้น