Hur påverkar komponenternas efterfrågestrukturer prognos- prognos-modellernas avvikelser?

I följande avsnitt återfinns analyser som berör studiens andra forskningsfråga.

Inledningsvis analyseras studiens kategorisering av komponenterna, efterföljt av grupp-visa presentationer och analyser av resultatet. För varje grupp diskuteras deras efter-frågestruktur samt båda prognosmodellernas utfall.

6.3.1 Kategorisering

Prognoser är en stor del i ett företags planeringsarbete (Quintana & Leung, 2007;

Chhaochhria & Graves, 2013) där Jonsson och Mattsson (2013) menar att efterfråge-prognoser har en stödjande funktion för både operativa och taktiska beslut. Ett välkänt problem är dock att prognoser ytterst sällan stämmer överens med det verkliga utfallet (Nahmias, 2013) och med det som bas blir valet av prognosmodell en vital del i företags arbete. Björnland et al. (2003) poängterar att enkelhet är att föredra gällande prognosarbete då merkostnader för mer avancerade prognosmodeller sällan ger en påtaglig avkastning. Med detta sagt är det inte givet att företag ska använda samma prognosmodell för alla deras produkter. Quintana och Leung (2007) samt Chhaochhria och Graves (2013) menar att företag bör kategorisera sina artiklar utifrån de kriterier som passar in på deras egna produkter för att hitta den bäst lämpade prognosmodellen för de olika produkterna. Detta i ett led för att underlätta företagets planeringsarbete.

Författarna har under insamlingen av teori grundligt sökt efter teoretiskt förankrade modeller gällande kategorisering av produkter baserat efterfrågestrukturer. Det som framkommit är tre modeller; Wilson’s kategoriseringsmatris, Eaves kategoriserings-matris samt ABC-XYZ klassificering. Samtliga modeller syftar till att dela in företags produkter efter variationer i efterfrågestrukturer, såsom efterfrågad kvantitet och efterfrågefrekvens. Dock skiljer sig de olika modellerna på några punkter. Parametrarna i Wilson’s matris är variationen i efterfrågefrekvensen samt i ledtiden det tar för ett företag att få hem produkten (Syntetos et al., 2005; Eaves & Kingsman, 2004). Eaves matris utgår från samma parametrar men tar även hänsyn till variationen i efterfrågefrekvens (Eaves & Kingsman, 2004). Fördelar med båda matriserna är att då ledtiden tas i beaktande kan företag se vilken tidshorisont prognosen ska ha. Beroende på om produkten har en lång eller kort hemtagningstid kan prognoserna anpassas så att

de täcker ledtiden. Efterfrågefrekvensen är även den fördelaktig att inkludera då företaget får en bild över hur ofta produkten efterfrågas.

Dock hävdar Eaves och Kingsman (2004) att Wilsons matris i för stor utsträckning fokuserar på artiklar med varierat efterfrågemönster vilket gör att artiklar med jämn efterfråga bortses ifrån. Då det är relevant och utav stor vikt att, förutom att jämföra grupper med annorlunda efterfrågestrukturer, även undersöka hur olika prognos-modeller presterar för grupper med jämn efterfråga är det svårt att motivera en kategorisering där den senare gruppen utesluts.

Eaves kategoriseringsmatris utgår ifrån Wilson’s men är modifierad för att förhindra ovan nämnda problem och är därmed mer motiverad att använda. Orsaken till att Eaves matris inte användes fullt ut vid kategoriseringen av Getinges komponenter var parametern variationen i ledtiden för påfyllnad. Parametern ingår även i Wilsons kategoriseringsmatris. Getinge har data över ledtiden för deras komponenter att nå företagets enhet i Växjö efter lagd beställning. De har dock ingen statistik på i vilken omfattning ledtiden verkligen efterlevs. Om uppgifter gällande avvikelser från ledtider funnits är Eaves kategoriseringsmatris ett verktyg som i större utsträckning haft möjlighet att tillämpats i studien.

Den tredje kategoriseringen som studien övervägde var en så kallad ABC-XYZ klassificering där produkterna kategoriseras efter individuell påverkan på företagets totala omsättning (ABC) samt efterfrågevariationen (XYZ). En ABC-analys kan ses som ett värderingsverktyg där produkter analyseras och kategoriseras utifrån de intäkter som de medför (Scholz-Reiter et al., 2012; Mattsson, n d⁶). För företag är det självklart bra att skapa sig en bild över vilka produkter som generar högst kassatillflöde, men ur en prognossynvinkel bidrar inte värdet av intäkterna något direkt värde. Det som kan reflekteras över är “high end”-produkterna (motsvarande AX) och i större utsträckning fokusera på deras prognoser i syfte att erhålla en hög tillgänglighet. Å andra sidan finns det andra verktyg för att säkerställa produkternas tillgänglighet, exempelvis med hjälp av ett högre säkerhetslager för aktuella produkter som dock medför högre kapital-bindning.

XYZ-analysen beräknas genom ett så kallat variationsindex där standardavvikelsen på efterfrågan divideras med medelefterfrågan för en given tidsperiod och är ett mått över stabiliteten i efterfrågan. (Scholz-Reiter et al., 2012: Mattsson, n d⁶) Mattsson (n d⁶) menar vidare att kategorisering efter en XYZ är användbart vid prognosarbete. Då uppsatsen andra frågeställning syftar till att undersöka hur Getinges komponenter efterfrågestruktur påverkar antal avvikelser mellan olika prognosmodeller och verklig efterfråga gjordes valet att kategorisering företagets komponenter efter en modifierad XYZ-analys. Variationsindexet togs fram på samma sätt som Scholz-Reiter et al. (2005) och Mattsson (n d⁶) påvisar. Genom att ha variationsindex som vattendelare delades komponenterna in i fyra grupper snarare än de tre grupper som Scholz-Reiter et al.

(2005) och Mattsson (n d⁶) förordar när de presenterar XYZ-analysen. Valet av fyra grupper grundar sig i en ökad möjlighet att jämföra prognosmodellernas utfall för gruppen med lägst variationsindex respektive den grupp med högst variationsindex.

Genom en indelning i fyra grupper minskar gapet på värdet mellan högsta och lägsta variationsindexet inom respektive grupp vilket skapar en ökad möjlighet att distanserar komponenternas efterfrågestruktur sinsemellan. Tabell 12 visar indelningen och gräns-snitten.

Grupp A B C D

Var. Index (ack %) 0-25 25-50 50-75 75-100

Tabell 12. Studiens kategorisering, egenkonstruerad

6.3.2 Grupp A

A1 25284 1264 229 0,182 A9 5412 271 78 0,287

A2 17134 857 174 0,203 A10 1381 69 21 0,305

A3 4182 209 45 0,217 A11 5563 278 91 0,326

A4 2294 115 26 0,225 A12 1202 60 20 0,329

A5 1950 98 23 0,236 A13 4629 231 80 0,345

A6 14389 719 175 0,243 A14 1188 59 21 0,347

A7 5029 251 62 0,246 A15 939 47 17 0,361

A8 3052 153 43 0,284 A16 6151 308 111 0,361

Tot.  6236 312 76 0,281

Tabell 13. Efterfråga för Grupp A, egenkonstruerad

Som tabell 13 visar består Grupp A av de komponenterna i urvalet med lägst variations-index. Komponenten med lägst variationsindex i gruppen är A1 med ett index på 0,182 medan A16 besitter högst index med 0,361. Deras låga variationsindex indikerar att variationer i efterfrågan är av slumpmässiga karaktärer där det inte går att urskilja varken säsongsvariationer eller trendförändringar. Slumpmässiga variationer definieras av Jonsson och Mattsson (2011) som variationer runt en annars stabil efterfråga vilket stämmer överens med Grupp A:s efterfrågemönster, se figur 8. Efterfrågefrekvensen för komponenterna i Grupp A är konstant, i den bemärkelsen att komponenterna efterfrågas varje tidsperiod. Snyder et al. (2005) resonerar kring högfrekventa artiklar, där dem menar att justeringar av parametrarna i den tillämpade prognosmodellen bör vara i fokus snarare än att försöka hitta andra prognosmodeller. Snyder et al. (2005) resonemang bör då innebära att parametrarna i GM respektive EU kan justeras så att de båda prognosmodellerna får mer eller mindre samma prognosavvikelser.

Figur 8. Efterfråga per månad för Grupp A, egenkonstruerad

Den totala efterfrågade kvantiteten av komponenterna i Grupp A är 99 779 enheter för undersökt tidsserie fördelat på 50 356 enheter år 2012 och 49 423 under 2013. Varje komponent i gruppen efterfrågas i genomsnitt 6 236 gånger under tidsserien med en genomsnittlig efterfråga av varje komponent på 312 för varje period. Detta gör Grupp A till den grupp med högst antal efterfrågade enheter. Enligt Quintana och Leung (2007) är artiklar med låg efterfrågefrekvens de artiklar som uppvisar högst prognosavvikelser gentemot verklig efterfråga. Nahmias (2013) och Mattsson (2013) fortsätter med att påpeka att det generellt sett kan påvisas att högfrekventa artiklar i de flesta fall har en hög efterfråga (stora kvantiteter) samt uppvisar lägre relativa efterfrågevariationer.

Resonemanget, menar studiens författare, innebär att artiklar med hög frekvens, stora efterfrågade kvantiteter och låga relativa efterfrågevariationer bör uppvisa lägre prognosavvikelser.

Tabell 14. Glidande medelvärde för Grupp A, egenkonstruerad 0

jan-12 feb-12 mar-12 apr-12 maj-12 jun-12 jul-12 aug-12 sep-12 okt-12 nov-12 dec-12 jan-13 feb-13 mar-13 apr-13 maj-13 jun-13 jul-13 aug-13 sep-13 okt-13 nov-13