Reducering av svinnet i
färskvaruhandeln genom förbättrade
efterfrågeprognoser
Andreas Hellborg, Martin Mellvé och Martin Strandberg Institutionen för Produktionsekonomi Lunds Tekniska HögskolaBakgrund
Problem kring att producera, beställa och lagerhålla rätt mängd varor genomsyrar nästan alla branscher. Även om behoven är likartade kan orsakerna vara skiftande, från att minska sin kapitalbindning till att reducera svinn. Just livsmedelsbranschens behov skiljer sig från många andra branscher då de till stor del hanterar färskvaror med begränsad livslängd. En vara som inte sålts inom ett visst datum slängs, med stora ekonomiska förluster som följd. Hand i hand med detta problem finns krav från kunder, butiksägare och producenter på att ha ”fulla hyllor” i butik. Butikerna vill maximera sin försäljning och samtidigt undvika missnöjda kunder som inte kunnat köpa slutsålda varor. Kundernas beteende att främst ta de senast producerade varorna kombinerat med ”fulla hyllor”‐policyn leder till stora mängder svinn. Naturvårdsverkets studie av svinn i livsmedelskedjan visar att den största orsaken till svinn är att fel mängd varor köps in av butikerna (Naturvårdsverket, 2008). För att undersöka hur förbättrad prognosverksamhet i livsmedelsindustrin kan påverka svinnet har vi genomfört denna studie (Hellborg, Mellvé & Strandberg, 2013) tillsammans med Pågen AB i Malmö.Syfte och problemformulering
Syftet med denna studie är att undersöka på vilket sätt en god prognosverksamhet kombinerat med en genomtänkt serviceoptimering kan förbättra ett livsmedelsföretags logistikverksamhet. Studien bygger på följande tre frågeställningar: ‐ ”Vilka förbättringar innebär en prognosmodell i de miljöer som saknar ett systematiskt prognosverktyg?” ‐ ”Ger vår modell signifikant mindre prognosfel än befintliga modeller på marknaden?”‐ ”Vilken effekt har en prognosmodell i kombination med en serviceoptimering på servicegraden och mängden svinn?”
Metodval
Metodiken för genomförandet av denna studie grundar sig i operationsanalys. Dock har vissa anpassningar gjorts då denna studies mål är att testa en av författarna redan utvecklad modell i en befintlig verksamhet. Metodiken går igenom följande steg: 1. Informations‐ och datainsamling 2. Prognostisering 3. Serviceoptimering 4. Resultat och diskussionTeori
Prognoser kan matematiskt förklaras som ett sätt att skatta framtida utfall av en stokastisk process. För att göra detta försöker man hitta en modell som beskriver den stokastiska processen och sedan utifrån denna göra skattningar av framtida utfall. För vårt arbete har vi valt att jämföra vår prognosmodell med ett flertal välkända olika modeller. Vår modell är baserad på Neurala Nätverk (NN) och de vi jämför med är följande: ‐ Glidande Medelvärde (GM) ‐ Exponentiell Utjämning (EU) ‐ SARIMA (SA) ‐ SARIMAX (SX) Glidande medelvärde och exponentiell utjämning är enklare metoder medan SARIMA och SARIMAX tar hänsyn till mer komplexa samband så som säsongsberoende trender. Skillnaden på SARIMA och SARIMAX är att SARIMAX kan ta hänsyn till externa faktorer såsom väder. Nackdelen med SARIMAX är att metoden bara hanterar linjära beroenden. Detta underlättar beräkningarna men är inte tillräckligt vid olinjära samband såsom prissänkningars påverkan på försäljningsvolym. En metod som klarar av att ta hänsyn till olinjära samband är just neurala nätverk, vilket är dess stora styrka.x Då det inte finns information om den egentliga efterfrågan, och det är denna vi vill prognostisera, krävs vissa uppskattningar utifrån historisk försäljning. Försäljningsdata speglar endast den egentligaefterfråga endast då kundens efterfråga tillfredställts. Då det funnits tillgång till exakt hur många bröd som sålts varje 15‐minutersintervall under vår undersökningstid har vi genom att analysera när bröden i en butik sålts slut göra antaganden för hur många försäljningsmöjligheter som missats, och därmed uppskatta den egentliga efterfrågan. De resultat som presenteras i denna studie har simulerats. Genom använda prognoserna som grund till en serviceoptimering (där ett ekonomiskt optimalt säkerhetslager sätts) har vi kunnat bestämma hur många bröd som borde ha lagts ut i varje butik enligt respektive prognosverktyg. Pågens resultat har simulerats på samma sätt som våra modeller genom att använda deras historiska utlägg i butik. Detta är inte en exakt återskapning av verkligheten, men ger en mer rättvisande jämförelse mellan Pågens verksamhet och de analyserade prognosmodellerna.
Resultat
Nedan följer de prognosresultat vi fick fram för de olika modellerna. Resultaten presenteras i MAD vilket betyder hur många bröd prognoserna i genomsnitt avvek från den faktiska mängden sålda bröd. Raden Totalt står för samtliga Pågens bröd i de 32 Coop‐butikerna vi undersökte.GM
EU
SA
SX
NN
Lingongrova 6.79 6.70 4.97 4.98 4.69 Jättefranska 3.39 3.35 2.42 2.43 2.42 Längtan 1.97 1.95 1.62 1.64 1.58 Rågbröd 1.85 1.85 1.49 1.52 1.36 Gifflar kanel 4.21 4.14 3.29 3.37 3.24 Totalt 2.30 2.27 1.79 1.83 1.80 Tabellen ovan visar de resultat som framkommit vid prognostisering där kampanjer har blivit utrensade. Det finns en tydlig skillnad i resultat på de enklare modellerna, GM och EU, och de mer komplexa modellerna, SA, SX och NN. En annan intressant punkt att nämna är att SA är konsekvent bättre än SX, där den största skillnaden är att SX tar hänsyn till yttre parametrar såsom väder och högtider. Detta kan i stor grad bero på ”overfitting”, där modellen hittar en alldeles för precis formel som fungerar mycket bra på den datamängd där träning sker, men sämre vid okänd data. Skillnaden mellan NN och SA är i det totala hänseendet är liten, men detta visar inte hela sanningen. I nedanstående tabell presenteras hur många serier som respektive prognosmodell har gett bäst resultat på.GM
EU
SA
SX
NN
Bäst resultat 15 17 247 127 577Resultaten vi fått fram i våra simuleringar presenteras i form av missad försäljning och returer. Missad försäljning innebär hur många procent av den potentiella efterfrågan som inte kunnat uppfyllas och returer presenteras som antalet procent av de bröd vi lägger ut som får tas tillbaka på grund av att de blivit för gamla. Vi har i dessa simuleringar använt alla olika prognosmodeller för att kunna göra en jämförelse mellan dessa. Vi har även använt oss av ”Bästa Prognos” (BP), där vi har valt att använda den modell som historiskt har gett minst prognosfel på respektive artikel och butik.
Modell
Returer
försäljning
Missad
GM 9,6 % 11,6 % EU 9,2 % 11,3 % SA 7,6 % 10,8 % SX 7,0 % 10,5 % NN 6,5 % 10,5 % BP 6,5 % 10,0 % Pågen 11,3 % 10,9 % Ovanstående tabell visar att de enklare modellerna (GM) och (EU) ger liknande resultat som Pågens simulerade utfall, medan de modeller som presterade bäst prognosfel också presterar bättre i simuleringens utfall. Föga förvånande ger (BP) det bästa utfallet. Den stora skillnaden i resultat sker i returer, vilka enligt simuleringen kan minskas med 42,7 % vid användande av Bästa Prognos. De missade försäljningarna ligger rätt nära Pågens nuvarande nivåer, vilket tyder på att de i dagsläget håller en rimlig servicegrad till butikerna.
Diskussion
Utifrån de resultat vi fått fram genom denna studie anser vi det visat att ett väl fungerande system för efterfrågeprognostisering kan ge mycket goda ekonomiska och miljömässiga förbättringar inom livsmedelsbranschen. Trots att det finns många anledningar till svinn i försörjningskedjan kan ett av de största problemen hanteras väl, och i detta fall ge nästan en halvering av svinnet som beror på överproduktion. Det har även visat sig att en modell baserad på neurala nätverk kan bidra till den nuvarande prognosverksamheten och i många fall överträffa de traditionella prognosmodellerna.Denna studie har varit begränsad till delar av Pågens utbud och butiker, vilket skulle kunna resultera i något ändrade resultat för hela dess verksamhet. Det har dock varit vår målsättning att göra ett så representativt urval som möjligt för att kunna visa på de verkliga ekonomiska effekterna för Pågens verksamhet. För vidare forskning föreslår vi att andra delar av livsmedelskedjan undersöks, där förutsättningarna kan skilja sig från brödproducenternas, för att kunna ge än ännu tydligare bild av prognosverksamhetens betydelse för minskat svinn. Det borde även finnas intresse i att undersöka möjligheterna till liknande implementationer vid försäljning mellan företag, där efterfrågan bör ha andra mönster.
