Evaluering av etterspørselsprognosene

Evaluering av etterspørselsprognosene er det siste av de fem overordnede stegene i prognostiseringsprosessen. Kanskje også det viktigste, ettersom det er i denne fasen presisjonen i og prestasjonen til prognosene kan måles mot faktisk etterspørsel i

prognoseperioden, som utgangspunkt for analyse av potensielle feilkilder og målrettet arbeid for å fjerne eller redusere effekten av disse på prognosekvaliteten. Selv om det kan sies å være noe på utsiden av oppgaven, gitt gjeldende problemstilling og avgrensninger, er det fortsatt et høyst relevant punkt ettersom prognoseevaluering har til hensikt nettopp å muliggjøre ytterligere presise prognoser. Det finnes mange metoder for å gjøre dette. Til tross for det høyst akademiske tilsnittet i tilnærmingen, og uten særskilt teoretisk forankring for øvrig, er det på mange måter dette denne oppgaven har hatt til hensikt å gjøre. Et høyst relevant funn i denne sammenheng er det faktum at Forsvaret i svært liten grad måler kvalitet og presisjon i prognosene de utarbeider. Dette til tross for de til dels store utfordringene med hensyn til tilgjengelighet på reservedeler. Riktignok har det blitt gjort på enkeltartikler, men i henhold til Respondent 1 (FLO FORS), generelt sett ”i veldig liten grad (...) ikke på den måten vi ønsker å gjøre det”.

Et eksempel på de potensielt store konsekvensene forbundet med manglende evaluering av prognoser i Forsvaret ble avdekket i forbindelse med analysen av etterspørselsdata for sammenligningen av prognoser med faktisk etterspørsel. Som tidligere nevnt utarbeider Syncron prognoser for 13 måneder frem i tid, basert på 36 måneders historikk. I datasettet fra FLO FORS (overført til Excel) fremgår prognosene fra Syncron månedsvis, der hver månedlige prognose er representert ved et antall deler av respektive SKU i separate kolonner (01 – 13). Det viser seg imidlertid at ingen av SKUene i datasettet har prognostiserte verdier høyere enn 0 i de tre siste månedene. Det foreligger altså data kun for 10 av 13 måneder for samtlige SKU i datagrunnlaget. Gitt det relativt høye antallet SKU i utvalget må det antas at dette vil være tilfellet for flere, om ikke alle, SKU Syncron utarbeider prognoser for. På spørsmål om hvorfor disse kolonnene er tomme kunne Respondent 1 (FLO FORS) ikke gi noe godt svar, ettersom vedkommende selv tilsynelatende ikke var klar over avviket. I senere korrespondanse med respondenten kunne han opplyse om at det er sendt en forespørsel til Syncron med anmodning om at forholdet avklares. Dette er imidlertid et avvik som vil kunne ha stor innvirkning på presisjonen i prognosene, under den rimelige forutsetning – gitt det totale fraværet av verdier over 0 i alle de tre siste månedene – at det faktisk foreligger etterspørsel i som ikke inngår i prognosegrunnlaget. Dette er således nok et avvik som kan relateres til kompletthetsdimensjonen i det at etterspørselshistorikken høyst sannsynlig ikke omfatter all dokumentert etterspørsel av respektive reservedeler.

I forbindelse med prosjekteringen av den oppgraderte versjonen av Syncron etterspurte Forsvaret en KPI (key performance indicator/ytelsesparameter) på prognosekvalitet, men uten at Syncron kunne levere dette. Hvorvidt dette gjelder for alle prognoseløsninger Syncron leverer vites ikke. Situasjonen i Forsvaret er likefullt at valgte prognoseløsninger fra Syncron, som en global leverandør av programvare for prognostisering og lagerstyring, ikke understøttes av nødvendig funksjonalitet for evaluering av egne prognoser. I den hensikt likevel å kunne gjennomføre slik evaluering på sikt har FLO FORS planer om å gjennomføre nødvendig programmering på eget initiativ. Målet er, ifølge Respondent 1 (FLO FORS), evaluering av prognoser med ”en mer systemmessig tilnærming” enn de enkeltevalueringene som hittil er gjennomført. Gitt det svært lave antallet personell med nødvendig kompetanse på Syncron er det imidlertid et spørsmål om tid og kapasitet. Selv om manglende evaluering av prognosene ikke kan knyttes direkte til noen av de tidligere omtalte datakvalitetsdimensjonene, kan det i høyeste grad argumenteres for å være et kvalitetsavvik i seg selv, ettersom man da mangler en svært viktig mulighet for kontinuerlige analyser av mulige årsaker til avvik og lukking av disse.

5.5.10 D

Basert på det ovenstående synes det rimelig å konkludere med forringelse av datakvaliteten i forbindelse med både generering og prosessering av etterspørselsdata som grunnlag for etterspørselsprognosene.

Hva angår generering av etterspørselsdata peker oppgaven på avvik knyttet til både nøyaktigheten i og omfanget av dokumentasjonen av etterspørsel. For det første kommer tilfeller av manglende kodifisering og utdaterte materialnumre, som medfører utfordringer knyttet til korrekt dokumentasjon av etterspørsel. For det andre representerer sletting av reservasjoner, kjøp av reservedeler utenom forsyningssystemet, manglende dokumentasjon av etterspørsel i forbindelse med kannibalisering, og feil bruk av transaksjonskoder forhold som i en viss utstrekning både har forekommet og til en viss grad må antas å fortsatt forekomme. Disse innvirker direkte på omfanget av etterspørselshistorikken. Hva angår prosessering av data er det nærliggende å knytte forringelse av datakvalitet hovedsakelig til den tekniske konfigurasjonen av datasystemene. For det første vil bruk av basisstart (tidspunktet for når materiellet gjøres tilgjengelig for vedlikehold) i alle tilfeller der denne kommer før det faktiske etterspørselstidspunktet medføre en tilbakedatering av behovstidspunktet og derigjennom en forskyvning av etterspørselen sammenlignet med

den faktiske virkeligheten dataene ideelt sett skal gjenspeile. For det andre kan dokumentasjon av unormal etterspørsel medføre ikke-representative datagrunnlag som utgangspunkt for prognosene. For det tredje innvirker uhensiktsmessig aggregering med hensyn til både tid og rom negativt på et, i utgangspunktet, statistisk tynt datagrunnlag avledet av en relativt liten materiellpark. Manglende funksjonalitet for prognostisering av reparerbare komponenter medfører også en utfordring for presisjonen i prognosene, gitt at disse i dagens løsning prognostiseres som forbruksmateriell til tross for sine særegenheter i prognosesammenheng. Samlet medfører avvikene forringelse av datakvaliteten innenfor alle kvalitetsdimensjonene, og medfører således redusert presisjon i prognosene.

Gitt omfanget av manuelle prosesser i forbindelse med generering og prosessering av data synes det rimelig å sette datakvalitetsavvikene i sammenheng med manglende integrasjon av respektive delprosesser, som premissleverandør for en metodisk og helhetlig tilnærming til etterspørselsprognostisering. Videre kan det konkluderes med til dels manglende kompetanse innenfor FLO VEDL på korrekt dokumentasjon av reservedeler som grunnlag for komplett og nøyaktig prognosegrunnlag, og FLO FORS vedrørende hvordan data skal prosesseres, herunder forståelse for effekten av den egendefinerte konfigurasjonen av datasystemene på prognosekvaliteten. Avvikene kan også til dels skyldes manglende forutsetninger i form av tilgjengelige ressurser. Avslutningsvis kan det synes som at det generelt mangler tilstrekkelig organisatorisk fokus på reservedelslogistikk, og kunnskap om datakvalitet som en forutsetning for presis etterspørselsprognostisering.