Om de efficiëntievoordelen van prognoses te benutten, hebt u de meest nauwkeurige prognoses nodig: prognoses die zijn gebaseerd op de meest geschikte historische gegevens. De meeste discussies over dit probleem richten zich meestal op de voordelen van het gebruik van vraag versus verzendgeschiedenis - en ik zal hier later op ingaan. Maar laten we het eerst hebben over het gebruik van netto- versus brutogegevens.
Netto versus bruto geschiedenis
Veel planners zijn geneigd om netto-omzetgegevens te gebruiken om hun prognoses te maken. Systemen die verkopen volgen, registreren transacties wanneer ze plaatsvinden en aggregeren de resultaten in wekelijkse of maandelijkse periodieke totalen. In sommige gevallen worden geretourneerde aankopen in verkooprecords als negatieve verkopen verantwoord en wordt een nettototaal berekend. Deze nettocijfers, die vaak echte verkooppatronen maskeren, worden ingevoerd in het prognosesysteem. De gebruikte historische gegevens geven eigenlijk een verkeerd beeld van wat de klant wilde en wanneer hij het wilde. Dit wordt meegenomen in de prognose, met minder dan optimale resultaten.
Stel dat uw verkoopgegevens worden samengevoegd tot maandelijkse totalen. Als er gebruik wordt gemaakt van netto maandcijfers, en de retouren vinden plaats in dezelfde maand als waarin ze zijn gekocht, geen probleem. De netto-activiteit voor de maand weerspiegelt de werkelijke vraag. Maar wat als het product drie of vier maanden na aankoop wordt geretourneerd, zoals vaak gebeurt? De nettocijfers zijn een onderschatting van de interesse in het product voor de maand waarin het rendement wordt geteld, en (het lijkt erop) een overschatting van de vraag voor de maand van de eerste verkoop. Op deze manier de productvraag op het verkeerde moment weergeven, verstoort het vermogen van het voorspellingssysteem om het patroon (of het ontbreken daarvan) in de gegevens correct te identificeren.
Aangezien u bestellingen uitvoert zoals u ze ontvangt, zult u de verzending nauwelijks weigeren omdat u denkt dat ze het product binnen een paar maanden kunnen retourneren. Klanten zouden daar niet voor staan. Dus u wilt natuurlijk weten dat een dergelijke vraag waarschijnlijk zal optreden. Als de bestellingen gaan komen, heb je voorraad nodig in je voorraad om aan de vraag te voldoen, ongeacht latere retouren. Het gebruik van nettocijfers is in deze situaties niet de beste praktijk.
In de meeste gevallen moeten gegevens die worden gebruikt bij het opstellen van prognoses gebaseerd zijn op brutocijfers. Rendementen kunnen worden voorspeld als een afzonderlijke variabele en worden gebruikt als een bron van inkomend aanbod. Dit zal resulteren in minder onnodige bestellingen van nieuwe voorraad. Uiteindelijk legt deze aanpak de ware patronen in de gegevens beter vast: de kern van prognoses.
Verzend- versus vraaggegevens
Een tweede belangrijk onderscheid met betrekking tot historische gegevens lijkt contra-intuïtief. Voorspellers worden bijna altijd aangemoedigd om vraaggegevens te gebruiken, omdat wordt aangenomen dat deze beter weergeven wat de klant wilde en wanneer. Wanneer u echter de keuze heeft, kan het soms slimmer zijn om verzendgegevens te gebruiken.
Een leidend principe is om rekening te houden met de nauwkeurigheid van de gegevens. In de meeste bedrijven geven de verzendgegevens precies weer wat er is verzonden, terwijl de vraaggegevens vaak worden geplaagd door onnauwkeurigheden. Hier zijn een paar voorbeelden:
Klanten kunnen bijvoorbeeld weten dat u hun bestelling niet kunt uitvoeren. In dat geval kunnen ze afzien van het plaatsen van de bestelling en wachten totdat ze denken dat je voorraad bij de hand hebt om aan hun behoeften te voldoen. Aan de andere kant kunnen angstige klanten meerdere elektronische bestellingen indienen, bang dat een miscommunicatie zou kunnen voorkomen dat een essentiële bestelling wordt verwerkt. Als ze er zeker van zijn dat één bestelling is geaccepteerd, kunnen ze de extra bestellingen annuleren. Dan is er het geval van een klant die in het verleden stockouts bij u heeft gehad. Ze kunnen de omvang van hun bestellingen vergroten om de kans te maximaliseren dat de voorraad aan hen wordt toegewezen.
Als dergelijke praktijken uw bestelgeschiedenis teisteren, kan het verstandiger zijn om verzendgegevens te gebruiken. Vervolgens kunt u de functie 'geschiedenis aanpassen' van SmartForecasts gebruiken om de verzendgegevens nauwkeurig af te stemmen, zodat deze beter aansluiten bij de vraag. U kunt zeker hetzelfde doen met onnauwkeurige vraaggegevens, maar vaak zal dit veel meer inspanning vergen dan alleen te corrigeren voor voor de hand liggende gevallen waarin de zendingen de ene maand laag zijn en de andere maand hoog vanwege een voorraad-out situatie.
Voordat u een beslissing neemt over het gebruik van verzend- of vraaggegevens, is het belangrijk om te begrijpen hoe bestellingen en retouren in uw systeem worden verwerkt. Praat met uw klantenservicemedewerkers en vraag hen hoe zij deze situaties kunnen verklaren. Geloof het woord van uw IT-afdeling niet. Oefen uw oordeel om de beste resultaten te krijgen.
Het maken van de juiste gegevenskeuzes zal een grote bijdrage leveren aan het bereiken van waardevolle efficiëntieverbeteringen in de toeleveringsketen. Neem de tijd om te lezen De post van Michael Gilliland over dit onderwerp op de blog van het Institute of Business Forecasting and Planning, op demand-planning.com.
Gregory Hartunian is voorzitter van Smart Software en lid van de raad van bestuur. Daarvoor bekleedde hij de functie van Vice President of Sales.
gerelateerde berichten

Verward over AI en Machine Learning?
Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

Hoe u voorraadvereisten kunt voorspellen
Het voorspellen van voorraadbehoeften is een gespecialiseerde variant van prognoses die zich richt op de bovenkant van het bereik van mogelijke toekomstige vraag. Traditionele methoden zijn vaak gebaseerd op klokvormige vraagcurves, maar dit is niet altijd accuraat. In dit artikel duiken we in de complexiteit van deze praktijk, vooral als het gaat om de intermitterende vraag.

Zes best practices voor vraagplanning waar u twee keer over moet nadenken
Op elk gebied, inclusief voorspellingen, wordt volkswijsheid verzameld die zich uiteindelijk voordoet als ‘best practices’. Deze best practices zijn vaak verstandig, althans gedeeltelijk, maar missen vaak context en zijn mogelijk niet geschikt voor bepaalde klanten, sectoren of bedrijfssituaties. Er zit vaak een addertje onder het gras: een ‘ja, maar’. Deze opmerking gaat over zes doorgaans juiste voorspellingen, die niettemin hun kanttekeningen plaatsen.