In deze blog analyseren we de automatische prognoses voor vraagprojecties in tijdreeksen, waarbij we ons concentreren op de belangrijkste technieken, uitdagingen en best practices. Er zijn meerdere methoden om de toekomstige vraag naar een artikel te voorspellen, en dit wordt complex als het om duizenden artikelen gaat, die elk een andere voorspellingstechniek vereisen vanwege hun unieke vraagpatronen. Sommige artikelen hebben een stabiele vraag, andere vertonen een stijgende of dalende trend en sommige vertonen seizoensinvloeden. Het selecteren van de juiste methode voor elk item kan overweldigend zijn. Hier onderzoeken we hoe automatische prognoses dit proces vereenvoudigen.

Automatische prognoses worden van fundamenteel belang bij het beheren van grootschalige vraagprojecties. Met duizenden items is het handmatig selecteren van een prognosemethode voor elk item onpraktisch. Automatische prognoses maken gebruik van software om deze beslissingen te nemen, waardoor nauwkeurigheid en efficiëntie in het prognoseproces worden gegarandeerd. Het belang ervan ligt in het vermogen om complexe, grootschalige prognosebehoeften efficiënt af te handelen. Het elimineert de noodzaak van handmatige selectie, waardoor tijd wordt bespaard en fouten worden verminderd. Deze aanpak is vooral nuttig in omgevingen met uiteenlopende vraagpatronen, waarbij voor elk artikel mogelijk een andere prognosemethode nodig is.

Belangrijke overwegingen voor effectieve prognoses

1. Uitdagingen van handmatige prognoses:
   • Onhaalbaarheid: het handmatig kiezen van prognosemethoden voor duizenden items is onbeheersbaar.
   • Inconsistentie: Menselijke fouten kunnen leiden tot inconsistente en onnauwkeurige voorspellingen.
2. Criteria voor methodeselectie:
   • Foutmeting: Het primaire criterium voor het selecteren van een voorspellingsmethode is de typische voorspellingsfout, gedefinieerd als het verschil tussen voorspelde en werkelijke waarden. Deze fout wordt gemiddeld over de prognosehorizon (bijvoorbeeld maandelijkse prognoses over een jaar).
   • Holdout-analyse: deze techniek simuleert het proces van wachten tot een jaar is verstreken door enkele historische gegevens te verbergen, voorspellingen te doen en vervolgens de verborgen gegevens te onthullen om fouten te berekenen. Dit helpt bij het kiezen van de beste methode in realtime.
3. Prognose toernooi:
   • Methodevergelijking: Verschillende methoden concurreren om elk item te voorspellen, waarbij de methode de laagste gemiddelde fout oplevert.
   • Parameterafstemming: Elke methode wordt getest met verschillende parameters om de optimale instellingen te vinden. Eenvoudige exponentiële afvlakking kan bijvoorbeeld worden geprobeerd met verschillende wegingsfactoren.

De algoritmen achter effectieve automatische prognoses

Automatische prognoses zijn zeer rekenkundig, maar haalbaar met moderne technologie. Het proces omvat:

• Gegevenssegmentatie: Door historische gegevens in segmenten te verdelen, kunt u verschillende aspecten van historische gegevens beheren en benutten voor nauwkeurigere prognoses. Voor een product met een seizoensgebonden vraag kunnen de gegevens bijvoorbeeld worden gesegmenteerd op basis van seizoenen om seizoensspecifieke trends en patronen vast te leggen. Door deze segmentatie kunnen voorspellers effectiever voorspellingen maken en testen.
• Herhaalde simulaties: Het gebruik van glijdende simulaties houdt in dat voorspellingen over verschillende perioden herhaaldelijk worden getest en verfijnd. Deze methode valideert de nauwkeurigheid van voorspellingsmethoden door ze toe te passen op verschillende gegevenssegmenten. Een voorbeeld is de glijdende-venstermethode, waarbij een venster met een vaste grootte door de tijdreeksgegevens beweegt en voor elke positie voorspellingen wordt gegenereerd om de prestaties te evalueren.
• Parameteroptimalisatie: Parameteroptimalisatie omvat het uitproberen van meerdere varianten van elke prognosemethode om de best presterende te vinden. Door parameters aan te passen, zoals de afvlakkingsfactor bij exponentiële afvlakkingsmethoden of het aantal eerdere waarnemingen in ARIMA-modellen, kunnen voorspellers modellen verfijnen om de prestaties te verbeteren.

In onze software laten we bijvoorbeeld verschillende prognosemethoden met elkaar concurreren om de beste prestaties op een bepaald item. Kennis van automatische prognoses wordt onmiddellijk overgedragen op Simple Moving Average, lineair voortschrijdend gemiddelde, Single Exponential Smoothing, Double Exponential Smoothing, Winters' Exponential Smoothing en Promo-voorspellingen. Deze competitie zorgt ervoor dat de meest geschikte methode wordt geselecteerd op basis van empirisch bewijs, en niet op basis van subjectief oordeel. De winnaar van het toernooi komt het dichtst in de buurt van het voorspellen van nieuwe gegevenswaarden uit oude gegevens. De nauwkeurigheid wordt gemeten aan de hand van de gemiddelde absolute fout (dat wil zeggen de gemiddelde fout, waarbij eventuele mintekens worden genegeerd). Het gemiddelde wordt berekend over een reeks voorspellingen, waarbij elk een deel van de gegevens gebruikt, in een proces dat bekend staat als glijdende simulatie. eerder uitgelegd in een eerdere blog.

Methoden die worden gebruikt bij automatische prognoses

Normaal gesproken zijn er zes extrapolatieve voorspellingsmethoden die meedoen aan het automatische voorspellingstoernooi:

• Eenvoudig voortschrijdend gemiddelde
• Lineair voortschrijdend gemiddelde
• Enkele exponentiële afvlakking
• Dubbele exponentiële afvlakking
• Additieve versie van Winters' exponentiële afvlakking
• Multiplicatieve versie van Winters' exponentiële afvlakking

De laatste twee methoden zijn geschikt voor seizoensreeksen; ze worden echter automatisch uitgesloten van het toernooi als er minder dan twee volledige seizoenscycli met gegevens zijn (bijvoorbeeld minder dan 24 perioden met maandelijkse gegevens of acht perioden met driemaandelijkse gegevens). Deze zes klassieke, op afvlakking gebaseerde methoden hebben bewezen gemakkelijk te begrijpen, eenvoudig te berekenen en nauwkeurig te zijn. Je kunt elk van deze methoden uitsluiten van het toernooi als je een voorkeur hebt voor sommige deelnemers en niet voor andere.

Automatische prognoses voor tijdreeksgegevens zijn essentieel voor het efficiënt en nauwkeurig beheren van grootschalige vraagprojecties. Bedrijven kunnen een betere voorspellingsnauwkeurigheid bereiken en hun planningsprocessen stroomlijnen door de selectie van voorspellingsmethoden te automatiseren en technieken zoals holdout-analyse en voorspellingstoernooien te gebruiken. Het omarmen van deze geavanceerde voorspellingstechnieken zorgt ervoor dat bedrijven voorop blijven lopen in dynamische marktomgevingen en weloverwogen beslissingen nemen op basis van betrouwbare gegevensprojecties.

Op prognoses gebaseerd voorraadbeheer, of MRP-logica (Material Needs Planning), is een methodologie voor vooruitplanning voor het beheer van voorraad. Deze methode zorgt ervoor dat bedrijven aan de vraag kunnen voldoen zonder overbevoorrading, wat kapitaal vastlegt, of onderbevoorrading, wat kan leiden tot omzetverlies en ontevreden klanten.

Door te anticiperen op de vraag en de voorraadniveaus dienovereenkomstig aan te passen, helpt deze aanpak het juiste evenwicht te behouden tussen het hebben van voldoende voorraad om aan de behoeften van de klant te voldoen en het minimaliseren van overtollige voorraadkosten. Bedrijven kunnen hun activiteiten optimaliseren, verspilling verminderen en de klanttevredenheid verbeteren door toekomstige behoeften te voorspellen. Laten we eens kijken hoe dit werkt.

Kernconcepten van op prognoses gebaseerd voorraadbeheer

Voorraaddynamiekmodellen: Voorraaddynamiekmodellen zijn van fundamenteel belang voor het begrijpen en beheren van voorraadniveaus. Het eenvoudigste model, bekend als het ‘zaagtandmodel’, laat zien dat voorraadniveaus afnemen naarmate de vraag toeneemt en zich net op tijd aanvult. Real-world scenario's vereisen echter vaak geavanceerdere modellen. Door stochastische elementen en variabiliteit op te nemen, zoals Monte Carlo-simulaties, kunnen bedrijven rekening houden met willekeurige schommelingen in de vraag en doorlooptijd, waardoor een realistischere voorspelling van de voorraadniveaus ontstaat.

IP&O-platform verbetert de modellering van de voorraaddynamiek door middel van geavanceerde data-analyse en simulatiemogelijkheden. Door gebruik te maken van AI en machine learning-algoritmen kan ons IP&O-platform vraagpatronen nauwkeuriger voorspellen en modellen in realtime aanpassen op basis van de nieuwste gegevens. Dit leidt tot nauwkeurigere voorraadniveaus, waardoor het risico op voorraadtekorten en overbevoorrading wordt verminderd.

Bestelhoeveelheid en timing bepalen: Effectief voorraadbeheer vereist dat u weet wanneer en hoeveel u moet bestellen. Dit omvat het voorspellen van de toekomstige vraag en het berekenen van de doorlooptijd voor het aanvullen van de voorraad. Door te voorspellen wanneer de voorraad het veiligheidsvoorraadniveau bereikt, kunnen bedrijven hun bestellingen plannen om een continue levering te garanderen.

Onze nieuwste tools blinken uit in het optimaliseren van bestelhoeveelheden en timing door gebruik te maken van voorspellende analyses en AI. Deze systemen kunnen enorme hoeveelheden gegevens analyseren, inclusief historische verkopen en markttrends. Door dit te doen, bieden ze nauwkeurigere vraagprognoses en optimaliseren ze de bestelpunten, zodat de voorraad precies op tijd wordt aangevuld zonder dat er overtollige voorraad ontstaat.

Doorlooptijd berekenen: Doorlooptijd is de periode vanaf het plaatsen van een bestelling tot het ontvangen van de voorraad. Het varieert afhankelijk van de beschikbaarheid van componenten. Als een product bijvoorbeeld uit meerdere componenten wordt samengesteld, wordt de doorlooptijd bepaald door het onderdeel met de langste doorlooptijd.

Slimme AI-gestuurde oplossingen verbeteren de berekening van de doorlooptijd door te integreren met supply chain managementsystemen. Deze systemen volgen de prestaties van leveranciers en historische doorlooptijden om nauwkeurigere schattingen van de doorlooptijd te bieden. Bovendien kunnen slimme technologieën bedrijven waarschuwen voor mogelijke vertragingen, waardoor proactieve aanpassingen aan voorraadplannen mogelijk worden.

Berekening van de veiligheidsvoorraad: De veiligheidsvoorraad fungeert als buffer om te beschermen tegen variabiliteit in vraag en aanbod. Het berekenen van de veiligheidsvoorraad omvat het analyseren van de variabiliteit van de vraag en het instellen van een voorraadniveau dat de meeste potentiële scenario's dekt, waardoor het risico op voorraadtekorten wordt geminimaliseerd.

IP&O-technologie verbetert de berekening van de veiligheidsvoorraad aanzienlijk door middel van geavanceerde analyses. Door vraagpatronen en supply chain-variabelen voortdurend te monitoren, kunnen slimme systemen de veiligheidsvoorraadniveaus dynamisch aanpassen. Machine learning-algoritmen kunnen vraagpieken of -dalingen voorspellen en de veiligheidsvoorraad dienovereenkomstig aanpassen, waardoor optimale voorraadniveaus worden gegarandeerd en de voorraadkosten worden geminimaliseerd.

Het belang van nauwkeurige prognoses bij voorraadbeheer

Nauwkeurige prognoses zijn essentieel voor het minimaliseren van prognosefouten, die kunnen leiden tot overtollige voorraad of voorraadtekorten. Technieken zoals het gebruik van historische gegevens, het verbeteren van gegevensinvoer en het toepassen van geavanceerde voorspellingsmethoden helpen een betere nauwkeurigheid te bereiken. Voorspellingsfouten kunnen aanzienlijke financiële gevolgen hebben: te hoge prognoses resulteren in overtollige voorraad, terwijl te lage prognoses leiden tot gemiste verkoopkansen. Het beheren van deze fouten door middel van het systematisch volgen en aanpassen van prognosemethoden is cruciaal voor het handhaven van optimale voorraadniveaus.

De veiligheidsvoorraad zorgt ervoor dat bedrijven aan de behoeften van de klant kunnen voldoen, zelfs als de werkelijke vraag afwijkt van de prognose. Dit kussen beschermt tegen onvoorziene vraagpieken of vertragingen bij de bevoorrading. Nauwkeurige prognoses, effectief foutenbeheer en strategisch gebruik van de veiligheidsvoorraad verbeteren het op prognoses gebaseerde voorraadbeheer. Bedrijven kunnen de voorraaddynamiek begrijpen, de juiste bestelhoeveelheden en timing bepalen, nauwkeurige doorlooptijden berekenen en de juiste veiligheidsvoorraadniveaus instellen.

Het gebruik van state-of-the-art technologie zoals IP&O biedt aanzienlijke voordelen door het bieden van realtime data-inzichten, voorspellende analyses en adaptieve modellen. Dit leidt tot efficiënter voorraadbeheer, lagere kosten en verbeterde klanttevredenheid. Over het geheel genomen stelt IP&O bedrijven in staat beter te plannen en snel te reageren op marktveranderingen, waardoor ze de juiste voorraadbalans behouden om aan de behoeften van de klant te voldoen zonder onnodige kosten te maken.

In een zeer configureerbare productieomgeving kan het voorspellen van eindproducten een complexe en lastige taak worden. Het aantal mogelijke eindproducten schiet omhoog als veel componenten uitwisselbaar zijn. Een traditionele MRP zou ons dwingen om elk eindproduct te voorspellen, wat onrealistisch of zelfs onmogelijk kan zijn. Verschillende toonaangevende oplossingen introduceren het concept van de “Planning BOM”, waarmee prognoses op een hoger niveau in het productieproces kunnen worden gebruikt. In dit artikel bespreken we deze functionaliteit in Epicor Kinetic en hoe u hiervan kunt profiteren met Epicor Smart Inventory Planning and Optimization (Smart IP&O) om uw vraag voor te blijven in het licht van deze complexiteit.

Waarom heb ik een planningsstuklijst nodig?

Traditioneel zou elk eindproduct of elke SKU een strak gedefinieerde stuklijst hebben. Als we dat product op voorraad hebben en rond de voorspelde vraag willen plannen, zullen we de vraag naar die producten voorspellen en vervolgens MRP invoeren om deze voorspelde vraag via de stuklijst van het niveau van het eindproduct naar de componenten te blazen.

Veel bedrijven bieden echter zeer configureerbare producten aan waarbij klanten opties kunnen selecteren voor het product dat ze kopen. Denk bijvoorbeeld eens aan de laatste keer dat u een mobiele telefoon kocht. Je hebt een merk en model gekozen, maar van daaruit kreeg je waarschijnlijk opties voorgeschoteld: welk schermformaat wil je? Hoeveel opslagruimte wil je? Welke kleur heeft jouw voorkeur? Als dat bedrijf deze mobiele telefoons binnen een redelijke termijn klaar en beschikbaar wil hebben om naar u te verzenden, anticiperen ze plotseling niet langer alleen maar op de vraag naar dat model; ze moeten dat model voorspellen voor elk type schermformaat, voor alle opslagcapaciteiten, voor alle kleuren, en ook voor alle mogelijke combinaties daarvan! Voor sommige fabrikanten kunnen deze configuraties honderden of duizenden mogelijke voltooide goede permutaties opleveren.

Er kunnen zoveel aanpassingen mogelijk zijn dat de vraag op het niveau van het eindproduct in traditionele zin volkomen onvoorspelbaar is. Duizenden van deze mobiele telefoons kunnen elk jaar worden verkocht, maar voor elke mogelijke configuratie kan de vraag extreem laag en sporadisch zijn – misschien worden bepaalde combinaties één keer verkocht en nooit meer.

Dit dwingt deze bedrijven vaak om bestelpunten en veiligheidsvoorraadniveaus vooral op componentniveau te plannen, terwijl ze grotendeels reageren op de sterke vraag op het niveau van eindproducten via MRP. Hoewel dit een geldige aanpak is, ontbreekt het aan een systematische manier om voorspellingen te doen die rekening kunnen houden met verwachte toekomstige activiteiten, zoals promoties, aanstaande projecten of verkoopkansen. Voorspellen op het 'geconfigureerde' niveau is feitelijk onmogelijk, en het is ook niet haalbaar om deze prognoseaannames op componentniveau te verweven.

Planning BOM uitgelegd Hier komen Planning BOM's om de hoek kijken. Misschien werkt het verkoopteam aan een grote B2B-mogelijkheid voor dat model, of is er een geplande promotie voor Cyber Monday. Hoewel het niet realistisch is om met deze aannames voor elke mogelijke configuratie te werken, is het op modelniveau wel heel goed te doen – en enorm waardevol.

De Planningsstuklijst kan een prognose op een hoger niveau gebruiken en vervolgens de vraag naar beneden blazen op basis van vooraf gedefinieerde verhoudingen voor de mogelijke componenten ervan. De fabrikant van mobiele telefoons weet bijvoorbeeld misschien dat de meeste mensen kiezen voor 128 GB opslagruimte, en dat veel minder mensen kiezen voor upgrades naar 256 GB of 512 GB. Met de planningsstuklijst kan de organisatie (bijvoorbeeld) 60% van de vraag terugbrengen naar de 128GB-optie, 30% naar de 256GB-optie en 10% naar de 512GB-optie. Ze zouden hetzelfde kunnen doen voor schermformaten, kleuren of andere beschikbare aanpassingen.

Het bedrijf kan zijn prognose nu op dit modelniveau richten, waarbij de planningsstuklijst de componentenmix bepaalt. Het is duidelijk dat het definiëren van deze verhoudingen enige aandacht vergt, maar het plannen van stuklijsten stelt bedrijven in staat te voorspellen wat anders onvoorspelbaar zou zijn.

Het belang van een goede voorspelling

Natuurlijk hebben we nog steeds een goede voorspelling nodig om in Epicor Kinetic te laden. Zoals uitgelegd in dit artikel, kan Epicor Kinetic weliswaar een voorspelling importeren, maar kan het er vaak geen genereren, en als dat wel het geval is, zijn er vaak een groot aantal moeilijk te gebruiken configuraties nodig die niet vaak opnieuw worden bezocht, wat resulteert in onnauwkeurige prognoses. . Het is daarom aan het bedrijf om met zijn eigen sets prognoses te komen, vaak handmatig geproduceerd in Excel. Handmatige prognoses brengen over het algemeen een aantal uitdagingen met zich mee, waaronder maar niet beperkt tot:

• Het onvermogen om vraagpatronen zoals seizoensinvloeden of trends te identificeren.
• Overmatig vertrouwen op klant- of verkoopprognoses.
• Gebrek aan nauwkeurigheid of prestatieregistratie.

Hoe goed de MRP ook is geconfigureerd met uw zorgvuldig overwogen planningsstuklijsten, een slechte prognose betekent een slechte MRP-output en wantrouwen in het systeem: garbage in, garbage out. Als we verdergaan met het voorbeeld van het ‘mobiele telefoonbedrijf’, zonder een systematische manier om de belangrijkste vraagpatronen en/of domeinkennis in de prognose vast te leggen, kan MRP dit nooit zien.

Slimme IP&O: een allesomvattende oplossing

Smart IP&O ondersteunt planning op alle niveaus van uw stuklijst, hoewel het “uitblazen” wordt afgehandeld via MRP binnen Epicor Kinetic. Dit is de methode die we gebruiken voor onze Epicor Kinetic-klanten, die eenvoudig en effectief is:

• Smart Demand Planner: Het platform bevat een speciaal gebouwde prognosetoepassing genaamd Smart Demand Planner die u gaat gebruiken om de vraag naar uw vervaardigde producten (meestal eindproducten) te voorspellen. Het genereert statistische prognoses, stelt planners in staat aanpassingen aan te brengen en/of andere prognoses in te passen (zoals verkoop- of klantprognoses) en houdt de nauwkeurigheid bij. De output hiervan is een prognose die wordt ingevoerd in de prognoseinvoer in Epicor Kinetic, waar MRP deze zal ophalen. MRP zal vervolgens gebruik maken van de vraag op het niveau van het eindproduct en ook de materiaalvereisten via de stuklijst uitblazen, zodat de vraag ook op lagere niveaus wordt onderkend.
• Smart Inventory Optimization: U gebruikt tegelijkertijd Smart Inventory Optimization om min-/max-/veiligheidsniveaus in te stellen voor zowel alle eindproducten die u op voorraad maakt (indien van toepassing; sommige van onze klanten werken puur op bestelling op basis van een vaste vraag), als voor onbewerkte goederen materialen. De sleutel hier is dat Smart op grondstofniveau de vraag naar werkgebruik, doorlooptijden van leveranciers, enz. zal benutten om deze parameters te optimaliseren, terwijl tegelijkertijd verkooporders/verzendingen worden gebruikt als vraag op het niveau van het eindproduct. Smart verwerkt deze meerdere inputs van de vraag op elegante wijze via de bidirectionele integratie met Epicor Kinetic.

Wanneer MRP wordt uitgevoerd, worden vraag en aanbod (wat wederom de vraag naar grondstoffen omvat die voortvloeit uit de voltooide goede prognose) geneutraliseerd met de min/max/veiligheidsniveaus die u hebt vastgesteld om PO- en werksuggesties voor te stellen.

Breid Epicor Kinetic uit met Smart IP&O

Smart IP&O is ontworpen om uw Epicor Kinetic-systeem uit te breiden met vele geïntegreerde oplossingen voor vraagplanning en voorraadoptimalisatie. Het kan bijvoorbeeld automatisch statistische prognoses genereren voor grote aantallen artikelen, maakt intuïtieve prognoseaanpassingen mogelijk, houdt de nauwkeurigheid van prognoses bij en stelt u uiteindelijk in staat echte op consensus gebaseerde prognoses te genereren om beter te kunnen anticiperen op de behoeften van uw klanten.

Dankzij de zeer flexibele producthiërarchieën is Smart IP&O perfect geschikt voor prognoses op het niveau van de Planning BOM, zodat u belangrijke patronen kunt vastleggen en bedrijfskennis kunt integreren op de niveaus die er het meest toe doen. Bovendien kunt u op elk niveau van uw stuklijst optimale veiligheidsvoorraden analyseren en inzetten.

Door gebruik te maken van de Planning BOM-mogelijkheden van Epicor Kinetic naast de geavanceerde functies voor prognoses en voorraadoptimalisatie van Smart IP&O, zorgt u ervoor dat u efficiënt en nauwkeurig aan de vraag kunt voldoen, ongeacht de complexiteit van uw productconfiguraties. Deze synergie verbetert niet alleen de nauwkeurigheid van de prognoses, maar versterkt ook de algehele operationele efficiëntie, waardoor u voorop kunt blijven lopen in een concurrerende markt.

In deze videoblog leggen we uit hoe tijdreeksvoorspellingen naar voren zijn gekomen als een cruciaal hulpmiddel, vooral op dagelijks niveau, waarmee Smart Software sinds de oprichting ruim veertig jaar geleden pionierde. De evolutie van bedrijfspraktijken van jaarlijkse naar meer verfijnde temporele stappen zoals maandelijkse en nu dagelijkse data-analyse illustreert een significante verschuiving in operationele strategieën.

Aanvankelijk, in de jaren tachtig, werd de gebruikelijke praktijk van het gebruik van jaarlijkse gegevens voor prognoses en de introductie van maandelijkse gegevens als innovatief beschouwd. Deze periode markeerde het begin van een trend in de richting van het verhogen van de resolutie van data-analyse, waardoor bedrijven snellere verschuivingen in de marktdynamiek kunnen opvangen en hierop kunnen reageren. Naarmate we verder kwamen in de jaren 2000, was de norm van maandelijkse data-analyse ingeburgerd, maar de 'cool kids' – vernieuwers aan de rand van business analytics – begonnen te experimenteren met wekelijkse data. Deze verschuiving werd gedreven door de noodzaak om de bedrijfsactiviteiten te synchroniseren met de steeds volatielere marktomstandigheden en het consumentengedrag dat snellere reacties vergde dan maandelijkse cycli konden bieden. Tegenwoordig, in de jaren 2020, is de grens weliswaar nog steeds gebruikelijk, maar is de grens opnieuw verschoven, dit keer naar dagelijkse data-analyse, waarbij sommige pioniers zich zelfs aan uuranalyses wagen.

De echte kracht van dagelijkse data-analyse ligt in het vermogen om een gedetailleerd beeld te geven van de bedrijfsvoering, waarbij dagelijkse schommelingen worden vastgelegd die door maandelijkse of wekelijkse gegevens over het hoofd kunnen worden gezien. De complexiteit van dagelijkse gegevens vereist echter geavanceerde analytische benaderingen om betekenisvolle inzichten te verkrijgen. Op dit niveau vereist het begrijpen van de vraag het worstelen met concepten als wisselvalligheid, seizoensinvloeden, trends en volatiliteit. Intermittentie, of het optreden van dagen zonder vraag, wordt duidelijker bij een dagelijkse granulariteit en vereist gespecialiseerde voorspellingstechnieken zoals de methode van Croston voor nauwkeurige voorspellingen. Seizoensgebondenheid op dagelijks niveau kan meerdere patronen aan het licht brengen, zoals hogere verkopen in het weekend of op feestdagen, die maandelijkse gegevens zouden maskeren. Trends kunnen worden waargenomen als stijgingen of dalingen van de vraag op de korte termijn, waardoor flexibele aanpassingsstrategieën nodig zijn. Ten slotte wordt de volatiliteit op dagelijks niveau geaccentueerd, wat significantere schommelingen in de vraag laat zien dan uit maandelijkse of wekelijkse analyses blijkt, wat van invloed kan zijn op de voorraadbeheerstrategieën en de behoefte aan buffervoorraden. Dit niveau van complexiteit onderstreept de behoefte aan geavanceerde analytische hulpmiddelen en expertise op het gebied van dagelijkse data-analyse.

Kortom, de evolutie van minder frequente naar dagelijkse tijdreeksvoorspellingen markeert een substantiële verschuiving in de manier waarop bedrijven data-analyse benaderen. Deze transitie weerspiegelt niet alleen het steeds snellere tempo van het bedrijfsleven, maar onderstreept ook de behoefte aan tools die een grotere granulariteit van de gegevens aankunnen. De toewijding van Smart Software aan het verfijnen van de analytische mogelijkheden voor het beheren van dagelijkse gegevens benadrukt de bredere beweging van de sector naar meer dynamische, responsieve en datagestuurde besluitvorming. Deze verschuiving gaat niet alleen over het bijhouden van de tijd, maar over het benutten van gedetailleerde inzichten om concurrentievoordelen te creëren in een steeds veranderende zakelijke omgeving.

​

Software voor vraagplanning en statistische prognoses speelt een cruciale rol in effectief bedrijfsbeheer door functies te integreren die de nauwkeurigheid van prognoses aanzienlijk verbeteren. Een belangrijk aspect is het gebruik van op afvlakking gebaseerde of extrapolatieve modellen, waardoor bedrijven snel voorspellingen kunnen doen die uitsluitend op historische gegevens zijn gebaseerd. Deze basis, geworteld in prestaties uit het verleden, is cruciaal voor het begrijpen van trends en patronen, vooral in variabelen zoals verkoop of productvraag. Voorspellingssoftware gaat verder dan louter data-analyse door de combinatie van professioneel oordeel met statistische voorspellingen mogelijk te maken, waarbij wordt erkend dat prognoses geen one-size-fits-all proces zijn. Deze flexibiliteit stelt bedrijven in staat menselijke inzichten en sectorkennis in het voorspellingsmodel op te nemen, waardoor een genuanceerdere en nauwkeurigere voorspelling wordt gegarandeerd.

Functies zoals het voorspellen van meerdere artikelen als groep, het rekening houden met promotiegestuurde vraag en het omgaan met intermitterende vraagpatronen zijn essentiële mogelijkheden voor bedrijven die te maken hebben met uiteenlopende productportfolio's en dynamische marktomstandigheden. Een juiste implementatie van deze toepassingen geeft bedrijven de beschikking over veelzijdige prognosetools, die aanzienlijk bijdragen aan geïnformeerde besluitvorming en operationele efficiëntie.

Extrapolatieve modellen

Onze oplossingen voor vraagvoorspelling ondersteunen een verscheidenheid aan voorspellingsbenaderingen, waaronder extrapolatieve of op afvlakking gebaseerde voorspellingsmodellen, zoals exponentiële afvlakking en voortschrijdende gemiddelden. De filosofie achter deze modellen is eenvoudig: ze proberen zich herhalende patronen in de historische gegevens te detecteren, kwantificeren en in de toekomst te projecteren.

  Er zijn twee soorten patronen die in de historische gegevens kunnen worden aangetroffen:

• Trend
• Seizoensgebondenheid

Deze patronen worden in de volgende afbeelding geïllustreerd, samen met willekeurige gegevens.

Ter illustratie van trend-, seizoens- en willekeurige tijdreeksgegevens

Als het patroon een trend is, schatten extrapolatieve modellen zoals dubbele exponentiële afvlakking en lineair voortschrijdend gemiddelde het tempo van de stijging of daling van het niveau van de variabele en projecteren dat tempo naar de toekomst.

Als het patroon seizoensgebonden is, schatten modellen zoals Winters en drievoudige exponentiële afvlakking seizoensvermenigvuldigers of seizoensgebonden optellingsfactoren en passen deze vervolgens toe op projecties van het niet-seizoensgebonden deel van de gegevens.

Heel vaak, vooral bij gegevens over detailhandelsverkopen, zijn zowel trend- als seizoenspatronen betrokken. Als deze patronen stabiel zijn, kunnen ze worden benut om zeer nauwkeurige voorspellingen te doen.

Soms zijn er echter geen duidelijke patronen, zodat de plots van de gegevens op willekeurige ruis lijken. Soms zijn patronen duidelijk zichtbaar, maar ze veranderen in de loop van de tijd en er kan niet op worden vertrouwd dat ze zich herhalen. In deze gevallen proberen de extrapolatieve modellen geen patronen te kwantificeren en te projecteren. In plaats daarvan proberen ze de ruis te middelen en goede schattingen te maken van het midden van de verdeling van gegevenswaarden. Deze typische waarden worden dan de voorspellingen. Wanneer gebruikers een historisch plot met veel ups en downs zien, maken ze zich soms zorgen omdat de voorspelling deze ups en downs niet repliceert. Normaal gesproken hoeft dit geen reden tot bezorgdheid te zijn. Dit gebeurt wanneer de historische patronen niet sterk genoeg zijn om het gebruik van een voorspellingsmethode te rechtvaardigen die het patroon repliceert. U wilt er zeker van zijn dat uw prognoses niet lijden onder het “wiebeleffect” dat hierin wordt beschreven blogpost.

Het verleden als voorspeller van de toekomst

De belangrijkste aanname die inherent is aan extrapolatieve modellen is dat het verleden een goede leidraad is voor de toekomst. Deze veronderstelling kan echter mislukken. Sommige historische gegevens kunnen verouderd zijn. De gegevens kunnen bijvoorbeeld een bedrijfsomgeving beschrijven die niet meer bestaat. Of de wereld die het model vertegenwoordigt, kan binnenkort veranderen, waardoor alle gegevens overbodig worden. Vanwege dergelijke complicerende factoren zijn de risico's van extrapolatieve voorspellingen kleiner als er slechts korte tijd in de toekomst wordt voorspeld.

Extrapolatieve modellen hebben het praktische voordeel dat ze goedkoop zijn en gemakkelijk te bouwen, te onderhouden en te gebruiken. Ze vereisen alleen nauwkeurige registraties van waarden uit het verleden van de variabelen die u moet voorspellen. Naarmate de tijd verstrijkt, voegt u eenvoudigweg de nieuwste gegevenspunten toe aan de tijdreeks en maakt u een nieuwe voorspelling. De hieronder beschreven causale modellen vereisen daarentegen meer denkwerk en meer gegevens. De eenvoud van extrapolatieve modellen wordt het meest op prijs gesteld als u met een enorm voorspellingsprobleem kampt, zoals het maken van nachtelijke prognoses van de vraag naar alle 30.000 artikelen die in een magazijn op voorraad zijn.

Oordelende aanpassingen

Extrapolatieve modellen kunnen met Demand Planner volledig automatisch worden uitgevoerd, zonder dat tussenkomst vereist is. Causale modellen vereisen inhoudelijk oordeel voor een verstandige selectie van onafhankelijke variabelen. Beide soorten statistische modellen kunnen echter worden verbeterd door oordelende aanpassingen. Beiden kunnen profiteren van uw inzichten.

Zowel causale als extrapolatieve modellen zijn gebaseerd op historische gegevens. Het is echter mogelijk dat u over aanvullende informatie beschikt die niet wordt weerspiegeld in de cijfers in het historische record. U weet bijvoorbeeld misschien dat de concurrentieomstandigheden binnenkort zullen veranderen, misschien als gevolg van prijskortingen of trends in de sector, of de opkomst van nieuwe concurrenten, of de aankondiging van een nieuwe generatie van uw eigen producten. Als deze gebeurtenissen plaatsvinden tijdens de periode waarvoor u voorspellingen doet, kunnen ze de nauwkeurigheid van puur statistische voorspellingen aantasten. Met de grafische aanpassingsfunctie van Smart Demand Planner kunt u deze extra factoren in uw prognoses opnemen via het proces van grafische aanpassing op het scherm.

Houd er rekening mee dat het toepassen van gebruikersaanpassingen op de prognose een tweesnijdend zwaard is. Als het op de juiste manier wordt gebruikt, kan het de nauwkeurigheid van voorspellingen verbeteren door gebruik te maken van een rijkere reeks informatie. Als het promiscue wordt gebruikt, kan het extra ruis aan het proces toevoegen en de nauwkeurigheid verminderen. Wij raden u aan spaarzaam om te gaan met oordelende aanpassingen, maar nooit blindelings de voorspellingen van een puur statistische voorspellingsmethode te aanvaarden. Het is ook erg belangrijk om de verwachte toegevoegde waarde te meten. Dat wil zeggen de waarde die door elke incrementele stap aan het prognoseproces wordt toegevoegd. Als u bijvoorbeeld aanpassingen toepast op basis van bedrijfskennis, is het belangrijk om te meten of deze aanpassingen waarde toevoegen door de nauwkeurigheid van de prognoses te verbeteren. Smart Demand Planner ondersteunt het meten van de verwachte toegevoegde waarde door elke overwogen prognose bij te houden en de nauwkeurigheidsrapporten van de prognoses te automatiseren. U kunt statistische prognoses selecteren, de fouten ervan meten en deze vergelijken met de overschreven voorspellingen. Door dit te doen informeert u het prognoseproces, zodat in de toekomst betere beslissingen kunnen worden genomen. 

Voorspellingen op meerdere niveaus

Een andere veel voorkomende situatie betreft prognoses op meerdere niveaus, waarbij er meerdere items als groep worden voorspeld of er zelfs meerdere groepen kunnen zijn, waarbij elke groep meerdere items bevat. We zullen dit soort prognoses over het algemeen Multilevel Forecasting noemen. Het belangrijkste voorbeeld is de productlijnprognose, waarbij elk artikel lid is van een artikelfamilie en het totaal van alle artikelen in de familie een betekenisvolle hoeveelheid is.

U heeft bijvoorbeeld, zoals in de volgende afbeelding, mogelijk een lijn tractoren en u wilt verkoopprognoses voor elk type tractor en voor de gehele tractorlijn.

Ter illustratie van productprognoses op meerdere niveaus

 Smart Demand Planner biedt roll-up/roll-down-prognoses. Deze functie is cruciaal voor het verkrijgen van uitgebreide prognoses van alle productartikelen en hun groepstotaal. De Roll Down/Roll Up-methode binnen deze functie biedt twee opties voor het verkrijgen van deze prognoses:

Samenvatten (Bottom-Up): Deze optie voorspelt in eerste instantie elk item afzonderlijk en voegt vervolgens de prognoses op itemniveau samen om een prognose op familieniveau te genereren.

Roll-down (van boven naar beneden): Als alternatief begint de roll-down-optie met het vormen van het historische totaal op familieniveau, voorspelt het en wijst het totaal vervolgens proportioneel toe tot op itemniveau.

Wanneer u Roll Down/Roll Up gebruikt, heeft u toegang tot het volledige scala aan prognosemethoden van Smart Demand Planner, zowel op artikel- als op familieniveau. Dit zorgt voor flexibiliteit en nauwkeurigheid bij het voorspellen, waarbij wordt voldaan aan de specifieke behoeften van uw bedrijf op verschillende hiërarchische niveaus.

Onderzoek naar prognoses heeft geen duidelijke voorwaarden geschapen die de voorkeur geven aan een top-down- of bottom-up-benadering van prognoses. De bottom-up benadering lijkt echter de voorkeur te hebben als de geschiedenis van items stabiel is en de nadruk ligt op de trends en seizoenspatronen van de individuele items. Top-down is normaal gesproken een betere keuze als sommige items een zeer luidruchtige geschiedenis hebben of als de nadruk ligt op prognoses op groepsniveau. Omdat Smart Demand Planner het snel en gemakkelijk maakt om zowel een bottom-up als een top-down benadering te proberen, moet u beide methoden proberen en de resultaten vergelijken. U kunt de functie 'Hold back on Current' van Smart Demand Planner in 'Prognose vs. Actueel' gebruiken om beide benaderingen op uw eigen gegevens te testen en te zien welke een nauwkeurigere voorspelling voor uw bedrijf oplevert. 

Feynmans perspectief belicht onze reis: “In haar pogingen om zoveel mogelijk over de natuur te leren, heeft de moderne natuurkunde ontdekt dat bepaalde dingen nooit met zekerheid ‘gekend’ kunnen worden. Veel van onze kennis moet altijd onzeker blijven. Het meeste wat we kunnen weten is in termen van waarschijnlijkheden.” – Richard Feynman, The Feynman Lectures on Physics.

Wanneer we de complexe wereld van de logistiek proberen te begrijpen, speelt willekeur een cruciale rol. Dit introduceert een interessante paradox: in een realiteit waarin precisie en zekerheid worden gewaardeerd, zou de onvoorspelbare aard van vraag en aanbod daadwerkelijk als een strategische bondgenoot kunnen dienen?

De zoektocht naar nauwkeurige voorspellingen is niet alleen een academische oefening; het is een cruciaal onderdeel van operationeel succes in tal van sectoren. Voor vraagplanners die moeten anticiperen op de productvraag zijn de gevolgen van het goed of fout doen van de vraag van cruciaal belang. Daarom is het herkennen en benutten van de kracht van willekeur niet slechts een theoretische oefening; het is een noodzaak voor veerkracht en aanpassingsvermogen in een steeds veranderende omgeving.

Onzekerheid omarmen: dynamische, stochastische en Monte Carlo-methoden

Dynamische modellering: De zoektocht naar absolute precisie in voorspellingen negeert de intrinsieke onvoorspelbaarheid van de wereld. Traditionele voorspellingsmethoden, met hun rigide raamwerken, schieten tekort in het accommoderen van de dynamiek van verschijnselen in de echte wereld. Door onzekerheid te omarmen, kunnen we overgaan op flexibelere en dynamischere modellen waarin willekeur als fundamentele component is opgenomen. In tegenstelling tot hun rigide voorgangers zijn deze modellen ontworpen om te evolueren als reactie op nieuwe gegevens, waardoor veerkracht en aanpassingsvermogen worden gegarandeerd. Deze paradigmaverschuiving van een deterministische naar een probabilistische benadering stelt organisaties in staat met meer vertrouwen door onzekerheid te navigeren en weloverwogen beslissingen te nemen, zelfs in volatiele omgevingen.

Stochastische modellering leidt voorspellers door de mist van onvoorspelbaarheid met de principes van waarschijnlijkheid. In plaats van te proberen willekeur te elimineren, omarmen stochastische modellen het. Deze modellen schuwen het idee van een enkelvoudige, vooraf bepaalde toekomst, maar presenteren in plaats daarvan een reeks mogelijke uitkomsten, elk met een geschatte waarschijnlijkheid. Deze benadering biedt een genuanceerder en realistischer beeld van de toekomst, waarbij de inherente variabiliteit van systemen en processen wordt erkend. Door een spectrum van potentiële toekomsten in kaart te brengen, voorziet stochastische modellering besluitvormers van een alomvattend inzicht in onzekerheid, waardoor strategische planning mogelijk is die zowel geïnformeerd als flexibel is.

Vernoemd naar het historische centrum van toeval en fortuin, maken Monte Carlo-simulaties gebruik van de kracht van willekeur om het uitgestrekte landschap van mogelijke uitkomsten te verkennen. Deze techniek omvat het genereren van duizenden, zo niet miljoenen, scenario's door middel van willekeurige steekproeven, waarbij elk scenario een ander toekomstbeeld schetst, gebaseerd op de inherente onzekerheden van de echte wereld. Beslissers kunnen, gewapend met inzichten uit Monte Carlo-simulaties, de reikwijdte van de mogelijke gevolgen van hun beslissingen inschatten, waardoor het een instrument van onschatbare waarde is voor risicobeoordeling en strategische planning in onzekere omgevingen.

Successen in de echte wereld: het benutten van willekeur

De strategie om willekeur in de prognoses te integreren is in diverse sectoren van onschatbare waarde gebleken. Grote beleggingsondernemingen en banken vertrouwen bijvoorbeeld voortdurend op stochastische modellen om het volatiele gedrag van de aandelenmarkt het hoofd te bieden. Een opmerkelijk voorbeeld is de manier waarop hedgefondsen deze modellen gebruiken om prijsbewegingen te voorspellen en risico's te beheren, wat leidt tot meer strategische beleggingskeuzes.

Op dezelfde manier vertrouwen veel bedrijven op het gebied van supply chain management op Monte Carlo-simulaties om de onvoorspelbaarheid van de vraag aan te pakken, vooral tijdens piekseizoenen zoals de feestdagen. Door verschillende scenario's te simuleren, kunnen ze zich op een reeks uitkomsten voorbereiden en ervoor zorgen dat ze over voldoende voorraadniveaus beschikken zonder dat ze te veel middelen inzetten. Deze aanpak minimaliseert het risico op voorraadtekorten en overtollige voorraad.

Deze successen uit de praktijk benadrukken de waarde van het integreren van willekeur in voorspellingsinspanningen. In plaats van de tegenstander te zijn die vaak wordt gezien, ontpopt willekeur zich als een onmisbare bondgenoot in het ingewikkelde ballet van voorspellingen. Door methoden te hanteren die rekening houden met de inherente onzekerheid van de toekomst – ondersteund door geavanceerde tools als Smart IP&O – kunnen organisaties met vertrouwen en flexibiliteit door het onvoorspelbare navigeren. In het grote geheel van voorspellingen kan het dus verstandig zijn om het idee te omarmen dat we weliswaar geen controle hebben over de worp van de dobbelstenen, maar dat we er wel een strategie omheen kunnen bedenken.