Er is één ding waar ik bijna elke dag aan herinnerd wordt bij Smart Software dat me een raadsel stelt: de meeste bedrijven begrijpen niet hoe prognoses worden gemaakt en hoe voorraadbeleid wordt bepaald. Het is een organisatorische zwarte doos. Hier is een voorbeeld van een recent verkoopgesprek:

Hoe voorspel je?
Wij gebruiken geschiedenis.

Hoe gebruik je geschiedenis?
Wat bedoel je?

Welnu, u kunt een gemiddelde nemen van het afgelopen jaar, de afgelopen twee jaar, het gemiddelde nemen van de meest recente perioden, of een ander type formule gebruiken om de prognose te genereren.
Ik ben er vrij zeker van dat we een gemiddelde van de laatste 12 maanden gebruiken.

Waarom 12 maanden in plaats van een andere hoeveelheid geschiedenis?
12 maanden is een goede hoeveelheid tijd om te gebruiken omdat het niet vertekend wordt door oudere gegevens, maar het is recent genoeg

Hoe weet je dat het nauwkeuriger is dan 18 maanden of een andere lengte van de geschiedenis te gebruiken?
We weten het niet. Wel passen we de prognoses aan op basis van feedback van sales.  

Weet u of de aanpassingen de zaken nauwkeuriger of minder nauwkeurig maken dan wanneer u alleen het gemiddelde zou gebruiken?
We weten het niet, maar zijn ervan overtuigd dat de prognoses te hoog zijn

Wat doen de voorraadkopers dan als ze denken dat de cijfers te hoog zijn?
Ze hebben veel zakelijke kennis en passen hun aankopen hierop aan

Dus, is het eerlijk om te zeggen dat ze de voorspellingen in ieder geval een deel van de tijd zouden negeren?
Ja, soms.

Hoe beslissen de kopers wanneer ze meer bestellen? Heeft u een bestelpunt of veiligheidsvoorraad gespecificeerd in uw ERP-systeem die u helpt bij het nemen van deze beslissingen?
Ja, we gebruiken een veiligheidsvoorraadveld.

Hoe wordt de veiligheidsvoorraad berekend?
Kopers bepalen dit op basis van het belang van het artikel, doorlooptijden en andere overwegingen, zoals hoeveel klanten het artikel kopen, de snelheid van het artikel en de kosten. Afhankelijk hiervan zullen ze verschillende hoeveelheden veiligheidsvoorraad bij zich hebben.

De discussie ging door. De belangrijkste afhaalmogelijkheid hier is dat wanneer je net onder het oppervlak krabt, er veel meer vragen worden onthuld dan antwoorden. Dit betekent vaak dat het voorraadplanning- en vraagprognoseproces zeer subjectief is, van planner tot planner varieert, niet goed wordt begrepen door de rest van de organisatie en waarschijnlijk reactief is. Zoals Tom Willemain heeft beschreven, is het "chaos gemaskeerd door improvisatie". Het "as-is"-proces moet volledig worden geïdentificeerd en gedocumenteerd. Alleen dan kunnen hiaten worden blootgelegd en kunnen verbeteringen worden aangebracht.   Hier is een lijst met 10 vragen die u kunt stellen dat zal het werkelijke proces van prognoses, vraagplanning en voorraadplanning van uw organisatie onthullen.

In een recente LinkedIn na, heb ik vier vragen uitgewerkt die, wanneer ze worden beantwoord, zullen onthullen hoe de prognoses zijn gebruikt worden in uw bedrijf. In dit artikel hebben we vragen opgesomd die u kunt stellen om te onthullen hoe de prognoses zijn gemaakt.

1. Als we gebruikers vragen hoe ze prognoses maken, is hun antwoord vaak "we gebruiken geschiedenis". Dit is duidelijk niet genoeg informatie, aangezien er verschillende soorten vraaggeschiedenis zijn die verschillende prognosemethoden vereisen. Als u historische gegevens gebruikt, zorg er dan voor dat u erachter komt of u een middelingsmodel, een trendmodel, een seizoensmodel of iets anders gebruikt om te voorspellen.

2. Zodra u het gebruikte model kent, vraagt u naar de parameterwaarden van die modellen. De prognose-output van een "gemiddelde" zal verschillen, soms aanzienlijk, afhankelijk van het aantal perioden dat u middelt. Zoek dus uit of u een gemiddelde gebruikt van de afgelopen 3 maanden, 6 maanden, 12 maanden, enz.

3. Als u trending-modellen gebruikt, vraag dan hoe de modelgewichten zijn ingesteld. In een trendingmodel, zoals dubbele exponentiële afvlakking, zullen de prognoses bijvoorbeeld aanzienlijk verschillen, afhankelijk van hoe de berekeningen recente gegevens wegen in vergelijking met oudere gegevens (hogere gewichten leggen meer nadruk op de recente gegevens).

4. Als u seizoensmodellen gebruikt, zullen de prognoseresultaten worden beïnvloed door het gebruikte "niveau" en "trendgewicht". U moet ook bepalen of seizoensperioden worden voorspeld met multiplicatieve of additieve seizoensinvloeden. (Additieve seizoensinvloeden zeggen bijvoorbeeld: "Voeg 100 eenheden toe voor juli", terwijl multiplicatieve seizoensinvloeden zeggen "Vermenigvuldig met 1,25 voor juli".) Ten slotte gebruikt u dit soort methoden misschien helemaal niet. Sommige beoefenaars zullen een voorspellingsmethode gebruiken die simpelweg het gemiddelde neemt van voorgaande perioden (dat wil zeggen, komende juni zal worden voorspeld op basis van het gemiddelde van de voorgaande drie junis).

5. Hoe kiest u het ene model boven het andere? Hangt de keuze van de techniek af van het type vraaggegevens of wanneer er nieuwe vraaggegevens beschikbaar zijn? Is dit proces geautomatiseerd? Of als een planner subjectief een trendmodel kiest, wordt dat item dan voorspeld met dat model totdat de planner het weer verandert?

6. Zijn uw prognoses 'volledig automatisch', zodat trends en/of seizoensinvloeden automatisch worden gedetecteerd? Of zijn uw prognoses afhankelijk van artikelclassificaties die door gebruikers moeten worden bijgehouden? Dit laatste vereist meer tijd en aandacht van planners om te definiëren welk gedrag een trend, seizoensinvloeden, enz. is.

7. Welke regels voor artikelclassificatie worden gebruikt? Een artikel kan bijvoorbeeld worden beschouwd als een trending artikel als de vraag met meer dan 5% periode-over-periode toeneemt. Een artikel kan als seizoensgebonden worden beschouwd als 70% of meer van de jaarlijkse vraag in vier of minder perioden plaatsvindt. Dergelijke regels worden door de gebruiker gedefinieerd en vereisen vaak te brede aannames. Soms zijn ze geconfigureerd toen een systeem oorspronkelijk werd geïmplementeerd, maar nooit herzien, zelfs niet als de omstandigheden veranderen. Het is belangrijk om ervoor te zorgen dat eventuele classificatieregels worden begrepen en, indien nodig, worden bijgewerkt.

8. Wordt de prognose automatisch opnieuw gegenereerd wanneer er nieuwe gegevens beschikbaar zijn, of moet u de prognoses handmatig opnieuw genereren?

9. Controleert u of de prognose van de ene periode op de andere verandert voordat u beslist of u de nieuwe prognose wilt gebruiken? Of ga je standaard naar de nieuwe prognose?

10. Hoe worden prognose-overschrijvingen die in eerdere planningscycli zijn gemaakt, behandeld wanneer een nieuwe prognose wordt gemaakt? Worden ze hergebruikt of vervangen?

11. Hoe verwerkt u prognoses van uw verkoopteam of van uw klanten? Vervangen deze prognoses de basislijnprognose, of gebruikt u deze invoer om planner-overrides te maken voor de basislijnprognose?

12. Onder welke omstandigheden zou u de basisprognose negeren en precies gebruiken wat verkopen of klanten u vertellen?

13. Als u vertrouwt op klantprognoses, wat doet u dan met klanten die geen prognoses geven?

14. Hoe documenteert u de effectiviteit van uw prognosebenadering? De meeste bedrijven meten alleen de nauwkeurigheid van de definitieve prognose die naar het ERP-systeem wordt gestuurd, als ze al iets meten. Maar ze beoordelen geen alternatieve voorspellingen die mogelijk zijn gebruikt. Het is belangrijk om wat je doet te vergelijken met benchmarks. Presteren de methoden die u gebruikt bijvoorbeeld beter dan een naïeve voorspelling (dwz 'morgen is gelijk aan vandaag', waar u niet bij hoeft na te denken), of wat u vorig jaar zag, of het gemiddelde van de afgelopen 12 maanden. Door uw basisprognose te benchmarken, weet u zeker dat u zoveel mogelijk nauwkeurigheid uit de gegevens haalt.

15. Meet je of overrides van sales, klanten en planners de prognose beter of slechter maken? Dit is net zo belangrijk als meten of uw statistische benaderingen beter presteren dan de naïeve methode. Als u niet weet of overrides helpen of schaden, kan het bedrijf niet beter worden in prognoses. U moet weten welke stappen waarde toevoegen, zodat u er meer van kunt doen en nog beter kunt worden. Als u de nauwkeurigheid van de prognoses niet documenteert en geen analyse van de toegevoegde waarde van de prognose uitvoert, kunt u niet goed beoordelen of de geproduceerde prognoses de beste zijn die u kunt maken. U mist kansen om het proces te verbeteren, de nauwkeurigheid te vergroten en het bedrijf te leren welk type voorspellingsfout te verwachten is.

Smart IP&O wordt mogelijk gemaakt door de SmartForecasts®-prognose-engine die automatisch de meest geschikte methode voor elk item selecteert. Smart Forecast-methoden worden hieronder vermeld:

• Eenvoudig voortschrijdend gemiddelde en enkele exponentiële afvlakking voor platte, ruisige gegevens
• Lineair voortschrijdend gemiddelde en dubbele exponentiële afvlakking voor trendgegevens
• Winters Additief en Winters Multiplicatief voor seizoens- en seizoens- en trendgegevens.

Deze blog legt uit hoe elk model werkt met behulp van tijdgrafieken van historische en voorspelde gegevens. Het schetst hoe te kiezen welk model te gebruiken. De onderstaande voorbeelden tonen dezelfde geschiedenis, in rood, voorspeld met elke methode, in donkergroen, vergeleken met de Slim gekozen winnende methode, in lichtgroen.

Seizoensgebondenheid
Als u seizoensinvloeden wilt forceren (of voorkomen) in de prognose, kies dan voor Winters-modellen. Beide methoden vereisen 2 volle jaren geschiedenis.

'Winter is multiplicatief zal de grootte van de pieken of dalen van seizoenseffecten bepalen op basis van een procentueel verschil met een trending gemiddeld volume. Het past niet goed bij items met een zeer laag volume vanwege deling door nul bij het bepalen van dat percentage. Merk in de onderstaande afbeelding op dat de grote procentuele daling van de seizoensgebonden vraag in de geschiedenis naar verwachting zal voortduren gedurende de prognosehorizon, waardoor het lijkt alsof er geen seizoensgebonden vraag is, ondanks het gebruik van een seizoensmethode.

Statistische voorspelling gemaakt met de multiplicatieve methode van Winter. 

Toevoeging voor de winter zal de grootte van de pieken of dalen van seizoenseffecten bepalen op basis van een eenheidsverschil met het gemiddelde volume. Het past niet goed als er een significante trend in de gegevens is. Let op in de afbeelding hieronder dat seasonaliteit wordt nu voorspeld op basis van de gemiddelde eenheidsverandering in seizoensgebondenheid. De voorspelling geeft dus nog steeds duidelijk het seizoenspatroon weer ondanks de neerwaartse trend in zowel het niveau als de seizoenspieken/dalen.

Statistische voorspelling gemaakt met de additieve methode van Winter.

Trend

Als u trend omhoog of omlaag wilt forceren (of voorkomen) om in de prognose te tonen, beperk dan de gekozen methoden tot (of verwijder de methoden van) Lineair voortschrijdend gemiddelde en Double Exponential Smoothing.

 Dubbele exponentiële afvlakking zal een langetermijntrend oppikken. Het past niet goed als er weinig historische datapunten zijn.

Statistische voorspelling geproduceerd met Double Exponential Smoothing

Lineair voortschrijdend gemiddelde zal trends op kortere termijn oppikken. Het is niet geschikt voor zeer volatiele gegevens

Niet-trending en niet-seizoensgebonden gegevens
Als u wilt forceren (of voorkomen) dat een gemiddelde wordt weergegeven in de prognose, beperk dan de gekozen methoden tot (of verwijder de methoden van) Eenvoudig voortschrijdend gemiddelde en Enkelvoudig exponentieel effenen.

Enkele exponentiële afvlakking zal de meest recente gegevens zwaarder wegen en een vlakke lijnprognose produceren. Het is niet geschikt voor trending- of seizoensgegevens.

Statistische voorspelling met Single Exponential Smoothing

Eenvoudig voortschrijdend gemiddelde zal voor elke periode een gemiddelde vinden, dat soms lijkt te wiebelen, en beter voor middelingen op langere termijn. Het is niet geschikt voor trending- of seizoensgegevens.

Statistische voorspelling met behulp van eenvoudig voortschrijdend gemiddelde

Soms slaat een statistische prognose gewoon nergens op. Elke voorspeller is er geweest. Ze kunnen dubbel controleren of de gegevens correct zijn ingevoerd of de modelinstellingen bekijken, maar ze blijven zich afvragen waarom de voorspelling er zo anders uitziet dan de vraaggeschiedenis. Wanneer de incidentele voorspelling nergens op slaat, kan dit het vertrouwen in het hele statistische prognoseproces aantasten.

Deze blog zal een leek helpen begrijpen wat de slimme statistische modellen zijn en hoe ze automatisch worden gekozen. Er wordt ingegaan op hoe die keuze soms mislukt, hoe u kunt weten of dat zo is en wat u kunt doen om ervoor te zorgen dat de prognoses altijd gerechtvaardigd kunnen worden. Het is belangrijk om te weten wat u kunt verwachten en hoe u de uitzonderingen kunt opvangen, zodat u kunt vertrouwen op uw prognosesysteem.

Hoe methoden automatisch worden gekozen

De criteria om automatisch één statistische methode uit een set te kiezen, zijn gebaseerd op welke methode het dichtst bij het correct voorspellen van de achtergehouden geschiedenis kwam. De eerdere geschiedenis wordt aan elke methode doorgegeven en het resultaat wordt vergeleken met de werkelijke waarden om de methode te vinden die er het dichtst bij in de buurt kwam. Die automatisch gekozen methode krijgt dan alle geschiedenis om de voorspelling te produceren. Bekijk deze blog voor meer informatie over de modelselectie https://smartcorp.com/uncategorized/statistical-forecasting-how-automatic-method-selection-works/

Voor de meeste tijdreeksen kan dit proces trends, seizoensgebondenheid en gemiddeld volume nauwkeurig vastleggen. Maar soms komt een gekozen methode wiskundig het dichtst in de buurt van het voorspellen van de achtergehouden geschiedenis, maar projecteert deze niet op een logische manier. Dat betekent dat de door het systeem geselecteerde methode niet de beste is en voor sommigen "moeilijk te voorspellen"

Moeilijk te voorspellen items

Moeilijk te voorspellen items kunnen grote, onvoorspelbare pieken in de vraag hebben, of meestal geen vraag maar willekeurige onregelmatige pieken, of ongebruikelijke recente activiteit. Ruis in de gegevens dwaalt soms willekeurig omhoog of omlaag, en de geautomatiseerde best-pick-methode kan een op hol geslagen trend of een nulpunt voorspellen. Het zal het slechter doen dan gezond verstand en in een klein percentage van een redelijk gevarieerde groep items. U moet deze gevallen dus identificeren en reageren door de prognose te negeren of de invoer van de prognose te wijzigen.

Hoe de uitzonderingen te vinden

De beste werkwijze is om de voorspelde items te filteren of te sorteren om de items te identificeren waarvan de som van de prognose voor het volgende jaar aanzienlijk afwijkt van de overeenkomstige geschiedenis van vorig jaar. De prognosesom kan veel lager zijn dan de historie of andersom. Gebruik de meegeleverde statistieken om deze items te identificeren; vervolgens kunt u ervoor kiezen om overschrijvingen toe te passen op de prognose of de prognose-instellingen te wijzigen.

Hoe de uitzonderingen op te lossen

Wanneer de voorspelling vreemd lijkt, zal een middelingsmethode, zoals Single Exponential Smoothing of zelfs een eenvoudig gemiddelde met behulp van Freestyle, vaak een redelijkere voorspelling opleveren. Als de trend mogelijk geldig is, kunt u alleen seizoensmethoden verwijderen om een onjuist seizoensresultaat te voorkomen. Of doe het tegenovergestelde en gebruik alleen seizoensmethoden als seizoensgebondenheid wordt verwacht maar niet was geprojecteerd in de standaardprognose. U kunt de wat-als-functies gebruiken om een onbeperkt aantal prognoses te maken, te evalueren en te vergelijken en de instellingen verder te verfijnen totdat u vertrouwd bent met de prognose.

Het opschonen van de geschiedenis, met of zonder wijziging van de automatische methodeselectie, is ook effectief bij het produceren van redelijke voorspellingen. U kunt prognoseparameters insluiten om de hoeveelheid geschiedenis die wordt gebruikt om die items te voorspellen of het aantal perioden dat aan het algoritme is doorgegeven, te verminderen, zodat eerdere, verouderde geschiedenis niet langer in aanmerking wordt genomen. U kunt pieken of dalen in de vraaggeschiedenis bewerken die bekende afwijkingen zijn, zodat ze de uitkomst niet beïnvloeden. U kunt ook samenwerken met het Smart-team om automatische detectie en verwijdering van uitschieters te implementeren, zodat gegevens voordat ze worden voorspeld al zijn opgeschoond van deze afwijkingen.

Als de vraag echt intermitterend is, wordt het bijna onmogelijk om "nauwkeurig" per periode te voorspellen. Als een level-loading-gemiddelde niet acceptabel is, kan het effectief zijn om het artikel af te handelen door een voorraadbeleid in te stellen met een doorlooptijdprognose. U kunt er ook voor kiezen om 'hetzelfde als vorig jaar'-modellen te gebruiken die, hoewel ze niet gevoelig zijn voor nauwkeurigheid, algemeen worden geaccepteerd door het bedrijf gezien de alternatieve prognoses.

Ten slotte, als het item zo recent is geïntroduceerd dat de algoritmen niet genoeg input hebben om nauwkeurig te voorspellen, is een eenvoudige gemiddelde of handmatige voorspelling wellicht het beste. U kunt nieuwe items identificeren door te filteren op het aantal historische perioden.

Handmatige selectie van methoden

Zodra u rijen hebt geïdentificeerd waar de prognose niet logisch is voor het menselijk oog, kunt u een kleinere subset van alle methoden kiezen om de prognoserun toe te laten en te vergelijken met de geschiedenis. Met Smart kunt u een beperkte set methoden gebruiken voor slechts één prognoserun of de beperkte set insluiten om te gebruiken voor alle prognoseruns in de toekomst. Verschillende methoden zullen de geschiedenis op verschillende manieren in de toekomst projecteren. Als u een idee heeft van hoe elk werkt, kunt u kiezen welke u wilt toestaan.

Vertrouw op uw prognosetool

Hoe meer u Slimme periode-over-periode gebruikt om uw beslissingen over hoe te voorspellen en welke historische gegevens u in overweging moet nemen, vast te leggen, hoe minder vaak u uitzonderingen zult tegenkomen, zoals beschreven in deze blog. Het invoeren van prognoseparameters is een beheersbare taak wanneer u begint met kritieke items of items met een hoge impact. Zelfs als u geen handmatige beslissingen over prognosemethoden insluit, wordt de prognose elke periode opnieuw uitgevoerd met nieuwe gegevens. Dus een item met een oneven resultaat vandaag kan in de loop van de tijd gemakkelijk voorspelbaar worden.

"Ongeacht hoeveel moeite er wordt gestoken in het opleiden van voorspellers en het ontwikkelen van uitgebreide ondersteuningssystemen voor prognoses, besluitvormers zullen de voorspellingen wijzigen of negeren als ze ze niet vertrouwen." — Dilek Onkal, International Journal of Forecasting 38:3 (juli-september 2022), p.802.

De hierboven geciteerde woorden trokken mijn aandacht en leidden tot dit bericht. Degenen met een nerdachtige overtuiging, zoals uw blogger, zijn geneigd prognoses als een statistisch probleem te beschouwen. Hoewel dat duidelijk waar is, begrijpen degenen van een bepaalde leeftijd, zoals uw blogger, dat prognoses ook een sociale activiteit zijn en daarom een grote menselijke component heeft.

Waar vertrouw je op?

Er is een verwante dimensie van vertrouwen: niet wie vertrouw je, maar wat vertrouw je? Hiermee bedoel ik zowel data als software.

Vertrouw op gegevens

Vertrouwen in data ondersteunt het vertrouwen in de voorspeller die de data gebruikt. De meeste van onze klanten hebben hun gegevens in een ERP-systeem staan. Deze gegevens moeten worden begrepen als een belangrijk bedrijfsmiddel. Om de gegevens betrouwbaar te laten zijn, moeten ze de "drie C's" hebben, dwz ze moeten correct, volledig en actueel zijn.

Correctheid is uiteraard fundamenteel. We hadden eens een klant die een nieuw, sterk prognoseproces aan het implementeren was, maar vond dat de resultaten volledig haaks stonden op hun gevoel voor wat er in het bedrijf gebeurde. Het bleek dat verschillende van hun datastromen een factor twee onjuist waren, wat een enorme fout is. Dit vertraagde natuurlijk het implementatieproces totdat ze alle grove fouten in hun vraaggegevens konden identificeren en corrigeren.

Er is een minder voor de hand liggend punt over correctheid. Dat wil zeggen, gegevens zijn willekeurig, dus wat u nu ziet, is waarschijnlijk niet wat u hierna ziet. Het plannen van de productie op basis van de veronderstelling dat de vraag van volgende week precies hetzelfde zal zijn als de vraag van deze week is duidelijk dwaas, maar klassieke op formules gebaseerde voorspellingsmodellen zoals de hierboven genoemde exponentiële afvlakking zullen hetzelfde aantal projecteren over de hele prognosehorizon. Dit is waar op scenario's gebaseerde planning is essentieel om het hoofd te bieden aan de onvermijdelijke fluctuaties in belangrijke variabelen zoals de eisen van klanten en de doorlooptijden van leveranciers.

Volledigheid is de tweede vereiste om gegevens te kunnen vertrouwen. Onze software haalt uiteindelijk veel van zijn waarde uit het blootleggen van de verbanden tussen operationele beslissingen (bijvoorbeeld het selecteren van bestelpunten voor het aanvullen van voorraad) en bedrijfsgerelateerde statistieken zoals voorraadkosten. Toch loopt de implementatie van prognosesoftware vaak vertraging op omdat ergens vraaginformatie beschikbaar is, maar voorraad-, bestel- en/of tekortkosten niet. Of, om nog een recent voorbeeld te noemen: een klant kon slechts de helft van zijn voorraad reserveonderdelen voor repareerbare onderdelen op de juiste maat houden, omdat niemand had bijgehouden wanneer de andere helft kapot ging, wat betekent dat er geen informatie was over de gemiddelde tijd vóór storing (MTBF). , wat betekent dat het niet mogelijk was om het pechgedrag van de helft van de vloot van repareerbare reserveonderdelen te modelleren.

Ten slotte is de valuta van gegevens van belang. Naarmate de snelheid van zakendoen toeneemt en bedrijfsplanningscycli afnemen van een driemaandelijks of maandelijks tempo naar een wekelijks of dagelijks tempo, wordt het wenselijk om de flexibiliteit te benutten die wordt geboden door 's nachts uploads van dagelijkse transactiegegevens naar de cloud. Dit maakt hoogfrequente aanpassingen van prognoses en/of voorraadbeheerparameters mogelijk voor artikelen met een hoge volatiliteit en plotselinge verschuivingen in de vraag. Hoe verser de gegevens, hoe betrouwbaarder de analyse.

Vertrouw op software voor vraagvoorspelling

Zelfs met gegevens van hoge kwaliteit moeten voorspellers nog steeds vertrouwen op de analytische software die de gegevens verwerkt. Dit vertrouwen moet zich uitstrekken tot zowel de software zelf als de computationele omgeving waarin deze functioneert.

Als voorspellers lokale software gebruiken, moeten ze vertrouwen op hun eigen IT-afdelingen om de gegevens te beschermen en beschikbaar te houden voor gebruik. Als ze in plaats daarvan de kracht van cloudgebaseerde analyses willen benutten, moeten klanten hun vertrouwelijke informatie toevertrouwen aan hun softwareleveranciers. Software op professioneel niveau, zoals de onze, rechtvaardigt het vertrouwen van klanten door middel van SOC 2-certificering. SOC 2-certificering is ontwikkeld door het American Institute of CPA's en definieert criteria voor het beheer van klantgegevens op basis van vijf "trustservice-principes": beveiliging, beschikbaarheid, verwerkingsintegriteit, vertrouwelijkheid en privacy.

Hoe zit het met de software zelf? Wat is er nodig om het betrouwbaar te maken? De belangrijkste criteria hierbij zijn de juistheid van algoritmen en functionele betrouwbaarheid. Als de leverancier een professioneel programma-ontwikkelingsproces heeft, is de kans klein dat de software door een programmeerfout uiteindelijk de verkeerde cijfers berekent. En als de leverancier een rigoureus kwaliteitsborgingsproces heeft, is de kans klein dat de software crasht net wanneer de voorspeller een deadline heeft of een pop-upanalyse voor een speciale situatie moet verwerken.

Overzicht

Om bruikbaar te zijn, moeten voorspellers en hun voorspellingen worden vertrouwd door besluitvormers. Dat vertrouwen is afhankelijk van kenmerken van voorspellers en hun processen en communicatie. Het hangt ook af van de kwaliteit van de gegevens en software die worden gebruikt bij het maken van de prognoses.

Lees hier het 1e deel van deze Blog “Who do you Trust”: https://smartcorp.com/forecasting/the-role-of-trust-in-the-demand-forecasting-process-part-1-who/

"Ongeacht hoeveel moeite er wordt gestoken in het opleiden van voorspellers en het ontwikkelen van uitgebreide ondersteuningssystemen voor prognoses, besluitvormers zullen de voorspellingen wijzigen of negeren als ze ze niet vertrouwen." — Dilek Onkal, International Journal of Forecasting 38:3 (juli-september 2022), p.802.

De hierboven geciteerde woorden trokken mijn aandacht en leidden tot dit bericht. Degenen met een nerdachtige overtuiging, zoals uw blogger, zijn geneigd prognoses als een statistisch probleem te beschouwen. Hoewel dat duidelijk waar is, begrijpen degenen van een bepaalde leeftijd, zoals uw blogger, dat prognoses ook een sociale activiteit zijn en daarom een grote menselijke component heeft.

Wie vertrouw je?

Vertrouwen is altijd tweerichtingsverkeer, maar laten we aan de kant van de vraagvoorspeller blijven. Welke kenmerken van en acties van voorspellers en vraagplanners bouwen vertrouwen op in hun werk? De hierboven geciteerde professor Onkal besprak academisch onderzoek over dit onderwerp dat teruggaat tot 2006. Ze vatte de resultaten samen van praktijkonderzoeken die belangrijke vertrouwensfactoren identificeerden met betrekking tot de kenmerken van de voorspeller, het prognoseproces en de communicatie over prognoses.

Voorspeller kenmerken

De sleutel tot het opbouwen van vertrouwen onder de gebruikers van prognoses is de perceptie van de competentie en objectiviteit van de voorspeller en vraagplanner. Competentie heeft een wiskundige component, maar veel managers verwarren computervaardigheden met analytische vaardigheden, dus gebruikers van prognosesoftware kunnen deze hindernis meestal nemen. Aangezien de twee echter niet hetzelfde zijn, loont het om de training van uw leverancier op u te nemen en niet alleen de wiskunde maar ook het jargon van uw prognosesoftware te leren. Vertrouwen kan mijns inziens ook worden vergroot door kennis te tonen van de business van het bedrijf.

Objectiviteit is ook een sleutel tot betrouwbaarheid. Het kan ongemakkelijk zijn voor de voorspeller om af en toe in afdelingsruzies terecht te komen, maar die komen naar boven en moeten met tact worden behandeld. Ruzies? Nou, silo's bestaan en kantelen in verschillende richtingen. Verkoopafdelingen geven de voorkeur aan hogere vraagprognoses die de productie verhogen, zodat ze nooit hoeven te zeggen: "Sorry, we zijn vers van dat." Voorraadbeheerders zijn op hun hoede voor prognoses met een hoge vraag, omdat "overmatig enthousiasme" ervoor kan zorgen dat ze de zak vasthouden en op een opgeblazen voorraad zitten.

Soms wordt de voorspeller een de facto scheidsrechter, en moet in deze rol openlijke tekenen van objectiviteit vertonen. Dat kan betekenen dat eerst moet worden erkend dat bij elke managementbeslissing goede dingen moeten worden afgewogen tegen andere goede dingen, bijvoorbeeld productbeschikbaarheid versus gestroomlijnde operaties, en dat de partijen vervolgens moeten worden geholpen om een pijnlijke maar aanvaardbare balans te vinden door de verbanden tussen operationele beslissingen en de belangrijkste prestatiestatistieken aan het licht te brengen. die belangrijk zijn voor mensen als Chief Financial Officers.

Het prognoseproces

Het prognoseproces kan worden beschouwd als drie fasen: gegevensinvoer, berekeningen en uitvoer. In elke fase kunnen acties worden ondernomen om het vertrouwen te vergroten.

Wat betreft ingangen:

Het vertrouwen kan worden vergroot als duidelijk relevante invoer op zijn minst wordt erkend als deze niet direct in berekeningen wordt gebruikt. Factoren zoals het sentiment op sociale media en het onderbuikgevoel van regionale verkoopmanagers kunnen dus legitieme onderdelen zijn van een consensusproces voor prognoses. Objectiviteit vereist echter dat deze vermeende winstvoorspellers objectief worden getoetst. Een professioneel prognoseproces kan bijvoorbeeld heel goed een subjectieve aanpassing van statistische prognoses omvatten, maar moet dan ook beoordelen of de aanpassingen uiteindelijk de nauwkeurigheid verbeteren en niet alleen dat sommige mensen zich gehoord voelen.

Wat betreft de tweede fase, berekeningen:

De voorspeller zal worden vertrouwd in de mate dat hij in staat is om meer dan één manier te gebruiken om prognoses te berekenen en vervolgens een goede reden kan verwoorden waarom hij voor de uiteindelijk gebruikte methode heeft gekozen. Daarnaast moet de voorspeller in toegankelijke taal kunnen uitleggen hoe zelfs ingewikkelde technieken hun werk doen. Het is moeilijk om vertrouwen te stellen in een 'black box'-methode die zo ondoorzichtig is dat hij ondoorgrondelijk is. Het belang van verklaarbaarheid wordt nog versterkt door het feit dat de leidinggevende van de voorspeller op zijn beurt in staat moet zijn om de keuze van de gebruikte techniek te verantwoorden. hun leidinggevende.

Exponentiële afvlakking gebruikt bijvoorbeeld deze vergelijking: S(t) = αX(t)+(1-α)S(t-1). Veel voorspellers zijn bekend met deze vergelijking, maar veel voorspellingsgebruikers niet. Er is een verhaal dat de vergelijking verklaart in termen van het gemiddelde van irrelevante "ruis" in de vraaggeschiedenis van een artikel en de noodzaak om een balans te vinden tussen het wegwerken van ruis en het vermogen om te reageren op plotselinge verschuivingen in het niveau van de vraag. De voorspeller die dat verhaal kan vertellen, zal geloofwaardiger zijn. (Mijn eigen versie van dat verhaal gebruikt uitdrukkingen uit de sport, dwz "hoofdvervalsingen" en "jukes". Het vinden van folkachtige analogen die geschikt zijn voor uw specifieke publiek, loont altijd.)

Een laatste punt: best practice vereist dat elke voorspelling vergezeld gaat van een eerlijke beoordeling van de onzekerheid ervan. Een voorspeller die vertrouwen probeert op te bouwen door te specifiek te zijn ("Verkoop volgend kwartaal zal 12.184 eenheden zijn") zal altijd falen. Een voorspeller die zegt: "De verkoop in het volgende kwartaal heeft een kans dat de 90% tussen de 12.000 en 12.300 eenheden valt", zal zowel vaker correct zijn als ook nuttiger voor besluitvormers. Per slot van rekening is prognoses in wezen een taak van risicobeheer, dus de besluitvormer is er het beste mee gediend als hij de risico's kent.

Prognose communicatie:

Overweeg ten slotte de derde fase, communicatie van prognoseresultaten. Onderzoek wijst uit dat voortdurende communicatie met prognosegebruikers vertrouwen opbouwt. Het vermijdt die afschuwelijke, leeglopende momenten waarop een mooi opgemaakt rapport wordt neergeschoten vanwege een fatale fout die had kunnen worden voorzien: "Dit is niet goed omdat je geen rekening hebt gehouden met X, Y of Z" of "We wilden echt u om resultaten opgerold te presenteren naar de top van de producthiërarchieën (of per verkoopregio of per productlijn of…)”.

Zelfs als iedereen op één lijn zit met wat er wordt verwacht, wordt het vertrouwen vergroot door resultaten te presenteren met behulp van goed gemaakte grafische afbeeldingen, met enorme numerieke tabellen als back-up, maar niet als de belangrijkste manier om resultaten te communiceren. Mijn ervaring is dat, net als een apparaat om vergaderingen te controleren, een grafiek meestal veel beter is dan een grote numerieke tabel. Bij een grafiek is ieders aandacht op hetzelfde gericht en zijn veel aspecten van de analyse direct (en letterlijk) zichtbaar. Bij een resultatentabel valt de deelnemerstafel vaak uiteen in nevengesprekken waarin elke stem zich richt op verschillende delen van de tafel.

Onkal vat het onderzoek als volgt samen: "Take-aways voor degenen die prognoses maken en degenen die ze gebruiken, komen samen rond duidelijkheid van communicatie en percepties van competentie en integriteit."

Waar vertrouw je op?

Er is een verwante dimensie van vertrouwen: niet wie vertrouw je, maar wat vertrouw je? Hiermee bedoel ik zowel data als software….  Lees hier het 2e deel van deze Blog “Wat vertrouw je”.  https://smartcorp.com/forecasting/the-role-of-trust-in-the-demand-forecasting-process-part-2-what/