The best inventory planning processes rely on statistical analysis to uncover relevant facts about the data. For instance:

1. The range of demand values and supplier lead times to expect.
2. The most likely values of item demand and supplier lead time.
3. The full probability distributions of item demand and supplier lead time.

If you reach the third level, you have the facts required to answer important operational questions, additional questions such as:

1. Exactly how much extra stock is needed to improve service levels by 5%?
2. What will happen to on-time-delivery if inventory is reduced by 5%?
3. Will either of the above changes generate a positive financial return?
4. More generally, what service level target and associated inventory level is most profitable?

When you have the facts and add your business knowledge, you can make more informed stocking decisions that will generate significant returns. You’ll also set proper expectations with internal and external stakeholders, ensuring there are fewer unwelcome surprises.

Outside of work, you may have heard the famous dictum “Correlation is not causation.” It may sound like a piece of theoretical fluff that, though involved in a recent Noble Prize in economics, isn’t relevant to your work as a demand planner. Is so, you may be only partially correct.

Extrapolative vs Causal Models

Most demand forecasting uses extrapolative models. Also called time-series models, these forecast demand using only the past values of an item’s demand. Plots of past values reveal trend and seasonality and volatility, so there is a lot they are good for. But there is another type of model – causal models —that can potentially improve forecast accuracy beyond what you can get from extrapolative models.

Causal models bring more input data to the forecasting task: information on presumed forecast “drivers” external to the demand history of an item. Examples of potentially useful causal factors include macroeconomic variables like the inflation rate, the rate of GDP growth, and raw material prices. Examples not tied to the national economy include industry-specific growth rates and your own and competitors’ ad spending.  These variables are usually used as inputs to regression models, which are equations with demand as an output and causal variables as inputs.

Forecasting using Causal Models

Many firms have an S&OP process that involves a monthly review of statistical (extrapolative) forecasts in which management adjusts forecasts based on their judgement. Often this is an indirect and subjective way to work causal models into the process without doing the regression modeling.

To actually make a causal regression model, first you have to nominate a list of potentially-useful causal predictor variables. These may come from your subject matter expertise. For example, suppose you manufacture window glass. Much of your glass may end up in new homes and new office buildings. So, the number of new homes and offices being built are plausible predictor variables in a regression equation.

There is a complication here: if you are using the equation to predict something, you must first predict the predictors. For example, sales of glass next quarter may be strongly related to numbers of new homes and new office buildings next quarter. But how many new homes will there be next quarter? That’s its own forecasting problem. So, you have a potentially powerful forecasting model, but you have extra work to do to make it usable.

There is one way to simplify things: if the predictor variables are “lagged” versions of themselves. For example, the number of new building permits issued six months ago may be a good predictor of glass sales next month. You don’t have to predict the building permit data – you just have to look it up.

Is it a causal relationship or just a spurious correlation?

Causal models are the real deal: there is an actual mechanism that relates the predictor variable to the predicted variable. The example of predicting glass sales from building permits is an example.

A correlation relationship is more iffy. There is a statistical association that may or may not provide a solid basis for forecasting. For example, suppose you sell a product that happens to appeal most strongly to Dutch people but you don’t realize this. The Dutch are, on average, the tallest people in Europe. If your sales are increasing and the average height of Europeans is increasing, you might use that relationship to good effect. However, if the proportion of Dutch in the Euro zone is decreasing while the average height is increasing because the mix of men versus women is shifting toward men, what can go wrong? You will expect sales to increase because average height is increasing. But your sales are really mostly to the Dutch, and their relative share of the population is shrinking, so your sales are really going to decrease instead. In this case the association between sales and customer height is a spurious correlation.

How can you tell the difference between true and spurious relationships? The gold standard is to do a rigorous scientific experiment. But you are not likely to be in position to do that. Instead, you have to rely on your personal “mental model” of how your market works. If your hunches are right, then your potential causal models will correlate with demand and causal modeling will pay off for you, either to supplement extrapolative models or to replace them.

Hier zijn voorbeelden van prognoseproblemen die SmartForecasts kan oplossen, samen met de soorten bedrijfsgegevens die representatief zijn voor elk.

Een item voorspellen op basis van het patroon

Welke omzet kunt u, gegeven de volgende zes kwartaalverkoopcijfers, verwachten voor het derde en vierde kwartaal van 2023?

Verkoop per kwartaal

SmartForecasts biedt u vele manieren om dit probleem aan te pakken. U kunt uw eigen statistische prognoses maken met een van de zes verschillende Exponential smoothing en Moving average methoden. Of, zoals de meeste niet-technische voorspellers, kunt u de tijdbesparende automatische opdracht gebruiken, die is geprogrammeerd om automatisch de meest nauwkeurige methode voor uw gegevens te selecteren en te gebruiken. Ten slotte kunt u, om uw zakelijke oordeel in het prognoseproces op te nemen, elk statistisch prognoseresultaat grafisch aanpassen met behulp van SmartForecasts' "oogbol" aanpassing mogelijkheden.

Een item voorspellen op basis van zijn relatie met andere variabelen.

Gezien de volgende historische relatie tussen de verkoop per eenheid en het aantal vertegenwoordigers, welke verkoopniveaus kunt u verwachten wanneer de geplande toename van het verkooppersoneel plaatsvindt in de laatste twee kwartalen van 2023?

Verkoop en verkoopvertegenwoordigers per kwartaal

U kunt een vraag als deze beantwoorden met behulp van het krachtige SmartForecasts Regressie commando, speciaal ontworpen om prognosetoepassingen te vergemakkelijken die oplossingen voor regressieanalyse vereisen. Regressiemodellen met een vrijwel onbeperkt aantal onafhankelijke/voorspellersvariabelen zijn mogelijk, hoewel de meeste bruikbare regressiemodellen slechts een handvol voorspellers gebruiken.

Gelijktijdig een aantal productitems en hun totaal voorspellen

Gegeven de volgende totale verkoop voor alle overhemden en de verdeling van de verkoop per kleur, wat zal de individuele en totale verkoop zijn in de komende zes maanden?

Maandelijkse verkoop van overhemden per kleur

De unieke Group Forecasting-functies van SmartForecasts voorspellen automatisch en gelijktijdig nauw verwante tijdreeksen, zoals deze artikelen in dezelfde productgroep. Dit bespaart veel tijd en levert prognoseresultaten op, niet alleen voor de afzonderlijke artikelen, maar ook voor het totaal. "Eyeball"-aanpassingen op zowel item- als groepsniveau zijn eenvoudig te maken. U kunt snel prognoses maken voor productgroepen met honderden of zelfs duizenden artikelen.

Automatisch duizenden items voorspellen

Wat kunt u verwachten van de vraag in de komende zes maanden voor elk van de 5.000 SKU's, gegeven het volgende record van productvraag op SKU-niveau?

Maandelijkse productvraag per SKU (Stock Keeping Unit)

In slechts een paar minuten kan de krachtige automatische selectie van SmartForecasts een prognosetaak van deze omvang uitvoeren, de gegevens over de productvraag lezen, automatisch statistische prognoses voor elke SKU maken en het resultaat opslaan. De resultaten zijn vervolgens klaar voor export naar uw ERP-systeem met behulp van een van onze API-gebaseerde connectoren of via bestandsexport. Eenmaal ingesteld, worden er automatisch elke planningscyclus prognoses gemaakt zonder tussenkomst van de gebruiker.

Voorspelling van de vraag die meestal nul is

Een apart en vooral uitdagend type data om te voorspellen is periodieke vraag, die meestal nul is, maar op willekeurige tijdstippen omhoog springt naar willekeurige waarden die niet gelijk zijn aan nul. Dit patroon is typerend voor de vraag naar langzaam in beweging items, zoals service-onderdelen of groot ticket kapitaalgoederen.

Kijk bijvoorbeeld eens naar het volgende voorbeeld van de vraag naar serviceonderdelen voor vliegtuigen. Let op het overwicht van nulwaarden met niet-nulwaarden vermengd, vaak in bursts.

SmartForecasts heeft een unieke methode die speciaal is ontworpen voor dit soort data: de functie Intermittent Demand forecasting. Aangezien intermitterende vraag het vaakst ontstaat in de context van voorraadbeheer, richt deze functie zich op het voorspellen van het bereik van waarschijnlijke waarden voor de totale vraag gedurende een doorlooptijd, bijvoorbeeld de cumulatieve vraag over de periode van 23 juni tot 23 augustus in het bovenstaande voorbeeld .

Voorspellen van voorraadbehoeften

Het voorspellen van voorraadvereisten is een gespecialiseerde variant van prognoses die zich richt op de bovenkant van het bereik van mogelijke toekomstige waarden.

Overweeg voor de eenvoud het probleem van het voorspellen van voorraadbehoeften voor slechts één periode vooruit, bijvoorbeeld één dag vooruit. Gewoonlijk is de prognosetaak het schatten van het meest waarschijnlijke of gemiddelde niveau van de productvraag. Als de beschikbare voorraad echter gelijk is aan de gemiddelde vraag, is er een kans van ongeveer 50% dat de vraag de voorraad overtreft, wat resulteert in omzetverlies en/of goodwill. Het voorraadniveau instellen op bijvoorbeeld tien keer de gemiddelde vraag zal waarschijnlijk het probleem van stockouts elimineren, maar zal net zo zeker resulteren in opgeblazen voorraadkosten.

De truc van voorraadoptimalisatie is om een bevredigende balans te vinden tussen voldoende voorraad hebben om aan de meeste vraag te voldoen zonder al te veel middelen in het proces vast te leggen. Meestal is de oplossing een combinatie van zakelijk inzicht en statistieken. Het beoordelende deel is het definiëren van een acceptabel voorraadserviceniveau, zoals het direct uit voorraad voldoen aan 95% vraag. Het statistische deel is om het 95e percentiel van de vraag te schatten.

Wanneer niet omgaan met Intermittent demand, schat SmartForecasts het vereiste voorraadniveau door uit te gaan van een klokvormige (normale) vraagcurve, zowel het midden als de breedte van de klokcurve te schatten en vervolgens een standaard statistische formule te gebruiken om het gewenste percentiel te schatten. Het verschil tussen het gewenste voorraadniveau en het gemiddelde niveau van de vraag wordt de veiligheidsvoorraad genoemd omdat het beschermt tegen de mogelijkheid van stockouts.

Bij intermitterende vraag is de klokvormige curve een slechte benadering van de statistische verdeling van de vraag. In dit speciale geval gebruikt SmartForecasts gepatenteerde intermitterende vraagvoorspellingstechnologie om het vereiste voorraadserviceniveau te schatten.

Nauwkeurigheid van prognoses is een belangrijke maatstaf om de kwaliteit van uw vraagplanningsproces te beoordelen. (Het is niet de enige. Anderen omvatten tijdigheid en kosten; zie 5 Tips voor vraagplanning voor het berekenen van prognoseonzekerheid.) Zodra u prognoses heeft, zijn er een aantal manieren om hun nauwkeurigheid samen te vatten, meestal aangeduid met obscure drie- of vierletterige acroniemen zoals MAPE, RMSE en MAE. Zien Vier handige manieren om prognosefouten te meten voor meer informatie.

Een minder besproken maar meer fundamentele kwestie is hoe computationele experimenten worden georganiseerd voor het berekenen van voorspellingsfouten. Deze post vergelijkt de drie belangrijkste experimentele ontwerpen. Een van hen is ouderwets en komt in wezen neer op valsspelen. Een andere is de gouden standaard. Een derde is een handig hulpmiddel dat de gouden standaard nabootst en kan het beste worden gezien als een voorspelling van hoe de gouden standaard zal uitpakken. Figuur 1 is een schematische weergave van de drie methoden.

Afbeelding 1: Drie manieren om prognosefouten te beoordelen

Het bovenste paneel van figuur 1 geeft de manier weer waarop voorspellingsfouten werden beoordeeld in het begin van de jaren '80 voordat we de stand van de techniek verplaatsten naar het schema in het middelste paneel. Vroeger werden prognoses beoordeeld op dezelfde gegevens die werden gebruikt om de prognoses te berekenen. Nadat een model aan de gegevens was aangepast, waren de berekende fouten niet voor modelvoorspellingen maar voor model past bij. Het verschil is dat prognoses voor toekomstige waarden zijn, terwijl aanpassingen voor gelijktijdige waarden zijn. Stel dat het voorspellingsmodel een eenvoudig voortschrijdend gemiddelde is van de drie meest recente waarnemingen. Op tijdstip 3 berekent het model het gemiddelde van waarnemingen 1, 2 en 3. Dit gemiddelde wordt dan vergeleken met de waargenomen waarde op tijdstip 3. We noemen dit vals spelen omdat de waargenomen waarde op tijdstip 3 een stem kreeg over wat de voorspelling zou moeten zijn op tijdstip 3. Een echte prognosebeoordeling zou het gemiddelde van de eerste drie waarnemingen vergelijken met de waarde van de volgende, vierde, observatie. Anders blijft de voorspeller achter met een te optimistische beoordeling van de nauwkeurigheid van de voorspelling.

Het onderste paneel van figuur 1 toont de beste manier om de nauwkeurigheid van prognoses te beoordelen. In dit schema worden alle historische vraaggegevens gebruikt om in een model te passen, dat vervolgens wordt gebruikt om toekomstige, onbekende vraagwaarden te voorspellen. Uiteindelijk ontvouwt de toekomst zich, onthullen de werkelijke toekomstige waarden zich en kunnen werkelijke voorspellingsfouten worden berekend. Dit is de gouden standaard. Deze informatie wordt ingevuld in het rapport 'Prognoses versus actuals' in onze software.

Het middelste paneel toont een handige tussenmaat. Het probleem met de gouden standaard is dat u moet wachten om erachter te komen hoe goed de door u gekozen prognosemethoden presteren. Deze vertraging helpt niet wanneer u op dit moment moet kiezen welke prognosemethode u voor elk item wilt gebruiken. Het geeft ook geen tijdige inschatting van de prognoseonzekerheid die u zult ervaren, wat belangrijk is voor risicobeheer zoals het afdekken van prognoses. De middenweg is gebaseerd op hold-out-analyse, die de meest recente waarnemingen uitsluit (“holds out”) en de voorspellingsmethode vraagt zijn werk te doen zonder die grondwaarheden te kennen. Vervolgens kunnen de prognoses op basis van de verkorte vraaggeschiedenis worden vergeleken met de uitgestelde werkelijke waarden om een eerlijke beoordeling van de prognosefout te krijgen.

​If you had your head up lately, you may have noticed some additional madness off the basketball court: The failure of Silicon Valley Bank. Those of us in the supply chain world may have dismissed the bank failure as somebody else’s problem, but that sorry episode holds a big lesson for us, too: The importance of stress testing done right.

De Washington Post onlangs verscheen een opiniestuk van Natasha Sarin met de titel “Regulators misten de problemen van Silicon Valley Bank maandenlang. Dit is waarom." Sarin schetste de tekortkomingen in het stresstestregime dat de Federal Reserve aan de bank heeft opgelegd. Een probleem is dat de stresstesten te statisch zijn. De stressfactor van de Fed voor de nominale bbp-groei was één enkel scenario met de veronderstelde waarden voor de komende 13 kwartalen (zie figuur 1). Die 13 driemaandelijkse projecties zijn misschien iemands consensus over hoe een bad hair day eruit zou zien, maar dat is niet de enige manier waarop dingen zouden kunnen verlopen. Als samenleving wordt ons geleerd een betere manier te waarderen om onvoorziene omstandigheden weer te geven telkens wanneer de National Weather Service ons geprojecteerde orkaansporen laat zien (zie figuur 2). Elk scenario, weergegeven door een lijn met een andere kleur, toont een mogelijk stormpad, waarbij de geconcentreerde lijnen het meest waarschijnlijke pad vertegenwoordigen. Door de lagere waarschijnlijkheidspaden bloot te leggen, wordt de risicoplanning verbeterd.

Bij het stresstesten van de toeleveringsketen hebben we realistische scenario's nodig van mogelijke toekomstige eisen die zich kunnen voordoen, zelfs extreme eisen. Smart voorziet hierin in onze software (met aanzienlijke verbeteringen in onze Gen2 methodes). De software genereert een groot aantal geloofwaardige vraagscenario's, genoeg om de volledige omvang van de risico's bloot te leggen (zie figuur 3). Stresstesten hebben alles te maken met het genereren van enorme aantallen planningsscenario's, en de probabilistische methoden van Smart wijken radicaal af van eerdere deterministische S&OP-toepassingen, omdat ze volledig op scenario's zijn gebaseerd.

De andere fout in de stresstests van de Fed was dat ze maanden van tevoren waren ontworpen, maar nooit werden bijgewerkt voor veranderende omstandigheden. Vraagplanners en voorraadbeheerders begrijpen intuïtief dat sleutelvariabelen zoals de vraag naar artikelen en de doorlooptijd van leveranciers niet alleen zeer willekeurig zijn, zelfs wanneer de zaken stabiel zijn, maar ook onderhevig zijn aan abrupte verschuivingen die een snelle herschrijving van planningsscenario's vereisen (zie afbeelding 4, waar de gemiddelde vraag springt dramatisch omhoog tussen waarnemingen 19 en 20). Smart's Gen2-producten bevatten nieuwe technologie voor het detecteren van dergelijke "regime verandert' en dienovereenkomstig automatisch veranderende scenario's.

Banken worden gedwongen om stresstests te ondergaan, hoe gebrekkig ze ook mogen zijn, om hun spaarders te beschermen. Supply chain-professionals hebben nu een manier om hun supply chains te beschermen door moderne software te gebruiken om hun vraagplannen en voorraadbeheerbeslissingen aan een stresstest te onderwerpen.

Figuur 1: Scenario's die de Fed gebruikte om banken te stresstesten.

Figuur 2: Scenario's die door de National Weather Service worden gebruikt om orkaansporen te voorspellen

Afbeelding 3: Vraagscenario's van het type gegenereerd door Smart Demand Planner

Figuur 4: Voorbeeld van regimeverandering in productvraag na observatie #19