Voor sommige van onze klanten heeft het weer een grote invloed op de vraag. Extreme weersomstandigheden op de korte termijn, zoals branden, droogtes, hittegolven, enzovoort, kunnen op de korte termijn een aanzienlijke invloed hebben op de vraag.

Er zijn twee manieren om het weer mee te nemen in een vraagvoorspelling: indirect en direct. De indirecte route is eenvoudiger met behulp van de scenariogebaseerde aanpak van Smart Demand Planner. De directe aanpak vereist een speciaal project op maat dat aanvullende gegevens en handgemaakte modellen vereist.

Indirecte boekhouding voor het weer

Het standaardmodel ingebouwd Smart Demand Planner (SDP) houdt op vier manieren rekening met weerseffecten:

1. Als de wereld gestaag warmer/kouder/droger/natter wordt op manieren die van invloed zijn op uw omzet, detecteert SDP deze trends automatisch en neemt deze op in de vraagscenario's die het genereert.
2. Als uw bedrijf een regelmatig ritme heeft waarin bepaalde dagen van de week of bepaalde maanden van het jaar een consistent hogere of lager dan gemiddelde vraag hebben, detecteert SDP deze seizoensinvloeden ook automatisch en neemt deze op in zijn vraagscenario's.
3. Vaak is het de vervloekte willekeur van het weer die de nauwkeurigheid van de voorspellingen in de weg staat. We noemen dit effect vaak ‘ruis’. Lawaai is een verzamelnaam die allerlei willekeurige problemen omvat. Naast het weer kunnen ook een geopolitieke opflakkering, de verrassende mislukking van een regionale bank of een schip dat vastloopt in het Suezkanaal voor verrassingen zorgen en de vraag naar producten vergroten. SDP beoordeelt de volatiliteit van de vraag en reproduceert deze in zijn vraagscenario's.
4. Beheeroverschrijvingen. Meestal laten klanten SDP aan de slag om automatisch tienduizenden vraagscenario's te genereren. Maar als gebruikers de behoefte voelen om specifieke prognoses aan te passen met behulp van hun voorkennis, kan SDP dat mogelijk maken door managementoverrides.

Directe boekhouding voor het weer

Soms kan een gebruiker inhoudelijke expertise onder woorden brengen door factoren buiten zijn bedrijf (zoals rentetarieven of grondstofkosten of technologietrends) te koppelen aan zijn eigen totale omzet. In deze situaties kan Smart Software eenmalige speciale projecten verzorgen die alternatieve (“causale”) modellen bieden als aanvulling op onze standaard statistische voorspellingsmodellen. Neem contact op met uw Smart Software-vertegenwoordiger om een mogelijk causaal modelleringsproject te bespreken.

Vergeet intussen uw paraplu niet.

Mensen die nieuw zijn in de functie van “vraagplanner” of “aanbodplanner” zullen waarschijnlijk vragen hebben over de verschillende prognosetermen en -methoden die in hun baan worden gebruikt. Deze notitie kan helpen door deze termen uit te leggen en te laten zien hoe ze verband houden.

Demand Planning

Vraagplanning gaat over hoeveel van wat u te verkopen heeft in de toekomst de deur uit zal gaan, bijvoorbeeld hoeveel wat niet u het volgende kwartaal zult verkopen. Hier volgen zes methodologieën die vaak worden gebruikt bij vraagplanning.

• Statistical Forecasting
  • Deze methoden gebruiken de vraaggeschiedenis om toekomstige waarden te voorspellen. De twee meest gebruikelijke methoden zijn curve-fitting en data-afvlakking.
  • Curve-aanpassing komt overeen met een eenvoudige wiskundige functie, zoals de vergelijking voor een rechte lijn (y= a +b∙t) of een rentecurve (y=a∙b^T), naar de vraaggeschiedenis. Vervolgens breidt het die lijn of curve voorwaarts in de tijd uit als de voorspelling.
  • Het gladmaken van gegevens resulteert daarentegen niet in een vergelijking. In plaats daarvan doorloopt het de geschiedenis van de vraag, waarbij gaandeweg de waarden worden gemiddeld, om een vloeiendere versie van de geschiedenis te creëren. Deze methoden worden exponentiële afvlakking en voortschrijdend gemiddelde genoemd. In het eenvoudigste geval (dat wil zeggen, bij afwezigheid van trends of seizoensinvloeden, waarvoor varianten bestaan), is het doel om het huidige gemiddelde vraagniveau te schatten en dat als voorspelling te gebruiken.
  • Deze methoden produceren “puntvoorspellingen”, dit zijn schattingen op één getal voor elke toekomstige tijdsperiode (bijvoorbeeld: “De verkoop in maart zal 218 eenheden bedragen”). Soms komen ze met schattingen van potentiële voorspellingsfouten, die zijn gebaseerd op afzonderlijke modellen voor de variabiliteit van de vraag (“De verkoop in maart zal 218 ± 120 eenheden bedragen”).

• Probabilistic Forecasting
  • Deze benadering maakt gebruik van de willekeur van de vraag en werkt hard om de prognoseonzekerheid in te schatten. Het beschouwt prognoses minder als een oefening in het verzamelen van specifieke cijfers en meer als een oefening in risicobeheer.
  • Het modelleert expliciet de variabiliteit in de vraag en gebruikt die om resultaten te presenteren in de vorm van grote aantallen scenario's die zijn geconstrueerd om het volledige scala aan mogelijke vraagsequenties weer te geven. Deze zijn vooral handig bij taken op het gebied van tactische leveringsplanning, zoals het instellen van bestelpunten en bestelhoeveelheden.

• Causale voorspellingen
  • Statistische voorspellingsmodellen gebruiken als input alleen de vraaggeschiedenis van het betreffende artikel in het verleden. Ze beschouwen de op en neer gaande bewegingen in het vraagdiagram als het eindresultaat van talloze niet nader genoemde factoren (rentetarieven, de prijs van thee in China, fasen van de maan, wat dan ook). Causale voorspellingen identificeren expliciet één of meer invloeden (rentetarieven, advertentie-uitgaven, prijzen van concurrenten, …) die op plausibele wijze de verkoop kunnen beïnvloeden. Vervolgens wordt een vergelijking opgesteld die de numerieke waarden van deze ‘drivers’ of ‘causale factoren’ relateert aan de verkoop van artikelen. De coëfficiënten van de vergelijking worden geschat door middel van “regressieanalyse”.

• Oordelende voorspellingen
  • Gouden Darm. Ondanks de algemene beschikbaarheid van klodders data, besteden sommige bedrijven weinig aandacht aan de cijfers en hechten ze meer gewicht aan de subjectieve oordelen van een leidinggevende die wordt geacht een ‘Gouden Buik’ te hebben, waardoor hij of zij ‘onderbuikgevoel’ kan gebruiken om te voorspellen wat de toekomstige vraag zal zijn. Als die persoon veel ervaring heeft, een carrière lang naar de cijfers heeft gekeken en niet vatbaar is voor wensdenken of andere vormen van cognitieve vooringenomenheid, kan de Gouden Darm een goedkope, snelle manier van plannen zijn. Maar er zijn goede aanwijzingen uit studies van bedrijven die op deze manier worden uitgevoerd, dat vertrouwen op de Gouden Gut riskant is.
  • Groepsconsensus. Vaker is een proces waarbij gebruik wordt gemaakt van een periodieke bijeenkomst om tot een groepsconsensusvoorspelling te komen. De groep zal toegang hebben tot gedeelde objectieve gegevens en voorspellingen, maar de leden zullen ook kennis hebben van factoren die mogelijk niet goed of helemaal niet worden gemeten, zoals het consumentenvertrouwen of de verhalen van verkopers. Het is nuttig om voor deze discussies een gedeeld, objectief uitgangspunt te hebben dat bestaat uit een soort objectieve statistische analyse. Vervolgens kan de groep overwegen om de statistische voorspelling aan te passen. Dit proces verankert de voorspelling in de objectieve realiteit, maar maakt gebruik van alle andere informatie die beschikbaar is buiten de voorspellingsdatabase.
  • Scenariogeneratie. Soms ontmoeten meerdere mensen elkaar en bespreken ze ‘strategische wat-als’-vragen. “Wat als we onze Australische klanten verliezen?” “Wat als de uitrol van onze nieuwe producten met zes maanden wordt uitgesteld?” "Wat als onze verkoopmanager voor het Midden-Westen naar een concurrent springt?" Deze vragen over het grotere geheel kunnen implicaties hebben voor itemspecifieke prognoses en kunnen worden toegevoegd aan elke bijeenkomst over prognoses voor groepsconsensus.

• Prognose van nieuwe producten
  • Nieuwe producten hebben per definitie geen verkoopgeschiedenis die statistische, waarschijnlijkheids- of causale voorspellingen ondersteunt. Hier kunnen altijd subjectieve voorspellingsmethoden worden gebruikt, maar deze berusten vaak op een gevaarlijke verhouding tussen hoop en feiten. Gelukkig bestaat er op zijn minst gedeeltelijke steun voor objectieve voorspellingen in de vorm van curve-fitting.
  • Een grafiek van de cumulatieve verkoop van een artikel beschrijft vaak een soort “S-curve”, dat wil zeggen een grafiek die begint bij nul, zich opbouwt en vervolgens afvlakt tot de totale totale verkoop gedurende de uiteindelijke levensduur. De curve dankt zijn naam aan het feit dat hij lijkt op een letter S die op de een of andere manier naar rechts is uitgesmeerd en uitgerekt. Nu zijn er een oneindig aantal S-curves, dus voorspellers kiezen doorgaans een vergelijking en specificeren subjectief enkele belangrijke parameterwaarden, zoals wanneer de omzet 25%, 50% en 75% van de totale levenslange omzet zal bereiken en wat dat uiteindelijke niveau zal zijn. Dit is ook openlijk subjectief, maar het levert gedetailleerde voorspellingen per periode op die kunnen worden bijgewerkt naarmate de ervaring toeneemt. Ten slotte worden S-curven soms gevormd om overeen te komen met de bekende geschiedenis van een soortgelijk voorgangerproduct ("De verkoop voor onze laatste gizmo zag er zo uit, dus laten we dat als sjabloon gebruiken.").

Supply Planning

Vraagplanning wordt meegenomen in de aanbodplanning door toekomstige verkopen (bijvoorbeeld voor eindproducten) of gebruik (bijvoorbeeld voor reserveonderdelen) te voorspellen. Vervolgens is het aan de leveringsplanning om ervoor te zorgen dat de betreffende artikelen beschikbaar zijn voor verkoop of gebruik.

• Afhankelijke vraag
  • Afhankelijke vraag is de vraag die kan worden bepaald door de relatie ervan met de vraag naar een ander artikel. Uit een stuklijst kan bijvoorbeeld blijken dat een rood wagentje bestaat uit een carrosserie, een trekstang, vier wielen, twee assen en diverse bevestigingsmiddelen om de wielen op de assen te houden en de trekstang met de carrosserie te verbinden. Dus als je 10 kleine rode wagons hoopt te verkopen, kun je er beter 10 maken, wat betekent dat je 10×2 = 20 assen, 10×4 = 40 wielen, enz. nodig hebt. De afhankelijke vraag regelt de aankoop van grondstoffen, de aankoop van componenten en subsystemen, zelfs personeel inhuren (voor 10 wagons is één middelbare scholier nodig om ze in een dienst van een uur in elkaar te zetten).
  • Als u meerdere producten heeft met gedeeltelijk overlappende stuklijsten, heeft u de keuze uit twee prognosebenaderingen. Stel dat u niet alleen kleine rode wagentjes verkoopt, maar ook kleine blauwe kinderwagens, die allebei dezelfde assen gebruiken. Om het aantal assen te voorspellen dat u nodig heeft, kunt u (1) de afhankelijke vraag naar assen van elk product voorspellen en de prognoses toevoegen, of (2) de totale vraaggeschiedenis naar assen als zijn eigen tijdreeks bekijken en die afzonderlijk voorspellen. Wat beter werkt, is een empirische vraag die kan worden getest.

• Voorraadbeheer
  • Voorraadbeheer omvat veel verschillende taken. Deze omvatten het instellen van parameters voor voorraadbeheer, zoals bestelpunten en bestelhoeveelheden, het reageren op onvoorziene omstandigheden zoals voorraadtekorten en het versnellen van bestellingen, het instellen van personeelsbezetting en het selecteren van leveranciers.

• Bij de eerste drie speelt forecasting een rol. Het aantal aanvulbestellingen dat in een jaar voor elk product wordt gedaan, bepaalt hoeveel mensen er nodig zijn om inkooporders te verlagen. Het aantal en de ernst van stockouts in een jaar bepalen het aantal onvoorziene gebeurtenissen dat moet worden afgehandeld. Het aantal inkooporders en stockouts in een jaar zal willekeurig zijn, maar wordt bepaald door de keuze van de parameters voor voorraadbeheer. De implicaties van dergelijke keuzes kunnen worden gemodelleerd door inventarissimulaties. Deze simulaties zullen worden aangestuurd door gedetailleerde vraagscenario's die worden gegenereerd door probabilistische voorspellingen.

​

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

1. Organiseer uw bedrijf rond een prognose van één getal. Dat klinkt verstandig: het is goed om een gedeelde visie te hebben. Maar elk onderdeel van het bedrijf zal zijn eigen idee hebben over welk getal het getal is. De financiële sector wil misschien kwartaalomzet, de marketing wil misschien websitebezoeken, de verkoop wil misschien een verloop, het onderhoud wil misschien een langere tijd tot het misgaat. Overigens heeft elke eenheid waarschijnlijk een handvol belangrijke statistieken. U heeft geen slogan nodig, u moet uw werk gedaan krijgen.

2. Integreer bedrijfskennis in een gezamenlijk prognoseproces. Dit is een goede algemene regel, maar als uw samenwerkingsproces gebrekkig is, kan het knoeien met een statistische prognose via managementoverschrijvingen de nauwkeurigheid verminderen. Je hebt geen slogan nodig; je moet de nauwkeurigheid van alle methoden meten en vergelijken en de winnaars volgen.

3. Voorspelling met behulp van causale modellering. Extrapolatieve prognosemethoden houden geen rekening met de onderliggende krachten die uw verkopen aandrijven, ze werken alleen met de resultaten. Causale modellering brengt u dieper in de fundamentele drijfveren en kan zowel de nauwkeurigheid als het inzicht verbeteren. Causale modellen (geïmplementeerd door middel van regressieanalyse) kunnen echter minder nauwkeurig zijn, vooral als ze voorspellingen van de drijvende krachten vereisen (“voorspellingen van de voorspellers”) in plaats van simpelweg de geregistreerde waarden van vertraagde voorspellende variabelen in te pluggen. Je hebt geen slogan nodig: je hebt een onderlinge vergelijking nodig.

4. Voorspel de vraag in plaats van verzendingen. Vraag is wat je echt wilt, maar het ‘opstellen van een vraagsignaal’ kan lastig zijn: wat doe je met interne overboekingen? Eenmalige? Verloren omzet? Bovendien kunnen vraaggegevens worden gemanipuleerd. Als klanten bijvoorbeeld opzettelijk geen bestellingen plaatsen of proberen hun bestellingen te misleiden door te lang van tevoren te bestellen, zal de bestelgeschiedenis niet beter zijn dan de verzendgeschiedenis. Althans met verzendgeschiedenis, het klopt: u weet wat u heeft verzonden. Prognoses van verzendingen zijn geen voorspellingen van de ‘vraag’, maar vormen een solide uitgangspunt.

5. Gebruik Machine Learning-methoden. Ten eerste is ‘Machine learning’ een elastisch concept dat een steeds groter aantal alternatieven omvat. Onder de motorkap van veel door ML geadverteerde modellen bevindt zich slechts een automatisch kiezen een extrapolatieve voorspellingsmethode (dat wil zeggen: de beste pasvorm) die, hoewel uitstekend in het voorspellen van de normale vraag, al bestaat sinds de jaren tachtig (Smart Software was het eerste bedrijf dat een automatische selectiemethode voor de pc uitbracht). ML-modellen zijn data-hogs die grotere datasets nodig hebben dan u mogelijk ter beschikking heeft. Het op de juiste manier kiezen en trainen van een ML-model vereist een niveau van statistische expertise dat ongebruikelijk is in veel productie- en distributiebedrijven. Misschien wil je iemand vinden die je hand vasthoudt voordat je dit spel gaat spelen.

6. Door uitschieters te verwijderen, ontstaan betere voorspellingen. Hoewel het waar is dat zeer ongebruikelijke pieken of dalen in de vraag onderliggende vraagpatronen, zoals trends of seizoensinvloeden, zullen maskeren, is het niet altijd waar dat u de pieken moet wegnemen. Vaak weerspiegelen deze pieken in de vraag de onzekerheid die willekeurig uw bedrijfsvoering kan verstoren en waarmee dus rekening moet worden gehouden. Het verwijderen van dit soort gegevens uit uw vraagvoorspellingsmodel kan de gegevens op papier voorspelbaarder maken, maar u zult verrast zijn als dit opnieuw gebeurt. Wees dus voorzichtig met het verwijderen van uitschieters massaal.

Buiten het werk heb je misschien de beroemde uitspraak 'Correlatie is geen oorzakelijk verband' gehoord. Het klinkt misschien als een stuk theoretische onzin die, hoewel betrokken bij een recente Nobelprijs voor economie, niet relevant is voor uw werk als vraagplanner. Is dat zo, dan heb je misschien maar gedeeltelijk gelijk.

Extrapolatieve versus causale modellen

De meeste vraagvoorspellingen maken gebruik van extrapolatieve modellen. Deze modellen, ook wel tijdreeksmodellen genoemd, voorspellen de vraag op basis van alleen de waarden uit het verleden van de vraag naar een artikel. Plots van waarden uit het verleden onthullen trend en seizoensgebondenheid en volatiliteit, dus er is veel waar ze goed voor zijn. Maar er is nog een ander type model – causale modellen – dat de nauwkeurigheid van prognoses mogelijk kan verbeteren, verder dan wat u kunt krijgen van extrapolatieve modellen.

Causale modellen voegen meer invoergegevens toe aan de prognosetaak: informatie over veronderstelde prognose "stuurprogramma's" buiten de vraaggeschiedenis van een artikel. Voorbeelden van potentieel bruikbare oorzakelijke factoren zijn onder meer macro-economische variabelen zoals het inflatiepercentage, het groeipercentage van het bbp en grondstofprijzen. Voorbeelden die niet gebonden zijn aan de nationale economie zijn onder meer branchespecifieke groeipercentages en uw eigen advertentie-uitgaven en die van uw concurrenten. Deze variabelen worden meestal gebruikt als invoer voor regressiemodellen, dit zijn vergelijkingen met vraag als uitvoer en causale variabelen als invoer.

Voorspellingen met behulp van causale modellen

Veel bedrijven hebben een S&OP-proces waarbij maandelijks statistische (extrapolatieve) prognoses worden beoordeeld, waarbij het management de prognoses aanpast op basis van hun oordeel. Vaak is dit een indirecte en subjectieve manier om causale modellen in het proces te verwerken zonder de regressiemodellering uit te voeren.

Om daadwerkelijk een causaal regressiemodel te maken, moet u eerst een lijst van potentieel bruikbare causale voorspellende variabelen nomineren. Deze kunnen voortkomen uit uw inhoudelijke expertise. Stel, u vervaardigt vensterglas. Veel van uw glas kan terechtkomen in nieuwe woningen en nieuwe kantoorgebouwen. Het aantal nieuw gebouwde woningen en kantoren zijn dus plausibele voorspellende variabelen in een regressievergelijking.

Er is hier een complicatie: als je de vergelijking gebruikt om iets te voorspellen, moet je eerst de voorspellers voorspellen. Zo kan de verkoop van glas komend kwartaal sterk gerelateerd zijn aan aantallen nieuwe woningen en nieuwe kantoorpanden komend kwartaal. Maar hoeveel nieuwe woningen komen er komend kwartaal? Dat is zijn eigen prognoseprobleem. Je hebt dus een potentieel krachtig prognosemodel, maar je hebt extra werk te doen om het bruikbaar te maken.

Er is één manier om dingen te vereenvoudigen: als de voorspellende variabelen "vertraagde" versies van zichzelf zijn. Zo kan het aantal nieuw afgegeven bouwvergunningen een half jaar geleden een goede voorspeller zijn van de glasverkoop volgende maand. U hoeft de bouwvergunninggegevens niet te voorspellen, u hoeft ze alleen maar op te zoeken.

Is het een causaal verband of slechts een onechte correlatie?

Causale modellen zijn de real deal: er is een feitelijk mechanisme dat de voorspellende variabele relateert aan de voorspelde variabele. Het voorbeeld van het voorspellen van de verkoop van glas uit bouwvergunningen is een voorbeeld.

Een correlatierelatie is twijfelachtiger. Er is een statistische associatie die al dan niet een solide basis vormt voor prognoses. Stel, u verkoopt een product dat Nederlanders het meest aanspreekt, maar u heeft dit niet door. Nederlanders zijn gemiddeld de langste mensen van Europa. Als uw verkopen stijgen en de gemiddelde lengte van Europeanen toeneemt, kunt u die relatie goed gebruiken. Maar als het aandeel Nederlanders in de eurozone afneemt terwijl de gemiddelde lengte toeneemt omdat de mix van mannen versus vrouwen naar mannen verschuift, wat kan er dan misgaan? U verwacht dat de verkoop zal toenemen omdat de gemiddelde lengte toeneemt. Maar uw verkopen zijn eigenlijk vooral aan Nederlanders, en hun relatieve aandeel in de bevolking wordt kleiner, dus uw verkopen zullen in plaats daarvan echt afnemen. In dit geval is de associatie tussen verkoop en klantlengte een onechte correlatie.

Hoe kun je het verschil zien tussen echte en valse relaties? De gouden standaard is om een rigoureus wetenschappelijk experiment te doen. Maar u bent waarschijnlijk niet in de positie om dat te doen. In plaats daarvan moet u vertrouwen op uw persoonlijke 'mentale model' van hoe uw markt werkt. Als uw vermoedens juist zijn, zullen uw potentiële causale modellen correleren met de vraag en zal causale modellering voor u lonend zijn, hetzij als aanvulling op extrapolatieve modellen, hetzij ter vervanging ervan.

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.