Hoe voorspellingsresultaten te interpreteren en te manipuleren met verschillende voorspellingsmethoden

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.

 

Winter's software voor multiplicatieve voorspellingsmethode

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.

Software voor additieve voorspellingsmethode van Winter

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.

Double exponential smoothing Prognosemethode software

Statistische voorspelling geproduceerd met Double Exponential Smoothing

 

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

Lineair voortschrijdend gemiddelde Prognosemethode software

 

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.

Single exponential smoothing Prognosemethode software

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.

Eenvoudige software voor voortschrijdend gemiddelde Voorspellingsmethode

Statistische voorspelling met behulp van eenvoudig voortschrijdend gemiddelde

 

 

 

Wat te doen als een statistische prognose geen steek houdt

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.

 

 

De rol van vertrouwen in het vraagvoorspellingsproces Deel 2: Wat vertrouwt u

"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/

 

 

 

Service Level Driven Planning voor Service Parts-bedrijven in de Dynamics 365-ruimte

Service-Level-Driven Service Parts Planning voor Microsoft Dynamics BC of F&SC is een proces in vier stappen dat verder gaat dan vereenvoudigde prognoses en vuistregels voor veiligheidsvoorraden. Het biedt planners van serviceonderdelen datagestuurde, op risico's afgestemde ondersteuning bij het nemen van beslissingen.

 

De wiskunde om dit planningsniveau te bepalen, bestaat eenvoudigweg niet in de D365-functionaliteit. Het vereist wiskunde en AI die duizenden keren door berekeningen gaat voor elk onderdeel en onderdeelcentrum (locaties). Wiskunde en AI zoals deze zijn uniek voor Smart. Lees verder om meer te begrijpen. 

 

Stap 1. Zorg ervoor dat alle belanghebbenden het eens zijn over de maatstaven die er toe doen. 

Alle deelnemers aan het planningsproces voor de inventarisatie van service-onderdelen moeten het eens zijn over de definities en welke statistieken het belangrijkst zijn voor de organisatie. Serviceniveaus beschrijf het percentage van de tijd dat u volledig aan het vereiste gebruik kunt voldoen zonder een voorraad op te lopen. Vul tarieven specificeer het percentage van het aangevraagde verbruik dat direct uit voorraad wordt gevuld. (Bekijk deze les van 4 minuten voor meer informatie over de verschillen tussen serviceniveaus en opvullingspercentage hier.) Beschikbaarheid geeft het percentage actieve reserveonderdelen weer met een voorhanden voorraad van ten minste één eenheid. Kosten vasthouden zijn de kosten op jaarbasis van het aanhouden van voorraden, rekening houdend met veroudering, belastingen, rente, opslag en andere uitgaven. Tekort kosten zijn de kosten van het opraken van de voorraad, inclusief uitvaltijd van voertuigen/apparatuur, versnellingen, verloren verkopen en meer. Bestellen kosten zijn de kosten die gepaard gaan met het plaatsen en ontvangen van aanvullingsorders.

 

Stap 2. Benchmark historische en voorspelde huidige serviceniveauprestaties.

Alle deelnemers aan het planningsproces voor de inventarisatie van service-onderdelen moeten een gemeenschappelijk inzicht hebben in de voorspelde toekomstige serviceniveaus, opvullingspercentages en kosten en de implicaties daarvan voor uw activiteiten met service-onderdelen. Het is van cruciaal belang om zowel historisch te meten Kritieke Prestatie Indicatoren (KPI's) en hun voorspellende equivalenten, Belangrijkste prestatievoorspellingen (KPP's). Door gebruik te maken van moderne software kunt u prestaties uit het verleden benchmarken en gebruikmaken van probabilistische prognosemethoden om toekomstige prestaties te simuleren. Vrijwel elke Demand Planning-oplossing stopt hier. Smart gaat verder stress testen uw huidige voorraadbeleid tegen alle plausibele toekomstige vraagscenario's. Het zijn deze duizenden berekeningen die onze KPP's bouwen. De nauwkeurigheid hiervan verbetert het vermogen van de D365 om de kosten van het aanhouden van te veel in evenwicht te brengen met de kosten van het niet genoeg hebben. U weet van tevoren hoe het huidige en voorgestelde voorraadbeleid waarschijnlijk zal presteren.

 

Stap 3. Spreek gerichte serviceniveaus af voor elk reserveonderdeel en onderneem proactieve corrigerende maatregelen wanneer wordt voorspeld dat doelen niet worden gehaald. 

Onderdelenplanners, leidinggevenden in de toeleveringsketen en de mechanische/onderhoudsteams moeten het eens worden over de gewenste serviceniveaudoelen met een volledig begrip van de wisselwerking tussen voorraadrisico en voorraadkosten. Een oproep hier is dat onze D365-klanten bijna altijd versteld staan van het verschil in voorraadniveau tussen de beschikbaarheid van 100% en 99.5%. Met de logica voor bijna 10.000 scenario's dat er bijna nooit een half procent uitvalt. U realiseert een volledig voorraadbeleid met veel lagere kosten. Je vindt de onderdelen die ondervoorraad zijn en corrigeert deze. Het evenwichtspunt is vaak een 7-12% verlaging van de voorraadkosten. 

Dit benutten van wat-als-scenario's in onze software voor onderdelenplanning kunnen management en inkopers eenvoudig alternatief voorraadbeleid vergelijken en bepalen welke het best aansluiten bij de zakelijke doelstellingen. Voor sommige onderdelen is een kleine voorraad in orde. Voor anderen hebben we die beschikbaarheid van 99.5%-onderdelen nodig. Zodra deze limieten zijn overeengekomen, gebruiken we de kracht van D365 om de voorraad te optimaliseren met behulp van D365 core ERP zoals het hoort. De planning wordt automatisch geüpload om Dynamics in te schakelen met gewijzigde bestelpunten, veiligheidsvoorraadniveaus en/of min/max-parameters. Dit ondersteunt een enkel Enterprise-centerpunt en mensen gebruiken niet meerdere systemen voor hun dagelijkse onderdelenbeheer en inkoop.

 

Stap 4. Maak het zo en houd het zo. 

Geef het planningsteam de kennis en tools die het nodig heeft om ervoor te zorgen dat u een overeengekomen balans vindt tussen serviceniveaus en kosten. Dit is cruciaal en belangrijk. Het is ook belangrijk om Dynamics F&SC of BC te gebruiken om uw ERP-transacties uit te voeren. Deze twee Dynamics ERP's hebben het hoogste niveau van nieuwe ERP-groei ter wereld. Het is logisch om ze te gebruiken zoals ze bedoeld zijn. Het vullen van de witte ruimte voor de wiskundige en AI-berekeningen voor Onderhoud en Onderdelenbeheer is ook logisch. Dit vereist een meer complexe en gerichte oplossing om te helpen. Smart Software Inventory Optimization voor EAM en Dynamics ERP's biedt het antwoord.    

Onthoud: Herkalibratie van uw voorraadbeleid voor serviceonderdelen is preventief onderhoud tegen zowel stockouts als overtollige voorraad. Het helpt kosten, maakt kapitaal vrij voor ander gebruik en ondersteunt best practices voor uw team. 

 

Breid Microsoft 365 F&SC en AX uit met Smart IP&O

Registreer u hier om een opname te zien van het Microsoft Dynamics Communities-webinar over Smart IP&O:

https://smartcorp.com/inventory-planning-with-microsoft-365-fsc-and-ax/

 

 

 

 

De rol van vertrouwen in het vraagvoorspellingsproces Deel 1: Wie vertrouwt u

 

"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/