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.

Automatische prognoses zijn de populairste en meest gebruikte functie van SmartForecasts en Smart Demand Planner. Automatische prognoses maken is eenvoudig. Maar de eenvoud van Automatic Forecasting maskeert een krachtige interactie van een aantal zeer effectieve prognosemethoden. In deze blog bespreken we een deel van de theorie achter deze kernfunctie. We richten ons op automatische prognoses, deels vanwege de populariteit ervan en deels omdat veel andere prognosemethoden vergelijkbare resultaten opleveren. Kennis van automatische prognoses wordt onmiddellijk overgedragen naar eenvoudig voortschrijdend gemiddelde, lineair voortschrijdend gemiddelde, enkele exponentiële afvlakking, dubbele exponentiële afvlakking, Winters' exponentiële afvlakking en promoprognoses.

Prognose toernooi

Automatische prognoses werken door een toernooi uit te voeren met een reeks concurrerende methoden. Omdat personal computers en cloud computing snel zijn, en omdat we zeer efficiënte algoritmen hebben gecodeerd in de automatische voorspellingsengine van SmartForecasts, is het praktisch om een puur empirische benadering te volgen om te beslissen welke extrapolatieve voorspellingsmethode moet worden gebruikt. Dit betekent dat u het zich kunt veroorloven om een aantal benaderingen uit te proberen en vervolgens degene te behouden die het beste presteert bij het voorspellen van de betreffende gegevensreeks. SmartForecasts automatiseert dit proces volledig voor u door de verschillende voorspellingsmethoden uit te proberen in een gesimuleerd voorspellingstoernooi. De winnaar van het toernooi is de methode die het dichtst bij het voorspellen van nieuwe gegevenswaarden van oude komt. Nauwkeurigheid wordt gemeten aan de hand van de gemiddelde absolute fout (dat wil zeggen de gemiddelde fout, waarbij eventuele mintekens worden genegeerd). Het gemiddelde wordt berekend over een reeks voorspellingen, die elk een deel van de gegevens gebruiken, in een proces dat bekend staat als glijdende simulatie.

Glijdende simulatie

De glijdende simulatie veegt herhaaldelijk door steeds langere delen van de historische gegevens, waarbij in elk geval het gewenste aantal perioden in uw prognosehorizon wordt voorspeld. Stel dat er 36 historische gegevenswaarden zijn en dat u zes perioden vooruit moet voorspellen. Stel je voor dat je de voorspellingsnauwkeurigheid van een bepaalde methode, bijvoorbeeld een voortschrijdend gemiddelde van vier waarnemingen, wilt beoordelen op de gegevensreeks die voorhanden is.

Op een gegeven moment in de glijdende simulatie worden de eerste 24 punten (alleen) gebruikt om de 25e tot en met 30e historische gegevenswaarden te voorspellen, die we tijdelijk als onbekend beschouwen. We zeggen dat de punten 25-30 buiten de analyse worden gehouden. Het berekenen van de absolute waarden van de verschillen tussen de zes prognoses en de overeenkomstige werkelijke historische waarden levert één exemplaar op van elk een 1-staps, 2-staps, 3-staps, 4-staps, 5-staps en 6-staps vooruit absolute voorspelling fout. Als u dit proces herhaalt met de eerste 25 punten, krijgt u meer voorbeelden van 1-staps, 2-staps, 3-staps vooruit-fouten, enzovoort. Het gemiddelde van alle absolute foutschattingen die op deze manier zijn verkregen, geeft een samenvatting van de nauwkeurigheid in één getal.

Methoden die worden gebruikt bij automatische prognoses

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

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

De laatste twee methoden zijn geschikt voor seizoenreeksen; ze worden echter automatisch uitgesloten van het toernooi als er minder dan twee volledige seizoensgegevenscycli zijn (bijvoorbeeld minder dan 24 periodes met maandelijkse gegevens of acht periodes met driemaandelijkse gegevens).

Deze zes klassieke, op afvlakking gebaseerde methoden hebben bewezen gemakkelijk te begrijpen, gemakkelijk te berekenen en nauwkeurig te zijn. Je kunt elk van deze methoden uitsluiten van het toernooi als je een voorkeur hebt voor sommige deelnemers en niet voor andere.

Een voorspelling is een voorspelling over de waarde van een tijdreeksvariabele op een bepaald moment in de toekomst. U kunt bijvoorbeeld een schatting willen maken van de verkoop of vraag naar een productartikel voor volgende maand. Een tijdreeks is een reeks getallen die met gelijke tijdsintervallen zijn geregistreerd; bijvoorbeeld de maandelijks geregistreerde verkoop per eenheid.

De doelstellingen die u nastreeft wanneer u prognoses maakt, zijn afhankelijk van de aard van uw baan en uw bedrijf. Elke voorspelling is onzeker; in feite is er een reeks mogelijke waarden voor elke variabele die u voorspeld. Waarden in het midden van dit bereik hebben een grotere kans om daadwerkelijk te voorkomen, terwijl waarden aan de uiteinden van het bereik minder waarschijnlijk voorkomen. De volgende afbeelding illustreert een typische verdeling van voorspelde waarden.

Ter illustratie van een voorspelde verdeling van voorspelde waarden

Punt voorspellingen

Het meest gebruikelijke gebruik van voorspellingen is het schatten van een reeks getallen die de meest waarschijnlijke toekomstige waarden van de betreffende variabele vertegenwoordigen. Stel dat u bijvoorbeeld een verkoop- en marketingplan voor uw bedrijf ontwikkelt. Mogelijk moet u twaalf cellen in een financieel spreadsheet invullen met schattingen van de totale inkomsten van uw bedrijf in de komende twaalf maanden. Dergelijke schattingen worden puntprognoses genoemd, omdat u voor elke prognoseperiode één enkel getal (gegevenspunt) wilt. De automatische prognosefunctie van Smart Demand Planner voorziet u automatisch van deze puntprognoses.

Intervalvoorspellingen

Hoewel puntvoorspellingen handig zijn, heeft u vaak meer profijt van intervalvoorspellingen. Intervalvoorspellingen tonen het meest waarschijnlijke bereik (interval) van waarden die zich in de toekomst kunnen voordoen. Deze zijn meestal nuttiger dan puntprognoses, omdat ze de hoeveelheid onzekerheid of risico weergeven die met een voorspelling gepaard gaat. Het prognose-intervalpercentage kan worden opgegeven in de verschillende prognosedialoogvensters in de Demand Planning Software.  Met elk van de vele voorspellingsmethoden (automatisch, voortschrijdend gemiddelde, exponentiële afvlakking enzovoort) die beschikbaar zijn in Smart Demand Planner, kunt u een voorspellingsinterval instellen.

De standaardconfiguratie in Smart Demand Planner biedt 90%-voorspellingsintervallen. Interpreteer deze intervallen als het bereik waarbinnen de werkelijke waarden 90% van de tijd zullen vallen. Als de intervallen groot zijn, is er veel onzekerheid verbonden aan de puntvoorspellingen. Als de intervallen smal zijn, kunt u meer vertrouwen hebben. Als u een planningsfunctie uitvoert en op verschillende tijdstippen in de toekomst best-case- en worst-case-waarden wilt voor de variabelen die van belang zijn, kunt u voor dat doel de boven- en ondergrenzen van de prognose-intervallen gebruiken, waarbij de enkele puntschatting de meest waarschijnlijke waarde. In de vorige afbeelding strekt het voorspellingsinterval van 90% zich uit van 3,36 tot 6,64.

Bovenste percentielen

Bij voorraadbeheer kan het uw doel zijn om goede schattingen te maken van een hoog percentiel van de vraag naar een productitem. Met deze schattingen kunt u omgaan met de afweging tussen enerzijds het minimaliseren van de kosten voor het aanhouden en bestellen van voorraad, en anderzijds het minimaliseren van het aantal verloren of nabestelde verkopen als gevolg van een voorraadtekort. Om deze reden wilt u misschien het 99e percentiel of het serviceniveau van de vraag weten, aangezien de kans om dat niveau te overschrijden slechts 1% is.

Houd er bij het voorspellen van individuele variabelen met functies zoals automatische prognoses rekening mee dat de bovengrens van een 90%-voorspellingsinterval het 95e percentiel vertegenwoordigt van de voorspelde verdeling van de vraag naar die variabele. (Als u het 5e percentiel van het 95e percentiel aftrekt, blijft er een interval over met 95%-5% = 90% van de mogelijke waarden.) Dit betekent dat u de bovenste percentielen kunt schatten door de waarde van het voorspellingsinterval te wijzigen. In de figuur ‘Illustratie van een prognoseverdeling’ is het 95e percentiel 6,64.

Om het voorraadbeleid op het gewenste serviceniveau te optimaliseren of om het systeem te laten adviseren welk voorraadbeleid en serviceniveau het beste rendement oplevert, kunt u Smart Inventory Optimization overwegen. Het is ontworpen om wat-als-scenario's te ondersteunen die voorspelde afwegingen laten zien tussen verschillende voorraadbeleidslijnen, waaronder verschillende serviceniveaudoelen.

Lagere percentielen

Soms maakt u zich misschien zorgen over de onderkant van de voorspelde verdeling voor een variabele. Dergelijke gevallen doen zich vaak voor bij financiële toepassingen, waarbij een laag percentiel van een inkomstenraming een onvoorziene gebeurtenis vertegenwoordigt die financiële reserves vereist. U kunt Smart Demand Planner in dit geval gebruiken op een manier die analoog is aan het voorspellen van de bovenste percentielen. In de figuur ‘Illustratie van een prognoseverdeling’ is het 5e percentiel 3,36.

Kortom, bij voorspellen gaat het om het voorspellen van toekomstige waarden, waarbij puntvoorspellingen afzonderlijke schattingen bieden en intervalvoorspellingen die waarschijnlijke waardebereiken bieden. Smart Demand Planner automatiseert puntprognoses en stelt gebruikers in staat intervallen in te stellen, wat helpt bij het inschatten van de onzekerheid. Voor voorraadbeheer vergemakkelijkt de tool het begrijpen van de bovenste (bijvoorbeeld 99e percentiel) en lagere (bijvoorbeeld 5e percentiel) percentielen. Om het voorraadbeleid en de serviceniveaus te optimaliseren ondersteunt Smart Inventory Optimization 'wat-als'-scenario's, waardoor een effectieve besluitvorming wordt gegarandeerd over hoeveel u op voorraad moet hebben, gegeven het risico dat u bereid bent een voorraad op te geven.

1. Voorspellen is een kunst die een combinatie van professioneel oordeel en objectieve statistische analyse vereist. Succesvolle vraagprognoses vereisen een basisvoorspelling die gebruikmaakt van statistische prognosemethoden. Eenmaal vastgesteld, kan het proces zich richten op hoe u statistische prognoses het beste kunt aanpassen op basis van uw eigen inzichten en zakelijke kennis.

2. Het prognoseproces is meestal iteratief. Het kan zijn dat u uw aanvankelijke prognose een aantal keer moet verfijnen voordat u tevreden bent. Het is belangrijk om snel en eenvoudig alternatieve prognoses te kunnen genereren en vergelijken. Het volgen van de nauwkeurigheid van deze prognoses in de loop van de tijd, inclusief alternatieven die niet werden gebruikt, helpt het proces te informeren en te verbeteren.

3. De geloofwaardigheid van prognoses hangt sterk af van grafische vergelijkingen met historische gegevens. Een beeld zegt meer dan duizend woorden, dus geef prognoses altijd weer via direct beschikbare grafische displays met ondersteunende numerieke rapporten.

4. Een van de belangrijkste technische taken bij prognoses is om de keuze van de prognosetechniek af te stemmen op de aard van de gegevens. Effectieve vraagvoorspellingsprocessen maken gebruik van mogelijkheden die de juiste methode identificeren om te gebruiken. Kenmerken van een datareeks zoals trend, seizoensinvloeden of abrupte niveauverschuivingen suggereren bepaalde technieken in plaats van andere. Een automatische selectie, die automatisch de juiste prognosemethode selecteert en gebruikt, bespaart tijd en zorgt ervoor dat uw basisvoorspelling zo nauwkeurig mogelijk is.

5. Succesvolle vraagvoorspellingsprocessen werken samen met andere bedrijfsprocessen. Prognoses kunnen bijvoorbeeld een essentiële eerste stap zijn in financiële analyse. Bovendien zijn nauwkeurige prognoses voor verkoop en productvraag fundamentele input voor de processen voor productieplanning en voorraadbeheer van een productiebedrijf.

6. Een goed planningsproces erkent dat prognoses nooit precies kloppen. Omdat zelfs in het beste prognoseproces een fout sluipt, zijn eerlijke schattingen van de foutmarge en prognosebias een van de nuttigste aanvullingen op een prognose.

Verkoopprognoses zijn vaak onnauwkeurig, simpelweg omdat het verkoopteam gedwongen wordt een cijfer te geven, ook al weten ze niet echt wat de vraag van hun klanten zal zijn. Laat de verkoopteams verkopen. Doe geen moeite om het spel te spelen van het veinzen van acceptatie van deze voorspellingen als beide partijen (verkoop en toeleveringsketen) weten dat het vaak niets meer is dan een WAG. Doe dit in plaats daarvan:

• Accepteer variabiliteit in de vraag als een feit van het leven. Ontwikkel een planningsproces dat dat wel doet een betere baan houdt rekening met de variabiliteit van de vraag.

• Maak afspraken over een niveau van voorraadrisico dat acceptabel is voor groepen artikelen.

• Zodra het voorraadrisico is overeengekomen, gebruikt u software om een nauwkeurige schatting te maken van de veiligheidsvoorraad die nodig is om de variabiliteit in de vraag tegen te gaan.

• Ontvang een buy-in. Klanten moeten bereid zijn een hogere prijs per eenheid te betalen om extreem hoge serviceniveaus te kunnen leveren. Verkopers moeten accepteren dat bepaalde items meer kans hebben op backorders als ze prioriteit geven aan voorraadinvesteringen in andere items.

• Het gebruik van een consensus #safetystock-proces zorgt ervoor dat u goed buffert en de juiste verwachtingen schept bij verkoop, klanten, financiën en toeleveringsketen.

Wanneer u dit doet, verlost u alle partijen van het voorspellingsspel dat ze in de eerste plaats niet konden spelen. U krijgt betere resultaten, zoals hogere serviceniveaus met lagere voorraadkosten. En met veel minder vingerwijzen.