Wist je dat het Benjamin Franklin was die de bliksemafleider uitvond om gebouwen te beschermen tegen blikseminslag? Nu hoeven we ons niet elke dag zorgen te maken over blikseminslagen, maar in het onvoorspelbare zakenklimaat van vandaag moeten we ons wel zorgen maken over verstoringen in de toeleveringsketen, lange doorlooptijden, stijgende rentetarieven en een volatiele vraag. Met al deze uitdagingen is het voor organisaties nog nooit zo belangrijk geweest om het gebruik van onderdelen en voorraadniveaus nauwkeurig te voorspellen en het bevoorradingsbeleid, zoals bestelpunten, veiligheidsvoorraden en bestelhoeveelheden, te optimaliseren. In deze blog onderzoeken we hoe bedrijven gebruik kunnen maken van innovatieve oplossingen, zoals voorraadoptimalisatie en software voor het voorspellen van onderdelen die gebruikmaken van machine learning-algoritmen, probabilistische prognoses en analyses om voorop te blijven lopen en hun toeleveringsketens te beschermen tegen onverwachte schokken.

Planningsoplossingen voor reserveonderdelen
Optimalisatie van reserveonderdelen is een belangrijk aspect van supply chain management voor veel industrieën. Het omvat het beheer van de inventaris van reserveonderdelen om ervoor te zorgen dat ze beschikbaar zijn wanneer dat nodig is, zonder overtollige voorraad die kapitaal en ruimte in beslag kan nemen. Het optimaliseren van de inventaris van reserveonderdelen is een complex proces dat een grondige kennis van gebruikspatronen, doorlooptijden van leveranciers en de kritieke waarde van elk onderdeel voor het bedrijf vereist.

In deze blog zal onze primaire nadruk liggen op het cruciale aspect van voorraadoptimalisatie en vraagvoorspelling. Andere hieronder beschreven benaderingen voor het optimaliseren van reserveonderdelen, zoals voorspellend onderhoud en 3D-printen, Master Data Management en gezamenlijke planning, moeten echter worden onderzocht en waar nodig worden toegepast.

1. Voorspellend onderhoud: Voorspellende analyses gebruiken om te anticiperen wanneer een onderdeel waarschijnlijk defect raakt en het proactief te vervangen, in plaats van te wachten tot het kapot gaat. Deze aanpak kan bedrijven helpen downtime en onderhoudskosten te verminderen en de algehele effectiviteit van apparatuur te verbeteren.
2. 3d printen: Dankzij de vooruitgang in de 3D-printtechnologie kunnen bedrijven reserveonderdelen op aanvraag produceren, waardoor er minder voorraad nodig is. Dit bespaart niet alleen ruimte en kosten, maar zorgt er ook voor dat onderdelen beschikbaar zijn wanneer dat nodig is.
3. Beheer van stamgegevens: Gegevensbeheerplatforms zorgen ervoor dat onderdeelgegevens correct worden geïdentificeerd, gecatalogiseerd, opgeschoond en georganiseerd. Maar al te vaak hebben MRO-organisaties hetzelfde onderdeelnummer onder verschillende SKU's. Deze dubbele onderdelen dienen hetzelfde doel, maar hebben verschillende SKU-nummers nodig om naleving van de regelgeving of veiligheid te garanderen. Een onderdeel dat wordt gebruikt ter ondersteuning van een overheidscontract, kan bijvoorbeeld nodig zijn van een Amerikaanse fabrikant om te blijven voldoen aan de "Buy America"-regelgeving. Het is van cruciaal belang dat deze onderdeelnummers worden geïdentificeerd en, indien mogelijk, worden geconsolideerd in één SKU om voorraadinvesteringen binnen de perken te houden.
4. Gezamenlijke planning: Door samen te werken met leveranciers en klanten om gegevens, prognoses en vraagplanning te delen, kunnen bedrijven doorlooptijden verkorten, de nauwkeurigheid verbeteren en voorraadniveaus verlagen. Prognoses spelen een essentiële rol in samenwerking, aangezien het delen van inzichten over aankopen, vraag en koopgedrag ervoor zorgt dat leveranciers over de informatie beschikken die ze nodig hebben om ervoor te zorgen dat de voorraad voor klanten beschikbaar is.

Inventory Optimization
Abraham Lincoln werd ooit als volgt geciteerd: "Geef me zes uur om een boom om te hakken, en ik zal de eerste vier uur besteden aan het slijpen van de bijl"? Lincoln wist dat voorbereiding en optimalisatie de sleutel tot succes waren, net zoals organisaties over de juiste tools moeten beschikken, zoals software voor voorraadoptimalisatie, om hun toeleveringsketen te optimaliseren en voorop te blijven lopen in de markt. Met software voor voorraadoptimalisatie kunnen organisaties hun prognosenauwkeurigheid verbeteren, voorraadkosten verlagen, serviceniveaus verbeteren en doorlooptijden verkorten. Lincoln wist dat het slijpen van de bijl nodig was om de klus effectief te klaren zonder overmatige inspanning. Voorraadoptimalisatie zorgt ervoor dat voorraaddollars effectief worden toegewezen aan duizenden onderdelen, waardoor serviceniveaus worden gegarandeerd en overtollige voorraad wordt geminimaliseerd.

Reserveonderdelen spelen een doorslaggevende rol bij het handhaven van de operationele efficiëntie, en het ontbreken van kritieke onderdelen kan leiden tot uitvaltijd en verminderde productiviteit. Door de sporadische aard van de vraag naar reserveonderdelen is het moeilijk te voorspellen wanneer een specifiek onderdeel nodig zal zijn, wat resulteert in het risico van over- of onderbevoorrading, die beide kosten kunnen opleveren voor de organisatie. Bovendien brengt het beheren van doorlooptijden voor reserveonderdelen zijn eigen uitdagingen met zich mee. Sommige onderdelen kunnen lange levertijden hebben, waardoor het nodig is om voldoende voorraad aan te houden om tekorten te voorkomen. Het meenemen van overtollige voorraad kan echter kostbaar zijn en kapitaal en opslagruimte in beslag nemen.

Gezien de talloze uitdagingen waarmee materiaalbeheerafdelingen en planners van reserveonderdelen worden geconfronteerd, is het plannen van de vraag, voorraadniveaus en aanvulling van reserveonderdelen zonder een effectieve oplossing voor voorraadoptimalisatie vergelijkbaar met een poging om een boom om te hakken met een zeer botte bijl! Hoe scherper de bijl, hoe beter uw organisatie deze uitdagingen het hoofd kan bieden.

De bijl van Smart Software is de scherpste
Slimme software voor voorraadoptimalisatie en vraagplanning maakt gebruik van een unieke empirische probabilistische prognosebenadering die resulteert in nauwkeurige prognoses van voorraadbehoeften, zelfs wanneer de vraag met tussenpozen is. Aangezien bijna 90% aan reserve- en serviceonderdelen met tussenpozen is, is een nauwkeurige oplossing vereist om aan dit soort vraag te voldoen. De oplossing van Smart werd gepatenteerd in 2001 en aanvullende innovaties werden onlangs gepatenteerd in mei 2023 (aankondigingen volgen binnenkort!). De oplossing werd bekroond als finalist in de APICS Technological Innovation Category voor zijn rol bij het helpen transformeren van de resource management-industrie.

De rol van intermitterende vraag
Intermitterende vraag komt niet overeen met een simpele normale of klokvormige verdeling die het onmogelijk maakt om nauwkeurig te voorspellen met traditionele, op afvlakking gebaseerde prognosemethoden. Onderdelen en items met intermitterende vraag – ook wel bekend als klonterige, volatiele, variabele of onvoorspelbare vraag – hebben veel nul- of laagvolumewaarden afgewisseld met willekeurige pieken in de vraag die vaak vele malen groter zijn dan het gemiddelde. Dit probleem doet zich vooral voor bij bedrijven die grote voorraden van service- en reserveonderdelen beheren in sectoren zoals luchtvaart, ruimtevaart, energie- en watervoorziening en nutsbedrijven, automobielindustrie, beheer van zware activa, hightech, evenals in MRO (Maintenance, Repair, en revisie).

Scenario analyse
De gepatenteerde en bekroonde technologie van Smart genereert snel tienduizenden mogelijke scenario's van toekomstige vraagreeksen en cumulatieve vraagwaarden over de doorlooptijd van een artikel. Deze scenario's zijn statistisch vergelijkbaar met de geobserveerde gegevens van het artikel en ze leggen de relevante details vast van de intermitterende vraag zonder te vertrouwen op de aannames die gewoonlijk worden gedaan over de aard van vraagverdelingen door traditionele prognosemethoden. Het resultaat is een uiterst nauwkeurige voorspelling van de volledige verdeling van de cumulatieve vraag over de doorlooptijd van een artikel. Het komt erop neer dat bedrijven met de informatie die deze vraagdistributies bieden, eenvoudig veiligheidsvoorraad en voorraadvereisten op serviceniveau kunnen plannen voor duizenden periodiek gevraagde artikelen met een nauwkeurigheid van bijna 100%.

Benefits
Door innovatieve oplossingen van Smart Software te implementeren, zoals SmartForecasts voor statistische prognoses, Demand Planner voor consensusplanning van onderdelen en Inventory Optimization voor het ontwikkelen van nauwkeurige aanvullingsfactoren zoals min/max en veiligheidsvoorraadniveaus, krijgen vooruitstrevende leidinggevenden en planners betere controle over hun bedrijfsvoering van de organisatie. Het zal resulteren in de volgende voordelen:

1. Verbeterde prognosenauwkeurigheid: Nauwkeurige vraagprognoses zijn van fundamenteel belang voor elke organisatie die zich bezighoudt met voorraadbeheer van reserveonderdelen. Voorraadoptimalisatiesoftware maakt gebruik van geavanceerde algoritmen om historische gebruikspatronen te analyseren, trends te identificeren en toekomstige vraag met een hoge mate van nauwkeurigheid te voorspellen. Met dit niveau van precisie bij prognoses kunnen organisaties het risico van over- of onderbevoorrading van hun reserveonderdelenvoorraad vermijden.
2. Lagere voorraadkosten: Een grote uitdaging waarmee leiders in de toeleveringsketen worden geconfronteerd bij het beheer van de voorraad van reserveonderdelen, zijn de kosten die gepaard gaan met het te allen tijde aanhouden van een optimale voorraad reserveonderdelen. Door voorraadniveaus te optimaliseren met behulp van moderne technologiesystemen zoals kunstmatige intelligentie (AI), machine learning (ML) en voorspellende analyses, kunnen organisaties de transportkosten verlagen en er tegelijkertijd voor zorgen dat ze voldoende voorraden beschikbaar hebben wanneer dat nodig is.
3. Verbeterde serviceniveaus: Als het gaat om reparatie- en onderhoudsdiensten, is tijd geld! Downtime als gevolg van de onbeschikbaarheid van kritieke reserveonderdelen kan leiden tot verloren productiviteit en inkomsten voor bedrijven in verschillende sectoren, zoals fabrieken, energieopwekkingsfaciliteiten of datacenters die IT-infrastructuurapparatuur beheren. Het optimaliseren van uw reserveonderdelenvoorraad zorgt ervoor dat u altijd de juiste hoeveelheid bij de hand hebt, waardoor de uitvaltijd die wordt veroorzaakt door het wachten op leveringen van leveranciers wordt verminderd.
4. Kortere doorlooptijden: Een ander voordeel dat voortvloeit uit nauwkeurige vraagprognoses door middel van moderne magazijntechnologieën, is een kortere doorlooptijd bij levering, wat leidt tot een betere klanttevredenheid, aangezien klanten hun bestellingen sneller zullen ontvangen dan voorheen, waardoor de merkloyaliteit wordt verbeterd. Daarom creëert de toepassing van nieuwe strategieën die worden aangestuurd door AI/ML-tools waarde binnen supply chain-operaties, wat leidt tot meer efficiëntie, niet alleen beperkte reductiekosten, maar ook stroomlijning van processen met betrekking tot onder andere productieplanning en logistieke transportplanning

Conclusie
Door gebruik te maken van software voor voorraadoptimalisatie en vraagplanning kunnen organisaties verschillende uitdagingen overwinnen, zoals verstoringen in de toeleveringsketen, stijgende rentetarieven en volatiele vraag. Hierdoor kunnen ze de kosten verlagen die gepaard gaan met overtollige opslagruimte en verouderde inventarisitems. Door gebruik te maken van geavanceerde algoritmen, verbetert software voor voorraadoptimalisatie de nauwkeurigheid van prognoses, waardoor organisaties kunnen voorkomen dat ze te veel of te weinig voorraad hebben in hun voorraad reserveonderdelen. Bovendien helpt het de voorraadkosten te verlagen door niveaus te optimaliseren en technologieën zoals kunstmatige intelligentie (AI), machine learning (ML) en voorspellende analyses te gebruiken. Verbeterde serviceniveaus worden bereikt doordat organisaties de juiste hoeveelheid reserveonderdelen direct beschikbaar hebben, waardoor downtime als gevolg van het wachten op leveringen wordt verminderd. Bovendien leidt nauwkeurige vraagprognose tot kortere doorlooptijden, waardoor de klanttevredenheid toeneemt en merkloyaliteit wordt bevorderd. Het toepassen van dergelijke strategieën, aangestuurd door AI/ML-tools, verlaagt niet alleen de kosten, maar stroomlijnt ook processen, waaronder productieplanning en logistieke transportplanning, waardoor uiteindelijk de efficiëntiewinst binnen de toeleveringsketen toeneemt.

Ik wed dat uw onderhouds- en reparatieteams het goed zouden vinden om een grotere voorraad te lopen sommige reserveonderdelen als ze wisten dat de besparingen op voorraadvermindering zouden worden gebruikt om de voorraadinvestering effectiever te spreiden ander onderdelen en verhoogt het algehele serviceniveau.

Ik verdubbel dat uw Finance-team, ondanks dat het altijd wordt uitgedaagd met het verlagen van de kosten, een gezonde voorraadverhoging zou ondersteunen als ze duidelijk konden zien dat de inkomsten profiteren van een hogere uptime, minder versnellingen en verbeteringen op het serviceniveau duidelijk opwegen tegen de extra voorraadkosten en risico.

A ruilcurve voor reserveonderdelen stelt planningsteams voor serviceonderdelen in staat om de risico's en kosten van elke voorraadbeslissing correct te communiceren. Het is essentieel voor de planning van onderdelen en de enige manier om voorraadparameters proactief en nauwkeurig aan te passen voor elk onderdeel. Zonder dit "plannen" planners, in alle opzichten, met oogkleppen op, omdat ze niet in staat zullen zijn om de echte afwegingen te communiceren die verband houden met opslagbeslissingen.

Als bijvoorbeeld een voorgestelde verhoging van de min/max-niveaus van een belangrijke productgroep van serviceonderdelen wordt aanbevolen, hoe weet u dan of de verhoging te hoog of te laag of precies goed is? Hoe kun je de verandering voor duizenden reserveonderdelen verfijnen? Je wilt niet en je kunt het niet. Uw voorraadbeslissingen zullen afhangen van reactieve, onderbuikgevoelens en algemene beslissingen, waardoor de serviceniveaus eronder lijden en de voorraadkosten de pan uit rijzen.

Dus, wat is eigenlijk een afwegingscurve voor reserveonderdelen?

Het is een op feiten gebaseerde, numerieke voorspelling die beschrijft hoe veranderingen in voorraadniveaus de voorraadwaarde, bewaarkosten en serviceniveaus zullen beïnvloeden. Voor elke eenheidswijziging in voorraadniveau zijn er kosten en baten. De uitruilcurve voor reserveonderdelen identificeert deze kosten en baten voor verschillende voorraadniveaus. Hiermee kunnen planners het voorraadniveau ontdekken dat de kosten en baten voor elk afzonderlijk item het beste in evenwicht houdt.

Hier zijn twee vereenvoudigde voorbeelden. In afbeelding 1 laat de ruilcurve voor reserveonderdelen zien hoe het serviceniveau (waarschijnlijkheid dat er geen voorraad is) verandert afhankelijk van het bestelniveau. Hoe hoger het bestelniveau, hoe lager het voorraadrisico. Het is van cruciaal belang om te weten hoeveel service u krijgt gezien de voorraadinvestering. Hier kunt u misschien rechtvaardigen dat een voorraadtoename van een bestelpunt van 35 naar 45 de investering van 10 extra voorraadeenheden meer dan waard is, omdat het serviceniveau springt van iets minder dan 70% naar 90%, waardoor uw voorraadrisico voor het reserveonderdeel afneemt van 30% tot 10%!

​

Afbeelding 1: kosten versus serviceniveau

Afbeelding 2: serviceniveau versus voorraadomvang

In dit voorbeeld (Afbeelding 2) legt de afwegingscurve een veelvoorkomend probleem bloot met de inventaris van reserveonderdelen. Vaak zijn de voorraadniveaus zo hoog dat ze een negatief rendement opleveren. Na een bepaalde voorraadhoeveelheid koopt elke extra voorraadeenheid niet meer voordeel in de vorm van een hoger serviceniveau. Voorraadverminderingen kunnen worden gerechtvaardigd wanneer duidelijk is dat het voorraadniveau het punt van afnemende opbrengsten ver voorbij is. Een nauwkeurige afwegingscurve zal het punt blootleggen waar het niet langer voordelig is om voorraad toe te voegen.

Door gebruik te maken van #probabilistischevoorspelling om de planning van onderdelen te stimuleren, kunt u deze afwegingen nauwkeurig communiceren, dit op schaal doen voor honderdduizenden onderdelen, slechte voorraadbeslissingen vermijden en serviceniveaus en kosten in evenwicht brengen. Bij Smart Software zijn we gespecialiseerd in het helpen van planners van reserveonderdelen, directeuren van materiaalbeheer en financiële leidinggevenden die MRO, reserveonderdelen en aftermarket-onderdelen beheren om deze relaties te begrijpen en te exploiteren.

Elke organisatie die apparatuur beheert, heeft reserveonderdelen nodig. Ze hebben allemaal te maken met algemene problemen, wat hun bedrijf ook is. Sommige problemen zijn echter branchespecifiek. Dit bericht bespreekt een universeel probleem dat zich manifesteerde in een kerncentrale en een probleem dat vooral acuut is voor elk elektriciteitsbedrijf.

Het universele probleem van gegevenskwaliteit

We posten vaak over de voordelen van het omzetten van gegevens over het gebruik van onderdelen in slimme beslissingen over voorraadbeheer. Geavanceerde waarschijnlijkheidsmodellering ondersteunt het genereren van realistische vraagscenario's die worden gebruikt in gedetailleerde Monte Carlo-simulaties die de gevolgen blootleggen van beslissingen zoals keuzes van Min en Max voor het aanvullen van reserveonderdelen.

Al die nieuwe en glanzende analytische technologie vereist echter kwaliteitsgegevens als brandstof voor de analyse. Voor sommige openbare nutsbedrijven is het bijhouden van gegevens geen sterke zaak, dus het ruwe materiaal dat wordt geanalyseerd, kan corrupt en misleidend zijn. We kwamen onlangs documentatie tegen van een sterk voorbeeld van dit probleem bij een kerncentrale (zie Scala, Needy en Rajgopal: Besluitvorming en afwegingen bij het beheer van de inventaris van reserveonderdelen bij nutsbedrijven. American Association of Engineering Management, 30e ASEM Nationale Conferentie, Springfield, MO. oktober 2009). Scala et al. documenteerde de gebruiksgeschiedenis van een kritiek onderdeel waarvan de afwezigheid zou resulteren in een verlaging van de faciliteit of een sluiting. Het gebruiksrecord van de fabriek voor dat onderdeel omvatte meer dan acht jaar aan gegevens. Gedurende die tijd rapporteerde de officiële gebruiksgeschiedenis negen gebeurtenissen waarin een positieve vraag optrad met groottes variërend van één tot zes eenheden elk. Er waren ook vijf gebeurtenissen gekenmerkt door negatieve eisen (dwz retouren naar het magazijn), variërend van één tot drie eenheden elk. Zorgvuldig speurwerk ontdekte dat het werkelijke gebruik plaatsvond in slechts twee gebeurtenissen, beide met een vraag naar twee eenheden. Het is duidelijk dat voor het berekenen van de beste min/max-waarden voor dit artikel nauwkeurige vraaggegevens nodig zijn.

Het speciale probleem van gezondheid en veiligheid

In de context van "gewone" bedrijven kunnen tekorten aan reserveonderdelen zowel de huidige omzet als de toekomstige omzet schaden (gerelateerd aan de reputatie als betrouwbare leverancier). Voor een elektriciteitsbedrijf echter, Scala et al. constateerde dat er veel grotere gevolgen verbonden waren aan de voorraad van reserveonderdelen. Deze omvatten niet alleen een verhoogd financieel en reputatierisico, maar ook risico's voor gezondheid en veiligheid: “Gevolgen van het niet op voorraad hebben van een onderdeel zijn onder meer de mogelijkheid om de productie te moeten verminderen of mogelijk zelfs een fabriek stil te leggen. Vanuit een langetermijnperspectief kan dit de kritieke stroomvoorziening aan residentiële, commerciële en/of industriële klanten onderbreken, terwijl het de reputatie, betrouwbaarheid en winstgevendheid van het bedrijf schaadt. Een elektriciteitsbedrijf maakt en verkoopt slechts één product: elektriciteit. Het verlies van het vermogen om elektriciteit te verkopen kan ernstige schade toebrengen aan de bedrijfsresultaten en de levensvatbaarheid op lange termijn.”

Des te meer reden voor elektriciteitsbedrijven om leiders te zijn in plaats van achterblijvers bij de inzet van de meest geavanceerde waarschijnlijkheidsmodellen voor vraagvoorspelling en voorraadoptimalisatie.

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.