Overstocking van voorraden kan zowel de financiële stabiliteit als de operationele efficiëntie schaden. Wanneer een organisatie overstocking heeft, legt het kapitaal vast in overtollige voorraden die mogelijk niet verkocht worden, wat de opslagkosten en het risico op veroudering van de voorraad verhoogt. Bovendien hadden de fondsen die gebruikt werden om de overtollige voorraad te kopen beter geïnvesteerd kunnen worden in andere gebieden van het bedrijf, zoals marketing of onderzoek en ontwikkeling. Overstocking belemmert ook de cashflow, omdat geld vastzit in voorraden in plaats van beschikbaar is voor onmiddellijke operationele behoeften. Effectief voorraadbeheer is cruciaal voor het behouden van een gezonde balans en het verzekeren dat middelen optimaal worden toegewezen. Hier volgt een diepgaande verkenning van de belangrijkste oorzaken van overstocking, hun implicaties en mogelijke oplossingen.

1 Onjuiste vraagvoorspelling

Een van de belangrijkste oorzaken van overstocking is onnauwkeurige vraagvoorspelling. Wanneer bedrijven vertrouwen op verouderde voorspellingsmethoden of onvoldoende gegevens, kunnen ze de vraag gemakkelijk overschatten, wat leidt tot overstocking. Een goed voorbeeld is de kledingindustrie, waar modetrends snel kunnen veranderen. Een bekend modemerk kreeg onlangs te maken met uitdagingen nadat het de vraag naar een nieuwe kledinglijn had overschat op basis van gebrekkige data-analyse, wat leidde tot onverkochte voorraad.

Om dit probleem aan te pakken, kunnen bedrijven nieuwe technologieën implementeren die automatisch de beste prognosemethoden voor de gegevens selecteren, waarbij trends en seizoenspatronen worden opgenomen om nauwkeurigheid te garanderen. Door de nauwkeurigheid van de prognose te verbeteren, kunnen bedrijven hun inventaris beter afstemmen op de werkelijke vraag, wat leidt tot nauwkeuriger voorraadbeheer en minder overstockscenario's. Een hardwareretailer die Smart Demand Planner gebruikte, verminderde bijvoorbeeld prognosefouten met 15%, wat het potentieel voor aanzienlijke verbetering in voorraadbeheer aantoont.

2 Onjuist voorraadbeheer

Effectief voorraadbeheer is fundamenteel om overstocking te voorkomen. Zonder nauwkeurige systemen om voorraadniveaus bij te houden, kunnen bedrijven overtollige voorraad bestellen en hogere kosten maken. Dit probleem komt vaak voort uit afhankelijkheid van spreadsheets of inefficiënte ERP-systemen die geen realtime data-integratie hebben.

State-of-the-art technologieën bieden realtime inzicht in voorraadniveaus, waardoor bedrijven bestelprocessen kunnen automatiseren en optimaliseren. Een groot elektriciteitsbedrijf had te maken met uitdagingen bij het behouden van de beschikbaarheid van serviceonderdelen zonder overbevoorrading, waarbij meer dan 250.000 onderdeelnummers werden beheerd in een divers netwerk van elektriciteitsopwekkings- en distributiefaciliteiten. Het bedrijf verving zijn verouderde systeem door Smart IP&O en integreerde het in realtime met hun Enterprise Asset Management (EAM)-systeem. Smart IP&O stelde het nutsbedrijf in staat om 'what-if'-scenario's te gebruiken, digitale tweelingen van alternatieve voorraadbeleid te creëren en prestaties te simuleren op basis van belangrijke prestatie-indicatoren, zoals voorraadwaarde, serviceniveaus, vulpercentages en tekortkosten. Hierdoor kon het nutsbedrijf gerichte aanpassingen doen aan hun voorraadparameters, die vervolgens werden geïmplementeerd in hun EAM-systeem, wat leidde tot optimale aanvullingen van reserveonderdelen.

Het resultaat was significant: een vermindering van de voorraad met $9 miljoen, waardoor er geld en waardevolle magazijnruimte vrijkwam, terwijl de beoogde serviceniveaus van meer dan 99% werden gehandhaafd.

3 overdreven optimistische verkoopprognoses

Bedrijven, met name die in groeifases, kunnen hogere verkopen voorspellen dan ze realiseren, wat leidt tot overtollige voorraad die bedoeld is om te voldoen aan de verwachte vraag die nooit werkelijkheid wordt. Een voorbeeld hiervan is het recente geval met een fabrikant van elektrische voertuigen die hoge verkopen voor zijn vrachtwagen voorspelde, maar te maken kreeg met vertragingen in de productie en een lagere vraag dan verwacht, wat resulteerde in een overschot aan componenten en onderdelen. Deze verkeerde berekening leidde tot hogere opslagkosten en beperkte financiële middelen.

Een ander bedrijf in de automotive aftermarket had moeite om onderdelen die af en toe werden gevraagd nauwkeurig te voorspellen, wat vaak resulteerde in overstocking en stockouts. Met behulp van AI-gestuurde technologie kon het bedrijf backorders en verloren verkopen aanzienlijk verminderen, met een verbetering van de vulpercentages van 93% naar 96% binnen slechts drie maanden. Door gebruik te maken van Smart IP&O-prognosetechnologieën kon het bedrijf nauwkeurige schattingen genereren van de cumulatieve vraag over doorlooptijden, wat een beter zicht bood op potentiële vraagscenario's. Dit zorgde voor geoptimaliseerde voorraadniveaus, lagere opslagkosten en verbeterde financiële efficiëntie door de voorraad af te stemmen op de werkelijke vraag.

4 Kortingen bij bulkaankopen

De aantrekkingskracht van kostenbesparingen door bulkaankopen kan bedrijven ertoe aanzetten om meer te kopen dan nodig is, waardoor kapitaal en opslagruimte worden vastgelegd. Dit leidt vaak tot opslagproblemen wanneer overtollige voorraad wordt besteld om korting te krijgen.

Om deze uitdaging aan te gaan, moeten bedrijven de voordelen van bulkkortingen afwegen tegen de kosten van het aanhouden van overtollige voorraad. Technologie van de volgende generatie kan helpen de meest kosteneffectieve inkoopstrategie te identificeren door directe besparingen in evenwicht te brengen met opslagkosten op de lange termijn. Door Smart IP&O te implementeren, kon MNR de voorraadvereisten nauwkeurig voorspellen en zijn voorraadbeheerprocessen optimaliseren. Dit leidde tot een vermindering van 8% in de onderdelenvoorraad, waardoor een hoog klantenserviceniveau van 98,7% werd bereikt en de voorraadgroei voor nieuwe apparatuur werd teruggebracht van een geprojecteerde 10% naar slechts 6%.

5 Seizoensgebonden Vraagschommelingen

Moeilijkheden bij het afstemmen van de voorraad op de seizoensgebonden vraag kunnen leiden tot overtollige voorraad zodra de piekverkoopperiode voorbij is. Speelgoedfabrikanten kunnen bijvoorbeeld te veel speelgoed met een vakantiethema produceren, alleen om na de feestdagen met een lage vraag te worden geconfronteerd. De mode-industrie ervaart vaak soortgelijke uitdagingen, waarbij bepaalde stijlen verouderd raken naarmate de seizoenen veranderen. De nieuwste technologieën kunnen bedrijven helpen om seizoensgebonden vraagverschuivingen te anticiperen en de voorraadniveaus dienovereenkomstig aan te passen. Door eerdere verkoopgegevens te analyseren en toekomstige trends te voorspellen, kunnen bedrijven zich beter voorbereiden op seizoensgebonden schommelingen, het risico op overbevoorrading minimaliseren en de voorraadomzet verbeteren.

6 Variabiliteit in de levertijd van leveranciers

Onbetrouwbare levertijden van leveranciers kunnen leiden tot overstocking als buffer tegen vertragingen. Als levertijden verbeteren of de vraag onverwachts afneemt, kunnen bedrijven overtollige voorraad hebben. Een distributeur van auto-onderdelen kan bijvoorbeeld onderdelen opslaan om vertragingen bij leveranciers te beperken, maar dan merken ze dat de levertijden plotseling verbeteren.

Geavanceerde technologie kan helpen door realtime data en voorspellende analyses te leveren om de variabiliteit van de doorlooptijd beter te beheren. Deze tools stellen bedrijven in staat om hun orders dynamisch aan te passen, waardoor de behoefte aan overmatige veiligheidsvoorraad afneemt.

7 Onvoldoende voorraadbeleid

Verouderde of onjuiste voorraadbeleidsregels, zoals foutieve Min/Max-instellingen, kunnen leiden tot overbestelling. Door echter moderne technologie te gebruiken om voorraadbeleidsregels regelmatig te controleren en bij te werken, wordt ervoor gezorgd dat ze aansluiten bij de huidige bedrijfsbehoeften en marktomstandigheden. Door beleid up-to-date te houden, kunnen bedrijven het risico op overstocking als gevolg van procedurele fouten verminderen. Een recente casestudy liet zien hoe een grote retailer Smart IP&O gebruikte om voorraadbeleidsregels te herzien, wat resulteerde in een 15%-reductie in overstock​​.

8 Promoties en marketingcampagnes

Een verkeerde afstemming tussen marketinginspanningen en de werkelijke vraag van klanten kan ertoe leiden dat bedrijven de impact van promoties overschatten, wat resulteert in onverkochte voorraad. Een cosmeticabedrijf kan bijvoorbeeld een product in beperkte oplage overproduceren, in de verwachting van een hoge vraag die niet uitkomt. Door Smart IP&O in te zetten, kunnen marketinginitiatieven worden afgestemd op realistische vraagverwachtingen, waardoor overtollige voorraad wordt vermeden. Door marketingplannen te integreren met vraagvoorspellingen, kunnen bedrijven hun promotionele strategieën optimaliseren om beter aan te sluiten bij de werkelijke interesse van klanten.

9 Angst voor voorraadtekorten

Bedrijven houden vaak hogere voorraadniveaus aan om voorraadtekorten te voorkomen, wat kan leiden tot omzetverlies en ontevreden klanten. Deze angst kan bedrijven ertoe aanzetten om te veel voorraad aan te leggen als vangnet, vooral in sectoren waar klanttevredenheid en -behoud cruciaal zijn. Een opvallend voorbeeld is een grote winkelketen die zijn voorraad huishoudelijke artikelen aanzienlijk uitbreidde om voorraadtekorten te voorkomen. Hoewel deze strategie aanvankelijk hielp om aan de vraag van klanten te voldoen, resulteerde dit later in overtollige voorraad toen de aankooppatronen van consumenten zich stabiliseerden. Deze overstocking droeg bij aan een winstdaling van bijna 90% in het tweede kwartaal, grotendeels als gevolg van afprijzingen en het opruimen van overtollige voorraad.

Om dergelijke situaties te beperken, kunnen bedrijven geavanceerde voorraadplannings- en optimalisatietools gebruiken om nauwkeurige vraagvoorspellingen te doen. Een toonaangevende elektronicafabrikant gebruikte bijvoorbeeld de Smart IP&O-oplossing om de voorraadniveaus te verlagen met 20% zonder dat dit gevolgen had voor de serviceniveaus. Dit verlaagde effectief de kosten en zorgde ervoor dat de klanttevredenheid behouden bleef door te zorgen dat ze de juiste hoeveelheid voorraad bij de hand hadden.

10 Overcompensatie voor problemen in de toeleveringsketen

Bedrijven kunnen te veel voorraad aanleggen om zich te beschermen tegen voortdurende verstoringen in de toeleveringsketen, maar dit kan leiden tot opslagproblemen. Een technologiebedrijf kan bijvoorbeeld componenten opslaan om mogelijke problemen in de toeleveringsketen te voorkomen, wat resulteert in overtollige voorraad en hogere kosten. Geavanceerde systemen kunnen bedrijven helpen om beter te anticiperen op en te reageren op uitdagingen in de toeleveringsketen, door de behoefte aan veiligheidsvoorraad in evenwicht te brengen met het risico van te veel voorraad. Een technologiebedrijf gebruikte Smart IP&O om zijn voorraadstrategie te stroomlijnen, waarbij de overtollige voorraad werd verminderd tegen 20% en de veerkracht van de toeleveringsketen behouden bleef.

11 Lange levertijden en onbetrouwbare leveranciers

Lange doorlooptijden en onbetrouwbare leveranciers kunnen ertoe leiden dat bedrijven meer voorraad bestellen dan nodig is om potentiële leveringstekorten te dekken. Minder kritieke artikelen waarvan wordt voorspeld dat ze een zeer hoog serviceniveau bereiken, vertegenwoordigen echter kansen om de voorraad te verminderen. Door lagere serviceniveaus te targeten voor minder kritieke artikelen, zal de voorraad na verloop van tijd de "juiste grootte" hebben voor het nieuwe evenwicht, waardoor de opslagkosten en de waarde van de voorraad afnemen. Een groot openbaarvervoersysteem verminderde de voorraad met meer dan $4.000.000 terwijl het serviceniveau werd verbeterd met behulp van onze geavanceerde technologie.

12 Gebrek aan realtime inzicht in de voorraad

Zonder realtime inzicht in de voorraad bestellen bedrijven vaak meer voorraad dan nodig is, wat leidt tot inefficiëntie en hogere kosten. Smart IP&O stelde Seneca-bedrijven in staat om de vraag op elke voorraadlocatie te modelleren en, met behulp van servicelevelgestuurde planning, te bepalen hoeveel er moet worden opgeslagen om het vereiste serviceniveau te bereiken. Door verschillende scenario's uit te voeren en te vergelijken, kunnen ze eenvoudig optimale voorraadbeleidsregels definiëren en bijwerken voor elke technische ondersteuningsvertegenwoordiger en voorraadruimten.

De software heeft veldtechnici bewijs geleverd dat ze voorheen niet hadden, door hun werkelijke verbruik, de frequentie van het gebruik van onderdelen en de reden voor het voorraadbeleid te tonen, waarbij 90% werd gebruikt als de beoogde serviceniveaunorm. Veldtechnici hebben het gebruik ervan omarmd, met significante resultaten: de voorraad "Zero Turns" is gedaald van $400K tot minder dan $100K, de "First Fix Rate" overschrijdt 90% en de totale voorraadinvestering is met meer dan 25% gedaald, van $11 miljoen tot $ 8 miljoen .

Concluderend vormt overstocking een ernstige bedreiging voor de winstgevendheid en efficiëntie van bedrijven, wat leidt tot hogere opslagkosten, vastgelopen kapitaal en mogelijke veroudering van goederen. Deze problemen kunnen de middelen belasten en het vermogen van een bedrijf om te reageren op marktveranderingen beperken. Overstocking kan echter effectief worden beheerd door de oorzaken ervan te begrijpen, zoals onnauwkeurige vraagvoorspellingen, langere doorlooptijden en onbetrouwbare leveranciers. Het implementeren van robuuste AI-gestuurde oplossingen zoals Smart IP&O kan bedrijven helpen voorraadniveaus te optimaliseren, overtollige voorraad te verminderen en de operationele efficiëntie te verbeteren. Door geavanceerde prognose- en voorraadoptimalisatietools te benutten, kunnen bedrijven de juiste balans vinden tussen het voldoen aan de vraag van klanten en het minimaliseren van voorraadgerelateerde kosten.

Vraagplanning gaat verder dan alleen het voorspellen van productbehoeften; het gaat erom ervoor te zorgen dat uw bedrijf nauwkeurig, efficiënt en kosteneffectief aan de vraag van klanten voldoet. De nieuwste technologie voor vraagplanning pakt belangrijke uitdagingen aan, zoals nauwkeurigheid van voorspellingen, voorraadbeheer en marktresponsiviteit. In deze blog introduceren we kritieke trends voor vraagplanning, waaronder datagestuurde inzichten, probabilistische voorspellingen, consensusplanning, voorspellende analyses, scenariomodellering, realtime zichtbaarheid en multilevel voorspellingen. Deze trends helpen u om voorop te blijven lopen, uw toeleveringsketen te optimaliseren, kosten te verlagen en de klanttevredenheid te verbeteren, waardoor uw bedrijf op de lange termijn succesvol wordt.

Datagestuurde inzichten

Geavanceerde analyses, machine learning en kunstmatige intelligentie (AI) worden integraal onderdeel van vraagplanning. Technologieën zoals Smart UP&O stellen bedrijven in staat om complexe datasets te analyseren, patronen te identificeren en nauwkeurigere voorspellingen te doen. Deze verschuiving naar datagestuurde inzichten helpt bedrijven om snel te reageren op marktveranderingen, voorraadtekorten te minimaliseren en overtollige voorraad te verminderen.

Probabilistic Forecasting

Probabilistische voorspellingen richten zich op het voorspellen van een reeks mogelijke uitkomsten in plaats van één enkel getal. Deze trend is met name belangrijk voor het beheren van onzekerheid en risico bij vraagplanning. Het helpt bedrijven zich voor te bereiden op verschillende vraagscenario's, het verbeteren van voorraadbeheer en het verminderen van de kans op voorraadtekorten of overvoorraad.

Consensusvoorspelling

Moderne productie beweegt richting een geïntegreerde aanpak waarbij afdelingen en belanghebbenden nauwer samenwerken. Samenwerkende prognoses omvatten het delen van inzichten in de hele toeleveringsketen, van leveranciers tot distributeurs en interne teams. Deze aanpak doorbreekt silo's en zorgt ervoor dat iedereen naar een gemeenschappelijk doel toewerkt, wat leidt tot een meer gesynchroniseerde en efficiënte toeleveringsketen.

Voorspellende en prescriptieve analyses

Predictive analytics voorspelt toekomstige uitkomsten op basis van historische data en trends, waardoor bedrijven vraagschommelingen kunnen anticiperen. Smart Demand Planner (SDP) automatiseert bijvoorbeeld prognoses om voorraad- en productieniveaus dienovereenkomstig aan te passen.

Prescriptieve analyses gaan verder door bruikbare aanbevelingen te bieden. Smart Inventory Planning and Optimization (IP&O) schrijft bijvoorbeeld optimale voorraadbeleidsregels voor op basis van serviceniveaus, kosten en risico's. Samen maken deze tools proactieve besluitvorming mogelijk, waardoor bedrijven hun reacties op toekomstige uitdagingen kunnen voorspellen en optimaliseren.

Scenariomodellering

Scenariomodellering wordt een belangrijk onderdeel van vraagplanning, waardoor bedrijven verschillende scenario's kunnen simuleren en hun impact op de bedrijfsvoering kunnen beoordelen. Deze methode helpt bedrijven aanpasbare strategieën te creëren om onzekerheden effectief aan te pakken. Smart IP&O verbetert deze mogelijkheid door Wat als scenario's waarmee gebruikers verschillende voorraadbeleidsregels kunnen testen voordat ze worden geïmplementeerd. Door variabelen zoals serviceniveaus of bestelhoeveelheden aan te passen, kunnen bedrijven de effecten op kosten en serviceniveaus visualiseren, waardoor ze de optimale strategie kunnen selecteren om risico's te minimaliseren en kosten te beheersen.

Realtime zichtbaarheid

Naarmate toeleveringsketens globaler en onderling verbonden worden, is realtime inzicht in inventaris en toeleveringsketenactiviteiten cruciaal. Verbeterde samenwerking met leveranciers en distributeurs, gecombineerd met realtimegegevens, stelt bedrijven in staat om snellere, beter geïnformeerde beslissingen te nemen. Dit helpt voorraadniveaus te optimaliseren, doorlooptijden te verkorten en de algehele veerkracht van de toeleveringsketen te verbeteren.

Meervoudige prognose

Dit omvat prognoses op verschillende niveaus van de producthiërarchie, zoals individuele items, productfamilies of zelfs hele productlijnen. Multilevel-prognoses zijn essentieel voor bedrijven met complexe productportfolio's, omdat ze ervoor zorgen dat prognoses nauwkeurig zijn op zowel micro- als macroniveau.

Vraagplanning is een doorslaggevend aspect van modern supply chain management, dat bedrijven de mogelijkheid biedt om de operationele efficiëntie te verbeteren, kosten te verlagen en beter te voldoen aan de vraag van klanten. Door geavanceerde platforms zoals Smart IP&O te benutten, worden de nauwkeurigheid van voorspellingen en het voorraadbeheer aanzienlijk verbeterd, waardoor snelle reacties op marktschommelingen mogelijk zijn. Geautomatiseerde statistische voorspellingen, gecombineerd met mogelijkheden zoals hiërarchievoorspellingen en voorspellingsoverschrijdingen, zorgen ervoor dat voorspellingen nauwkeurig en aanpasbaar zijn, wat leidt tot realistischere planningsbeslissingen. Bovendien kunnen bedrijven met hulpmiddelen zoals scenariomodellering verschillende vraagscenario's in hun producthiërarchie verkennen, wat geïnformeerde besluitvorming mogelijk maakt door inzicht te bieden in mogelijke uitkomsten en risico's. Deze aanpak stelt bedrijven in staat om de impact van beleidswijzigingen te anticiperen, betere beslissingen te nemen en uiteindelijk hun voorraad en algehele supply chain management te optimaliseren, waarbij ze op de hoogte blijven van belangrijke trends in het proces.

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.