Het belang van seizoensgebonden vraagvoorspellingen

Seizoensgebondenheid kan een enorme impact hebben op de vraagpatronen naar bepaalde producten. Aan de ene kant kan het, als er niet goed op wordt geanticipeerd, een bedrijf blootstellen aan het risico van out-of-stocks. Dit kan leiden tot ontevredenheid bij de klant. Anderzijds lopen bedrijven, als ze geen goed zicht hebben op de vraagveranderingen die seizoensgebondenheid kan veroorzaken, het risico om buitensporige voorraadniveaus op te bouwen. Daardoor moeten ze middelen aanspreken die beter elders kunnen worden geïnvesteerd. Om nog maar te zwijgen van de enorme financiële impact van verouderde voorraad die aan het einde van het seizoen moet worden weggegooid.

Als jij prognoses aanpast, waarbij je rekening houdt met seizoensgebondenheid, kun je tijdig reageren op veranderingen in de vraag. Zo kun je optimale voorraadniveaus aanhouden voor, tijdens en na de seizoenspiek, om de voorraadkosten tot een minimum te beperken en toch een hoog serviceniveau te garanderen. Om dit te bereiken moet met een aantal factoren rekening worden gehouden.

  • Heeft bijvoorbeeld seizoensgebondenheid in het verleden veranderingen in de vraag veroorzaakt?
  • Hoe kun je seizoensgebonden vraagpatronen voorspellen voor nieuwe artikelen?
  • Heeft seizoensgebondenheid invloed op groepen producten of alleen op individuele artikelen?
  • Is deze impact alleen lokaal, of ook nationaal of zelfs internationaal?

Zoals je ziet zijn er veel variabelen om rekening mee te houden en daarom is kunstmatige intelligentie (AI) een zeer nuttige technologie als het gaat om het voorspellen van de seizoensvraag. In deze blog bespreken we de belangrijkste elementen waarmee rekening moet worden gehouden om de beste manier te vinden om de seizoensvraag te voorspellen. Ook duiken we in het potentieel van AI in combinatie met Machine Learning op dit gebied.

Vraagvoorspelling en het bestelproces in een ideale wereld

Stel je voor dat je 150 tv’s op voorraad hebt, met een gemiddelde verkoop van 100 stuks per periode en een minimale bestelhoeveelheid (MOQ) van 20 stuks. De doorlooptijd is 7 dagen en omdat jij jouw klanten niet wilt teleurstellen, heb je een veiligheidsvoorraad van 50 stuks. Wanneer is het juiste moment om te bestellen en hoeveel moet je er bestellen?

De theorie van het bestelproces

De meest logische manier om je behoeften te berekenen is als volgt: gemiddeld verkoop je 100 eenheden per seizoen, wat neerkomt op 25 per week. Over 4 weken zou je je veiligheidsvoorraad moeten “aanspreken”. Om dit te voorkomen, besluit je dus om je bestelling over 3 weken te plaatsen. Omdat je verwacht nog eens 25 stuks te verkopen in week 4, verdubbelt jouw bestelling de MOQ. Dat wil zeggen, je besluit om 40 nieuwe tv’s te bestellen in week 3.

Het bestelproces in de praktijk

De hierboven beschreven situatie is gemakkelijk te voorspellen. Het is echter onrealistisch. Vraagpatronen zijn vaak niet zo stabiel als in dit voorbeeld. Wat als de vraag onderhevig is aan een trend? Heb je genoeg voorraad als er een onverwachte piek in de vraag is? Hoe kun je omgaan met seizoensgebonden veranderingen?

Inzicht in seizoensgebonden vraag

Tijdens de warmere maanden van het jaar is er minder vraag naar winterbanden, terwijl de vraag naar barbecues bijvoorbeeld daalt in de winter. Je hoeft geen genie te zijn om dit te beseffen. Het is algemeen bekend dat deze artikelen een seizoenspatroon hebben. We weten echter niet precies wanneer het seizoen begint, omdat het deels afhangt van het weer. Bijvoorbeeld, op een zonnige dag in maart, als het maar 17 graden is, zijn er misschien nog genoeg mensen die willen barbecueën. Maar 3 maanden later zal die 17 graden als koud worden ervaren.

Als gevolg van dit gedrag moet je zowel de seizoensinvloed op de vraag als het vraagprofiel op korte termijn kennen. Als de temperatuur begin mei bijvoorbeeld 27 graden Celsius bereikt, zal de verkoop waarschijnlijk sterk stijgen. Maar als de temperatuur in augustus daalt tot 17 graden, heeft deze verandering waarschijnlijk een minder grote impact omdat deze aan het einde van het seizoen plaatsvindt. Bovendien is, met het einde van de zomer in zicht, de onzekerheid over het weer begrijpelijkerwijs groter.

Wanneer is het seizoen echt afgelopen? Laten we barbecues weer als voorbeeld nemen. Wanneer moeten we het assortiment barbecuevlees uit de schappen halen? Wil je kosten besparen door deze producten vroegtijdig te verwijderen, of riskeer je ze langer te bewaren (met te grote voorraden tot gevolg) om te voorkomen dat je klanten teleurstelt?

Om een hoog serviceniveau en lage voorraadkosten tijdens het seizoen te garanderen, is het erg belangrijk om producten op tijd te introduceren en terug te trekken.

Praktijkvoorbeelden voor een optimale voorraad voor, tijdens en na het seizoen:

  1. Verbeter de nauwkeurigheid van je prognoses door meer externe informatie op te nemen in zowel korte- als langetermijnprognoses en door historische gegevens van evenementen en promoties op te schonen. Vervolgens kun je de variantie berekenen en op basis daarvan je voorspelde vraag creëren.
  2. Ontwikkel een specifieke voorraadstrategie, zoals het verhogen van je beginvoorraad om onverwachte pieken in de vraag in de nabije toekomst te kunnen opvangen.
  3. Bekijk je Minimum Order Quantity (MOQ) en Economic Order Quantity (EOQ). Moet je bestelhoeveelheden verhogen of verlagen om bepaalde risico’s af te dekken?
  4. Verander het niveau van je veiligheidsvoorraad op bepaalde momenten. In het laagseizoen zullen je klanten waarschijnlijk een lager serviceniveau accepteren dan in het hoogseizoen.

Verbeter je prognoses en seizoensgebonden vraagvoorspelling met behulp van AI

Het verbeteren van de vraagvoorspelling is de sleutel tot het handhaven van een optimaal voorraadniveau en hiervoor kan Kunstmatige Intelligentie een grote hulp zijn. De voordelen van AI-methoden zijn dat ze altijd nauwkeuriger zijn. Traditionele manieren om de vraag te voorspellen houden vaak slechts rekening met één of een handvol factoren, terwijl methoden die gebruik maken van AI rekening kunnen houden met een veel breder scala aan factoren die de vraag kunnen beïnvloeden en daardoor beter in staat zijn om seizoensinvloeden te herkennen.

Om dit te bereiken zijn er veel verschillende modellen die kunnen worden toegepast op vraagvoorspelling. Enkele van de meest voorkomende zijn:

  • Neurale netwerken – modellen die zijn geïnspireerd op de werking van het menselijk brein en die worden gebruikt in een groot aantal Machine Learning-taken;
  • Boom-gebaseerde modellen – modellen voor machinaal leren die boomstructuren gebruiken om beslissingen te nemen op basis van kenmerken of eigenschappen van de gegevens; en
  • Regressiegebaseerde modellen – Machine Learning om numerieke of continue waarden te voorspellen op basis van invoergegevens.

 

Seizoensgebonden vraagvoorspellingsmodellen

AI-vraagprognose vs. traditionele prognose

Verbeterde nauwkeurigheid van voorspellingen

Zoals hierboven vermeld, kan met behulp van AI een grotere verscheidenheid aan seizoenspatronen / trends worden geïdentificeerd. En ook dit is weer het gevolg van de grotere verscheidenheid aan gegevens die bij het proces kunnen worden betrokken. Als de vraagvoorspellende software normaal gesproken rekening houdt met variabelen zoals historische vraag, het weer of gebeurtenissen, kan AI ook gegevens wegen – en interpreteren – zoals trending topics op sociale netwerken, gegevens over webbezoeken, klantbeoordelingen op verschillende platforms, macro-economische gegevens in realtime, enz. Al deze geaggregeerde informatie kan bijdragen aan nauwkeurigere voorspellingen en de detectie van seizoenspatronen.

Identificatie van complexe correlaties en patronen

AI kan complexe en niet-lineaire relaties tussen variabelen detecteren. Dit maakt het een geschikte technologie voor voorspellingen in situaties waar traditionele methoden moeite mee hebben. Het herkennen van seizoensinvloeden die bijzonder subtiel zijn, kan hier een voorbeeld van zijn. Aan de andere kant is AI ook erg nuttig voor het voorspellen van schommelingen in de vraag tijdens speciale evenementen, feestdagen of andere onvoorziene omstandigheden. Door gegevens te verzamelen over vergelijkbare evenementen (zoals eerdere promoties of vakanties), is het mogelijk om de vraag naar aankomende evenementen te voorspellen op basis van deze historische gegevens. Op deze manier kunnen voorspellingen worden gedaan die het volume van de vraag voorspellen, gebaseerd op vergelijkbare promoties en gelijkwaardige seizoensperioden.

Groter aanpassingsvermogen

AI-modellen kunnen zich aanpassen en leren van nieuwe gegevens, waardoor ze geschikt zijn voor het omgaan met veranderende vraagpatronen, seizoensgebonden veranderingen en marktdynamiek.

Verbeterde schaalbaarheid

AI kan grote hoeveelheden gegevens efficiënt beheren. Dit betekent dat het zeer geschikt is voor groeiende bedrijven die schaalbare technologie nodig hebben om de toenemende complexiteit van hun activiteiten aan te kunnen.

Efficiëntere continue verbetering

AI-modellen kunnen zichzelf ‘optimaliseren’ en in de loop van de tijd verbeteren naarmate ze worden blootgesteld aan meer gegevens en feedback, wat resulteert in steeds nauwkeurigere voorspellingen.

6 tips voor het beheren van de seizoensgebonden vraag

De seizoensgebonden vraag

Bij seizoensgebonden artikelen kun je een grote afwijking van de vraag uit het verleden waarnemen. Dit resulteert in een hoge veiligheidsvoorraad. Als je echter rekening kunt houden met deze afwijkingen, heb je minder veiligheidsvoorraad nodig. Het is belangrijk om jouw historische verkoopgegevens te corrigeren om ze aan te passen aan seizoensgebonden vraagpatronen. Zo krijg je een realistisch beeld van je historische vraag en kun je zien of je je veiligheidsvoorraad kunt verlagen. Gebruik bij het inkopen van artikelen voor het laagseizoen een dynamische voorraad voor je seizoenspatroon.

Maak onderscheid tussen seizoenspatronen van promoties/evenementen

Als je de afgelopen 2 jaar een promotie of evenement hebt gehouden, kan dit in je prognose verschijnen als seizoensgegevens. Daarom is het belangrijk om seizoenspatronen te scheiden van de invloed van promoties en evenementen. Als je deze gegevens niet opschoont en uiteindelijk besluit om die promotie of dat evenement niet uit te voeren, en het evenement wordt in het derde jaar niet herhaald, dan zal je prognose verkeerd zijn.

Lokale voorspellingen

Als je de vraag naar barbecues voor een bepaalde stad wilt voorspellen, maar je verkoopt slechts 5 eenheden in die stad, dan is je statistische populatie te klein om een betrouwbare voorspelling te doen. In dit geval is het beter om gegevens te verzamelen uit een groter gebied, waardoor je meer informatie krijgt waarop je je beslissingen kunt baseren.

SKU vs. aggregatie

Wanneer je een nieuw artikel in je assortiment introduceert, heb je onvoldoende informatie om een betrouwbare voorspelling te doen. Hier kun je het seizoenspatroon van een soortgelijk artikel of groep van samengevoegde artikelen gebruiken. Het is belangrijk om de seizoensvoorspelling te berekenen voor verschillende hiërarchische niveaus. Als we airconditioningproducten als voorbeeld nemen, moeten we ze onderverdelen in verwarmings- en koelingsproducten. We kunnen ze niet samenvoegen als het gaat om vraagvoorspelling, omdat hun hoog- en laagseizoenen tegenovergesteld zijn.

De piekvraag voorspellen

Hoewel er duidelijke seizoenspatronen zijn, kunnen er in sommige gevallen variaties van jaar tot jaar zijn. Kerstmis wordt bijvoorbeeld altijd op dezelfde datum in de kalender gevierd, maar er zijn aanzienlijke variaties afhankelijk van de dag van de week waarop het valt. Hetzelfde geldt voor Pasen, waarvan de datum van jaar tot jaar verschilt.

In beide gevallen zullen we zien dat de piekvraag van jaar tot jaar enkele weken eerder of later kan verschuiven. Dit vormt een belangrijke uitdaging bij het voorspellen van de seizoensvraag, omdat men door deze verschuivingen niet kan vertrouwen op een exacte herhaling van aankooppatronen van het ene jaar op het andere. Daarom moet er met verschillende factoren rekening worden gehouden om nauwkeurig te kunnen bepalen wanneer de piekvraag zal optreden.

Seizoensgebonden assortimentsbeheer

We hebben het al vaak gehad over het belang van een geoptimaliseerd assortiment door middel van ABC-analyse, wat ons de hoogst mogelijke winstmarge oplevert en ons uiteindelijk helpt om onze bedrijfsdoelstellingen te behalen. Dit betekent ook dat we moeten beslissen of we bepaalde artikelen in een bepaalde periode van het jaar uit ons assortiment kunnen halen omdat er niet voldoende vraag naar is.

Seizoens assortiment management tabel

Conclusies: De waarde van AI bij het voorspellen van seizoensgebonden vraagpatronen

Het detecteren van seizoensgebonden vraagpatronen is geen nieuwe techniek. Maar als je Excel blijft gebruiken in plaats van gespecialiseerde technologie in je supply chain planning, ben je veel minder concurrerend dan wanneer je wel tools gebruikt die gebruik maken van kunstmatige intelligentie om seizoensgebondenheid te voorspellen.

Het belangrijkste voordeel van AI toegepast op de detectie van periodieke trends is dat het rekening kan houden met veel meer gegevens dan traditionele tools en daardoor complexere en minder voor de hand liggende patronen kan identificeren. Ook zijn deze technologieën zeer schaalbaar, dus ze zijn ideaal als je bedrijf zich op een punt van snelle expansie bevindt, omdat ze je groei kunnen bijhouden.

Met al deze elementen op tafel – grotere nauwkeurigheid bij het voorspellen van de vraag, detectie van subtielere patronen, grotere schaalbaarheid – lijkt het vrij duidelijk dat de keuze voor een tool met kunstmatige intelligentie veel van je processen zal verbeteren als het gaat om het detecteren en voorspellen van de seizoensvraag.

Blog auteurs


Luis Rodríguez

Luis Rodríguez

Business Development Manager @ Slimstock

Connect via LinkedIn


nico van dijk

Kevin Overbeek

Data Scientist @ Slimstock

Connect via LinkedIn

Veelgestelde vragen over seizoensgebonden vraagvoorspelling

Wat is de seizoensgebondenheid van de vraag?

Seizoensgebondenheid van de vraag verwijst naar schommelingen in de vraag naar een bepaald product of dienst doorheen het jaar, die beïnvloed kunnen worden door factoren zoals seizoensgebondenheid, weersomstandigheden of speciale evenementen. Het beheren van de seizoensgebonden vraag is essentieel om ervoor te zorgen dat aan de behoeften van klanten wordt voldaan, terwijl de productie- en opslagkosten tot een minimum worden beperkt.

Wat zijn vraagpatronen en hoe kunnen ze worden geïdentificeerd?

Vraagpatronen verwijzen naar de praktijk van het identificeren en bestuderen van fluctuaties in de vraag naar een product of dienst in de loop van de tijd, om het toekomstige gedrag te voorspellen en de productie en voorraad dienovereenkomstig te plannen. Analyse van vraagpatronen is een belangrijk hulpmiddel in supply chain management, omdat het bedrijven in staat stelt geïnformeerde en strategische beslissingen te nemen op basis van historische gegevens en vraagtrends.

Hoe kunnen modellen voor machinaal leren de nauwkeurigheid van vraagvoorspelling verbeteren?

Op Machine Learning/AI gebaseerde modellen kunnen een hogere mate van nauwkeurigheid bieden dan traditionele modellen, omdat ze met meer factoren rekening kunnen houden bij het maken van een voorspelling. Denk bijvoorbeeld aan het weer, stockouts van gerelateerde producten, feestdagen, trends en seizoensgebondenheid, naast andere factoren.

 

Er is een grote verscheidenheid aan modellen die gebruikt kunnen worden, maar in grote lijnen vallen ze in de volgende categorieën:

 

– Neurale netwerken
– Op bomen gebaseerde modellen
– Op regressie gebaseerde modellen

Welke voordelen heeft AI ten opzichte van traditionele methoden om seizoensgebonden vraag te detecteren?

AI biedt aanzienlijke voordelen ten opzichte van traditionele methoden voor het detecteren van seizoensgebonden vraag, omdat het gebruikmaakt van Machine Learning-algoritmen die complexe seizoenspatronen kunnen identificeren door grote datasets nauwkeuriger en efficiënter te analyseren. AI is ook in staat om grote hoeveelheden externe gegevens te integreren, wat bijdraagt aan een effectiever seizoensgebonden vraagbeheer.