Het ultieme spiekbriefje voor vraagvoorspelling

Hoe ziet een goede vraagprognose eruit?

De harde waarheid is dat voorspellingen door hun aard in het beste geval slechts gokken zijn. Natuurlijk, hoe meer gegevens je hebt, hoe beter die gokken zijn. Maar er zijn nog tal van factoren die het speelveld kunnen veranderen. Als je deze factoren niet benadrukt, zullen ze jouw prognose voor jouw ogen snel dwarsbomen.

Dus hoe voorspellen de beste bedrijven in het land de vraag? Hoe beoordelen zij voortdurend wat hun klanten willen en stemmen zij hun inspanningen daarop af?

Hier zijn een paar aanwijzingen:

1. Continue validatie ontrafelt het vraagprognoseproces

Marktinzichten kunnen statistische voorspellingen op basis van historische verkoopgegevens nemen en ze de gave van een vooruitziende blik geven. Stel dat jij kantoorapparatuur verkoopt en dat je tijdens de lockdown voortdurend laptopstandaards uitverkocht, betekent dat dan dat je dat nu ook zult blijven doen? Of betekent het feit dat mensen terugkeren naar het kantoorleven dat de verkoop zal vertragen? Historische verkoopgegevens kunnen je een momentopname geven, maar meestal is dat niet het volledige plaatje. De meest succesvolle bedrijven onderbouwen hun prognoses met inzichten uit de markt. Zo brengen zij een validatieproces op gang. Als dit goed wordt gedaan, zullen verschillende teams hierbij betrokken zijn en zal er een consensus van beste praktijken ontstaan.

2. Het is begrijpelijk en gemakkelijk uit te leggen

Een vraagprognose moet niet zo complex zijn dat niemand hem begrijpt. Integendeel. Hij moet voor alle belanghebbenden gemakkelijk te begrijpen zijn. Bovendien moet het verklaarbaar zijn. Gemakkelijk uit te leggen. Zowel de inzichten erin als de gewenste acties die eruit voortvloeien.

3. Het moet registreerbaar en meetbaar zijn

Als je de nauwkeurigheid (of liever de fouten) van jouw vraagprognose niet registreert, zult je nooit weten of je er 0,5% of 50% naast zat. En dat is belangrijk: 0,5% is een groot succes. 50% is een totale mislukking.

Weten welke prognose het beste voorspeld is, helpt je de volgende keer bij het maken van een nieuwe. En dat zal snel zijn. Hoe meer je jouw prognose meet, hoe beter je deze kunt bijstellen en wijzigen. Fouten waarvan je niet weet dat je ze maakt, zullen zich steeds herhalen.

4. Elke vraagprognose moet een eigenaar hebben

Elke prognose die je maakt moet een eigenaar hebben. Iemand die verantwoordelijk is voor het succes en de nauwkeurigheid. Zonder een eigenaar is de kans groter dat de prognose mislukt dan dat hij een concurrentievoordeel oplevert. Vergeet niet dat de beslissingen die je neemt op basis van deze prognose het verschil kunnen betekenen tussen succes en mislukking. Als jij degene bent die deze beslissingen neemt, neem je de uiteindelijke verantwoordelijkheid als ze fout zijn.

Hoe bouw je jouw eigen vraagprognose op?

Er zijn veel verschillende modellen die je kunt overwegen als je jouw eigen vraagprognose wilt opstellen. Uiteraard heeft elk model voor- en nadelen. In sommige gevallen kan een combinatie ervan de beste resultaten opleveren.

In het volgende deel zullen wij enkele van de meest gebruikelijke benaderingen voor vraagprognoses onderzoeken.

Welke vraagvoorspellingsmodellen moet je toepassen?

1. Tijdreeksanalyse

Wat kan de verkoop van de laatste 12 maanden voorspellen voor het komende jaar? Dat is het uitgangspunt van de tijdreeksanalyse. Dit is een van de meest gebruikte methoden voor statistische vraagprognoses en is een handige methode om jouw hoofd over te buigen. Het zoekt naar patronen in gegevens die zich in de toekomst zouden kunnen herhalen. Ook kun je zien wat deze patronen voor beïnvloed kunnen hebben en prognoses nauwkeuriger maken. Er zijn ook meer dan één type model in deze analysefunctie. Er zijn voortschrijdende gemiddelden, exponentiële afvlakking, en autoregressief geïntegreerde voortschrijdende gemiddelde (ARIMA) modellen. Elk model gebruikt een andere methode om zijn gegevens te analyseren. Welke je nodig hebt, moet je goed in de gaten houden om het potentiële succes ervan te vergroten.

2. Op beoordeling gebaseerde vraagprognose

Hoe groot is de kans dat de mensen in jouw bedrijf goede voorspellingen doen over de toekomstige vraag? Het antwoord daarop hangt af van de sterkte van hun vermogen en verschilt per bedrijf, team of zelfs persoon.

Een van de grootste uitdagingen bij effectieve vraagprognoses is dat de gegevens jou slechts zoveel kunnen vertellen. Als je een nieuwe onderneming bent of een nieuw product op de markt brengt in een nieuwe markt, is er vrijwel zeker een gebrek aan gegevens waarop je kunt vertrouwen. Dat maakt prognoses op basis van beoordelingen het overwegen waard. Hetzelfde kan gezegd worden van markten met een hoge mate van verstoring, gezien het beperkte vermogen van machinaal leren en statistische modellering op onbekende gebieden. Als jouw vraagvoorspellingsaanpak ervoor zorgt dat marktinzichten actief worden verzameld, zul je beter geïnformeerd zijn en dus een grotere kans hebben om een accurate prognose op te stellen.

Om jezelf de beste kans van slagen te geven bij het maken van beoordelingsmodellen, moet je een groot aantal gebieden onderzoeken. Dat omvat waarschijnlijk marktonderzoek, analyses van concurrenten, gesprekken met klanten, jouw verkoopteam en zelfs externe marktdeskundigen. Deze aanpak kan jou helpen factoren te analyseren die door andere modellen niet worden opgepikt. Maar zoals bij elk ander model zijn er ook nadelen te bedenken.

Zijn de mensen die deze oordelen vellen volkomen onpartijdig? Beslissen zij uitsluitend op basis van gegevens of met vooroordelen van hun eigen gevoelens over producten of markten? En kun je dit proces herhalen? Het is vaak erg moeilijk om met verschillende belanghebbenden dezelfde cijfers te produceren, waardoor prognoses op basis van beoordelingen moeilijk op lange termijn te herhalen zijn.

3. Causale analyse

Causale analyse identificeert de oorzaak-en-gevolgrelaties die de vraag beïnvloeden. Hierbij worden gegevens geanalyseerd om aan te tonen hoe veranderingen zoals prijs, promoties of economische indicatoren de vraag kunnen veranderen. Causale analyse kan worden gebruikt om zowel korte- als langetermijnprognoses te maken en omvat vaak het gebruik van experimenten om de causale relaties tussen variabelen te testen.

4. Regressieanalyse

Regressieanalyse onderzoekt het verband tussen de vraag en meerdere andere variabelen. Of dat nu prijs, marktaandeel, milieu- of marktomstandigheden zijn. Met dit type analyse kun je beoordelen hoe een verandering van een van de variabelen de vraag kan beïnvloeden. En dus optimaliseren. Wat jouw supply chain planning zal helpen.

Wat is het verschil tussen causale analyse en regressieanalyse?

Een belangrijk verschil tussen causaalanalyse en regressieanalyse is dat causaalanalyse zich richt op specifieke variabelen, terwijl regressieanalyse een meer omvattende aanpak hanteert en meerdere variabelen in aanmerking neemt. Een ander verschil is dat causale analyse vaak gepaard gaat met experimenten om te kunnen testen. Regressieanalyse is typisch gebaseerd op historische gegevens en statistische modellering.

5. Machinaal leren

De mogelijkheden die machine learning en AI bieden zijn behoorlijk indrukwekkend. Het gebruik van deze geavanceerde technieken om gegevens uit het verleden te analyseren en gefundeerde beslissingen te nemen over de toekomstige vraag kan je tijd en geld besparen. Door historische gegevens door te geven aan een machine-learningplatform kunnen patronen worden ontdekt en kan de toekomstige vraag veel gemakkelijker worden ingeschat. Vooral wanneer meer traditionele methoden niet volstaan.

Wanneer je je in een sector bevindt die zich scherp en zonder waarschuwing verandert, kan het onderbouwen van jouw prognose met machine learning ongelooflijk nuttig zijn. AI wordt als zodanig gedefinieerd omdat het blijft leren. En dus zou in theorie de nauwkeurigheid van jouw voorspelling met machine learning na verloop van tijd moeten verbeteren. Er zijn natuurlijk valkuilen. Te weinig gegevens om te analyseren kan leiden tot een beperkte prognose. Te veel vertrouwen op gegevens die onvolledig of niet nauwkeurig zijn, kan leiden tot een mislukking.

Hoe kun je de nauwkeurigheid van vraagprognoses verbeteren?

Als je het beste prognosemodel kiest, kun je de nauwkeurigheid verhogen en daardoor solide, weloverwogen en zakelijke beslissingen nemen. Maar zelfs dan zijn er stappen die je kan nemen om rijke inzichten te ontsluiten en meer duidelijkheid in jouw bedrijf aan te brengen. In het volgende deel bespreken we hoe jij jouw vraagprognoses verder kan verbeteren.

Aggregatie vs. disaggregatie

De opkomst van gegevens en het gebruik ervan in het bedrijfsleven is enorm. Maar zoals elke data analist zal vertellen zijn het hebben van gegevens en het gebruik ervan twee heel verschillende dingen. We hebben het vaak over het belang van specifieke voorraadstrategieën voor elk SKU. Het is dan ook begrijpelijk dat je denkt dat dezelfde denkwijze jou ook kan helpen bij het maken van prognoses. Alleen is dat niet altijd het geval.

De reden dat aggregatie jouw vraagvoorspellingsmodel kan helpen verbeteren is de kracht van grotere datasets. De wet van de grote getallen zegt dat hoe groter jouw steekproef is, hoe representatiever deze is voor de bredere populatie. Verkoopgegevens van één dorp zullen nooit betrekking hebben op een heel land. Maar neem diezelfde gegevens van 5 steden in het land en de kans is veel groter dat ze verband houden.

Gebruik meer datapunten en je zult de ruis van anomalieën eruit filteren. Dat betekent dat je meer patronen vindt en een groter vermogen om rekening te houden met variabelen. Stel dat je de vraag voorspelt naar een SKU dat onlangs is gelanceerd. Het is onwaarschijnlijk dat je over een volledige gegevensset beschikt. Als je echter de prognose van de categorie samenvoegt, krijg je waarschijnlijk een beter idee van hoe de vraag naar het artikel in kwestie zich zal ontwikkelen.

Hier volgen enkele veelvoorkomende voorbeelden van hoe jij jouw vraagplannen kunt samenvoegen:

Een groot voordeel van het gebruik van aggregatie is dat jouw gegevens minder snel worden beïnvloed door eenmalige onregelmatigheden. De keerzijde is echter dat als je geen aandacht besteedt aan uitschieters die normaal gesproken opvallen, je belangrijke gegevens kunt missen die van invloed kunnen zijn op jouw bedrijf.

Beslis per geval om aggregatie te gebruiken, en je zult niet ver verkeerd gaan.

Hoe kan uitsplitsing helpen?

Natuurlijk kan het samenvoegen van gegevens zeer nuttig zijn. Je hebt echter nog steeds inzichten op granulair niveau nodig om de vraagpatronen voor elk product afzonderlijk te begrijpen. Het laagste niveau van granulariteit bij vraagprognoses heeft gewoonlijk betrekking op het opsplitsen van de vraagprognose per SKU-locatiecombinatie of zelfs per klant.

De eerste kan jou helpen om jouw toewijzing en aanvulling te optimaliseren, zodat je met een minimale voorraad aan de verwachte vraag kunt voldoen.  Dit laatste kan je helpen vaststellen welke klanten het meest winstgevend zijn, welke een groeipotentieel hebben en welke slechts een klein deel van de verwachte vraag vertegenwoordigen.

Hoe kunnen “tijdsbepalingen” zorgen voor betrouwbaardere en robuustere vraagprognoses?

Een andere methode om jouw vraagprognoses samen te voegen is naar tijd.  Maandelijkse prognoses zijn doorgaans betrouwbaarder dan dagelijkse of wekelijkse. De reden daarvoor is dat ze veel minder volatiel zijn. Er kunnen verschillen zijn van week tot week of zelfs van dag tot dag in het aantal verkochte producten, maar in de loop van een maand worden deze verschillen weggewerkt.

Hier volgen enkele redenen waarom vraagprognoses in maandelijkse porties betrouwbaarder zijn:

1. De grotere porties van de maandelijkse prognoses absorbeert beter de volatiliteit van de klanten.

Als iemand normaal gesproken in de eerste week van de maand bij jou bestelt, maar ineens een keer in de tweede week, zou dat jouw gegevens enorm verstoren als het model per week wordt opgesteld. Op maandbasis zou die afwijking worden geabsorbeerd en zouden jouw gegevens even nuttig zijn.

2. Maandelijkse prognoses kunnen efficiënter zijn

Het opstellen van wekelijkse prognoses kan veel meer tijd en middelen vergen dan het opstellen van maandelijkse prognoses. Bij maandelijkse prognoses moet je misschien één keer per maand gegevens verzamelen en analyseren, terwijl je bij wekelijkse prognoses het proces vier of vijf keer per maand moet herhalen, afhankelijk van het aantal weken in de maand.

3. Maandelijkse timeframes gaan beter om met seizoensgebondenheid.

Elk bedrijf heeft trage weken. Stel je voor dat je in een markt zit die vertraagt met Kerstmis, het Chinese Nieuwjaar of misschien zelfs tijdens het zomerseizoen.  In wekelijkse prognosemodellen kunnen deze rustige weken gaten opleveren die een grotere invloed hebben op jouuw vraagprognose. Als gevolg krijg je een veel nerveuzere prognose. Dit is op zijn beurt veel moeilijker te plannen.

Is er enig nut voor wekelijkse vraagvoorspellingen?

Ja, die is er. Maar je moet weten wanneer en hoe je het effectief gebruikt.

Wekelijkse prognoses vergen meer inspanning dan maandelijkse, maar wanneer zich patronen voordoen die een onregelmatige, maar repetitieve, verkoopactiviteit afhankelijk van de week binnen de maand voorschrijven, is het de moeite waard erover na te denken. Hier is een mooi voorbeeld:

Week	Dagen in de week	Verkoop	Verkoop per dag
1	5	324	64.8
2	7	132	18.6
3	7	40	5.7
4	7	34	4.7
5	4	10	2.5

 

Zoals je in deze afbeelding kunt zien, komt 60% van de verkoop in de eerste week van de maand. Door gegevens met dergelijke uitkomsten te gebruiken in een wekelijks prognosemodel, kun je waarschijnlijk sneller reageren en proactief maatregelen nemen om vraag en aanbod beter op elkaar af te stemmen. Dit betekent dat je de voorraadniveaus kan optimaliseren, het inkomstenbeheer kan verbeteren en daarmee de winst.

Even belangrijk is het gebruik van wekelijkse prognosemodellen als je een klant hebt die ook een wekelijks model gebruikt. De koppeling tussen jou en hen kan van onschatbare waarde zijn om de nauwkeurigheid te vergroten en de inspanningen van beide bedrijven op elkaar af te stemmen.

Hoe kan Slim4 jou helpen de vraag met vertrouwen te voorspellen?

Er staat veel informatie in dit artikel dat hopelijk echt zal helpen bij jouw vraagvoorspelling. Maar er is veel om rekening mee te houden. Dat is waar Slimstock en Slim4 echt kunnen helpen. Vind je spreadsheets beperkend? Probeer je te anticiperen op de vraag van honderden of duizenden SKU’s?

Probeer je meerdere vraagstromen te plannen en beschik je slechts over een klein team om te helpen?

Ons Slim4-platform kan jou daarbij helpen. Ontdek hoe en vraag een demo aan.