Maar liefst de helft van de ondervraagde managers meldt een te lage kwaliteit van de vraagvoorspelling. Daarbij valt op dat 63 procent van hen de mogelijkheden tot verbetering somber inziet. Jammer, want met wat aandacht zijn die verbeteringen wel degelijk te realiseren.

Accurate voorspelling

Het hoeft geen betoog dat goed supply chain management staat of valt met een goede vraagvoorspelling. Hoe accurater de voorspelling, hoe beter de omvang van de voorraden is te optimaliseren en hoe kleiner de veiligheidsvoorraden kunnen zijn. Verder leidt een goede vraagvoorspelling tot minder out-of-stocks, dus tot betrouwbare levertijden. Daarmee heeft dit direct een positief gevolg op de orderafhandeling. Minder bekend is, dat in ieder bedrijf de vraagvoorspelling is te verbeteren door te werken met enkele vuistregels.

1: Zorg voor goede data

Het is allereerst zaak om te zorgen voor goede data. In het geval van maandelijkse gegevens moet men corrigeren voor het aantal (werk)dagen in de maand. Uitschieters moeten worden vervangen en men dient rekening te houden met een eventueel seizoenspatroon. Een voorspelling op basis van gecorrigeerde data in plaats van de oorspronkelijke data leidt tot een nauwkeuriger voorspelling. Een test met honderd reeksen uit de dagelijkse praktijk leidde tot het volgende resultaat:

2: Corrigeer voor promotieacties

Promoties vormen een specifiek onderdeel van de vraagvoorspelling. Hun effect op de lange termijn is meestal nauwelijks meetbaar, maar ze hebben des te meer impact op de korte termijn. Een positief effect tijdens de promotie wordt meestal gevolgd door een negatief effect erna. Het effect als geheel is te meten door de basisvoorspelling te vergelijken met de werkelijke verkopen tijdens en na een promotie.

Het is belangrijk de data voor deze effecten te corrigeren. Gebeurt dit niet, dan is een adequate bepaling van de seizoensinvloeden onmogelijk. Met de gecorrigeerde data moet een basisvoorspelling gemaakt worden. De afdeling marketing en verkoop kan daarna de effecten van toekomstige promoties toevoegen aan deze basisvoorspelling. Na afloop van de promoties kan ook hun inschatting van de promotie effecten worden geëvalueerd.

3: Vermijd taakstellende voorspellingen

In veel bedrijven wordt de vraagvoorspelling besproken met verschillende afdelingen. Daarbij worden bedrijfsdoelstellingen en persoonlijke doelstellingen gerelateerd aan de vraagvoorspelling. Het gevaar bestaat dat de vraagvoorspelling wordt bijgebogen in een taakstellende richting. Dat is zeer begrijpelijk, want een bedrijf wil graag werken met één voorspelling, die door alle afdelingen gebruikt wordt. Het toewerken naar die ene vraagvoorspelling moet echter wel op een realistische manier gebeuren.

4: Kies de juiste voorspellingsmethode

Men kan de toekomstige vraag voorspellen met verschillende statistische technieken. Ze variëren van eenvoudige voortschrijdende gemiddelden tot het zeer geavanceerde Box-Jenkins. Grofweg gezegd kan men, afhankelijk van de aanwezigheid van een trend, de volgende keuze maken:

In de praktijk wordt deze keuze vaak niet zo strikt gehanteerd. In veel gevallen gebruikt men een smoothing techniek ofwel een vorm van voortschrijdende gemiddelden. Deze technieken zijn robuust en vergen weinig onderhoud. Ze voldoen zeker aan het criterium ‘ongeveer goed’. Indien sprake is van een trend, dient men voor de belangrijkste producten echter een trendmodel te gebruiken. Dat verhoogt de betrouwbaarheid van de vraagvoorspelling.

5: Kies het juiste startpunt

Het is van belang om bij het schatten van een model het juiste startpunt te kiezen. In het volgende voorbeeld van een lineaire trend, waarbij dezelfde historie vanaf verschillende startpunten wordt geanalyseerd, is dat goed te zien:

Gebruiken we alle historische data, dan zien we een dalende trend. Maar hetzelfde model geeft bij een later startpunt een stijgende trend te zien. De keuze van het startpunt is dus essentieel voor een goede voorspelling.

6: Kies het juiste model

De voorspelfout, het verschil tussen werkelijkheid en voorspelling, wordt gebruikt bij de bepaling van het juiste model. In veel softwarepakketten bestaat de mogelijkheid om de software automatisch een model te laten genereren. Indien dit uitsluitend op basis van de kleinste voorspelfout gebeurt, kan dat tot problemen leiden. Hieronder ziet u een voorbeeld:

De polynoom was in dit geval het model met de kleinste voorspelfout, maar de voorspelling is volstrekt ongeloofwaardig. Men moet dus altijd nagaan of het automatisch gekozen model ook tot een logische voorspelling komt.

7: Verander tijdig van model

Is het model eenmaal in gebruik, dan dient men de kwaliteit ervan systematisch en kritisch te evalueren door het verschil tussen voorspelling en werkelijkheid te bekijken. In het volgende voorbeeld van een maandelijkse vraagvoorspelling is dit verschil over de laatste vier maanden berekend:

In het geval van product A en D wordt er respectievelijk systematisch te laag en te hoog voorspeld. Dit duidt op een foutief model. Bij product B wordt er afwisselend te hoog en te laag voorspeld. Het model is in principe goed, maar óf de seizoensinvloeden worden niet correct meegenomen óf andere effecten, zoals promoties, zijn verkeerd beoordeeld.

De afwijkingen bij product C zijn laag; er is geen enkele reden om iets te wijzigen.

Door slecht presterende modellen voortdurend aan te passen, zal na verloop van tijd de accuratesse verbeteren.

Samenvattend

• Een betrouwbare voorspelling begint met goede data. Zonder goede data is een goede vraagvoorspelling onmogelijk.
• Verbeteren kost tijd en aandacht. Verbeter de vraagvoorspelling in het begin alleen voor de belangrijkste producten.
• Vervang of verbeter het model als dat nodig is. Kies een trendmodel als er een trend is waar te nemen. Kies het juiste startpunt.
• Beoordeel de voorspelling systematisch en kritisch.
• Blijf volhouden: de kwaliteit van uw vraagvoorspelling zal onafwendbaar verbeteren.

Lees ook:

• Voorraadbeheer voor promotieartikelen (expertartikel)