In deze economisch moeilijke periode is het belang van de juiste veiligheidsvoorraden zeer groot. Nu is er een regelrecht verband tussen de betrouwbaarheid van een prognose en de benodigde veiligheidsvoorraden: een hoge forecast accuracy biedt de mogelijkheid om lage veiligheidsvoorraden aan te houden.

Maar heeft het wel zin om tijd, energie en geld te steken in het verbeteren van de voorspelling? Leveren deze inspanningen werkelijk iets op?

Op basis van historische tijdreeksen kunt u vooraf een uitspraak doen over de te verwachten betrouwbaarheid van een prognose. Daarmee kunt u vervolgens de benodigde veiligheidsvoorraden berekenen en deze vergelijken met uw huidige voorraden. Hierdoor bent u in staat om te bepalen of een project om de prognose te verbeteren zal leiden tot een hogere winstgevendheid.

Zelfs met het verbeteren van de prognose van enkele individuele producten kunt u al aanzienlijk besparen op uw voorraden.

Voor de berekeningen is geen specialistische software noodzakelijk, want Excel biedt hiervoor voldoende mogelijkheden.

Tijdreeks analyse

Een tijdreeks bestaat over het algemeen uit een seizoenspatroon, trend en een toevallige afwijking. Na eliminatie van de seizoens- en trendcomponent uit een reeks, blijft de afwijking over. De schommelingen in deze afwijking is bepalend voor de te verwachten MAPE. MAPE staat voor Mean Absolute Percentage Error, het absolute verschil tussen prognose en werkelijkheid uitgedrukt als een percentage van de prognose. Een maat voor de forecast accuracy is 100 minus de MAPE.

Seizoenspatroon

De aanwezigheid van een seizoenspatroon kan bepaald worden door de correlatie coëfficiënt tussen de data van de maanden (weken, dagen) van het huidige jaar en het vorige jaar te berekenen. Indien de correlatie coëfficiënt hoger is dan 0.5, is er sprake van een seizoenspatroon.

Het seizoenspatroon is het gemiddelde van alle afwijkingen tussen de data en het voortschrijdend gemiddelde in een specifieke periode.
 

Voor het bepalen van een seizoenspatroon zijn minimaal twee jaar data noodzakelijk. Het is echter wenselijk om bij de berekening van het seizoenspatroon data over een langere periode te gebruiken. Dit maakt de bepaling van het seizoenspatroon minder afhankelijk van toevallige schommelingen in de meest recente jaren.

Trend

Een lineaire trend, uitgedrukt als y = a + bx, bestaat uit een constante (a) en de richtingscoëfficiënt (b). Er is sprake van een lineaire trend indien de richtingscoëfficiënt b ongelijk aan nul is. Het toetsen of de richtingscoëfficiënt ongelijk aan nul is, geschiedt met de Student t-toets.

Voor de bepaling van de constante en de richtingscoëfficiënt zijn in Excel de functies Snijpunt/Intercept en Richting/Slope beschikbaar. De bepaling van de trend moet geschieden op een voor het seizoen gecorrigeerde reeks.
Is de richtingscoëfficiënt gelijk aan nul, dan is er sprake van een constante reeks.

MAPE

Na de bepaling of er sprake is van seizoen en/of trend, kunnen deze geëlimineerd worden uit de oorspronkelijke reeks. Voor de gecorrigeerde reeks wordt vervolgens de variatie coëfficiënt (VC) bepaald. Dat is de standaarddeviatie gedeeld door het gemiddelde. Deze VC is gelijk aan de te verwachten MAPE.

Voor de bepaling van de standaarddeviatie is in Excel de functie Stdev beschikbaar.

Veiligheidsvoorraad

Is de te verwachten MAPE eenmaal bepaald, dan is het ook mogelijk om een uitspraak te doen over de aan te houden veiligheidsvoorraad. Deze is gelijk aan:

veiligheidsfactor * 1.25 * te verwachten MAPE * gemiddelde * wortel van de levertijd

De veiligheidsfactor hangt af van het gewenste service niveau. Bij een service niveau van bijvoorbeeld 97.5% behoort een veiligheidsfactor van 1.96.

Voorbeeld

Het volgende voorbeeld illustreert hoe berekening van de te verwachten MAPE verloopt. De data is een reeks van maandelijkse verkoopcijfers van een bepaald product.

De correlatiecoëfficiënt tussen dezelfde maanden in de beide jarenis 0.78. Een coëfficiënt boven de 0.5 duidt op de aanwezigheid van een seizoenspatroon.

De vergelijking van de trendlijn is als volgt: y=1948 + 16.24 x

De richtingscoëfficiënt 16.24 verschilt significant van nul.

De reeks kent dus een seizoenspatroon en een trend.

Het is nu mogelijk om de reeks te corrigeren voor seizoen en trend.  

De VC van deze gecorrigeerde reeks is gelijk aan 4.6%: standaarddeviatie (90.46) gedeeld door het gemiddelde (1948).

De reeks is stabiel en valt goed te voorspellen. De te verwachten MAPE is 4.6%.

Het gemiddelde van de originele reeks bedroeg 2154.

Bij een servicelevel van 97.5% en een levertijd van anderhalve maand moet de veiligheidsvoorraad gelijk zijn aan 297 (=1.96*1.25*0.046*2154*√1.5).

Praktijk

De praktijk is soms weerbarstiger dan de theorie. Zijn de te verwachten MAPE´s ook werkelijk haalbaar? Voor een situatie uit de praktijk zijn voor verschillende producten de werkelijk behaalde MAPE's daarom vergeleken met de te verwachten MAPE's.  

De MAPE's liggen rondom de diagonaal. Daaruit blijkt dat de te verwachten MAPE's niet veel afwijken van de in de praktijk behaalde MAPE's.
 

Voor ongeveer de helft van de producten was de behaalde MAPE beter dan de te verwachten MAPE. De kosten van de veiligheidsvoorraden bleken zelfs fractioneel lager te zijn dan te verwachten was.

Het heeft echter nog steeds zin om de prognose voor individuele producten, waarvan de behaalde MAPE (ver) achterloopt bij hetgeen te verwachten was, te verbeteren. Hiermee zouden de kosten van de veiligheidsvoorraden nog met ongeveer 10 procent verlaagd kunnen worden.

Had de meerderheid van de producten boven de diagonaal gelegen, dan was er zeker reden om een project voor het verbeteren van de totale prognose te starten.

Al deze berekeningen zijn in Excel gedaan. Gespecialiseerde software is hiervoor niet nodig.