blog

Voorraadbeheer voor promotieartikelen

Supply chain

De onlangs cum laude afgestudeerde Merijn van Loo heeft dit expertartikel gebaseerd op zijn afstudeerproject aan de TU in Eindhoven. Het project is uitgevoerd bij een grote supermarktorganisatie in Nederland. Van Loo gaat in op het voorraadbeheer van promotieartikelen en in het bijzonder op een vraagvoorspellingsmodel en een logistiek beheersysteem om het aantal out-of-stocks terug te dringen.

Voorraadbeheer voor promotieartikelen
Voorraadbeheer voor promotie artikelen

Ten tijde van zware concurrentie worden supermarktorganisaties zich weer helemaal bewust van het belang om hun service aan de klant op een zo efficiënt mogelijke manier te maximaliseren. Dat is tijdens de huidige prijzenoorlog niet anders. Sinds de start ervan eind 2003 kiest de consument een supermarkt niet langer op basis van kwaliteit gerelateerde aspecten, maar op basis van prijs gerelateerde aspecten (lage prijzen, aantrekkelijke aanbiedingen, et cetera).

 

Terugdringen

De prijzenoorlog heeft geleid tot een ware slag om de consument. Het kunnen voldoen aan de klantvraag is van buitengewoon belang. Het is gebleken dat bij actie- en promotie artikelen het aantal out-of-stocks (OOS) hoog is. Via enerzijds nauwkeurige voorspellingen van de te verwachten vraag en anderzijds via een adequate logistieke beheersing kan het aantal OOS’s worden teruggedrongen.

 

Out-of-Stock van actieartikelen

Middels een uitvoerig onderzoek naar de gemiste verkopen door OOS, is aan het licht gekomen dat er maar liefst tientallen miljoenen euro’s per jaar extra aan actieverkopen gegenereerd kunnen worden door Nederlandse supermarktorganisaties. Daarbij komt nog dat OOS van actieartikelen leidt tot omzetverlies in het reguliere assortiment.

 

Onvindbaar

Bepaalde klanten zullen namelijk naar een andere supermarkt gaan voor hun boodschappen als ze de door hun gezochte actieartikelen niet kunnen vinden. Of ze kopen simpelweg nergens iets. Met het reduceren van OOS bij actieartikelen worden dus twee vliegen in één klap geslagen: hogere actieverkopen én hogere reguliere verkopen.

 

Negen oorzaken OOS

In een logistieke omgeving met meerdere leveranciers en dc’s en vele van elkaar verschillende winkels, is het aantal potentiële plaatsen waarop iets fout kan gaan, met OOS tot gevolg, groot. Het is gelukt om de oorzaken van OOS onder te verdelen in negen hoofdgroepen:

(1) Het is moeilijk om de vraag te voorspellen door de variabelen die de vraag naar actieartikelen bepalen

(2) Het is moeilijk om de vraag te voorspellen door een gebrek aan data en ervaring

(3) Het logistieke systeem is inflexibel

(4) Het voorkomen van onvoorspelbare, externe factoren

(5) Problemen bij supply chain-partners

(6) Slecht voorraadbeheer in de winkels

(7) Slechte administratie van performance indicatoren tijdens voorgaande actieperiodes

(8) Onvoldoende zorg waarmee besteld wordt

(9) Het expres niet goed bestellen door negatieve verkoopmarges of angst voor overstocks

 

De liftfactor

Om met een hoog service level aan de klantvraag te voldoen, is een accurate voorspelling van de actieverkopen op korte termijn nodig. Hiertoe wordt de liftfactor (LF) als de te voorspellen grootheid geïntroduceerd: de toename in verkopen veroorzaakt door een promotie ten opzichte van de reguliere verkopen. Onderstaande figuur is een voorbeeld van het principe van LF’en.

 

Vraagpatroon van een product met promoties in weken 13, 37, 46 en 76

 

Voorspelmodel

Regressiemodellen zijn gebruikt om het effect van alle gerelateerde variabelen op de LF te bepalen. Door middel van een wiskundige transformatie van de LF is een andere, betere afhankelijke variabele verkregen. Voorbeelden van promotievariabelen die in het voorspelmodel zijn opgenomen zijn: advertentie en reclamekarakteristieken, het weer, vakanties en feestdagen, diepte van de prijsverlaging en productkarakteristieken.

 

Uitvoerig testen

Aangezien er in de literatuur onduidelijkheid bestaat over het al dan niet beter presteren van voorspelmodellen op winkel of SC niveau, zijn er voor beide niveaus modellen gemaakt. Uitvoerig testen en modelleren heeft geleid tot het beste model. Hierbij is rekening gehouden met eventuele niet-lineaire relaties tussen afhankelijke variabele en onafhankelijke variabelen, het specifieke gedrag van elke variabele en het toevoegen en weglaten van variabelen gebaseerd op significantie.

 

Vraagvoorspellingsmodel

Geconcludeerd kan worden dat een model op SC niveau, dus hoger aggregatieniveau, tot betere resultaten leidt dan op winkelniveau. Er is niet alleen een accuraat voorspelmodel ontwikkeld, tevens is aangetoond dat het nieuwe model beter presteert dan een commercieel softwarepakket dat momenteel veel gebruikt wordt om actieverkopen mee te voorspellen. 

 

Expert judgment

De output van het model mag niet klakkeloos worden overgenomen. Expert judgment is noodzakelijk. Voor een propere menselijke interpretatie en aanpassing van de output zijn richtlijnen nodig. Door verschillende foutenanalyses uit te voeren, is inzicht verkregen in wanneer een bepaalde promotie dreigt te worden over- of onderschat. Deze inzichten kunnen door experts worden gebruikt bij het analyseren en beoordelen van de output. Daarnaast zijn er nog een aantal praktische tips voor gebruikers van het model te geven, welke in ogenschouw moeten worden genomen bij het voorspellen van de vraag naar actieartikelen.

 

Logistiek beheersingssysteem

Om de logistieke beheersing van promoties te verbeteren, is een goed voorraadbeheersingsbeleid nodig. Er zijn twee strategieën (push versus pull) op kwalitatieve wijze geëvalueerd met betrekking tot: hun compatabiliteit met het voorspelmodel, hun relatie met de oorzaken van OOS, flexibiliteit, service level en meerdere soorten kosten (voorraadkosten, handling kosten, transportkosten, bestelkosten, implementatiekosten en kosten voor verloren verkopen). De push strategie scoort op ieder aspect beter, behalve op implementatiekosten. Hoewel deze voor een groot deel afhankelijk zijn van de huidige logistieke aansturing en mogelijkheden van bestaande informatiesystemen.

 

Krantenjongen-probleem

Voor de logistieke beheersing van actieartikelen wordt dus de push strategie aanbevolen. De consequentie daarvan is dat de totale vraag van alle winkels gedurende een actieperiode op centraal niveau voorspeld en besteld dient te worden. Dit sluit aan op de betere voorspelprestaties op het hogere aggregatieniveau. Op het centrale punt dient dan vastgesteld te worden hoeveel producten iedere winkel krijgt tijdens de actieperiode (voorraadallocatie). De bestelhoeveelheid voor de leverancier moet worden gebaseerd op een combinatie van de output van het voorspelmodel, aanpassingen van experts en de vereiste veligheidsvoorraad. Die veiligheidsvoorraad kan worden berekend door het welbekende “krantenjongen-probleem” op te lossen.

 

Allocatie

Gedurende een actieperiode dient een dc haar voorraad te alloceren over de supermarkten. Deze allocatie moet geschieden door eerst de allocatiefracties voor alle supermarkten vast te stellen door het minimaliseren van onbalans in de keten en vervolgens het vaststellen van de order-up-to levels per winkel. Als de centrale vooraad voldoende is om aan de vraag in alle winkels te voldoen, dan worden alle order-up-to levels gehaald. Zo niet, dan moet de centrale voorraad worden gealloceerd met behulp van wiskundig vast te stellen allocatiefracties.

 

Early sales

In de praktijk dienen er meerdere pushes per periode plaats te vinden. Voor de eerste push, kan de vraag worden geschat door gebruik te maken van historische verkoopdata per winkel. De vraag voor de volgende pushes kan worden geschat door gebruik te maken van early sales data van de winkels in de huidige actieperiode. Tenminste twee pushes per product zijn nodig om te profiteren van de flexibiliteit van een push systeem.

 

Volume- en arbeidscapaciteit

Andere belangrijke determinanten voor het aantal en de omvang van pushes zijn de beschikbare volumecapaciteit in de keten (transport en in winkels) en de beschikbare arbeidscapaciteit in de keten (dc en winkels). Het is gebleken dat de optimale omvang van een push de vraag voor zo veel mogelijk dagen afdekt, onder de eerder genoemde restricties van een minimum van twee pushes per actieperiode en de capaciteitsbeperkingen.

 

Implementatie

Om een optimaal rendement te halen uit een voorspelmodel is het van groot belang om structureel alle aan promoties gerelateerde data te verzamelen. Het voorspelmodel kan worden verbeterd als er meer data beschikbaar komt: de parametersetting wordt robuuster en nieuwe variabelen kunnen worden toegevoegd. Het voorgestelde logistieke beheersingssysteem vereist dat een compleet pakket met informatie van iedere winkel centraal beschikbaar wordt gesteld. Real-time data over verkopen en voorraadposities is noodzakelijk. Ook zullen belangrijke performance indicatoren als OOS in iedere winkel tijdens actieperiodes bijgehouden moeten worden. Organisaties zullen Electronic Data Interchange moeten faciliteren tussen winkels, centrale voorraadpunten en leveranciers.

 

Conclusies

Een prijzenoorlog in de Nederlandse markt van supermarktorganisaties maakt het verbeteren van klanttevredenheid van groot belang. Een van de grootste aandachtspunten is het reduceren van OOS van actieartikelen. In dit artikel zijn gereedschappen beschreven welke kunnen helpen om OOS van promoties te reduceren en daarmee dus direct en indirect een mogelijkheid kunnen bieden om de klanttevredenheid te verhogen. Enerzijds is een vraagvoorspellingsmodel gebaseerd op regressietechnieken gebouwd. Anderzijds is een optimaal logistiek beheersingssysteem gevonden, welke leidt tot nauwkeurige voorraadallocatie- beslisregels.

 

Lees ook het expertartikel: De elf gouden regels voor betere demand planning

Reageer op dit artikel