blog

Verantwoord ondernemen door het bestellen te optimaliseren

Supply chain

Verantwoord ondernemen door het bestellen te optimaliseren
GS1 Figuur 1

In de wereld van de supermarkt met hoge omzetten en kleine marges kan het optimaliseren van het bestellen niet alleen veel geld opleveren, maar tevens bijdragen aan het Maatschappelijk Verantwoord Ondernemen van de retailer. Experts Seth Tromp, Joost Snels en Han Soethoudt van Wageningen UR, Food & Biobased Research leggen uit welke rol de GS1 Databar hierin speelt.

Een eenvoudige opdracht die een luchtvaartmaatschappij zijn piloot mee zou kunnen geven is ‘vlieg goed naar Amerika’. Wat is goed? Moet de piloot zo snel mogelijk op de plaats van bestemming arriveren? Of precies op tijd? Of moet hij zo zuinig mogelijk vliegen? De vliegmaatschappij zal aan moeten geven wat zij belangrijk vindt. Pas dan weet de piloot wat goed vliegen is. Of de piloot dan ook daadwerkelijk goed vliegt is een tweede. Aanleg speelt hier een rol, maar ook training en ervaring. De automatische piloot kan een goede optie zijn bij reguliere omstandigheden, maar bij hectiek is menselijk ingrijpen toch wenselijk. Een ding staat vast, elke piloot heeft in de cockpit dezelfde instrumenten tot zijn of haar beschikking. Nieuwe technieken, innovaties, et cetera hebben er voor gezorgd dat deze instrumenten steeds geavanceerder worden, maar ook dat ze nieuwe informatie beschikbaar maken.

   

Vliegen versus GS1 Databar

Waarom iets vertellen over vliegen, een piloot en de cockpit wanneer het over GS1 Databar gaat? De reden is eenvoudig. Een besteller in een supermarkt zit met dezelfde vragen als een piloot, zeker wanneer het over kort houdbare producten gaat. Hoe zwaar telt het om nee te moeten verkopen aan de klant? En hoe zwaar telt het om producten te moeten weggooien of afgeprijsd te moeten verkopen? De supermarkt zal binnen zijn formule aan moeten geven wat hij belangrijk vindt, en pas dan weet de besteller wat goed bestellen is. Goed bestellen in een full service supermarkt zal iets anders zijn dan goed bestellen in een discount supermarkt, of bij de buurtsuper.

  

Figuur 1: Het versschap ligt vol met verschillende producten met een korte houdbaarheid.

  

Derving terugdringen

Veel voorverpakte verse producten worden uiteindelijk niet verkocht, maar overschrijden de THT-datum. Denk hierbij aan voorgesneden groente en fruit en voorverpakt vlees. Onderzoek van Wageningen UR, Food & Biobased Research heeft laten zien dat de derving door THT-overschrijding voor deze productcategorieën rond de 5 procent van de ingestuwde hoeveelheid is. Langzaamlopende artikelen kunnen zelfs dervingpercentages van rond de 20 procent vertonen. Het is zonde dat uiteindelijk zoveel verse producten in de afvalcontainer van de supermarkt verdwijnen. In euro’s gemeten betreft de derving hier een flinke schadepost van naar schatting zo’n 0,5 miljard euro per jaar in Nederland. De waarde van het verse product is bij de retail flink gestegen ten opzicht van de primaire productie door activiteiten als wassen, sorteren snijden, proportioneren, en verpakken. Bovendien is het product naar de supermarkt gereden en zijn de schappen gevuld. Dus niet enkel het economische aspect maar zeker ook de impact op duurzaamheid (voedselverspilling) is hier in het geding.

  

Redenen genoeg om te bekijken in hoeverre we de derving in de supermarkt terug kunnen dringen zonder dat er te weinig in het schap ligt. Kortom, reden genoeg om goed te bestellen. En net als bij vliegtuigpiloten geldt ook hier dat de ene persoon beter bestelt dan de ander door ervaring, aanleg en training. Maar we kunnen elke besteller helpen door de juiste informatie aan te bieden. En in dit laatste zit een van de grote voordelen van de nieuwe GS1 Databar die vanaf 1 januari van dit jaar door alle supermarkten gescand kan worden.

  

Balans tussen derving en productbeschikbaarheid

Elke retailer zou wel 0 procent derving willen, en als je zorgt dat je de juiste hoeveelheid op het juiste moment op de juiste plaats hebt, dan hoef je ook niets weg te gooien. Dit is het geheim achter het groente- en fruitabonnement bij de biologische winkel. De vraag is voorspelbaar geworden, en de toelevering kan daarop afgestemd worden. Bij de gangbare supermarkt is dit echter niet het geval. De laatste jaren wordt met klantenkaarten wel steeds meer kennis opgebouwd over de aankopen van de consument, maar er blijft onzekerheid over de verkopen van de komende dag bestaan. Het perfect voorspellen van de klantenvraag blijft daarmee een utopie. En omdat nee-verkopen nog steeds een doodzonde is in veel supermarkten, ligt er al gauw teveel product in het schap waarvan uiteindelijk een restant weggegooid moet worden. Het plaatsen van de juiste bestelling bij het distributiecentrum is dus cruciaal in de strijd tegen derving.

 

Het volgende voorbeeld laat zien dat 0 procent derving niet altijd haalbaar, maar ook niet altijd nodig is. Als een retailer mango’s weet in te kopen voor 0.50 euro per stuk en in de winkel weet te verkopen voor 1 euro per stuk dan wil deze retailer, afhankelijk van de interne kosten, van de 100 ingekochte mango’s misschien wel een derving van 20 mango’s accepteren (20 procent), als hij daartegenover 80 weet te verkopen. Met andere woorden, de acceptabele derving is vanuit bedrijfseconomische redenen afhankelijk van de marktprijs en daarmee van de te behalen winstmarge op het product. Hetzelfde geldt voor de gewenste beschikbaarheid van het product. De mango’s uit bovenstaand voorbeeld heeft de retailer erg graag in zijn schap als er een klant is die ernaar vraagt: hij kan er immers een flinke marge op maken. Voor deze mango’s zou ‘goed bestellen’ kunnen luiden: zorg dat de winkel in 95 procent van de gevallen aan de vraag naar mango’s kan voldoen, maar zorg dat de derving niet boven de 20 procent uitkomt.

  

Belangrijk is dus dat de retailer van tevoren nadenkt welke derving en welke beschikbaarheid van het product hij graag wil bereiken, om daarmee de weg vrij te maken voor de besteller om zijn werk goed te kunnen doen en daadwerkelijk goed te gaan bestellen. Goed bestellen betekent allereerst werk voor de retailer zelf: hij moet de doelstellingen voor derving en productbeschikbaarheid vaststellen. De uitdaging van de besteller in de winkel is om binnen de geplaatste marges te blijven. Zoals al gezegd, kan optimaal bestellen de supermarkt veel geld opleveren. Teveel besteld levert een onnodig risico op derving op, met bijkomende kosten, terwijl te weinig besteld een onnodig risico op een leeg schap oplevert, met bijkomend omzetverlies.

  

Beter bestellen

Zijn de gewenste doelstellingen wat betreft derving en productbeschikbaarheid eenmaal bekend, dan kan de besteller geholpen worden met een besteladvies. Het kunnen afgeven van een besteladvies begint met het zo goed mogelijk voorspellen van de klantenvraag. Minstens zo belangrijk als de vraagprognose zelf is echter het schatten van de betrouwbaarheid van deze prognoses. Deze onzekerheidsmarge in de voorspelling wordt vertaald in een veiligheidsmarge in de bestelling. Hoe dit precies gebeurt hangt nu net af van de doelstellingen voor derving en productbeschikbaarheid. Als de beschikbaarheid van een product hoog moet zijn, zoals de mango’s in ons voorbeeld, dan bestel je liever wat extra ten opzichte van de vraagprognose. Als het product aan het eind van de dag wel uitverkocht mag zijn omdat er toch weinig op verdiend wordt en er wel een vervangend product in het assortiment bestaat, zoals bij brood, dan wil je derving voorkomen en bestel je liever wat terughoudend. Zoals al gezegd kan er met goed bestellen veel geld verdiend worden. Teveel bestellen levert derving op, te weinig bestellen lever gemiste omzet op. Goed bestellen komt dus heel nauw, en vraagt wiskundige technieken om werkelijk tot perfectie te komen.

Food & Biobased Research heeft hier de nodige kennis voor opgebouwd.

 

  

Figuur 2: Food & Biobased Research heeft een computermodel ontwikkeld om de afzet van kort

houdbare producten via de retail na te bootsen. Deze computermodellen zijn een geschikte

omgeving om de actuele schapvoorraad op maat (dat wil zeggen voor een specifiek product

in een specifieke keten) te vertalen in een optimale bestelling.

 

Het computermodel zoals dat ontwikkeld is door Food & Biobased Research heeft als input de doelstellingen van de retailer, het gedrag van de consumenten, de bestel- en levercyclus en de THT datum van het product (Figuur 2). Deze aspecten moeten continu gemonitord worden om de bestelregel eventueel aan te passen. Bijvoorbeeld als de vraag opeens heel onvoorspelbaar gaat worden, zal er meer besteld moeten worden om dezelfde beschikbaarheid te kunnen garanderen. Eerder onderzoek van Food & Biobased Research in met betrekking tot verpakt vers vlees heeft ook laten zien dat de totale derving deels toegeschreven kan worden aan acties, deels aan de aanwezigheid van feestdagen, en voor de rest aan reguliere winkeldagen (Figuur 3). Dit betekent dat het besteladvies rekening moet kunnen houden met acties en feestdagen.

 

 

Figuur 3: Onderzoek van Food & Biobased Research binnen een retailketen heeft bij verpakt vers vlees laten zien dat 37 procent van de derving toegeschreven kan worden aan acties. 21 procent van de derving vindt rondt feestdagen plaats.

 

GS1 Databar

Voor een goed besteladvies is allereerst een goede inventarisatie van de actuele (schap-)voorraad nodig. Voor het inventariseren van de actuele schapvoorraad ziet Food & Biobased Research een belangrijke rol weggelegd voor GS1 Databar. Van de actuele schapvoorraad weet men in de praktijk namelijk hooguit het aantal producten. Zo kan het zijn dat men nog 10 eenheden gesneden sla in het schap heeft liggen, zonder te beseffen dat hiervan 8 een THT-datum hebben die morgen verstreken is. In werkelijkheid is de schapvoorraad dan dus veel kleiner dan gedacht! Dit betekent, zeker bij lagere bestelfrequenties en kortere houdbaarheden dat men in de praktijk met een lagere productbeschikbaarheid kan komen te zitten (en dus eerder nee moet verkopen) dan gedacht.

 

GS1 Databar kan helpen, vanwege het beschikbaar hebben van de THT-data van de artikelen in het schap, om hiermee rekening te houden bij het berekenen van een besteladvies.  

 

Wanneer de ontvangen producten bij binnenkomst of bij het opnemen in het schap gescand worden -een werkwijze die menig supermarkt al toepast- en wanneer deze informatie gekoppeld wordt aan scangegevens bij de kassa, dan is exact bekend hoeveel producten met welke houdbaarheden nog in het schap liggen omdat deze code in de GS1 Databar is opgenomen (Figuur 4). Daarmee is tevens de boekhouding compleet wanneer óók de afgeprijsde artikelen worden gescand, en gescand wordt wanneer een product daadwerkelijk wordt gestort.

   

Hiermee ontstaat actueel inzicht in de artikelen die zijn weggegooid, artikelen die afgeprijsd in het schap liggen, artikelen die afgeprijsd verkocht zijn en de artikelen die tegen de reguliere prijs zijn verkocht. Ook ontstaat inzicht in de verschillende THT-data in het schap en een schat aan managementinformatie over het effect van afprijzingen, het selectieve aankoopgedrag door consumenten op basis van de houdbaarheid, effect van spiegelen, et cetera. Daarnaast is een niet onbelangrijk voordeel dat het schapmanagement en het sturen van het personeel efficiënter kan gebeuren. Op basis van de beschikbare gegevens met betrekking tot de resterende houdbaarheid kunnen de vulploegen exact gestuurd worden naar het betreffende schap om goed te spiegelen, gericht af te prijzen of product te verwijderen. De kans op ‘foute houdbaarheden’ in het schap is hiermee tot nul te reduceren zonder dat het gehele koelmeubel doorgespit hoeft te worden.

 

Figuur 4: Veel consumenten selecteren op de houdbaarheid van het product, vooral bij kort houdbare producten. Hierdoor blijven producten met een korte houdbaarheid achter in het schap.

 

Verrassingen zoals hierboven beschreven doen zich dan niet meer voor. Binnenkort aflopende THT-data in het schap worden als deels incourante voorraad gezien en vertalen zich in het plaatsen van een grotere bestelling bij het distributiecentrum dan wanneer de besteller deze informatie niet had. Naar een optimaal besteladvies Hoeveel groter de bestelling precies moet worden is afhankelijk van de geformuleerde doelstellingen over derving en productbeschikbaarheid. Maar ook van de THT-data in het schap, de verwachte vraag, de leverfrequentie en levertijd, en het zogenaamde selectiegedrag(1) van de klant (Figuur 5).

   

De verwachte vraag kan berekend worden op basis van verkoopgegevens uit het verleden, maar ook weersvoorspellingen kunnen een rol spelen. Food & Biobased Research heeft hiervoor verschillende statistische technieken voorhanden. Ook heeft Food & Biobased Research kennis opgebouwd over de invloed van het weer op de verwachte verkoop van verschillende verse producten. Het is immers bekend dat bijv. hamburgers en voorgesneden sla sneller gaan lopen bij verwacht barbecueweer. Het selectiegedrag bepaalt welke THT-datum door de consument geselecteerd zal worden, wanneer de schapvoorraad verschillende THT-data omvat. Naast het beter inzichtelijk maken van de actuele voorraad biedt GS1 Databar ook de mogelijkheid om dit selectiegedrag van de consument te voorspellen. Hiermee kan het bestelgedrag verder geperfectioneerd worden. 

 

 

Figuur 5: GS1 maakt de actuele voorraad tot op de THT datum nauwkeurig inzichtelijk. Deze informatie krijgt extra waarde door ervan gebruik te maken bij het genereren van een besteladvies. Food & Biobased Research heeft hiervoor een protocol klaarliggen.

 

Conclusies

Dat een vliegmaatschappij die duurzaamheid hoog in het vaandel heeft staan, toch kerosine gebruikt, staat vast. Dat een vliegmaatschappij die snelheid hoog in het vaandel heeft staan, toch tijd nodig heeft, staat ook vast. Dat een vliegtuigmaatschappij die stiptheid hoog in het vaandel heeft, toch vertragingen kent, staat ook vast. Zo staat derving bij supermarkten ook vast. Er zal altijd derving blijven bestaan. In dat opzicht is derving met onkruid te vergelijken: als je het op de ene plaats gesnoeid hebt steekt het ergens anders weer de kop op. En dan is de vraag waar accepteer je het onkruid wel en waar niet?

 

GS1 Databar kan helpen om een beter beeld te krijgen van de actuele voorraad omdat GS1 Databar ook de THT-datum van de artikelen in het schap kan registreren. Het verder perfectioneren van het bestellen van kort houdbare producten is een zeer belangrijke mogelijkheid die geboden wordt door GS1 Databar. In de wereld van de supermarkt met hoge omzetten en kleine marges kan het optimaliseren van het bestellen veel geld opleveren. Bovendien past dit streven uitstekend binnen het concept van Maatschappelijk Verantwoord Ondernemen. Het weggooien van grote hoeveelheden voedsel stuit op steeds meer maatschappelijke weerstand. Wageningen UR Food & Biobased Research heeft kennis in huis om het voordeel van deze technologische ontwikkeling volledig uit te nutten en tot een optimaal besteladvies voor kort houdbare producten te komen.

 

Auteurs:

Ir. S.O. Tromp – Wageningen UR Food & Biobased Research

Drs. Ing. J.C.M.A. Snels – Wageningen UR Food & Biobased Research

Dr. Ir. J.M. Soethoudt – Wageningen UR Food & Biobased Research

 

 

(1) Het selectiegedrag wordt ook wel het ‘graaigedrag’ genoemd. De klant heeft de neiging om de producten met de langste houdbaarheid te selecteren. Het gevolg is dat in de schappen niet de producten met de kortste houdbaarheid het eerste verkocht worden, maar die met de langste. Supermarkten proberen d.m.v. goed spiegelen en door niet te veel verschillende THT’s in het schap te leggen dit te voorkomen, kortom ze streven naar First In, First Out. Idealiter moet men streven naar First Expired, First Out (dus ‘het eerste over de datum, het eerste uit het schap) en dit wordt getracht middels het spiegelen of schapmanagement. Toch zal de consument blijven selecteren en dus Last Expired, First Out ‘veroorzaken’. Onderzoek van Wageningen UR – FRB heeft aangetoond dat bij kort houdbare producten zoals vlees en gesneden groenten ongeveer 60 procent van de klanten daadwerkelijk ‘gaat voor de langste houdbaarheid’.

Reageer op dit artikel