Bedrijven besteden te weinig aandacht aan (sales) forecasting

Goede forecast vergt drie stappen

De reden waarom bedrijven vaak niet de juiste voorraad op de juiste plaats op het juiste moment kunnen neerleggen, is omwille van de onzekerheid in het dagelijks beheer van de voorraden. Het voorspellen van de toekomst is nog steeds niet mogelijk en dat maakt dat deze onzekerheid in de praktijk de voornaamste oorzaak is van overtollige voorraden en daling van het service level. Zeker als we weten dat de logistieke keten alsmaar complexer wordt door de toename aan verkoopskanalen, afzetmarkten en substituut-artikelen.

Toch lijkt dit proces van voorspellen, ook wel “(sales) forecasting” genoemd, niet de nodige aandacht te krijgen binnen ondernemingen. Zo toonde een grootschalig voorraadonderzoek bij Hewlett-Packard, de computergigant beter bekend onder de naam HP, aan dat bijna 60% van zijn voorraden er lagen omwille van onzekerheid in de vraag. Deze cijfers tonen aan dat de nood aan een goede forecast onontbeerlijk, maar bij vele ondernemingen niet aanwezig is.

De reden waarom het opzetten van een goede forecast bij ondernemingen zo een uitdaging is, is dat als er begonnen wordt met forecasting, de onderneming dan ook een goede forecast verwacht. Maar wat is een goede forecast? Deze vraag kan zelden beantwoord worden, waardoor we al van bij het begin verliezen.

Een oplossing van ondernemingen is dan vaak om een forecasting software aan te schaffen waarvan we mogen verwachten dat deze een goede forecast genereert. Maar dan kijken we naar de voorspellingen die eruit komen en lijkt dit toch niet voor elk artikel even goed te gaan. Omdat we de vorige vraag niet konden beantwoorden, geeft hierop ingrijpen wellicht nog een slechtere forecast. Om deze zaken in de praktijk op te vangen, moeten we enerzijds weten wat een goede forecast nu eigenlijk is en welk proces er nodig is om tot de beste forecast te komen en deze te behouden. We lichten kort toe.

Een goede forecast

Een goede forecast is een voorspelling van datgene wat voorspelbaar is. Hetgeen wat niet te voorspellen valt, is toeval. Toeval kan je het best visualiseren als het opgooien van een munt. Je weet niet of het “kop” of “munt” zal zijn, want dat hangt af van het toeval. Echter, de voorwaarde is dat het een “eerlijke” munt is, namelijk geen munt die verzwaard is of aangepast op een andere manier waardoor de uitkomst niet meer door het toeval bepaald wordt. Je kan dit controleren door elke keer de munt “kop” toont, een score van -1 te geven. Als de munt “munt” toont, geef je de score +1. Als na vele metingen de som van alle scores 0 is, dan weet je dat het een eerlijke munt is en dat toeval de uitkomst bepaalt.

Datzelfde effect moet een goede forecast hebben: een goede forecast is daar waar we niet structureel teveel of te weinig voorspellen. Het toeval dat uitgesloten wordt, kan vervolgens gebruikt worden om voorraad voor neer te leggen. Bij het voorbeeld van HP was dit initieeël bijna 60%, maar na een eerste goede forecast bleef hier slechts 30% van over. Met de beste forecast bleef hier slechts 15% over. De beste forecast is dus een goede forecast die daarnaast ook de minste extra voorraad genereert.

Het proces

Om tot de beste forecast te komen moeten we drie stappen volgen. De eerste stap noemen we “de preliminaire analyse”. Tijdens deze stap gaan we het toeval onderscheiden van wat voorspelbaar is door het zoeken van patronen. Artikelen kunnen een stationair patroon, trendpatroon, een seizoenpatroon of een combinatie van deze patronen hebben. Hoe doen we dit? In feite is de mens de onbetwiste kampioen in het vinden van patronen in visuele data zoals de klantvraag. We zien heel snel of iets een seizoen, een trend- of stationair patroon heeft.

Echter, wanneer we te maken krijgen met vele artikelen, dan wordt het snel al veel werk om de patronen voor elk artikel visueel te onderscheiden. We kunnen dan bepaalde technieken gaan toepassen om automatisch patronen te onderscheiden. De kwaliteit van deze eerste stap wordt volledig bepaald door de kwaliteit van de gebruikte data. Enerzijds is de hoeveelheid historische data belangrijk, maar anderzijds moet deze data op detailniveau verklaard kunnen worden.

De tweede stap is het kiezen van een gepaste forecasting-methodiek en de parameters ervan inrichten. Er zijn veel methodieken beschikbaar, ook al sluit de eerste stap er een heleboel uit. Echter, de keuze van methodiek is van minder belang (ze doen in de basis allemaal hetzelfde) dan de keuze van de startwaarden. Ook de manier waarop de methodiek op voorspelfouten reageert, is belangrijk. Er zijn hier ook weer een heleboel theoretische modellen beschikbaar om de optimale methodiek en bijhorende parameters te bepalen. Het goed inrichten van de derde en laatste stap is dan weer dé sleutel om een optimale methodiek en parameters te behouden.

De derde stap is het gebruiken van het statistische model in de praktijk. Dat bestaat uit het meten van de voorspelfouten en hier gepast op te reageren zodat de forecast “goed” blijft. Belangrijk in deze stap is dat je op het juiste moment reageert en de juiste zaken aanpast. Hoe beter de forecast, hoe minder werk je in deze stap hebt. Het geheim hier is om de statistische forecast altijd te finetunen met menselijke input. Elke statistische forecast-methodiek heeft de eigenschap om in bepaalde scenario’s de beste forecast af te leveren. Toch is het wetenschappelijk bewezen dat een willekeurige statistische forecast (overeenkomstig met de juiste vraagpatronen), gecombineerd met menselijke kennis, in bijna 100% van alle gevallen de beste forecast oplevert. We noemen dit een consensus-forecast. Als je een groot assortiment hebt, is het handig om dit enkel te doen bij de belangrijkste artikelen (de A-artikelen). Voor de andere artikelen voldoet een statistische forecast en kan er gereageerd worden op exceptionele basis (wanneer de forecast niet meer “goed” is).

Naast het genereren van excepties, is het omwille van de volgende twee redenen belangrijk om voorspelfouten te meten:

1. Om de veiligheidsvoorraad juist op te bouwen.

2. De menselijke input te evalueren en te verbeteren.

Belangrijke kanttekening

Deze drie stappen vormen het proces om tot een goede forecast te komen. Dit proces is zeer uitgebreid en vraagt ook weer het kader dat in het vorige artikel (Voorraadoptimalisatie: essentiële randvoorwaarden) werd uitgelicht. Een andere, belangrijke kanttekening is dat onzekerheid vaak in het proces sluipt door slechte communicatie naar klant en leverancier wat we artificiële onzekerheid noemen. Dit aanpakken door goede samenwerking met klant en leverancier biedt een zeer groot potentieel aan voorraaddaling en servicestijging.

(S.P.)

(Bovenstaande bijdrage kwam tot stand in samenwerking met Slimstock Belgium).

Meer info: 015/79.65.36 of www.slimstock.be.