fbpx

Is vraagvoorspelling op basis van historische data nog wel toereikend?

Supply chain onzekerheid zet ondernemers flink aan het denken. De grote uitdaging daarbij is wat je moet doen om beter in te spelen op die ketenonzekerheid. Uiteraard zonder de kosten enorm te laten oplopen. Centraal in de zoektocht naar antwoorden staat een goede vraagvoorspelling. Ook díe is afhankelijk van een groeiend aantal factoren. Innovatieve tools gebruiken vandaag de dag kunstmatige intelligentie (AI) om de impact van deze factoren op de toekomstige klantvraag te begrijpen én hierop in te spelen. Die tools maken ook de weg vrij naar supply chain optimalisatie, voor zowel de vraagvoorspelling van producten, de productiecapaciteit, medewerkersbeschikbaarheid, voorraadbeheer en inkoop. Rest de vraag: gebruik je bij vraagvoorspelling historische data of ga je een stap verder?

Onzekerheid in maakindustrieketens neemt toe

Sinds de uitbraak van Covid-19 is er veel onzekerheid in logistieke ketens geslopen, waaronder die van bedrijven in de maakindustrie. Toch is het niet alleen corona dat tot aanpassingen in salesvooruitzichten leidt. De wereld verandert ook onder druk van e-commerce en zeer kritische klanten. Vraagvoorspelling is daarnaast afhankelijk van een veelheid aan factoren die vandaag de dag continu veranderen. Dat maakt het uitwerken van een effectieve vraagvoorspelling lastig. Deze voorspelling baseren op historische sales data is in bepaalde gevallen onvoldoende. Door de veelheid en verscheidenheid aan factoren levert dit hooguit een goede inschatting op.

Seizoenseffecten en promoties

Het gebruik van historische data bij het voorspellen van de vraag was ooit heel gebruikelijk en werkte goed. Denk aan het inspelen op terugkerende gebeurtenissen, seizoenseffecten en periodieke promoties. Deze hebben een vast patroon en dus bijhorende planningkenmerken. Toch neemt de effectiviteit van plannen met historische data af, zeker gezien het aantal onvoorspelbare factoren dat plaatsvindt.

Historische data opknippen in segmenten

Bij het forecasten van sales demand is het verstandig om uit te zoeken of er voorspelbare variabele patronen in de historische data verborgen zitten. Door deze patronen te segmenteren, ontstaat er meer inzicht in het effect van de patronen op de gehele vraagvoorspelling. Dankzij dit inzicht kan afwijkend gedrag los van het standaard repeterend gedrag worden onderzocht. De coronapandemie heeft er bijvoorbeeld voor gezorgd dat historische effecten niet meer uniform en duidelijk naar voren kwamen. Door slim te segmenteren is het mogelijk om standaardpatronen los te koppelen van incidentele effecten. Daarmee is het toch mogelijk om tot bruikbare voorspellingen te komen.

Leren waarom iets effect heeft op de vraagvoorspelling

Ondernemers zouden daarbij in uitdagende tijden juist moeten zoeken naar manieren om zich te onderscheiden van concurrenten. Eén van de manieren om dat te realiseren is door de markt en klanten beter te leren begrijpen, evenals de nieuwe keuzes die deze klanten maken. Het is nodig om de oorzaken en effecten van factoren op de vraag te begrijpen, evenals trends en seizoenseffecten. Door deze zaken zowel los als samenhangend te bekijken en te analyseren, is een beeld te vormen van het hoe en het waarom van eventuele verschillen tussen verwachtingen en werkelijkheid. In dat geval volstaat historische data als enige bron absoluut niet. Met behulp van AI-technieken zijn de verbanden tussen de klantvraag en externe factoren te onderzoeken en te begrijpen.

Planningsoftware voorzien van machine learning voegt mogelijkheden toe

De toevoeging van machine learning (ML), een vorm van AI, aan planningssoftware zorgt voor nieuwe mogelijkheden. De nadruk ligt hier wel op een toevoeging. Immers, wie grondig aan de slag gaat met vraagvoorspelling heeft de tools in handen om effectiever capaciteit te managen en operaties te plannen. Dat kan leiden tot minder verspilling, minder misgelopen verkopen en overtollig materiaal, kortere doorlooptijden en een betere klanttevredenheid. Waar ML goed in is, is het herkennen van onderliggende patronen, inclusief de samenhang tussen verschillende segmenten binnen de data. Ook is ML in staat tot het begrijpen van een bepaalde factor en de impact die deze heeft op de vraagvoorspelling. Deze geautomatiseerde conclusies zijn te vertalen in betere prestaties, die soms vijf tot tien procent beter zijn, af en toe zelfs twintig procent.

Tools als ML zijn al snel rendabel

Is ML dan de heilige graal voor het optimaliseren van vraagvoorspelling binnen de maakindustrie? Voor de productie van hoogwaardige artikelen is dit al snel het geval, maar eigenlijk zijn aanvullende tools aan de bestaande wijze van analyseren al snel rendabel. Het is minimaal de moeite waard om in de mogelijkheden van ML te duiken. Dat geldt zeker als aanvulling op het bepalen van de vraag op basis van historische data. Vanuit Ordina adviseren we om stap voor stap toe te werken naar deze nieuwe mogelijkheden. Elk stapje leidt automatisch tot een check of deze waarde toevoegt en of het zinvol is om naar de volgende stap te gaan. Is dat het geval, dan zal dit uiteindelijk ook leiden tot het breed omarmen van ML-modellen. Iedereen in de onderneming draagt bovendien bij aan dat net iets slimmer voorspellen van waar klanten echt om verlegen zitten.

Op weg naar kortere doorlooptijden en tevredener klanten?

Hebben we u nieuwsgierig gemaakt? Wilt u in deze roerige supply chain tijden ook slimmer en effectiever inspelen op uw klantvraag? We laten u graag zien welke effecten ML kan hebben op doorlooptijden, klanttevredenheid en effectievere productieprocessen. Ordina Supply Chain Optimization helpt u verbeteren.

Benieuwd naar de mogelijkheden voor je organisatie?
Neem dan contact met ons op

Bart Willemsen
Bart Willemsen
Directeur Supply Chain Optimization
Klik om direct telefonisch contact op te nemen: +31655388560 Klik om direct contact op te nemen via WhatsApp Bekijk mijn profiel op Linkedin Stuur een email