Als forecast voorspellingen verkeerd zijn, wat is dan het nut van forecasting?
Het onderwerp van de forecasting heeft de supply chain gemeenschap al lang beziggehouden. We hebben veel geïnvesteerd, en we blijven investeren in dit onderwerp, met hernieuwde interesse in het tijdperk van kunstmatige intelligentie, machine leren, big data. Een schietgebedje: misschien zullen deze technologieën ons helpen bij het verbeteren van de betrouwbaarheid van de forecast?
We zijn vaak teleurgesteld: het maakt niet uit hoeveel we proberen te voorspellen, de werkelijke verkoop is verschild vaak aanzienlijk, vooral op artikel niveau.
Onze productportfolio’s zijn altijd meer gediversifieerd, nieuwe producten worden geïntroduceerd in een hectisch tempo, er zijn meer en meer spelers die concurreren in de markt, geopolitieke onzekerheden zijn alomtegenwoordig, en niet te vergeten de pandemie.
Er is dus geen geheim: de betrouwbaarheid van de voorspellingen verslechtert en zal blijven verslechteren, omdat alleen de omgeving waarin we actief zijn steeds minder voorspelbaar is.
Toen DDMRP begon kwam was er veel discussie: als de forecasts verkeerd zijn, laten we dan onze kristallen bol weggooien, de buffers baseren op basis van de gemiddelde dag consumptie van de afgelopen weken, en alles zal goed zijn. Het debat woedde in 2014 specifiek in Frankrijk. Vreemd genoeg, het verschijnt nog steeds van tijd tot tijd, en dit duidt op meerdere misverstanden.
Ik heb nooit ingestemd met de hypothese over het stoppen van het gebruik van een forecast. Gewoon, omdat ik 35 jaar ervaring heb in de supply chain, en ik heb in de praktijk de waarde van pragmatische forecast processen gezien. Ik heb ook extreme situaties ervaren in de ene richting en de andere, en leerde op mijn hoede te zijn …
Het F-woord of de illusie van “de echte klanten vraag”
Ik werkte jaren geleden in een Amerikaanse medische hulpmiddelen producent in het midden van een LEAN-transformatie, gebaseerd op de principes van Demand Flow Technology. De leiders van deze transformatie in het bedrijf waren fervente tegenstanders van elke forecast – “Forecast” werd beschouwd in het bedrijf als “Het F-woord”, en dat moest verboden worden. Alles moest gebeuren op basis van ‘echte klanten vraag’.
Een van de Amerikaanse projectmanagers had zo het management van een belangrijke fabriek in Europa geïmplementeerd op basis van een pull flow systeem. Zijn obsessie was om geen forecast te gebruiken, dus baseerde hij de gemiddelde dagelijkse consumptie op de verkoopgeschiedenis van de afgelopen drie maanden, die de “echte vraag” moest vertegenwoordigen. Toen de verkoop in oktober omhoogging- zoals elk jaar – werd de “reële vraag” berekend op de periode juli-september, een mindere periode als gevolg van vakanties in Europa. En wat denk je dat er gebeurt? Het kostte de fabriek 5 maanden, op volle capaciteit, om te herstellen, en een jaar voor het bedrijf om het vertrouwen van haar klanten te herwinnen …
Het voorbeeld lijkt op een karikatuur, maar het is zeer reëel. Wat ontbrak er in dit bedrijf? Een beetje minder dogmatisme en een beetje meer gezond verstand, om een proces te voeden met relevante geaggregeerde prognoses, en de KANBAN-lussen aan te passen volgens deze forecast op de strategische artikelen.
De illusie van gedetailleerde forecast
Aan de andere kant van het spectrum, meerdere bedrijven maken buitensporige inspanningen om zeer gedetailleerde prognoses te maken: om op artikelcode, per klant, per week of zelfs tot op de dag.
Bij een conferentie woonde ik de presentatie bij van een bedrijf in de kledingsector dat algoritmes had geïmplementeerd op een gigantische database (we spreken van terabytes) om forcast per dag en item op winkelniveau te bepalen. Maar zodra ik weet dat we 0,00001 eenheden van dit T-shirt moeten verkopen op maandag in mijn winkel, wat moet ik dan doen?
Nogmaals, het voorbeeld is extreem, maar als je kijkt naar het forecast proces van de meerderheid van de bedrijven, wordt het gedaan op een niveau dat veel te gedetailleerd is om nuttig te zijn. Hoe gedetailleerder een prognose is, hoe meer fouten het bevat. Hoe gedetailleerder een prognose, hoe meer het inspanningen van uw forecast teams of demand-managers vereist.
Veel energie voor een nauwkeurig incorrect resultaat waaruit men geen relevante beslissingen kan nemen, dus laten we deze verspilling vermijden.
Sommige items verdienen geen forecast inspanning. Laten we het voorbeeld nemen van het artikel waarvan het verzoek is:
![](https://demanddriventech.com/wp-content/uploads/demand-graph.png)
Helpt een forecast u dit artikel te verwerken? Of u verwacht een verkoop van 0,02 per dag of 0,6 per maand, of 1 elke zoveel maanden en u hebt alle kans om deze prognose op de verkeerde maand te plaatsen – die nooit overeenkomt met de verkoop. U bent dus veroordeeld tot een verwachte betrouwbaarheid van 0% voor dit artikel? Welnee het weerhoudt u er niet van om uw klanten een uitstekende service te bieden en tegelijkertijd het gebruik van uw resources te optimaliseren? Nee, nee, nee, nee, nee. Afhankelijk van de tijd om het item te leveren, zal een min/ max waarde met een max op 2 de truc doen. De echte vraag die je jezelf moet stellen is: welk herbevoorrading proces moet ik invoeren om te reageren op bestellingen in dit artikel? Moet ik dit artikel op voorraad houden? Hoe activeer ik uw her levering? Kan ik het doen in vertraagde differentiatie vorm?
Voor een dergelijk artikel, moet je niet de energie van uw teams gebruiken om een onmogelijke forecast te ontwikkelen: focus je inspanningen om het opzetten van een agile operationeel model aangedreven door de werkelijke orders.
Voorspellingen, waarvoor?
Het doel van informatie is om te helpen bij het nemen van de juiste beslissingen.
Forecast is handig voor verschillende functies in het bedrijf, zodat ze de juiste beslissingen kunnen nemen.
Het managementteam heeft prognosescenario’s nodig om een mogelijke toekomst voor het bedrijf te overwegen en te anticiperen op de aanpassing van middelen en strategische initiatieven. Ze vormen de kern van het S&OP processen en hebben geaggregeerde inzichten van commerciële en industriële families nodig, met alternatieve scenario’s en de identificatie van belangrijke gebeurtenissen.
Prognoses zijn ook zeer nuttig voor verkoop- en marketingteams. Ze helpen om trends te begrijpen, om de promotion en volumes te correleren, om de commerciële dynamiek te beïnvloeden. Hiervoor is het relevant om te werken per grote klant, per markt, productlijn, geografie. Wat overheerst is het samenwerkingsproces en het vastleggen van relevante informatie over het gedrag van de markten, het zijn geen statistische algoritmen.
Let wel op: om succesvol te zijn moet een verkoopteam optimistisch zijn! Nieuwe productlanceringen zullen onder vuur komen, deze promotie zal concurrenten achter u laten – het is menselijk en gezond om een verkoopteam te motiveren. Weet u zeker dat u uw capaciteit en voorraden wilt afstemmen op dat optimisme? …
Voor planners van een Demand Driven operationeel modelzijn prognoses handig om tijdig te kunnen beslissen over aanpassingen van het operationele model: extra mensen inhuren,v ooraf geplande vakanties of geplande sluitingen van een leverancier, etc. Ze kunnen worden gebruikt voor dynamische aanpassing van voorraadbuffers. Voor sommige producten werkt het aanpassen van de buffers met het oog op een recente consumptiegeschiedenis zeer goed, in andere gevallen, met name voor producten waarvoor promoties gelden, moet de forecast worden gebruikt om de buffers aan te passen. Een buffer dimensionering mechanisme waarin we 50% recente geschiedenis en 50% voorspelling combineren geeft vaak goede resultaten.
Drie verschillende partijen die verschillende behoeften hebben en de belangrijkste elementen van een relevant forecast proces in verschillende perspectieven plaatsen:
- In staat zijn om gemakkelijk te verzamelen weergaven door product families / groeperingen in verschillende dimensies. Een geaggregeerde forecast is betrouwbaarder dan een gedetailleerde forecast de besluitvorming vindt plaats op geaggregeerde niveaus.
- Om optimistische, pessimistische scenario’s te kunnen genereren, en wat als we deze aanbesteding winnen?
- Informatie vastleggen over belangrijke markt gebeurtenissen.
- Om forecast te kunnen genereren over dynamische voorraadbuffers, alleen voor strategische items die het verdienen.
De voorspellingen zijn verkeerd, dus wat?
Zeker de voorspellingen zijn verkeerd. We hebben echter een redelijk inzicht voor anticipatie nodig. Zelfs in het hart van een KANBAN-lus is er een “takt tijd” – dat is niets anders dan een forecast.
Terug naar de basis van de noodzaak van forecast. Op zich, ben je niet geïnteresseerd in de forecast! Je wilt gewoon in staat zijn om in een korte tijd te reageren op een klant bestelling, op een manier die winst genereerd.
Hiervoor moet je je constant aanpassen, om de juiste middelen op de juiste plaats op het juiste moment te hebben. Het probleem is te herbevoorraden op de juiste manier, niet om de forecasting – dat wil zeggen, om een vraag gestuurd bedrijfsmodel te definiëren en te implementeren.
Voor meer informatie over het in aanmerking nemen van prognoses in onze Demand Driven oplossingen, aarzel dan niet om ons te vragen om een demo!