Forecasting. Dit is wat je moet weten

Waarom is forecasting belangrijk bij voorraadbeheer?

Het voorspellen van klantgedrag en de marktvraag is belangrijk voor je bedrijfsvoering. Een accurate forecast helpt je om deze begrippen te vertalen naar inkoopbeslissingen. Zo kun je jouw kennis van klantgedrag en de marktvraag inzetten om de komende periode te ‘forecasten’ en je voorraadbeheer op orde te brengen.

Wanneer je wilt opschalen met jouw bedrijf, zul je bepaalde zaken moeten automatiseren. Datagedreven forecastingmodellen kunnen je bedrijf hierbij helpen. Optiply’s AI forecastingmodel houdt je inkoopagenda realtime bij en laat je afscheid nemen van ‘inkopen op gevoel’. Zodat een foute – menselijke – beslissing niet direct leidt tot het inkopen van teveel of juist te weinig voorraad.

Als je te veel hebt ingekocht leidt dit tot hogere voorraadkosten en dat heeft een negatieve impact op de cashflow. Ook te weinig voorraad kan vervelende gevolgen hebben voor je bedrijf, want nee-verkopen hebben een negatieve invloed op de servicelevels van je bedrijf. Een lagere klanttevredenheid kan er in resulteren dat je klanten naar een concurrent overstappen. Dat kan uitmonden in omzetverlies voor jouw bedrijf.

Wat levert forecasting op?

Forecasting helpt je prioriteren. Een ABC analyse kan hierbij helpen door aan te tonen welke producten behoren tot de populairste A categorie, welke producten tot de B categorie en welke producten weinig impact hebben op je omzet: de C categorie. Een ABC analyse maakt je voorraadbeheer effectiever en stuurt je inkoopbeslissingen. Verkeerde beslissingen kunnen leiden tot incourante voorraad, wat betekent dat de producten in je voorraad niet of nauwelijks bijdragen aan je omzet. Of, ze zorgen ervoor dat je veiligheidsvoorraad uit de verkeerde producten bestaat. Dit is de voorraad die als buffer fungeert om onverwacht gestegen vraag en/of leveringsproblemen op te vangen.

Daarnaast geeft forecasting structuur aan je bedrijfsvoering. Het zorgt ervoor dat je genoeg verkoopbare producten hebt, een marketingcampagne op tijd start en genoeg magazijnpersoneel inplant.

Ook stelt forecasting je in staat om te onderhandelen met je leveranciers over toekomstige orders, levertijden en prijzen. Zo werkt de forecast ook ‘upstream’ – bij leveranciers en producenten – in de supply chain door. Een forecast levert dus veel meer op dan alleen een voorspelling voor een product of productgroep. Het zorgt voor input in het inkoopproces en laat jouw bedrijf en de hele supply chain beter functioneren.

Wat zijn meest gebruikte forecasting modellen?

Een accurate forecast geeft richting aan je inkoopbeslissingen, je voorraadbeheer en je bedrijfsvoering. Een forecastmodel structureert je forecast en kies je op basis van de volgende elementen: de sector, periode indicatoren, productgroep en producten. We leggen hieronder de globale werking uit van drie ‘handmatige’ forecastingmodellen en laten zien hoe deze vraagmodellen ‘bewegen’.

Lineaire trend forecast

Bij stabiele stijging of daling van de marktvraag is de lineaire trend forecast een goede keuze. Dit statische model is geschikt als de vraag weinig verandert en via een constante lijn beweegt. Daarom werkt dit model goed voor – jonge – bedrijven die weinig data beschikbaar hebben.

In de onderstaande tabel zijn de donker blauwe cellen historische data (voorgaande maanden) en laten de lichtblauwe cellen de forecast (komende maanden) zien. De voorspelling is dat de vraag geleidelijk zal blijven stijgen, in lijn (lineair stijgende lijn in de grafiek) met de eerste vier maanden.

Single exponential smoothing forecast (ES-model)

Dit model is een van de meest gebruikte forecasting modellen voor de korte termijn en gebruik je als je vertrouwen hebt in de trend, maar er onverklaarbare afwijkingen zichtbaar zijn in de trendlijn (zie de grafiek ‘J-1 actueel’). Je gebruikt een ‘smoothing factor’ (wegingsfactor) die gebaseerd is op de betrouwbaarheid van je data. Hierbij geeft een lage factor aan dat je weinig vertrouwen hebt in je historische vraag-data en wanneer de afwijkingen optreden. Je besluit de data te ‘smoothen’, waardoor je een stabiele – geleidelijke – forecast grafiek krijgt (zie J-1 prognose). Wanneer je kiest voor een hogere wegingsfactor, dan heb je meer vertrouwen in je vraag-data en zijn de afwijkingen zichtbaarder. In dat geval geven de afwijkingen je grafiek een grilliger verloop.

Seasonality forecast

Het seasonality model wordt gebruikt om stijgingen en dalingen van de vraag te voorspellen die ieder jaar op vrijwel dezelfde momenten plaatsvinden. Daarom heb je minstens twee jaar aan historische data nodig om te begrijpen dat de afwijkingen seizoensgebonden zijn. De basis is een lineaire forecast, maar je past het model aan om de seizoensgebondenheid te tonen. Zodat je niet continu onder of boven de realiteit ‘voorspelt’ (zie de gele J lijn in de grafiek).

Neem het jaartotaal en bepaal per maand een seizoensindex die gebaseerd is op het profiel van de verkopen van de voorbije twee jaren. Vermenigvuldig vervolgens die seizoensindex met het voorspelde jaartotaal van het lineaire model. De uitkomst is een lineaire forecast met seizoensgebondenheid (zie de groene J lijn in de grafiek).

AI forecasting model

De drie hierboven beschreven methodes zijn maar een kleine selectie van de forecastingmodellen die er zijn. Het kan aardig wat uitzoekwerk vergen om het juiste model te vinden voor de forecast die jij wilt maken. Optiply brengt meer dan 40 modellen bij elkaar in een AI forecastingmodel, zodat je als inkoper en/of ondernemer je aandacht kunt verleggen naar zaken waar menselijke invloed doorslaggevend is. Werk aan interne bedrijfsprocessen, marketingstrategie en je leveranciersmanagement.

Hoe ziet het forecasting proces eruit?

Het gebruik van de juiste data is essentieel om een accurate forecast op te stellen. Zorg dat je voorraadbeheer op orde is en dat je betrouwbare data hebt. Weet dat je forecast iedere keer beter zal worden als je controle krijgt – en houdt – over de data die je gebruikt. Je uiteindelijke doel is om de afwijking tussen de voorspelling en de realiteit zo klein mogelijk te maken.

Forecasting software zorgt ervoor dat alle data op een efficiënte manier bij elkaar gebracht wordt, zodat je interne en externe data kunt analyseren. Op die manier kun je direct starten met het verbeteren van je inkoopbeslissingen en voorraadbeheer. Hieronder beschrijven we het forecastingproces in vijf stappen.

1. Ken je markt en doelgroep

Ken je markt en doelgroep. De vraag vanuit B2B klanten is vaak stabieler, dan de vraag van consumenten (B2C). Die is aan meer verandering onderhevig door de invloed van seizoenen en trends.

2. Verzamel data

Verzamel en bewaar data in een intern systeem (ERP of WMS). Door middel van een ABC analyse kun je productcategorieën analyseren, zodat je weet op welke productgroepen en producten je moet focussen.

3. Kies het juiste forecasting model

Gebruik de input van je sales team, als je bijvoorbeeld weinig historische data of relatief weinig klanten hebt. Anderzijds kun je gebruikmaken van de data in jouw interne systeem. Kijk naar de totale markt en jouw marktaandeel (top-down) of kijk naar verkoop per product per klant en schat jouw totale omzet (bottom-up). Bepaal de periode (bijvoorbeeld: maandelijks) en de duur (bijvoorbeeld: een jaar). Vervolgens achterhaal je het verkooppatroon, zodat je het model kunt kiezen dat overeenkomt met het vraagtype.

4. Test je forecast

Verzamel de data bedrijfsbreed. Bedenk dat meer indicatoren, formules en betrokkenen een handmatige forecast complexer maken. Check daarna of de resultaten realistisch zijn ten opzichte van je huidige omzet en of de voorspelling synchroon loopt met de markt of juist afwijkt.

5. Herhaal het proces

Blijf analyseren en houd de forecast ‘levend’. Wanneer de grootte en de richting van de forecast over een bepaalde periode afwijken, zorg dan dat je de voorraadvariabelen aanpast (grootte) en de afwijkingen in positieve/negatieve richting analyseert en bijwerkt (richting).