Terug naar blogoverzicht

Hoe gebruik ik data voor het forecasten van de klantvraag?

Hoe gebruik ik data voor het forecasten van de klantvraag?

Dit voetbalseizoen speel ik – zoals elk jaar – mee met ‘Coach van het Jaar’; een online voetbalgame die draait om het maken van de juiste opstellingen. Iedere ronde verdien je punten op basis van de prestaties van de spelers in real life. Een verslavende game! Uiteraard maak ik mijn opstellingen op basis van historische data. Wie speelde wanneer goed en wat is zijn potentiële toegevoegde waarde in mijn fictieve team? Met een soortgelijk vraagstuk houd jij je als retailer bezig; welke producten liepen wanneer goed, en hoeveel moet je er dus van in de schappen hebben? Om een goede forecast te maken, gebruik ook jij historische data. Maar hoe doe je dat precies? Hoe gebruik je data voor het forecasten van de klantvraag?

Waarom zou je eigenlijk forecasten?

Lege schappen resulteren in een ontevreden klant, wat jou – terecht – ook ongelukkig stemt. Niet alleen heb je te maken met lost sales op dat moment; het kan zelfs leiden tot verlies van marktaandeel op de lange termijn. Een overschot aan voorraad resulteert er echter in dat je artikelen moet weggooien, afprijzen of retourneren. Beide scenario’s zijn hoe dan ook ongunstig voor je financiën.

Anticiperen op toekomstige verkopen

Door historische data te analyseren, kun je beter anticiperen op toekomstige verkopen. Daarbij geldt dat hoe dichter je bij het verkoopmoment zit, hoe nauwkeuriger je kunt forecasten. Maar zoals een voetballer onverhoopt geblesseerd kan raken of een rode kaart kan pakken, is ook in de retail niet alles te voorspellen. Uitzonderingen in de klantvraag zijn daarom altijd uitdagend. Zolang je echter op hoofdlijnen weet wat je kunt verwachten, ben je – tot op zekere hoogte – ook opgewassen tegen die uitdagingen. Dit onderstreept dan ook het belang van een goede forecast.

“Uitzonderingen in de klantvraag zijn altijd uitdagend. Zolang je echter op hoofdlijnen weet wat je kunt verwachten, ben je – tot op zekere hoogte – ook opgewassen tegen die uitdagingen.”

Zonder algoritme geen betrouwbare forecast

Een goede forecast maak je niet op gevoel; daar gebruik je software voor. De juiste tooling bevat een zelflerend algoritme dat bij het maken van een forecast rekening houdt met een aantal zaken. Je begint met het vaststellen van een zogenaamde baseline. Die wordt gebaseerd op de gemiddelde verkoophistorie.

Het algoritme van onze eigen oplossing repleniQ voorspelt de toekomstige verkopen – tot op uurniveau! – van elk artikel in elke winkel binnen een organisatie, gebaseerd op de verkopen van de afgelopen 104 weken. Voor de wiskundigen onder ons: het algoritme kiest daarvoor – op basis van een bestfit procedure met verschillende voorspelmethoden (single exponential smoothing en double exponential smoothing) – uit 63 verschillende scenario’s degene die het beste past bij de historische verkoopgegevens.

Van baseline naar volwaardige forecast

Om tot een volwaardige forecast te komen, verrijkt repleniQ die baseline bovendien met geplande en ongeplande pieken in de verkoophistorie. Dit doet repleniQ met behulp van liftfactoren die zowel automatisch (zelflerend!) als handmatig kunnen worden toegepast. De volgende factoren kunnen pieken in de klantvraag veroorzaken:

Seizoenspatronen

Elk seizoen kent zijn eigen afzetpatroon. Zo worden in de zomer grote aantallen tuinsets verkocht in bouwmarkten en kunnen supermarkten in de winter rekenen op een hoge afzet van gevulde soepen.

Weersveranderingen

Ook plotselinge veranderingen in het weer triggeren pieken. Denk aan zonnebrandcrème bij drogisterijen en barbecuevlees in supermarkten. Om op deze pieken te anticiperen, werkt repleniQ bijvoorbeeld met liftfactoren die handmatig kunnen worden toegepast.

Acties en promoties

Geplande acties of promoties hebben uiteraard ook een effect op de verkopen. Eerdere acties of acties van soortgelijke producten – de zogenaamde referentieartikelen – dienen hierbij als referentiekader. Een belangrijk effect dat ook moet worden meegenomen in de forecast is kannibalisatie; als wit brood in de aanbieding is, wordt er bijvoorbeeld minder bruin brood verkocht. Men gaat immers niet ineens méér brood eten.

Locatie van de winkel en het winkelpubliek

Sommige producten worden in de ene winkel meer verkocht dan in de andere. Komt er veel jong publiek of juist veel oudere klanten? Dit zie je terug in de verkopen. Maar denk ook aan de duurdere cosmeticamerken, die in een drogisterij in Het Gooi meer worden verkocht dan het landelijk gemiddelde.

Sectorspecifiek afzetpatroon

Elke sector heeft daarnaast zijn eigen afzetpatroon. In de fashion wordt bijvoorbeeld gewerkt met collecties. Als de nieuwe collectie net in de winkel hangt, zie je een piek in de verkoop die gaandeweg afneemt. Aangezien deze collecties meestal eenmalig in worden gekocht, zijn tekorten niet zomaar aan te vullen. Ook wil je niet te hoog uitkomen met je voorraad, om afprijzen te voorkomen. Dit leverde onlangs gigantische problemen op door het beruchte blokkeerschip Ever Given in het Suezkanaal. Complete collecties werden vertraagd afgeleverd, terwijl de volgende collectie alweer in aantocht was. Een grote verliespost!

Forecasten van nieuwe artikelen

Het afzetpatroon van nieuwe artikelen en merken voorspellen is een extra uitdaging. Ook hier is de juiste tooling echter op ingericht. Hiervoor maakt repleniQ bijvoorbeeld gebruik van zogenaamde referentieartikelen. Worden de verfkwasten van merk A vervangen door die van merk B, maar lijken ze op merk C? De juiste tooling kan ook dan historische data aanwenden voor een betrouwbare forecast. Door deze gaandeweg aan te vullen met de gerealiseerde verkopen van het nieuwe merk, begrijpt het algoritme de klantvraag steeds beter en stijgt de nauwkeurigheid van je forecast. De ‘fit’ met de gerealiseerde verkopen wordt dan steeds beter. En dat is je doel!

Forecast bijsturen?

Veel tooling biedt de mogelijkheid om bij te sturen op een gemaakte forecast. Zoals vermeld bevat ook repleniQ die optie. De oplossing bevat liftfactoren die – bijvoorbeeld bij een weersomslag – handmatig kunnen worden toegepast. Bedenk je echter wel dat je nooit slimmer bent dan de software. Met (tien)duizenden artikelen in de schappen is dat onmogelijk. Wees hier dus vooral voorzichtig mee.

Binnen repleniQ wordt circa 96% van de bestellingen automatisch geplaatst en verwerkt. Dat bespaart retailers veel tijd en geld! En als je dan toch in de verleiding komt om slimmer – of eigenwijzer? – te zijn dan de software, dan daag ik je uit om ons algoritme te verslaan…

 

Dit blog is geschreven door Robert Riedstra. Robert adviseert retailers bij al hun supply chain vraagstukken en is nauw betrokken bij de innovatie van onze software. Neem gerust contact met hem op!

Robert Riedstra
robert.riedstra@axians.com
Tel.nr. 06 5715 3377

 


Meer weten over forecasting & replenishment software?

Wil jij volledige grip op je voorraadbeheer? Minder derving en je out-of-stock omlaag? En daardoor een hoger rendement én tevreden klanten?

Door de juiste balans te creëren tussen maximale voorraadbeschikbaarheid en minimale derving, zorg je voor meer loyale klanten en meer winst & efficiëntie in de supply chain processen. Met repleniQ heb je een zelflerend systeem in handen wat snel kan anticiperen en reageren in een veranderende omgeving. Zo ben je altijd verzekerd van een betrouwbaar besteladvies!

☑️ Betrouwbare forecasting tot op uurniveau
☑️ De juiste balans tussen maximale voorraadbeschikbaarheid en minimale derving
☑️ Bewezen out of stock vermindering van minimaal 60%

>> LEES DE BROCHURE

Artikelen per onderwerp
Powered by