Vraagvoorspelling. Uitdagingen en ontwikkelingen

Vraagvoorspelling. Misschien wel de grootste uitdaging voor inkoop- en supply chain professionals. Zeker als de voorraad in het magazijn zich begint op te stapelen.

Ontwikkelingen.

In elke bedrijfstak is vraagvoorspelling een uitdaging. Binnen de FMCG misschien het grootst. Vorig jaar rapporteerde Walmart een voorraadoverschot van $1,5 miljard. Dit werd in de schaduw gesteld door Nike, dat voor $9,7 miljard aan overtollige goederen in magazijnen had liggen.

Zowel Walmart als Nike hadden een voorschot genomen op mogelijke pandemie gerelateerde leveringsproblemen. Maar de logistieke effecten, waaronder bullwhip, lieten zich niet voorspellen noch controleren. De turbulente tijden van het moment hebben er voor gezorgd dat bedrijven van just-in-time naar just-in-case strategie zijn overgeschakeld. Een ander effect was de hausse in consumentenbestedingen na de lockdowns. Het verhogen van de voorraad leek een logische keuze. Helaas voorzagen veel organisaties niet dat de prijsinflatie het niveau zou bereiken dat het heeft bereikt. Dit resulteert in een aanzienlijke afname van de vraag naar niet-essentiële goederen.

De overstap naar just-in-case strategie is op zich begrijpelijk als je in overweging neemt dat stockout situaties, de meest vervelende is voor bedrijven. Niet alleen stokt de levering aan klanten, maar bedrijven komen door levering – en productiestilstand, voor enorme kosten te staan. Risico op voorraad is dan snel een acceptabel gegeven.

Vraagvoorspelling en data.

Sinds eind jaren zestig zijn gegevens steeds belangrijker geworden. Niet alleen door de groeiende economie maar ook omdat geleidelijk aan software programma’s beschikbaar kwamen voor data analyse. In 2022 was de US markt voor software al $3,97 miljard, maar zal naar verwachting met 10,3% per jaar groeien tot 2030. Met de toegenomen technologie zou je ook verwachten dat de nauwkeurigheid van data-analyse zou toenemen. Niets is minder waar. Uit een onderzoek van ProGlove onder magazijnbeheerders in januari bleek dat slechts 39% vond dat ze trends en patronen voor het vakantieseizoen 2022-2023 nauwkeurig konden voorspellen, terwijl 51% zei dat het voorspellen van de vraag hun grootste zorg was op het gebied van voorraadbeheer.

Onderzoek toont aan dat met name de menselijke factor een verstorende factor is. Voorspellingen worden vaak aangepast door mensen die hun ‘eigen mening’ willen verwerken in de analyses. Het onderzoek van de universiteit van Pennsylvania richtte zich op economie, energie, transport en bevolking. De accuratesse van voorspelling bleek juist licht gedaald te zijn in de afgelopen 50 jaar. Slechts op enkele gebieden, verkiezingen, geneeskunde, misdaad, zijn de voorspellingen beter geworden. De crux zit dus vooral bij het bedrijfsleven die maar moeilijke grip krijgt op de schommelingen tussen vraag en aanbod. Een complicerende factor binnen de logistiek, is het transport en de geografische spreiding van sourcing. Meerdere sources blijken instabiele productieprocessen te herbergen. De geografische spreiding zorgt voor vele tussenpartijen, handelsbelemmeringen en geopolitieke gebeurtenissen die elke voorspelling onderuit kunnen halen.

Vraagvoorspelling verbeteren.

Wat uit verschillende onderzoeken naar voren komt, is dat het delen van detailhandel gegevens, de betrouwbaarheid en accuratesse van voorspellingen verbeterd. Helaas wordt de informatie niet gedeeld om prijs – of promotie strategische overwegingen. Dit is niet geheel terecht. Het eenvoudig delen van retail informatie onthult namelijk geen enkel strategisch beleid, vanwege het omnichannelverkoop effect. Delen van POS informatie kan de vele bedrijven in de keten significant helpen bij het verbeteren van vraag. En daarmee hun sourcing en productie op af stemmen. Het zelfs anoniem delen van de informatie is met de huidige technologie geen enkel probleem.

Het is daarom verbazingwekkend dat veel supply chain leaders vasthouden aan achterhaalde, verouderde systemen en software. Volgens Mckinsey gebruikt 73% van de supply leaders, nog altijd spreadsheets. En ook is ‘SAP Advanced Planning and Optimization’ nog altijd razend populair. APO is echter sterk verouderd en in 2027 stopt zelfs de ondersteuning vanuit SAP. Het is duidelijk dat bedrijven vasthouden aan oudere systemen, ondanks de aanzienlijke voordelen die nieuwe technologie biedt, “vanwege de tijd en het geld dat nodig is om ze te vervangen”, aldus McKinsey.

Verwachtingen technologie.

Bedrijven die wel overschakelen blijken te vaak te hoge verwachtingen te hebben van technologie. Het is geen wondermiddel die al uw problemen oplost. Minstens zo belangrijk zijn uw processen en het niveau van uw personeel. Daarnaast is veel software te rigide om goed te kunnen reageren op snelle veranderingen, waardoor supply leaders weer teruggrijpen naar spreadsheets. Dan ontstaan er 2 parallelle werelden. Dus betekent dit nu dat er geen goede vervanging voor oude methodes van mensen en spreadsheets? AI kan hier wel het verschil maken als het gaat om het scannen op historische statistieken en nieuwsberichten en om patronen te identificeren die voorafgingen aan eerdere dalingen van de vraag. AI kan aan het werk worden gezet om deze gegevens op te nemen en triggers te creëren om toekomstige vraagpatronen te voorspellen, waarbij deze informatie vervolgens wordt gebruikt door supply chain managers en planners. Dat vergt wel investeren in nieuw en jong personeel dat zich eenvoudig vertrouwd kan maken met deze geheel nieuwe benadering van vraagvoorspelling.

Interessante links;

Predict demand technieken

Supply chain post corona