Wiki Forecasting

Forecasting geeft het antwoord op het ‘hoeveel en wanneer bestellen’: de twee fundamentele vraagstukken binnen voorraadbeheer. In deze wiki geven wij nadere uitleg over het vakgebied forecasting, definiëren we de belangrijkste KPI”s en geven we nuttige bronnen om uzelf verder te verdiepen. 

Forecasting, in de context van voorraadplanning, kan drie vormen aannemen:

1. Het zo accuraat mogelijk onderscheiden van vraagpatronen in een numerieke dataset en deze extrapoleren in de toekomst.
2. Het zo accuraat mogelijk onderscheiden van significante relaties tussen economische variabelen in een dataset en deze relatie extrapoleren in de toekomst.
3. Het aanwenden van specifieke markt- en interne bedrijfskennis om toekomstige vraag te voorspellen.

Alle drie soorten forecasts hebben als doel om een onderneming op korte, middellange en lange termijn te ondersteunen in het plannen van voorraad, wanneer er tijd verstrijkt tussen het bestellen of produceren van goederen en het effectief kunnen aanwenden in het verkoopproces.

Een veelal foutieve perceptie is dat forecasting het doel heeft om de vraag zo nauwkeurig mogelijk te benaderen, waarbij de fout van de forecast nul acht te zijn. Dit feit zorgt ervoor dat bij vele ondernemingen er óf géén forecasting proces is, óf een forecasting proces opgezet wordt dat zo complex is dat het niet meer transparant is, niet agile en over het algemeen niet goed presteert.

Een studie aan Hewlett-Packard, algemeen bekend onder de naam HP, toonde aan dat hun voorraad voor 60% procent voortvloeit uit onzekerheid, waarvan 96% door onzekerheid in de klantvraag. Gelijkaardige onderzoeken tonen aan dat een goed forecasting proces cruciaal is bij voorraadoptimalisatie.

Het forecasting-proces

Forecasting is een proces waarin onmogelijk een oplossing kan bepaald worden die past voor elk scenario, omdat elk scenario in de toekomst onbekend is. Het is dus van belang dat er een structureel forecasting-proces binnen een onderneming op wordt gezet dat transparant, robuust en goed is (lees: niet perfect).

Een forecasting-proces bestaat uit 5 fases:

1. Probleemdefinitie: In deze fase moet er goed nagedacht worden over hoe de forecasts zullen worden gebruikt, wie de forecasts nodig heeft en hoe de forecasting functie past binnen de organisatie.
2. Het verzamelen van informatie: Een cruciale fase bevat het verzamelen van enerzijds statistische (numerieke) data en de kennis van de mensen die te maken krijgen met deze data.
3. Voorafgaande analyse: In deze fase gaan we kijken wat de data ons vertelt. We visualiseren de data en analyseren welke vraagpatronen aanwezig zijn in de data of dat er gewerkt moet worden met verklaarbare variabelen (zie ´afbakening forecasting´) en welke variabelen dit zijn. Na deze fase kunnen we een selectie maken van passende forecastingmethodieken.
4. Kiezen en ´fitten´ van forecastingmethodieken: In deze fase gaan we, op basis van de bevindingen in de voorafgaande fase, een selectie van methodieken ´fitten´. Dit betekent dat we gaan kijken welke methodiek de kleinste fout veroorzaakt indien toegepast op historische data. Deze techniek staat niet garant voor altijd de beste keuze.
5. Het gebruiken en evalueren van een forecastingmethodiek: Vanaf dat een methodiek en bijhorende parameters goed gekozen zijn, wordt het model gebruikt in de praktijk. Op dat moment wordt het pas echt duidelijk hoe goed de forecastingmethodiek is. Om die redenen is het afgaan op empirisch onderzoek dat forecastingmethodieken evalueert op basis van hun werkelijke praktijkperformance beter dan af te gaan op het ‘fitten’ van historische vraagpatronen. Eenvoudige methodieken presteren over het algemeen beter dan complexere technieken.

Afbakening Forecasting

Data: Omdat vraagpatronen zich kunnen manifesteren over verschillende jaren, is het vanzelfsprekend dat voldoende data een eerste vereiste is binnen forecasting. Niet alleen de hoeveelheid data, maar ook de juiste data is belangrijk.

Soorten forecasts: Afhankelijk van de hoeveelheid data kan men verschillende forecasts toepassen. Als we voldoende kwantitatieve data hebben, dan kunnen kwantitatieve forecastingmethodieken gebruikt worden. Hierin maken we een onderscheid in tijdseries en verklaarbare modellen. Bij de eerstgenoemde is het de kunst om alle aanwezige vraagpatronen mee te nemen, waar bij laatstgenoemde het de kunst is om zoveel mogelijk variatie in de vraag te kunnen verklaren door externe variabelen. Als er minder kwantitatieve data voorhanden zijn, dan kan men zich richten tot kwalitatieve modellen. Een voorwaarde is dat er wel specifieke markt- en interne bedrijfskennis aanwezig is om een voorspelling te genereren.

Kennis: Een tweede vereiste is de theoretische kennis omtrent forecasting. Dit omvat alle theoretische kennis inzake de 5 fases binnen een forecasting proces.

Software: Het toepassen van forecastingmethodieken, correlaties (het toetsen van vraagpatronen) en het snel sturen op veranderingen in het vraagpatroon vragen enorm veel tijd en rekenkracht. Zaken waarbij een software een cruciale rol kunnen spelen.

Communicatie: De communicatie tussen leverancier en klant bepaalt in zeer grote mate hoe goed er geforecast kan worden. Het alom bekende bullwhip-effect veroorzaakt afwijkingen in de forecast die vermeden kunnen en móeten worden om optimaal te kunnen voorspellen.

Proces: Hoe we het inkoop- en verkoopproces inrichten kan mee bepalen hoezeer de forecast ‘zuiver’ wordt gehouden. Productieproblemen, promoties, inkoopkortingen, et cetera zijn allemaal dingen die de vraagpatronen artificieel kunnen beïnvloeden. Zuivere vraagpatronen vragen om een zuiver proces. De vraag van de praktijk blijft dan wat dit opbrengt en of dit opweegt tegen het vermijden van al die pseudo-marge-genererende processen.

Vraagdecompositie: Veelal wordt er minder goed geforecast omdat de werkelijke klantbehoefte niet doorkomt. Enerzijds hebben we hier de juiste data voor nodig en anderzijds moet er de juiste communicatie tussen klant en leverancier zijn. Echter, deze twee zaken dienen nog een analytische brug te hebben om vanuit de data naar de juiste communicatie te gaan. Dit kan door de techniek ‘vraagdecompositie’.

ABC-classificatie: Vanaf het moment dat het onderliggende patroon of relatie bekend is, is het de bedoeling dat we er een forecastmethodiek op loslaten. Er zijn talloze technieken aanwezig, maar de afweging moet gemaakt worden tussen de gebruiksvriendelijkheid en de accuraatheid van de techniek. Een techniek die 1% beter voorspelt, maar niet inzichtelijk is en waar niet ingegrepen kan worden zonder astronautenkennis heeft weinig nut. Toch moet er een duidelijke afweging gemaakt worden.
Een goede manier om deze afweging te ondersteunen, is een simpele ABC-analyse. Deze geeft aan welke producten er écht toe doen binnen de onderneming. Als we een A-product gaan voorspellen, dan willen we graag dat de accuraatheid van de techniek groot is. Bij onze C-producten is een simpele voorspeltechniek of zelfs een schatting ook goed.

Forecasting interval: Er wordt vaak gevraagd op welk interval er geforecast moet worden. Voorraad-technisch kan je best op een zo groot mogelijk interval forecasten, omdat dit de vraagvariaties op lager niveau uitvlakt. Een té groot interval is ook niet goed, vooral omdat men zo vraagpatronen of relaties op kleinere intervallen kan mislopen. Een goede manier om het juiste interval te bepalen is om de vraag op het laagste niveau te visualiseren en hieruit te analyseren over welk tijdsinterval de vraagpatronen en relaties zich voordoen. Dit best enkel doen voor A-artikelen, waar voor B-artikelen we een maandinterval adviseren en werken op exceptie-management en voor C-artikelen is dit afhankelijk van de gewenste bestelintervallen daar een optimale voorraadstrategie vraagt om niet actief bezig te zijn met dit soort artikelen.

Key Performance Indicators (KPI’s)

KPI´s geven aan hoe goed een bepaald proces het doet. Bij forecasting doen we het goed als de gebruikte methodiek alle aanwezige patronen of relaties in een dataset meeneemt. Dat betekent enerzijds dat de fout die er gemaakt wordt gemiddeld 0 is met een zo laag mogelijke deviatie en we niet langere tijd structureel boven of onder de werkelijke vraag forecasten. Een goede manier om dit te meten is het ´tracking signal´.

Om op voorhand te beslissen of een forecastingmethodiek geschikt is, moeten we helaas afgaan op historische data. Op basis van een ´initialisatie-set´ en een ´test-set´ kunnen we bepalen welke methodiek het het beste doet. Zo kan een belangrijk criteria de hoogte van de veiligheidsvoorraad zijn. Om dit te meten, is de root mean squared error (RMSE) een goede meting. Ook de mean absolute error (MAE) kan hiervoor gebruikt worden, waar deze mathematisch minder geschikt is, maar wel een stuk begrijpelijker voor de organisatie.

Daarnaast kan het gewenst zijn om verschillende groepen van artikelen te vergelijken. Bijvoorbeeld als men verschillende planners wilt evalueren inzake hun forecast, maar als zij werken met verschillende assortimentgroepen. Hierin kan de mean absolute percentage error (MAPE) in helpen. Alle voorgenoemde methodieken moeten gebruikt en eventueel gecombineerd worden wanneer men forecastingmethodieken gaat selecteren en gebruiken.

Voor de berekening en gebruik van deze methodieken, verwijzen we naar de bronnen.

Forecasting-methodieken

Een belangrijke, maar vaak onmogelijke taak in de praktijk is het kiezen van een forecastingmethodiek. In de theorie zijn er enorm veel methodieken maar we kunnen 6 groepen onderscheiden:

• Tijdserie decompositie
• Exponential smoothing
• Eenvoudige regressie
• Meervoudige regressie
• Box-Jenkins voor ARIMA-modellen
• Andere, geavanceerde forecastingmethodieken

In de praktijk moeten we enerzijds rekening houden met de tijd en data die we in een methodiek moeten steken en de prestatie die op een bepaalde termijn gewenst is. Het blijkt uit empirisch onderzoek dat vaak diegene die weinig tijd en data vragen evengoed of zelfs beter presteren.
De exponential smoothing methodieken worden overall gezien als de beste methodieken.
Omdat exponential smoothing methodieken hiernaast ook transparant zijn, weinig data moeten opslaan (in tegenstelling tot regressie technieken), robuust zijn en overall zeer goed presteren op korte termijn, wordt er geadviseerd deze in de praktijk te gebruiken.