DE ROL VAN TOPMANAGEMENT BIJ FORECASTING -Een pragmatische aanpak-
Ir.Paul durlinger Versie 1.0 juli 2015
1
Managements samenvatting In dit white-paper laten we zien wat de manager moet weten over Forecasting. We behandelen geen formules maar veelal inzichten. Deze inzichten resulteren in de volgende levenslessen over Forecasting. Elke forecast is fout Voorspellen is moeilijk, zeker de toekomst. De forecaster moet een marktkenner zijn met een gedegen kennis van statistiek of een statisticus met kennis van de markt. Sales/Marketing en/of Productmanagement zijn eindverantwoordelijk voor de forecast! Het MT bepaalt welke (forecast) aandacht aan welke producten wordt gegeven. Bij minder dan 30 bruikbare getallen kunnen we niet forecasten. Producten die niet elke week een afzet kennen, kunnen we niet voorspellen. Het hanteren van bonussen leidt tot onregelmatige afzet. Vraagdecompositie maakt een onderscheid tussen bekende en onbekende vraag. Kwantumkorting leidt tot ongewenste opslingerverschijnselen in de keten. Kwantitatieve modellen gaan er vanuit dat een datapatroon niet verandert! Kwantitatieve modellen hebben maar een heel beperkt voorspelvermogen. De gemiddelde voorspelfout is een weinig zeggende accuracy-meting. De MAD is een goede accuracy-meting voor het Management. Bias is een belangrijke performance indicator. Bias moeten we vermijden!
Nieuwsgierig geworden naar het hoe en waarom van deze leefregels? Dan nodig ik u graag uit om verder te lezen.
Ir.Paul durlinger
2
De rol van Top Management in Forecasting Een goede verkoopvoorspelling maakt het leven een stuk gemakkelijker. In praktijk blijkt dit helaas een stuk ingewikkelder. Dit heeft enerzijds te maken met de twee principes van forecasting. Elke forecast is fout en Voorspellen is moeilijk, zeker de toekomst En anderzijds zijn er een aantal organisatorische complicaties (bijvoorbeeld wie maakt de voorspelling en wie is er verantwoordelijk voor?);hoe maken we een forecast en hoe meten we de kwaliteit van de voorspelling? Omdat voorspellen op zijn minst “een veredeld in een glazen bol kijken lijkt” of iets dat veel weg heeft van een black box wil Top Management vaak (ongewild) een beetje afstand nemen van dit proces. En dat is jammer! Hoewel het MT echt niet de details hoeft te weten hoe een forecast tot stand komt, kunnen zij het resultaat wel degelijk op een positieve manier beïnvloeden. Juist door de achtergronden te kennen van het voorspelproces en door bepaalde zaken te faciliteren. In dit white paper kijken we vanuit een MT – invalshoek naar het proces. Voor een meer uitgebreide inleiding zie Durlinger [2014]. De rol van het MT is juist groter geworden, omdat er nu voldoende betaalbare software op de markt gekomen is om voorspellingen te maken. Het rekenwerk door de forecaster is sterk afgenomen door deze software, maar het interpreteren van uitkomsten is des te belangrijker geworden. We kijken voornamelijk naar de forecast van producten in Groothandels omgevingen en eindproducten in Productie-omgevingen. van Achtereenvolgens worden de volgende punten behandeld. Par. 1 Waarom voorspellen we? Par. 2 Wie maakt de voorspelling en wie is de eigenaar? Par. 3 Welke producten kunnen we voorspellen? Par. 4 Hoeveel bruikbare data hebben we nodig? Par. 5 Onderscheid voorspelbaar onvoorspelbaar Par. 6 Welke modellen zijn beschikbaar? Par. 7 Hoe goed is een voorspelling en hoe meten we dat? Par. 8 Literatuur En heeft u niet veel tijd, dan kunt u zich beperken tot de levenslessen
1 Waarom voorspellen we? In elke onderneming wordt voorspeld en vaak een groot aantal maanden vooruit. Business-plannen zijn hier een mooi voorbeeld van. Vaak probeert men 18 maanden vooruit voorspellingen te doen over omzetten en cashflows. Omdat het hier om geaggregeerde gegevens gaat is de eenheid meestal geld. In specifieke omgevingen zoals de procesindustrie worden ook wel eens tonnen (staal) of hectoliters (bier) gebruikt. Voor Strategische en Lange termijnbeslissingen (zie Durlinger [2015,1] kan deze aggregatie en eenheid zeker zinvol zijn. Op kortere termijn ligt dat wat anders. Bij S&OP-achtige beslissingen wil men toch al graag naar families gaan kijken of productgroepen, waarbij de definitie van zo’n familie of groepen niet gemakkelijk is. Op kortere termijn moet er zelfs op SKU-niveau Ir.Paul durlinger
3
voorspeld worden. Wanneer we bijvoorbeeld op korte termijn naar capaciteitsbenutting willen kijken of naar productievolgordes, en zeker wanneer we veiligheidsvoorraden voor de diverse producten willen gaan berekenen. Deze zijn in sterke mate afhankelijk van de kwaliteit van de forecast. Maar hier voelt de leer al een probleem komen opdagen. Als er een groot assortiment voorspeld moet worden of wanneer de levertijd lang is. Wanneer de vraag naar shampoo bijvoorbeeld 1000 flessen per maand is maakt het nogal wat uit of je maar 2 soorten shampoo hebt of 200. Een groot assortiment betekent een versnippering van de vraag en gaat meteen gepaard met een lagere forecastaccuracy. Een tweede factor die problemen veroorzaakt is de levertijd. Wanneer de levertijd bijvoorbeeld 26 weken is, omdat de producten uit China moeten komen, dan moeten we een inschatting hebben van de vraag, 26 weken vooruit. Tenzij de vraag stabiel is, levert dit nooit goede resultaten op. Een van de redenen dat Zara zijn redelijk stabiele producten (witte T-shirts) uit Bangladesh haalt, maar ook de snel wisselende collecties uit Europa of Noord-Afrika. In dit paper beperken we ons tot het voorspellen van de afzonderlijke SKU’s (eindproducten). 2 Wie maakt de voorspelling en wie is de eigenaar? Alle vakliteratuur is heel duidelijk over wie de voorspelling moet maken. Dit kan alleen maar Sales zijn of Product Management. In ieder geval iemand die de markt goed kent (of zou moeten kennen). Maar hoe stellig de theorie ook is, in praktijk zien we dat het zelden zo geregeld is. De reden is zoals zo vaak verbazend simpel. Compton e.a. [1990] stelden heel duidelijk. De forecaster moet een marktkenner zijn met een gedegen kennis van statistiek of een statisticus met kennis van de markt. Beiden zijn praktisch onvindbaar. We moeten blijkbaar op zoek naar een schaap met 5 poten of we moeten taken verdelen. Misschien moeten we de forecast laten maken door een statisticus op basis van statistische modellen en deze ter goedkeuring voorleggen aan de salesdeskundige. Uit de literatuur blijkt dat op korte termijn de statistische forecast op basis van forecastmodellen betere resultaten geeft dan de salesexpert. Voor langere termijnvoorspellingen is dat juist andersom. Daar scoort juist de salesdeskundige weer beter. De lezer voelt al dat een samenwerking tussen de twee vakgebieden betere resultaten moet opleveren. En dat is ook zo: deze zogenaamde consensus forecast, een combinatie van de statistische forecast en de marktforecast blijkt het beste. Maar hoe de voorspelling ook tot stand komt, sales of productmanagement zijn de eindverantwoordelijke! Zij moeten hun handtekening onder de voorspelling zetten. Wallace, Stahl [2004] geven hier enkele duidelijke voorbeelden van. Deze tweedeling tussen statisticus en sales komt nog eens terug in de volgende paragraaf. Maar de eerste les voor het MT is: Sales/Marketing en/of Productmanagement zijn eindverantwoordelijk voor de forecast!
3 Welke producten kunnen we voorspellen? Welke producten gaan we nu voorspellen en op welke manier? Een vraag die zeker opportuun is als we een portfolio hebben van tienduizenden SKU’s. Moeten we dan voor elke SKU een voorspelmodel bepalen, vervolgens de parameters gaan bepalen en kijken welke combinatie de beste forecast geeft? En vervolgens ook nog bijhouden of parameters en/of model een update nodig hebben? Uw antwoord zal natuurlijk zijn: ‘maar daar hebben we software voor’. En daar heeft u een punt, ware het niet dat u toch tegen de software moet zeggen of u akkoord gaat met de voorstellen van het model. U kunt natuurlijk op alles ‘ja’ zeggen met alle gevolgen van dien. En misschien vallen deze Ir.Paul durlinger
4
gevolgen wel mee. Het komt er in feite op neer dat u bepaalde producten inderdaad goed gaat bekijken en andere producten inderdaad maar aan de computer overlaat of gewoon niet voorspelt. Ik ben bang dat we anders een batterij forecasters moeten gaan opleiden. Ze zijn namelijk niet in die getale aanwezig. We moeten gaan schiften. Een methode zou zijn om alleen de belangrijkste producten te voorspellen, de zgn A-producten (zie Durlinger [2014,2] met voldoende waarnemingen en een voldoende omzet of marge. Aan de andere kant van het portfoliospectrum vinden we Cproducten. Dit zijn producten met een lage omzet of marge. Stel bijvoorbeeld dat u van een product 100 stuks per jaar verkoopt met een verkoopprijs van € 0,75 en een marge van 25%. Wat zou de meerwaarde zijn wanneer u weet dat de gemiddelde afzet € 8,33 per maand of 2 stuks per week is? Elke minuut die u aandacht geeft aan dit product zal de marge drastisch doen afnemen. Hier moeten we eenvoudige technieken gebruiken of zelfs geen. We gaan hier werken met eenvoudige seriegroottes, gebaseerd op een schatting van de jaarvraag en met hoge veiligheidsvoorraden. We krijgen dan zoiets als één of twee keer per jaar bestellen met een veiligheidsvoorraad van 3 maanden. En opnieuw een forecast-leefregel: Het MT bepaalt welke (forecast) aandacht aan welke producten wordt gegeven De tweede regel is om te kijken naar het aantal data. Hebben we minder dan 30 bruikbare data ter beschikking dan gaat het feestje ook niet door. We kijken in paragraaf 4 waarom 30. En dus is leefregel twee: Bij minder dan 30 bruikbare getallen kunnen we niet forecasten. En dan hebben we bij forecasten nog zoiets als het ‘nullenprobleem’. Hiermee bedoelen we het aantal perioden zonder vraag. Dat kan in de voorspelwereld een betrouwbaarheidsprobleem met zich meebrengen. Een aantal perioden zonder vraag is van invloed op het gemiddelde, maar nog belangrijker; op de variantie. En dat heeft meteen weer consequenties voor de betrouwbaarheid van de forecast en de hoogte van de veiligheidsvoorraad. Dus moeten we ook hier een leefregel verzinnen. We kunnen bijvoorbeeld zeggen dat een product elke week een vraag gehad moeten hebben, of als we alleen maar maanddata hebben, elke maand een afzet. We kunnen dan niet voorspellen, tenzij we misschien vakantieweken met een lage vraag kunnen elimineren uit het proces of een zomermaand. Dat is eigenlijk hetzelfde als een uitschietercorrectie, waarbij we bepaalde data niet willen meenemen in de berekeningen. Dit geeft meteen de derde leefregel: Producten die niet elke week een afzet kennen, kunnen we niet voorspellen Zoals elke leefregel zijn ook hier uitzonderingen, maar het moeten wel uitzonderingen blijven en het MT mag hier zijn licht over laten schijnen. De enige uitzondering op deze regel is dat we bij minder afzetgegevens, deze afzet wel min of meer kennen in hoeveelheid en timing. Misschien weten we van een product wel dat de vraag in mei komt, maar niet wanneer in mei. In dat geval zou je de vraag kunnen positioneren op de eerste van de maand. En tenslotte is er nog een leefregel die te maken heeft met de onregelmatigheid van de vraag. In principe kunnen we elke product voorspellen, maar het blijft dan wel de vraag wat die voorspelling waard is. We hebben hierboven al aangegeven dat grote variaties in afzetgegevens funest kunnen zijn voor de forecast. Om nu te voorkomen dit iedereen iets gaat vinden over ‘groot’ halen we een veel gebruikte maat voor onregelmaat tevoorschijn. In de voorraadtheorie noemen we een Ir.Paul durlinger
5
afzetpatroon met een variatie-coëfficiënt (standaardafwijking / gemiddelde) van kleiner dan 0,5 een regelmatige vraag. Dat wil zeggen dat het gemiddelde helemaal geen gekke voorspelling is. En we kunnen de leefregels met elkaar combineren. In tabel 2 geven we aan wanneer het m.i. zin heeft om veel tijd in het voorspellen te steken. Belangrijkheid → Regelmatige vraag Onregelmatige vraag maar bekend Onregelmatige vraag en onbekend
A
B
C
JA JA JA
JA/NEE NEE JA/NEE NEE JA/NEE NEE
Tabel 2 Wanneer is het zinvol om veel tijd in voorspellen te steken? Uit bovenstaande tabel blijkt dus dat we C-producten blijkbaar niet willen voorspellen. Hiermee bedoelen we dat we geen aandacht aan dit soort producten willen besteden en de forecast de vorm zal hebben van: ‘we gaan het volgend jaar x stuks verkopen’. In Durlinger [2014,2] kijken we naar de bijbehorende voorraadstrategieën. 4 Hoeveel bruikbare data hebben we nodig? We kunnen kwantitatieve modellen gebruiken als we voldoende (lees 30) bruikbare data ter beschikking hebben. Dit lijkt veel en als we alleen maar maandelijkse afzetcijfers hebben praten we over 2,5 jaar gegevens. Dit is een van de redenen om weekcijfers te gebruiken. En ik zou dan uitgaan van minstens één jaar historie, liefst twee. Als we echter met seizoenspatronen te maken hebben spreekt de theorie van minstens 5 à 6 maal de lengte van het seizoen. In praktijk komt dat neer op 5 à 6 jaar gegevens en dat kan, zeker voor producten met een korte levenscyclus een probleem worden. Dat wil niet zeggen dat we niet meer kunnen voorspellen, maar we kunnen de klassieke modellen niet meer gebruiken. Vaak vragen mensen waarom 30 getallen en niet 10 of 50. Daar kan een ingewikkelde statistische afleiding voor gegeven worden of een pragmatische. U hoopt natuurlijk op het tweede en u heeft geluk. We gebruiken de analogie van de Groene Dwerg. Het Groene Dwerg probleem Stel u ligt na een uitgebreid diner met het MT in uw bed. ’s Nachts wordt u om 3 uur wakker en ontwaart in de hoek van de kamer een vagelijk bekend figuur. Plots gaat de deur open en er verschijnt een groene dwerg. De vagelijk bekende figuur stelt u voor het volgende probleem: de groene dwerg is een representant van het Groene Dwergenvolk en de prangende vraag is: ‘Wat is de gemiddelde lengte van een groene dwerg?’ U kunt nog juist ontwaren dat de dwerg tot de deurklink reikt en u weet dat de klink zich op 1 meter hoogte bevindt. En opnieuw de dwingende vraag: ‘Wat is de gemiddelde lengte van een Groene Dwerg?’ Hoe moet u dat nou weten? U heeft er nog nooit een gezien. Plots doemt een discussie op bij de laatste MT vergadering toen zij de Sales Manager vroegen hoeveel hij van een nieuw te introduceren ging verkopen. Brrr, effe niet aan denken maar concentreren op de vraag. De lezer mag hetzelfde doen en daarna doorgaan naar de volgende bladzijde.
Ir.Paul durlinger
6
Het goede antwoord is 1 meter. Maar waarom? U heeft natuurlijk gelijk dat u niks weet van Groene Dwergen, dus zult u een aanname moeten doen. U nam ook geen genoegen met het antwoord van de Sales Director dat hij eigenlijk niet genoeg informatie had. (En opeens weet u ook waarom de figuur u zo vagelijk bekend voorkomt). Was het trouwens gemakkelijker geweest als het een bospygmee was geweest in plaats van een Groene Dwerg? Hoogstwaarschijnlijk wel al heeft u er nog nooit een in werkelijkheid gezien. Wat u graag zou weten is hoe de lengte bij de Groene Dwergen verdeeld is. Is die ook normaal verdeeld, of zijn ze allemaal even groot of zit er nog een gekke verdeling achter. U heeft geen flauw idee, maar de kans dat dit een normale Groene Dwerg is, zal groter zijn dan dat een Reuze Groene Dwerg in uw slaapkamer staat. Of juist een Lilliputter Groene Dwerg. En ook als alle Groene Dwergen even groot zouden zijn, zou u goed zitten. Dus hoe u het ook went of keert, 1 meter is het beste antwoord met de informatie die u nu bezit. Maar het leven zit mee, de deur gaat opnieuw open en een tweede Groene Dwerg treedt binnen. Deze blijkt ongeveer 1.20 te zijn. Wat is nu uw antwoord? Het blijft moeilijk maar misschien is een lengte van 1.10 meter een redelijk antwoord. En dat is ook zo. Vervolgens komen een derde en een vierde en een vijfde dwerg binnen. En de lengte ligt allemaal zo tussen de 1 meter en 1.20 m. Nummer 6 is wat kleiner maar nummer 7 t/m 17 vertonen weer de vertrouwde lengte. Dwerg 18 is wat groter, maar de volgende 10 weer tussen 1 meter en 1.20 m . U weet wel genoeg; het zou wel heeeeel vreemd zijn als de volgende dwergen allemaal 1.50 zouden zijn of 0,75 meter. Dit hele gebeuren is een pragmatische uitleg van het statement: minstens 30 waarnemingen. En kunt u dan niets zeggen als u maar 10 of 20 waarnemingen heeft? Natuurlijk wel, maar de waarde van de voorspelling die u maakt op basis van die 10 of 20 waarnemingen zou weleens heel laag kunnen zijn. 5. Voorspelbare vraag en onvoorspelbare vraag Zoals eerder gezegd moeten we geen overspannen verwachtingen hebben van voorspellingsmethoden. Een van de veronderstellingen die het MT vaak onbewust maakt, is te denken dat de afzet naar een product zomaar uit de lucht komt vallen en daarmee de hele forecast overhoop gooit. Of misschien wil Sales ons dat laten geloven. Dit kan misschien wel eens gelden voor C-producten waarbij een ‘spot-klant’ toevalligerwijs veel van een van onze C-producten komt afhalen. Voor A-producten kan dat bijna niet gelden. De vraag naar A-producten moet regelmatig zijn, het zijn immers fast-movers met veel afzet, verdeeld over veel momenten. Tenminste vanuit theoretisch oogpunt, vanuit praktisch oogpunt lijkt het er toch vaak op. Tijd om eens beter te kijken naar een paar verstorende factoren in het datapatroon. Sommigen worden veroorzaakt door de buitenwereld, maar er zijn er ook een paar die we over ons zelf afroepen. Vraag decompositie Als we naar de afzet van een A-product kijken, zien we vaak grote pieken ondanks dat we een regelmatig afzetpatroon zouden veronderstellen. Één van de boosdoeners kan het bestelgedrag van een aantal grote klanten zijn. Deze grote klanten hebben vaak een rationeel bestelgedrag waarover nagedacht is, dat echter kan leiden tot vreemde verschijnselen. Kijken we eens naar onderstaand afzet patroon van product AAA.
Ir.Paul durlinger
7
Afzet
Afzet Product AAA 250 200 150 100 50 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Weeknummer
Figuur 1
Afzet product AAA
Het lijkt nergens op. Geen enkel forecast-programma kan hier iets zinvols van maken. Maar het wordt anders wanneer we beseffen dat ook bij afzetpatronen vaak de 80-20 regel opgaat. Een paar klanten zijn verantwoordelijk voor een groot deel van de afzet. Als we nu de klantenvraag van de twee grootste klanten eens isoleren van de rest. Dit doen we in de onderstaande figuur 2.
Afzet Product AAA 2 grootste klanten 200
Afzet
150 100 Klant 2
50
Klant 1
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Weeknummerl
Figuur 2
Afzet twee grootste klanten
En zie, de grote klanten afzonderlijk blijken een mooi regelmatig afzetpatroon te hebben. Als we die eens uit het afzonderlijk patroon halen houden we ruis over zoals te zien is in figuur 3
Afzet Product AAA na vraagdecompositie 200
Afzetl
150 100 50 0 1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18 19 20
Weeknummer
Figuur 3
Ir.Paul durlinger
Afzet Product AAA na vraagdecompositie
8
Die ruis is perfect voorspelbaar met een software pakket. Als we het vraagpatroon van de grote klanten kennen is het grootste deel van de ellende opgelost. Maar dan moeten we dit wel kennen! Vraagdecompositie maakt een onderscheid tussen bekende en onbekende vraag Voor bestaande klanten is contact tussen wederzijdse logistieke afdelingen vaak al genoeg om dit soort repeterende patronen te onderkennen. Ook Sales moet een rol spelen bij het vroegtijdig signaleren van een hoge afzet. Het kan niet zo zijn dat een klant ‘opeens’ een grote order plaatst. En de ‘grote order’ is het bruggetje naar de volgende paragraaf. De ‘grote order’ We kennen hem allemaal; de plotselinge grote order die opeens door de Verkoop Binnendienst ontvangen is en (helaas) meteen doorgezet is en (helaas) vlug uitgeleverd is. Omzet is immers omzet. Maar het resultaat kan ook zijn dat de voorraad helemaal leeggetrokken is waardoor andere, misschien heel trouwe klanten, niets meer kunnen krijgen. Een situatie, die in sommige gevallen lang kan duren wanneer de leverancier het betreffende product niet meteen kan leveren. Iets wat we natuurlijk niet graag zien, maar hoe kan een medewerker binnendienst nou zien dat er een ‘grote order’ geplaatst wordt? Een mogelijkheid om een paar beslisregels te bepalen die een boodschap triggeren die zegt: ‘niet meteen accepteren’. Een beslisregel zou kunnen zijn: de klant ordert een halve maand afzet of meer. Een andere zou kunnen zijn: de klant ordert x maal zijn normale order grootte. Maar ook het tijdstip kan een rol spelen. Een grote order aan het begin van de maand kan anders beoordeeld worden dan eentje aan het einde van de maand. Of een combinatie natuurlijk. Het uiteindelijke resultaat van de beslisregel moet zijn dat de Binnendienst niet elke dag opgezadeld wordt met tientallen vlaggetjes. Maar geen enkel vlaggetje per week zou ook vreemd zijn. Deze twee verstoringen hebben hun oorsprong in de buitenwereld, maar er zijn ook verstoringen die we zelf veroorzaken. We behandelen er twee: De “begging salesman” oftewel het bonusprobleem Een groot aantal ondernemingen belonen hun Salesforce met bonussen. Als men na verloop van een kwartaal, halfjaar of jaar een bepaalde omzet haalt ontvangt men een bonus. Dit leidt in de laatste weken voor het verstrijken van de bonus-periode tot vreemde taferelen. Om de bonus zeker te stellen worden vaak toekomstige orders naar voren getrokken en wordt de laatste week van de periode een topweek. De verkopen in de weken aan het begin van de periode zakken in. Hierdoor wordt er een soort seizoen gecreëerd; hoge verkopen aan het einde van een periode, lage verkopen aan het begin van een periode. En dit terwijl de verkopen onder dit bonus syndroom een regelmatig karakter zouden hebben. Daarnaast zal het ook nog geld kosten. Klanten zullen niet zo maar orders eerder plaatsen. Al met al leidt dit tot de volgende leefregel: Het hanteren van bonussen leidt tot onregelmatige afzet Een andere, ogenschijnlijk verkoopbevorderende maatregel heeft een soortgelijk effect. Het kwantumkorting probleem Een andere maatregel, die een ongewenst effect heeft op het afzetpatroon is de kwantumkorting. Verkopers bieden een betere prijs wanneer een klant in één keer meer afneemt. Het (nadelige) effect laten we zien in figuur 4a en 4b.
Ir.Paul durlinger
9
In de linker figuur zien we de afzet van 3 klanten, die elk elke week respectievelijk 30,20 en 10 stuks afnemen. Vervolgens introduceert Verkoop kwantumkorting waardoor het voor de klanten voordelig wordt om 60 stuks tegelijkertijd af te nemen. Het resultaat zien we in de rechter figuur 4b. Figuur 4a
Voor kwantumkorting
Figuur 4b
Na kwantumkorting
En het mag duidelijk zijn wat er gebeurt en dit geeft weer een leefregel: Kwantumkorting leidt tot ongewenste opslingerverschijnselen in de keten En ondanks alles kan het toch voorkomen dat we in het afzet patroon uitschieters tegenkomen, die we eigenlijk niet kunnen verklaren. Deze moeten we ook uit de data verwijderen, omdat ze een groot effect hebben op de variantie van de voorspelfout. Ik verwijs de lezer graag naar Durlinger [2014,1]. 6 Wat is de achtergrond van forecast modellen? Er zijn twee soorten modellen: kwalitatieve modellen en kwantitatieve modellen. De kwantitatieve modellen vallen weer uiteen in causale modellen en tijdreeksanalysemodellen, zoals te zien is in figuur 4. Voorspellings methoden
Kwalitatieve methoden
Kwantitatieve methoden
Tijdreeksanalyse
Figuur 5
Causale modellen
Forecast modellen
De kwantitatieve modellen gebruiken we als we voldoende bruikbare getallen hebben (zoals besproken in par. 4) en de kwalitatieve modellen als we niet genoeg getallen hebben. Dit zijn methodieken als marktonderzoek, morphologische analyse of ‘gutfeeling’. Gevoel en kennis van de markt is belangrijk, maar vaak o zo moeilijk. Drama’s in het voorspellen van de toekomstige vraag vallen in deze categorie. Bekend zijn de foutieve inschatting van de vraag naar de Ford Edsel (kostte Ford bijna de kop), de Senseo (de vraag was veel hoger dan verwacht) en nog wat van dit (achteraf) komische vergissingen. Voor de korte termijn echter niet bruikbaar. Wij beperken ons tot de kwantitatieve modellen ook wel statische modellen genoemd. Maar helaas zijn er een heel stel modellen beschikbaar. Variërend van eenvoudig zoals ‘het gemiddelde’ of modellen waar u gepromoveerd voor moet zijn in de econometrie. Al deze kwantitatieve modellen hebben een belangrijke eigenschap, die nog wel eens vergeten wordt: Kwantitatieve modellen gaan er vanuit dat een datapatroon niet verandert! Ir.Paul durlinger
10
Of misschien nog gekker: Kwantitatieve modellen hebben maar een heel beperkt voorspelvermogen Dat betekent dus dat deze modellen niet kunnen voorspellen wanneer een vraag plotseling toe- of afneemt. Of dat aandelenkoersen plotseling omhoog of omlaag gaan. Maar gelukkig wil ingewikkelder niet zeggen dat de modellen beter presteren. Daarom stel ik een pragmatische keuze voor. Eerst kijken we naar het datapatroon. In de praktijk hebben we te maken met 5 soorten datapatronen zoals weergegeven in figuur 6.
stationair
trend
a
b
seizoen + trend
seizoen
d
c
Figuur 6
Datapatronen
Het eerste patroon (a) is een zogenaamd stationair vraagpatroon. Bij een stationair vraagpatroon beweegt de vraag zich rond een gemiddelde, waarbij dit gemiddelde gedurende de tijd niet (of slechts heel weinig verandert). De methoden die men hier kan gebruiken zijn eenvoudig. Een tweede vraagpatroon (b) is die waarbij de vraag een trend vertoont (positief of negatief). Ook de voorspelmethoden voor dit patroon zijn nog redelijk eenvoudig. Een derde vraagpatroon (c) is een patroon waar een seizoen in zit. Kerstartikelen of tuinmeubelen zijn een duidelijk voorbeeld. De methodieken die bij deze patronen horen zijn al ingewikkelder. Het vierde patroon (d) is eigenlijk een combinatie van het tweede en derde patroon. Het gaat hier om data waar zowel een trend als een seizoen in zit. Hier vinden we de meest complexe modellen. En dan kennen we nog producten met een chaotisch of lumpy patroon. Een hele tijd niks en dan weer een afname en weer een tijdje niks. Typische voorbeelden vinden we in de spare-parts omgevingen. En de vraag naar deze spare-parts is praktisch onvoorspelbaar. Dat moeten we ons als MT realiseren. Maar als we eenmaal het datapatroon herkend hebben (en soms is dat toch een beetje lastig), kiezen we een model dat voor die klasse bestemd is. Bij een stationair patroon moet u bijvoorbeeld denken aan gemiddelde, voortschrijdend gemiddelde of gewogen gemiddelde. Welk model maakt niet zo veel maar uit. Zolang het model maar geschikt is voor het datapatroon. Dus seizoensmodellen voor datapatronen met een seizoen en trendmodellen voor data met een trend. 7. Hoe goed is een voorspelling en hoe meten we dat? Het maken van een voorspelling is één, het maken van een goede voorspelling is twee. Hier moeten we helaas geen overdreven verwachtingen van hebben. Zoals hierboven beschreven is het maken van voorspellingen voor de afzonderlijke SKU’s geen sinecure. De eerste beslissing die het MT moet nemen bij het evalueren van voorspellingen is het definiëren van de grondslag. Een veel gebruikte, maar onjuiste definitie is de gemiddelde voorspelfout. Een klein voorbeeld in tabel 3.
Ir.Paul durlinger
11
Week 1 Realiteit 8 Forecast 10
2 8 10
3 8 10
4 8 10
5 8 10
6 12 10
7 12 10
8 12 10
9 12 10
10 12 10
Tabel 3 In bovenstaand voorbeeld is de gemiddelde voorspelfout gelijk aan 0, maar we kunnen moeilijke zeggen dat de forecast perfect is. Het probleem is dat de plussen en minnen elkaar opheffen. De fouten middelen elkaar uit en dat willen we eigenlijk niet. Dus een nieuwe leefregel: De gemiddelde voorspelfout is een weinig zeggende accuracy-meting De MAD (Mean Absolute Deviation) Dus een betere methode is om de plussen en minnen weg te laten en alleen maar te kijken naar de gemiddelde (absolute) afwijking. In ons geval zitten we er 10 keer twéé stuks naast; dus de gemiddelde (absolute) afwijking is 10/10 = 1. Dit getal noemt men ook de MAD (Mean Absolute Deviation) en erg populair in de Angelsaksische wereld. Deze MAD geeft ook een idee over hoe goed de voorspelling is. In ons geval zitten we er 1 naast op een gemiddelde van 10. Oftewel; we zitten er 10% naast en dat is erg goed! En wederom een leefregel: De MAD is een goede accuracy-meting voor het Management Wanneer we op SKU op weekniveau voorspellen is het al erg goed als we de MAD onder de 30% weten te houden! Deze twee opmerkingen (SKU en weekniveau) leiden tot een tweede vaak gemaakte fout, die te maken heeft met het aggregatie niveau. Op welk aggregatieniveau voorspellen? Als we op korte termijnniveau voorspellen is het aggregatieniveau vaak laag. We voorspellen op SKUniveau om veiligheidsvoorraden te bepalen of misschien op familieniveau voor MPS doeleinden. Maar aggregeren is vaak moeilijk als het om veiligheidsvoorraden gaat. We kunnen misschien wel een redelijke schatting geven over het aantal herenfietsen dat we in 2015 gaan verkopen (in aantallen of geld), maar dat ligt heel anders als we een voorspelling willen maken voor het aantal blauwe hybride-stadsfietsen in week 33. Het eerste is gemakkelijker en zullen we veel beter kunnen. Zeker als we het in euro’s doen. Daar gaat het gemiddelde ons juist helpen. Dus voor korte termijnvoorspellingen hebben we niets aan voorspellingen op familie- (of nog hoger) niveau en op lange termijnniveau hebben we geen voorspellingen op SKU nodig. De Bias – de systematische fout We maken nog eens een forecast in tabel 4 Week 1 Realiteit 8 Forecast 6
2 8 6
3 8 6
4 8 6
5 8 6
6 12 10
7 12 10
8 12 10
9 12 10
10 12 10
Tabel 4 En we zitten er opnieuw gemiddeld twéé stuks naast, maar op een andere manier dan in ons eerste voorbeeld. In dit geval is de forecast elke keer te laag. En dat is niet wat je normaliter van een forecast verwacht. Als je 10 keer voorspelt verwacht je eigenlijk dat je er gemiddeld 5 keer onder zit Ir.Paul durlinger
12
en 5 keer er boven. Maar niet dat je er structureel boven of onder zit. Dit structurele onder- of overschatten van de vraag noemen we Bias en moet zoveel mogelijk vermeden worden. Maar het voordeel van Bias is dat we het vaak gemakkelijk kunnen oplossen (zie ook Durlinger [2014,1]). Dus: Bias is een belangrijke performance indicator. Bias moeten we vermijden! 8 Organisatie Wat moet het management nu op korte termijn gaan doen. Uit het voorafgaande is duidelijk dat het forecast-proces het belangrijkste is. Al eerste moet men Sales verantwoordelijk en eigenaar maken van de forecast: een sine-qua-non. Als dit niet vastgelegd is zal elk forecastproces gedoemd zijn te mislukken. Een tweede belangrijke organisatorische maatregel is het faciliteren van gesprekken tussen supplychain specialisten van de eigen onderneming met klant en leverancier. Op deze manier ontstaat heel snel een mogelijkheid tot vraagdecompositie en het voorkómen van de grote orders. Vaak worden dit soort gesprekken niet op prijs gesteld door in- en verkoop omdat men bang is voor financiële consequenties. Echter deze gesprekken hebben alleen als doel, planningen op elkaar af te stemmen, waarbij men alleen over aantallen praat en tijdstippen. Ook hier geldt dat we alleen structurele verbeteringen kunnen bereiken als deze gesprekken plaatsvinden. Ten derde moet het management definiëren hoe men de voorspellingen gaat evalueren. Men kan voorspellingen voor de belangrijkste SKU’s evalueren, maar ook voor de diverse medewerkers. Invoeren van een MAD criterium voor de belangrijkste SKU’s is een mogelijke stap. Het management moet zich realiseren dat een MAD van minder dan 30% op SKU-weekniveau een goed resultaat is. Literatuur Compton J.C., S.B. Compton [1990] Succesfull Business Forecasting Liberty Hall Durlinger P.P.J. [2014,1] Productie en Voorraadbeheer – Voorspellingsmethoden Durlinger Consultancy, www.durlinger.nl Durlinger P.P.J. [2014,2] Productie en Voorraadbeheer – Voorraadbeheer Durlinger Consultancy, www.durlinger.nl Durlinger, P.P.J. [2015] De rol van Top-management in Voorraadbeheer Durlinger Consultancy, www.durlinger.nl Wallace, T.F., R.A. Stahl [2004] Sales Forecasting – A New Approach – T.F. Wallace & Company, USA, 2004
Ir.Paul durlinger
