Na The Beer Game is er nu Optiquest: een andere kijk op effectief voorraadbeheer!

Vaak hebben mensen de neiging de forecast systematisch te willen verbeteren met hun eigen inzichten. Daarmee doen ze echter vaak meer kwaad dan goed. Waarom manuele aanpassingen niet zelden nefast zijn voor de accuraatheid van de forecast en hoe we dat fenomeen kunnen vermijden, daar weet Jeff Baker alles van. De supply chain planning expert en IBF Certified Professional Forecaster (CPF) vertelt hoe we met de ‘Forecast Value Added’ (FVA) niet alleen foutieve aanpassingen kunnen vermijden, maar tegelijk ook de performantie van het S&OP-proces kunnen verbeteren.

Voor een multinational als British American Tobacco vormt het luik demand forecasting een enorme uitdaging. Niet alleen moet de onderneming gezien haar wereldwijde aanwezigheid met verschillende culturen rekening houden, ook omvat het productgamma erg uiteenlopende artikelen. Terwijl de traditionele tabaksproducten een vrij voorspelbaar vraagpatroon kennen, is de vraag naar nieuwe categorieën artikelen veel moeilijker te voorspellen. Om het forecastingproces te optimaliseren, zette de organisatie een verregaand optimaliseringstraject in gang.

In tien jaar tijd is er op het vlak van demand forecasting veel geëvolueerd. En toch ook weer niet. “Aangezien de vragen van de klant continu wijzigen, is verandering eigenlijk een constante”, weet Eric Wilson, director Thought Leadership bij het Institute of Business Forecasting & Planning. “Het komt er dan ook op aan oplossingen te bedenken die daar vlot mee kunnen omgaan. Artificiële intelligentie kan daarbij een rol spelen, maar de heilige graal is het allerminst.” Daarom vindt hij het belangrijk de mogelijkheden, maar zeker ook de beperkingen van AI toe te lichten.

Tot voor kort doorploegden de planners van Danone tot wel vijftig spreadsheets om voorspellingen aan te leveren. Om die manuele input te reduceren en de voorspellingsnauwkeurigheid verder op te trekken, implementeerde het bedrijf in verschillende regio’s een meer geautomatiseerde demand planning met behulp van machine learning binnen SAP IBP. Dat leidde tot opmerkelijke verbeteringen en een hertekend takenpakket voor de planningsafdeling.

Het onderscheidend vermogen van de supply chain schuilt vandaag in grote mate in het genereren van waardevolle inzichten uit grote hoeveelheden data. Voor die data-analyse treedt ‘machine learning’ (ML) almaar nadrukkelijker op de voorgrond. ML-algoritmes kunnen zonder handmatige tussenkomst nieuwe patronen vinden en dragen op die manier bij tot een hogere efficiëntie, duurzaamheid, kostenbesparing en klanttevredenheid. “Machine learning kent een groot potentieel, maar het is niet de enige technologie die je supply chain-analyses naar een hoger niveau tilt”, meent Steven Pauly, inventory control & forecasting expert bij Slimstock.

In de dynamische wereld van de autoassemblage wilde onze klant, een toonaangevende autofabrikant zijn activiteiten revolutioneren. Het doel was om de lot-Sizes van de leveranciers strategisch af te stemmen op de just-in-time (JIT) eisen van de werkvloer. Met meer dan 100 leveranciers en maar liefst 1500 SKU's die herzien moesten worden, was de uitdaging aanzienlijk.