Forecasten in coronatijden

Tekst en uitleg over hoe we in deze Covid-19 tijd kunnen blijven forecasten, kregen we tijdens een webinar dat door Pics Belgium werd georganiseerd. Daarin legde Thomas De Mil om te beginnen uit hoe we in onzekere tijden het best tegen forecasting aankijken: “Forecasten doen we door de verkoop voor een zekere tijdshorizon te voorspellen. Daarvoor gebruiken we alle mogelijke informatie die we ter beschikking hebben. Tegelijk moeten we aanvaarden dat een forecasting zelden honderd procent correct zal zijn. Hoewel er veel theorieën rond forecasting bestaan, komt er bij de uiteindelijke beslissingen ook vaak een flinke dosis buikgevoel kijken. Belangrijk om te onthouden is dat er twee hoofdredenen zijn om te forecasten. Enerzijds laat een goede forecasting toe onze resources optimaal te benutten. Zo kunnen we het werkkapitaal en onze voorraden optimaliseren. Anderzijds heeft een forecast tot doel onze klanten tevreden te stellen. Die redenen om te forecasten blijven tijdens een crisisperiode net dezelfde. Houd dat steeds in het achterhoofd.”

Maar waar zit nu precies het grote verschil tussen een traditionele forecast en een forecast in crisistijd? We beginnen bij de traditionele forecast. Het uitgangspunt van zo’n forecast bestaat uit de geobserveerde verkopen (zie figuur).
Thomas De Mil: “De redenen waarom die verkopen zijn wat ze zijn noemen we de drivers. Die drivers reflecteren de business, de klanten en de daarbij horende verkopen. Mogelijke drivers zijn bijvoorbeeld de marktgrootte, het marktaandeel en de innovatiegraad. Al die drivers samen geven een inzicht in de gerealiseerde verkoop. Het is noodzakelijk dat je weet wat de drivers voor jouw bedrijf en sector zijn en hoe die drivers zich ontwikkelen. Zij kunnen immers antwoord geven op de vraag hoe de verkoop in de toekomst zal evolueren.”

Minstens even belangrijk zijn de indicatoren die we als meetbare parameters voor onze forecasting kunnen gebruiken.
T. De Mil: “In de praktijk zien we dat de meeste organisaties de historische verkoopcijfers erbij nemen om hun forecast te maken. Daarbij gaan we uit van een belangrijke veronderstelling: dat de drivers van eerdere verkopen dezelfde zijn als die van de toekomstige verkopen. Op basis daarvan zullen we dan een statistische forecast maken en combineren met informatie die andere drivers reflecteert. Daarbij zal dan vaak het buikgevoel waar ik het net over had, worden aangesproken.”

Nieuwe drivers in coronatijden

Het mag intussen duidelijk zijn dat de veronderstellingen waar je normaal gezien van uitgaat, in crisistijden niet meer relevant zijn. De geobserveerde parameters zal je moeten vervangen door andere parameters (zie figuur). Traditioneel belangrijke drivers spelen niet meer mee of hun relatie met de verkoop is veranderd.

Toch moeten we ook in crisistijden blijven zoeken naar de drivers en nuttige indicatoren. “In coronatijden kunnen we stellen dat er essentiële nieuwe drivers zijn, met name de evolutie van de pandemie – én hoe die gepercipieerd wordt – en welke maatregelen de overheid neemt in het kader van de crisis. Ook de timing van de maatregelen is cruciaal, denken we maar aan de verschillen tussen de landen. Die hebben een enorme impact op supply chains. Daar kunnen uiteraard ook nog specifieke drivers voor je business bijkomen”, vertelt Thomas De Mil. “Een idee van hoe die nieuwe drivers zich zullen ontwikkelen kun je krijgen door bepaalde indicatoren goed op te volgen. Zo zien we dagelijks de rapporten met het aantal nieuwe ziekenhuisopnames passeren, evenals boodschappen van virologen en politici. Die indicatoren geven ons een beeld van hoe de drivers voor onze toekomstige sales zich kunnen ontwikkelen. Let wel, de drivers in de nieuwe context zijn vrij subjectief, tenzij je specifieke sentimentsanalyses in je forecast gaat integreren. Dat betekent dat het lastig is om die indicatoren rechtstreeks in je forecast mee te nemen.”

Met andere woorden, in deze tijden verander je als forecaster beter het geweer van schouder.
T. De Mil: “Tijdens een crisisperiode is het beter om met scenario’s te werken. Zo kun je je beter wapenen tegen onzekerheden en disrupties. Het beste wat je kunt doen, is een ‘worst scenario’ maken, een ‘best scenario’ en een paar ‘most likely scenario’s’. Vervolgens ga je na wat het effect van die verschillende scenario’s op je hele organisatie is, ook op het vlak van finance en procurement, bijvoorbeeld. In elk van die scenario’s kun je een hypothetische forecast integreren, zodat je weet wat er op je afkomt als een bepaald scenario zich effectief aftekent. Omdat er meerdere departementen betrokken zijn, moet je die forecasts ook met hen bespreken, zodat ook zij weten wat hen te doen staat.”

De kracht van leading indicator forecasting

Om ons te gidsen naar de scenario’s die het meest waarschijnlijk zijn, moeten we onze indicatoren zorgvuldig selecteren. Als we de juiste indicatoren kunnen vinden, kun je immers gemakkelijker de meest waarschijnlijke scenario’s detecteren.

“Ik ben het er volledig mee eens dat we in de huidige context met scenario’s moeten werken en het pad van de traditionele statistische forecasting algoritmes moeten verlaten. Zeker in deze moeilijke context kunnen die erg misleidend zijn”, pikt Bram De Smet in. “Zo heeft de software die op dergelijke algoritmes steunt de neiging om een neerwaartse of opwaartse trend in één lijn door te trekken, wat in de huidige situatie niet wenselijk is. Zeker als je een relatief lange supply chain met lead times van drie à zes maanden hebt, zorg je door de natuur van die techniek een paar maanden later voor je eigen, ongewenste bullwhipeffect.”

Bram De Smet waarschuwt in crisistijden ook voor forecastmethodes die een beroep doen op de mening van medewerkers en experten. “Mensen hebben nu eenmaal een kortetermijngeheugen. Is de verkoop de laatste maanden gedaald, dan hebben ook wij de neiging om die trend te extrapoleren. En laten we eerlijk zijn, in de huidige context is het zelfs voor teams of experts op het terrein koffiedik kijken. Wij pleiten er dan ook voor eerder te vertrouwen op zorgvuldig geselecteerde informatiebronnen.”

Bij Solventure geloven ze, zeker in deze tijden, sterk in de kracht van ‘leading indicator forecasting’. Dat steunt op de belangrijkste indicatoren, die dan in de mogelijke scenario’s kunnen worden verweven.
B. De Smet: “Een zevental jaar geleden zijn we aan de UGent en de Vlerick Business School al gestart met masterthesissen rond leading indicator forecasting. Momenteel hebben we een tweede PhD lopen die zich op dat topic focust. Dat onderzoek ligt aan de basis van Solventure LiFe, de oplossing op basis van ‘advanced predictive analytics’ die we bij Solventure voor leading indicator forecasting hebben ontwikkeld.

Die software heeft een andere insteek dan de traditionele forecastingsoftware. Terwijl het er vroeger om ging de beste algoritmes te hebben, wordt het nu steeds belangrijker om de beste data te hebben en daar optimaal gebruik van te maken. “Daarom hebben we een database uitgebouwd met meer dan tien miljoen indicatoren die voor bedrijven interessant kunnen zijn als ze aan de slag gaan met lead indicator forecasting”, vervolgt Bram De Smet. “We verzamelen daarbij algemeen economische, maar ook meer sectorspecifieke indicatoren. Nu, de uitdaging bestaat er niet zozeer in die data te vergaren, maar wel connectoren te bouwen met belangrijke databronnen zoals de Eurostat, Federal Reserve (de centrale bank van de VS), het National Bureau of Statistics of China, en ga zo maar door. Daarnaast stoppen we veel tijd in het opschonen van die data. We hebben ook heel wat onderzoek gedaan naar de relevantie van de data. Om bedrijven te helpen bepalen welke indicatoren relevant zijn voor hun business, hebben we geavanceerde regressietechnieken ontwikkeld. Uiteraard spreken we hier niet over indicatoren op referentieniveau, maar wel over bijvoorbeeld indicatoren voor een bepaalde productcategorie binnen een bepaald marktsegment.”

Met zijn leading indicator software wil Solventure in de eerste plaats de zogenaamde keerpunten helpen te detecteren. “Ik geef een voorbeeld”, verduidelijkt Bram De Smet. “Als je actief bent in de automotive sector, dan ben je vertrouwd met een cyclische business. Dat betekent dat je om de paar jaar je activiteit aanzienlijk ziet verhogen of verlagen. Leading indicators kunnen je helpen om de keerpunten te bepalen. Concreet moeten we op zoek naar die indicatoren die aangeven dat we over een bepaalde tijd een stijging of een piek in de verkoop zullen zien. Hoe eerder we kunnen voorspellen waar die knik zit, hoe beter. Als je pakweg zes maanden op voorhand een verandering in de curve kunt voorspellen, is het mogelijk om tijdig goede plannings- en voorraadbeslissingen nemen. Als je activiteiten lang op een laag pitje hebben gestaan, is het belangrijk om te weten wanneer je weer mag gaan produceren, wil je geen verkopen missen op het moment dat de vraag opnieuw stijgt.”

Ook tijdens de coronacrisis moeten we leading indicators proberen te vinden die wijzen op toekomstige veranderingen in de verkoopcurve.
B. De Smet: “Toegegeven, eenvoudig zal het niet zijn om die knik te voorspellen, want we hebben maar weinig precedenten waarop we ons kunnen baseren. Wat we alvast wel kunnen doen, is ‘profiteren’ van het feit dat China ons een zestal weken vooraf is gegaan in de crisis. Wellicht kunnen we leren van de economische impact daar en hoe de herstelcurve er verloopt. Uiteraard is een tijdsverschil van zes weken heel kort, maar in deze situatie is dat beter dan helemaal niets.”

Een andere indicator waar we iets aan kunnen hebben bij het bouwen van scenario’s is de Purchasing Managers Index (PMI). Die geeft een beeld van het vertrouwen dat inkoopmanagers in de economie hebben. “Is die indicator hoger dan 50, dan wordt dat gezien als een teken van vertrouwen en groei tegenover de maanden voordien. Bij een getal onder de 50 wordt een afname van de activiteiten verwacht”, legt Bram De Smet uit. “Als we bijvoorbeeld kijken naar de PMI in februari, zagen we een terugval die vergelijkbaar is met die tijdens de financiële crisis van 2008. Als we dan de maanden daarop een PMI van rond de 50 vaststellen, wijst dat erop dat de situatie stabiliseert, maar dat we erg voorzichtig moeten blijven en dat het wellicht nog een hele tijd zal duren voordat we een echt herstel zullen kunnen optekenen. Als we uitgaan van de huidige indicatoren, denk ik trouwens dat we zo’n U-vormig herstel zullen krijgen, waarbij tussen de terugval en het echte herstel een vrij lange periode zal zitten waarin maar weinig beweegt. Daar moeten we ons op voorbereiden.”

Leren van andere crisissen

Voor het uitstippelen van scenario’s kun je nagaan hoe je bedrijf het heeft gedaan in vorige crisissen. Hoewel de ene crisis uiteraard de andere niet is, is het best mogelijk dat die cijfers helpen om ook het verloop van deze crisis beter te voorspellen.
B. De Smet: “Om historische crisissen af te leiden bestaan er ook indicatoren. Zo stelt de OECD een crisisindicator ter beschikking. Als die op een gegeven tijdstip de waarde 1 heeft, wijst dat op een crisisperiode. Is de waarde 0 dan is er op dat moment geen crisis. Hier is de definitie van een crisis als er twee kwartalen een negatieve groei is. Die indicator geeft dus aan dat er een crisis was van moment A tot moment B, van moment C tot moment D, enzovoort. Wat wij dan doen is analyseren hoe je verkoop is geëvolueerd tijdens die verschillende crisissen. Een van de zwaarste in de rij is ongetwijfeld de financiële crisis van 2008-2009, maar je hebt ook de eurocrisis van 2011, enzovoort.”

Op die manier krijg je verschillende ‘crisisprofielen’. Die helpen je om scenario’s te definiëren. “De vraag wordt dan: wordt dit een crisis zoals in 2008-2009 of zoals in 2011? Daarbij moeten we er rekening mee houden dat bedrijven anders kunnen reageren. Binnen hetzelfde bedrijf kunnen ook productgroepen anders reageren. Dat komt omdat sommige sectoren en/of productgroepen meer/minder of sneller/trager worden getroffen. Zo kun je heel veel leren uit je eigen data”, aldus Bram De Smet. “Gaandeweg kun je dan de actuele evolutie opvolgen. Tijdens de demand management reviews moet je dan monitoren hoe het patroon evolueert en nagaan of die curve daadwerkelijk overeenkomt met je eigen evolutie om het scenario eventueel bij te sturen. Voor alle duidelijkheid, ook van leading indicator forecasting mogen we in deze ongeziene crisissituatie geen wonderen verwachten. Maar je zal in elk geval een stuk dichter in de buurt van de waarheid komen dan wanneer je er statistische forecastingmethodes of de mening van mensen op loslaat.”