Forecasten met verstand

Als CEO van NorthFind Management combineert Jonathon Karelse zijn ervaring met best practices om de supply chain operations, mensen, processen en tools in bedrijven tot een hoger niveau te tillen. Verder is hij actief bij de Supply Chain Council of Canada, the Association for Supply Chain Management en het International Institute of Forecasters (IFF).

Tijdens de Business Planning, Forecasting & S&OP/ IBP Conference Europe in Amsterdam vestigde hij de aandacht op de financiële impact van forecastaccuraatheid. Volgens hem is een groot probleem met forecasting dat sommige demand planners geloven dat het gewoon een kwestie van sterke wiskunde is. “Als we maar voldoende data en rekenkracht hebben, dan kunnen we de geheimen van de toekomst ontsluiten. Jammer genoeg werkt het zo niet. De verkoop van de meeste producten is niet perfect voorspelbaar, waardoor de mogelijkheden om voorspellingen te verbeteren altijd beperkt zullen zijn”, begint hij.

We moeten ons dan ook de vraag stellen of het überhaupt zin heeft inspanningen te leveren om de forecast te verbeteren als het financiële voordeel niet groter is dan de investeringen die we in die verbeteringen stoppen.
Jonathon Karelse: “Sommige bedrijven geven een fortuin uit aan een forecastingtool zonder te weten of de pakweg vijf procent betere accuraatheid die hun dat oplevert ook een effect heeft op de serviceniveaus, de omloopsnelheid en/of de verlaging van de voorraadkosten. En als dat zo is, of die besparing groter is dan wat ze aan hun tool hebben uitgegeven en/of de inspanningen om die verbetering te realiseren.”

Waarom we forecasten

Volgens Jonathon Karelse moeten we in de eerste plaats goed begrijpen waarom we precies voorspellen. “De belangrijkste reden waarom de meeste bedrijven forecasten, is omdat ze producten op voorraad willen hebben om snel te kunnen inspelen op de vraag van de klant”, zegt hij. “In de meeste bedrijven is dat een noodzaak. Anders is het wanneer je bijvoorbeeld dure maatpakken of luxewagens verkoopt, waar een klant maanden op wil wachten, maar dat zijn uitzonderingen. Als je zaken op voorraad maakt, dan is forecasten een noodzakelijk kwaad.”

Dat een slechte forecast operationele gevolgen heeft, daar is iedereen zich van bewust. Forecast je te hoog, dan riskeer je met te veel voorraad te blijven zitten. Dat kan leiden tot plaatsgebrek, voorraadkosten en verspilling wanneer je je voorraad niet kwijtraakt. De kosten van een te lage forecast kunnen nog groter zijn, omdat je dan verkopen misloopt. Zit je forecast goed, dan stel je productie in staat efficiënt te werken, hou je de verkopers en de klanten tevreden en stel je marketing in staat proactief de vraag te stimuleren. “Samengevat: we forecasten om op een meer winstgevende manier te kunnen opereren. Je forecast nauwkeuriger krijgen, mag evenwel nooit een doel op zich zijn, want dat verhoogt niet per definitie je winstgevendheid. Dat moet je steeds in het achterhoofd houden”, meent Jonathon Karelse.

Om een zicht te krijgen op de accuraatheid van je forecast, is het raadzaam bijvoorbeeld een beroep te doen op MAPE-berekeningen (mean absolute percentage error). Daarmee bereken je in welke mate je voorspellingen afwijken van de werkelijke waarden.

J. Karelse: “Nog beter is het om gebruik te maken van het gewogen MAPE, waarbij je de foutmarges weegt op basis van de winstgevendheid. Op die manier kun je je meteen focussen op de belangrijkste items. Uiteraard kun je ook andere methoden gebruiken. Het is vooral belangrijk dat je steeds consistent dezelfde methode hanteert. Ook belangrijk is dat de hele organisatie weet hoe de forecastaccuraatheid wordt berekend. Zo zorg je voor transparantie en vermijd je dat het een black box wordt.”

Een krachtige techniek om te bepalen wat er aan de basis van je forecastfouten ligt, is de Forecast Value Added (lees ook het artikel ‘Forecast Value Added helpt zin van aanpassingen te beoordelen’ in Value Chain Management mei 2024). Die techniek wordt gebruikt om te beoordelen hoeveel waarde een specifieke stap of activiteit in het forecastproces al dan niet toevoegt aan de nauwkeurigheid van de uiteindelijke voorspelling. “Kom je via die techniek tot de vaststelling dat een bepaalde stap de forecast niet verbetert of net verslechtert, dan kun je die stap beter schrappen”, weet Jonathon Karelse. “Je zou kunnen stellen dat een stap die de forecast niet verbetert ook geen kwaad kan, maar we mogen niet vergeten dat elke stap in het proces ook inspanningen vraagt. Als die aanpassingen geen of heel weinig waarde hebben, laat je ze beter achterwege. Uiteindelijk moet je ernaar streven dat elke stap in het forecastmodel gelinkt is aan het financiële resultaat.”

Zoals George Box zei

Jonathon Karelse maakt meteen ook duidelijk dat een goed forecastmodel helemaal niet complex hoeft te zijn: “Hierbij citeer ik graag George Box, die bekendstaat als grondlegger van de Box-Jenkins methode. Hij zei: “Alle modellen zitten fout, maar sommige zijn wel nuttig. In de gevallen waar dat volstaat, kun je dan ook beter een eenvoudig model gebruiken. Dat zal efficiënter zijn dan een complex model.” De redenering daarachter luidt: welk model je ook gebruikt, het zal toch nooit helemaal juist zitten. Maak je forecast dan ook niet complexer dan nodig.”

Een andere wijsheid van George Box: “Aangezien alle modellen fout zitten, is het belangrijk te focussen op de grootste fouten. Maak je niet druk om muizen als er tijgers in de buurt zijn.”

“Al te vaak zijn er nog discussies over het aanpassen van de forecast voor een bepaalde SKU (stock keeping unit) met pakweg vijf procent over een periode van negen maanden. Dat is verloren tijd en moeite. Er zijn belangrijker zaken om op te focussen”, illustreert Jonathon Karelse.

Impact van mensen, processen en tools

Om de ROI (return on investment) van je forecast te maximaliseren, moet je inzetten op een weloverwogen combinatie van mensen, processen en tools (zie figuur 1).

J. Karelse: “Veel organisaties grijpen al snel naar tools omdat ze denken dat dat het makkelijkste is en de meeste impact zal hebben. Leveranciers van tools spelen soms ook net iets te gretig op dat idee in. Dan lijkt het bijvoorbeeld alsof een tool in één moeite komaf zal maken met masterdataproblemen of gebrekkige processen. Niets is minder waar. Daarmee wil ik niet zeggen dat je geen tools nodig hebt om je forecasting te ondersteunen, integendeel, maar het belang van tools wordt heel vaak overschat. Uiteindelijk zorgen die tools maar voor tien procent van de impact. Of je nu kiest voor een gewoon goede of voor een uitstekende tool, zal dus geen gigantisch verschil maken op je forecastnauwkeurigheid.”

Belangrijker is het om eerst de processen goed te hebben. “Zo moet je je achterliggende processen goed definiëren en ervoor zorgen dat ze passend zijn voor je organisatie”, licht Jonathon Karelse toe. “Ik zeg ‘passend’ omdat er geen ‘one-size-fits-all’ oplossing bestaat. Best is ook om pas een performante tool te selecteren wanneer je je processen op orde hebt. Zo kun je het aantal activiteiten die weinig of geen toegevoegde waarde in het proces hebben, verkleinen. Besef ook dat je je eerste stappen perfect in Excel kunt zetten. Daar bevindt zich vaak al veel laaghangend fruit. Naarmate je processen meer matuur worden, zullen tools interessanter worden om verder te optimaliseren. Op dat moment zal het relatieve belang van tools bij de maximalisering van je ROI ook stijgen.”

Maar de belangrijkste impact komt van de medewerkers. “Daarbij is het vooral belangrijk dat je de menselijke kennis inzet op die punten waar ze een positief verschil kan maken”, weet Jonathon Karelse. “Professor Paul Goodwin van de University of Bath heeft vastgesteld dat in ongeveer tachtig procent van de gevallen waar mensen een statisch gedreven forecast aanpassen, ze die slechter maken. Verder is gebleken dat mensen vier keer vaker een forecast naar boven aanpassen dan naar beneden. Zeker sales is van nature doorgaans te optimistisch. Niet dat menselijke aanpassingen per definitie slecht zijn. Het is vooral belangrijk forecasts enkel bij te sturen wanneer medewerkers effectief iets weten wat software niet kan weten, niet omdat ze iets anders voelen dan wat de forecast aangeeft. In dat laatste geval vertrouw je beter op de statistische forecast.”

Niet alleen moeten organisaties selectief omgaan met menselijke input, ze moeten ook selectief zijn in waar ze hun energie in stoppen. Zo moeten producten voldoende waardevol zijn om interventies te rechtvaardigen. Verder moet de schaal van de interventies voldoende groot zijn, anders zal het rendement tegenover de geleverde inspanningen te klein zijn. “Het komt er dus op aan je tijd en inspanningen te richten op de acties die je financieel iets opleveren. Een gedifferentieerde aanpak op het vlak van forecasting en demand planning is dan ook cruciaal.”

Verder is het belangrijk om te weten hoe voorspelbaar SKU’s zijn. Om SKU’s op dat vlak met elkaar te vergelijken, schuift Jonathon Karelse de coëfficiënt van variatie naar voren. Dat is een handige statistische maatstaf die aangeeft hoe variabel een SKU is tegenover het gemiddelde.
J. Karelse: “De coëfficiënt van variatie geeft weer hoe consistent of grillig de vraag naar een bepaalde SKU is. In combinatie met de waarde van de SKU in kwestie kun je dan nagaan of een SKU het waard is om er energie in te stoppen. Voor alle duidelijkheid, de vraag naar seizoensgebonden SKU’s is weliswaar variabel, maar vaak wel goed voorspelbaar. Daar moet je bij zo’n oefening uiteraard ook rekening mee houden. Dat kan door zulke trends uit je data te halen. Dat is mogelijk in elk forecastingprogramma en zelfs in Excel.”

Zodra je die oefening hebt gedaan, kun je de relatieve planbaarheid van je volledige portfolio bepalen. Daarbij betekent een coëfficiënt van variatie van nul dat er helemaal geen variabiliteit is. Zo’n SKU zou dus vrij eenvoudig te plannen moeten zijn. Naarmate de coëfficiënt van variatie toeneemt, wordt de maand-tot-maand variabiliteit groter.

Daaraan kun je dan de dimensie ‘Verdien ik geld aan deze SKU?’ toevoegen. Figuur 2 geeft een realistisch beeld van het productportfolio van een organisatie weer.
J. Karelse: “Zo’n tachtig procent van de SKU’s vinden we terug onder de horizontale rode lijn. In vak 3 vinden we de statistisch beter planbare producten terug, in vak 4 de minder winstgevende producten die moeilijk te voorspellen zijn. Je wil niet dat medewerkers zich bezighouden met het aanpassen van de forecast van de producten in de vakken 3 en 2, omdat die met een statistische forecast goed te voorspellen zijn. Enkel wanneer medewerkers iets weten wat je software niet kan weten, kan een interventie te rechtvaardigen zijn, en dan vooral in vak 2. Voor de producten in vak 4, die moeilijk te voorspellen en weinig winstgevend zijn, kun je beter investeren in een goede voorraadstrategie, waarbij je ervoor zorgt dat ter altijd een minimumniveau van dat artikel is. Waar medewerkers wel op kunnen focussen, zijn de producten in vak 1. Daar is de kans dat de menselijke kennis beter werk zal leveren dan de statistische voorspellingen het grootst. Bovendien is de kans groter dat een hogere forecastaccuraatheid daar ook geld oplevert, omdat de SKU’s in dat vak winstgevender zijn. Vanuit ROI-perspectief besteed je dan ook best het meeste tijd aan dat vak.”

Volgens Jonathon Karelse zullen berekeningen op basis van de winstbijdrage van een product nog beter werken dan de winst per eenheid, omdat je op die manier rekening houdt met hoe een SKU volumetrisch bijdraagt tot de winstgevendheid van je bedrijf. Hij raadt in elk geval af de omzet als uitgangspunt te nemen, aangezien dat weinig zegt over de winstgevendheid van een product.

Samengevat komt het erop aan niet per se de grootste forecastnauwkeurigheid te willen nastreven, maar wel te bepalen welke inspanningen om de forecast te verbeteren zinvol en waardevol genoeg zijn voor je bedrijf. “Maximaliseer wat je forecast beter maakt en begrijp wat de kosten zijn van elke stap in je forecastingproces. Op die manier hou je aan je forecast geen financiële kater over”, besluit Jonathon Karelse.

TC