Leading indicators voor veerkrachtig voorraadbeheer

Tijdens Supply Chain Innovations 2026 nam prof. dr. Yves Sagaert, verbonden aan onder meer Vives en de KU Leuven, ons mee in zijn onderzoek naar leading indicators: externe signalen die wijzen op mogelijke verschuivingen op economisch en geopolitiek vlak. Prof. dr. Sagaert neemt het recente conflict in Iran als voorbeeld. Hoewel dat geografisch ver van de Belgische markt verwijderd is, heeft het een directe impact op de grondstofprijzen en de bevoorradingsketens, en dus ook op Belgische kmo’s. “De vraag die zich stelt is ‘Hadden we dit kunnen zien aankomen?’ Het antwoord is ja”, zegt prof. dr. Sagaert. “Een van de meest concrete vroege signalen was de verplaatsing van de USS Gerald R. Ford, het grootste vliegdekschip ter wereld, vanuit Venezuela naar het Midden-Oosten. Zo’n beweging kost handenvol geld en president Trump is zeer gevoelig aan kosten. Dat was op zich al een indicator dat er iets stond te gebeuren. Bepaalde landen, zoals China, zagen dat en reageerden proactief door strategische oliereserves op te bouwen, terwijl anderen, onder meer de Verenigde Staten zelf, minder goed voorbereid waren op de gevolgen.”

Volgens prof. dr. Sagaert was ook de Iraanse reactie te verwachten. Voordat het incident plaatsvond, lagen drie meest waarschijnlijke scenario’s op tafel: Iran kon de Straat van Hormuz afsluiten, het kon de buurlanden aanvallen – al was er discussie of het NAVO-landen zou aanvallen, en ook de stijgende olieprijzen lagen binnen de verwachtingen. “Achteraf is het eenvoudig om te verklaren wat en waarom iets gebeurd is”, zegt de professor. “Daarom kijken we naar leading indicators die we op een kwantitatieve manier in het beslissingsproces integreren. Dat proces moet bovendien automatisch verlopen, zodat bedrijven niet voortdurend het nieuws hoeven af te speuren.”

Wat is een leading indicator?

Een leading indicator is een bron van externe informatie die vroeg genoeg beschikbaar is om beslissingen te verbeteren. Veel bedrijven kijken al naar markttrends of sectorcijfers, maar de vertaling naar de impact op de eigen vraag gebeurt nog grotendeels manueel, op basis van vakkennis.

Prof. dr. Sagaert: “Stel dat je sector met tien procent groeit, hoe beïnvloedt dat de vraag naar jouw specifieke producten? Die vertaalslag blijft een uitdaging, zeker op een geautomatiseerde en kwantitatieve manier.”

De professor onderscheidt vijf belangrijke elementen bij het gebruik van leading indicators: 1) geen kennis van de toekomst, 2) fusie van informatie, 3) probabilistische forecast, 4) semantische algoritmen en 5) impact op voorraad. Het eerste onderdeel stelt dat je geen kennis hebt van de toekomst. “Voordat het conflict in Iran uitbrak, bevond de olieprijs zich in een neerwaartse trend en werd verwacht dat die zou stabiliseren rond zestig dollar per vat”, licht de professor toe. “Dan komt de piek. Hoe kan een bedrijf daarop anticiperen en zijn beslissingen optimaliseren? Je mag alleen de kennis gebruiken die beschikbaar is tot het specifieke moment waarop een event plaatsvindt. In een werkelijke omgeving is dat evident, maar bij het trainen van modellen dreigt het risico op ‘data leakage’. Dat betekent dat het model informatie gebruikt die op het moment van de voorspelling nog niet beschikbaar was.” Gebruik je die informatie toch tijdens het modelleren, dan bouw je modellen die in de praktijk niet werken.

Wanneer een bedrijf zijn verkoop wil voorspellen en daarop zijn voorraadbeheer afstemt, heeft het een leading indicator nodig die een vroegtijdig signaal geeft of de markt beter of slechter zal gaan.

Prof. dr. Y. Sagaert: “Het vroegtijdig zichtbaar worden van dat signaal is daarbij essentieel. De leading indicator heeft een bepaalde lengte in de tijd: het leading effect. Om die indicator voor de forecast te gebruiken, verschuif je hem in de tijd zodat hij met de echte verkoop correleert. Zo krijg je extra data om de forecast te verfijnen. Wanneer je verder wil voorspellen dan het leading effect van de indicator, ontstaat er een probleem. Om een maand te voorspellen, kun je elke leading indicator gebruiken. Wil je twaalf maanden voorspellen, dan komen alleen indicatoren in aanmerking die twaalf maanden voorijlend zijn. Ze geven minstens twaalf maanden vooraf al een signaal. Het is relatief moeilijk om dat soort indicatoren te vinden. Neem het voorbeeld van Iran. Dat hadden we een maand op voorhand kunnen zien aankomen, maar geen jaar.”

Historische data en externe signalen samen

De fusie van informatie vormt een tweede onderdeel bij het gebruik van leading indicators. Informatiefusie is het combineren van meerdere, vaak verschillende indicatoren tot één betrouwbaarder inzicht of model. Een goede forecastingaanpak combineert twee soorten informatie. Er zijn de historische data waarin verschillende patronen aanwezig zijn, zoals events, promoties en jaarlijkse, maandelijkse of wekelijkse seizoenaliteiten. “In retail zien we bijvoorbeeld een duidelijk patroon waarbij de vraag op donderdag, vrijdag en zaterdag stijgt omdat het weekend is en mensen meer kopen. In de maand zien we een verschil wanneer het loon wordt gestort”, legt prof. dr. Sagaert uit. “Dat soort seizoensgebonden patronen vinden we terug in de historische data. Dat behoort niet tot het werkveld van de leading indicator. Het gaat om makkelijk detecteerbare en goedkope informatie die beschikbaar is in het datawarehouse.”

Leading indicators focussen op externe markten, effecten en inzichten, en mogen niet worden verward met de seizoenaliteiten. “Sommige externe informatie is publiek beschikbaar, andere zaken moeten worden aangekocht. Hoe dan ook komt de integratie van dat soort externe macro-economische data met een bepaalde kostprijs, namelijk ontwikkeling of aankoop.”

Prof. dr. Sagaert wijst op de valkuil van ‘spurious correlation’ bij de selectie van leading indicators. “Spurious correlation houdt in dat we verbanden zien waar er eigenlijk geen zijn, bijvoorbeeld door seizoenaliteiten. Stel dat er tijdens de zomermaanden minder geproduceerd wordt en dat een andere indicator aantoont dat er minder yoghurt verbruikt wordt omdat mensen op reis gaan. Het yoghurtverbruik willen we niet als leading indicator gebruiken voor een specifiek B2B-product. Beide elementen worden gedreven door hetzelfde seizoenseffect, maar daarom is er nog geen correlatie.”

Daarnaast stelt prof. dr. Sagaert dat je van een puntvoorspelling naar een probabilistische forecasting wil evolueren. “Daarbij voorspel je niet alleen een verwachte waarde, maar ook een onzekerheidsinterval met bijvoorbeeld 80 tot 95 procent zekerheid dat je zoveel producten nodig hebt. Het houdt ook verband met servicelevels.”

Voor een bedrijf met een hiërarchische structuur, met bovenaan de totale verkoop en eronder verschillende business units, elk met een of meerdere producten, betekent dat het volgende: je maakt voor elk product een probabilistische forecast en je kunt dat ook doen op het niveau van productfamilies, productiesites, business units en het totale niveau.

Prof. dr. Y. Sagaert: “Kijken we naar macro-economische leading indicators, dan is de waarschijnlijkheid dat één specifiek product afhankelijk is van een macro-economisch event erg laag. Leading indicators worden doorgaans relevant op een iets hoger niveau van aggregatie, niet op een individueel productniveau. Op het productniveau zijn promoties, specifieke events en seizoensgebonden patronen relevant en houden we dus de historische informatie. Op het bovenste niveau kijken we naar macro-economische trends, de marktevolutie en die van klantsectoren. De som van alle forecasts op productniveau is nooit gelijk aan de forecast op totaalniveau, omdat verschillende statistische elementen een rol spelen. Daarom introduceren we een nieuw algoritme dat die zaken op elkaar afstemt.”

Om beide niveaus coherent samen te brengen, wordt gewerkt met een model dat simultaan leert van boven naar beneden en van beneden naar boven. Macro-economische inzichten druppelen zo door naar het productniveau, waardoor je met incidentinformatie, marktintelligentie, sectorinformatie en promoties op productniveau de voorraad beter kunt aansturen.

Van betere forecast naar minder voorraad

Een grote uitdaging bij het werken met leading indicators is de schaal: wereldwijd zijn er veel potentiële variabelen beschikbaar. Een AI-model heeft begeleiding nodig om de juiste te selecteren. In de praktijk blijkt dat wanneer een supply chain manager of vakexpert een grove voorselectie maakt door aan te geven welke variabelen voor een bepaalde sector relevant zijn, de modelprestaties significant verbeteren.

Prof. dr. Y. Sagaert: “Om die menselijke vakkennis gedeeltelijk te automatiseren, wordt gebruikgemaakt van een semantisch algoritme, een bouwblok van generatieve AI. Dat algoritme groepeert variabelen op basis van inhoudelijke samenhang: alles over industriële productie, alles over de rubber- of bouwsector, enzovoort. Vervolgens splitsen we de grote database op in kleine groepen en selecteert een statistisch kernmodel (LASSO) per deelgroep de meest relevante indicatoren. Door die deelgroepen sequentieel te analyseren, krijgen we betere prestaties op het vlak van forecast, accuraatheid, bias en voorraadbeheer. Hebben we geen semantisch algoritme, dan kunnen we statistische clustering doen, bijvoorbeeld op basis van de populariteitsindex.”

Uit die aanpak blijkt dat het selecteren van de juiste leading indicators een grotere impact heeft dan het gekozen model. Een concreet voorbeeld: voor een producent van autobanden in België bleek de registratie van nieuwe auto’s in Zweden een relevante leading indicator. Zonder vakkennis van die markt werd dat statistisch gedetecteerd. “We dachten dat het een AI-hallucinatie was, want het ging tenslotte om de Belgische markt, maar de supply chain manager bevestigde dat Zweden traditioneel een voorlopende markt is voor België op het vlak van auto’s en banden. Dus zonder de input van een expert vooraf selecteerde het model de juiste indicator.”

Wat is uiteindelijk de impact op voorraadbeheer en supply chain planning? “Uit casestudies blijkt dat deze aanpak leidt tot respectievelijk negentien en zestien procent verbetering in bias en accuraatheid. Stappen we daarbij over van een puntvoorspelling naar een probabilistische forecast, dan resulteert dat in een voorraadverbetering van 22 procent, met behoud van het servicelevel. Een externe softwareleverancier die een deel van dat algoritme implementeerde, rapporteerde dat de klantretentie steeg van 69 naar 95 procent”, besluit prof. dr. Sagaert. “Dit soort algoritmen raakt steeds sterker ingeburgerd in de industrie.”

LV