Meer statistiek bij Colruyt

Supermarktketen Colruyt Laagste Prijs beschikt intussen over een uitgebreid team van planners en stockbeheerder, waarvan er zich een vijftiental volledig toeleggen op de forecast voor de supermarktketen en de andere focussen op de distributie van de magazijnen naar de winkels. Zij werken aan cijfers voor de verwachte verkoop van tienduizenden verschillende producten. 
Steven Vanbellinghen, projectleider bij Colruyt: “De collega's van het prognoseteam halen vandaag zeer mooie resultaten, waar we zeer tevreden over zijn. Maar de manier van werken is vandaag arbeidsintensief. Als we het aantal artikelen waarvoor we forecasten willen opdrijven, kan dat niet meer op diezelfde manier.”

Binnen de groep is beslist ook de andere voedingsketens op een gelijkaardige manier te laten forecasten. Het gaat dan om supermarkten zoals Okay en BioPlanet, maar ook om de groothandels zoals Retail Partners en het Franse dochterbedrijf CodiFrance. Colruyt Group wil ten eerste kunnen forecasten op een nog grotere groep van producten van wel 100.000 SKU’s. En ten tweede wil het dat elke tak nog altijd op zijn eigen manier te werk kan blijven gaan. In Frankrijk, bijvoorbeeld, zullen de forecastmodellen net iets anders moeten toegepast worden omdat er zowel meer lokale producten als lokale acties zijn. De oplossing die nu wordt opgezet moet vlot met deze verschillende noden kunnen omgaan.

​Carte Blanche

Colruyt gaf zijn team carte blanche om een nieuwe oplossing te zoeken. 
Sandie Broekx, data scientist bij Colruyt: “Alles was mogelijk. We hebben gekeken of we de bestaande manier konden herbedenken en of we stukken konden hergebruiken. Uiteindelijk hebben we ervoor gekozen vanaf een wit blad opnieuw te beginnen, met de bestaande kennis en ervaring in het achterhoofd. Tegelijk zijn de basisprincipes dezelfde, we willen een forecast maken die de klant centraal stelt. Wat zal de consument kopen, wanneer en in welke hoeveelheid?”

De afdeling ‘Verkoopsprognose en filiaalstockbeheer’ van Colruyt Group ging dus ook te rade bij de specialisten in eigen huis. Er was al een kleine groep van data scientists bij de supermarktketen aan de slag. Stilaan is hun bevoegdheid uitgebreid en intussen werd beslist het departement Data Science op groepsniveau te ontplooien zodat alle entiteiten uit de groep en alle departementen – potentieel ook de personeelsdiensten of financiële departementen – gebruik kunnen maken van hun expertise. Daarbij is het de bedoeling de kennis te verspreiden en dankzij automatisering ook grotere volumes te kunnen verzetten.
Sandie Broekx: “We werken al een tijd aan verschillende projecten rond optimalisering en segmentering voor de marketingafdeling. Nu maken we de overstap naar de supply chain. Daarbij moeten we rekening houden met specifieke vereisten. In de supply chain rekenen we bijvoorbeeld in verkoopeenheden, en niet in prijzen of omzet. Maar tegelijk kunnen we toch verder bouwen op de algemene principes van de statistiek, die in alle domeinen geldig blijven.”

Het data science team heeft ervaring met SAS en is gewend om indien nodig zelf aanpassingen aan de programma’s door te voeren. “Dat was uiteindelijk een belangrijk criterium bij de selectie van een nieuwe software”, weet Sandie Broekx. “De concurrerende toepassing (Oracle) werd ervaren als veel meer een black box, die oplossing was te nemen of te laten. Wij houden van de flexibiliteit van SAS en de controle die het toelaat. Dat is ook belangrijk nu we voor andere afdelingen met een heel andere problematiek gaan werken. Het is in ieder geval de bedoeling dat we de kennis volledig in huis opbouwen. Na een periode met ondersteuning van externe consultants willen we zelf het heft stevig in handen hebben en volledig onafhankelijk kunnen werken.”

​Beheers de uitzonderingen

Het data science team voerde als pilootproject een aantal forecasts met de tools van SAS uit en was al snel tevreden over het resultaat. 
Steven Vanbellinghen: “We zagen een graad aan accuraatheid die in lijn is met onze manuele forecasts, een niveau waarmee we op zich tevreden zijn. Het verschil zit echter in de efficiëntie. De software weet automatisch de juiste verbanden te vinden zodat een groot deel van de forecasts door de computer kan worden berekend. We zagen wel een aantal problemen. Zo laat het aankoopgedrag van klanten rond feestdagen zich nog niet zo makkelijk modelleren. Op zich hoeft dat geen probleem te zijn. Wij weten namelijk uit eigen ervaring dat dit niet gemakkelijk is. Daarom mikken we op een hoge graad aan automatische forecasts aan de hand van statistische berekeningen door de computer, aangevuld met een bescheiden aantal manuele bewerkingen. We opteren voor het principe van ‘management by exception’.” 

De planners bekijken daarna alleen nog die forecasts waar ze problemen zien of waar ze twijfels hebben bij de voorgestelde resultaten. Dat kan dan gaan om moeilijke periodes of producten met vreemde verkooppatronen. Voor dergelijke producten hanteert Colruyt nu ook al modellen gebaseerd op historische data.
Sandie Broekx: “Dat zijn geen tijdreeksen zoals we die in de statistiek hanteren, maar die modellen bevatten dezelfde logica en houden ook rekening met een resem factoren zoals promoties of het weer. Die onderliggende methodiek willen we behouden en nog verder uitwerken. Maar de planner blijft altijd verantwoordelijk voor zijn forecast. In sommige gevallen zal hij de automatische forecast overnemen, in andere gevallen zal hij ze aanpassen in functie van zijn eigen kennis en aanvoelen. Vaak gaat het om de weging van één bepaalde parameter die bepalend kan zijn voor de accuraatheid van de forecast. Het is de bedoeling dat goed op te volgen en de resultaten van de statistische berekeningen, de manuele inbreng van de planner en de realiteit met elkaar te vergelijken om zo de modellen voortdurend te verbeteren. Als de manuele forecasts beter zijn, dan moeten we de modellen aanpassen, en omgekeerd.”

​Verschillen binnen de groep

Het businessmodel van Colruyt, Okay of BioPlanet is heel verschillend. Ook het aantal SKU’s en het aantal verkochte exemplaren van een bepaald product zijn van een heel andere orde. Dat heeft ook zijn impact op de forecasts en de eisen die eraan worden gesteld.
Steven Vanbellinghen: “Wanneer de volumes heel groot zijn, willen we ook een betere accuraatheid van de forecast. Maar een model dat een volume voor een bepaald product voorspelt voor Colruyt, moet niet noodzakelijk zo nauwkeurig zijn voor pakweg Okay. Soms heeft het geen zin om laatste percentages te verbeteren. Als er vanuit logistieke optimalisaties steeds per twintig stuks wordt geleverd, maakt het verschil tussen een prognose van vijf of tien stuks niet meer veel uit. En er zijn ook andere verschillen. Zo werkt Colruyt met dagelijkse forecasts op een horizon van negen weken, terwijl sommige andere ketens liever met een wekelijkse forecast werken, en nog andere ook rekening houden met een horizon van één jaar. Met onze manuele modellen kunnen wij daar niet zomaar aan tegemoetkomen, maar met de statistische tools kan dat wel.”

​Vooral interne data

De tabellen die Colruyt Group nu hanteert, bestaan haast volledig uit eigen data. Voor een bedrijf dat de laagste prijs toepast en er dus een punt van maakt onder de prijs van de concurrentie te gaan, is dit niet altijd evident
Steven Vanbellinghen: “Wij reageren altijd op de concurrentie wanneer ze een lagere prijs hebben dan wij. Aangezien de concurrenten hun prijzen niet delen, maken wij bij onze forecast gebruik van onze eigen actie – de prijsdaling na prijsopnames. Voorlopig is alleen de weersvoorspelling voor de volgende twee weken afkomstig van buitenaf. Op langere termijn maken we wel weer gebruik van onze eigen vaststellingen.”
Sandie Broekx: “We staan wel degelijk open voor het gebruik van externe data, maar in de praktijk doen we het nu nog heel weinig. Tegelijk zien we wel dat we moeten blijven verbeteren en daarbij moeten we ook kijken naar betere gegevens.”

Sandie Broekx legt de vinger op nog enkele zwakke punten van de statistische aanpak. “Je mag dan wel een mooi model hebben, als je het niet met de juiste gegevens kunt voeden, kun je nog niet veel doen. Bijvoorbeeld, we kennen de prijs niet in de toekomst, maar toch is dat een zeer belangrijke parameter die de verkoop mee bepaalt. Zo hebben we goede modellen voor de verkoop van kalkoenen met Kerstmis, maar als de prijs daarvan onverwacht met dertig procent zakt, kloppen onze voorspellingen niet meer. Als alternatief kan je ook voor variabelen als prijs statistische berekeningen gebruiken, maar ook SAS geeft aan daar zeer voorzichtig mee te zijn. In de praktijk lossen we die onzekerheid op door de termijn tussen aankoop en verkoop zo kort mogelijk te houden. In een periode van een week loop je dan niet zo veel risico. Ook de promoties op de langere termijn zijn niet altijd gekend. We gaan ervan uit dat we dat manueel zullen oplossen. Dat is geen probleem als het maar beperkt blijft in omvang.”

Sandie Broekx wijst ook op de verschillende vormen die seasonality kan aannemen. “We hebben producten die we alleen in bepaalde periodes aanbieden, denk maar aan aardbeien of asperges. Andere producten zijn wel het hele jaar beschikbaar, maar de verkoop ervan is heel erg afhankelijk van de tijd van het jaar. De oplossing voor forecasts daarvoor is dat we eenzelfde statistische methode hanteren waarbij we de tijd als het ware samendrukken. We spelen dan met variaties van het begin en het einde van het seizoen. De lengte van een piekperiode kan heel erg variëren.”

Daarnaast blijft het moeilijk een forecast te maken van nieuwe producten. Dat kan wel gedeeltelijk worden opgelost door terug te grijpen naar modellen van vergelijkbare producten. 
Steven Vanbellinghen: “Innovatie in de voeding is vaak een heel subtiel fenomeen, met minimale wijzigingen ten opzichte van een ouder artikel. De modellen van dat oude artikel kunnen we dan gebruiken om een forecast te maken. Daarbij moet gezegd dat statistiek het beste werkt op grote volumes van data. Dat wordt moeilijker in een omgeving met steeds meer SKU’s die in kleine volumes worden verkocht. Ook uitbreidingen van assortimenten vragen specifieke aandacht. Als we volgend jaar zes verschillende soorten peren in het gamma voeren en de voorbije jaren slechts 3, dan is het statistisch moeilijk te voorspellen wat de exacte impact zal zijn.” 

De bluts met de buil

Colruyt is onlangs begonnen met de evaluatie van een eerste globale forecast van alle artikelen in het gamma met de nieuwe tool. Daarin zitten ook forecast voor meerdere periodes zodat het team beschikt over cijfers voor gewone weken en ook voor specifieke seizoenartikelen. 
Steven Vanbellinghen: “We stellen vast dat een groot deel van de forecasts heel vlot is verlopen met goede resultaten. Andere liepen minder en sommige zijn ook gewoon niet goed. Die moeten we dan onder handen nemen. We willen hoe dan ook niet te diep graven. We willen de grote lijnen correct hebben en zijn helemaal niet van plan de forecasts af te stellen op individuele producten. Op dat vlak nemen we de bluts met de buil.”

Hij wijst er ook op dat de distributiesector de statistici voor grote uitdagingen stelt. Colruyt was in de voorbereiding van het project ook bij andere gebruikers op bezoek geweest. “Een van die referenties had bijvoorbeeld een duizendtal SKU’s met een maandelijks forecast proces. Wij beginnen meteen met 20.000 SKU en een dagelijks proces. En we zullen later eindigen met bijna 100.000 SKU-commerce combinaties. Dat is toch een andere complexiteit.”