Nowcasting als forecastmodel voor slow movers

In elke supermarkt circuleren er duizenden producten aan een lage omloopsnelheid. De rotatie is bovendien vaak erg onregelmatig. De ene week verkoopt de retailer enkele van die producten, maar evengoed gaan er enkele weken voorbij zonder verkoop. Dat leidt tot een moeilijk te voorspellen bestelcadans met grillige tussenpozen. Ondanks die complexiteit verwacht de retailer uiteraard een stipte bevoorrading van zijn geplaatste orders. Dat maakt de opdracht er voor de supply chain afdeling van de leverancier niet eenvoudig op. Het bemoeilijkt een efficiënte aanpak van de productie en botst mogelijk ook op de houdbaarheid van de producten, bijvoorbeeld wanneer het om voeding gaat. De bestelhoeveelheden mogen dan wel veelal vastliggen, de uitdaging bestaat er bij dergelijke intermitterende vraag in de timing van de bestellingen in te schatten. Idealiter wil je weten wanneer de volgende bestelling van de retailer plaatsvindt en vervaardig je de producten dan ook pas kort voor het moment waarop je het order verwacht.

Niet geschikt voor VMI

Een logische oplossing is VMI (vendor managed inventory), waarbij de producent of de distributeur de voorraadniveaus beheert in het distributiecentrum van zijn klant – de retailer – op basis van de verwachte vraag en de minimale en maximale voorraden. “Bij leveranciers met kleinere volumes en een beperkte omzet voelt de retailer zich vaak niet geroepen om een VMI op te zetten”, legt Tim Schlaich uit. “Daarnaast blijkt ook de kosten-batenanalyse nadelig. We gingen daarom op zoek naar een alternatieve methode voor informatie-uitwisseling.”

Samen met prof. dr. Kai Hoberg analyseerde doctoraatsstudent Tim Schlaich in hoeverre verkoopgegevens van supermarkten – PoS- of Point of Sales-data – fabrikanten kunnen ondersteunen bij het voorspellen van het bestelmoment. Ze voerden hun research uit namens de Kühne Logistics University (KLU), een particuliere en erkende universiteit in Hamburg. De universiteit is opgericht door de Kühne Stiftung en is genoemd naar de Kühne-familie, bekend van het internationale logistieke bedrijf Kühne + Nagel. De universiteit staat trouwens open voor samenwerkingen met alle bedrijven.

PoS-data met hoog detailniveau

Voor het empirische luik van de studie vormen de verkooppuntgegevens van een kleine Duitse voedselproducent het uitgangspunt. Het bedrijf bedient een retailer met een centraal distributiecentrum en 53 hypermarkten. “Retailers verzamelen Point of Sales-data voor hun eigen doeleinden”, licht Tim Schlaich toe. “De gegevens kennen een hoog detailniveau en geven een helder beeld van de verkoopvolumes van een bepaald product, op een bepaalde dag en in een specifieke winkel. Die data stellen ze ook ter beschikking van marktonderzoeksbureaus als Nielsen en IRI. Dergelijke partijen stellen de cijfers op hun beurt tegen betaling ter beschikking van de leveranciers.”

De onderzoekers beschouwen binnen hun research elke winkelverkoop als een inventarisuitstroom, die de kanaalvoorraad vermindert en bijgevolg tot een nieuwe bestelling leidt. Aan de hand van die informatie schat de producent de huidige voorraad van zijn producten in het winkelpunt in. Het laat hem toe te voorspellen wanneer de volgende bestelling er zit aan te komen. De onderzoekers hebben het in dat verband over ‘nowcasting’. De term wijst op het gebruik van actuele data voor bestellingen in de nabije toekomst. “Het begrip komt oorspronkelijk uit de meteorologie en kwam ook ter sprake tijdens de covidpandemie, toen actuele gebeurtenissen een impact hadden op benodigde capaciteit in de ziekenhuizen”, aldus professor Hoberg.

Voorraadcorrectiefactor

Niet alle producten die de fabrikant naar een retailer stuurt, worden effectief verkocht. Sommige artikelen gaan verloren als gevolg van diefstal, schade of bederf. In de detailhandel van voedingsmiddelen vormt de beperkte houdbaarheid een belangrijke oorzaak. De producten raken ongeschikt voor verkoop in het winkelpunt, vinden hun weg naar andere kanalen of worden zelfs weggegooid.

“Die krimp leidt tot een systematische overschatting van de kanaalvoorraad”, zegt Tim Schlaich. “De waarde van de PoS-gegevens neemt bijgevolg af en de fabrikant moet dat voorraadverlies corrigeren. Hoewel er weinig empirisch onderzoek is uitgevoerd naar de krimp van ‘slow moving’ voedingsmiddelen, geven meer algemene studies aan dat op detailhandelsniveau gemiddeld zeven tot negen procent van het voedsel verloren gaat. Dat percentage hangt sterk af van de productcategorie. Artikelen met een lage omloopsnelheid zijn zeer gevoelig voor krimp, in het bijzonder bij relatief grote verpakkingen. Aangezien de voorraadkrimp omzetverlies veroorzaakt, betekent dat een financiële last voor retailers en fabrikanten. Een ander nadelig effect is het risico op onnauwkeurigheden in de voorraad.”

Nowcasting combineert de PoS-data met die krimpfactor. “We nemen aan dat de fabrikant aan het eind van elke dag de PoS-gegevens van alle winkelpunten verzamelt”, aldus de onderzoekers. “Hij kan bijgevolg de voorraad per retailkanaal dagelijks inschatten. We veronderstellen dat een deel van de voorraad verloren gaat als gevolg van krimp. We hanteren daarom een voorraadcorrectiefactor. Die vatten we op als een constante vermenigvuldigingsfactor die evenredig is met de winkelomzet. Op die manier ontstaat een dynamisch voorspellingsmodel.”

10 tot 20 procentpunt nauwkeuriger

De onderzoekers toetsen hun bevindingen af met de klassieke voorspellingsmethodes op basis van onder meer de verkoophistoriek en seizoensinvloeden. “Om onze methodologie te illustreren, vergelijken we onze resultaten met een Croston-variant en een voortschrijdend gemiddelde-model. Onze theoretische en empirische analyses tonen aan dat de nowcasting-aanpak de ordertijd gemiddeld tien tot twintig procentpunt nauwkeuriger voorspelt dan dergelijke statistische methoden die bedrijven gewoonlijk hanteren”, stipt Tim Schlaich aan. “De toegevoegde waarde van PoS-gegevens is het meest uitgesproken wanneer de tijd tussen bestellingen vrij lang is. In dat geval helpen PoS-gegevens de relatief grote informatiekloof te dichten. De nauwkeurige voorspellingen over de timing van bestellingen vormen bijgevolg een waardevol instrument voor fabrikanten om hun productie en voorraden beter te plannen en tijdig te produceren. Terwijl ordergegevens doorgaans onderhevig zijn aan het bullwhip-effect, capteren PoS-gegevens de echte vraag van eindgebruikers. Dat heeft een positief effect op de nauwkeurigheid van de prognoses. De causale relatie tussen de vraag van eindgebruikers en de bestellingen binnen voorraadsystemen resulteert bijgevolg in nuttige inzichten.”

Volgens het onderzoeksteam kun je nowcasting toepassen op alle slow movers met een distributie via supply chains zonder directe informatie-uitwisseling op verschillende niveaus. De PoS-dataset die de vorsers gebruikten, kostte ongeveer duizend euro. “Het ging om een eenmalige bijdrage, maar in de praktijk is een jaarlijks abonnement aangewezen”, zeggen de onderzoekers. “ De kosten-batenanalyse van zo’n investering hangt af van het voordeel dat je ermee genereert, maar hebben we zelf voor deze studie niet uitgevoerd. Nowcasting zou economisch aantrekkelijker en gemakkelijker te implementeren zijn wanneer retailers de beschikbare voorraad- en vraaggegevens gratis met hun leveranciers zouden delen. Eerdere studies toonden al aan dat het delen van informatie alle partijen in de supply chain ten goede komt. Uiteindelijk profiteert ook de retailer van de verbeterde nauwkeurigheid van de prognoses van de fabrikant en diens vermogen om te leveren.”

Verdere studie vereist

Tim Schlaich en prof. dr. Kai Hoberg wijzen op enkele beperkingen van hun onderzoek. “Hoewel onze datasets zich over meer dan twee jaar uitstrekken, levert de intermitterende vraag van dit ene project slechts summiere informatie. Verdere studies met een grotere steekproefomvang zijn bijgevolg vereist. Hoewel automatische aanvullingssystemen nu wijdverbreid zijn in magazijnen in de detailhandel, kan de werkelijke besteltiming afwijken. Zelfs in de toekomst zullen de menselijke planners waarschijnlijk betrokken blijven bij bestelbeslissingen. Wat de krimpfactor betreft, gaan we ervan uit dat fabrikanten die informatie van detailhandelaren verkrijgen of dat ze die kunnen inschatten. De volgende generatie barcodes, die rijkere informatie zoals de houdbaarheidsdatum opslaan, zijn nu al in gebruik (bijvoorbeeld GS1). We verwachten dat retailers die net als PoS-databanken nog op grotere schaal zullen toepassen. Dat zou het krimpprobleem verminderen en de timing van bestellingen verder optimaliseren.”

DVD/KD