Hybride vraagdetectie:toeleveringsketens klaarmaken voor onzekere tijden

De toeleveringsketens van vandaag worden uitgedaagd door proliferatie van productlijnen, krimpende productlevenscycli, toegenomen complexiteit en enorme hoeveelheden gegevens. Om aan die lijst toe te voegen, worden klanten veeleisender en onvoorspelbaarder; Door internet gevoede trends veranderen razendsnel en promoties en verkopen zijn onderhevig aan het weer, de introductie van nieuwe producten en de economie.

Om klaar te zijn voor wat morgen kan brengen, moeten bedrijven begrijpen hoe veranderingen in de toeleveringsketens de vraag beïnvloeden. Alleen dan kunnen ze ervoor zorgen dat de producten die klanten willen op het juiste moment beschikbaar zijn.

Demand sensing, zoals de naam al aangeeft, is in wezen de kunst en wetenschap van het onmiddellijk oppikken van kortetermijntrends, om beter te voorspellen wat consumenten zullen willen. De vraag is onmogelijk perfect te voorspellen omdat deze wordt beïnvloed door een oneindig aantal bekende en onbekende variabelen. Volgens een onderzoek van KPMG en de Economist Intelligence Unit was slechts 22% van de voorspellingen van bedrijven binnen vijf procentpunten nauwkeurig. Gemiddeld waren de prognoses 13% lager, wat een aanzienlijk effect had op de aandelenkoers.

Er zijn veel puristen die vasthouden aan prognosebenaderingen die gewogen gemiddelden en andere traditionele methoden gebruiken die gemakkelijk te begrijpen zijn. Deze benadering voelt misschien comfortabel en toegankelijk, maar kan alleen voorspellingen opleveren op basis van historische vraagpatronen. Het ontbreekt aan cruciale online en externe gegevens die een bijna realtime beeld kunnen geven van de vraag en wat deze beïnvloedt.

Tegenwoordig is er een betere manier. Net als bij het voorspellen van het weer, is het mogelijk om intelligente vraagdetectiesystemen te trainen om de schijnbare chaos van de consumentenvraag met een hoge mate van nauwkeurigheid te voorspellen. Deze hybride vraagdetectiesystemen passen meerdere prognosetechnieken en gegevenstypen toe.

Hybride vraagdetectie is robuuster, betrouwbaarder en duurzamer dan eenvoudige voorspellingsalternatieven. Het profiteert niet alleen van het toepassen van verschillende planningsbenaderingen, maar wordt ook sterker en responsiever naarmate er meer menselijke intelligentie en datasets worden meegenomen.

Een groot voordeel van vraagdetectie is dat het onmiddellijk kortetermijntrends in de prognose opneemt. In plaats van dezelfde prognose in een periode van 60 of 90 dagen te moeten gebruiken, krijgen planners inzichten die hen in staat stellen om prognoses voortdurend te verfijnen met behulp van de nieuwste verkoopgegevens. Dit vermogen om sneller en vaker te reageren op veranderingen in de vraag leidt tot hogere winsten en serviceniveaus en minder verspilling.

Hier zijn enkele voorbeelden van hoe vraagdetectie bedrijven helpt om inzichten om te zetten in winstgevende acties:

• Stroomlijn upstream-planning door direct PoS-gegevens te extraheren. Demand sensing maakt het mogelijk om relevante informatie direct uit point-of-sale (PoS) data te halen. Dit helpt fabrikanten de nauwkeurigheid van verkoopprognoses te verbeteren zonder te hoeven wachten op input van distributeurs en retailers.
• Verbeter de efficiëntie van de productieplanning . Demand sensing zorgt voor frequentere input voor productie- en leveringsactiviteiten. Dit maakt het mogelijk om het productieplan hierop aan te passen door bijvoorbeeld bestellingen te versnellen of te de-spoedigen.
• Blijf upstream-voorraad verfijnen. Vraagdetectie helpt om de voorraad dynamisch te optimaliseren en het netwerk in evenwicht te brengen door rekening te houden met de beschikbare voorraad in regionale magazijnen, samen met de voorspelde vraag van de klant, per locatie.
• Sluit de inkomende/uitgaande kloof. Inkomende teams willen magazijnen vullen; uitgaande teams streven ernaar om ze leeg te maken door ze naar retailers en klanten te verzenden. Vraagdetectie synchroniseert deze twee groepen door één globaal beeld van de vraag te tonen.
• Voorspel de seizoensvraag nauwkeuriger. Het verbeteren van de zichtbaarheid van het distributienetwerk is de sleutel tot een betere responsiviteit van de toeleveringsketen. Dit is vooral belangrijk om het goed te doen met seizoensartikelen die mogelijk maar in één jaarlijks tijdvenster worden verkocht. Demand sensing maakt het bijvoorbeeld mogelijk om direct te weten wanneer belangrijke retailers niet meer op voorraad zijn. Evenzo, wanneer een artikel niet verkoopt zoals verwacht, kunnen fabrikanten snel reageren door de productie en voorraad aan te passen om veroudering te voorkomen.
• Voorraad van het juiste formaat voor introducties van nieuwe producten. Aangezien de levenscycli van producten steeds korter worden, is het beheren van artikelvervanging een voortdurende uitdaging. Vraagdetectie helpt bedrijven bij het bepalen van de optimale voorraadniveaus van nieuwe en eerdere productversies om aan de klantenservice te voldoen.
• Verbeter de prestaties van promoties. Demand sensing kan rekening houden met verkoopgegevens, zoals promotieattributen en product- en marktdetails, om planners te helpen de factoren achter promotieverhoging te begrijpen. Dit helpt planners de impact van toekomstige promoties beter te voorspellen.

TireHub, een distributeur van vervangende banden, neemt lokale PoS-gegevens op in zijn vraagdetectiemodel, dat is verbeterd met machine learning. Dubbele uitdagingen van SKU-proliferatie en seizoensgebondenheid maakten het voor TireHub moeilijk om zijn voorraad optimaal te positioneren. Tegenwoordig plant het niet alleen voorspelbare schommelingen in de vraag (zoals de verkoop van winterbanden met een piek in de winter), maar ook de complexiteit van de lokale vraag, door rekening te houden met hoeveel van de verschillende automodellen lokaal en regionaal worden verkocht. Met behulp van dit model is TireHub in staat geweest om een ​​groot deel van de bevoorradingsplanning volledig te automatiseren, de bedrijfsresultaten te verbeteren en capaciteit op te bouwen om 70.000 afleverpunten te bedienen in slechts 18 maanden.

Er zijn een aantal manieren om de vraag te voelen, en elk nieuw inzicht kan de reactietijd versnellen en de winst verhogen. Het grootste rendement van vraagdetectieprocessen ligt op drie gebieden:

Voorspellingen op korte termijn met verkoopgegevens. De gemakkelijkste manier voor bedrijven om de vraag te meten, is door de meest gedetailleerde historische gegevens te gebruiken die beschikbaar zijn. Dit omvat meestal het analyseren van dagelijkse verkoop-/verzending-naar-vraaggegevens met behulp van korte tijdshorizonten en het dienovereenkomstig aanpassen van de prognose. Dit soort vraaggevoelige factoren in de verzendgeschiedenis, die direct beschikbaar zijn in de meeste systemen voor supply chain planning of enterprise resource planning (ERP). Sommige planningstools bevatten statistische prognoses op korte termijn, om de respons van prognoses op voortdurende veranderingen in de vraag te verbeteren.

Voeg uitverkochte data toe. Bij het detecteren van de vraag is het belangrijk om te brainstormen over alle mogelijke, nuttige gegevensbronnen die de prognose kunnen verbeteren. Downstream-uitverkoopinformatie, zoals klant-, PoS- of kanaalgegevens, kan bijvoorbeeld helpen bij het identificeren van vraagtrends, vroegtijdige waarschuwingen voor problemen en het dichten van de kloof tussen het plan en wat er feitelijk in de toeleveringsketen gebeurt.

Voeg externe gegevens toe en eis causale verbanden. Demand sensing kan en moet ook vraag-gecorreleerde variabelen integreren om een ​​robuuste voorspelling te creëren die in staat is om te reageren op een breed scala aan toekomstige gebeurtenissen, van het bekende tot het onkenbare. Deze omvatten beursschommelingen, promoties van concurrenten, virale trends op sociale media, introducties van nieuwe producten, het weer en andere externe factoren.

Door alle drie de onderdelen samen te voegen - de gegevens over de uitverkoop en uitverkoop samen met de relevante vraag-casuals - krijg je het meest complete, samengevoegde beeld van de vraag. Het legt ook de basis voor sterk geautomatiseerde vraagdetectie, waardoor planners de tijd krijgen om zakelijke kennis toe te passen om prognoses en klantenservice verder te verbeteren.

Talloze interne en externe variabelen hebben invloed op de variabiliteit van de vraag, en deze zullen alleen maar toenemen in de enorme periode van verandering die voor ons ligt. De beste tool voor het beheren van variabiliteit en het garanderen van een hoge service is inventaris. Demand sensing helpt bedrijven om de voorraad zo optimaal mogelijk te benutten. Het haalt de belangrijke signalen uit de ruis om de nauwkeurigheid van de voorspellingen te verbeteren, de zichtbaarheid van de vraag op korte termijn te verbeteren en de voorraad te minimaliseren - en dat alles terwijl de service aan klanten wordt verbeterd. Bedrijven die vandaag investeren in de tools, processen en vaardigheden om hun vraagdetectievermogen te vergroten, kunnen echt klaar zijn voor wat morgen ook kan brengen.

Robert Kaufholz is directeur oplossingsontwerp bij ToolsGroup.