Vijf tools voor vraaggestuurd risicobeheer

Bij het analyseren van supply chain-risico's hebben logistiek managers de neiging zich te concentreren op wijdverbreide verstoringen zoals milieurampen en pandemieën. Het zijn inderdaad deze gebeurtenissen die de eindconsument het meest rechtstreeks beïnvloeden en de aandacht trekken van de reguliere nieuwsmedia.

Er zijn echter minder zichtbare maar niet minder krachtige veranderingen die ook een onvoorbereide supply chain kunnen laten ontsporen. Een daarvan is vraaggestuurde verstoring van de toeleveringsketen, ingegeven door plotselinge veranderingen in consumentengedrag. In onze vraaggestuurde supply chain-economie is dit soort verstoringen net zo belangrijk om te plannen.

Hoewel de aard van het vraaggestuurde risico verschillend is, kan het worden beïnvloed door het aanbodrisico. Als gevolg van de COVID-19-pandemie hebben consumentenmarkten bijvoorbeeld een toestroom van designer-gezichtsmaskers, HEPA-luchtreinigers en handdesinfecterend middel gezien.

Ook de manier waarop consumenten eten, en van wie ze hun eten kopen, is door de lockdowns veranderd. Volgens een recente studie van het EIT zijn de eetgewoonten in 2020 veranderd, waarbij meer mensen thuis eten, thuisbezorging bestellen of online boodschappen doen. Degenen die wel uit eten gingen in steden kozen lokale, onafhankelijke restaurants boven grotere ketens. Voor persoonlijk winkelen kozen velen voor kleinere winkels in plaats van supermarkten.

Veel logistiekmanagers zijn goed op de hoogte van de risico's van toeleveringsbronnen in de nasleep van milieurampen. Wat ze misschien over het hoofd zien, is het effect dat dergelijke gebeurtenissen hebben op de langetermijnvraag van de consument. Geconfronteerd met de realiteit van klimaatverandering, kiezen veel kopers voor duurzamere producten en diensten. Klanten van vandaag vragen zich af of er een duurzamere versie is van het product dat ze willen, of ze dat product morgen echt nodig hebben, of dat ze het product überhaupt nodig hebben.

Een van de snelste manieren waarop de vraag kan veranderen, is door middel van populaire cultuur. Beroemde influencers kunnen voor een dubbeltje veranderen wat voor soort kleding of cosmetica consumenten willen, wanneer ze gefotografeerd worden op straat of tijdens een rode loper evenement. Als het merk dat profiteert van deze bekendheid niet vooruit heeft gepland voor een piek in de verkoop, kan het te maken krijgen met achterstanden en omzet verliezen aan zijn beter voorbereide concurrenten.

Hoewel deze trends niet altijd gemakkelijk te voorspellen zijn - wie wist dat fidget-spinners van de grond zouden komen? — bepaalde insiders uit de branche hebben geleerd de markt te lezen en zien veranderingen eerder aankomen dan de meesten.

Gelukkig is vraaggestuurd risico gemakkelijker te voorspellen dan aanbodrisico, vanwege de brede selectie van beschikbare gegevensbronnen en de analysetechnologie die is ontworpen om die gegevens te verwerken. Afhankelijk van de volwassenheid van uw toeleveringsketen, moet u mogelijk wijzigingen aanbrengen in uw processen en mensen om deze tools effectief te gebruiken. Hieronder volgen vijf essentiële benaderingen om op te nemen in uw risicobeperkende strategie.

Het vastleggen van nieuwe vraaginvoer. Vraagprognoses kijken doorgaans ongeveer 30-90 dagen vooruit. Maar zo'n groot venster is te breed om bruikbare inzichten vast te leggen. Door verkoopgeschiedenis op korte termijn en gerelateerde vraagoorzaken bij te houden, kunnen bedrijven binnen een maand bijna realtime inzichten krijgen om relevantere prognoses te maken.

Bedrijven moeten ook het volume en de variëteit van de gegevensbronnen die ze verzamelen maximaliseren. Details zoals sociaal sentiment, point-of-sale (POS), voorraad en beschikbaarheid op de plank helpen allemaal om de zichtbaarheid van de vraag op korte termijn te verbeteren.

Vraagmodellering. Een vraagmodel helpt toekomstig klantgedrag te voorspellen op basis van ervaringen uit het verleden. Hoe meer externe bronnen u in uw model opneemt, hoe nauwkeuriger en voorspellender het wordt. Externe bronnen kunnen onder meer feeds van sociale media, concurrentie-informatie, weersvoorspellingen en POS-gegevens zijn. In combinatie met interne gegevensbronnen zoals verkoopgeschiedenis, promoties en nieuwe productintroducties, kan deze informatie een veel nauwkeuriger beeld schetsen van gedrag in het verleden en toekomstige trends.

Probabilistische voorspelling . Wanneer prognoses gebaseerd zijn op meerdere variabelen, is de oude deterministische benadering van "één getal" te simplistisch. Een probabilistisch of stochastisch prognoseproces daarentegen houdt rekening met onzekerheid om risico's te helpen beheersen. Met probabilistische prognoses analyseren geavanceerde algoritmen meerdere vraagvariabelen om de waarschijnlijkheid van elke mogelijke uitkomst te berekenen en vervolgens te bepalen welke zich het meest waarschijnlijk zal voordoen. Dit biedt een veel betrouwbaardere manier om voorspellingen te doen wanneer vraagpatronen variabel zijn, de bestelgeschiedenis beperkt is (zoals bijvoorbeeld bij nieuwe producten) of factoren zoals seizoensinvloeden een rol spelen.

Software voor vraagvoorspelling . Het kiezen van de juiste software is de sleutel tot het effectief analyseren van de gegevens die u verzamelt. Vraagvoorspellingssoftware die gebruikmaakt van een probabilistische benadering modelleert automatisch de bottom-up vraag naar individuele artikelen. Het analyseert orderregels om zowel historische vraaghoeveelheden als vraagfrequentie te modelleren, om een ​​nauwkeurige schatting van de volatiliteit te geven. Het juiste systeem begrijpt het verschil tussen het in bulk bestellen van 20 eenheden en het 20 keer verkopen van afzonderlijke eenheden van hetzelfde product. Het behandelt ook de intermitterende "long-tail" vraag naar langzamer bewegende producten, die moeilijk te voorspellen zijn. Het houdt rekening met marktfactoren zoals trends of seizoensinvloeden, maar ook met organisatorische factoren zoals vraagvormende promoties, nieuwe producten, voorspellingsbias en het bullwhip-effect.

Menselijk inzicht en functieoverschrijdende planning. Zodra u een basislijnwaarschijnlijkheidsprognose heeft gegenereerd, heeft u mensen in het bedrijf nodig om deze te verfijnen door hun kennis en expertise toe te voegen. Complexe vraagfactoren, zoals tegenstrijdigheden in consumentengedrag, kunnen het beste worden uitgepakt door een heel team van menselijke analisten.

Neem een ​​voorbeeld uit de mode-industrie. Gen Z-kopers hebben de neiging om prioriteit te geven aan duurzaamheid en geven de voorkeur aan "geüpcyclede" tweedehands kleding. Ze zijn ook de meest waarschijnlijke doelgroep om te kopen van 'fast-fashion'-bedrijven om de veranderende trends bij te houden. Om dergelijke tegenstrijdigheden te begrijpen, moeten de mode-inkopers die trends analyseren, notities vergelijken met merchandisers die dichter bij de werkelijke verkoopcijfers staan. In elke toeleveringsketen geldt dat hoe meer mensen u kunt betrekken bij het verfijnen van vraagprognoses voor financiën, marketing, verkoop, operations en uw kanaalpartners, hoe nauwkeuriger deze prognoses in de loop van de tijd zullen worden.

Zoals de supply chain-goeroe Martin Christopher ooit zei:"Individuele bedrijven concurreren niet langer als op zichzelf staande entiteiten, maar eerder als supply chains." Nooit was dit gevoel meer waar dan het nu is. De bedrijven waarvan de toeleveringsketens het best in staat zijn om de variabiliteit van de vraag waar te nemen en erop te reageren, zullen niet alleen het meest bestand zijn tegen risico's; ze kunnen ook zorgen voor de beste algemene bedrijfsresultaten.

David Barton is algemeen directeur, Amerika, bij ToolsGroup.