Hybride Vraagsensing: Supply Chains in Staat Stellen te Bloeien in Onzekerheid

De huidige supply chains worden uitgedaagd door productlijn-proliferatie, krimpende productlevenscycli, toegenomen complexiteit, en massive hoeveelheden data. Om die lijst aan te vullen, worden klanten meer demandend en onvoorspelbaar; internet-gevoede trends veranderen op een dime, en promoties en sales zijn onderhevig aan weer, nieuwe productintrodukties en de economie.

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

Vraagsensing, zoals de naam impliceert, is essentieel de kunst en wetenschap van het oppikken van kortetermijn-trends direct, om beter te voorspellen wat consumenten zullen willen. Vraag is onmogelijk perfect te voorspellen omdat het beïnvloed wordt door een oneindig aantal bekende en onbekende variabelen. Volgens een studie van KPMG en de Economist Intelligence Unit, waren slechts 22% van de vooruitschattingen van bedrijven nauwkeurig binnen vijf procentpunten. Gemiddeld lagen vooruitschattingen 13% af, wat een significant effect op de aandeelprijs had.

Er zijn veel puristen die vastblijven bij voorspellingsbenaderingen die gewogen gemiddeldes en andere traditionele methoden gebruiken die makkelijk te begrijpen zijn. Deze benadering voelt misschien comfortabel en toegankelijk, maar kan alleen voorspellingen opleveren gebaseerd op historische vraagpatronen. Het mist cruciale online en externe data die een near real-time blik op vraag en wat het beïnvloedt kan bieden.

Vandaag is er een betere manier. Net als bij het voorspellen van het weer, is het mogelijk om intelligente vraag-sensing systemen te trainen om de schijnbare chaos van consumentenvraag met een hoge graad van nauwkeurigheid te voorspellen. Deze hybride vraag-sensing systemen passen meerdere voorspellingstechnieken en datatypes toe.

Hybride vraagsensing is robuuster, betrouwbaarder en duurzamer dan simpele voorspellingsalternatieven. Het profiteert niet alleen van het toepassen van verschillende planningsbenaderingen, maar wordt ook sterker en responsiever naarmate additionele menselijke intelligentie en datasets in rekening worden gebracht.

Een enorm voordeel van vraagsensing is dat het direct kortetermijn-trends in de voorspelling verwerkt. In plaats van dezelfde voorspelling in een 60 of 90-dagen venster te moeten gebruiken, krijgen planners inzichten die hen machtigen om voorspellingen continu fijn af te stellen met de nieuwste verkoopdata. Deze capaciteit om sneller en vaker te reageren op vraagveranderingen leidt tot hogere winsten en serviceniveaus, en minder verspilling.

Voorbeelden van vraagsensing in de praktijk

• Upstream planning stroomlijnen door direct PoS-data te extraheren. Vraagsensing maakt het mogelijk om relevante informatie direct uit point-of-sale (PoS) data te halen. Dit helpt fabrikanten de nauwkeurigheid van verkoopvoorspellingen te verbeteren zonder te hoeven wachten op input van distributeurs en detailhandelaren.
• Productieplannings-efficiëntie verbeteren. Vraagsensing biedt meer frequente input aan productie- en supply-operaties. Dit maakt het mogelijk om het productieplan dienovereenkomstig aan te passen door orders te versnellen of te de-versnellen, bijvoorbeeld.
• Upstream voorraad continu fijnstellen. Vraagsensing helpt om voorraad dynamisch te optimaliseren en het netwerk te balanceren door rekening te houden met voorraad beschikbaar in regionale magazijnen, samen met voorspelde klantvraag, per locatie.
• De inbound/outbound kloof dichten. Inbound teams willen magazijnen tot capaciteit vullen; outbound teams streven ernaar ze leeg te maken door te verzenden naar detailhandelaren en klanten. Vraagsensing synchroniseert deze twee groepen door een enkel wereldwijd plaatje van vraag te tonen.
• Seizoensgebonden vraag nauwkeuriger voorspellen. Het verbeteren van distributienetwerk-zichtbaarheid is de sleutel tot betere supply-chain-responsiviteit. Dit is vooral belangrijk om goed te krijgen met seizoensgebonden items die misschien maar in één jaartijdsvenster verkopen. Vraagsensing maakt het mogelijk, bijvoorbeeld, om direct te weten wanneer sleutel-detailhandelaren uitverkocht zijn. Evenzo, als een item niet verkoopt zoals verwacht, kunnen fabrikanten snel reageren door productie en voorraad aan te passen om veroudering te voorkomen.
• Voorraad right-sizen voor nieuwe productintrodukties. Naarmate productlevenscycli blijven inkrimpen, is het beheren van item supersession een lopende uitdaging. Vraagsensing helpt bedrijven de optimale voorraadvellen van nieuwe en eerdere productversies te bepalen om klantserviceniveaus te halen.
• Promotieprestaties verbeteren. Vraagsensing kan sell-in data zoals promotie-attributen en product- en marktdetails meenemen, om planners te helpen de factoren achter promotie-opwaarding te begrijpen. Dit helpt planners de impact van toekomstige promoties beter te voorspellen.

TireHub, een distributeur van vervangingsbanden, integreert lokale PoS-data in zijn vraag-sensing model, wat versterkt is met machine learning. Twee uitdagingen van SKU-proliferatie en seizoenaliteit maakten het moeilijk voor TireHub om zijn voorraad optimaal te positioneren. Vandaag de dag plant het niet alleen voor voorspelbare vraagfluctuaties (zoals sneeuwbandenverkoop die in de winter piekt), maar ook de complexiteit van lokale vraag, door te factoren hoeveel van de verschillende automodellen lokaal en regionaal verkocht worden. Met dit model is TireHub in staat om een groot deel van zijn bijvulplanning te automatiseren, zakelijke resultaten te verbeteren, en capaciteit op te bouwen om 70.000 leveringspunten in slechts 18 maanden te bedienen.

Drie manieren om vraag te senseren

Er zijn een aantal manieren om vraag te senseren, en elk nieuw inzicht kan reactietijd versnellen en winst verhogen. De grootste opbrengsten van vraag-sensing processen liggen in drie gebieden:

Kortetermijn voorspelling met sell-in data

De makkelijkste manier voor bedrijven om met vraag te senseren is het gebruik van de meest granulair beschikbare historische data. Dit betreft meestal het analyseren van dagelijkse sell-in/ship-to vraagdata met korte tijdhorizonnen en de voorspelling dienovereenkomstig aanpassen. Dit type vraagsensing rekent met verzendgeschiedenis, die gemakkelijk beschikbaar is in de meeste supply-chain-plannings- of enterprise resource planning (ERP) systemen. Sommige planningstools omvatten kortetermijn-statistische voorspelling, om de responsiviteit van voorspellingen op lopende vraagveranderingen te verbeteren.

Sell-out data incorporeren

Bij het senseren van vraag is het belangrijk om alle mogelijke, nuttige databronnen te brainstormen die de voorspelling kunnen verbeteren. Downstream sell-out intelligentie zoals klant-, PoS- of kanaaldata, kan helpen vraagtrends te identificeren, vroege waarschuwingen van problemen te geven, en de kloof tussen het plan en wat er daadwerkelijk in de supply chain gebeurt te dichten.

Externe data en vraagcausalen toevoegen

Vraagsensing kan en moet ook vraag-gecorreleerde variabelen integreren om een robuuste voorspelling te creëren die in staat is te reageren op een wijd bereik van toekomstige gebeurtenissen, van het bekende tot het onkenbare. Deze omvatten beursfluctuaties, concurrentpromoties, virale sociale media trends, nieuwe productintrodukties, weer en andere externe factoren.

Al drie stukken samenvoegen – de sell-in en sell-out data samen met relevante vraagcausalen – biedt het meest complete, aangesloten plaatje van vraag dat mogelijk is. Het legt ook de basis voor hooggeautomatiseerde vraagsensing, wat planners vrijmaakt om zakelijke kennis toe te passen om voorspellingen en klantenservice verder te verbeteren.

Oneindige interne en externe variabelen beïnvloeden vraagvariabiliteit, en deze zullen alleen toenemen in de enorme veranderingstijd die voorligt. Het beste instrument voor het managen van variabiliteit en het garanderen van hoge service is voorraad. Vraagsensing helpt bedrijven voorraad zo optimaal mogelijk te gebruiken. Het haalt de belangrijke signalen uit de ruis om de voorspellingsnauwkeurigheid te scherpen, de kortetermijn-vraagzichtbaarheid te verbeteren en voorraad te minimaliseren – al verbeterend de service aan klanten. Bedrijven die vandaag investeren in de tools, processen en vaardigheden om hun vraag-sensing mogelijkheden te boosten, kunnen echt klaar zijn voor wat morgen ook kan brengen.

Robert Kaufholz is director of solution design bij ToolsGroup.