Top 5 tools voor het managen van vraag-gedreven toeleveringsketrisico's

Bij het analyseren van toeleveringsketrisico's neigen logistieke managers ertoe om te focussen op wijdverspreide storingen zoals milieu-rampen en pandemieën. Inderdaad, het zijn deze gebeurtenissen die het meest direct de eindconsument beïnvloeden en de aandacht van de mainstream nieuwsmedia trekken.

Er zijn echter minder zichtbare maar niet minder krachtige veranderingen die een onvoorbereide toeleveringsketen eveneens kunnen doen afwijken. Onder deze is vraag-gestuurde toeleveringsketenstoring, gedicteerd door plotselinge veranderingen in consumentengedrag. In onze vraag-gedreven toeleveringsketeconomie is dit type storing net zo belangrijk om voor te plannen.

Hoewel verschillend in aard, kan vraag-gerichte risico worden beïnvloed door aanbodrisico. Als resultaat van de COVID-19-pandemie, hebben consumentenmarkten bijvoorbeeld een instroom gezien van designer gezichtsmaskers, HEPA-luchtreinigers en handgel.

Hoe consumenten eten, en van wie ze hun voedsel kopen, is ook veranderd als gevolg van lockdowns. Volgens een recent onderzoek van EIT, verschoven eetgewoontes in 2020, met meer mensen thuis etend, bestellen van bezorging of boodschappen online doen. Diegenen die wel uitgingen eten in steden kozen lokale, onafhankelijke restaurants boven grotere ketens. Voor fysiek winkelen, kozen velen voor kleinere winkels in plaats van supermarkten.

Veel logistieke managers zijn goed op de hoogte van de risico's die bronnen in de toeleveringsketen lopen in het wake van milieu-rampen. Wat ze mogelijk over het hoofd zien is het effect dat dergelijke gebeurtenissen hebben op langdurige consumentenvraag. Geconfronteerd met de realiteiten van klimaatverandering, kiezen veel kopers voor meer duurzame producten en diensten. Klanten vragen zich vandaag de dag af of er een meer duurzame versie is van het product dat ze willen, of ze dat item echt morgen nodig hebben, of of ze het product helemaal nodig hebben.

Een van de snelste manieren waarop vraag kan veranderen is door populaire cultuur. Celebrity influencers kunnen veranderen welke soorten kleding of cosmetica consumenten willen op een dime, wanneer gefotografeerd op straat of op een rode loper evenement. Als het merk dat profiteert van deze blootstelling niet van tevoren heeft gepland voor een piek in verkoop, kan het achterstanden en verlies van business aan beter voorbereide concurrenten ervaren.

Hoewel deze trends niet altijd makkelijk te voorspellen zijn – wie wist dat fidget spinners op zouden gaan? – hebben bepaalde industrie-insiders geleerd de markt te lezen en kunnen veranderingen eerder zien dan de meesten.

Gelukkig is vraag-gerichte risico makkelijker te voorspellen dan aanbodrisico, vanwege de brede selectie van databronnen beschikbaar en de analytics-technologie ontworpen om die data te verwerken. Afhankelijk van de rijpheid van uw toeleveringsketen, moet u misschien veranderingen aanbrengen in uw processen en mensen om deze tools effectief te benutten. Hier volgen vijf essentiële benaderingen om in uw risicomigratie-strategie te incorporeren.

Nieuwe vraaginvoeren vastleggen

Vraagvoorspellingen kijken doorgaans ongeveer 30-90 dagen vooruit. Maar een venster deze breed is te breed om bruikbare inzichten te vangen. Door korte-termijn verkoopgeschiedenis en gerelateerde vraag-oorzaken te tracken, kunnen bedrijven near-real-time inzichten binnen de maand krijgen om meer relevante voorspellingen te maken.

Bedrijven zouden ook het volume en de varietät van de databronnen die ze verzamelen moeten maximaliseren. Details zoals sociale sentiment, point-of-sale (POS), voorraad en on-shelf beschikbaarheid helpen allemaal de korte-termijn vraagzichtbaarheid te verbeteren.

Vraagmodellering

Een vraagmodel helpt toekomstig klantgedrag te voorspellen op basis van verleden ervaring. Hoe meer externe bronnen u in uw model integreert, hoe nauwkeuriger en voorspellender het wordt. Externe bronnen kunnen sociale media feeds, concurrentinformatie, weersvoorspellingen en POS-data omvatten. Gekoppeld met interne databronnen zoals verkoopgeschiedenis, promoties en nieuwe productinvoeringen, kan deze informatie een veel nauwkeuriger beeld schetsen van verleden gedrag en toekomstige trends.

Kansgebaseerde voorspelling

Wanneer voorspellingen gebaseerd zijn op meerdere variabelen, is de oude "één nummer" deterministische benadering te simplistisch. Daartegenover neemt een kansgebaseerde, of stochastische, voorspellingsproces onzekerheid in rekening om risico te managen. Met kansgebaseerde voorspelling analyseren geavanceerde algoritmes meerdere vraagvariabelen om de kans van elk mogelijke resultaat te berekenen, en te bepalen welk het meest waarschijnlijk is om te gebeuren. Dit biedt een veel betrouwbaardere manier om voorspellingen te maken wanneer vraagpatronen variabel zijn, bestelgeschiedenis beperkt is (zoals bij nieuwe producten), of factoren als seizoensgebondenheid een rol spelen.

Vraagvoorspellingssoftware

De juiste software kiezen is cruciaal om de data die u verzamelt effectief te analyseren. Vraagvoorspellingssoftware die een kansgebaseerde benadering hanteert, modelleert automatisch bottoms-up vraag voor individuele items. Het analyseert orderregels om zowel historische vraaghoeveelheden als vraagfrequentie te modelleren, om een nauwkeurige schatting van volatiliteit te geven. Het juiste systeem zal het verschil begrijpen tussen bulk-bestellen van 20 eenheden en 20 keer één eenheid van hetzelfde product verkopen. Het hanteert ook intermittent "long-tail" vraag voor langzamer bewegende producten, die moeilijk te voorspellen zijn. Het plant voor marktfactoren zoals trends of seizoensgebondenheid, alsook organisatorische factoren zoals vraag-vormende promoties, nieuwe producten, voorspellingsbias en de bullwhip-effect.

Menselijk inzicht en cross-functionele planning

Eenmaal een baseline kansvoorspelling gegenereerd, hebben u mensen in het bedrijf nodig om het te verfijnen door hun kennis en expertise toe te voegen. Complexe vraagfactoren, zoals contradicties in consumentengedrag, worden het beste ontpakt door een heel team van menselijke analisten.

Neem een voorbeeld uit de mode-industrie. Gen Z kopers neigen ertoe duurzaamheid te prioriteren en "upcycled" tweedehands kleding te prefereren. Ze zijn ook de meest waarschijnlijke demografische groep om te kopen bij "fast-fashion" bedrijven om bij te blijven met veranderende trends. Om zin te geven aan dergelijke contradicties, moeten de mode-inkopers die trends analyseren, notities vergelijken met merchandisers die dichter bij de daadwerkelijke verkoopcijfers staan. In elke toeleveringsketen, hoe meer mensen u kunt betrekken bij het verfijnen van vraagvoorspellingen over finance, marketing, sales, operaties en uw kanaalpartners, hoe nauwkeuriger deze voorspellingen in de loop der tijd zullen worden.

Zoals de toeleveringsketenguru Martin Christopher eenmaal zei, "Individuele bedrijven concurreren niet meer als zelfstandige entiteiten, maar wel als toeleveringsketens." Nooit is deze sentiment waarer geweest dan vandaag. Die bedrijven wiens toeleveringsketens het best in staat zijn om vraagvariabiliteit te waarnemen en te reageren, zullen niet alleen het meest veerkrachtig zijn tegen risico's; ze zullen ook in staat zijn om de beste algehele zakelijke resultaten te garanderen.

David Barton is general manager, Americas, bij ToolsGroup.