Hoe kun je in crisistijd klantvraag beter managen?

Hoe kun je in crisistijd klantvraag beter managen?
  • 13 januari 2022
  • Gastauteur

Voordat Covid uitbrak, kwam de demand planning al zelden overeen met de daadwerkelijk gerealiseerde sales. Maar sinds het moment dat het virus Europa bereikte, is de hoogte van de verkoop in verschillende productcategorieën nog lastiger te voorspellen.

Hoe hadden tuincentra ooit kunnen bedenken dat consumenten hun vakantiegeld zouden investeren in een overkapping, bestrating of nieuwe tuinset? Hoe konden banketbakkers weten dat de omzet in gebak met wel 80 procent zou kelderen, omdat er geen verjaardagen of bruiloften meer zouden worden gevierd? Die hevig fluctuerende vraag leidde onder meer tot lege schappen wc-papier in de supermarkten en volle rekken voorjaarskleding die niet werden verkocht.

Het consumentengedrag veranderde. Natuurlijk verschoven de kanalen met de exploderende groei van e-commerce, maar ook als mensen naar een winkel gingen, maakten ze andere keuzes. Lokale retailorganisaties hadden het bijvoorbeeld een tijd lang lastig, omdat consumenten liever in één keer alle boodschappen in de supermarkt deden.

Supply chains nog niet hersteld
Alsof dat sterk veranderende consumentengedrag nog niet erg genoeg was, kwamen daar de leveringsproblemen bij. Containers stonden op plekken in de wereld waar ze niet nodig waren, fabrieken en havens in met name Azië gingen met één besmette medewerker al in lockdown. En als ze niet dicht gingen vanwege een coronabesmetting, dan kregen ze wel een ‘power cut’ omdat de energieproductie de vraag naar energie niet kon bijbenen toen bleek dat het met die wereldwijde recessie wel meeviel. Daar zijn nog andere factoren bij komen kijken, waarvan sommige nog steeds een rol spelen: politieke instabiliteit (tussen China en Taiwan met op de achtergrond de Verenigde Staten), het geblokkeerde Suezkanaal, tekort aan grondstoffen en gebrek aan arbeidskrachten.

Toch was die angst voor een diepe recessie voor veel bedrijven aan het begin van de pandemie wel de reden om hun demand planning bij te stellen. Met als gevolg dat toeleveranciers gingen afschalen en bouwplannen voor extra fabrieken in de ijskast gingen. Toen bleek dat consumenten hun geld massaal gingen investeren in duurzame gebruiksartikelen, klopten bedrijven allemaal tegelijkertijd aan bij hun toeleveranciers. Dit was de hoofdoorzaak van het wereldwijde tekort aan computerchips, om maar een voorbeeld te noemen.

Pas op voor bullwhip-effect, verbeter je demand planning
Dat tekort aan computerchips is meteen een goed voorbeeld van het zogenoemde bullwhip-effect (zweepslag-effect) dat ontstaat als de demand planning niet klopt. Als de vraag namelijk hoger is dan voorspeld, ontstaan er leveringsproblemen. Is de vraagvoorspelling lager dan de werkelijke vraag, dan liggen de magazijnen vol en dat kost handenvol geld. Beide situaties zijn onwenselijk. Maar het risico op deze scenario’s ligt op de loer in de huidige VUCA-wereld. De vier letters in het acroniem komen van de Engelse termen:

    * volatile (snel veranderend);

    * uncertain (onzeker);

    * complex (complex);

    * ambiguous (vaag/dubbelzinnig).

Integreer open data in je ML-modellen
Alle reden dus om de vraagvoorspelling te verbeteren. Is het niet om je customer service levels te verhogen, dan op zijn minst om je supply chain kosten te verlagen. De vraag is alleen: hoe kun je in hemelsnaam voorspellingen doen in zo’n onzekere wereld? De oude methode werkt in ieder geval niet meer, want je historische data hebben geen enkele voorspellende waarde meer voor de toekomst. Je zult meer data in je voorspellingen moeten betrekken.

Het goede nieuws is: veel data is ook vrij beschikbaar als open data, zoals bijvoorbeeld e  de R-factor, de werkloosheidscijfers of het consumentenvertrouwen. Je kunt deze data in je voorspellende modellen volautomatisch inladen.. En het andere goede nieuws: de AI en Machine Learning (ML) modellen zijn vandaag de dag ook zo geavanceerd dat deze modellen zelf op zoek kunnen gaan naar causale verbanden tussen de data en het effect op de verkoopcijfers. Het model doet dan uit zichzelf de suggestie: deze data helpt je om de kwaliteit van je demand forecast te verbeteren en deze data heeft geen enkele voorspellende waarde.

Een goed voorbeeld is een Proof of Concept (PoC) die SAS bij een bekende CPG organisatie heeft gedaan. De demand planners waren gewend om de door hun systeem voorspelde vraag handmatig wat op te plussen of juist te downsizen, omdat ze wisten dat bepaalde ontwikkelingen niet in de voorspellingen waren meegenomen. Door het voorspelmodel te verrijken met meer variabelen hebben we laten zien dat we de nauwkeurigheid van de vraagvoorspelling fors konden verbeteren. Op basis van deze PoC hebben wij onze software doorontwikkeld; daar zit nu ook een module Assisted Demand Planning bij. Aan de ene kant kan de demand planner zien hoe waarschijnlijk het is dat een zojuist gemaakte aanpassing inderdaad nauwkeurigere voorspellingen maakt, en aan de andere kant adviseert de software aan welke productcategorieën het beste tijd en energie besteed kan worden.

Optimaliseer je supply chain met analytics
Het mooie van een betere demand planning is dat je het bullwhip-effect verderop in je supply chain kunt verkleinen of zelfs helemaal voorkomen. Maar data en analytics kunnen ook helpen om je logistieke netwerk te optimaliseren. Je kunt analytics uitstekend inzetten om te berekenen: waar moet ik productiecapaciteit opbouwen? Waar moeten mijn DC’s komen? Hoe vaak moet ik klanten bevoorraadden? En meer van dit soort supply chain vraagstukken.

Combineer domeinkennis en data science
Dit lijken allemaal mooie beloftes, maar tot nu toe halen veel bedrijven bij lange na niet het gewenste rendement uit hun investeringen in analytics. En ja, dat zien we helaas maar al te vaak gebeuren. Vaak komt dat doordat analytics nog te veel het speeltje van de IT-afdeling is. Er worden mensen opgeleid tot data scientist en die gaan zonder specifieke domeinkennis aan de slag. Ze maken prachtige dashboards, maar in de praktijk blijken deze nauwelijks aan te sluiten bij de échte behoefte. Aan de andere kant slagen de business verantwoordelijken er niet in die echte behoefte goed voor het voetlicht te krijgen bij de data scientists. Met als gevolg een mismatch en het gevoel dat de investeringen in software en expertise onvoldoende rendement opleveren.

Wil jij de vruchten plukken van de inzet van data en analytics, zorg dan dat het een gezamenlijk project wordt van de business ėn IT. Want zonder de juiste inbreng van domeinkennis zullen al die mooie algoritmes de plank misslaan.

Ronald Breedveld
Retail & CPG Director bij SAS

(beeld: EV  / Unsplash)

comments powered by Disqus
  • Deel dit artikel
  • Geplaatst in
  • Reacties
  • Link