Accurater forecasten: Investeer in data gedreven cultuur!

Marco van Alfen is Planning & Control expert bij EyeOn met een achtergrond in Supply Chain Management en Finance & Control (RC). Hij heeft 20 jaar ervaring in het ontwerpen en implementeren van S&OP/IBP projecten bij grote multinationals zoals Philips en Heineken.

Voor Alex van Groningen verzorgt hij de cursus Effectief Forecasten. Deze training van een dag is vooral gericht op de planning en control vraagstukken van grote maakbedrijven. Organisaties die over de hele wereld produceren en leveren en dien ten gevolge te maken hebben met complexe forecasting en planning processen om bijvoorbeeld service levels aan de ene kant en voorraden aan de andere kant te managen. Typisch wordt hierbij voor de middellange termijn planning gebruik gemaakt van een S&OP proces waarmee een organisatie een brug probeert te slaan tussen de strategische en operationele planning. “Juist in dit S&OP proces met een planningshorizon van 3-18 maanden (maar afhankelijk van de specifieke industrie en organisatie) is de groeiende inzet van meer en meer data een belangrijke trend. Er is enorm veel data beschikbaar die we kunnen inzetten voor planning.”

Mens & machine – menselijke planners of machines

Dankzij Moore’s Law veranderen de mogelijkheden met betrekking tot het gebruik van deze data in planning en forecasting processen op een fundamenteel niveau. “Daar is geen twijfel over mogelijk”, zegt Van Alfen. “Er is steeds meer data beschikbaar en de rekenkracht van computers neemt exponentieel toe. Dat betekent dat AI en machine learning in toenemende mate kunnen worden ingezet in planningsprocessen. Zo wordt er steeds slimmer gebruik gemaakt van predictive analytics: algoritmes die voorspellingen doen over bijvoorbeeld de vraag naar producten. Een stap verder is prescriptive analytics, waarbij het algoritme niet alleen de vraag naar een product voorspelt, maar ook aanbevelingen doet over bijvoorbeeld de aan te leggen voorraden en distributie.”

Een interessante ontwikkeling daarbij, ziet Van Alfen, is dat algoritmes steeds vaker betere prognoses maken dan mensen. “De vraag in veel bedrijven is daarom: wat laat je nog door menselijke planners doen en wat door machines?” Dat laatste – sturen op prognoses die door een machine zijn gemaakt – vinden veel mensen nog spannend, want er is een black box. Hoe komt het algoritme tot deze voorspelling en hoe betrouwbaar is dat? “Ik ken voorbeelden van bedrijven die hele dure software voor forecasting hebben aangeschaft, maar uiteindelijk niet durven te vertrouwen op wat het systeem ze voorschrijft. Het gaat niet vanzelf. Als je dit goed wilt doen moet je investeren in data, mensen, systemen en processen.”

1) Er is veel bruikbare data beschikbaar

Dat er bij bedrijven veel data beschikbaar is die bruikbaar is voor forecasting zal geen verrassing zijn. Point of sale data bijvoorbeeld. Of andere data die al gauw van een enorme omvang zijn. Reden voor EyeOn – specialist in het ontwerpen en (her)inrichten van forecasting en planningsprocessen – om een data science team op te richten waar inmiddels 25 mensen onderdeel van uitmaken. “Omdat we zo’n groot team hebben kunnen we een stap voor blijven bij wat het gemiddelde is in bedrijven”, aldus Van Alfen. “En via onze Managed Services kunnen we bedrijven een deel van het werk uit handen nemen op het gebied van forecasting en demand management, voorraad en supply optimalisatie en E2E supply chain inzichten. Hier wordt ook volop gebruik gemaakt van specialisten en technieken in statistisch forecasten op basis van veel data.”

Het managen van enorme hoeveelheden data is geen makkelijke opgave. Van Alfen: “Bij ons Managed Services team kwam op een gegeven moment zoveel data samen dat we er niet meer mee om konden gaan. Dus hebben we geïnvesteerd in de capaciteit om dat wel te kunnen. Dat moet je echt doen wanneer je big data wilt gaan inzetten voor je planning en prognoseprocessen.”

2) Zorg dat mensen het systeem gaan gebruiken

Gigantische hoeveelheden data kunnen hanteren is de eerste stap, vervolgens wil je iets doen met die data. Daar heb je mensen van verschillende profielen voor nodig. Uiteraard de data scientists die gebruik weten te maken van de laatste technieken (en de klassieke) en ervan houden in datasets te duiken om verrassende patronen te ontdekken. “Maar je hebt uiteraard ook mensen nodig die de passende algoritmes kunnen maken”, stelt de Planning & Control expert. Deze data engineers hebben een technische achtergrond, houden ervan processen te automatiseren en worden warm van ‘big data’. “Ze helpen het systeem te ‘leren’ op het gebied van accuraatheid en voorspelbaarheid.”

Vervolgens moet je er zorg voor dragen dat mensen het systeem gaan gebruiken. “Zoals ik al zei, wanneer mensen de black box niet begrijpen, gaan ze niet vertrouwen op de technologie”, zegt Van Alfen. “Althans mensen van mijn generatie niet. Millennials zijn gewend om alles aan Google en Siri te vragen, maar veel mensen zullen nog willen weten hoe een (plannings)systeem van input naar output komt. Om ze mee te krijgen zul je deze uitleg moeten verschaffen.”

Marco van Alfen: “Leg de black box uit om mensen mee te krijgen.”

Voorts valt of staat het slagen van data driven forecasting met de kwaliteit van de data. Daarbij hoort ook dat mensen begrijpen hoe de (master) data die zij creëren gebruikt wordt elders in de organisatie, bijvoorbeeld in planning en forecasting processen. Van Alfen: “Verbeter de processen door de data-cultuur te versterken en uit te leggen hoe data door de organisatie stroomt. Het creëren van deze inzichten in hoe systemen werken en hoe het grotere plaatje eruit ziet wordt typisch gedaan door mensen die de techniek begrijpen en een brug kunnen slaan naar de implicaties voor de business en haar planningsprocessen. Ze zijn in wezen multidisciplinair en hebben niet alleen een technische achtergrond.”

Deze bruggenbouwers kunnen geholpen worden door ‘data insights designers’. “Deze zijn in staat complexe data om te zetten in inzichten en een helder verhaal. Ze weten wel raad met tools als Power BI en Tableau en zijn sterk in data visualisatie”, aldus Van Alfen. Ten slotte moet je als bedrijf dat enorme hoeveelheden data verzamelt vanuit verschillende bronnen zorgen dat dat allemaal ordentelijk binnen het wettelijke en ethische toelaatbare geschiedt. “Dat wordt vaak centraal georganiseerd en kan vanuit verschillende disciplines gebeuren. Bijvoorbeeld door professionals met een achtergrond in wetgeving, maar ook een CSR manager die zorg draagt voor het goed omgaan met klant gerelateerde data.”

3) Investeer in systemen 

“Je zult ook moeten investeren in systemen”, stelt de Planning & Control expert. “Aan de (technische) achterkant, maar ook aan de voorkant. Enerzijds om met veel data en met complexe algoritmes om te kunnen gaan. Anderzijds om gebruik te stimuleren. EyeOn heeft geïnvesteerd een eigen platform met een repository aan slimme algoritmes en gebruikers apps waar mensen eenvoudig mee kunnen werken. Beide zo gemaakt dat eens ontwikkeld ze geschikt zijn voor hergebruik.”

4) Data gedreven cultuur

Veel beslissingen worden nog genomen op basis van intuïtie. “Niks mis mee”, zegt Van Alfen, “dat hoort ook gewoon bij ondernemerschap. Echter, is er zoveel data beschikbaar dat je kansen laat liggen als je daar niks mee doet. Je zult dus moeten investeren in een data-gedreven cultuur. Hier ligt overigens een belangrijke rol voor de control-functie: borgen van de onderliggende feiten waarop besluiten genomen worden.

Concreet betekent dit dat je bijvoorbeeld voor een deel van je processen geen menselijke inbreng meer gebruikt maar vertrouwt op wat er uit een machine komt. Zoals bij een ABC/XYZ clustering van je portfolio waarbij je over twee assen, belangrijkheid en voorspelbaarheid je producten indeelt. Voor een aantal van deze clusters zal een algoritme beter scoren dan de mens, of gelijkwaardig. Dan betekent enrichment eigenlijk ‘enpoorment’ of je bent je tijd niet efficiënt aan het benutten. Bij onze Managed Services tak merken we dat het inmiddels niet ongebruikelijk meer is dat een klant er voor kiest om een deel van het portfolio dicht te zetten voor verdere enrichment. Dan kunnen de mensen die daar eerst veel tijd aan kwijtwaren deze tijd nuttiger kunnen besteden, aan bijvoorbeeld analyses.

Een ander voorbeeld waarbij processen geraakt worden is bij een grote levensmiddelen klant van ons, met een business gekarakteriseerd door een hoge promodruk. Daar speelt men nu tijdens het demand planning proces met drivers van een promotie, zoals prijs elasticiteit, om de beschikbare capaciteit optimaal te benutten. Daarmee verandert het planningsproces. Niet een forecast maken en dan bepalen wat je er mee gaat doen, maar al in de forecast verschillende alternatieven aflopen. Van een strikt sequentieel S&OP proces waarbij supply planning volgt op demand planning naar een proces waarbij deze balancing act meer parallel loopt.”

Inbouwen van agility

Wanneer je een data gedreven cultuur hebt, kan je dit ook helpen wanneer door een heftige externe gebeurtenis, zoals een wereldwijde pandemie, je forecasting modellen niet goed meer werken. “Hier kun je niet meer op historische data alleen rekenen, want de normale patronen zijn verstoord.” De verkoop daalt enorm bijvoorbeeld (andersom kan ook, zie supermarkten). De tot dan toe gebruikte statistische modellen blijken niet snel genoeg om de nieuwe informatie op te nemen, of te sterk afhankelijk van eerder gedrag. ‘Rubber Duck forecasting’ kan dan een oplossing zijn. Deze methode verdeelt de tijdshorizon in vier momenten, die de vorm aannemen van een badeend: regelmatige verkoop, verstoring (Corona), herstel en nieuw normaal.

De methode gaat ervan uit dat de reguliere verkoop de patronen van de statistische prognose in een stabiele omgeving zal volgen. Vervolgens begint de impact van Corona, wat een daling van de vraag veroorzaakt. Er begint een periode van verstoring. Uiteindelijk zal de verkoop naar verwachting herstellen. Het nieuwe normaal wordt gedefinieerd als de periode met nieuwe stabiele verkopen. Vanaf dit punt kunnen de statistische prognosemethoden het opnieuw overnemen. Inschatting van de fases en bijbehorende afnames en toenames in de vraag zijn daarbij van belang. De vraag naar je product is tijdelijk weg. Ergens gaat het weer omhoog, maar hoe groot is de afname en hoe lang? Simulaties kunnen helpen om moeilijke keuzes te maken. Wil je snel weer op normaal niveau kunnen leveren heb je voorraad nodig. Maar die moet gefinancierd worden. Als je besluit geen grote voorraden aan te leggen, loop je weer kans om omzet mis te lopen. Zeker in de consumenten business is dit een grote uitdaging. Waar ga je op reageren en wanneer?”

Een ding is zeker: Corona heeft een enorme impact op de voorspelbaarheid van de businessomgeving. Om daarop in te spelen is een beter planning en forecastingsvermogen cruciaal. Met historische data alleen ga je dit niet redden en je zult gebruik moeten gaan maken van andere bronnen. Kortom, het bouwen van een data gedreven cultuur is de sleutel tot succes”, besluit de Planning & Control expert.