Overvolle magazijnen, lege schappen en problemen in de keten. Afgelopen jaren hebben we alles voorbij zien komen. Onze economie werd een aantal keer flink afgeremd door lockdowns, kwam soms razendsnel weer opgang door stimulering en mogelijk koersen we nu af op een recessie. Vraagvoorspelling en sales forecasting komen hiermee in een nieuw daglicht te staan. De impact op de financiële performance van onder meer voedingsmiddelenbedrijven kan immers enorm zijn. Hoe kun je als bedrijf beter inspelen op deze veranderlijke markt? Welke rol speelt data om je omzet beter te voorspellen? En hoe kunnen we machine learning inzetten om de vraag, ondanks onzekerheden, toch goed te voorspellen?

Covid als voorbeeld van vraagdisruptie

Iedereen kan het zich vast nog herinneren, 27 februari 2020 de eerste coronabesmetting in Nederland. Het ene coronabericht volgde het andere snel op. Niemand kon zich toen voorstellen hoeveel uitdagingen en onzekerheden deze pandemie met zich mee zou brengen. Naast het feit dat de pandemie extreme gevolgen had op sociaal-maatschappelijk niveau, hadden de bedrijven ook geen idee wat ze te wachten stonden. Een lastige tijd. Nu lijken we het ergste gehad te hebben maar zijn we wel klaar voor de toekomst, nu de pandemie over is?

Volgens een analyse van de Wereldbank, gebaseerd op basis van enquêtes bij meer dan 120.000 bedrijven in meer dan 60 landen, bleek dat de omzet van sommige bedrijven omhoog schoot, terwijl andere bedrijven moesten vechten om niet failliet te gaan. Bepaalde bedrijven zagen de vraag naar hun producten in de eerste paar maanden 20% toenemen en zelfs 34% in de maanden daarop. Aan de andere kant hadden de 25% meest getroffen bedrijven een omzetdaling van maar liefst 72% in de eerste maanden en 50% in de maanden die daarop volgden. Uiteraard komen deze verschillen ook door het verschil in hoe zwaar landen en sectoren door COVID-19 zijn geraakt. Sommige landen werden zwaarder geraakt dan andere en ook de impact op bepaalde sectoren was groter dan andere. De horeca lag bijvoorbeeld vrijwel stil, terwijl supermarkten topomzetten draaiden.

Zijn historische data nog een betrouwbare vraagvoorspeller?

Het is duidelijk dat corona een flinke impact heeft gehad op de historische sales data. Hoe moet je hier nu mee omgaan? Waar je eerst de vraag vrij zeker wist te voorspellen kan dat nu totaal veranderd zijn. Stel je verwacht op basis van historische data uit voorgaande jaren in september 20% meer te verkopen dan in augustus, dan kun je daar rekening mee houden in de forecast. Op basis hiervan kun je processen optimaliseren, gericht inkopen en capaciteit inplannen. Maar wellicht zijn consumenten door de pandemie wel ander gedrag gaan vertonen waardoor de sales de afgelopen 2 jaar überhaupt veel hoger lag. Of is de verdeling van de vraag over de afgelopen maanden erg veranderd.

Vervolgens is het de vraag of dit gedrag blijvend is veranderd door de pandemie of dat het oude vraagpatroon weer terugkeert. Het is in ieder geval zeker dat je niet meer blind kunt vertrouwen op de oude voorspelling dat je in september 20% meer verkoopt dan in augustus. Hoe moet je forecast er de komende jaren dan wel uitzien? Moet je de vraagvoorspelling baseren op de jaren inclusief de pandemie of moet je de 2 pandemiejaren uit je historische data verwijderen? Hoe ga je hier als bedrijf mee om? En kan het wellicht ook kansen bieden?

De impact van informatietekort op vraagvoorspelling

De bekende Harvard Business Review besteedt in een artikel aandacht aan het veranderde consumentengedrag. Bedrijven worden door de recente veranderingen geconfronteerd met een “information deficit”, oftewel een informatietekort. Dat ontstaat wanneer inzichten die zijn afgeleid van historische verkoopgegevens niet langer bruikbaar zijn door een abrupte verandering in het koopgedrag van de consument.

Deze plotselinge verandering leidt ertoe dat het gedrag van de consument moeilijker is om te interpreteren, te voorspellen en te modelleren. De vraagvoorspelling komt in een ander daglicht te staan. Dat is exact wat er is gebeurd toen Covid-19 de hele wereld op zijn kop zette. Bedrijven kunnen er niet meer vanuit gaan dat de data die zij verzameld hebben goede forecasts op gaan leveren door het (blijvend?) veranderde koopgedrag van de consument.

Uniek moment voor het maken van een inhaalslag

Vooral bedrijven die in de afgelopen jaren minder aandacht hebben besteed aan het optimaliseren van vraagvoorspelling op basis van (historische) data kunnen gebruik maken van dit moment. Juist bedrijven die eigenlijk achterlopen op data-volwassen concurrenten hebben nu een unieke kans om een inhaalslag te maken. Data-volwassen concurrenten worstelen op dit moment immers ook met een informatietekort.

De minder data-volwassen bedrijven kunnen nu inzetten op een betere data-infrastructuur en bewegen richting datagedreven besluitvorming. Ze hebben nu een kans om hun achterstand weg te werken. Want iedereen heeft op dit moment dezelfde vragen; is het consumentengedrag blijvend veranderd of gaat het gedrag weer terug veranderen? En wat moet ik met mijn sales data uit de pandemieperiode doen? Geven die wel de juiste basis voor inzichten? Of veroorzaakt deze data juist ruis?

Machine learning zorgt voor een betere vraagvoorspelling

Data weggooien is altijd zonde, want uiteindelijk is het wel informatie. Je moet ervoor zorgen dat je de standaardpatronen los kunt koppelen van de incidentele effecten. Als je via een kenmerk in je data kunt meenemen dat er iets bijzonders is gebeurd kan deze data juist heel waardevol zijn. Praktisch zou je dan kunnen denken aan bijvoorbeeld een extra kolom in de dataset die aangeeft of er op dat moment een lockdown was. Dan kun je tot een nuttige forecast komen en deze kennis zelfs gebruiken in mogelijk vergelijkbare situaties in de toekomst.

Hiervoor kun je machine learning gebruiken. Machine learning is een vorm van kunstmatige intelligentie die gericht is op het bouwen van systemen die van de verwerkte data kunnen leren of data gebruiken om beter te presteren. De kracht van machine learning is het herkennen van onderliggende patronen.

Machine learning is ook in staat om bepaalde factoren en de impact die deze factoren hebben op de forecast te begrijpen. Wanneer je dus de historische data als input geeft aan je machine learning model zal deze de data analyseren, segmenteren en patronen vaststellen waarmee je datagedreven beslissingen kunt maken. Bedrijven die deze uitkomsten slim benutten zullen met hun datagedreven beslissingen op de lange termijn altijd een concurrentievoordeel behouden.

Waar te beginnen?

Wil je meer weten over hoe jij om zou moeten gaan met de onzekerheden in je vraagvoorspelling? Dan kunnen wij jou helpen. Data Refinery Amsterdam heeft veel ervaring in dit gebied en heeft ook tooling om de vraagvoorspelling te automatiseren. Neem vrijblijvend contact op met Mathilde Aarnink voor meer informatie.