Wat retailers bestellen en aan consumenten wordt aangeboden is afhankelijk van de regio, seizoens-, weersinvloeden én van promotieacties. Veel retailers delen pas op het laatste moment informatie over orders en de promotie details. Deze informatie is cruciaal voor het plannen van de productie en de benodigde inkopen. Terwijl leveringsbetrouwbaarheid en langere THT steeds belangrijker worden! Handels- en verwerkingsbedrijven in de dagverse sector moeten daarom zeer responsief en flexibel zijn, stelt Peter Rosman van WDD in deze bijdrage
De nieuwe manier van werken
Om als handels- en verwerkingsbedrijven beter voorbereid te zijn op de verwachte vraag, worden steeds vaker voorspellingsmodellen gebruikt. Het toepassen van (externe) data speelt daarbij steeds een grotere rol. Met slimme algoritmes zijn de verwachte aankopen van klanten goed te voorspellen. En dit is een goede indicatie wat de retailer zal gaan bestellen!
Hoe de verwachte orders voorspeld worden
Voor het nauwkeurig voorspellen van de verwachte klantvraag (op volume en eindproduct niveau) worden algoritmes gebruikt. De algoritmes worden gevoed met historische bedrijfsdata en externe bronnen die invloed hebben op het koopgedrag:
Weer
Seizoen
Feestdagen
Promoties/acties
Emotie
Etc.
Nadat de algoritmes ingeregeld en getraind zijn, voorspellen deze (op dag-basis) 14 dagen vooruit. Door deze voorspellingsinformatie te koppelen aan het ERP systeem, kan de productieplanning en de stuklijst berekend worden.
Figuur 1 conceptueel voorspellingsmodel
Efficiëntere vraagplanning
Het onderzoeken van de afwijkingen van de oorspronkelijke (voorspelde) planning is veel werk. Vaak wordt dit nog op traditionele wijze gedaan met Excel. Met behulp van datarobots en algoritmes kan dit werk verder geautomatiseerd worden.
Door met de slimme datarobots de (last minute) voorspellingen, productieplanning en de werkelijke orders te analyseren wordt het eenvoudiger om afwijkingen te identificeren en eventuele aanpassingen aan de productieplanning door te voeren.
Hoe het werkt: Vanuit diverse bronnen worden de afwijkingen geanalyseerd. De business rules en taken algoritmes geven aanbevelingen voor het bijstellen van de productenplanning.
Nadat de algoritmes en bedrijfs specifieke richtlijnen zijn ingeregeld en getraind, wordt aan de demand planners alerts getoond met aanbevelingen om de productie aan te passen.
Figuur 2 conceptueel actie mechanisme
De alerts tonen specifieke aanbevelingen. Voorbeelden zijn:
Figuur 3 Voorbeeld actie scherm
Afwijking orders t.o.v. de forecast op een dag van meer dan 60%
Afwijking orders t.o.v. de forecast over twee dagen van meer dan 30%
Afwijking orders t.o.v. de forecast over drie dagen van meer dan 20%
Orders zonder forecast
Forecast zonder orders
Steeds nauwkeuriger
Doordat voorspellingsalgoritmes en datarobots zelflerend zijn, worden deze steeds slimmer en nauwkeuriger. De voorspelde productieplanning zal dus steeds dichter bij de werkelijke orders komen en de datarobots kunnen hierdoor steeds scherper worden ingesteld.
Voor meer informatie:
Peter Rosman
WDD
06 83 22 03 46
peter@wdd.nl
www.wdd.nl