skip to Main Content

efficientere Demand planning, DATA HELPT!

Wat retailers bestellen en consumenten worden 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.

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 voorspelt 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 demand planning

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.   

Wil je meer weten over WDD’s moderne oplossingen voor demand planning?
Ik ga graag met je in gesprek.

Peter Rosman
06 83 22 03 46
peter@wdd.nl

Back To Top

Download de WDD brochure

Vul uw gegevens in en ontvang de WDD brochure in uw mail.




Deze site wordt beschermd door reCAPTCHA en het Privacybeleid en de Servicevoorwaarden van Google zijn van toepassing.