Nauwkeuriger inkopen doe je zo
Wat zou het voor jouw bedrijf betekenen als je van te voren weet hoeveel je de komende dagen gaat verkopen? Welke impact zou dit hebben voor het inkoopproces binnen jouw bedrijf? Wat betekent dit voor de dagelijkse verwerking en logistiek? Slimme data toepassingen maken nauwkeurige voorspellingen voor de komende 3-5 dagen. Allemaal onzin? Sprookjes die nooit zullen werken? Toch gebeurt het. Lees hier hoe vraagvoorspellingen voor handelsbedrijven in de vers markt werken.
Hoe korter de periode, hoe nauwkeuriger de voorspelling. Lange termijn voorspellingen werken op basis van statistieken. Dat geeft prima zicht op de historische gegevens, maar het is niet geschikt om daadwerkelijk orders te plaatsen.
Doordat de inkoper weet wat er de komende maanden/jaar verkocht gaat worden, kunnen er lange termijn afspraken gemaakt worden met vaste leveranciers. Op het moment van de order zet de computer het exacte aantal producten klaar, de inkoper controleerd de gegevens en besteld met één druk op de knop.
Als gevolg gaan de kosten omlaag. De klokkosten verdwijnen, prijsafspraken garanderen je van levering tegen een voorraf afgesproken lage prijs en de inkoper houdt tot wel 25% meer tijd over! Daarnaast kan de productie naadloos aansluiten op de verkoop. Zo kom je op de werkvloer nooit meer voor verassingen te staan en heb je altijd de juiste personeelsbezetting.
Slim
Het mechanisme achter de voorspelling heeft een zelflerend vermogen. Bij het verwerken en analyseren van gegevens leert het systeem en wordt daardoor steeds nauwkeuriger in het maken van voorspellingen. Dus hoe langer een voorspellingssysteem actief is, hoe beter het gaat presteren.
Aan de hand van een praktijkvoorbeeld tonen we de werking van de voorspellingsmethode. Het gaat om het inkopen van rozen bij een handelsbedrijf in bloemen en planten.
Let op: Het gaat hier om een zeer versimpelde versie van het werkelijke mechanisme.
Voorspellen van rozen
In dit voorbeeld geven we in 4 stappen een weergave van de verschillende stappen die een voorspellingssysteem neemt.
Historische gegevens: Historische gegevens uit het ERP-systeem worden als startpunt gebruik.
Stap 1: Vrijdag 8 sep 2017 + Vrijdag 7 sep 2018 + Vrijdag 6 sep 2019 / aantal jaren = Historisch aantal = 100
| Vrijdag 8 sep ‘17 | 70 |
| Vrijdag 7 sep ‘18 | 120 |
| Vrijdag 6 sep ‘19 | 110 |
| Vrijdag 4 sep ‘20 | ?? |
Voorraad: De huidige voorraadgegevens worden uit het ERP-systeem gehaald. Volgens het systeem staan er nog 30 rozen in de koeling.
Stap 2: 100 – 30 = 70
Trends: Het gehele jaar zijn de rozen in opmars, vergeleken met vorig jaar worden er 6% meer rozen verkocht.
Stap 3: 70 x 1,06 = 74
Weer: Met slecht weer worden er gemiddeld 25% minder rozen verkocht.
Stap 4: 74 x 0,25 = 18,5
74 – 19 = 55
In de praktijk gebeurt een veel complexere berekening, met veel meer elementen, variabelen en voor tientallen/honderden klanten en producten tegelijk in een fractie van een seconde. De impact van het weer wordt in verschillende factoren verdeeld en live gemeten. Overige factoren zoals feestdagen, seizoenen en sentiment worden met een eigen variabelen meegenomen. Data robots testen voortdurend de variabelen en corrigeren deze waar het nodig is.