Forecasting in food: de drie grote dilemma’s

Productie- en handelsbedrijven in de foodindustrie staan onder grote druk. De vraag is grillig en retailers eisen een hoge leverbetrouwbaarheid. Het percentage On Time in Full (OTIF) moet boven de 99% liggen, anders volgen er boetes, en producten met beperkte houdbaarheid moeten zo vers mogelijk in de schappen liggen. Regelmatig worden foodbedrijven verrast door promotieacties of last-minute wijzigingen bij retailers, terwijl ze hun inkoop- en productieplannen al weken van tevoren in gang hebben gezet. Hoe zuur is het dan om te moeten constateren dat je schaarse productiecapaciteit voor de verkeerde producten hebt ingezet!

Supply chain-beslissingen

Voor foodbedrijven is het maken van een sales forecast van levensbelang. Hoe nauwkeuriger ze kunnen voorspellen wat een klant gaat bestellen, hoe betrouwbaarder en verser ze kunnen leveren. En hoe efficiënter ze ook kunnen produceren, met minder derving! Daarbij gaat het overigens niet zozeer om de forecast zelf, maar veel meer wat een bedrijf ermee doet. Hoe kom je van een forecast tot een afgewogen demand plan? Hoe vertaal je zo’n demand plan naar een inkoop- en productieplan dat optimaal bijdraagt aan je financiële KPI’s? Hoe hou je operatie en strategie continu in lijn met elkaar? Dat zijn uiteindelijk de beslissingen waar het echt om draait en die bepalen of een foodbedrijf wel of niet succesvol is.

Van forecast naar demand plan

Een forecast bestaat grofweg uit twee delen: een statistisch en een pragmatisch deel. Het statistische deel is de berekening van de vraag op basis historische verkopen, waarbij wiskundige algoritmes en tegenwoordig ook steeds vaker AI / machine learning wordt toegepast. Het pragmatische deel voegt hier externe marktinformatie aan toe. Dit is informatie die niet uit historische data is af te leiden maar vaak bekend is bij sales of medewerkers van andere afdelingen. Denk aan op handen zijnde contracten met nieuwe retailklanten, klanten die hun schappenplannen gaan aanpassen of producten die worden uitgefaseerd. Dit zijn geplande gebeurtenissen die in potentie grote impact op de vraag hebben en dus zeker meegenomen moeten worden in het maken van een demand plan.

Dilemma 1: wat is de waarde van historische data?

Door de naweeën van corona, inflatie, de oorlog in Oekraïne en andere disruptieve ontwikkelingen, is de consumentenvraag momenteel zeer volatiel. Verkoopcijfers en contextuele data uit het verleden verliezen hun voorspellende kracht en bedrijven kunnen minder op hun historische verkoopdata vertrouwen. Statistiek vormt weliswaar nog steeds de basis van een forecast maar het pragmatische deel, de marktinformatie en data van klanten, wordt steeds relevanter. Een voorbeeld hiervan zijn de geplande promoties bij retailers. Omdat die voor enorme pieken in de vraag kunnen zorgen is het zaak dat supply chain afdelingen hier in een zo vroeg mogelijk stadium van op de hoogte zijn.

Ons advies is om het toevoegen van externe data een expliciet onderdeel van het forecastproces te laten zijn. Actiekalenders en forecastcijfers van retailers moeten snel en goed in planningsystemen worden verdisconteerd. En niet, zoals helaas nog wel eens gebeurt, in de mailbox van verkoopmedewerkers blijven hangen. Een veel gehoorde klacht is dat de forecasts die retailers afgeven, van slechte kwaliteit zouden zijn. Dat mag zo zijn, maar het is absoluut geen reden om er dan maar niks mee te doen. Voor grote klanten is het verstandig om de klantforecast op z’n minst te vergelijken met de eigen forecast en de verschillen altijd door een planner of verkoopmedewerker te laten beoordelen.

Dilemma 2: op welk niveau ga je forecasten?

Een andere afweging voor bedrijven is op welk niveau ze het beste kunnen voorspellen. Ga je in één keer de totale vraag over alle producten heen forecasten of ga je de toekomstige vraag per individueel artikel en per individuele klant berekenen? Wij zien dat planningsteams het liefst op klant-/artikelniveau voorspellen omdat dat het meest concreet is en ook het handigste bij (klantspecifieke) promoties. Hoe gedetailleerder, hoe beter, is daarbij de redenering, maar dat is in het geval van forecasting niet altijd het geval. Het forecasten op klant-/artikelniveau kost planners namelijk heel veel tijd en vergroot de kans dat ze zich in details verliezen. Op dit niveau zijn er ook minder data beschikbaar, waardoor de statistische forecast per definitie minder betrouwbaar wordt. Op klant- of artikelgroepsniveau is de vraag veel beter door een systeem te voorspellen dan op klant/artikel-niveau, zeker als zo’n artikel maar een paar keer per jaar wordt besteld.

Het is de kunst om een forecastproces zo te organiseren dat je optimaal gebruikmaakt van de technologie en tegelijkertijd zo praktisch mogelijk de marktkennis van commerciële mensen benut. Het beste is daarbij een combinatie te maken van enerzijds een beperkt aantal grote klanten die je op artikel-/klantniveau forecast en anderzijds een ‘restgroep’ van kleinere klanten waarvan je de vraag op artikelniveau voorspelt. Hiermee combineer je namelijk het beste van twee werelden. Grote klanten die wekelijks bestellen, en dus veel data genereren, zijn heel goed statistisch te forecasten en verdienen bovendien alle aandacht van sales. Kleinere klanten, die minder vaak bestellen, kun je beter op een hoger aggregatieniveau forecasten zodat planners hier ook niet onevenredig veel tijd aan hoeven te besteden.

Dilemma 3: hoe te reageren op afwijkingen?

Promoties en andere gebeurtenissen kunnen voor fikse uitschieters in de vraag zorgen. Juist in een foodomgeving, met kort houdbare producten, kunnen die makkelijk tot derving leiden. Uitschieters wil je niet alleen goed kunnen voorspellen, je moet ze ook kunnen herkennen, duiden en er gepast op reageren in je demand planning. Hiervoor is het aan te raden een goed proces voor ‘outlier detectie’ in te richten en daarbij de juiste tools te gebruiken. Met slimme software en/of machine learning zijn uitschieters namelijk steeds beter te detecteren. Verder is het zaak bij de interpretatie van de data naar type klant te differentiëren: bij A-klanten laat je er een supply chain planner naar kijken, bij kleinere klanten kies je voor efficiency en laat je het systeem beslissen.

Optimaal reageren op afwijkingen vergt een uitgekiende wisselwerking tussen mens en systeem. Supply chain planners zijn momenteel uiterst schaars en moeten hun tijd enkel besteden aan werkzaamheden waar ze de meeste toegevoegde waarde bieden. Onze tip is daarbij de principes van management by exception toe te passen. Daarbij worden routinematige beslissingen zoveel mogelijk geautomatiseerd en komen alleen bij afwijkingen met grote impact, of waarbij het om grote klanten gaat, de menselijke planners in beeld. Om dit te bewerkstelligen is overigens wel een geavanceerd supply chain planningssysteem nodig dat afwijkingen herkent, prioriteert en aan de juiste persoon toewijst.

Software en kennis

Forecasting in food is van levensbelang, maar zoals we in dit artikel lieten zien zijn er nogal wat valkuilen. Maak gebruik van externe marktinformatie, kies de juiste mix van aggregatieniveaus en stuur op excepties. Dit zijn slechts een paar van de adviezen die wij regelmatig meegeven aan foodklanten die gebruikmaken van onze oplossingen.

Met onze mensen en AI-gedreven platform (Slim4) verbeteren we al bijna 30 jaar supply chains over de hele wereld. Onze oplossingen zijn ontwikkeld om bedrijven in elke discipline te helpen betere supply chain beslissingen te nemen. Met de Slimstock Academy helpen we onze klanten én iedereen die zichzelf continu wil verbeteren. Wil je meer weten over forecasting en planning in food, neem dan contact met ons op. We vertellen graag wat we voor jou kunnen betekenen en hoe we je kunnen helpen bij dit zo cruciale bedrijfsonderdeel.