Gastles Hoc 2: Danone forecasting en sourcing
Proces dat bij Danone in het bedrijf gebruikt wordt om een zo goed mogelijke manier te vinden
om beslissingen te nemen rond zowel investeringen als ook markten waarin we actief willen zijn
→ sales and operations plannings proces
Daar heet het niet forecasting
Dat is = proberen voorspellen wat je denkt te gaan verkopen, dat zal typisch proberen te
voorspellen met bepaalde inputs wat de verwachte verkoop is. Die verwachte verkoop is maar
een input in het demand planningsproces. Dat proces gaat proberen te gaan kijken o.b.v.
hetgeen we denken te verkopen, komt dat overeen met de doelstellingen van ons bedrijf?
Doelstellingen inzake net sales verkoop of marktaandeel, wanneer dat niet zo is gaan we acties
ondernemen om die forecast te gaan bijsturen, actief elementen bijbrengen om ervoor te zorgen
dat dat we verkopen ook in lijn is met wat we willen verkopen.
,Gaat typisch over beslissingen over volume om bepaalde productgamma’s of formaten harder in
de markt te duwen, kan ook gaan over mix-beslissingen = bepaalde producten hebben een
andere marge dan andere maten bv halve liter water of kleine flesjes. Dus als je als bedrijf
minder pusht naar omzet maar meer naar marge toe, dan ga je eigenlijk zo veel mogelijk kleine
flesjes verkopen. Zijn specifiek beslissingen die in het demand planningsproces gebeuren.
Op het ogenblik dat dat stuk van de cyclus gedaan is ga je eigenlijk de uitkomst ervan, dat
typisch een basisscenario is met een aantal risico’s en opportuniteiten ga je verder in de
organisatie kijken; als dat de scenario’s zijn, kunnen we dan aan de scenario’s voldoen ?
Op het ogenblik dat die validatie gebeurd is dan wordt alles geconsolideerd en op het einde van
de maand krijg je eigenlijk opnieuw een resultaat dat aangeeft of we als bedrijf goed bezig zijn of
niet. → rolling horizon, elke maand opnieuw stukje verder in de toekomst gaan kijken, elke drie
of zes maand doen we een extra oefening om nog wat verder te gaan kijken.
Onderste stukje van slide: sales and operations execution: typisch het proces die eigenlijk op
basis van de lange termijn plannen én de acties die daar ondernomen worden om volume, mix te
gaan beïnvloeden die dat gaat vertalen naar de operationele realiteit (=een fabriek moet weten
welk product dat die moet maken en wanneer)
Op die manier ga je van een lange termijn plan naar een korte termijnplan en ga je eigenlijk ook
proberen om de forecast die je genereert o.b.v. de reële verkopen om daar de match te gaan
vinden tussen wat je top-down doet en bottom-up doet als echte verkoop in de markt.
Supply chain
,Ze zijn actief in fast moving consumer goods, dus een directe verkoop aan eindklanten. Ze
verkopen een stuk via distributeurs en de afzetmarkt/doelpubliek is eigenlijk onmiddellijk de
eindconsument.
Als we kijken waarom forecast moeilijk is: als we naar de value chain kijken, bepaalde
elementen het moeilijk maken voor de zichtbaarheid van de echte vraag dat die voor een stuk
verstoord is.
Helemaal links: verschillende fabrieken van Danone, producten maken, verschepen naar eigen
magazijnen, Europese organisatie dus over heel Europa verschillende fabrieken die die
producten naar de nationale markten gaan brengen. In die nationale markten zijn er
verschillende soorten types klanten,
In elk van die channels wordt niet ieder gamma verkocht, typisch in grotere winkels (Colruyt) wel
maar in kleinere winkels (Okay) eerder voor on the go.
Bij Danone is er ook een stuk afzetmarkt Horeca, out of home consumptie.
In sommige gevallen krijgen we ook informatie van de klant van welke stock bij hun is bij
sommige klanten kunnen we ook POS kopen. Point of sales: bijna op kassaticket niveau zien wat
de klant koopt. Kunnen wel niet zien of de klanten het Danone product met een ander product
koopt en is dat een combinatie die vaak voorkomt. Belangrijk als dat ander product in promotie
is gaat dat effect hebben op ons product, is een bias.
Vandaag hebben retailers nog een beter zich op de klanten preferentie, zoals de app waarin je op
voorhand het boodschappenlijstje je gaat maken vooraleer je de producten zelfs aankoopt.
Wat in ons bezit is : grijze stuk.
,Baseline forecast: komt eigenlijk best overeen met de timeseries, o.b.v. trends, patronen,
historische data, kunnen we proberen te zien wat de verkoop is wat we kunnen verwachten o.b.v.
de historische data. Gebeurd typisch op geaggregeerd op markt niveau.
Promoties: zaken die afgesproken worden met de klant, varieert in tijd, wat we daar wel uit
kunnen halen is de kracht van een promo mechanic (= als we een promo doen bv 5+1 dan levert
dat meer verkoop op dan een 1+1 actie, door typisch hierop te gaan spelen op die promo
mechanic kunnen we het volume dat de klant zal aankopen kunnen we gaan beïnvloeden.
Typisch iets dat we niet uit time-series kunnen halen maar die wel die TW is, bepaald
intelligentieniveau is dat we gaan toevoegen.
Market intelligence : iets wat we toevoegen omdat dat een nieuw element is in de bestaande
mix, nieuw product, media campagnes, acties van de competitie, prijs evoluties
Als je kijkt naar de tools die gebruikt worden zie je dat het meer kwalitatief is dan kwantitatief,
hoe dichter bij de baseline hoe dichter ij de kwantitatieve modellen de data modellen.
Overload aan informatie
,
, Wat doen we met AI, gaan alle verschillende data punten voeden in het systeem en gaan kijken
of AI in die massa van data dat we daar de juiste patronen en correlaties in vinden. We zien dan
als we promotie informatie eraan toevoegen en zien dat we in het verleden een 5+1 promotie
hadden en het systeem ziet dat er inderdaad een bepaalde uplift was. Dan zien we dat die
voorspellende waarde van dat systeem het eigenlijk vrij goed kan voorspellen van wat het gevolg
ervan kan zijn. We voegen ook de sales in/sales out data toe, er si een tijdsverschil met het
ogenblik dat wij het product leveren aan het distributiecentrum van de klant en het ogenblik dat
de eindklant het eigenlijk koopt. Dat tijdsverschil is afhankelijk van het seizoen en de supply
chain van de klant. Door die twee data sets met elkaar te gaan vergelijken, slagen we er ook in
een betere voorspelling te doen bij bv de Delhaize dat op het ogenblik dat die promotie start wij
twee weken op voorhand de vraag gaan krijgen voor de stock om te voldoen aan de vraag die over
twee weken er gaat zijn.
We voegen temperatuur en humidity toe, externe events (bank holiday) een die op een maandag
valt heeft niet dezelfde verkoop als wanneer die op een dinsdag valt (brugdag, veel reizen), dus
hogere verkoop bij tankstations etc.
Kan AI ons helpen om door die massa van data de patronen te herkennen en zo de verkoop te
vergroten. Ook als de temperatuur met 1 graad stijgt welk effect heeft dat dan voor de meer
verkoop?
Proces dat bij Danone in het bedrijf gebruikt wordt om een zo goed mogelijke manier te vinden
om beslissingen te nemen rond zowel investeringen als ook markten waarin we actief willen zijn
→ sales and operations plannings proces
Daar heet het niet forecasting
Dat is = proberen voorspellen wat je denkt te gaan verkopen, dat zal typisch proberen te
voorspellen met bepaalde inputs wat de verwachte verkoop is. Die verwachte verkoop is maar
een input in het demand planningsproces. Dat proces gaat proberen te gaan kijken o.b.v.
hetgeen we denken te verkopen, komt dat overeen met de doelstellingen van ons bedrijf?
Doelstellingen inzake net sales verkoop of marktaandeel, wanneer dat niet zo is gaan we acties
ondernemen om die forecast te gaan bijsturen, actief elementen bijbrengen om ervoor te zorgen
dat dat we verkopen ook in lijn is met wat we willen verkopen.
,Gaat typisch over beslissingen over volume om bepaalde productgamma’s of formaten harder in
de markt te duwen, kan ook gaan over mix-beslissingen = bepaalde producten hebben een
andere marge dan andere maten bv halve liter water of kleine flesjes. Dus als je als bedrijf
minder pusht naar omzet maar meer naar marge toe, dan ga je eigenlijk zo veel mogelijk kleine
flesjes verkopen. Zijn specifiek beslissingen die in het demand planningsproces gebeuren.
Op het ogenblik dat dat stuk van de cyclus gedaan is ga je eigenlijk de uitkomst ervan, dat
typisch een basisscenario is met een aantal risico’s en opportuniteiten ga je verder in de
organisatie kijken; als dat de scenario’s zijn, kunnen we dan aan de scenario’s voldoen ?
Op het ogenblik dat die validatie gebeurd is dan wordt alles geconsolideerd en op het einde van
de maand krijg je eigenlijk opnieuw een resultaat dat aangeeft of we als bedrijf goed bezig zijn of
niet. → rolling horizon, elke maand opnieuw stukje verder in de toekomst gaan kijken, elke drie
of zes maand doen we een extra oefening om nog wat verder te gaan kijken.
Onderste stukje van slide: sales and operations execution: typisch het proces die eigenlijk op
basis van de lange termijn plannen én de acties die daar ondernomen worden om volume, mix te
gaan beïnvloeden die dat gaat vertalen naar de operationele realiteit (=een fabriek moet weten
welk product dat die moet maken en wanneer)
Op die manier ga je van een lange termijn plan naar een korte termijnplan en ga je eigenlijk ook
proberen om de forecast die je genereert o.b.v. de reële verkopen om daar de match te gaan
vinden tussen wat je top-down doet en bottom-up doet als echte verkoop in de markt.
Supply chain
,Ze zijn actief in fast moving consumer goods, dus een directe verkoop aan eindklanten. Ze
verkopen een stuk via distributeurs en de afzetmarkt/doelpubliek is eigenlijk onmiddellijk de
eindconsument.
Als we kijken waarom forecast moeilijk is: als we naar de value chain kijken, bepaalde
elementen het moeilijk maken voor de zichtbaarheid van de echte vraag dat die voor een stuk
verstoord is.
Helemaal links: verschillende fabrieken van Danone, producten maken, verschepen naar eigen
magazijnen, Europese organisatie dus over heel Europa verschillende fabrieken die die
producten naar de nationale markten gaan brengen. In die nationale markten zijn er
verschillende soorten types klanten,
In elk van die channels wordt niet ieder gamma verkocht, typisch in grotere winkels (Colruyt) wel
maar in kleinere winkels (Okay) eerder voor on the go.
Bij Danone is er ook een stuk afzetmarkt Horeca, out of home consumptie.
In sommige gevallen krijgen we ook informatie van de klant van welke stock bij hun is bij
sommige klanten kunnen we ook POS kopen. Point of sales: bijna op kassaticket niveau zien wat
de klant koopt. Kunnen wel niet zien of de klanten het Danone product met een ander product
koopt en is dat een combinatie die vaak voorkomt. Belangrijk als dat ander product in promotie
is gaat dat effect hebben op ons product, is een bias.
Vandaag hebben retailers nog een beter zich op de klanten preferentie, zoals de app waarin je op
voorhand het boodschappenlijstje je gaat maken vooraleer je de producten zelfs aankoopt.
Wat in ons bezit is : grijze stuk.
,Baseline forecast: komt eigenlijk best overeen met de timeseries, o.b.v. trends, patronen,
historische data, kunnen we proberen te zien wat de verkoop is wat we kunnen verwachten o.b.v.
de historische data. Gebeurd typisch op geaggregeerd op markt niveau.
Promoties: zaken die afgesproken worden met de klant, varieert in tijd, wat we daar wel uit
kunnen halen is de kracht van een promo mechanic (= als we een promo doen bv 5+1 dan levert
dat meer verkoop op dan een 1+1 actie, door typisch hierop te gaan spelen op die promo
mechanic kunnen we het volume dat de klant zal aankopen kunnen we gaan beïnvloeden.
Typisch iets dat we niet uit time-series kunnen halen maar die wel die TW is, bepaald
intelligentieniveau is dat we gaan toevoegen.
Market intelligence : iets wat we toevoegen omdat dat een nieuw element is in de bestaande
mix, nieuw product, media campagnes, acties van de competitie, prijs evoluties
Als je kijkt naar de tools die gebruikt worden zie je dat het meer kwalitatief is dan kwantitatief,
hoe dichter bij de baseline hoe dichter ij de kwantitatieve modellen de data modellen.
Overload aan informatie
,
, Wat doen we met AI, gaan alle verschillende data punten voeden in het systeem en gaan kijken
of AI in die massa van data dat we daar de juiste patronen en correlaties in vinden. We zien dan
als we promotie informatie eraan toevoegen en zien dat we in het verleden een 5+1 promotie
hadden en het systeem ziet dat er inderdaad een bepaalde uplift was. Dan zien we dat die
voorspellende waarde van dat systeem het eigenlijk vrij goed kan voorspellen van wat het gevolg
ervan kan zijn. We voegen ook de sales in/sales out data toe, er si een tijdsverschil met het
ogenblik dat wij het product leveren aan het distributiecentrum van de klant en het ogenblik dat
de eindklant het eigenlijk koopt. Dat tijdsverschil is afhankelijk van het seizoen en de supply
chain van de klant. Door die twee data sets met elkaar te gaan vergelijken, slagen we er ook in
een betere voorspelling te doen bij bv de Delhaize dat op het ogenblik dat die promotie start wij
twee weken op voorhand de vraag gaan krijgen voor de stock om te voldoen aan de vraag die over
twee weken er gaat zijn.
We voegen temperatuur en humidity toe, externe events (bank holiday) een die op een maandag
valt heeft niet dezelfde verkoop als wanneer die op een dinsdag valt (brugdag, veel reizen), dus
hogere verkoop bij tankstations etc.
Kan AI ons helpen om door die massa van data de patronen te herkennen en zo de verkoop te
vergroten. Ook als de temperatuur met 1 graad stijgt welk effect heeft dat dan voor de meer
verkoop?
