Samenvatting - Supply Chain Fundamentals

Supply Chain Fundamentals
Hoofdstuk 1: Forecasting
1. Wat is forecasting?
 In de supply chain, dienen bedrijven te weten wat er dient voorzien /
geleverd te worden aan hun klanten
 Bedrijven verzamelen deze informatie
o Door een bestelling van hun klanten  in de vorm van een order
 Door het plaatsen van een order geeft de klant aan wat hij of
zij wenst
o Soms evenwel
 Weten klanten gewoonweg niet wat (En hoeveel) ze later zullen
kopen
 Maar eens beslist, willen ze niet wachten…
  Om dit probleem op te vangen, hebben bedrijven nood aan
forecasting
 Forecasting is een raming maken van de toekomst
 Het is geen wilde gok maar een berekende gissing over welke producten
en services, en in welke hoeveelheden, de markt zal vragen
 Hier gaat een onzekerheid mee gepaard  Zal nooit volledig correct zijn
 Hierdoor komt er wat statistiek bij kijken om met deze onzekerheden om te
gaan…
 Wat was het KOOP alweer?
o Het punt in de waardeketen dat aangeeft hoe ver (Upstream in de supply
chain) een klantorder binnendringt in het productie of distributie
proces van een leverancier van een product of dienst
 Forecasting speelt een rol in het upstream gedeelte van de supply chain
(PUSH) (Productie zonder zekerheid van verkoop)




2. Karakteristieken van forecasting
 Forecasts zijn per definitie verkeerd  Het blijft een gissing
o …maar een berekende gissing
 Daarom is het belangrijk om te weten hoe goed of slecht een forecast de
toekomst kan voorspellen
 We hebben dus nood aan een indicator die de kwaliteit van de voorspelling
weergeeft
o  MSA, MAPE of MSE
 Met een dergelijke indicator kunnen we een gekozen forecasting methode
evalueren, vergelijken met andere methodes of de gekozen methode op
zich verbeteren
 Geaggregeerde forecasts zijn steeds accurater
o  Geaggregeerde forecast combineert data van meerdere
producten, winkels, regio’s, tijdperiodes…
o Vb. De variatie in de vraag voor elk afzonderlijk product zal veel meer afgevlakt worden
wanneer een aggregatie van data wordt toegepast van meerdere producten, wat op zich een
meer accurate voorspelling van het product assortiment met zich mee zal brengen
o M.a.w.  het voorspellen van 1 SKU is moeilijker dan het voorspellen
van een volledig product assortiment (Vb. Coca-Cola 25cl blik versus volledige
Coca-Cola assortiment)

,  Hoe verder in de toekomst, hoe moeilijker en minder accuraat forecasting
wordt
o Omdat er meer onbekende parameters zijn die een rol kunnen spelen
naarmate de periode verder weg is
o Zo is het eenvoudiger om het weer voor morgen te voorspellen dan het
weer voor volgende week
o Vandaar de noodzaak om de gebruikte data op regelmatige basis te
reviewen en te refreshen
 Forecasting data kunnen 2 vormen aannemen
o Kwantitatieve data = Meetbaar, nauwkeurig
 Historische data (Vb. Verkoopgegevens van vorig boekjaar)
 Actuele data, gemeten op een objectieve manier (Vb. Aantal
potentiële kopers die naar het winkel-uitstalraam hebben gekeken)
o Kwalitatieve data = Interpretatie nodig en minder nauwkeurig
 Via surveys van potentiële klanten  Subjectieve data
 Via observaties of interviewen van respondenten
 Kwaliteit van data hangt af van interpretatie van
ondervragers (Kan verkeerd zijn)
3. Stabiliteit van de vraag  Variantiecoëfficiënt (Coëfficiënt of Variance – CoVa)
 De CoVa definieert de relatieve mate van volatiliteit / stabiliteit van de
vraag
 Meet de stabiliteit van de vraag
 Om kwaliteit van de datareeks te bepalen
 CoVa formule  Stdev / gemiddelde
 Hoe hoger de CoVa, hoe hoger de volatiliteit (Minder stabiele vraag  Wordt
moeilijker om te forecasten)
 Resulteert steeds in een positieve waarde tussen 0 en 1
o Liefst minder dan 0,3 maar oke tot 0,7

4. Componenten van de vraagwaarde
 De werkelijke waarden van de vraag omvatten verschillende componenten
 Geven verschillende patronen in grafieken weer
 We hebben de volgende componenten die belangrijk zijn om te
onderscheiden, omdat ze leiden tot verschillende prognosemethoden 
Cruciaal om gegevens op een plot te visualiseren
 3 soorten getallenreeksen
o Tijdseries (Level)
 De vraag fluctueert rond waarde a (Gemiddelde)
 Zonder enig ander aanwezig patroon is dit een constante
waarde
 Voor dit soort data kunnen tijdreeks-modellen worden
gebruikt  Cumulatieve / naieve / voortschrijdend gemiddeld
/ gewogen voortschrijdend gemiddelde / exponentiële
vereffening




o Causale modellen (Trend)
 Groei of krimpwaarde
 Aanhoudende beweging in 1 richting
 Typisch lineair maar kan ook exponentieel, kwadratisch, etc

,  Voor dit soort data dienen causale modellen gebruikt te worden




o Seizoensgebonden modellen (Seasonality)
 Terugkerende cyclus rond een gekende en vaste periode
 Per uur, dagelijks, wekelijks, maandelijks, trimestrieel, etc
 Kan veroorzaakt worden door natuurlijke of menselijke interventies
 Hier zijn seizoens modellen vereist




 Verschillende componenten kunnen soms gelijktijdig optreden  Nog
complexere data set
5. Tijdreeksen
 Geen patroon?
o Niet voorspelbaar
 Overzicht forecasting technieken




 Wat zijn tijdreeksen?
o Een reeks getallen die werd opgemeten
o Gedurende een bepaalde tijdsperiode in het verleden
 Forecastconsumptie  Forecast gaat verminderen of vervangen worden
door klantorders
 Waarom forecast nodig?
o Voorbereid willen zijn, snel willen zijn als er nieuwe orders zijn, op
voorhand anticiperen op een vraag die mogelijks in de toekomst zou
kunnen komen
5.1.Cumulatieve versus naïeve forecasts
 Cumulatieve forecast
o Na 2 periodes nemen ze de 2 periodes bij en dan delen ze die door
2, elke keer er een periode bij komt delen door X+1  Het
gemiddelde
o Alle historiek telt evenveel / gelijkwaardig mee
o Kan enkel worden gebruikt i.g.v. stabiele vraag  Bijna flat line
o Zeer lage CoVa vereist
o Kalm systeem, extreme vereffening / afvlakking


o
 Naïeve forecast
o Resultaat vorige periode gaat ook in deze periode zo zijn

, o Enkel meest recente waarde telt
o Laatste waarde is volgende waarde
o Zeer nerveus systeem, geen afvlakking  Vereffening

o

5.2.Moving average (MA) / Voortschrijdend gemiddelde



 Behelst enkel de laatste M observaties
 Tussenoplossing tussen cumulatieve en naïeve model
 Hoe groot moet M zijn?
o  M is het aantal gemeten waarden die in rekening gebracht
worden voor de berekening van het gewogen gemiddelde
 Indien M te klein is  Nerveus, reageert heftig op “ruis”
(Heftige pieken en dalen)
 Indien M te groot is  Alle fluctuaties worden
uitgebalanceerd, risico op het ontbreken van detectie van
belangrijke veranderingen in het vraagpatroon (M2 in vergelijking
met M6  Meestal wordt gekozen voor M4 of M6)
 Moving average hinkt altijd achterop  Hoe groter M is, hoe groter de gap
met de realiteit wordt
 Kan enkel worden gebruikt voor tijdseries, in de veronderstelling dat de
waarden rond een gemiddelde schommelen, niet te gebruiken voor trend-
of seizoensmodellen
5.3.Weighted Moving Average (WMA) / Gewogen voortschrijdend gemiddelde
 Behelst enkel de laatste M observaties
 Maar in vergelijking met voorgaand model, zijn al deze observaties
gewogen
 Door een weging toe te passen op deze observaties, kunnen we
differentiëren naar forecast toe (We maken de ene periode minder of meer belangrijk
dan de andere)
 Meestal wordt deze methode gebruikt wanneer we van mening zijn dat de
laatste observatie meer waardevol is dan de vorige observaties
 3 periodes  3 gewichten  3, 2, 1
o Som van de gewichten is de breuk
 Voortschrijdend  Oneindig doorgaan
5.4.Exponentiële vereffening / Exponential smoothing
 Een belangrijk nadeel van het voortschrijdend of gewogen voortschrijdend
gemiddelde is, dat deze methoden slechts een beperkt aantal observaties in
beschouwing nemen, waardoor je mogelijkerwijs waardevolle data negeert 
Levert een gevaar op van niet-accurate voorspelling
 Anderzijds, zijn we overtuigd dat recente observaties naar alle waarschijnlijkheid
belangrijker zijn dan oude observaties, want de wereld evolueert
  De methode van de exponentiële vereffening houdt rekening met beide
bezorgdheden
 Het is een speciale variant van het gewogen voortschrijdend gemiddelde
 Ook enkel te gebruiken i.g.v. “level-situaties”, niet bij trends en
seizonaliteiten