Hoofdstuk 3

Hoofdstuk 3: Hoe voorspel je de vraag?

Waarom is forecasting van essentieel belang bij een supply chain planning?

Forecasting gaat over het maken van voorspellingen. Het is van essentieel belang voor ieder bedrijf en voor elke management beslissing. Het vormt de basis voor bedrijfsplanningen en controles. Voordat je een voorspelling maakt moet er nagegaan worden wat het doel van de voorspelling is. Zo hebben sommige voorspellingen als doel om de toekomstige vraag te bepalen, waar anderen erover gaan hoe de vraag bereikt kan worden met de huidige strategie. Hierdoor kan er een onderscheid gemaakt worden tussen verschillende voorspellingen (forecasts). Deze zijn als volgt:

• Strategic forecasts: Deze voorspellingen zijn gericht op de medium- of lange termijn. Ze worden gebruikt om beslissingen te kunnen maken omtrent de strategie en bij het schatten van de geaggregeerde vraag.
• Tactical forecasts: Dit zijn korte termijn voorspellingen. Deze worden gebruikt als input voor het maken van dag-tot-dag beslissingen, gericht op het voldoen aan de vraag.

Hoe kan je aan de hand van kwantitatieve forecasting modellen de vraag evalueren?

Het maken van voorspellingen kan gebeuren aan de hand van 4 basis types: qualitative, time series analysis, causal relationships en simulation. In dit boek ligt de focus voornamelijk op de time serie analysis technieken.

• Time series analysis: Een voorspelling waarin data uit het verleden gebruikt wordt om de toekomstige vraag te voorspellen.

Componenten van de vraag

In de meeste gevallen kan de vraag naar producten of diensten opgedeeld worden in 6 componenten:

1. Average demand for the period: Hierbij wordt het gemiddelde over een bepaalde tijd weergegeven.
2. A trend: De  trend lijnen vormen vaak het startpunt in de ontwikkeling van een voorspelling. Deze worden vervolgens aangepast aan de hand van andere effecten (zoals seizoenseffecten of cyclische elementen) zodat er een eind voorspelling tot stand kan komen.
3. Seasonal element: Dit gaat over veranderingen die veroorzaakt worden door seizoensinvloeden.
4. Cyclical ements: Deze zijn het moeilijkste te bepalen omdat de tijdspanne onbekend is, net zoals de oorzaak van de cyclus.
5. Random variation: Deze worden veroorzaakt door veranderende gebeurtenissen.
6. Autocorrelation: De verwachte waarde op een bepaald punt is in hoge mate gecorreleerd met diens waarde uit het verleden.

Time Series Analyses

Time series Analysis modellen proberen de toekomst te voorspellen op basis van data uit het verleden. Hierbij kunnen er 3 verschillende data uit het verleden gebruikt worden:

1. Short term: Dit refereert naar een tijd onder de 3 maanden.
2. Medium term: Dit varieert van 3 maanden tot 2 jaar.
3. Long term: Dit gaat over een tijdsspan langer dan 2 jaar.

De korte termijn modellen zijn voornamelijk goed in het meten van huidige variatie in de vraag. De medium termijn modellen zijn handig voor het ondervangen van seizoensinvloeden en de lange termijn modellen richten zich meer op de algemene trends.

Welk model een bedrijf kiest voor diens voorspelling hangt af van:

1. De tijd die er beschikbaar is voor de voorspelling
2. De beschikbare data
3. De vereiste nauwkeurigheid
4. De omvang van het budget voor de voorspelling
5. De beschikbaarheid van gekwalificeerd personeel

Simple moving Average

De moving average is een handig model als de vraag naar een product niet snel toe- of afneemt en als het geen seizoen karakteristieken bevat. Aan de hand van de moving avarage kunnen de random fluctuaties verwijderd worden uit de voorspelling.

• Moving average: Een voorspelling, gebaseerd op de gemiddelde vraag in het verleden.

Het idee is hierbij simpel: de gemiddelde vraag over de meest recente periodes worden berekend. Iedere keer als er een nieuwe voorspelling wordt gemaakt, dan wordt de oudste periode in het gemiddelde verwijderd en vervangen door de nieuwste periode.

De berekening is als volgt:

Ft=At-1+At-2+At-3+…+At-nn

• Ft = Voorspelling voor de komende periode
• N = Het aantal perioden waarover het gemiddelde geld
• At-1 = Het daadwerkelijk voorkomen in de periode in het verleden
• At-2, At-3 en At-n = Daadwerkelijke voorkomen in twee perioden geleden, drie perioden geleden enzovoort. Dit gaat door tot n perioden geleden.

Weighted Moving Average

Waar de moving average een gelijk gewicht toekent aan ieder component, kent de weighted moving average verschillende gewichten toe aan ieder component. De som van alle gewichten is gelijk aan 1. De meest recente data krijgt het meeste gewicht toebedeeld. Hoe ouder de data, hoe minder zwaar deze meetelt in het gemiddelde. Zo is recentere data significanter dan oudere data.

• Weighted moving average: Een voorspelling op basis van data uit het verleden waarin recentere data meer gewicht krijgt toebedeeld dan oudere data.

Ervaring en trial en error zijn de simpelste manieren om gewichten toe te kennen. De algemene regel is dat het meest recente verleden de meest belangrijke indicator is, dit zegt het meeste over datgene wat je kan verwachten in de toekomst. Hierdoor moet dit een hoger gewicht krijgen.

Exponentieel smoothing

Bij het voorspellen van de toekomst op basis van de simple en weighted moving average is het grootste nadeel dat je onderzoek moet doen op basis van een grote hoeveelheid aan data uit het verleden. Bij elk nieuw onderdeel aan data wordt de oudste observatie verwijderd en moet er een nieuwe voorspelling worden berekend. Als ervanuit gegaan wordt dat het belang van data afneemt als deze verwijder verwijderd raakt in het verleden, dan is exponential smoothing wellicht de meest logische en makkelijke methode om te gebruiken.

Exponential smoothing is een voorspelling aan de hand van tijdsreeksen waarin elke stap van data uit het verleden wordt verminderd door (1- α). Dit wordt het meest gebruikt van alle voorspel technieken. Het is een integraal onderdeel van virtuele of gecomputeriseerde voorspel programma’s. Het is erg nuttig, voor bijvoorbeeld het bijhouden van voorraden.

• Exponential smoothing: Dit is een voorspelling aan de hand van tijdsreeksen waarin elke stap van data uit het verleden wordt verminderd door (1- α).

Exponential smoothing technieken worden algemeen geaccepteerd door 6 belangrijke redenen:

1. Exponentiële modellen zijn verrassend accuraat
2. Het formuleren van een exponentieel model is relatief makkelijk
3. De gebruiker kan begrijpen hoe het model werkt
4. Maar weinig rekenwerk is vereist bij dit model
5. Computer opslag hoeft maar klein te zijn door het gelimiteerde gebruik van historische data
6. Tests om te kijken hoe goed het model het doet zijn gemakkelijk om te berekenen

Bij exponential smoothing zijn er maar 3 onderdelen data nodig om de toekomst te voorspellen: de meest recente voorspelling, de daadwerkelijke vraag dat heeft plaatsgevonden voor de voorspelling en de smoothing constant alpha (α). De smoothing constant bepaald de mate van smoothing en de snelheid waarmee er gereageerd wordt op de verschillen tussen voorspellingen en de huidige vraag.

• Smoothing constant alpha (α): De parameter in de exponentiële smoothing vergelijking dat de snelheid van de reactie op verschillen in de voorspelling en de daadwerkelijke vraag controleert.

Voorbeeld: Als een bedrijf een standaard item produceert met een relatief stabiele vraag dan zal de reactie snelheid op het verschil tussen de huidige vraag en de forecast redelijk smal zijn (denk aan 5 tot 10 %). Als het bedrijf echter groei doormaakt dan zal de reactie snelheid hoger zijn, zeg 15 tot 30%. Hoe hoger de groei, hoe hoger de reactietijd zou moeten zijn.

De vergelijking voor één exponentiële smoothing voorspelling is als volgt:

• Ft = Ft-1 + α(At-1 – Ft-1)

Hierbij gaan de onderdelen over de volgende zaken:

• Ft = De exponentiële smoothed voorspelling voor periode t
• Ft-1 = De exponentiële smoothed voorspelling die gemaakt is voor de huidige periode
• At-1 = de vraag in de huidige periode
• α = Het gewenste antwoord; de smoothing constant

Deze vergelijking stelt dat de nieuwe voorspelling gelijk is aan de oude voorspelling plus een deel aan error (het verschil tussen de voorgaande voorspelling en dat wat er daadwerkelijk heeft plaatsgevonden).

Voorbeeld:

• Stel de smoothing constant α is 0.05
• Stel dat er afgelopen maand een voorspelling is geweest waarbij er sprake was van (Ft-1) 1,050 eenheden.
• Als de daadwerkelijke vraag 1,000 eenheden is, in plaats van 1,050, dan zal de voorspelling voor volgende maand als volgt zijn:
• Ft = Ft-1 + α (At-1 – Ft-1)
• = 1,050 + 0.05(1,000 – 1,050)
• = 1,050 + 0.05(-50)
• = 1,047.5 eenheden

Omdat de smoothing coefficiënt klein is, is de reactie op een error van 50 eenheden een verlagen van 2,5 eenheden voor volgende maand. Hoe hoger de waarde van de alpha, hoe dichter de voorspelling bij de daadwerkelijke vraag komt. Hierbij geldt dat hoe dichter je bij de daadwerkelijke vraag zit met je voorspelling, hoe sneller je een trend kan opmerken. Hierdoor helpt het als de alpha wordt aangepast, dit heet ook wel adaptive forecasting.

Exponentiële Smoothing met Trend

Exponentiële smoothed voorspellingen kunnen gecorrigeerd worden door trend aanpassingen te maken. Om de trend aan te passen heb je twee smoothing constanten nodig. Naast de smoothing constante van alpha (α), maakt de trend vergelijking ook gebruik van smoothing constant delta (δ). Zowel de apha als de delta verminderen de impact van een error dat plaatsvindt tussen de daadwerkelijke vraag en de voorspelde vraag. Als zowel de alpha als de delta niet gebruikt worden, dan reageert de trend te sterk op errors.

• Smoothing constant delta (δ): Een aanvullende parameter die gebruikt wordt bij een exponentiële smoothing vergelijking dat zorgt voor een aanpassing van de trend.

De vergelijking waarbij de voorspelling ook de trend bevat ziet er als volgt uit:

• Ft = FIT t-1 + α(At-1 – FITt-1)
• T1 = Tt-1 + δ(Ft – FITt-1)
• FITt = Ft + Tt
• Ft = de exponentieel smoothed voorspelling zonder de trend voor die periode
• Tt = de exponentieel smoothed trend voor periode t
• FITt = de voorspelling inclusief trend voor periode t
• FITt-1 = de voorspelling inclusief trend van de huidige periode
• At-1 = de daadwerkelijke vraag voor de huidige periode
• α = smoothing constant (alpha)
• δ = smoothing constant (delta)

Lineaire Regressie Analyse

Regressie kan gedefinieerd worden als een functionele relatie tussen twee of meer correlerende variabelen. Het wordt gebruikt om een variabele te voorspellen aan de hand van de andere variabele die gegeven is. De data dient eerst geplot te worden om te kijken of delen van de data of de gehele data wel lineair is.

Lineaire regressie refereert naar een speciale klasse van regressie. Hierbij is de relatie tussen de variabelen namelijk een rechte lijn. De lineaire regressie lijn heeft de vorm van Yt = a + bt. Yt is de waarde van de afhankelijke variabele. a is de interceptie van Y, b is de helling en t is de index voor de tijdsperiode. Een lijn is lineair als de data een rechte lijn vormt.

• Lineair regression forecasting: Een voorspel techniek dat aanneemt dat data uit het verleden en toekomstige projecties ongeveer in een rechte lijn samenkomen.

Lineaire regressie is handig voor lange termijn voorspellingen en geaggregeerde planningen. Lineaire regressie kan gebruikt worden bij voorspellingen voor zowel time series als causale relaties. Als de afhankelijke variabele veranderd als resultaat van de tijd, dan is het een time series analyse. Als een variabele veranderd door de verandering in een andere variabele, dan is het een causale relatie.

Decompositie van time series

Een time serie kan gedefinieerd worden als een chronologisch geordende data dat een of meer componenten van de vraag kan bevatten. Hierbij kan gedacht worden aan trends, seizoens-, cyclische-, of autocorrelatie en random componenten.

• Time series: Chronologisch geordende data dat uit één of meerdere componenten van de vraag bevat.

Time series kan je de-componeren. Dit houdt in dat je de data in de time series identificeert en uit elkaar haalt zodat er componenten ontstaan.

• Decomposition: Het proces waarbij data in time series wordt geïdentificeerd en wordt opgesplitst in fundamentele componenten zoals trends en seizoen correlaties.

Als de vraag zowel seizoens- als trend effecten tegelijkertijd bevat, dan moet onderzocht worden hoe deze zich verhouden tot elkaar. Er zijn hierbij 2 typen variatie:

1. Additive Seasonal Variation: Deze neemt aan dat de seizoen factor constant is, ongeacht wat de trend of het gemiddelde is. De voorspelling is dan als volgt: Forecast including trend and seasonal = Trend + Seasonal factor
2. Multiplicative Seasonal Variation: Hierbij wordt de trend vermenigvuldigt met de seizoen index. De voorspelling is dan als volgt: Forecast including trend and seasonal = Trend x Seasonal index

Het voorspellen van errors

Als er sprake is van een forecast error dan gaat dit over het verschil tussen de voorspelling en de daadwerkelijke vraag.

• Forecast error: Het verschil tussen de daadwerkelijke vraag en de voorspelde vraag.

Aanleidingen van errors

Errors kunnen op verschillende manieren ontstaan. Vaak komt het voort uit het feit dat voorspellers trends uit het verleden niet meenemen in hun voorspelling voor de toekomst. Errors kunnen geclassificeerd worden in Bias errors en Random errors. Deze betekenen het volgende:

• Bias errors: deze ontstaan als er consistente fouten gemaakt worden. Voorbeeld: als er gebruikt wordt gemaakt van de verkeerde variabelen, relaties onder variabelen enzovoort.
• Random errors: dit zijn fouten die niet verklaard kunnen worden door het voorspel model dat wordt gebruikt.

Hoe worden errors gemeten?

Er kunnen vele termen gebruikt worden om de mate van error te beschrijven. Veelgebruikte termen zijn als volgt:

• Mean absolute deviation (MAD): Dit is de gemiddelde error in de voorspelling waarbij de absolute waarden van elke error in iedere voorgaande voorspelling worden gebruikt. Het is het gemiddelde van de absolute variantie van de voorspelde error.
• Mean absolute percent error (MAPE): Dit is de gemiddelde error, gemeten als een percentage van de gemiddelde vraag.
• Tracking signal (TS): Deze meet of de voorspelling in lijn is met stijgende of dalende veranderingen in de vraag. Het kan gebruikt worden om forecast bias op te sporen.

Causale relaties in voorspellingen

Causal relationship forecasting heeft betrekking op het gebruik van onafhankelijke variabelen, anders dan de tijd als variabele, om de toekomstige vraag te voorspellen. De onafhankelijke variabele moet hierbij een leidende indicator zijn. Voorbeeld: zoals regen een leidende factor kan zijn bij de voorspelling naar de vraag naar paraplu’s.

• Causal relationship forecasting: Voorspellingen waarbij onafhankelijke variabelen worden gebruikt, anders dan de variabele tijd, om de toekomst te voorspellen.

Multiple regressie analyse

Een andere methode om voorspellingen te doen is de multiple regressie analyse. Deze bevat meerdere variabelen waarbij het effect hiervan op het onderzochte item wordt bepaald.

Hoe kunnen kwalitatieve technieken gebruikt worden om de vraag te voorspellen?

Kwalitatieve technieken hangen, ten opzichte van kwantitatieve technieken, meer af van beoordelen en meningen van experts. Deze kunnen nuttig zijn als er geen data over de vraag in het verleden beschikbaar is. Kwalitatieve technieken hebben vaak te maken met gestructureerde processen zodat ervaring verworven kan worden en er accuraat te werk wordt gegaan.

Hoe kan je samenwerkingstechnieken toepassen om de vraag te voorspellen?

Collaborative Planning, Forecasting, and Replenishment (CPFR) is een web gebaseerde activiteit om de vraag voorspellingen, productie- en koop planning, inventaris aanvullingen en suppply chain partners te coördineren. Het wordt gebruikt om alle leden te integreren. Het kan alle voorspellingen, op verschillende gebieden, met elkaar synchroniseren.

• Collaborative Planning, Forecasting, and Replenishment (CPFR): Een internet gebaseerde handling om de voorspellingen van productie, aankopen en de supply chain van een bedrijf te coördineren.

CPFR zorgt vaak voor veel voordelen voor alle deelnemers, doordat informatie over toekomstige planningen gedeeld worden en zichtbaar gemaakt worden door het hele systeem.

Samenvatting in bulletpoints:

• Forecasting gaat over het maken van voorspellingen. Het is van essentieel belang voor ieder bedrijf en voor elke management beslissing. Het vormt de basis voor bedrijfsplanningen en controles. Voordat je een voorspelling maakt moet er nagegaan worden wat het doel van de voorspelling is. Zo hebben sommige voorspellingen als doel om de toekomstige vraag te bepalen, waar anderen erover gaan hoe de vraag bereikt kan worden met de huidige strategie. Hierdoor kan er een onderscheid gemaakt worden tussen verschillende voorspellingen (forecasts). Deze zijn als volgt:
  • Strategic forecasts: Deze voorspellingen zijn gericht op de medium- of lange termijn. Ze worden gebruikt om beslissingen te kunnen maken omtrent de strategie en bij het schatten van de geaggregeerde vraag.
  • Tactical forecasts: Dit zijn korte termijn voorspellingen. Deze worden gebruikt als input voor het maken van dag-tot-dag beslissingen, gericht op het voldoen aan de vraag.
• Time series Analysis modellen proberen de toekomst te voorspellen op basis van data uit het verleden. Hierbij kunnen er 3 verschillende data uit het verleden gebruikt worden:
  
  • Short term: Dit refereert naar een tijd onder de 3 maanden.
  • Medium term: Dit varieert van 3 maanden tot 2 jaar.
  • Long term: Dit gaat over een tijdsspan langer dan 2 jaar.
• De moving average is een handig model als de vraag naar een product niet snel toe- of afneemt en als het geen seizoen karakteristieken bevat. Aan de hand van de moving avarage kunnen de random fluctuaties verwijderd worden uit de voorspelling.
• Waar de moving average een gelijk gewicht toekent aan ieder component, kent de weighted moving average verschillende gewichten toe aan ieder component. De som van alle gewichten is gelijk aan 1. De meest recente data krijgt het meeste gewicht toebedeeld. Hoe ouder de data, hoe minder zwaar deze meetelt in het gemiddelde. Zo is recentere data significanter dan oudere data.
• Exponential smoothing is een voorspelling aan de hand van tijdsreeksen waarin elke stap van data uit het verleden wordt verminderd door (1- α). Dit wordt het meest gebruikt van alle voorspel technieken. Het is een integraal onderdeel van virtuele of gecomputeriseerde voorspel programma’s. Het is erg nuttig, voor bijvoorbeeld het bijhouden van voorraden.
• Exponentiële smoothed voorspellingen kunnen gecorrigeerd worden door trend aanpassingen te maken. Om de trend aan te passen heb je twee smoothing constanten nodig. Naast de smoothing constante van alpha (α), maakt de trend vergelijking ook gebruik van smoothing constant delta (δ). Zowel de apha als de delta verminderen de impact van een error dat plaatsvindt tussen de daadwerkelijke vraag en de voorspelde vraag. Als zowel de alpha als de delta niet gebruikt worden, dan reageert de trend te sterk op errors.
• Lineaire regressie refereert naar een speciale klasse van regressie. Hierbij is de relatie tussen de variabelen namelijk een rechte lijn. De lineaire regressie lijn heeft de vorm van Yt = a + bt. Yt is de waarde van de afhankelijke variabele. a is de interceptie van Y, b is de helling en t is de index voor de tijdsperiode. Een lijn is lineair als de data een rechte lijn vormt.
• Een time serie kan gedefinieerd worden als een chronologisch geordende data dat een of meer componenten van de vraag kan bevatten. Hierbij kan gedacht worden aan trends, seizoens-, cyclische-, of autocorrelatie en random componenten.
• Errors kunnen op verschillende manieren ontstaan. Vaak komt het voort uit het feit dat voorspellers trends uit het verleden niet meenemen in hun voorspelling voor de toekomst. Errors kunnen geclassificeerd worden in Bias errors en Random errors. Deze betekenen het volgende:
  
  • Bias errors: deze ontstaan als er consistente fouten gemaakt worden. Voorbeeld: als er gebruikt wordt gemaakt van de verkeerde variabelen, relaties onder variabelen enzovoort.
  • Random errors: dit zijn fouten die niet verklaard kunnen worden door het voorspel model dat wordt gebruikt.