Een supermarkt die vers brood inkoopt, kiest elke ochtend tussen twee soorten verlies. Bestelt u te veel, dan gaat het aan het eind van de dag de container in. Bestelt u te weinig, dan staat er om vier uur een leeg schap. Dat is het newsvendorprobleem, en bij dagverse producten speelt het elke dag opnieuw, per product en per winkel.
Wat het lastig maakt: de vraag is niet te zien
Bij een houdbaarheid van één dag valt de werkelijke vraag niet uit de verkoopcijfers af te leiden. Op een dag dat het schap leegraakt, weet u niet hoeveel klanten er daarna nog kwamen. En juist die dagen zijn er veel: in de gemeten reeksen kwam veertig tot vijfentachtig procent van de verkoopdagen op een uitverkoop uit.
Daar komt bij dat er weinig historie is. Per product per winkel bleef er gemiddeld twintig tot veertig dagen aan bruikbare verkoopdata over. Seizoen, weekpatroon en promotie-effecten verschillen bovendien per winkel en per artikel. Een standaard vraagvoorspeller heeft daar te weinig aan.
Wat we bouwden
Een aanvulsysteem dat de vraag per product per winkel voorspelt en daar de bestelinstellingen op afstemt. Het draait sinds 2020 en staat bij ons in beheer.
De klant, een retailer, blijft op eigen verzoek ongenoemd. De derving daalde er met 7 procent. Een referentie is op aanvraag beschikbaar.
De kern is een wiskundig model dat vraag, verkoop en aanvulinstellingen aan elkaar knoopt in plaats van ze los te schatten. Daardoor levert een uitverkoopdag alsnog informatie op: het model weet dat de verkoop daar tegen de bestelhoeveelheid aan liep, en dus dat de vraag hoger lag dan wat er over de toonbank ging.
Waarom bayesiaans, en niet een standaardmodel
De schattingen doen we met bayesiaanse statistiek. Dat past bij dit probleem omdat het expliciet met onzekerheid rekent in plaats van één getal te noemen: bij twintig waarnemingen is de bandbreedte het antwoord, niet het gemiddelde. Sequentiële Monte Carlo-technieken, particle filters, houden de berekening snel genoeg om elke nieuwe verkoopdag mee te nemen zonder alles opnieuw door te rekenen.
Waarom we het aan de bedrijfsresultaten toetsen
Een vraagvoorspelling die u niet kunt controleren, is een aanname met decimalen. Daarom rekenen we de voorspellingen terug naar de uitkomsten die de winkel wél waarneemt, derving, nee-verkoop en marge, en leggen we die naast wat er werkelijk gebeurde. Zo is de schatting verifieerbaar in plaats van aannemelijk.
Wat het opleverde
In een onderzoek naar één versproduct in tien willekeurige supermarkten bleek dat alleen het optimaliseren van de bestelinstellingen de winst met 4 tot 7 procent kan verhogen, zonder aan recept, prijs of assortiment te komen.
Dat cijfer geldt voor dat product en die tien winkels. Het is geen belofte voor een heel assortiment, maar het is gemeten in plaats van geschat. Hoe de aanpak eruitziet als losse dienst, staat op de pagina over voorraadbeheersing.
