Hoe voorspelt u de vraag als het schap leeg was?

Op een dag dat het schap leegraakt, is niet te zien hoeveel klanten er daarna nog kwamen. Het model knoopt vraag, verkoop en aanvulinstellingen aan elkaar in plaats van ze los te schatten. Daardoor levert een uitverkoopdag alsnog informatie op: de verkoop liep tegen de bestelhoeveelheid aan, dus de vraag lag hoger dan wat er over de toonbank ging.

Waarom bayesiaanse statistiek?

Omdat die expliciet met onzekerheid rekent in plaats van één getal te noemen. Per product per winkel bleef er gemiddeld twintig tot veertig dagen aan bruikbare verkoopdata over; bij zo weinig waarnemingen is de bandbreedte het antwoord, niet het gemiddelde. Sequentiële Monte Carlo-technieken houden de berekening snel genoeg om elke nieuwe verkoopdag mee te nemen.

Waar komt de 4 tot 7 procent vandaan?

Uit een onderzoek naar één versproduct in tien willekeurige supermarkten. Daar 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. Het 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.

Het was onderzoek, geen systeem dat wij bouwden en beheren: wij onderzochten de bestelinstellingen op een beperkte set dagverse producten. Op één product in tien winkels steeg de winst 4 tot 7 procent.

Wat kan het systeem nog meer dan voorspellen?

Drie uitbreidingen: wat-als-analyses om aanvulscenario’s te simuleren voordat u ze doorvoert, optimalisatie die bestelinstellingen automatisch berekent op uw strategie (winstmaximalisatie of serviceniveau), en voorraadrapportage die laat zien waar de huidige instellingen afwijken van de berekende.

Voorraadbeheersing: vraag voorspellen

Onvoorspelbare verkoop

Het probleem

Onzichtbare vraag en onvoorspelbare verkoop: Het aanvullen van verse producten is een klassieke uitdaging, vaak aangeduid als het newsvendorprobleem. In dit geval wordt het extra complex doordat de vraag naar de producten onzichtbaar is. De frequente uitverkoop maakt het lastig om een betrouwbare voorspelling te doen. Bovendien is er weinig historische verkoopdata beschikbaar, doordat de verkooppatronen per product en per supermarkt sterk kunnen variëren.

De aanpak

De oplossing

Het systeem beschrijft de verbanden tussen vraag, verkoop en aanvulinstellingen in wiskundige modellen. Met Bayesiaanse statistiek doen we betrouwbare vraagvoorspellingen, ook wanneer de werkelijke vraag niet te observeren is. Sequentiële Monte Carlo-technieken (particle filters) houden de berekeningen snel, ook bij frequente updates van de verkoopdata.

Betrouwbare vraagvoorspellingen

Toetsbaar en uitbreidbaar

De voorspellingen toetsen we aan de werkelijke bedrijfsresultaten van de huidige situatie: dat maakt de schattingen verifieerbaar in plaats van aannemelijk. Daarnaast is het systeem uit te breiden:

Wat-als-analyses: aanvulscenario’s simuleren voordat u ze doorvoert.
Optimalisatie: bestelinstellingen automatisch berekenen, afgestemd op uw strategie: winstmaximalisatie of serviceniveau.
Voorraadrapportage: zicht op waar de huidige instellingen afwijken van de berekende.

Gemeten resultaat

Wat het opleverde

In een onderzoek naar één versproduct in tien willekeurige supermarkten bleek dat alleen al het optimaliseren van de bestelinstellingen de winst 4 tot 7 procent kan verhogen, zonder andere factoren aan te passen. Hoe dat is gemeten, staat in de case over dagverse producten.

Meer oplossingen voor commercie en retail staan op de sectorpagina.

Het newsvendorprobleem

Het newsvendorprobleem, kort: wie bederfelijke waar inkoopt, moet vooraf kiezen tussen twee soorten verlies. Te veel bestellen betekent derving; te weinig betekent nee-verkoop. De naam komt van de krantenverkoper die elke ochtend moet beslissen hoeveel kranten hij inslaat, terwijl de vraag per dag verschilt.

Het speelt overal waar de verkoopkans eenmalig is: dagvers in de supermarkt, kranten, mode aan het einde van het seizoen. Hoe wij het voor dagverse producten hebben onderzocht, staat uitgebreider in de case.

Wat u krijgt

Geen pakket, maar een werkende oplossing

Twentynext is geen softwareleverancier. Wij onderzoeken het vraagstuk, ontwerpen de oplossing en bouwen hem tot hij in productie draait.

Wat we opleveren

Een oplossing die in uw eigen proces draait, op uw eigen data. Geen licentie op software van iemand anders, en geen rapport met aanbevelingen.

Waar we beginnen

Bij de businessvraag, niet bij het model. Welke beslissing moet beter, en welke informatie hangt daaraan? Techniek is de laatste stap, niet de eerste.

Wie het bouwt

Dezelfde mensen die het bedenken. Van data-analyse en architectuur tot productie en beheer, zonder overdracht aan een andere partij.

Zo pakken we een project aan

Onze concrete klantoplossingen