Naar de inhoud
Alle video’s

Beter reageren is goedkoper dan beter voorspellen

Data & DashboardsDuur: 3:00 minVanaf 43:00 in de opname

Sander van den Broek, Optiply

Uit de sessie: Deep Dive Friday: Voorraadoptimalisatie

In de vragenronde over forecasting legt Sander van den Broek van Optiply uit waarom verder verbeteren van je voorspelling duur wordt en wat je beter kunt doen. Hij laat zien hoe pricing, buffers en een flexibele schil in het magazijn helpen als je forecast niet klopt.

Voor wie: Je voorraad plant met een forecast en wilt weten hoe je omgaat met de keren dat die niet klopt.

Waarom dit ertoe doet

Iedere webshop met voorraad voorspelt vraag, en iedere voorspelling zit er een keer naast. Van den Broek zegt dat elke extra procent nauwkeurigheid heel duur en complex wordt, en dat je je niet moet blindstaren op de perfecte forecast. Goedkoper is vaak sneller reageren of meer buffer inbouwen. Zijn voorbeeld: heb je te weinig van een product en kun je niet snel bijbestellen, dan verhoog je de prijs iets om de vraag te dempen. De vraag van de deelnemer sluit daarop aan: kun je bij te weinig donkerblauwe polo's en te veel lichtblauwe de lichtblauwe bovenaan zetten en je advertentiebudget verschuiven? Zo koppel je inkoop, voorraad en sales.

Belangrijkste inzichten

  • Volgens Van den Broek wordt elke extra procent forecastnauwkeurigheid heel duur en complex.
  • Sneller reageren of meer buffer inbouwen is vaak veel goedkoper dan heel goed forecasten.
  • Bij te weinig voorraad en lange levertijden kun je de prijs iets verhogen om de vraag te dempen.
  • Optiply koppelt aan pricingtools als Omnia en PriceShape.
  • De spreker houdt een flexibele schil in het magazijn nodig, omdat pakketjes op de dag nauwkeurig voorspellen een illusie is.

De vraag uit het gesprek

Jop van Hooft opent met een observatie: in e-commerce zie je veel forecasts, ook voor operationele zaken zoals hoeveel mensen er in het magazijn moeten staan. Je hebt weinig controle over de kwaliteit, dus je hebt trucs nodig voor als de forecast niet klopt, zoals een flexibele schil van mensen die je kunt bellen of naar huis sturen. Hij vraagt of je dat ook in inkoop ziet. Zijn voorbeeld: een klant heeft te weinig donkerblauwe polo's ingekocht maar genoeg lichtblauwe. Dan kan je saleskant de lichtblauwe naar voren zetten en het advertentiebudget verschuiven.

Pricing als hefboom

Van den Broek bevestigt dat Optiply koppelingen heeft met pricingtools, zoals Omnia en PriceShape. Beide zijn dynamische-pricingsoftware voor e-commerce die prijzen aanpast op basis van regels en marktdata. Het idee: als je te weinig voorraad hebt en dat door lange levertijden niet snel kunt oplossen, ga je iets hoger in je prijs zitten. Daarmee demp je de vraag. De verkoop liep immers beter dan voorspeld. Je koppelt dus wat je weet over voorraad aan wat je met je prijs kunt doen.

Forecasts blijven fout

Zijn kernpunt is dat AI niet oplost dat je de toekomst niet kunt voorspellen, omdat de wereld daarvoor te complex is. Elke procent verbetering kost veel. Optiply maakt die kosten, omdat het voor veel klanten werkt, maar een webshop kan vaak meer winnen door sneller te reageren of meer buffer in te bouwen. Dat is volgens hem vaak veel goedkoper dan heel goed forecasten. Je ontkomt niet aan een flexibele schil in het magazijn, want pakketjes op de dag nauwkeurig voorspellen is volgens hem een illusie. Optiply zelf beschrijft op Webwinkel Vakdagen 40+ forecastmodellen, wat laat zien dat ook een leverancier die zijn geld aan voorspellen verdient, 1 model niet genoeg vindt. Die cijfers komen van de leverancier.

Een bekende uitspraak

Hij haalt de uitspraak aan 'all forecasts are wrong, but some are useful'. Die is een variant op de beroemde zin van statisticus George Box, 'all models are wrong, but some are useful'. Het eerste deel schreef Box in 1976 in een artikel, de volledige zin staat in het boek Empirical Model-Building and Response Surfaces uit 1987. Van den Broek zegt erbij dat Optiply desondanks veel in AI-modellen voor de forecast-engine investeert, om die laatste paar procent te halen. Zijn punt is dus niet dat forecasten nutteloos is, maar dat je ernaast een plan nodig hebt voor als het misgaat.

Probeer dit deze week

  1. Zoek de 10 grootste verschillen tussen forecast en verkoop van de laatste 3 maanden en schrijf op wat je toen deed.
  2. Bepaal per leverancier met een lange levertijd of een extra buffer goedkoper is dan een betere forecast.
  3. Spreek met je marketing- en pricingcollega 1 vaste regel af voor producten die bijna op zijn: prijs, advertenties of positie op de pagina.

Begrippen

Forecast
Een voorspelling van de verkoop in een komende periode, gebruikt om te bepalen wat je inkoopt.
Buffer
Extra voorraad bovenop de verwachte verkoop om schommelingen op te vangen.
Flexibele schil
Mensen die je op korte termijn kunt inzetten of naar huis kunt sturen als de drukte afwijkt van de planning.
Dynamic pricing
Software die prijzen automatisch aanpast op basis van regels, voorraad en marktdata.

Verdiep je in de gids

Transcriptie

Uitgeschreven uit de audio van dit fragment. Stopwoorden en herhalingen zijn weggelaten. Waar [onverstaanbaar] staat, is de opname niet te verstaan.

Stukje forecasting. Ik had het een interessant onderwerp en ik zie veel forecast in e-commerce bedrijven voorbij komen, ook vaak op wat operationele gerichten, hoeveel mensen moeten er in mijn warehouse zijn om alle pakketjes vandaag de deur uit te krijgen bijvoorbeeld. En daar zien we heel erg dat je weinig controle hebt over de kwaliteit. Je kan een forecast afgeven, maar je moet eigenlijk ook trucjes op de dag hebben, zodat je met [onverstaanbaar] in die forecast om kan gaan. Dat betekent dat je een flexibele schil hebt. Mensen die je kan bellen of juist naar huis kan sturen. En zo uiteindelijk toch om kan gaan als je voorkeur een keer niet klopt. Nu met AI en inkoop kun je natuurlijk ook een soort van loop zien. Waar je gaat zeggen van op het moment dat wij iets geforecast hebben. Maar het valt toch tegen. Laten we even een voorbeeld nemen. Ik zie de vrienden van Bamigo hier in de call zitten. Stel Bamigo heeft de donkerblauwe polo's te weinig ingekocht. maar de lichtblauwe liggen er nog meer dan genoeg, dan kun je natuurlijk ook aan je saleskant gaan zorgen dat de lichtblauwe voren op je pagina staan, misschien het ad budget op de lichtblauwe iets omhoog en omlaag op de donkerblauwe polo's. Zie je die koppeling veel gemaakt worden, tussen je inkopen, je forecast, en wat je in sales daarin kan bijsturen? Zeker, zeker. Dus bijvoorbeeld, we hebben koppelingen met pricing tools, denk aan Omnia of PriceShape, die dan eigenlijk zeggen we naar voren gaan, als we understocked zijn en dat ook zien dat dat niet zomaar opgelost wordt, omdat we langer lead times hebben dan, omdat de sales meegezeten heeft, gaan we gewoon iets hoger in onze prijs zitten, dan om die vraag te dempen uiteindelijk is als het AI gaat niet oplossen dat we de toekomst kunnen voorspellen, want dat is gewoon de wereld is daar te complex voor wat je kunt doen is sneller reageren Dus bijvoorbeeld bij ons, dus forecast verbeteren is vaak, elke procent daar wordt heel duur en heel kostbaar en heel complex om te doen. Wij als organisatie maken die kosten, want wij doen natuurlijk voor heel veel klanten, maar forecasten, je kunt vaak heel veel meer problemen oplossen door sneller te reageren of meer buffer in te bouwen. Want dan heb je gewoon, dat is vaak veel goedkoper dan heel goed forecasten. Maar je ontkomt niet aan zo'n flexibele schil in jouw warehouse, want je gaat hem nooit op pakketjes nauwkeurig voorspellen. Dat is simpelweg een illusie. In forecasting heb je een beroemde uitspraak. All forecasts are wrong, but some are useful. Dat is wat er vaak gekscherend gezegd wordt. En dat wil niet laten onverlet dat wij enorm investeren in toepassen van AI-modellen in onze forecasting engine. Om die laatste paar procent ook nog te krijgen.

Spreker: Sander van den Broek, Optiply

Bronnen

Meer over Data & Dashboards