VCM_112025_LR

FORECASTING, PLANNING & INVENTORY MANAGEMENT

kerheid in de vraagvoorspelling – die toeneemt naarmate je verder vooruitkijkt – expliciet mee. “Het mooie is dat je zo op voorhand weet: als ik mijn levertijd met x aantal dagen wil verkor ten, dan mag mijn aankoopprijs maximaal met y procent stijgen om minstens break-even te blijven”, schetst Jente Van Belle. “Dat maakt het veel makkelijker om bijvoorbeeld offertes van leveranciers of keuzes in transportmodi af te wegen.” De onderzoekers presenteren het beslissings model niet als een kant-en-klare oplossing die automatisch een juist en eenduidig antwoord geeft, maar als een hulpmiddel dat je tijdens het besluitvormingsproces inzet. Het vertaalt abstracte onzekerheid naar concrete cijfers en maakt de gevolgen van een wijziging in levertijd tastbaar. Dat biedt extra houvast tij dens gesprekken met leveranciers, strategi sche planningssessies of bij de voorbereiding van investeringsdossiers. Bovendien werkt het model met realistische gegevens. “We ver trekken van historische vraagdata, gecom bineerd met een forecastingproces – iets wat de meeste bedrijven hebben en dat bovendien afzonderlijk verbeterbaar is – om de voorraadsimulaties op te zetten”, zegt Jente Van Belle. “Dat zijn de essentiële componenten om met deze aanpak aan de slag te gaan.” Scenario’s testen De onderzoekers testten het model bij Volys, een Belgische producent van gevo gelteproducten. Ze kozen bewust voor een product met hoge volumes, dat Volys frequent verkoopt. Voor dat type product heeft een kortere levertijd een groot effect: de vraagvoorspelling hoeft minder ver vooruit te kijken, waardoor de onzekerheid van de voorspelling sterk vermindert. Daar door was het makkelijker om voorraadni veaus beter af te stemmen op de werkelijke vraag, wat de totale kosten substantieel kon drukken.

FIGUUR Het beslissingsmodel van Jente Van Belle en collega-onderzoe kers zet productiekosten af tegen levertijden.

andere levertijd.” Net omdat het model bedoeld is als terugkerende beslissingsondersteuning, en niet als eenmalige oefening, hoeft die nood aan herberekening geen probleem te zijn. “Net zoals je je forecastmodel onderhoudt en bijstuurt, herbekijk je nu en dan ook dit soort afwegin gen.” Dat is zeker van belang in een context waar markten, leveranciers en behoeften van klanten voortdurend evolueren. Jente Van Belle ziet in het model ook een poging om een hardnekkig schot tussen twee werel den te doorbreken: vraagvoorspelling (demand forecasting) en voorraadbeheer. “In veel bedrij ven zijn dat twee aparte afdelingen, met aparte tools en doelstellingen. Ons model toont aan dat het net loont om die twee met elkaar te verbin den. Bedrijven benutten hun bestaande fore casting-capaciteiten ten volle door de outputs slim te gebruiken in operationele beslissingen.” Voor softwareleveranciers ligt daar volgens hem een opportuniteit. “Een sterkere koppe

data en zo de impact van verschillende lever tijdscenario’s simuleren. Dat gaf het manage ment een kader om beslissingen te nemen.” Een opvallende vaststelling uit de case: in som mige scenario’s leidde een langere levertijd tot aanzienlijk lagere totale kosten. De productie kosten kwamen dan significant lager te liggen en compenseerden zo ruimschoots de stijging in de voorraadkosten. Brug tussen forecasting en voor raadbeheer Een relevante vraag is of het model robuust blijft als de kostenstructuur verandert – bijvoorbeeld door prijsstijgingen, een verstoring van de toe leveringsketen of andere doelstellingen wat de servicegraad betreft. Die veranderingen vormen geen probleem, meent Jente Van Belle: “Het model blijft bruikbaar, maar de analyse moet dan opnieuw gebeuren. Wijzigende inschattin gen van de voorraad- en productiekosten vra gen een nieuwe simulatie van de impact van een

Jente Van Belle: “Bij Volys konden we het model effectief voeden met historische

43

VALUE CHAIN MANAGEMENT - NOVEMBER-DECEMBER 2025