VCM_112026_LR

FORECASTING, PLANNING & INVENTORY MANAGEMENT

ingediend. Er waren dataverschillen tussen beide systemen en een een-op-eenmapping was niet altijd mogelijk. Zo konden teams tij dens overleg tot een consensus komen, maar vervolgens toch verschillende forecasts in de twee systemen indienen.” Die gebrekkige afstemming bleef niet zon der gevolgen voor de supply chain. Organon kampte met verstoringen in de keten, hoge voorraden van sommige producten en stock outs van andere. Ook het werkkapitaal kwam daardoor onder druk te staan. Eerst de leidingen herstellen Een voor de hand liggende reactie zou zijn om een nieuwe, geavanceerde forecasting oplossing te implementeren. Silvestre wees echter op een fundamenteel probleem: de masterdata waren nog onvoldoende op orde. Dat maakte de overstap naar geavanceerdere technologie weinig zinvol. Tijdens haar presentatie gebruikte ze een treffende vergelijking. “Het heeft weinig zin om het over nieuw behangpapier te hebben wanneer de leidingen in je huis stuk zijn. Je moet eerst de leidingen herstellen voordat je het behang aanbrengt.” Dat gold volgens haar ook voor artificiële intelligentie. “AI zou voor bepaalde proble men een oplossing kunnen bieden, maar wanneer de onderliggende masterdata niet betrouwbaar zijn, lost de technologie het fundamentele probleem niet op”, legt ze uit. Bovendien had Organon op dat moment geen tijd voor een langdurig en duur imple mentatietraject. De organisatie had vooral behoefte aan een snelle, werkbare oplos sing. Zo ontstond het idee om een onafhankelijke referentie te creëren waarmee de bestaande forecasts kritisch konden worden getoetst en afwijkingen sneller zichtbaar zouden worden. Met ondersteuning van statis tici en wiskundigen werd vervolgens een Excelmodel ontwikkeld. Dat kreeg intern de

naam ‘Hedgehog’ en vormt de basis voor wat Organon Business Momentum Projections noemt. C. Silvestre: “De bedoeling was om op basis van historische gegevens een onafhankelijke referentie te creëren voor het onderliggende momentum van een product. Die wilden we niet gebruiken als de zoveelste forecast, maar als benchmark om bestaande forecasts kri tisch te beoordelen.” Op zoek naar het momentum van een product De Business Momentum Projections bieden een trendgebaseerde langetermijnprojectie. Via curve fitting zoekt Organon een niet-li neaire wiskundige curve die zo goed moge lijk aansluit bij het patroon in de historische vraag. Die curve wordt vervolgens doorge trokken naar de toekomst. Zo ontstaat een langetermijnprojectie met een tijdshorizon van tien jaar. Voor Organon is die lange horizon bijzonder relevant. “Capaciteitsbeslissingen in de farmaceuti sche industrie kunnen niet van vandaag op morgen worden genomen. Productiecapaci teit en verpakkingsapparatuur moeten ruim vooraf worden gepland en aangepast, ter wijl veranderingen in de sterk gereguleerde omgeving vaak tijdrovend zijn. Daarom wil len we jaren vooruit kunnen inschatten waar capaciteit nodig zal zijn”, legt Silvestre uit. Het proces begint met het samenbrengen en voorbereiden van data uit verschillende sys temen. Dat was arbeidsintensief, vooral door de inconsistenties in de masterdata. De oefe ning leverde tegelijk een onverwacht voor deel op. Door data uit SAP IBP en SAC naast elkaar te leggen, kwamen verschillen aan het licht die voordien niet zichtbaar waren. Problemen met bijvoorbeeld phase-ins en phase-outs of de koppeling tussen SKU’s en merken konden aan het masterdatateam worden doorgegeven en geleidelijk worden opgelost.

Vervolgens wordt een basistrend bepaald. Organon houdt daarbij rekening met bekende gebeurtenissen die de toekomstige ontwikkeling van een product kunnen beïn vloeden. In de farmaceutische sector gaat het bijvoorbeeld om het aflopen van de exclusiviteit van een product, de komst van generieke concurrentie of geplande commerciële activiteiten. Ook seizoenspa tronen worden meegenomen. Naast interne informatie gebruikt het model externe gegevens, waaronder epi demiologische en demografische data. Zo ontstaat een curve die het verwachte momentum over een langere periode weergeeft. Excel als pragmatische oplossing Technologisch is het model weinig spec taculair. Organon gebruikt onder meer de Solver-invoegtoepassing van Excel om parameters te optimaliseren en een passende curve te vinden. Het team kijkt daarbij naar de curvevorm, het piekvo lume, het aantal jaren tot de piek en sta tistische maatstaven zoals SSR en R². Daar mee beoordeelt het hoe goed de curve bij de data aansluit. Silvestre benadrukt dat het proces niet volledig automatisch verloopt. Wanneer de voorgestelde curve onvoldoende logisch lijkt, kan het team parameters aanpassen en het model opnieuw laten rekenen. Het model biedt een analytisch fundament, maar de beoordeling door vakexperts blijft noodzakelijk. Ook bij de organisatie van het werk bleef Organon bewust pragmatisch. In de hui dige werkwijze kost de datavoorbereiding ongeveer een week. Vervolgens besteedt het team circa twee weken aan de beoor deling van de trends. Een volledige cyclus neemt in totaal ongeveer een maand in beslag. De BMP’s zelf worden slechts een maal per jaar opnieuw berekend, bij de her ziening van het long-range operating plan.

43

VALUE CHAIN MANAGEMENT - NOVEMBER-DECEMBER 2026