VCM2024_05

FORECASTING

gegenereerde forecasts meestal slechter maken in plaats van beter. Maar hoe komt dat? En als dat effectief zo is, waarom hebben we dan massaal de neiging om toch telkens weer veranderingen door te willen voeren? Onweerstaanbare drang Wat er vaak gebeurt, illustreert Jeff Baker aan de hand van een praktijkvoorbeeld (zie figuur 1). “Om te beginnen moeten we een foutmetriek bepalen”, zegt hij. “Daarmee kun je verschillende forecastmethoden op een kwantitatieve manier vergelijken. Vaak raad ik de WMAPE (weighted mean abso lute percentage error) aan, omdat die makkelijk te begrijpen is voor iedereen in de organisatie. In dit voorbeeld is de ‘base line’ de naïeve forecast, waarbij de prognose voor de volgende periode louter op de prestaties van de afgelopen periode gebaseerd is. De WMAPE was hierbij 48%. Toen we op de data een statistische forecast loslieten, kwamen we aan een WMAPE van 38%, wat 10% beter is dan de naïeve forecast. Vervolgens werd de forecast aangepast op basis van menselijke inzichten. In dit geval werd de WMAPE na de aanpassingen 46%. Dat is weliswaar beter dan de naïeve forecast, maar 8% slechter dan wanneer we de statistische forecast hadden gelaten voor wat

drie bedrijven onder de loep. “Bedrijf A deed honderden fore casts, bedrijf B duizenden en bedrijf C tienduizenden”, vertelt hij. “Wat bleek? Bij bedrijf A en B werd aan 95% van de statisti sche forecasts gesleuteld, bij bedrijf C gebeurden er slechts bij 15% van de forecasts manuele aanpassingen. De reden daar voor is logisch: het grote volume maakte het voor bedrijf C gewoonweg onmogelijk om alle forecast door hun handen te laten gaan. Daar waren de medewerkers wel verplicht zich op de meest zorgwekkende voorspellingen te focussen. Vooral frappant was dat de toegevoegde waarde van de aanpassingen bij bedrijf A slechts 40% was, terwijl die bij bedrijf B en C onge veer 60% bedroeg. Met andere woorden: in bedrijf A en ook B werden heel veel zinloze aanpassingen gemaakt.” Schade door overbodige aanpassingen Te veel manuele aanpassingen verminderen niet enkel de forecastaccuraatheid, ze doen ook kostbare tijd van medewer kers verloren gaan. Bovendien hebben foutieve aanpassingen een negatieve financiële impact voor het bedrijf. Ze kunnen immers de supply chain een flinke knauw geven: op het vlak van service, voorraad, kosten, enzovoort. De vlieger ‘baat het niet, dan schaadt het niet’, gaat hier dus niet op.

Wat bedoelen we met ‘aanpassingen verlagen vaak de forecastaccuraatheid’?

die was. En dit fenomeen doet zich dus heel vaak voor, zo blijkt ook keer op keer uit studies.”

“Zogenaamde ‘over-forecasting’ kan zorgen voor obsolete producten, gedwongen kortingen om van producten af te raken, overbodige transporten en hogere magazijn- en opslag kosten”, legt Jeff Baker uit. “‘Under-forecasting’ kan dan weer leiden tot verloren omzet of boetes van grote klanten wanneer er een tekort is en voor hogere productie- en transportkosten wanneer er snel nog producten moeten worden bijgemaakt.” Goed om te weten: de negatieve financiële impact van over-fo recasting is groter dan die van under-forecasting. En toch worden er veel vaker te optimistische dan te pessimistische aanpassingen gemaakt. J. Baker: “Dat komt deels omdat de effecten van over-forecas ting – te veel voorraad, bijvoorbeeld – vaker verwacht en vooraf ingecalculeerd zijn. Bovendien is die impact meestal pas na

De hamvraag is dan ook: waarom is de drang zo sterk om de forecast te willen veranderen?

Jeff Baker: “Verkopers en marketeers wantrouwen van nature vaak de algoritmes waarop forecasts zijn gebaseerd. Dan draait het om gebrekkig vertrouwen in de systemen. Het liefst zouden ze elke forecast door hun handen laten gaan, of ze denken dat ze het beter weten dan het systeem. Anderen willen misschien laten zien dat ze nuttig bezig door zich naarstig over de fore casts te buigen.”

Interessant in dat kader zijn de resultaten van een onder zoek dat Jeff Baker voerde. Daarbij nam hij de forecasts van

25

VALUE CHAIN MANAGEMENT - MEI 2024