Tip: gebruik voorraadbeheer software om je voorraad efficiënt te beheren. Top 2:
(1) Silvasoft.nl (2) AFAS software

In onze vorige blog hebben we de verschillende manieren om de marktvraag te voorspellen onderverdeeld. Hierbij hadden we het bijvoorbeeld over de objectieve en kwantitatieve voorspellingsmethoden. In deze en volgende blogs focussen we op de verschillende berekeningsmethoden op basis waarvan je de vraag kan voorspellen. Belangrijk om te weten is dat geen enkele methode op zichzelf staat, maar dat er vaak verschillende berekeningen nodig zijn om duidelijke conclusies te kunnen trekken. Een van deze berekeningsmethoden is de berekening op basis van het voortschrijdende gemiddelde. In de praktijk zijn er wel verschillende correcties nodig.

Voorspellen op basis van het voortschrijdende gemiddelde

Bij voorspellingen op basis van het voortschrijdende gemiddelde kijk je terug naar de gemiddelde vraag over de afgelopen periodes. Hierbij neem je aan dat het gemiddelde over de vorige periodes representatief is voor de te verwachten vraag gedurende deze periode.

Het is belangrijk om goed na te denken over welke periodes het gemiddelde wordt genomen. Hoe korter de periode, hoe groter het effect zal zijn van tijdelijke fluctuaties. Hoe langer de periode, hoe minder actuele evoluties in rekening worden gebracht. Over het algemeen genomen kies je een lagere periode voor producten met een langere levenscyclus en een kortere periode voor producten met een kortere levenscyclus.

Gewogen waarden toepassen

Een probleem van de berekening op basis van het voortschrijdende gemiddelde is dat het trends onvoldoende opmerkt. Een recente trend wordt gecompenseerd door minder goede resultaten uit vorige periodes. Hierdoor loopt de voorspelde vraag achter op de werkelijke vraag. Hoe groter de historische periode is, hoe onbeduidender actuele cijfers worden en hoe minder goed trends worden opgemerkt.

In de praktijk is het echter zo dat recente waarden een grotere voorspellende kracht hebben dan historische waarden. Daarom wordt er vaak gewerkt met gewogen waarden waarbij de gegevens van een recente periode zwaarder doorwegen dan de gegevens van de periode daarvoor. Zo kunnen de gegevens van de periode n-1 een gewicht krijgen van 50%, de gegevens van periode n-2 een gewicht van 25%, de gegevens van periode n-3 een gewicht van 12,5%, enzovoort. Onderstaande cijfers tonen aan hoe gewogen waarden beter zijn in het opmerken van trends. Het vinden van een delicaat evenwicht tussen historische en recente gegevens en het bepalen van een optimaal gewicht is vaak het werk van een diepgaande analyse en het resultaat zal voor elke productgroep anders zijn.

Exponentiële effening

Bovenstaande grafiek toont aan hoe het werkt, maar zo’n werkwijze wordt in de praktijk niet toegepast. In de praktijk krijgen de laatste periodes meer gewicht door middel van het zogenaamde exponential smoothing. Hierbij krijgt de meest recente periode de dempingsfactor α (tussen 0 en 1), de tweede periode krijgt het gewicht α(1- α)2 , de derde periode het gewicht α(1- α)3 enzovoort. Het voordeel van exponential smoothing is dat foute voorspellingen uit het verleden worden gebruikt om het actuele resultaat bij te sturen.

Hierbij is de voorspelling voor de komende periode t+1 gelijk aan de voorspelling voor de vraag in de periode t plus de voorspelfout van deze periode maal een dempingsfactor. In formulevorm luidt dat:

Wanneer de dempingsfactor kleiner is, wegen historische gegevens minder zwaar door. Bij producten die onderhevig zijn aan trends wordt er daarom gekozen voor een hogere dempingsfactor. Vergelijk dan ook even de vraagvoorspelling bij dempingsfactor 0,1 met de voorspelling bij dempingsfactor 0,5.

Wanneer het daarentegen om een product gaat waarbij trends een kleinere rol spelen, is het vooral belangrijk om korte opflakkeringen weg te filteren. Hier willen we niet dat de voorspelling te sterk wordt beïnvloed door bijvoorbeeld tijdelijke promoties en kiezen we duidelijk beter voor een kleinere dempingsfactor:

Rekening houden met seizoensinvloeden

In voorgaande voorbeelden werd er geen rekening gehouden met seizoenspatronen. Vaak vertonen producten een specifiek seizoenspatroon en dat is problematisch wanneer voorgaande werkwijze rigoureus wordt toegepast. Een opflakkering tijdens de zomerperiode zou dan in een onlogische voorspelling tijdens de winter of herfstperiode kunnen resulteren.

In de praktijk valt dit eenvoudig op te lossen door enkel de relevante historische gegevens te gebruiken en bepaalde gegevens van andere seizoenen te negeren. Een andere methode is door hier een seizoensfactor te gebruiken. De seizoensfactor wordt berekend door de historische vraag te delen door de vraag uit het verleden.

Voortdurend bijsturen en analyseren

Hoe dan ook zal je voortdurend moeten bijsturen. Via exponentiële effening verwerk je al automatisch voorspelfouten in je volgende voorspelling, maar daarbij blijf je natuurlijk wel afhankelijk van de gehanteerde dempingsfactor die je alsnog moet aanpassen. Daarom is het aangeraden om steeds op korte termijn te voorspellen, de voorspelfouten te analyseren en steeds verder te verfijnen.

Ten slotte blijft het noodzakelijk om niet alleen op kwantitatieve voorspellingen te vertrouwen. Cijfers geven niet altijd de volledige waarheid en houden bijvoorbeeld geen rekening met tijdelijke acties, promoties of met bijvoorbeeld wegenwerken die de toegang tot een concurrent belemmerden. Daarom mag je nooit blindelings vertrouwen op voorspellingen en moet je vooral op zoek gaan naar verklaringen. Op die manier kan je gericht voorspellen en ga je nog accurater je voorraad aanleggen.

Maak gebruik van software

Klinkt dit al ingewikkeld? In de praktijk is het allemaal nóg ingewikkelder en kan het nog veel accurater. Dat merk je ook zelf wel als je de bovenstaande grafieken bekijkt: vaak is het verschil tussen de voorspelling en de werkelijke afzet nog veel te groot. Niet voor niets behandelen universitaire studies dergelijke voorspellingsmethodes tot in het detail. Daarom hoef jij nu niet opnieuw naar de universiteit te trekken, want gelukkig bestaat er tegenwoordig ook software die je helpt met het analyseren van historische cijfers. De voorwaarde is natuurlijk wel dat je die cijfers bij de hand hebt, maar daarvoor gebruik je dan weer voorraadbeheersoftware. Dat voorraadbeheersoftware niet veel hoeft te kosten en heel toegankelijk is, bewijst onze vergelijking van voorraadbeheersoftware.

Silvasoft voorraadbeheer

Silvasoft voorraadbeheer

De best gewaardeerde voorraadbeheer software van 2024!

(5 reviews)8.8/10
Brincr voorraadbeheer Vanaf € 79,00 per maand
Meerdere magazijnen
14 dagen gratis
+35 koppelingen
(85 reviews)9.6/10
Silvasoft voorraadbeheer software Vanaf € 5,45 p/m
Voorraadwaarschuwing
Inkoopadviezen
Goederenontvangst
Silvasoft voorraadbeheer software € 15,45 p/m
Voorraadwaarschuwing
Batch- en serienummers
Verzamelproducten
Silvasoft voorraadbeheer software € 20,45 p/m
Voorraadwaarschuwing
Barcodescanner
Verzamelproducten
Silvasoft voorraadbeheer software € 30,45 p/m
Voorraadwaarschuwing
Meerdere magazijnen
Verzamelproducten
Silvasoft voorraadbeheer software € 30,45
Voorraadwaarschuwing
Batch- en serienummers
Barcodescanner
Silvasoft voorraadbeheer software € 40,45 p/m
Voorraadwaarschuwing
Meerdere magazijnen
Batch- en serienummers
Silvasoft voorraadbeheer software € 45,45 p/m
Voorraadwaarschuwing
Meerdere magazijnen
Barcodescanner
Silvasoft voorraadbeheer software € 55,45
Meerdere magazijnen
Batch- en serienummers
Barcodescanner
(8 reviews)10.0/10
Stockpilot voorraadbeheer software € 32,- p/m
Één centraal dashboard
Verzendlabels
Voorraad synchroon

Vergelijk alle voorraadbeheer software op prijs, reviews en functies!

Tags:

marktvraag, voorraadvoorspelling

Doorlezen:

Geen reacties

Plaats reactie

Er zijn nog geen reacties op dit artikel. Plaats als eerste een reactie!

Plaats reactie