Wat is een voorraadvoorspelling?
Een voorraadvoorspelling helpt je om de toekomstige vraag naar producten in te schatten op korte, middellange of lange termijn. Het is een essentieel onderdeel van een effectief voorraadbeheersysteem. Door vooruit te plannen kun je de klantenservice verbeteren, voorraadniveaus optimaliseren en de capaciteit beter beheren.
Je kunt ook kosten voorspellen, zoals de kosten die van toepassing zijn bij toekomstige bestellingen. Een ander gebied om te voorspellen is de levertijd, die vaak korter wordt. Wat je ook besluit te voorspellen, houd rekening met deze basisprincipes:
- Voorspellingen zijn nauwkeuriger op korte termijn. Hoe verder vooruit je kijkt, hoe minder accuraat ze zijn.
- Voorspellingen zijn nooit perfect. Er is altijd een foutmarge die je moet kennen.
- Voorspellingen zijn geen vervanging voor werkelijke vraag.
Soorten voorspellingen
Er zijn veel manieren om voorspellingen te doen, en geen enkele methode is altijd de beste. De juiste keuze hangt af van de tijdshorizon en de beschikbare gegevens. Je kunt voorspellingen grofweg indelen in drie categorieën:
- Lange termijn: meerdere jaren vooruit
- Middellange termijn: tussen drie maanden en een jaar
- Korte termijn: de komende weken
Voorspellingen kunnen gebaseerd zijn op historische data of op inschattingen. Als er een betrouwbare vraaggeschiedenis beschikbaar is, is dat vaak de beste basis.
Voorspellingstechnieken
We hebben eerder het economische bestelhoeveelheidsmodel (EOQ) besproken, dat helpt bij het bepalen van hoeveel producten je moet inkopen. In deze blog kijken we naar drie eenvoudige technieken die gebruikmaken van historische gegevens.
Als voorbeeld gebruiken we de cijfers van oktober, november en december 2022 om de eerste drie maanden van 2023 te voorspellen.
Voortschrijdend gemiddelde
Deze methode berekent het eenvoudige gemiddelde van een vast aantal voorgaande maanden om de vraag van de volgende maand te schatten.
| Oktober 2022 | 114 |
| November 2022 | 119 |
| December 2022 | 137 |
| Januari 2023 | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| Februari 2023 | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| Maart 2023 | ? 137 + 123 + 126 = 386, 386 / 3 = 129 |
Gewogen voortschrijdend gemiddelde
Deze methode kent verschillende gewichten toe aan eerdere maanden, waarbij de meest recente periode het zwaarst telt. Het is geschikt voor korte termijn voorspellingen van stabiele producten.
Let op: de som van de gewichten moet 1,00 zijn. In dit voorbeeld gebruiken we 0,6 (meest recent), 0,3 en 0,1
| Oktober 2022 | 114 |
| November 2022 | 119 |
| December 2022 | 137 |
| Januari 2023 | ? 137 * 0.6 + 119 * 0.3 + 114 * 0.1 = 129 |
| Februari 2023 | ? 129 * 0.6 + 137 * 0.3 + 119 * 0.1 = 131 |
| Maart 2023 | ? 131 * 0.6 + 129 * 0.3 + 137 * 0.1 = 130 |
Lineaire afvlakking
Vergelijkbaar met het gewogen gemiddelde, maar hier worden de gewichten automatisch aflopend berekend via een formule. Dit werkt goed voor korte termijn voorspellingen van volwassen producten.
Gewicht voor één periode terug = 3 / ((n² + n)/2) = 3 / 6 = 0.5
Gewicht voor twee periodes terug = 2 / 6 = 0.3
Gewicht voor drie periodes terug = 1 / 6 ≈ 0.17
| Oktober 2022 | 114 |
| November 2022 | 119 |
| December 2022 | 137 |
| Januari 2023 | ? 137 * 0.5 + 119 * 0.3 + 114 * 0.17 = 126 |
| Februari 2023 | ? 126 * 0.5 + 137 * 0.3 + 119 * 0.17 = 128 |
| Maart 2023 | ? 128 * 0.5 + 126 * 0.3 + 137 * 0.17 = 129 |
Conclusie
Voorspellingen zijn gebaseerd op historische gegevens en modellen. Ze zijn niet perfect en bevatten altijd fouten, of die nu komen door de methode, de gegevens of de interpretatie. Toch is een goede schatting beter dan helemaal geen.
In toekomstige blogposts bekijken we geavanceerdere methoden zoals exponentiële afvlakking en kleinste-kwadraten regressie, en hoe deze automatisch kunnen worden toegepast in voorraadbeheersystemen.