Waarom dit getal teams misleidt
Demand forecasts zijn gebaseerd op historische verkoopdata om toekomstige vraag te voorspellen. Wanneer promoties en kortingen plaatsvinden, stijgt de vraag tijdelijk sterk. Deze pieken worden vaak opgenomen als onderdeel van de normale vraag in de dataset. Hierdoor lijkt het alsof de baseline vraag hoger is dan in werkelijkheid.
Seizoensgebonden evenementen zoals feestdagen of speciale verkoopdagen (bijvoorbeeld Black Friday) veroorzaken ook abrupte veranderingen in koopgedrag. Als deze periodes niet correct worden geïsoleerd, beïnvloeden ze de baseline voorspellingen. Teams kunnen hierdoor denken dat de normale vraag structureel hoger is, terwijl het slechts tijdelijke pieken zijn.
Een ander misleidend aspect is dat sommige campagnes gericht zijn op het versnellen van toekomstige verkopen. Dit leidt tot verschuivingen in de timing van aankopen, wat de forecast verder verstoort. De vraag lijkt dan op een hoger niveau te blijven, terwijl het in feite een verschuiving betreft.
Deze vertekeningen leiden tot overschattingen van de voorraadbehoefte, hogere kosten en inefficiënte inzet van middelen. Teams vertrouwen op cijfers die niet de echte, organische vraag weerspiegelen maar een mix van normale vraag en promotionele effecten.
Wat de metric werkelijk betekent
De baseline demand forecast is bedoeld om de normale, niet gestimuleerde vraag te representeren. Dit is de vraag zonder invloeden van tijdelijke acties zoals kortingen of campagnes. Het is een cruciale metric voor voorraadplanning en capaciteitsmanagement.
Wanneer promotionele data niet wordt uitgesloten, wordt de baseline een samengestelde metric. Het mengt normale vraag met tijdelijke pieken, waardoor het moeilijk wordt om betrouwbare beslissingen te nemen. Dit leidt tot een overschatting van de toekomstige vraag in periodes zonder promoties.
De metric weerspiegelt dus niet alleen klantbehoeften maar ook marketingactiviteiten. Dit betekent dat zonder een correcte segmentatie en filtering de forecast niet zuiver is. Teams moeten zich bewust zijn dat de baseline niet automatisch de organische vraag weergeeft.
Een juiste interpretatie vraagt om het onderscheiden van promotionele vraag en organische vraag. Dit kan door het toepassen van geavanceerde analysetechnieken zoals causal impact analyse of het gebruik van promotie indicatoren in forecastingmodellen.
Waar de interpretatie misgaat
Veel teams nemen de baseline forecast als een absolute waarheid zonder rekening te houden met de invloed van promoties. Ze gebruiken deze cijfers direct voor voorraadinkoop en productieplanning, wat leidt tot inefficiënties.
Een veelvoorkomende fout is het niet aanpassen van de forecast voor seizoensinvloeden en tijdelijke acties. Hierdoor worden pieken als nieuwe normaal gezien, wat resulteert in overvoorraad en hogere opslagkosten.
Daarnaast wordt vaak vergeten dat promoties ook een verschuiving in de timing van vraag veroorzaken. Dit betekent dat verkopen die normaal verspreid zouden zijn, ineens geconcentreerd plaatsvinden. Zonder deze verschuiving te modelleren, worden forecasts onnauwkeurig.
Teams missen soms de samenwerking tussen marketing en supply chain. Marketingcampagnes moeten worden gedeeld met forecasting teams zodat zij promotionele effecten kunnen isoleren. Zonder deze communicatie blijven forecasts vertekend.
Tot slot onderschatten veel organisaties de complexiteit van het scheiden van promotionele en organische vraag. Dit vereist gespecialiseerde kennis en tools. Zonder deze expertise blijven interpretatiefouten bestaan.
Een uitgewerkt voorbeeld
Stel je een webshop voor die sportkleding verkoopt. Tijdens een grote uitverkoopweek met 30 procent korting stijgt de verkoop van hardloopschoenen plotseling met 150 procent ten opzichte van een normale week. Zonder deze promotie zou de vraag stabiel zijn gebleven. Wanneer het voorspellingssysteem deze piek interpreteert als een nieuwe normale vraag, wordt de basisvraag overschat.
Na afloop van de promotie daalt de verkoop weer naar het oude niveau. Het systeem blijft echter uitgaan van een hogere basisvraag, waardoor er te veel voorraad wordt ingekocht. Dit leidt tot hogere opslagkosten en mogelijke afprijzingen om overtollige voorraad kwijt te raken.
In dit voorbeeld zorgt de promotie ervoor dat de vraag tijdelijk sterk afwijkt. Als het model deze afwijking niet herkent als een uitzondering, vervuilt het de basisvraag en worden toekomstige voorspellingen minder accuraat.
Hoe je het probleem herkent
Een eerste teken van dit probleem is een plotselinge stijging van de voorspelde basisvraag na een promotieperiode. Als de voorspellingen na een campagne structureel hoger liggen terwijl de daadwerkelijke verkoop zonder promotie gelijk blijft, is er waarschijnlijk sprake van vervuiling van de basisvraag.
Daarnaast zie je vaak dat voorraadniveaus onverklaarbaar toenemen zonder dat de onderliggende klantvraag dat rechtvaardigt. Dit kan leiden tot hogere kosten en inefficiënte voorraadrotatie.
Een andere aanwijzing is dat het model moeite heeft met het voorspellen van vraag rondom seizoensgebonden evenementen. Bijvoorbeeld tijdens feestdagen of sportevenementen waarbij tijdelijke pieken optreden. Als deze pieken niet als uitzonderingen worden gemarkeerd, beïnvloeden ze de basisvraag verkeerd.
Technisch gezien kun je dit herkennen door de residuen van het voorspellingsmodel te analyseren. Grote afwijkingen tijdens promoties die niet worden gecorrigeerd duiden op onvoldoende onderscheid tussen normale vraag en promotionele vraag.
Hoe je dit zelf oplost
De eerste stap is het expliciet markeren van promotie en campagneperiodes in je dataset. Dit kan door een indicatorvariabele toe te voegen die aangeeft wanneer een promotie actief was. Zo kan het model deze perioden apart behandelen.
Vervolgens kun je gebruikmaken van baseline correctie. Hierbij wordt de vraag tijdens promoties gescheiden in een basisvraag en een promotionele component. De basisvraag wordt alleen gebaseerd op niet promotionele perioden, zodat de voorspellingen stabiel blijven.
Een praktische aanpak is het toepassen van regressiemodellen met dummyvariabelen voor promoties en seizoensgebonden evenementen. Deze modellen kunnen het effect van campagnes kwantificeren en apart modelleren.
Daarnaast is het belangrijk om na elke promotieperiode de voorspellingen te evalueren en waar nodig het model bij te stellen. Dit voorkomt dat tijdelijke pieken blijvende vertekeningen veroorzaken.
Tot slot kan het gebruik van geavanceerde tijdreeksmodellen zoals Prophet of SARIMA met regressoren helpen om promoties en seizoenseffecten beter te modelleren. Deze modellen bieden flexibiliteit om externe factoren mee te nemen zonder de basisvraag te vervuilen.
Hoe Layer Insights dit aanpakt
Vraagvoorspellingen zijn gebaseerd op het herkennen van patronen in historische verkoopdata. De basislijn of baseline vertegenwoordigt de verwachte normale vraag zonder invloeden van tijdelijke acties. Wanneer promoties of kortingen worden ingezet, stijgt de vraag tijdelijk en wijkt deze af van de baseline. Dit kan leiden tot overschatting van de normale vraag als deze pieken niet correct worden geïdentificeerd.
Seizoensgebonden evenementen zoals feestdagen of speciale verkoopdagen veroorzaken ook afwijkingen in de vraag. Deze pieken zijn niet representatief voor de standaardvraag en kunnen het voorspellingsmodel verwarren. Als gevolg hiervan kunnen voorraadniveaus verkeerd worden ingeschat, wat leidt tot overstocking of out of stock situaties.
Een bijkomend probleem is dat sommige promoties subtiel zijn en qua vraagpatroon lijken op normale fluctuaties. Dit maakt het moeilijk voor traditionele modellen om onderscheid te maken tussen echte vraagveranderingen en promotionele effecten. Hierdoor breken vraagvoorspellingen en ontstaan er fouten in de planning.
De beslisregel
Layer Insights gebruikt geavanceerde algoritmes die onderscheid maken tussen normale vraag en promotionele pieken. Door historische data te verrijken met contextuele informatie over campagnes, kortingen en seizoensgebonden evenementen kan het systeem deze invloeden expliciet modelleren.
Het platform analyseert niet alleen de verkoopvolumes maar ook de timing, duur en intensiteit van promoties. Hierdoor wordt een zuivere baseline vastgesteld die de normale vraag weerspiegelt zonder vervorming door tijdelijke acties.
Daarnaast maakt Layer Insights gebruik van machine learning technieken die patronen herkennen in complexe datasets. Dit helpt om subtiele promotionele effecten te identificeren die anders onopgemerkt blijven. Het resultaat is een nauwkeuriger vraagvoorspelling die beter aansluit bij de realiteit.
Door deze aanpak kunnen retailers hun voorraadbeheer optimaliseren, kosten verlagen en klanttevredenheid verhogen. Voorraadtekorten en overtollige voorraad worden verminderd doordat de voorspellingen betrouwbaarder zijn en beter inspelen op werkelijke vraag.