Voorspelling van vraag en aanbod maakt marketing efficiënter

Te weinig sollicitaties voor een vacature verkleint de kans op goede nieuwe werknemers. De reisindustrie verliest geld als een accommodatie niet wordt geboekt. Daarnaast wil je geen marketingbudget investeren in vacatures of accommodaties die zonder meer worden ingevuld of verhuurd. Dit probleem van over- en underselling kan vermeden worden met een demand forecasting system.

Het voorspellen van de vraag door middel van een demand forecasting system is om verschillende redenen van waarde, maar het is vooral belangrijk voor bedrijven die zich in een van de volgende situaties bevinden:

• Flexibel aanbod – flexibele vraag: het toekomstige aanbod van het product of de dienst is flexibel en het bedrijf heeft hier enige invloed op.
• Vast aanbod – vaste vraag: het toekomstige aanbod van het product of de dienst ligt vast voor toekomstige periodes en het bedrijf heeft hier weinig invloed op.

Om het probleem van over- of underselling aan te pakken, is het mogelijk om een demand forecasting system te ontwikkelen. Dit is een systeem dat de verwachte vraag voorspelt (vacatures of reserveringen van accommodatie) voor de komende 52 weken en waarin het toekomstige aanbod is verwerkt om te bepalen of er acties moeten worden ondernomen. Met andere woorden: het demand forecasting system voorspelt de vraag naar een bepaald product per week, tot 52 weken in de toekomst. Dit wordt vergeleken met de levering van het product voor elke afzonderlijke toekomstige week. Wanneer er een gat is tussen vraag en aanbod, wordt het product gemarkeerd en kunnen acties worden ondernomen om over- of underselling proactief te voorkomen.

Hoe werkt het demand forecasting system?

Het vermogen om de toekomstige vraag nauwkeurig te voorspellen, is voornamelijk te danken aan het toepassen van machine learning. Die technieken worden toegepast op historische gegevens waarmee modellen worden gebouwd. In die modellen worden seizoensinvloeden en trends voor individuele producten of diensten nauwkeurig opgenomen. Op wekelijkse basis haalt het model nieuwe informatie op, bestaande uit de volgende stappen:

Figuur 1: Belangrijkste componenten in een voorspellingssysteem.

1. Data verzamelen

De eerste stap is het verzamelen van historische data die wordt gebruikt om automatische leermodellen en statistische modellen te trainen. Samen met de werkelijke ‘transactionele’ data is statische, tijdelijke en website data opgenomen. Dit kan van grote invloed zijn op de nauwkeurigheid van de voorspelling. Deze aanvullende data omvat parameters zoals websiteverkeer, productweergaven, het toevoegen van producten aan winkelwagentjes, het weer, de week van het jaar en andere kenmerken van het voorspellingsmodel.

2. Structureren en verrijken

De volgende stap is om de data op te schonen en om te zetten in complete tijdreeksen, wat dan zal bestaan uit een compleet set datapunten van een uniek product. Oftewel, gegevens van alle huidige producten gedurende de laatste vier jaar zijn nodig. Je hebt data nodig van ten minste twee jaar om ervoor te zorgen dat seizoensgevoeligheid gedetecteerd kan worden. Deze gegevens zijn niet beschikbaar voor nieuwe producten en daarom moeten we deze data genereren met behulp van een passend algoritme. Dit algoritme vergelijkt de kenmerken van het nieuwe product (bijv. prijsklasse, categorie, locatie, enz.) met alle producten in de database. Vervolgens selecteert het algoritme de 10% bijpassende producten en wordt de data van de gemiddelde historische gegevenspunten gebruikt voor het nieuwe product. Nadat dit algoritme op de gegevensset is toegepast, genereert het een volledige en schone gegevensset die kan worden gebruikt voor modellering.

3. Forecast reservations & model competition

De derde stap in dit proces is het begin van de modellering. Deze stap bestaat uit verschillende componenten. Ten eerste: voer een model competition uit, waarin zes modellen worden geselecteerd (zie figuur 2 hieronder). Daaruit zal het best presterende model komen. Hier wordt een controleset van de laatste 52 weken van alle producten gebruikt om te testen welk model de beste prestaties levert (MAE en RMSE). Na deze eerste stap wordt het best presterende model (inclusief de hyperparameters) gebruikt als het definitieve model om de vraag naar alle producten voor de komende 52 weken te voorspellen. Op dit punt wordt de verwachte toekomstige vraag per product voorspeld op het meest gedetailleerde niveau (bijvoorbeeld product per week).

Figuur 2: Algoritmen gebruikt in de model competition (incl. hyperparameter tuning)

4. Het voorspellen van aankomstperiodes

Het voorspellen van de aankomstperiode is een extra tijdscomponent die niet voor alle bedrijfstakken van belang is, maar alleen voor diegenen met een specifieke leverings- of consumptiedatum. Een voorbeeld hiervan is de reisindustrie. Je bent wellicht niet geïnteresseerd in het tijdstip waarop de boeking plaatsvindt, maar juist in de geboekte week of weekend. Met het gebruik van bootstrapping worden de voorspelde boekingen omgezet in voorspelde aankomstperiodes.

5. Voorraadverschil voorspellen

Nu de vraag naar alle producten voor 52 weken vooruit wordt voorspeld, is het eenvoudig om dit af te trekken van het beschikbare aanbod en een product te markeren wanneer er een potentieel toekomstig overschot is. Bovendien is deze stap flexibel en beschikbaar voor de eindgebruiker om mee spelen. Er zijn veel bedrijfsspecifieke beslissingen die in deze stap kunnen worden toegepast. Daarom is testen de beste aanpak.

Ten slotte is de output van het systeem tweeledig. Het genereert een lijst met gemarkeerde en niet-gemarkeerde producten die meestal wordt gebruikt voor het toewijzen of intrekken van marketingbudget uit campagnes die betrekking hebben op die producten. Daarnaast genereert het de voorspelde vraag die vaak wordt gebruikt door managers en directeuren voor budgettering en voorraadbeheer. Deze voorspellingssystemen zijn typische batchprocessen. Dit betekent dat ze ’s nachts op een dagelijkse, wekelijkse of maandelijkse basis werken, afhankelijk van het bereik dat je wilt voorspellen.

6. Monetisatie

Het systeem voor het voorspellen van de vraag kan op verschillende manieren worden gemonetariseerd, afhankelijk van het soort bedrijf en de use case die je hebt.

• Vast aanbod – flexibele vraag: in dit scenario kun je geld verdienen met dit systeem door je marketingbudget slim toe te wijzen aan de producten die het nodig hebben. Trek gewoon het vaste aanbod af van de verwachte vraag en selecteer de producten met een groot verschil tussen vraag en aanbod. Stop bovendien alle reclamecampagnes en -inspanningen die verband houden met de producten waarvoor overselling wordt verwacht en investeer meer in producten waarvoor een overschot wordt verwacht.

• Flexibel aanbod – flexibele vraag: in dit scenario kun je inkomsten genereren met het demand forecasting system door je strategieën voor voorraadbeheer te verbeteren. In detail betekent dit dat de voorspelde vraag eenvoudig zou kunnen functioneren als input voor de inkoopafdeling wanneer er pre-orders worden gemaakt. Je kunt de voorspelde vraag ook voor verwachtingsmanagement gebruiken wanneer nieuw aanbod wordt aangeboden. In de recruitmentsector kan het bijvoorbeeld worden gebruikt om het bedrijf dat op zoek is naar nieuwe werknemers een inschatting te geven of de vacatures op tijd zullen worden vervuld.

Het is duidelijk dat deze twee situaties met elkaar verweven zijn en dat het ene scenario het andere absoluut niet uitsluit. Het demand forecasting system wordt het best benut wanneer het wordt gebruikt voor alle mogelijke scenario’s, waarvan er slechts een paar hierboven worden genoemd. Alle activiteiten gerelateerd aan de toekomst, van het inhuren van nieuw personeel tot budgetallocatie en voorraadbeheer, kunnen worden verbeterd met behulp van dit voorspellingssysteem.

Meer sales, minder overschot

Het probleem van zowel over- als underselling komt voor bij veel bedrijven. Deze scenario’s hebben vaak een negatief effect en daarom zoeken bedrijven naar nieuwe manieren om ermee om te gaan. Een machine learning forecasting system stelt bedrijven in staat om goed inzicht te krijgen in de toekomstige vraag, die wordt vergeleken met het toekomstige aanbod (voorraad). Als gevolg daarvan moeten – voor de producten waarvoor een groot verschil wordt verwacht tussen vraag en aanbod – acties worden ondernomen om proactief het verschil hiertussen te vermijden. Er zijn verscheidene scenario’s waarin bedrijven de kans hebben veel geld te verdienen met een demand forecasting system.

Een quick win is het automatisch verschuiven van het marketingbudget van producten waarvan wordt verwacht dat er sprake zal zijn van overselling naar producten waarvan wordt verwacht dat er sprake is van underselling. Dit resulteert in meer verkopen en minder overtollige producten. Dit is zowel gunstig voor het bedrijf als voor de klanten. En zodra je grip hebt op de toekomstige vraag, kun je je marketinginspanning nog beter optimaliseren.