‘Predictive ordering’: betere beschikbaarheid, lagere voorraden en optimale klantervaring

‘Predictive ordering’ is de sleutel tot het altijd op voorraad hebben van de juiste hoeveelheden: voldoende voor je klanten maar nooit te veel. Elk bedrijf kan het toepassen, mits je een praktische aanpak kiest. Lees hier hoe je de vraag naar je producten efficiënt kunt voorspellen om je bedrijfsvoering en de klantervaring doorlopend te optimaliseren. 

Met predictive ordering kijk je naar de toekomstige productvraag op basis van historische data, allerlei trends en andere factoren. In tegenstelling tot traditionele forecasting, wat alleen een schatting van de vraag geeft, voorspelt predictive ordering ook wanneer die vraag precies plaatsvindt. De toegevoegde waarde van predictive ordering verschilt per sector:

• Bij goederen met beperkte houdbaarheid – zoals bij voedingsmiddelen – zorgt predictive ordering voor minder verspilling. Restaurants en foodserviceproviders bijvoorbeeld kunnen hun ingrediënten en benodigdheden bestellen op basis van het menuaanbod en klantverkeerspatronen.
• Farmaceutische bedrijven hebben te maken met wettelijke vereisten waar ze aan moeten voldoen. Ze moeten de houdbaarheid van hun producten garanderen en op schommelingen in de vraag naar medicijnen, bijvoorbeeld tijdens het griepseizoen, moeten ze anticiperen.
• Retailers die consumentenelektronica verkopen moeten vaak anticiperen op productlanceringen en technologische vooruitgang. Ze bestellen hun inventaris voordat productreleases plaatsvinden, zodat er voorraad beschikbaar is wanneer consumenten op zoek gaan naar de nieuwste gadgets.
• In de mode-industrie draait het om seizoenstrends, modecycli en veranderende consumentenvoorkeuren. Ook hier moeten retailers hun voorraad ruim vóór het seizoen bestellen om er zeker van te zijn dat ze de juiste producten op voorraad hebben tijdens drukke winkelseizoenen, zoals schoolvakanties, vakanties en specifieke modeweken. Met predictive ordering kunnen deze retailers ook de afnemende vraag voorspellen, zodat ze minder producten in de uitverkoop hoeven te doen.

Voor de meeste non-food-bedrijven zit de waarde van predictive ordering in lagere voorraden, waarmee je lagere rentekosten, ruimtekosten en risicokosten realiseert. En voor elk bedrijf geldt: je verbetert de customer experience doordat je altijd voldoende voorraad houdt om aan de vraag te voldoen. De uitdaging voor alle bedrijven is alleen hoe je predictive ordering in praktijk brengt. Met de snelle doorbraak van AI op het gebied van taalmodellen zou je wellicht verwachten dat predictive ordering hiermee ook snel is opgezet, maar dat is voorlopig nog niet aan de orde. Predictive ordering valt of staat met menselijke inzichten.

Neem de menselijke factor als uitgangspunt

Je mensen op de werkvloer kennen de markt en de klanten als geen ander. De inzichten van de afdelingen verkoop, marketing en operations zijn van onschatbare waarde bij het opstellen van scenario’s en hypotheses. Intuïtief weten je mensen wat er speelt en waar je naar zou moeten kijken voor het bepalen van de toekomstige vraag.

Machine learning en AI komen pas in beeld wanneer je helder hebt welke inzichten je zoekt in welke data. Het zijn dan ideale tools voor het achterhalen van kerncijfers, statistieken en trends. Neem Black Friday als voorbeeld: het voorspellen van de vraag op basis van alleen voorgaande verkopen was niet mogelijk doordat veel productie van consumentenelektronica stil lag vanwege corona. Dit soort bepalende factoren zul je eerst met je werknemers moeten identificeren voordat je die effectief kunt meenemen.

Het opzetten van predictive ordering doe je in vier stappen:

1. Data verzamelen – Begin met het verzamelen van de juiste data: historische verkoopgegevens, klantsegmentaties, klantengedrag, verkooppromoties en marketingcampagnes, marktcijfers, seizoensinvloeden, technologische trends etc. Alle data die je gebruikt moeten accuraat, actueel en ondubbelzinnig zijn.
2. Data voorbereiden – Voordat je de data kunt gebruiken voor voorspellingen, moeten ze worden voorbereid door werknemers met kennis. Zij kunnen bijvoorbeeld inconsistenties en uitschieters herkennen en verwijderen zodat ze geen vertekend beeld geven.
3. Modelleren – Vervolgens ga je de voorbereide data verwerken in een voorspellingsmodel. Er zijn diverse modellen die op verschillende manieren werken. Kies een model dat past bij de data die je beschikbaar hebt en de complexiteit van je product of markt.
4. Testen – Voordat je het voorspellingsmodel actief gaat gebruiken, zul je eerst de nauwkeurigheid ervan moeten bepalen. Vergelijk de voorspelde vraag met de werkelijke vraag om te leren in hoeverre je op het model kunt vertrouwen.

Blijf doorlopend verbeteren

Geen enkel voorspellingsmodel blijft goed werken zonder continue verbeteringen. Creëer een feedbackloop waarmee je doorlopend de datakwaliteit verbetert, meer relevante databronnen toevoegt of juist niet-relevante data verwijdert en patronen completer identificeert. De realiteit van de markt verandert voortdurend: de uitdaging is om die zo nauwkeurig te volgen zodat je voorspellingen steeds beter worden.

Grote organisatorische veranderingen hebben ook grote impact op het voorspellingsmodel, zoals nieuwe productlijnen of nieuwe markten die worden betreden. Zorg ervoor dat het model kan meeschalen met de organisatie. Ook dan is het cruciaal om menselijke inzichten leidend te houden. Te veel vertrouwen op nieuwe technologische mogelijkheden of externe specialisten met onvoldoende kennis van de markt is een valkuil.

‘Best practices’ voor de praktijk

Predictive ordering brengt veel voordelen maar vraagt ook om een gedegen aanpak om het effectief te doen. Hanteer de volgende best practices om maximaal resultaat te creëren met predictive ordering:

• Gebruik kwalitatieve data – De kwaliteit van de data is van cruciaal belang voor de nauwkeurigheid van de voorspellingen. Zorg ervoor dat de data schoon, correct en consistent zijn.
• Werk samen over afdelingen heen – Betrek afdelingen zoals verkoop, klantenservice, marketing en operations. Hun inzichten en feedback zijn essentieel voor het opstellen, testen, beoordelen en bijsturen van aannames en voorspellingen.
• Blijf bijsturen – De wereld is continu in beweging: ga uit van verandering. Pas het model doorlopend aan op seizoensinvloeden, trends, nieuwe ontwikkelingen en omstandigheden.
• Kijk ook naar je concurrenten – De klantrelatie omvat ook de concurrenten waar je klanten naar kijken en waarmee je wordt vergeleken. Een scherpe prijsverlaging of een verbeterde customer experience kan directe impact hebben op je voorspellingen, neem daarom ook benchmarks mee in je voorspellingsmodel.
• Zorg voor kennisoverdracht – Kennis van de markt of de werking van een voorspellingsmodel moet zo breed mogelijk in de organisatie liggen. Zorg daarom voor kennisoverdracht tussen afdelingen en werknemers zodat de werking geen black box blijft.

De allerbelangrijkste best practice is, tot slot, de inzichten uit predictive ordering gebruiken om je bedrijfsvoering daadwerkelijk te verbeteren. Neem je geen actie op je gemaakte voorspellingen, dan heb je er feitelijk weinig aan. Zorg ervoor dat een werknemer of een afdeling eigenaar wordt van de gerealiseerde voorspellingen en die vertaalt naar een effectiever inkoopproces, lagere voorraden, succesvolle marketingcampagnes, dynamische prijzen, minder overhead en bovenal: een betere customer experience. Ga je voor elke dag een stukje beter met predictive ordering? Dan is je langdurig succes met gemak te voorspellen.

Over de auteur: Merve Koç is Business Analyst bij SQLI.