Voorspellen is essentieel voor elke organisatie en is de basis van lange-termijn planning. Strategische voorspellingen zijn medium en lange-termijn voorspellingen die gebruikt worden voor beslissingen over de strategie en de totale vraag. Tactische voorspellingen zijn korte-termijn voorspellingen die gebruikt worden voor het maken van dagelijkse beslissingen om aan de vraag te voldoen.

Er zijn vier basis type voorspellingen: kwalitatief, tijdreeksanalyse, causale relaties en simulatie. Kwalitatieve technieken zijn subjectief en gebaseerd op voorspellingen en meningen. Tijdreeksanalyse (de focus in dit hoofdstuk) houdt in dat data uit het verleden gebruikt wordt om de toekomst te voorspellen. Voor causale voorspellingen wordt de lineaire regressie techniek gebruikt, die veronderstelt dat de vraag is gerelateerd aan onderliggende factoren in de omgeving. Simulatiemodellen laat de voorspeller door een aantal aannames gaan over de conditie van de voorspelling.

In de meeste gevallen kan de vraag voor producten of diensten in zes componenten worden opgesplitst: de gemiddelde vraag voor de periode, een trend, een seizoensgebonden element, cyclische elementen, random variatie en autocorrelatie (zie exhibit 3.1). Cyclische invloeden op de vraag kunnen komen door verkiezingen, oorlog of economische condities. Random variatie wordt veroorzaakt door toevallige gebeurtenissen. Autocorrelatie geeft de persistentie van hoe vaak iets voorkomt. Trendlijnen zijn meestal het startpunt in het ontwikkelen van een voorspelling. Exhibit 3.2 weergeeft de vier meest voorkomende trendlijnen.

Tijdreeksvoorspellingen proberen de toekomst te voorspellen op basis van het verleden. Exhibit 3.3 geeft een overzicht van de gebruikte methode in dit hoofdstuk. Korte-termijn verwijst naar onder de 3 maanden, medium-termijn verwijst naar tussen drie maanden en twee jaar en lange-termijn naar boven de twee jaar. Welk model een bedrijf moet gebruiken om te voorspellen hangt af van de tijdshorizon, de beschikbaarheid van data, de gewenste nauwkeurigheid, de grootte van het budget en de beschikbaarheid van gekwalificeerd personeel. Daarnaast tellen dimensies als flexibiliteit mee. Ook de consequentie van een slechte voorspelling moet in acht genomen worden.

Als de vraag voor een product constant is, en het geen seizoensgebonden karakteristieken heeft, kan een moving average gebruikt worden: voorspellen op basis van de gemiddelde vraag in het verleden. Zie voor een voorbeeld exhibit 3.4. Het selecteren van de periodelengte is afhankelijk van hoe de voorspelling gebruikt gaat worden. Zie formule 1.

Het grootste nadeel van het gebruiken van de moving average is dat alle individuele elementen als data gebruikt moeten worden, omdat een nieuwe periode voorspellen inhoudt dat er nieuwe data toegevoegd moet worden en oude data verwijderd.

Een weigthed moving average geeft de mogelijkheid om verschillende ‘gewichten’ te hangen aan de elementen, als de som van de elementen maar 1 is. Door op deze manier een voorspelling te maken van data uit het verleden kan aan recente data meer gewicht gehangen worden dan aan oudere data. De formule is: Zie formule 2.

Het grootste bezwaar van deze twee methodes is dat historische data elke keer gebruikt moet worden. Exponential smoothing gebruikt ‘gewichten’ voor historische data dat exponentieel daalt (1 – α). Dit is de meest gebruikte techniek voor voorspelling. Het is gemakkelijk in de omgang, de voorspellingen zijn verrassend accuraat en weinig berekeningen zijn nodig. Er zijn drie soorten data nodig voor een voorspelling:

1. De meest recente voorspelling;

2. De werkelijke vraag voor de voorspelde periode;

3. Een smoothing constant alpha (α): de parameter die de snelheid van de reactie controleert in verschillen tussen voorspellingen en werkelijke vraag. Dit wordt bepaald door de aard van het product en door de opinie van de manager over wat een goede reactiesnelheid is. Hoe sneller de groei van de vraag, hoe hoger de reactieratio moet zijn.

Zie formule 3.

Deze formule geeft aan dat de nieuwe voorspelling gelijk is aan de oude voorspelling plus een deel van de error (het verschil tussen de vorige voorspelling en de werkelijke data).

Een trend in data zorgt ervoor dat de exponentiële voorspelling altijd een beetje boven of onder de werkelijkheid ligt. Door nog een constante toe te voegen, de smoothing constant delta (δ), kan deze trend wat gecorrigeerd worden. Zowel alpha als delta verkleinen de impact van de fout die voorkomt tussen de werkelijkheid en de voorspelling. De formules voor het berekenen van de voorspelling inclusief trend (FIT) zijn: Zie formule 4.

Deze formules moeten stap voor stap doorlopen worden zodat de trend toegevoegd wordt. Zie example 3.1 voor een voorbeeld.

De smoothing constants moeten waardes krijgen tussen 0 en 1. Normaal worden waardes gekozen tussen .1 en .3. Deze waardes hangen af van hoeveel random variatie er is en hoe stabiel de trendfactor is.

Regressie is een functionele relatie tussen twee of meer gecorreleerde variabelen. Het wordt gebruik om de ene variabele te voorspellen met de andere die gegeven is. De data moet geplot worden om te kijken of dit lineair is. Lineaire regressie is een speciale categorie van regressie waarbij de relaties tussen de variabelen een rechte lijn vormen. Formulesoort: Y = a + bt, waarbij Y de waarde is voor de afhankelijke variable, a de Y intercept is, b de helling en t een index voor de tijd.

Lineaire regressie is bruikbaar voor lange-termijn voorspellingen van belangrijke gebeurtenissen en de totale planning. Het grootste nadeel van lineaire regressie voorspelling is dat, zoals de naam al zegt, ervanuit wordt gegaan dat de data uit het verleden en de toekomst in één rechte lijn vallen. Toch is het bruikbaar voor zowel tijdreeksvoorspelling en causale relatie voorspelling. Zie example 3.2 voor een voorbeeld.

Een tijdreeks kan gedefinieerd worden als chronologische geordende data die één of meer componenten van vraag bevat: trend, seizoensgebonden, cyclisch, autocorrelatie en/of random. Decompositie van een tijdreeks betekent het identificeren en scheiden van de tijdreeks in deze componenten. De trend en seizoensgebonden component zijn relatief makkelijk te onderscheiden, terwijl cyclische, autocorrelatie en random componenten veel moeilijker te identificeren zijn.

Er zijn twee soorten seizoensgebonden variatie:

• Additieve seizoensgebonden variatie: de seizoensgebonden hoeveelheid is een constante, ongeacht de trend of de gemiddelde hoeveelheid. Zie exhibit 3.9A voor een voorbeeld.

  Voorspelling inclusief trend en seizoen = Trend + Seizoen

• Vermenigvuldigende seizoensgebonden variatie: de trend wordt vermenigvuldigd door seizoensgebonden factoren. Zie exhibit 3.9B.

  Voorspelling inclusief trend en seizoen = Trend x Seizoen factor

Een seizoensgebonden factor is de hoeveelheid correctie die gemaakt moet worden in een tijdreeks om de vraag aan te passen aan het seizoen van het jaar. Example 3.3 en example 3.4 geven voorbeelden van het bepalen van de seizoensgebonden factoren.

Decompositie kan ook gedaan worden door het gebruik van least squares regressie. Het proces is als volgt:

1. Ontbind de tijdreeks in componenten:

2. Vind het seizoensgebonden component;

3. ‘Deseasonalize’ de vraag;

4. Vind de trend.

5. Voorspel toekomstige waardes van elk component:

6. Projecteer de trendcomponent in de toekomst;

7. Vermenigvuldig de trendcomponent met de seizoensgebonden component.

Exhibit 3.11 geeft een voorbeeld van deze procedure.

Als een rechte lijn wordt gemaakt door datapunten en dan gebruikt wordt voor voorspellingen, kunnen fouten ontstaan door twee bronnen. Als eerste zijn er de standaard fouten van de standaarddeviatie zoals in elke set van data. Als tweede zijn er fouten die ontstaan doordat de lijn verkeerd is. Exhibit 3.13 laat deze foutrange zien.

De voorspellingsfout is het verschil tussen de echte vraag en de voorspelling. Deze fouten worden residuals genoemd. Er zijn twee factoren die besproken moeten worden:

1. Bronnen van fouten: er zijn vele soorten bronnen waardoor fouten kunnen ontstaan. Fouten kunnen geclassificeerd worden als bias of random. Bias fouten ontstaan wanneer er consistent fouten worden gemaakt, bijv. door het gebruik van de verkeerde variabelen. Random fouten kunnen niet uitgelegd worden door het voorspellingsmodel dat wordt gebruikt.

2. Meten van de fouten: er zijn termen om de graad van de fout aan te geven: standaard fout, mean squared fout (variantie) en mean absolute deviation. De mean absolute deviation (MAD) is het gemiddelde van de absolute waarde van de werkelijke voorspellingsfout. Het meet de spreiding van bepaalde geobserveerde waardes van de verwachte waarde. Zie formule 5.

   Als de fouten in de voorspelling normaal verdeeld zijn (meestal zo), dan hangt de MAD samen met de standaarddeviatie als: zie formule 6.

   Een extra maatstaf om fouten te meten is de mean absolute percent error (MAPE). Dit is de gemiddelde fout gemeten als een percentage van de gemiddelde vraag.

   MAPE = MAD / gemiddelde vraag

Een tracking signaal (TS) is een maatstaf of de voorspelling gelijk blijft met opwaartse of neerwaartse veranderingen in de vraag. Dit wordt gebruikt om bias op te sporen. Zie ook exhibit 3.14 en exhibit 3.15.

TS = RSFE / MAD

RSFE = de ‘running sum’ van voorspellingsfouten, gelet op de aard van de fout

MAD = het gemiddelde van alle voorspellingsfouten, het gemiddelde van de absolute afwijkingen.

Causal relationship forecasting is het gebruiken van onafhankelijke variabelen anders dan tijd om de toekomstige vraag te voorspellen. Zie example 3.5 voor een voorbeeld.

Meervoudige regressieanalyse is een andere voorspellingsmethode, waarbij een aantal variabelen worden beschouwd, samen met het effect van elk op het item van interesse. Zie formule 7

Er zijn, naast al deze kwantitatieve methodes van voorspellen, ook kwalitatieve voorspellingstechnieken. Hierbij is kennis van experts belangrijk. Er moet een oordeel geveld worden. Voorbeelden zijn marktonderzoek, panel consensus, historische analogie en de delphi-methode. Collaborative Planning, Forecasting and Replenishment (CPFR) is een web-gebaseerde tool die wordt gebruikt om vraag te voorspellen, productie en inkoop te plannen en voorraadaanvulling te automatiseren. Zie exhibit 3.17.