Jonathon Karelse: ‘Waarom forecasten we zoals we forecasten?’

Van het orakel van Delphi tot aan Box/Jenkins, van exponential smoothing tot aan S&OP. De hele geschiedenis van business forecasting komt aan bod in het boek Histories of the future, uitgebracht door de Canadese managementconsultant en supply chain-goeroe Jonathon Karelse. ‘Ik wilde uitzoeken waarom we eigenlijk forecasten zoals we forecasten.’ Daarbij kwam hij tot opzienbarende ontdekkingen. Een interview met de auteur.

Door Harm Beerens

Waarom forecasten we zoals we forecasten? Dat is de kernvraag die Jonathon Karelse in zijn boek probeert te beantwoorden. Hij heeft daartoe de hele geschiedenis van het vakgebied nageplozen en alle mijlpalen op een rij gezet. Dit leidde tot een indrukwekkend boekwerk waarin bij velen de schellen van de ogen zullen vallen. Artificial Intelligence bijvoorbeeld, waar iedereen nu zo vol van is, komt er bekaaid af. Karelse stelt nuchter vast dat de basisprincipes feitelijk in de Tweede Wereldoorlog al zijn bedacht en dat AI daarna in de praktijk vrijwel altijd tot teleurstellende resultaten heeft geleid. Een andere eyeopener: het handmatig ‘verrijken’ van statistische forecasts door verkoopmedewerkers, wat in ieder bedrijf gebeurt, leidt gemiddeld tot een 7 procent minder betrouwbare forecast.

Maar ook los van deze ontnuchterende constateringen is het boek zeer de moeite waard. Karelse laat ons inzien dat we nu, in de moderne tijd, weliswaar hard lachen om toekomstvoorspellers als het orakel van Delphi en Amerikaanse astrologen die in jaren twintig van de vorige eeuw beurskoersen voorspelden, maar dat deze in hun eigen tijd door iedereen zeer serieus werden genomen. Dus wie zegt ons dat mensen over twintig jaar niet even hard lachen om de manier waarop wij momenteel aan business forecasting doen, wil Karelse maar zeggen. We denken dat we heel wat zijn, met onze computertechnologie en onze kennis van econometrie, maar we laten ons nog net zo verrassen door een financiële crisis als de Amerikanen in 1929 verrast werden door de Great Crash.

Wat is de belangrijkste mijlpaal in de geschiedenis van business forecasting?

‘Ik beschrijf er meerdere in mijn boek, maar ik denk dat de grote doorbraak toch wel de volwassenwording van statistische forecasttechnieken was, gevolgd door de opkomst van pc’s en de brede beschikbaarheid van krachtige computers. Hierdoor konden in de jaren negentig de grote ERP-leveranciers forecastingmodules in hun standaardsoftware integreren en gingen vrijwel alle bedrijven erover beschikken. In de kern is de forecastsoftware sinds die tijd niet veel meer veranderd. Softwareleveranciers die anders beweren en zeggen dat ze ‘‘cutting edge’’ forecastfunctionaliteit aanbieden, praten echt onzin. Ze gebruiken allemaal technieken die in de jaren vijftig en zestig van de vorige eeuw al zijn ontwikkeld’, aldus Jonathon Karelse.

‘Waar leveranciers van forecastsoftware zich nog wel mee kunnen onderscheiden, is de gebruiksvriendelijkheid van hun software en de manier waarop ze de factor mens en collaborative forecasting ondersteunen. Dit is eigenlijk ook veel belangrijker. Ik zie soms bedrijven overdreven veel energie steken in het selecteren van het juiste forecastpakket, terwijl je daarmee echt niet het verschil kunt maken. Voor een succesvolle supply chain-prestatie zijn mensen en processen zeker zo belangrijk als tools. Dat wordt nog wel eens vergeten.’

Je lijkt niet erg onder de indruk van Artificial Intelligence. Waarom is dat?

‘Artificial Intelligence is een enorme hype momenteel, maar het onderliggende concept is al vóór de Tweede Wereldoorlog door Alan Turing ontwikkeld. Als je nu aan managers vraagt wat voor forecastingsysteem ze willen, zeggen ze allemaal: ‘‘Maakt niet uit, als het maar AI-enabled is!’’ Maar als je vraagt wat dat AI-enabled dan precies moet zijn, blijft het stil. Begrijp me niet verkeerd: door de enorme rekenkracht van de huidige computers en toenemende beschikbaarheid van data, kunnen we nu veel beter en sneller forecasten dan vroeger. En er zijn zeker voorbeelden waarbij met AI en machine learning een veel hogere forecastbetrouwbaarheid wordt behaald dan met de traditionele, statistische forecasttechnieken, maar laten we AI niet opeens beschouwen als de automatische piloot die al het andere overbodig maakt.’

Karelse vervolgt: ‘Waar ik vooral moeite mee heb, is het woord intelligence. Marketingtechnisch klinkt het natuurlijk hartstikke mooi, maar wat nu als kunstmatige intelligentie wordt verkocht, is feitelijk gewoon procesautomatisering, systemen die heel snel heel veel data kunnen verwerken. Intelligentie is in mijn beleving echt wat anders. Intelligentie is logisch kunnen redeneren, concepten ontwikkelen, gedrag van klanten echt begrijpen. Daar heb je toch echt mensen voor nodig, demand planners die snappen hoe markten in elkaar zitten én die verstand hebben van de onderliggende forecasttechnieken. Het grote nadeel van de hype rondom AI is ook dat de resultaten alleen maar kunnen tegenvallen. Tenminste binnen supply chain management. Voor robotica en bedrijven als Uber en Google is AI fantastisch, maar ik denk niet dat er in de toekomst veel bedrijven zullen zijn die met AI aantoonbaar hun supply chain-prestatie verbeteren.’

Je hebt het in je boek veel over behavioral economics. Waarom is dat zo belangrijk?

‘Vooroordelen hebben een veel grotere impact op forecasting dan we denken. Mensen zijn subjectieve wezens en handelen niet rationeel. Iedereen die de beer game wel eens heeft gespeeld, weet dat mensen ‘‘overreageren’’ op recente data. In een forecastproces worden verkoopcijfers steevast naar boven afgerond en nooit naar beneden. Data die niet stroken met onze vooroordelen zetten we weg als irrelevant en worden als uitschieters beschouwd. Dit alles weten we allang, maar gek genoeg doen we er nauwelijks iets aan. In een forecastproces worden gebruikers uitgebreid in staat gesteld om handmatig aanpassingen te doen, terwijl we ze eigenlijk tegen zichzelf in bescherming moeten nemen. Bijvoorbeeld door ze proactief te laten zien wat de rampzalige impact van hun eerdere handmatige ingrepen was.’

Ook tijdens Sales & Operations Planning-meetings speelt behavioral economics volgens Jonathon Karelse een grote rol. ‘Het is natuurlijk heel goed dat afdelingen bij elkaar komen om gezamenlijk hun strategische problemen op te lossen, maar besef wel dat iedereen binnen zo’n meeting altijd vanuit zijn eigen afdelingsbelang redeneert. Sterker nog: dat wordt gestimuleerd. We willen toch zo graag dat verkopers overal enthousiast over zijn en zich niet laten ontmoedigen door potentiële risico’s? En we willen toch zo graag dat een operations manager kosten bespaart, zo min mogelijk geld uitgeeft en voorraden verlaagt? Als je je niet bewust bent van de biases die je hiermee creëert, heb je nooit een optimaal S&OP-proces. Er zijn verschillende manieren om dit te voorkomen. Eén daarvan is mensen op hun eigen gebreken te wijzen. Als ik jou laat zien dat je bevooroordeeld bent en dat je zaken steevast rooskleuriger voorstelt dan ze zijn, hou je daar in het vervolg toch rekening mee. Dat is al een belangrijke stap vooruit.’

Tot slot, wat is de belangrijkste les die je aan de lezers mee zou willen geven?

‘Kijk kritisch naar de manier waarop er binnen jouw bedrijf wordt geforecast en wantrouw iedereen die zegt: ‘‘Zo doen wij dat nu eenmaal.’’ Waarom wordt een bepaald algoritme gebruikt? Waarom doen we deze aannames? Dat is ook waarom ik dit boek ben gaan schrijven. Toen ik lang geleden voor het bedrijf waar ik toen werkte voor het eerst een forecast moest maken, werd mij precies verteld hoe ik dat moest doen. ‘‘Dit zijn onze belangrijkste klanten. Dit is hoe ze zich gedragen. Dit product wordt alleen in dit seizoen verkocht. Enzovoort.’’ Toch zag ik dat we een lage forecastbetrouwbaarheid hadden en dat klanten zich vaak heel anders gedroegen. Toen ik me erin ging verdiepen, bleken die zogenaamde feiten helemaal geen feiten te zijn, maar afkomstig uit één of andere blackbox.’

En ook binnen de toepassing van forecasttechnieken worden er soms aannames gedaan die helemaal niet kloppen, stelt de auteur. ‘Een mooi voorbeeld is de zogenaamde optimale alpha-waarde bij exponential smoothing, de forecasttechniek die in 1940 voor het eerst werd gebruikt en in de jaren vijftig werd doorontwikkeld door Robert Goodell Brown. Die alpha-waarde zegt iets over de verhouding waarin je recente data zwaarder mee laat wegen dan oudere. Omdat Brown zelf hiervoor de waarde 0,1 hanteerde, ging iedereen ervan uit dat die waarde de meest optimale was. Dat werd een soort vuistregel. Later bleek dat Brown dit getal om een heel andere reden had gekozen. Er waren in die tijd nog geen computers en om het rekenwerk te vereenvoudigen had hij de alpha puur voor het gemak op 0,1 gezet. Dan hoefde hij in z’n voorbeeldberekeningen niet zo hard na te denken en alleen de komma een plaatsje te verschuiven… Kortom: blijf bij forecasting altijd kritisch nadenken en vertrouw nooit blind op de geschiedenis.’

Supply Chain Magazine organiseert op 16 november in Utrecht de S&OP Selection Day. Tijdens dit internationale event, gericht op selectie en implementatie van S&OP-software, zal Jonathon Karelse de keynote verzorgen. Hij wordt gezien als een autoriteit op het gebied van forecasting, predictive analytics en S&OP. Jonathon Karelse is adviseur, publicist en geeft als CEO leiding aan consultancybureau Northfind Management.