Demand sensing: vertrouwen op AI, ook bij disrupties

Demand sensing resulteert in betrouwbaardere forecasts, bleek tijdens een webinar van Supply Chain Media en E2open. Wie naast historische data ook andere interne en externe data gebruikt, kan artificiële intelligentie (AI) inzetten om zonder menselijke tussenkomst met vrij grote precisie het gedrag van klanten te voorspellen. Niettemin schakelden veel demand planners van Henkel direct na de uitbraak van Covid-19 de AI-functies uit. Onterecht blijkt achteraf, want demand sensing heeft ook in tijden van disrupties een grote meerwaarde.

Door Marcel te Lindert

De meeste bedrijven baseren zich bij demand planning voornamelijk op historische data. Doorgaans levert dat redelijke resultaten op. ‘De geschiedenis herhaalt zichzelf. Behalve in het afgelopen jaar’, stelt Robert Byrne, vice president of supply chain solutions bij E2open. Byrne doelt uiteraard op de uitbraak van Covid-19, waardoor de meeste bedrijven hun forecasts in de prullenbak konden gooien. Hij pleit voor het gebruik van extra data – demand signals – in combinatie met artificiële intelligentie om de betrouwbaarheid van forecasts te verbeteren. Dat is wat Byrne ‘demand sensing’ noemt, een aanpak die nog niet op grote schaal is omarmd. Uit onderzoek van E2open blijkt dat nog maar een kwart van de bedrijven met een structurele aanpak voor demand planning ook demand sensing heeft geïmplementeerd.

Beter anticiperen

De demand signals waarover Byrne praat, zijn de data die aangeven hoe de vraag zich ontwikkelt. Denk aan data als de actuele verkoopcijfers en de voorraadniveaus in de verschillende verkoopkanalen, tot externe data zoals de weersverwachting, de verkoopprijzen van concurrenten en de stemming op sociale media. ‘Demand sensing is gebaseerd op het besef dat de vraag van klanten zich niet zomaar herhaalt, maar wordt beïnvloed door veel verschillende factoren. Met inzet van artificiële intelligentie kunnen we op basis van die factoren voorspellen hoe klanten zich zullen gedragen.’

Uit cijfers van E2open blijkt dat Covid-19 een flinke impact had op de prestaties in de supply chain. Veel bedrijven hadden moeite hun servicelevels overeind te houden. Bedrijven die demand sensing hebben geïmplementeerd, presteerden volgens E2open beter dan andere bedrijven. Toen de landen in Europa hun grenzen moesten sluiten, groeide de fout in de forecast met 26 procent. Ook de bedrijven met demand sensing zagen de fout groeien, maar die lag altijd nog 18 procent lager dan bij bedrijven zonder demand sensing. Byrne: ‘Die bedrijven waren beter in staat om te anticiperen op het gedrag van hun klanten.’

Betrouwbaarheid te laag

Henkel is één van de bedrijven die demand sensing heeft geïmplementeerd. De reden is dezelfde die Byrne eerder al noemde: het tekortschieten van statistische forecast-methodes op basis van historische data. ‘De toekomst ziet er per definitie anders uit dan het verleden. Wie superieure resultaten wil boeken, zal behalve naar historische data ook moeten kijken naar de andere factoren die de vraag beïnvloeden’, zegt Jorden Rasquin, verantwoordelijk voor de internationale planning binnen Henkels divisie voor wasmiddelen.

De betrouwbaarheid van de forecast binnen de wasmiddelendivisie was te laag, stelt Rasquin. ‘In de meer volwassen markten bereikten we een forecast-betrouwbaarheid van 65 tot 70 procent. Dat betreft de forecast op maandniveau, maar dat is niet de forecast waarop de supply planner zijn beslissingen baseert. Als je de forecast op maandniveau opbreekt in forecast per artikel op weekniveau, ligt de betrouwbaarheid een stuk lager. In onze distributiecentra lag de betrouwbaarheid soms zelfs onder de 30 procent. Het is op dit punt dat demand sensing het verschil kan maken.’

Promoties en introducties

Rasquin noemt twee belangrijke factoren die de vraag flink beïnvloeden maar met statische forecast-methoden lastig te voorspellen zijn: promoties en introducties van nieuwe producten. ‘Gemiddeld halen we 30 tot 40 procent van onze omzet uit producten die de laatste twaalf maanden zijn geïntroduceerd. Veel informatie over de vraag naar die producten is vaak al binnen het bedrijf beschikbaar, maar zit opgesloten in Excel-sheets en bereikt nooit de demand planner. Met de technieken van vandaag in combinatie met artificiële intelligentie is het mogelijk om die informatie toch te gebruiken voor het voorspellen van de vraag.’

Op dit moment gebruikt Henkel onder meer verkoopcijfers (point-of-sale data) als input voor demand sensing, maar de wasmiddelenfabrikant is bezig om het aantal demand signals uit te breiden. ‘Met onze collega’s van commercie onderzoeken we of we bijvoorbeeld ook informatie over onze concurrenten kunnen gebruiken als input. Die promoties die zij opzetten, hebben immers ook invloed op de vraag.’

Geheel automatisch

Henkel heeft demand sensing in eerste instantie geïmplementeerd om de kortetermijn-forecast te verbeteren. Allereerst worden de statistische forecasts van de verschillende verkoopafdelingen samen met andere data verzameld door de demand planner, die op basis daarvan met hulp van SAP APO een demand plan genereert. ‘Dit plan vormt vervolgens samen met alle relevante demand signals de input voor het demand sensing-systeem van E2open. Elke dag genereert dit systeem geheel automatisch voor elk artikel een forecast die direct naar de supply planner gaat. Het is een proces waarbij onze maandelijkse forecast zonder tussenkomst van mensen wordt opgebroken in een wekelijkse forecast op artikelniveau.’

Dat het gaat om een automatisch proces, vraagt veel van de demand planners. Zij moeten blind leren vertrouwen op het demand sensing-systeem, maar er zijn altijd uitzonderingen waarin menselijke tussenkomst nodig is. Daarom heeft Henkel zijn demand planners de mogelijkheid gegeven om per artikel te besluiten of ze demand sensing willen aanzetten of niet. ‘Het doel is dat we demand sensing willen inzetten voor 80 procent van het assortiment.’

Zelf grip houden

In de eerste weken na de uitbraak van Covid-19 is dat percentage bij lange na niet gehaald. In de paniek die destijds ontstond, met alle verstoringen in vraag en aanbod, durfden veel demand planners niet te vertrouwen op het demand sensing-systeem. Ze wilden zelf grip houden op het demand plan dat ze naar de supply planners sturen en dat niet overlaten aan een of andere machine. ‘Een logische reactie. Maar als we nu terugkijken, kunnen we zien dat het proces mét demand sensing gedurende de hele pandemie duidelijk betere resultaten opleverde dan het proces zónder demand sensing. Dat bewijst dat niet alleen in normale tijden, maar ook in tijden van disruptie demand sensing duidelijk meerwaarde heeft.’

Bovendien wordt het systeem nooit moe, stelt Rasquin. ‘Het blijft alle artikelen met dezelfde prioriteit analyseren, ook de langzaamlopers. Dat zorgt voor schaalbaarheid. Demand planners kunnen hun aandacht focussen op de snellopers, terwijl de demand sensing-machine de rest van de artikelen voor zijn rekening neemt. Ze kunnen erop vertrouwen dat de forecast van die artikelen verbetert.’ Wat Rasquin ook heeft gemerkt, is dat de demand planners worden uitgedaagd door het demand sensing-systeem. ‘Ze willen de machine verslaan. Daardoor is een gezonde competitie ontstaan. Dat heeft geleid tot gedragsverandering. Onze planners zijn nu meer dan ooit gefocust op verbetering van de forecast-betrouwbaarheid.’