Forecasting
Weten wat eraan komt.
Forecasting op basis van je eigen historie: drukte, voorraad, uitval en klanten die dreigen te vertrekken. Newbit bouwt voorspellingen die naast je rapportage staan, niet in een los model op iemands laptop.
Wat we doen
Van achteruitkijken naar vooruitkijken.
Een rapportage vertelt je wat er is gebeurd. Nuttig, maar je stuurt er altijd achteraf mee bij. Als je jaren aan orders, uren en storingen in huis hebt, zit daar een patroon in dat vooruit wijst. Wij halen dat eruit en zetten de voorspelling naast de cijfers die je al kent, met de bandbreedte erbij zodat je weet hoe zeker het is.
- Verkoopforecast die rekening houdt met seizoensinvloeden, stock-outperiodes en trends
- Doorrekenen naar voorraad met minimumniveaus en inkoopvoorstellen, zodat je geen omzet misloopt
- Geavanceerde modellen met machine learning voor patronen die je met een tijdreeks niet ziet
Toepassingen
Waar een voorspelling het verschil maakt.
Bezetting en planning
Weten hoe druk het over zes weken is, zodat je op tijd inhuurt of juist niet. Scheelt zowel overwerk als leegloop.
Voorraad op peil
Per artikel voorspellen wat eruit gaat. Minder nee verkopen, en minder kapitaal dat in het magazijn staat te wachten.
Klanten die afhaken
Een score per klant op basis van bestelgedrag en contactmomenten. Je belt voordat het contract afloopt in plaats van erna.
Vertrouwd door onder andere
Verder rekenen
Een voorspelling is pas het begin.
Zodra de verkoopforecast klopt, kun je er beslissingen op baseren. Dat is waar het geld zit.
Genoeg op voorraad
Heb je voldoende voorraad voor de komende periode? De forecast rekent door naar wat er per artikel binnen moet komen, inclusief de levertijd van je leverancier.
Minimumniveaus die kloppen
Veiligheidsvoorraden staan vaak jaren onaangeraakt op een gevoelsgetal. Wij zetten ze op de werkelijke vraag en spreiding, zodat je niet misgrijpt en geen dood geld in het magazijn hebt.
Inkoopvoorstellen
Uit de forecast rolt een concreet voorstel: dit bestellen, bij deze leverancier, in deze week. Zo loop je geen omzet mis omdat iets net niet op tijd binnen was.
Machine learning
Als een tijdreeks niet genoeg is
Soms zit het antwoord niet in de historie van één cijfer, maar in grote hoeveelheden ruwe meetdata. Denk aan foutmeldingen van machines: daar halen we patronen uit die aangeven wanneer een robot of productielijn onderhoud nodig heeft, voordat hij stilvalt. Diezelfde aanpak gebruiken we voor vraagpatronen waarin weer, prijs en promoties tegelijk meespelen.
We kiezen het model dat het beste scoort op jouw data, niet wat het beste klinkt. Wat statistisch kan, doen we statistisch, want dat is beter uit te leggen.
Eerlijk verhaal
Wanneer forecasting niet werkt.
Een voorspelling is zo goed als de historie eronder. Heb je minder dan twee jaar bruikbare gegevens, of is er in die periode zoveel veranderd dat het verleden niets meer zegt, dan houdt het op. Dat zeggen we liever aan het begin dan na drie maanden bouwen. Vaak is de eerste stap dan het fundament, en volgt de forecast een jaar later.
Hoe we het aanpakken
Eerst meten of het klopt.
Kennismaking
Welke beslissing
Een voorspelling is pas wat waard als er een beslissing aan hangt. We beginnen bij de keuze die je elke week of maand moet maken.
Toets
Terugkijken op het verleden
We laten het model het afgelopen jaar voorspellen en leggen dat naast wat er werkelijk gebeurde. Dan weet je meteen hoe scherp het is.
Bouw
Naast je rapportage
De forecast komt in dezelfde omgeving als je andere cijfers, met bandbreedte. Geen apart model dat alleen de bouwer begrijpt.
Bijsturen
Het model leert door
Elke maand komt er echte uitkomst bij. We houden bij of de afwijking binnen de marge blijft en stellen bij waar dat nodig is.
Alles draait op één datafundament
Forecasting vraagt om een lange, schone historie. Die haal je uit een datawarehouse waar de gegevens van al je systemen jaar na jaar netjes in bewaard blijven.
Veelgestelde vragen
Over forecasting.
Wat is forecasting?
Forecasting is het voorspellen van een toekomstige uitkomst op basis van je eigen historie, bijvoorbeeld omzet, vraag, bezetting of uitval. Het model zoekt patronen in wat er eerder gebeurde en zet die door in de tijd, met een bandbreedte eromheen die aangeeft hoe zeker de uitkomst is.
Hoeveel historische data hebben we nodig?
Twee jaar is een goede ondergrens, drie is prettiger. Je wilt seizoenspatronen minstens twee keer hebben gezien voordat een model ze als patroon herkent in plaats van als toeval. Voor nieuwe producten of na een grote koerswijziging zegt de historie te weinig.
Hoe nauwkeurig wordt een voorspelling?
Dat verschilt per vraag. Op maandniveau zitten we vaak op een afwijking van vijf tot vijftien procent, op dagniveau is de spreiding groter. We meten dat eerst op je eigen historie, zodat je weet hoe scherp het is voordat je erop gaat sturen.
Hoe meet je of een forecast klopt?
Met MAPE, de gemiddelde absolute procentuele afwijking tussen voorspelling en werkelijkheid. Elke maand komt er echte uitkomst bij en die leggen we naast wat het model had gezegd. Blijft de afwijking binnen de afgesproken marge, dan is het model gezond.
Wat is het verschil met predictive analytics?
In de praktijk hetzelfde vak. Forecasting gebruik je meestal voor cijfers die je over de tijd uitzet, zoals omzet of vraag. Predictive analytics is het bredere woord en omvat ook voorspellingen per klant of per machine, zoals verloopkans of onderhoud.
Gebruiken jullie AI of statistiek?
Voor tijdreeksen werken statistische modellen vaak beter en zijn ze beter uit te leggen. Machine learning zetten we in wanneer er veel factoren tegelijk meespelen, zoals weer, prijs en promoties. We kiezen wat het beste scoort op jouw data, niet wat het beste klinkt.
Kunnen we de forecast in Power BI zien?
Ja, dat is de gebruikelijke plek. De voorspelling staat als extra lijn naast de werkelijke cijfers, met de onzekerheidsmarge eromheen. Zo kijkt iedereen naar dezelfde rapportage in plaats van naar een los model op iemands laptop.
Wat als de markt plotseling verandert?
Dan loopt het model achter, en dat zie je terug in een oplopende afwijking. Daarom bewaken we die maandelijks en corrigeren we handmatig bij gebeurtenissen die niet in de historie zaten. Een forecast is geen eenmalig project maar een lopend proces.
Verder lezen
Eerst de basis.
BlogWat is data warehousing en hoe start je ermee?
Bedrijven verliezen gemiddeld 11,6 uur per week aan losse databronnen.
Lees verder →
BlogData lakehouse versus data warehouse: welke kies je?
Waar het verschil zit, en wanneer welke keuze de goedkoopste is.
Lees verder →
BlogWat doet een BI consultant precies?
De rol die techniek en bedrijfsvoering aan elkaar knoopt.
Lees verder →Welke beslissing zou je liever vooraf nemen?
Vertel welke vraag je elke maand bezighoudt, dan kijken we of je historie het antwoord in zich heeft.