Van oudsher zijn het inkopers die bepalen welke goederen bij welke leveranciers worden besteld, op basis van ervaring, marktkennis en onderbuikgevoel. Maar naarmate marges kleiner worden en consumenten steeds meer variatie verwachten in nieuwe en onderscheidende waren, zoeken retailers naar betere methoden om te voorspellen waar het met de vraag naartoe gaat.

Een kortings- of promotieactie kan bijvoorbeeld heel succesvol zijn, maar als je de boel verkeerd hebt ingeschat, kun je blijven zitten met een grote hoeveelheid onverkoopbare inventaris – of andersom: met lege schappen en verontwaardigde klanten. Demand forecasting en supply chain management nemen dan ook een grote vlucht. Voor IT is het essentieel daar tijdig op in te spelen.

De meest simpele vorm van demand forecasting bestaat uit terugkijken: cijfers van vergelijkbare perioden in voorgaande jaren of vergelijkbare acties in het verleden, kunnen een aardig idee geven van wat je mag verwachten. Maar successen uit het verleden geven nooit garanties voor de toekomst. Er zijn zóveel mogelijke invloeden op vraag en aanbod, dat het voor een gewoon mens vrijwel onmogelijk is alle factoren te overzien en betrouwbare op feiten gebaseerde voorspellingen te doen.

Er zijn natuurlijk succesfactoren die je zelf in de hand hebt, zoals de prijsstelling die je bedrijf hanteert, de producten die het wil lanceren, of de acties die op stapel staan voor de positionering van het merk. Maar er zijn ook nog externe factoren die van invloed zijn, zoals seizoensinvloeden, feestdagen en vakanties. Daar komt dan nog een hele reeks minder voorspelbare omstandigheden bij, zoals wisselende trends, de acties van concurrenten, en mogelijke disrupties in de supply chain.

Het aantal variabelen dat dat oplevert, is te groot voor een simpele spreadsheet. Om betere en betrouwbare voorspellingen te kunnen doen, doen grotere, succesvolle retailketens dan ook beroep op systemen die grote hoeveelheden data kunnen analyseren met behulp van machine learning en AI.

In de meest simpele vorm kijkt zo’n systeem alleen naar historische (eigen) data: hoe meer ruwe data, hoe beter, en bij voorkeur over drie jaar en meer. Geavanceerdere systemen worden gevoed door meer databronnen en leveren daarmee navenant accuratere resultaten. Denk aan data uit marketing polls, macro-economische factoren, socialmedia-analyses, concurrentieanalyses en zelfs weersvoorspellingen en nieuws over lokale evenementen.

Diverse openbare cases tonen aan dat dergelijke ‘intelligente’ systemen veel beter zijn in het voorspellen van demand dan de klassieke oplossingen. Een case bij de Franse supermarktketen Intermarché liet bijvoorbeeld zien dat AI 95% accuratere voorspellingen kon doen, met 75% minder foutieve voorspellingen dan de oplossingen die het bedrijf voorheen gebruikte. Een ander voorbeeld is de Duitse drogisterijketen Rossman, die enkele jaren terug de voorraden voor promotieartikelen met 25% wist te verlagen, terwijl de beschikbaarheid juist omhoog ging. De overbevoorrading van promotieartikelen liep met 25% terug, maar ook het aantal uitverkochte producten werd met 10% gereduceerd.

De vraag correct voorspellen is al een hele toer, maar garanderen dat je dan ook kunt leveren is minstens zo relevant. Naarmate supply chains langer, internationaler en complexer worden, stijgt namelijk ook de potentiële kwetsbaarheid voor factoren buiten onze invloedssfeer, van politieke tot natuurlijke aardverschuivingen en van (cyber)oorlogen tot een pandemie. Niet alle disrupties zijn voorspelbaar, maar dàt ergens in een supply chain disrupties kunnen ontstaan, is dat wel.

Naast demand forecasting wordt dan ook supply chain management steeds belangrijker. Smart supplychainoplossingen zijn, op basis van real-time data, in staat potentiële verstoringen in de keten snel te voorspellen en te verhelpen door alternatieve routes en oplossingen aan te dragen. Maar ze kunnen ook helpen de kosten te drukken door efficiencyslagen te maken en het kapitaal dat vastzit in voorraden te optimaliseren.

McKinsey praat in dat verband al jaren over “Supply Chain 4.0”, waarin de hele toeleveringsketen met behulp van sensoren (IoT), geavanceerde netwerkoplossingen, robots en data-analyse wordt gedigitaliseerd. Al die technologie samen moet de retail minder kwetsbaar maken en flexibel genoeg om te kunnen voorzien in de voortdurend veranderende vraag van de moderne wispelturige consument.

Makkelijk is dat niet. De beoogde digitalisering van de supply chain vergt voortdurende investering en goede samenwerking met alle partijen in de toeleveringsketen. Bovendien vraagt de digitalisering om nieuwe mensen met nieuwe kennis die niet altijd eenvoudig te vinden zijn. Maar de business case is helder: digitalisering van demand forecasting en supply chain management stellen de retail in staat sneller (soms zelfs proactief!) te reageren op disrupties, beter in te spelen op lokale vraag, en efficiënter om te gaan met voorraden. Wie dat spel het beste weet te spelen, is de concurrentie altijd een stap voor.