Met een drukke werkdag achter de rug biedt Netflix toch wel uitkomst. Geen reclames én een aanbod op maat. Romantische komedies worden op mijn account niet getoond; Netflix begreep op basis van mijn zoek- en kijkgedrag al snel dat ik liever sci-fi of actie-films en series kijk. Het algoritme daarachter interesseert me mateloos. Welke analyses worden ervoor gebruikt? En welke factoren – waar ik me wellicht niet eens van bewust ben – spelen allemaal een rol? Mijn partner en kinderen krijgen hele andere suggesties. Kennelijk krijgt iedereen zijn eigen advies! De reden dat mij dit zo interesseert, is dat we met repleniQ iets soortgelijks doen. We voorspellen aan de hand van historische verkopen welke producten jouw klanten in de schappen willen zien. Om daar een betrouwbaar besteladvies van te maken, houden we echter ook rekening met diverse beïnvloedende factoren. Welke dat zijn? Ik vertel het je graag!

De belangrijkste parameters van een betrouwbaar besteladvies

Voor het genereren van een betrouwbaar besteladvies zijn de belangrijkste parameters de voorraadstanden, het afzetpatroon en het bestel-leverschema. In die volgorde. Ik licht ze toe!

De voorraadstanden

De voorraad van je producten is een zeer belangrijk uitgangspunt. Je moet weten welke producten je in welke hoeveelheden in de winkel – of het magazijn – hebt. Ik noem de voorraadstand als eerste, omdat een nauwkeurig bijgehouden voorraad een voorwaarde is voor een betrouwbaar besteladvies. De kwaliteit van je telling heeft zelfs directe impact op de kwaliteit van je besteladvies. ‘Garbage in, garbage out’, zeggen we ook wel.

In repleniQ houden we de voorraadwijzigingen voor verkopen bij tot op uur-niveau en de overige wijzigingen tot op de minuut. Zo is de geregistreerde voorraadstand altijd zo actueel mogelijk. Er gaan echter producten netjes en ‘minder netjes’ de deur uit. Dat laatste noemen we ook wel grijze derving; ze zijn verdwenen uit de winkel zonder dat we de oorzaak daarvan kennen. We zijn er zelfs niet eens van op de hoogte. Daarom is het belangrijk dat je je voorraad periodiek slim telt.

Management by exception

Dan heb ik het nadrukkelijk niet over balansen. Het doel is namelijk ‘management by exception’. Dit houdt in dat je producten telt waarvan je verwacht dat de voorraadstand in het systeem niet goed staat. Omdat er een negatieve voorraad is geregistreerd bijvoorbeeld, maar er op mysterieuze wijze toch wordt verkocht. Ook als de voorraadstand 0 is, doe je er goed aan te tellen. Als je voorraadstand op nee-verkoop duidt, wil je immers actie ondernemen!

Voor het genereren van een betrouwbaar besteladvies zijn de belangrijkste parameters het afzetpatroon, de voorraadstanden en het bestel-leverschema.

Het afzetpatroon

Het afzetpatroon is de beweging in de voorraad. Dit bepalen we aan de hand van de verkoophistorie, die we met repleniQ strippen van trends en seizoensinvloeden. Dit doen we met diverse wiskundige methoden, waarover mijn collega René onlangs nog een interessant blog schreef (leestip!). Dit resulteert in een zo schoon mogelijke ‘lijn’.

Het bestel-leverschema

Het bestel-leverschema tot slot gaat over de tijd die er van het moment van de bestelling tot de daadwerkelijke levering verstrijkt. Zo geldt bijvoorbeeld voor een bepaalde artikelgroep ‘woensdag vóór 15u besteld, vrijdag om 7u geleverd’. Dit wordt in repleniQ per artikelgroep bijgehouden. Goede replenishment tooling houdt daar rekening mee, omdat je van daaruit de ‘coverage periode’ bepaalt. Je moet met je besteladvies namelijk niet de periode tot het eerste levermoment overbruggen, maar tot het levermoment daarna. Met de levering van morgen moet je voldoende voorraad hebben om te overbruggen tot het moment waarop je huidige bestelling arriveert. Dit wordt gedicteerd door het bestel-leverschema.

Goede replenishment tooling houdt rekening met het bestel-leverschema, omdat je van daaruit de ‘coverage periode’ bepaalt.

Andere factoren van invloed op het besteladvies

Dit alles gecombineerd met seizoensinvloeden – in de zomer vliegen de ijsjes uit de supermarkten en bouwmarkten verkopen sneeuwscheppen in de winter – resulteert in een basisprognose. Die basisprognose verrijken we vervolgens met data op basis van ‘outliers’ in het koopgedrag van de klant, veroorzaakt door reclame & acties en externe factoren zoals het weer. Ook dit omschreef René in zijn laatste blog.

Uitzonderingssituaties

En dan zijn er nog uitzonderingssituaties die een rol kunnen spelen in het koopgedrag van de klant. Opent de concurrent bijvoorbeeld een nieuw filiaal? Dan passen we tijdelijk negatieve liftfactoren toe op het besteladvies. Bij sluiting werken we juist weer met positieve liftfactoren. Als na verloop van tijd de vraag zich stabiliseert, past het besteladvies zich daar automatisch op aan. Zo slim is het algoritme wel! Ook voor nieuwe producten in het assortiment kunnen we een betrouwbaar besteladvies genereren. Hiervoor kijken we naar de verkoopcijfers van soortgelijke producten, ook wel referentieartikelen.

Dat brengt me weer terug bij Netflix en de functie die ik onlangs zag; ‘Not sure What to Watch?’. Een soort ‘shuffle-functie’ die voor mij bepaalt wat ik ga kijken. Ook weer op basis van mijn historische kijkgedrag. Een soort ‘referentieartikel’ dus. Eens zien waar het algoritme me dit keer mee verrast!

Martin Zantingh Dit blog is geschreven door Martin Zantingh, productmanager bij Axians. Martin vertaalt de wensen van klanten naar innovatieve oplossingen en helpt deze implementeren. Neem gerust contact met hem op! 👨‍💼 Martin Zantingh | 📧 martin.zantingh@axians.com | 📱 06 5135 4638