Slimmer voorspellen: De kracht van hiërarchisch denken

Hoe aggregatie complexiteit kan reduceren en de voorspellingsnauwkeurigheid kan verhogen 

Het forecasten van de klantvraag is door de jaren heen, paradoxaal genoeg, moeilijker geworden, niet eenvoudiger. Ondanks de opkomst van advanced analytics en AI staan veel supply chain-professionals voor een ongemakkelijke realiteit: een groeiend deel van het assortiment is praktisch niet meer te voorspellen. 

Een blik op productportfolio’s in diverse sectoren laat het probleem zien. De tijd van een overzichtelijke en stabiele SKU-basis is voorbij. Tegenwoordig kenmerken supply chains zich door een breed en complex assortiment dat zich uitstrekt over meerdere regio’s, verkoopkanalen en klantsegmenten. Het gevolg? De klantvraag raakt steeds verder gefragmenteerd. 

Steeds meer producten zijn lastig te voorspellen 

De voorspelbaarheid van producten is meetbaar. Hoewel verre van perfect, is een veelgebruikte maatstaf de coëfficiënt van variatie (COV), die de standaarddeviatie van de vraag afzet tegen het gemiddelde. Een lage COV wijst op stabiele, voorspelbare vraag; een hoge COV op sterke volatiliteit. 

Door toenemende assortimentscomplexiteit vallen steeds meer SKU’s in de hoge COV-zone. Niet omdat de klantvraag onvoorspelbaarder is geworden, maar omdat deze over te veel schijven is verdeeld: SKU’s, klanten, locaties en kanalen. 

Wat drijft deze trend? 

• De long tail groeit: Steeds meer niche- en seizoensproducten worden toegevoegd om specifieke klantbehoeften te bedienen. 

• Toegenomen assortimentscomplexiteit: Denk aan verpakkingsvarianten, smaken, regionale voorkeuren en klant-specifieke SKU’s. 

• Globale operatie, lokale vraag: Multinationals bedienen grote markten met uiteenlopende patronen. 

• Multi-channel dynamiek: Online, offline, D2C, marketplaces – elk kanaal verdeelt de vraag in kleinere stukjes. 

Het gevolg: veel SKU’s hebben een lage afzet én grillig vraagpatroon. Individueel voorspellen daarvan komt vaak neer op nattevingerwerk. 

De valkuil: Complexere modellen gebruiken om ruis op te lossen 

De natuurlijke reflex van bedrijven is om steeds geavanceerdere modellen in te zetten. Maar hoe slim het algoritme ook is, bij ruwe, inconsistente data houdt het op. Een hoog noise-to-signal ratio kan betekenen dat zelfs het beste model blijft steken. Je kunt geen orde voorspellen in chaos. 

De oplossing zit niet alleen in de wiskunde, maar in het ontwerp 

In plaats van nog complexere algoritmen, haal je meer uit het herontwerpen van het forecastingproces zelf. Eén cruciale ontwerpkeuze is: op welk aggregatieniveau maak je je voorspelling? 

Veel organisaties voorspellen standaard op SKU-niveau of erger: op SKU-klantniveau. Dat voelt logisch (daar neem je immers beslissingen), maar het is precies dat punt waar de vraag het meest gefragmenteerd en het minst voorspelbaar is. Het resultaat is vaak: lage nauwkeurigheid én veel ad-hoc brandjes blussen. 

De hiërarchievraag: Waar voorspel je? 

Om forecastkwaliteit te verbeteren kun je overwegen om op een hoger aggregatieniveau te voorspellen en die voorspelling vervolgens te verdelen (proration) naar lagere niveaus. 

Waarom aggregeren?
Door klantvraag te bundelen over SKU’s, klanten of regio’s, haal je de ruis eruit. Het is alsof je naar het getij kijkt in plaats van naar de losse golven, je hebt een beter overzicht welke richting de stroom op gaat.  

Maar let op: dit is een balans. 

• Voorspel je te hoog (bijv. merk-niveau), dan mis je relevante signalen op productniveau. 

• Voorspel je te laag (bijv. SKU-klant-niveau), dan verdwaal je in de ruis. 

Hiërarchisch forecasten gaat om het vinden van een evenwicht: genoeg detail om de relevante individuele patronen te herkennen, maar genoeg aggregatie om stabiliteit te creëren. Voorspellingen op de hoogste aggregatieniveaus blijken vaak onbetrouwbaar te zijn, voornamelijk door het beperkte aanbod aan informatie over individueel gedrag. Omgekeerd worden voorspellingen op de laagste aggregatieniveaus vaak als onnauwkeurig beschouwd, omdat gedesaggregeerde tijdreeksgegevens er mogelijk niet in slagen de gemeenschappelijkheid in individuele vraagpatronen weer te geven. 

Proration: Van geaggregeerde voorspelling naar operationele aansturing 

Als je op hoger niveau voorspelt, moet je die voorspelling verdelen over de onderliggende SKU’s of klanten. 

De eenvoudigste aanpak? Gebruik historische ratio’s. 

Bijvoorbeeld: 

Als Product A vorig jaar 30% van de afzet van Groep X vertegenwoordigde, krijgt het 30% van de forecast van Groep X.  

Maar let op: bij dynamische mixen (door seizoen, promoties, nieuwe producten) zijn zulke ratio’s misleidend. Dan komen geavanceerdere technieken in beeld om de voorspelling te verdelen. 

Geavanceerde methodes voor proration

1. Dynamische ratio-modellen

Deze methode past de allocatie naar SKU’s aan op basis van recente trends of geplande events. Dit is met name effectief bij snel veranderende of seizoensgebonden assortimenten – denk aan fashion, food of bij promoties. 

Voorbeeld: 
Gebruik niet het Paasassortiment van vorig jaar als verdeling voor chocoladeverkopen, maar pas deze aan op recente sell-in data.

2. Bayesian Shrinkage

Een statistische benadering waarbij een SKU niet als ‘eiland’ wordt beschouwd, maar beïnvloed wordt door het gedrag op groepsniveau. De forecast wordt dan deels bepaald door de data op groepsniveau en deels door de data op SKU-niveau.  

Voorbeeld: 
Een nieuwe SKU met twee maanden historie krijgt een voorspelling die deels gebaseerd is op zijn eigen data, en deels op vergelijkbare SKU’s in dezelfde categorie. 

Tot slot: Hiërarchie is strategie 

De neiging om alles op SKU-niveau te willen voorspellen is begrijpelijk, maar vaak contraproductief. Door te erkennen dat datakwaliteit per aggregatieniveau verschilt, kun je forecasting slimmer organiseren: meer signaal, minder ruis. 

Kortom: hiërarchisch forecasten helpt de voorspellingsnauwkeurigheid te verbeteren door minder te voorspellen – niet meer. Met als resultaat: minder complexiteit en minder werkdruk. 

Hiërarchisch voorspellen is slechts één onderdeel van een slim ontworpen forecastproces. Denk je dat jouw proces aan een update toe is? Neem contact op met mij of mijn collega’s bij Involvation.