Stel je voor: je bent een fabrikant en leverancier van fietsen, met een aanbod dat zich uitstrekt van robuuste mountainbikes tot gestroomlijnde elektrische fietsen. In een ideale wereld zou je precies weten hoeveel van elk model je volgende maand, volgend kwartaal, of zelfs volgend jaar moet produceren. Je zou je productielijnen kunnen afstemmen op de vraag, nooit met overschotten zitten, en altijd voldoen aan de wensen van je klanten. Maar we leven niet in een ideale wereld.

De realiteit is dat de meeste bedrijven vertrouwen op systemen die slechts een glimp opvangen van de toekomstige vraag. ERP-systemen bieden waardevolle inzichten, zoals orders en offertes die in de pijplijn zitten, maar bieden slechts een beperkt beeld. Deze informatie, hoewel nuttig voor de financiële afdeling, biedt weinig houvast voor diegenen die dagelijks beslissingen moeten nemen over productie, inkoop en planning.

Prognose per artikelgroep – waar classificaties wel niet goed voor zijn

Een effectieve forecasting vereist een gedetailleerde analyse op artikelgroep niveau. Hoewel het onmogelijk is om exact te voorspellen hoeveel exemplaren van een specifiek type fiets verkocht zullen worden, is het mogelijk om een inschatting te maken van het totaal aantal fietsen per categorie. Vaak zijn het juist de generieke producten, zoals de elektromotor die langere levertijden hebben en waarvoor vroegtijdige planning essentieel is.

De ontbrekende schakel in ERP-systemen

Het probleem ligt echter in het feit dat de benodigde gedetailleerde matrix niet bestaat in de huidige ERP-systemen, met name die in de maakindustrie. Het ontbreken van deze matrix maakt het moeilijk om nauwkeurige voorspellingen te maken en strategische beslissingen te nemen. Hoewel het mogelijk is om deze forecasting in Excel of andere applicaties uit te voeren, ontbreekt hierbij essentiële artikeldata die nodig is voor hoog niveau prognoses en planning. Zo kan je bijvoorbeeld niet berekenen hoeveel elektromotoren er nodig zijn, omdat dit vanuit Excel niet gelinkt is aan de juiste classificatie-stamboom.

Lange termijn forecasting voor strategische beslissingen

Een effectieve forecasting matrix moet niet alleen kijken naar de komende maanden, maar ook lange termijn voorspellingen mogelijk maken. Dit stelt bedrijven in staat om strategische beslissingen te nemen op basis van een diepgaand inzicht in de marktvraag en trends op de lange termijn. Het kan bijvoorbeeld helpen bij beslissingen over productielijnen, het afsluiten van raamcontracten en het bepalen van leveranciers.

Bekijk hier een voorbeeldmatrix. De hoofdcategorieën zijn ingevuld. Maar nog niet alle subcategorieën. Geen probleem. Dat komt later wel.

Conclusie: Een gedetailleerde matrix voor accurate forecasting

Om de uitdagingen van forecasting in de maakindustrie aan te pakken, is er dringend behoefte aan een gestructureerde matrix die sales in staat stelt om de vraag te voorspellen op basis van gedetailleerde producttypes en classificaties. Deze benadering zal niet alleen nauwkeurigere voorspellingen mogelijk maken, maar ook de mogelijkheid bieden om strategische beslissingen te nemen op basis van een langetermijnvisie. Idealiter is deze matrix in te vullen in een systeem dat zowel technische, als commerciële data van artikelen bevat. Hierdoor kan er veel nauwkeuriger worden voorspeld.