Verkoopvoorspellingen nauwkeuriger maken voor producten met een korte levensduur om innovatie te stimuleren

In de huidige dynamische marktomgeving kan het belang van nauwkeurige verkoopprognoses niet genoeg worden benadrukt voor productiebedrijven die hun activiteiten willen optimaliseren en hun concurrentiepositie willen behouden. Ondanks het belang ervan, blijven prognoses een enorme uitdaging, vooral voor producten die maar korte tijd op de markt zijn, zoals seizoensgebonden modeartikelen.

Innico onderkent het belang van accurate voorspellingen en werkt samen met het FIP-AM@UT om de complexe uitdagingen aan te gaan die dynamische producten met zich meebrengen. Het TRENDY-project heeft tot doel een geavanceerd model voor verkoopvoorspellingen te ontwikkelen dat is toegesneden op de specifieke eisen voor dit type producten.

De scope van het project omvat een gedetailleerde analyse van bestaande voorspellingsoplossingen, met specifieke nadruk op het effectief omgaan met schaarse datasets, wat gebruikelijk is in snel veranderende branches. Door middel van iteratieve ontwikkelingsprocessen probeert TRENDY een voorspellingsmodel te ontwikkelen dat specifiek ontworpen is om de uitdagingen van producten met een korte marktlevensduur het hoofd te bieden. Dit voorziet niet alleen in de directe behoeften van Innico, maar maakt ook de weg vrij voor het opnieuw bekijken van de prognosemethodes in andere branches, waardoor innovatie en operationele efficiëntie worden gestimuleerd.

Industriepartner

AANPAK

Het TRENDY-project maakt gebruik van de gecombineerde expertise van het Fraunhofer Innovation Platform at the University of Twente en Innico om de uitdagingen van schaarse tijdreeksen van verkoopvoorspellingen aan te pakken. Het project begint met een uitgebreide analyse van bestaande voorspellingsoplossingen, waarbij hun beperkingen worden geïdentificeerd wanneer ze worden toegepast op producten met een korte marktlevensduur. Een kritische focus zal worden gelegd op het ontdekken van betekenisvolle productkenmerken en deze op te nemen in geavanceerde tijdreeksvoorspellingsmodellen. Door subproblemen te onderzoeken zoals het integreren van verkoopsgedreven inzichten en gebruiksspecifieke voorspellingsmethodes, wil het project oplossingen op maat maken voor de unieke kenmerken van schaarse datasets.

Het ontwikkelde model wordt grondig getest, vergeleken met state-of-the-art alternatieven en geïntegreerd in Innico’s ERP-systemen. Verklaarbaarheid is een belangrijk aandachtspunt, met intuïtieve visualisaties en metrieken die zorgen voor transparantie en bruikbaarheid. Verspreiding van deze inzichten, waaronder in rapporten, workshops en technische documentatie, zullen het delen van kennis vergemakkelijken en ervoor zorgen dat het model toepasbaar is in verschillende branches, waardoor de verkoopprognoses voor snel veranderende, conjunctuurgevoelige markten worden verbeterd.

RESULTAAT

In het TRENDY-project werden met succes verschillende voorspellingsmodellen geëvalueerd voor verschillende use-cases. Om het vergelijken van modellen te vergemakkelijken, werd een geautomatiseerde evaluatie pipeline ontwikkeld en geïntegreerd in Innico’s webapplicatie. In totaal werden 10 verschillende voorspellingsmodellen geïmplementeerd en vergeleken met 3 stateof- the-art methoden. De modellen werden beoordeeld aan de hand van vijf belangrijke prestatiecijfers en hun impact werd getest in een magazijnsimulatieomgeving om de toepasbaarheid in de praktijk te analyseren.

• XGBoost presteerde beter dan de state-of-the-art, maar had de neiging om te onderschatten, terwijl de state-of-the art overschatte
• Traditionele modellen presteerden matig en boden geen significante verbeteringen
• Het nul-basismodel kwam op de tweede plaats voor productcategorieën met weinig vraag
• Magazijnsimulaties toonden aan dat XGBoost en de industriestandaard over het algemeen vergelijkbaar presteerden
• Voorspellingsfout verminderd met 25% voor schaarse artikelen, stabiel voor grote volumes

De bevindingen geven inzicht in het belang van het integreren van voorspellingen met voorraadstrategieën in plaats van alleen te vertrouwen op de nauwkeurigheid van het model. Toekomstig werk zal gericht zijn op artikellevenscycli, transfer learning en synthetische gegevens om voorspellingen te verbeteren, vooral voor nieuwe producten. Het uitbreiden van magazijnsimulaties met backorder management en dynamisch bestellen zal voorraadbeslissingen verder optimaliseren.

Dit project is mogelijk gemaakt door de Regio Deal, ondersteund door de Provincie Overijssel en de Rijksoverheid.

VOOR MEER INFORMATIE OVER TRENDY, NEEM GERUST CONTACT OP MET

Engin Topan

Associate Professor Smart Manufacturing and Supply Chain Planning

Reinier Stribos

Research Engineer

Privacyoverzicht

Deze site maakt gebruik van cookies, zodat wij je de best mogelijke gebruikerservaring kunnen bieden. Cookie-informatie wordt opgeslagen in je browser en voert functies uit zoals het herkennen wanneer je terugkeert naar onze site en helpt ons team om te begrijpen welke delen van de site je het meest interessant en nuttig vindt.