Voorspellend Sales Dashboard Lumission
Wat was de vraag?
Data kan ingezet worden als een soort glazen bol. Met behulp van data kunnen namelijk voorspellingen gemaakt worden. Lumission heeft ons gevraagd om voorspellingen te maken van de verkopen voor een jaar. Dit kunnen zij gaan gebruiken om te anticiperen op toekomstige verkopen.
In het demo dashboard wordt fictieve data weergegeven.
Wat was de oplossing?
DATA KINGDOM heeft met drie verschillende methoden voorspelling gemaakt voor acht verschillende productgroepen. Naast de modellen geven we ook de beoordelingscriteria weer. Zo is de nauwkeurigheid van de modellen inzichtelijk…
Het eerste model is Exponential Smoothing, een eenvoudige maar krachtige methode om tijdreeksen te voorspellen. Deze methode kent gewichten toe aan eerdere waarnemingen, waarbij recentere data zwaarder meeweegt dan oudere data. Exponential Smoothing kent drie varianten: Single, Double, en Triple Exponential Smoothing. Single Exponential Smoothing houdt geen rekening met trends of seizoenen, terwijl Double ook een trend meeneemt, en Triple zowel trends als seizoenspatronen verwerkt. Dit model is vooral effectief voor korte- tot middellange termijnvoorspellingen en is flexibel in het toepassen van trends en seizoenen, afhankelijk van de dataset.
AutoRegressive Integrated Moving Average
ARIMA (AutoRegressive Integrated Moving Average) is een populaire methode voor tijdreeksvoorspellingen, die drie componenten combineert: autoregressie (AR), integratie (I), en voortschrijdend gemiddelde (MA). Het AR-component bepaalt hoeveel eerdere waarden worden gebruikt voor de voorspelling, terwijl het I-component de data stationair maakt door verschillen te nemen tussen datapunten. Het MA-component kijkt naar de fouten in eerdere voorspellingen om toekomstige waarden te verbeteren. ARIMA is krachtig omdat het zowel trends als autocorrelaties in data kan modelleren, maar vereist dat de data stationair is. Voor tijdreeksen met seizoenspatronen wordt de aangepaste variant, SARIMA, gebruikt, die seizoenscomponenten toevoegt aan het ARIMA-model.
Het Croston-model is speciaal ontwikkeld voor de voorspelling van intermitterende vraag, dat wil zeggen vraag die onregelmatig en met lage frequentie voorkomt. Dit model verdeelt de tijdreeks in twee componenten: de grootte van de vraag (alleen non-zero waarden) en het interval tussen de vraagmomenten. Op basis van deze twee elementen en een smoothing parameter wordt de voorspelling continu aangepast bij elke nieuwe non-zero waarde. Hoewel Croston geen rekening houdt met trends of seizoenen, is het effectief voor korte termijnvoorspellingen en ideaal voor inventarisbeheer van producten met onregelmatige vraag. Het model is minder accuraat dan ARIMA of Exponential Smoothing, maar kan goed omgaan met periodes zonder vraag, wat het ideaal maakt voor inventarisbeheer van zeldzaam verkochte producten.
Deze diversiteit in modellen stelt Lumission in staat om op maat gemaakte voorspellingen te krijgen voor verschillende productgroepen, afhankelijk van hun verkoopgedrag én rekeninghoudend met trends en seizoenen
Waar kijken we naar?
Data vanuit:
– Navision
Bijvoorbeeld:
– Maandelijkse voorspelling
– Wekelijkse voorspelling
– Gemiddelde werkelijke verkoop
– Voorspelling verkoop
– Werkelijke verkoop
– Betrouwbaarheidsinterval
Wat haalt Lumission hieruit?
Het Sales Dashboard van Lumission heeft inzicht gegeven in de potentiële toekomstige verkopen. Ook worden seizoenspatronen inzichtelijk met behulp van de data. Met deze nieuwe inzichten kan Lumission proactief beslissingen nemen die de efficiëntie van hun bedrijfsvoering aanzienlijk verbeteren.
Door het tijdig aanpassen van inkoop- en voorraadstrategieën kan Lumission tekorten of overschotten voorkomen en zo de kostenstructuur optimaliseren. Bovendien kunnen ze beter inspelen op veranderingen in de markt en klantbehoeften, wat niet alleen de operationele efficiëntie verhoogt, maar ook bijdraagt aan een verbetering van de klanttevredenheid. Uiteindelijk zorgt dit alles ervoor dat Lumission niet alleen kosten bespaart, maar ook de winstgevendheid vergroot door meer weloverwogen, data-gedreven beslissingen te nemen.
Hoe gaan wij te werk?
Om ervoor te zorgen dat uw finance dashboard perfect aansluit op de behoeften van uw organisatie, doorlopen we een zorgvuldig proces:
Data strategie sessie: In deze sessie komen we vooral halen, wat is de strategie van het bedrijf, is er een data strategie, wat zijn de belangrijkste KPI’s en de definities. Welke bronnen zijn er beschikbaar? Samen bespreken we de wensen voor het design van het dashboard.
Inspiratiesessie: Met de input van de data strategie sessie in de hand, werken we een inspiratie dashboard uit. Daarvoor gebruiken we dummy data. In de inspiratie sessie presenteren we het dashboard en scherpen we de requirements en definities uit de Data Strategy sessie verder aan.
Implementatie: daarna gaan we bronnen ontsluiten (bronsystemen, databases, excel, API’s), modeleren, visualiseren, governance inregelen en trainen. En het belangrijkste, gezamenlijk borgen dat data gedreven werken omarmt wordt in de organisatie. Hieronder kun je per fase gedetailleerd zien hoe we te werk gaan.
