Voorraadstrategie aanpassen aan het huidige tijdsbeeld

De marges in retail staan enorm onder druk. Retailers worden vandaag geconfronteerd met enorm veel verkoopkanalen en een hevige concurrentie. De kosten voor het aanhouden van de voorraad zijn dan ook veel hoger dan jaren geleden. Dat maakt het tegelijk ook risicovoller, terwijl de consument wel een ongekend hoog servicelevel verwacht. Het sturen van de voorraad gebeurt echter vaak nog op basis van buikgevoel of regels die jaren geleden zijn opgesteld. Steven Pauly van Slimstock bewijst dat het veel efficiënter kan en pleit voor een aanpassing van de voorraadstrategie aan het huidige tijdsbeeld. Hij vertelt over het unieke Slimstock Research project waarin gebruik wordt gemaakt van de nieuwste technologieën uit Artificial Intelligence zoals Machine Learning en Deep Learning.

Als een consument bij u als retailer niet het juiste product kan vinden online, gaat hij naar een van uw concurrenten, zo begint Steven met een voorbeeld. “Die potentiële klant bent u dan kwijt. Een gemiste kans, maar wel een fenomeen waar veel retailers vandaag mee worstelen. De huidige retailers zitten in een spanningsveld: enerzijds kunnen ze (kostentechnisch) niet teveel voorraad aanhouden, maar anderzijds moeten ze wel die artikelen in huis hebben waar de klant naar vraagt. Het vormgeven van een voorraadstrategie wordt steeds belangrijker, zeker met het oog op de grote onzekerheid over de klantvraag in de toekomst. Retail is ten opzichte van 25 jaar geleden enorm complex geworden door de toegenomen concurrentie via de vele kanalen, marketplaces, enz.” 

AI gaat landen in retail
Tijden veranderen of beter gezegd, zijn veranderd. Het is volgens Steven belangrijk de voorraadstrategie aan te passen aan de huidige complexiteit. “Met onze oplossing Slim4 maken we de dagelijkse operatie inzichtelijk (stellingplaatsen opvolgen, forecasting opvolgen, enz.) en voeren we tegelijk op tactisch niveau verbeteringen door die u voorzetten op uw concurrentie. Het tactisch en operationeel niveau moet gescheiden worden in retail, zowel in software als in mensen, vinden wij. Slim4 is heel goed in het ondersteunen van de dagelijkse operatie. Ondertussen zetten we ook meer en meer in op de tactische kant door middel van Data Science, zoals Machine Learning (ML) en Deep Learning (DL) vanuit Artificial Intelligence (AI). AI is de overkoepelende term,” legt Steven uit. “Daaronder bevinden zich allerlei technieken die informatie halen uit complexe datasets, zoals ML en DL. Dat gaat nu meer en meer landen in retail, zodat we de uitdagingen door middel van Data Science kunnen gaan oplossen.”

Slimstock Research
Op het vlak van Data Science heeft Slimstock drie pilotprojecten in retail opgestart via een apart ‘kanaal’ binnen Slimstock genaamd Slimstock Research. Steven: “De focus ligt daarbij op het voorkomen van derving, op het verbeteren van assortimenten én tot slot op promoties. Uit onderzoek blijkt dat de retailsector gemiddeld rekent met 2 tot 8% derving. Alleen voor supermarkten in Nederland betekent dat al een kost van 1 miljard euro per jaar. Het is belangrijk om de balans te vinden tussen zo min mogelijk derving en een verhoogde beschikbaarheid. Via Data Science technieken bepalen we welke acties een retailer moet doen om derving en ‘lost sales’ (nee-verkopen) te minimaliseren.” Steven geeft een voorbeeld van zo’n actie. “Zo kunnen we met deze technieken bijvoorbeeld bepalen wanneer en hoeveel préparé een retailer moet bestellen om te voldoen aan het vooraf bepaald percentage derving (bvb. 5%) en de beschikbaarheid (bvb. 98%).” 

Optimale voorraad
Ook het verbeteren van het assortiment (voorraad) is een belangrijk element om als retailer succesvol te zijn en blijven, meent Steven. “De basis die iedere retailer op orde moet hebben, is het beschikken over het juiste assortiment. Op basis van het bestaande assortiment kunnen we via Data Science bepalen welke artikelen winstgevend zijn, welke veel minder of zelfs helemaal niet. Op die manier helpen we retailers een goede beslissing te maken om het assortiment zo optimaal mogelijk af te stemmen op de vraag. Als die oefening goed wordt uitgevoerd, kan dat leiden tot een 20% daling in voorraadkapitaal en tegelijk een 4% stijging in de omzet, zo hebben we intussen bewezen.” 

Promotie
Retailers zijn gewend aan promoties om concurrentieel te blijven, terwijl een promotie juist een groot pijnpunt is in termen van voorraad, vervolgt Steven. “In samenwerking met verschillende partners in Data Science doen we onderzoek naar het effect van promoties op de voorraad. Zo proberen we te voorspellen wat de eerste dagen van de promotie zeggen over het verloop van de promotie. Met andere woorden, ‘wat verwacht ik van de promotie op basis van de eerste dagen?’. Daarbij halen we een hele hoge accuraatheid in de voorspellingen gedurende promoties. Het zorgt voor een 70% reductie van over-voorraad en tegelijk een 14% stijging in beschikbaarheid gedurende de promotie. Ook kan er gewerkt worden naar ‘dynamic pricing’ om de prijs gedurende de promotie aan te passen om de vraag te sturen. Maar het gaat nog veel verder. Zo kunnen we op basis van Data Science ook bepalen waar en in welke winkel u een promotie moet doen, waar u het best de producten kunt neerzetten en wat het effect is van de promotie op andere artikelen.”

Voor Slimstock is het belangrijk dat we oplossingen aanbieden die echt werken waarbij het resultaat inzichtelijk en begrijpbaar blijft, resumeert Steven. “Via Slimstock Research onderzoeken en ontwikkelen we oplossingen die we vervolgens vertalen naar onze Slim4 software zodat elke gebruiker straks kan profiteren van de kracht van Data Science. We zijn niet alleen aanbieder van een oplossing, maar begeleiden onze klanten ook volledig in de overgang naar een datagedreven organisatie.”

Geef als eerste een reactie

Geef een reactie

Uw e-mailadres wordt niet gepubliceerd.


*