Hoe maak je een goede forecast? - Een stappenplan

Een stappenplan

In mijn werkzaamheden voor CQM ben ik regelmatig met voorspelmethodiek bezig. Dat begon al tijdens mijn afstudeerstage met het voorspellen van reizigersaantallen in de trein. Daarna ben ik projecten gaan doen over het voorspellen van warmteverbruik in kassen, het voorspellen van vraag naar OV-fietsen en het voorspellen van bezoekersaantallen voor Paleis Het Loo. In deze blog vertel ik hoe je nu eigenlijk een goede voorspelling, oftewel forecast, maakt.

Waarom is het belangrijk om een goede voorspelling te maken?

In veel bedrijfsprocessen is het belangrijk om te weten welke waarde een bepaalde grootheid in de toekomst gaat zijn, zodat hiernaar gehandeld kan worden. Bijvoorbeeld: hoeveel vraag naar OV-fietsen is er volgende maand op een bepaald station? Op basis van deze voorspelling kun je zorgen dat er voldoende fietsen aanwezig zijn op dit station en er daarmee voor zorgen dat aan de klantvraag voldaan kan worden. Nee-verkoop leidt tot een lagere klanttevredenheid, maar aan de andere kant zijn er kosten verbonden aan een te grote fietsvloot.

Wat is een goede voorspelling?

Er is één ding zeker bij een voorspelling; het is een benadering van de werkelijkheid, maar het is nooit exact de werkelijkheid. Bij een goede voorspelling is het gat tussen voorspelling en realisatie zo klein mogelijk. Welke deviatie acceptabel is voor het doel waarvoor de voorspelling gebruikt wordt, hangt af van de vraagstelling. Elke te voorspellen grootheid en te beantwoorden vraag is anders, hierdoor is domeinkennis van de klant onmisbaar. Nauwkeurigheid is extra belangrijk op het moment dat de precieze waarde grote invloed heeft op de beslissing die je neemt. Bijvoorbeeld: Als in een treinstel 100 reizigers passen, is het heel belangrijk om precies te kunnen voorspellen of het aantal reizigers in de buurt van die 100 uitkomt, omdat dat dan leidt tot het wel of niet inzetten van een extra treinstel. Als het voorspelde aantal reizigers rond de 50 uitkomt, dan maakt het niet uit wat het precieze aantal wordt, zolang het aantal maar onder de 100 reizigers blijft die in het treinstel passen.

Hoe maak je een goede voorspelling?

Was het maar zo makkelijk dat wij in onze glazen bol keken en per situatie het antwoord op deze vraag hadden. Of niet, want dan was mijn werk een stuk minder leuk! Voor het maken van een voorspelling, ongeacht de situatie, kiezen we eigenlijk altijd de volgende aanpak:

1. Spreken met experts

Allereerst is het belangrijk om met mensen in het veld te spreken. Domeinkennis is essentieel in het bepalen van factoren die de te voorspellen grootheid beïnvloeden. Die combineren wij met onze statistische kennis.

2. Inventariseren en verzamelen van gegevens

Na het bespreken van deze factoren is het belangrijk dat hier gegevens over zijn; een voorspelmodel wordt gevoed door data. Dat er geen data over een bepaalde factor verzameld wordt, wil niet zeggen dat deze factor per definitie niet kan worden meegenomen in het model. Het kan namelijk zo zijn dat een andere factor in grote mate gelijkenis vertoont met de niet geregistreerde factor. Dit is typisch informatie die door middel van zowel expertkennis (klant) als data-analyse (CQM) naar boven kan komen.

3. Analyseren van gegevens

De derde stap is erg belangrijk; de data is verzameld, maar wat zeggen deze gegevens? Weten we precies wat alles betekent en hoe het gemeten wordt? Hoe zijn de correlaties tussen de gegevens? Etc. Typisch maken we in deze stap heel veel plaatjes, tabellen en andere overzichten die we met de klant bespreken; is het logisch wat de data ons vertelt?

4. Voorspelmodel vormgeven

Het maken van het voorspelmodel is pas de laatste stap en kan in mijn optiek niet gedaan worden voordat stappen 1 t/m 3 zijn doorlopen. Hierin beantwoorden we vragen als:

  • Wat is de aard van de te voorspellen grootheid? Bijvoorbeeld een tijdreeks.
  • Hoeveel data is beschikbaar? Bijvoorbeeld hoeveel jaren terug.
  • Welke modellen passen bij deze situatie? Zo zijn er modellen speciaal voor tijdreeksen.
  • Welke factoren voegen we toe in het model? Bijvoorbeeld een indicator voor de seizoenen.

De beantwoording van deze vragen leidt tot het best mogelijke voorspelmodel.

Na deze stappen is het belangrijk om het model te valideren en te toetsen in de praktijk, alvorens het model geïmplementeerd wordt in het proces bij de klant. Door deze klantspecifieke aanpak is geen enkel voorspelmodel hetzelfde. Dat is precies waarom ik in elk voorspelproject weer een mooie uitdaging zie! 

Wilt u meer weten over het maken van een goede forecast? Of wilt u een gratis oriënterend gesprek over de waarde van voorspelmodellen voor uw organisatie?
Neem contact op met Pleuni.

 

Ook interessant

 

Of wilt u altijd op de hoogte blijven van het laatste nieuws van CQM? Volg ons dan op LinkedIn of schrijf u in voor de digitale nieuwsbrief (max. 4x per jaar).

Pleuni Naus MSc

Pleuni Naus MSc

Consultant