Overview

Een internationale B2C-organisatie wilde tijdens verkoopdagen eerder kunnen beoordelen of de geplande logistieke capaciteit nog aansloot op het werkelijke ordervolume. DataGrow ondersteunde het bestaande datateam bij een operationeel dashboard dat actuele orders, de businessforecast en een modelvoorspelling samenbracht.

Concrete verandering

• Actuele orderdata werd ongeveer ieder uur bijgewerkt.
• Om 11.00 uur was een eerste voorspelling voor het volledige dagvolume beschikbaar.
• Planners zagen per distributiecentrum de actuals, het verwachte dagtotaal en de bestaande businessforecast in één overzicht.
• Nieuwe onderdelen werden iedere twee weken met hoofdgebruikers besproken.

De planning stond, maar de dag zelf bleef lang onzeker

De organisatie maakte maanden vooraf een businessforecast voor het verwachte ordervolume. Historische gegevens en geplande commerciële momenten gaven richting aan de capaciteit die de distributiecentra nodig hadden. Voor de grote lijnen werkte dat.

Tijdens een verkoopdag kon het beeld veranderen. Het werkelijke volume kon anders uitvallen dan verwacht en de verhouding tussen productgroepen of distributiecentra kon verschuiven. De gerealiseerde ordertotalen kwamen voorheen meestal pas tegen het einde van de dag beschikbaar. Volgens de betrokken DataGrow-consultant zat daar soms dertien tot veertien uur tussen.

Voor distributieplanners was dat laat. Als een centrum meer orders moest verwerken dan gepland, wilden zij nog capaciteit kunnen verplaatsen of extra transport regelen. Het event- en marketingteam wilde tijdens een verkoopactie kunnen zien of het volume zich volgens verwachting ontwikkelde. Bij een kortlopende actie kon de mogelijkheid om nog iets te veranderen al voorbij zijn voordat het volledige beeld beschikbaar kwam.

De vraag was daarom concreet: hoe krijgt de organisatie vroeg genoeg een betrouwbare indicatie van het totale dagvolume om nog tijdens dezelfde dag te kunnen handelen?

De uitdaging lag tussen data en beslissing

Dit was geen organisatie die nog aan haar eerste datafundering moest beginnen. De kernsystemen waren ontsloten en er stond een volwassen intern datateam. De bestaande businessforecast voorzag bovendien in een reële planningsbehoefte.

Wat ontbrak, was een korte verbinding tussen drie verschillende beelden:

• 1. De forecast waarop de capaciteit vooraf was gepland;
• 2. De orders die gedurende de dag werkelijk binnenkwamen;
• 3. Een voorspelling van waar het totale dagvolume waarschijnlijk zou eindigen.

Die informatie moest samenkomen op het niveau waarop planners handelden. Een individueel ordernummer was daarvoor minder relevant dan het volume per uur en per distributiecentrum. Tegelijk moest het dashboard ook bij grote volumes en meerdere gebruikers snel blijven reageren.

Het model zelf bracht een tweede vraag mee. Een voorspelling is pas bruikbaar wanneer het team kan volgen hoe die zich tot de uiteindelijke werkelijkheid verhoudt. Het product moest daarom niet alleen een uitkomst tonen, maar ook helpen begrijpen waar het model beter en minder goed voorspelde.

Hoofdgebruikers bepaalden wat het product moest laten zien

Het team begon bij de mensen die de informatie in hun dagelijkse werk nodig hadden. Hoofdgebruikers vertegenwoordigden de bredere gebruikersgroep. In workshops bespraken zij hun proces, de beslissingen die zij namen en welke informatie daarvoor werkelijk nodig was.

Op basis daarvan maakte het team een ontwerp. De hoofdgebruikers toetsten of het overzicht aansloot op hun werk voordat de verdere bouw plaatsvond. Die werkwijze voorkwam dat het dashboard vooral een technische verzameling van beschikbare data werd.

DataGrow werkte binnen het bestaande productteam en ondersteunde aan de analyse- en engineeringkant. De klant hield de leiding. Een DataGrow-consultant was verantwoordelijk voor de dashboardlaag en de inrichting van de datamart waarop het overzicht draaide. Het voorspelmodel was werk van het bredere team.

Iedere twee weken demonstreerde het team de nieuwe onderdelen aan hoofdgebruikers en andere betrokkenen uit de business. Hun reactie hielp bepalen welke verbeteringen daarna werden opgepakt.

Actuals, forecast en model in hetzelfde overzicht

De data werd teruggebracht tot het niveau waarop de operationele beslissing viel. In plaats van iedere orderregel afzonderlijk te verwerken in het dashboard, aggregeerde het team de informatie per relevante periode en per distributiecentrum. Dat beperkte de hoeveelheid data die het dashboard tegelijk moest verwerken en hield het overzicht bruikbaar tijdens drukke verkoopmomenten.

Het forecastingmodel combineerde recente orderdata met de bestaande businessforecast. De uitkomst liet zien waar het totale volume aan het einde van de dag waarschijnlijk zou uitkomen. Een apart overzicht vergeleek eerdere voorspellingen met de uiteindelijke actuals, uitgesplitst naar relevante categorieën, markten en distributiecentra. Zo kon het team de modelprestaties volgen en gericht verbeteren.

Het operationele dashboard bracht vervolgens vier elementen bij elkaar:

• De bestaande forecast voor de volledige dag;
• Het aantal orders dat tot dat moment was binnengekomen;
• De voorspelling voor het uiteindelijke dagvolume;
• Het verschil tussen die dagvoorspelling en de oorspronkelijke forecast.

Dat verschil vormde het beslissignaal. Het liet planners zien waar de capaciteitsplanning mogelijk niet meer aansloot op de ontwikkeling van die dag.

Ongeveer ieder uur nieuwe orderdata

Het team koos voor batchverwerking. De orderdata werd ongeveer ieder uur opgehaald, verwerkt en in het dashboard getoond. Volledig realtime streaming was technisch mogelijk, maar zou meer kosten en was niet nodig voor het beslisritme van deze toepassing.

Vroeg in de nacht kwamen de eerste actuals beschikbaar. Om 11.00 uur waren er genoeg gegevens van die dag om de eerste voorspelling voor het volledige dagvolume te maken. Vanaf dat moment konden gebruikers de oorspronkelijke planning vergelijken met wat er werkelijk gebeurde en met de richting die het model aangaf.

De organisatie beschikte daarmee eerder over een onderbouwd signaal. Distributieplanners konden beoordelen of capaciteit tussen centra moest worden verschoven of dat extra vervoerscapaciteit nodig kon zijn. Het event- en marketingteam kon een verkoopactie volgen terwijl er nog tijd was om de uitvoering aan te passen.

Wanneer deze aanpak relevant is

Dezelfde vraag speelt bij organisaties die al veel in hun dataomgeving hebben geïnvesteerd, maar tijdens piekdrukte nog op achterafrapportage sturen. Het patroon is herkenbaar wanneer:

• Een langetermijnforecast de capaciteit bepaalt;
• Het werkelijke volume gedurende de dag sterk kan veranderen;
• Meerdere locaties of distributiecentra capaciteit verdelen;
• Logistiek, marketing en data hetzelfde moment vanuit verschillende overzichten bekijken;
• Het interne datateam de basis beheert, maar specialistische capaciteit of een brug naar de operatie nodig heeft.

De techniek begint dan niet bij de keuze voor een dashboard of een model. De eerste vraag is wanneer de organisatie moet beslissen, welke afwijking tot actie leidt en hoe vroeg de benodigde data betrouwbaar beschikbaar kan zijn.