Een forecast is een onderbouwde verwachting van het toekomstige werkaanbod. Je gebruikt historische gegevens om patronen te herkennen en combineert deze met informatie over toekomstige ontwikkelingen.
Binnen de kwaliteitscirkel van Spril valt forecasting onder Prognose maken. Het doel hiervan is voorspelbaarheid creëren. De prognose vormt daarna de basis voor Capaciteit beheren, roosters maken en de dagelijkse aansturing.
Er bestaan verschillende forecastmethoden. Welke methode het beste past, hangt af van het patroon in je gegevens. Is het werkaanbod stabiel, stijgt of daalt het, zijn er seizoensinvloeden óf spelen andere factoren een rol?
Wil je eerst meer weten over de basis? Lees dan Wat is forecasting?
Begin niet direct met de meest uitgebreide berekening. Onderzoek eerst:
Test bij voorkeur verschillende methoden. Vergelijk de prognoses daarna met de werkelijke resultaten. Zo ontdek je welke methode voor jullie werkaanbod het meest betrouwbaar is.
Een lineaire trend forecast gebruik je wanneer het werkaanbod over een langere periode redelijk gelijkmatig stijgt of daalt.
De methode zoekt een rechte lijn die zo goed mogelijk aansluit op de historische gegevens. Vervolgens trek je deze lijn door naar een toekomstige periode.
De formule is:
Y = aX + b
Hierbij staat:
Stijgt het werkaanbod gemiddeld met 10 werkzaamheden per week en is het beginpunt 990, dan is de prognose voor week 13:
Y = 10 × 13 + 990 = 1.120
De lineaire trend forecast past bij gegevens met een herkenbare en redelijk constante stijging of daling.
Een trend blijft niet altijd doorgaan. Groei kan afvlakken en een daling kan stoppen. Hoe verder je vooruitkijkt, hoe groter de onzekerheid meestal wordt.
Controleer daarom regelmatig of de trend nog steeds aanwezig is.
Een moving average, ook wel voortschrijdend gemiddelde genoemd, voorspelt het toekomstige werkaanbod aan de hand van een aantal recente periodes.
De methode helpt om kleine en toevallige schommelingen in de gegevens af te vlakken.
Bij een simple moving average wegen alle meegenomen periodes even zwaar.
Gebruik je bijvoorbeeld de laatste vier weken, dan is de formule:
Prognose = werkaanbod week 1 + week 2 + week 3 + week 4, gedeeld door 4
Iedere nieuwe week voeg je de nieuwste realisatie toe en laat je de oudste weg.
Een kort gemiddelde reageert sneller op veranderingen. Een lang gemiddelde geeft een rustiger beeld, maar reageert langzamer.
Bij een weighted moving average, of gewogen voortschrijdend gemiddelde, krijgen recente periodes meer invloed.
Een voorbeeld is:
Prognose = 40% van de laatste periode + 30% van de periode daarvoor + 20% van de derde periode + 10% van de vierde periode
De totale weging moet altijd uitkomen op 100 procent.
Moving averages passen bij redelijk stabiel werkaanbod zonder een duidelijke trend of sterke seizoensinvloeden.
De methode loopt achter wanneer het werkaanbod structureel stijgt of daalt. Ook kan een verkeerde keuze van het aantal periodes ervoor zorgen dat het model te snel óf juist te langzaam reageert.
Test daarom verschillende aantallen periodes en gewichten.
Single exponential smoothing lijkt op een gewogen moving average. Recente realisaties krijgen meer invloed dan oudere realisaties.
Het verschil is dat bij exponential smoothing alle eerdere gegevens indirect worden meegenomen. De invloed wordt steeds kleiner naarmate een realisatie verder in het verleden ligt.
De formule is:
F volgende periode = α × laatste realisatie + (1 − α) × vorige forecast
Hierbij staat:
Een hoge smoothingfactor geeft de laatste realisatie veel invloed. De forecast reageert daardoor snel op veranderingen.
Een lage smoothingfactor zorgt voor meer afvlakking. Een eenmalige afwijking heeft dan minder invloed op de nieuwe forecast.
Single exponential smoothing past bij werkaanbod met een redelijk stabiel niveau, zonder duidelijke trend of seizoenspatroon.
Een hoge smoothingfactor is niet automatisch beter bij stabiel werkaanbod en een lage factor niet automatisch beter bij wisselend werkaanbod.
De beste factor bepaal je door verschillende waarden te testen en de forecastafwijkingen te vergelijken. Excel of forecastsoftware kan hierbij helpen.
Een seasonality forecast gebruik je wanneer verhogingen en dalingen van het werkaanbod zich volgens een terugkerend patroon voordoen.
Denk aan:
Je berekent hiervoor seizoensfactoren. Een seizoensfactor laat zien hoeveel een bepaalde periode gemiddeld afwijkt van een normale periode.
Een factor van 1,20 betekent bijvoorbeeld dat het werkaanbod in die periode gemiddeld 20 procent hoger ligt.
Bij een jaarlijks patroon gebruik je bij voorkeur meerdere volledige jaren. Met één jaar kun je niet vaststellen of een patroon echt terugkeert.
Controleer of eerdere periodes vergelijkbaar zijn. Feestdagen kunnen verschuiven en openingstijden, klantgedrag of werkprocessen kunnen veranderen.
Een oud seizoenspatroon hoeft daardoor niet meer bij de huidige situatie te passen.
Met regressieanalyse onderzoek je of het werkaanbod samenhangt met één of meerdere andere factoren.
Denk aan:
De basisformule voor een eenvoudige lineaire regressie is:
Y = aX + b + e
Hierbij staat:
Uit historische gegevens blijkt dat iedere 1.000 verstuurde e-mails gemiddeld tot 50 extra klantvragen leiden.
Wanneer bekend is hoeveel e-mails volgende maand worden verstuurd, kun je deze informatie gebruiken om het extra werkaanbod te voorspellen.
Regressieanalyse past wanneer het werkaanbod aantoonbaar samenhangt met andere factoren én de toekomstige waarden van deze factoren bekend zijn.
Samenhang betekent niet automatisch dat de ene factor de andere veroorzaakt.
Daarnaast kun je alleen vooruitkijken wanneer je ook een verwachting hebt van de beïnvloedende factor. Zonder informatie over een toekomstige campagne kun je het verwachte effect ervan niet berekenen.
Bij time series forecasting onderzoek je hoe het werkaanbod zich over een langere periode ontwikkelt.
Je verdeelt de historische gegevens in verschillende onderdelen:
Daarna gebruik je de relevante onderdelen om een prognose voor de toekomst te maken.
Wanneer je seizoensinvloeden wilt onderzoeken, kan een sterke trend het beeld verstoren.
Je kunt de gegevens daarom eerst detrenden. Je haalt de stijging of daling tijdelijk uit de historische gegevens. Vervolgens bereken je het seizoenspatroon. Bij de uiteindelijke prognose voeg je de trend weer toe.
Time series forecasting past bij werkaanbod waarin meerdere tijdspatronen tegelijk aanwezig zijn, zoals een trend én een terugkerend seizoen.
Een tijdreeksmodel kijkt vooral naar historische patronen. Het weet niet automatisch dat er een campagne, nieuwe klant, wetswijziging of verandering in het werkproces aankomt.
Voeg bekende toekomstige ontwikkelingen daarom apart aan de basisprognose toe.
De methode van Holt is een uitbreiding op single exponential smoothing.
Single exponential smoothing houdt alleen rekening met het actuele niveau. Holt voegt daar een stijgende of dalende trend aan toe.
Het model gebruikt twee smoothingfactoren:
De vereenvoudigde forecast is:
Forecast = actueel niveau + aantal toekomstige periodes × trend
Holt past bij werkaanbod met een duidelijke trend, maar zonder sterk terugkerend seizoenspatroon.
Denk aan een dienst waarvan het werkaanbod iedere maand geleidelijk groeit.
Holt kan een stijging of daling te lang doortrekken. Controleer daarom regelmatig of de trend nog bestaat.
Voor voorspellingen op langere termijn kan een afgeremde trend geschikter zijn. Daarbij wordt de verwachte stijging of daling geleidelijk kleiner.
Het seizoensmodel van Winters gebruik je wanneer het werkaanbod rond een redelijk stabiel niveau beweegt, maar wel een duidelijk terugkerend seizoenspatroon heeft.
Het model houdt rekening met:
Het gebruikt hiervoor twee smoothingfactoren:
De vereenvoudigde forecast bij een procentueel seizoen is:
Forecast = actueel niveau × seizoensfactor
Het normale niveau is 1.000 werkzaamheden per maand. De seizoensfactor voor december is 1,20.
De forecast voor december wordt dan:
1.000 × 1,20 = 1.200 werkzaamheden
Deze methode past wanneer er duidelijke seizoensinvloeden zijn, maar geen sterke stijgende of dalende trend.
Je hebt voldoende historische gegevens nodig om het seizoenspatroon betrouwbaar vast te stellen.
Controleer ook of de grootte van de seizoensinvloed gelijk blijft. Een piek kan een vast aantal werkzaamheden zijn óf een percentage van het totale werkaanbod.
Holt-Winters combineert drie onderdelen:
Het model gebruikt drie smoothingfactoren, één voor ieder onderdeel.
De vereenvoudigde forecast bij een procentueel seizoen is:
Forecast = actueel niveau + toekomstige trend, vermenigvuldigd met de seizoensfactor
Holt-Winters past bij werkaanbod met zowel een trend als een duidelijk seizoenspatroon.
Denk aan een groeiend klantenbestand waarbij ieder jaar tijdens dezelfde maanden een piek ontstaat.
Bij een additief model blijft het verschil door het seizoen ongeveer gelijk.
Het werkaanbod ligt bijvoorbeeld iedere decembermaand ongeveer 500 werkzaamheden hoger.
Bij een multiplicatief model verandert het seizoen mee met het totale niveau.
Het werkaanbod ligt bijvoorbeeld iedere decembermaand ongeveer 20 procent hoger.
Holt-Winters vraagt voldoende betrouwbare historische gegevens. Voor een jaarlijks patroon zijn meerdere volledige jaren gewenst.
Het model is uitgebreider dan de andere methoden. Controleer daarom altijd of het werkelijk beter voorspelt dan een eenvoudiger model.
Test de verschillende methoden met gegevens uit het verleden.
Je kunt hiervoor:
Kijk niet alleen naar de gemiddelde afwijking. Onderzoek ook of een methode structureel te hoog of te laag voorspelt.
Een eenvoudige methode die stabiel en begrijpelijk is, kan waardevoller zijn dan een ingewikkeld model dat maar iets nauwkeuriger voorspelt.
Een goede berekening is niet genoeg voor een betrouwbare prognose.
Je hebt ook nodig:
Maak eerst een statistische basisprognose. Voeg daarna bekende toekomstige ontwikkelingen toe, zoals campagnes, feestdagen, nieuwe klanten en wijzigingen in processen.
Leg iedere handmatige aanpassing vast. Zo kun je achteraf beoordelen of de informatie juist was en de volgende prognose verbeteren.
Een forecast laat zien hoeveel werk je verwacht. Daarmee weet je nog niet direct hoeveel medewerkers je nodig hebt.
Bij de volgende stap van de kwaliteitscirkel, Capaciteit beheren, vertaal je het werkaanbod naar benodigde uren, medewerkers en vaardigheden.
Je houdt daarbij onder andere rekening met de duur van het werk, productiviteit, kwaliteitseisen, openingstijden en afwezigheid.
Spril helpt organisaties bij het verzamelen en controleren van gegevens, het ontwikkelen van forecastmodellen en het verbinden van de prognose met capaciteit en roosters.
Wil je weten welke forecastmethode bij jullie werkaanbod past? Neem contact met ons op.