Wat is Forecasting?

Welke Forecastuitdagingen komen op ons af?

Het bepalen van het werkaanbod vraagt om goed inzicht in het speelveld van een bedrijf. Het ophalen van de juiste informatie die bijdraagt aan de bepaling van het werkaanbod is cruciaal. Bekend zijn de voorbeelden van de marketingafdeling die “ineens” een nieuwe campagne neerzet, die een grote omzetboost (en vaak ook extra werk) met zich meebrengt. Het vooraf inzichtelijk krijgen van de impact hiervan helpt accurater te voorspellen. Een belangrijk aspect is dus het ophalen van kennis, maar ook het samenbrengen hiervan. Historische patronen van werkaanbod uit het verleden, marketingplannen, IT-projecten, veranderingen in wet-regelgeving… allemaal voorbeelden van bronnen die impact kunnen hebben op het werkaanbod. “Garbage in = garbage out” is een bekende kreet. Zonder een zuivere bepaling van het werkaanbod zijn de gehele planning daarna en de werkroosters die deze oplevert, van onduidelijke waarde.

Hoe komen we tot een accurate Forecast?

Stap 1:

De input van de Forecast is sterk bepalend voor de kwaliteit van de Forecast. Het is daarom van belang dat we de realisatiecijfers filteren op verstoringen en deze verstoringen kwantificeren voor toekomstig gebruikt. Anders verwoord: we maken de data schoon zodat we deze voor de Forecast kunnen gebruiken zonder dat we te maken hebben met eventuele dubbeltellingen of een onjuist aanbod dat veroorzaakt is door bijvoorbeeld feestdagen en storingen.

Stap 2:

In deze stap onderzoeken we de aanwezigheid van trends en seizoenseffecten en doen we, indien er sprake is van onafhankelijke variabelen (bijvoorbeeld verzonden catalogi), regressieanalyses om deze in een later stadium weer toe te kunnen voegen aan de Forecast.

Stap 3:

In deze stap maken wij verschillende berekeningen qua voorspellingen, of met andere woorden: we proberen verschillende Forecastmethodieken uit om zo de meest accurate te kiezen. Hoe? De kwaliteit van een Forecast kun je testen op het verleden. Met andere woorden: hoe goed was deze Forecastmethode geweest als deze was gebruikt op het recente verleden? Dit doen we met behulp van de M.A.P.E. (Mean Absolute Percentage Error).

Stap 4:

In deze laatste stap voegen we de verwachte verstoringen toe. Denk bijvoorbeeld aan marketingcampagnes, briefverzendingen, feestdagen en vakanties. Tevens maken we de verwachte bandbreedte inzichtelijk.

Spril en Forecasting

Spril is als expert in Workforce Management bekend met een veelvoud aan Forecasttechnieken en heeft een bewezen trackrecord bij zowel grote als kleine ondernemingen. We maken Forecastmodellen, helpen bij het verzamelen en opschonen van datasets, en geven trainingen op dit deelgebied. Elke verbetering in de nauwkeurigheid van de Forecast helpt niet alleen om kosten te reduceren, maar ook om de bereikbaarheid naar klanten toe te optimaliseren. Wil je meer weten over hoe je in bijvoorbeeld Microsoft Excel zelf dergelijke modellen kunt maken? Of wil je weten wat een goede Forecast je zou opleveren? Neem dan gerust contact met ons op. We komen graag bij je langs.