{"id":583,"date":"2019-06-15T07:02:47","date_gmt":"2019-06-15T06:02:47","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=583"},"modified":"2024-09-20T17:45:00","modified_gmt":"2024-09-20T16:45:00","slug":"how-better-demand-prediction-can-cure-inventory-headaches","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/nl\/blog\/how-better-demand-prediction-can-cure-inventory-headaches\/","title":{"rendered":"Hoe een betere voorspelling van de vraag voorraadproblemen kan verhelpen"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

NIEUWS \/ GEGEVENSWETENSCHAP<\/p>\n<\/div>

In een ideale wereld zouden bedrijven precies weten hoeveel ze kunnen verkopen, wanneer en waar.<\/p>\n

Maar het bouwen van een effectief vraagvoorspellingsmodel is gemakkelijker gezegd dan gedaan, vooral wanneer de detailhandel steeds gefragmenteerder wordt.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

In de Verenigde Staten kosten te lage voorraden, te hoge voorraden en retourzendingen retailers maar liefst US.75 biljoen per jaar.<\/p>\n

Consumentengoederenbedrijven in China staan voor vergelijkbare, zo niet grotere uitdagingen, gezien de opkomst van megapromotieperiodes zoals de 11-11 en 6-18 shoppingfestivals.<\/p>\n

Een detailhandelaar die dit probeert aan te pakken is Bear Electric, een toonaangevend Chinees merk van huishoudelijke apparatuur. Volgens Yifeng Li, algemeen manager van Bear Electric, wordt het steeds moeilijker om het verkoopvolume tijdens seizoensgebonden promotieperiodes te voorspellen.<\/p>\n

\n

De kracht van data<\/span><\/strong><\/h3>\n

Nog maar een paar jaar geleden, met beperkte toegang tot uitverkoop en data van derden, was het ongelooflijk moeilijk voor merken om de toekomstige vraag nauwkeurig te voorspellen. De opkomst van mobiel internet heeft echter geleid tot een toename van data. Merken kunnen nu beter zicht krijgen op de doorverkooppercentages en de echte drijfveer van de verkoop. De opkomst van machine learning en AI heeft bedrijven ook in staat gesteld om data op een meer systematische manier te ontginnen en te analyseren. Het doorzoeken en analyseren van enorme hoeveelheden data kan echter een uitdaging zijn, vooral voor bedrijven die geen intern data-team hebben.<\/p>\n

En dat is waar Artefact om de hoek komt kijken.<\/strong><\/p>\n

Ons team van data wetenschappers, data ingenieurs, data consultants en marketingexperts helpt klanten vraagvoorspellingsmodellen te ontwikkelen met behulp van big data en AI-technologie\u00ebn.<\/p>\n

We hebben onlangs een voorspellingsmodel gebouwd voor een O2O-platform in China, waardoor de twee groepen gebruikers - verkopers en consumenten - beter met elkaar in contact kunnen komen.<\/p>\n

Veel van de verkopers op het platform hadden last van onstabiele verkoopvolumes, wat resulteerde in een verspilling van middelen en het niet kunnen ondersteunen van de stijgende vraag. Om dit te verhelpen, werkten we samen met de klant om individuele verkopers dagelijkse updates te geven van de voorspelling van het verkoopvolume voor de komende twee weken, zodat ze hun inventaris, activiteiten en campagnes konden plannen.<\/p>\n

\n

Betere voorspelling, minder afval<\/span><\/strong><\/h3>\n

U kunt geen stenen maken zonder rietjes. Op dezelfde manier kunt u geen volume voorspellen zonder historische data. Een uitdaging voor veel winkeliers was het ontbreken van verkoop data. Veel winkeliers die hun bedrijf net hadden opgezet, of die in het verleden sporadisch actief waren, hadden nog nooit een 11-11 of 6-18 shopping event meegemaakt. Zonder deze data hebben winkeliers weinig of geen overzicht over de hoeveelheid voorraad die ze nodig hebben voor promotionele periodes, wat een enorme klap voor de omzet kan betekenen.<\/p>\n

De vraag wordt dan: hoe moet men het verkoopvolume voorspellen, vooral voor grote promotionele evenementen, met onvoldoende historische data?<\/p>\n

Onze oplossing was een meervoudige aanpak, waarbij we onze expertise in data mining en analyses inzetten om winkeliers te helpen \u2018de gaten te vullen\u2019 tijdens speciale verkoopperioden. Terwijl een klassiek machine-learningmodel wordt gebruikt om het verkoopvolume voor niet-actieperiodes te voorspellen, cre\u00eberden wij een voorspellingsmodel waarmee we de eigen historische data van de winkelier konden combineren met data van andere winkeliers met een vergelijkbaar profiel om het verkoopvolume voor actieperiodes te voorspellen. Dit nieuwe model verbeterde de voorspellingsnauwkeurigheid van het platform met 20%.<\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

In een ideale wereld zouden bedrijven precies weten hoeveel ze kunnen verkopen, wanneer en waar.
\nMaar het bouwen van een effectief vraagvoorspellingsmodel is gemakkelijker gezegd dan gedaan, vooral wanneer de detailhandel steeds gefragmenteerder wordt.<\/p>","protected":false},"featured_media":585,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[22035],"blog-language":[2991],"class_list":["post-583","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-data-ai-consulting","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog\/583","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/585"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=583"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-category?post=583"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-language?post=583"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}