Svært at forecaste i detailhandlen
Set i bakspejltet var julehandlen 2007 endnu et rekordår. Men hvorfor er det så svært at få de rigtige varer frem på hylderne - og hvorfor samler julevarer støv på de selvsamme hylder i januar måned?
Denne klumme er skrevet midt i december, som også er den måned, hvor de fleste detailhandlende har deres væsentligste omsætning. Med det job jeg har, og de projekter, som jeg har været involveret i, kan jeg ikke undgå at betragte tingene med lidt andre briller end de fleste nok gør, når jeg går rundt i diverse butikker.
Som almindelig forbruger undrer det mig, at den samme butik i løbet af december måned kan have tomme hylder, de steder hvor der burde stå juleøl, men at hylderne i den selvsamme butik er fyldt med juleøl et godt stykke ind i januar. Her gik jeg og troede, at pointen med juleøl netop var at de hørte julen til! Derudover er jeg vist ikke den eneste, der har haft den oplevelse, at varer der annonceres i tilbudskatalogerne indimellem ikke findes i butikken, når tilbudsperioden starter mandag morgen.
Så er det jo godt butikkerne har et kundeserviceventil i begrebet "sålænge lager haves". Ovennævnte er eksempler på de ofte forekommende problemer, som detailhandlen og herunder dagligvarehandlen har med "udsolgtsituationer" og ukurante varer. Hvad er det egentlig i grunden der er så svært?
Når det kommer til forecasting har detailhandlen en lang række udfordringer, som er unikke for branchen. Disse udfordringer er det ikke alle der har adresseret endnu, men i takt med den stadigt stigende konkurrence, begynder flere og flere at få øjnene op for, at det er muligt at gøre tingene anderledes - og ikke mindst bedre - end man gør idag.
De forecast-udfordringer som jeg har oplevet som de største, kan opdeles i udfordringer relateret til:
- Markedet
- Data
- Anvendelse
- Teknologi
Markedet
Detailhandlen - og i særdeleshed dagligvarebranchen er utrolig dynamisk. Der er utrolig mange faktorer, der påvirker den enkelte forbrugers beslutning om at købe en vare eller ej. Hvordan er vejret? Er varen på tilbud? Er der andre lignende varer der er på tilbud? Findes varen billigere i andre butikker? Skal jeg købe ind til helligdagene? Derudover er markedet karakteriseret ved mange ændringer i sortimentet det vil sige, mange udfasninger og mange nye produktintroduktioner. På den anden side er der en betydelig del af varerne, hvor omsætningshastigheden er meget lav de såkaldte "slow movers". Modsat dette er der også mange varer, hvor omsætningshastigheden er meget høj, men varerne er kun på markedet i en kort periode.
Data
På data siden er detailhandlen kendetegnet ved store mængder data der skal forecastes. Hvis en butikskæde i gennemsnit sælger 10.000 SKU per butik, og der er blot 50 butikker, er der 500.000 butik/vare-kombinationer, der skal dannes forecast for.
Når forecast dannes, tages der ofte udgangspunkt i historiske salgstal. Som udgangspunkt er datakvaliteten til forecast-formål god, da detail handlen er det led der er tættest på den endelige efterspørgsel og gennem point-of-sales data altså har de faktiske transaktioner som data grundlag. Problemet med point-of-sales data er at de ofte kan snyde.
Forestil dig tre forskellige varer, hvor man kan købe tre for 100 kroner. Du tager en af hver, men når du kommer til kassen bliver kun den ene scannet og kasseassistenten trykker "x3" ind. Hvilke varer er der blevet solgt? Derudover indeholder ubehandlede point-of-sales-data også varer der er solgt udenfor sæsonen. Hvis du køber juleøl i januar og butikskæden efterfølgende skal bruge disse salgsdata til at planlægge næste sæson, er der næppe nogen dagligvarekæder der direkte planlægger med salg udenfor sæsonen. Det forholder sig selvfølgelig anderledes i andre typer detailhandel for eksempel indenfor salg af beklædning.
Anvendelse
I detailhandlen bruges vare-forecast overordnet set to steder. I det daglige arbejde anvendes forecast til genopfyldning af de enkelte butikker. På lidt længere sigt bruges forecast også til indkøb til centrallager og herunder kampagneplanlægning. De kunder, som jeg er stødt på i forbindelse med forecast-projekter i detailhandlen, har alle haft den store udfordring, at forecast til butik og forecast til centrallager ikke hænger ordentlig sammen. Konsekvensen af dette er for eksempel at kampagnevarer ikke findes i butikkerne i kampagneperioden. En væsentlig del af forklaringen på dette er, at de forskellige forecast ejes af to forskellige afdelinger typisk logistik og indkøb.
Teknologi
På teknologisiden har jeg erfaret, at mange detailhandel-virksomheder har været ret konservative i deres investering i ny teknologi. Der anvendes ofte simple forecast-modeller, hvor effekter af kampagner, sæson, højtider ikke indgår direkte i modellerne, men bliver behandlet ved siden af oftest i regneark. På lagersiden er mange virksomheder bedre med både hvad angår metoder og teknologi. Dette er måske en konsekvens af, at det er på lagersiden virksomhederne kan konstatere, at der er noget galt, og at det derfor er her, der er investeret. Endelig er det også de færreste, der udnytter de muligheder, som der i dag findes for at anvende optimerings-modeller i prissætningen af varer både i dagligdagen og til kampager.
En ting som detailhandlen har til fælles med andre brancher, er det faktum, at når de eksisterende systemer ikke umiddelbart evner det man gerne vil, supplerer man med regneark uden at tænke over konsekvenserne. Udfordringen for detailhandlen ved dette er, at få noget fornuftigt ud af kombinationen af datamængder og regneark. Hvor mange regneark er i spil samtidig, for at håndtere 10.000 varer til 50 butikker, samt tage højde for samspillet mellem indkøb og genopfyldning? Nok lidt flere end der skal anvendes for at styre familiens private budget.
Men er det så fuldstændig umuligt at håndtere alle disse udfordringer? Selvfølgelig er det ikke det. Nedenfor er et bud på hvordan man kan løse udfordringerne, set med tekniske briller. Udover de tekniske muligheder kan der også være gevinst ved at kigge på forretningsprocesser og lignende.
Overordnet set skal forecastet hænge sammen det vil sige forecast til butik og til centrallager skal afspejle den samme holdning til fremtiden. Det kan ske ved at lade forecast benytte de samme data og metoder, samt bruge en teknologi, der sikrer at forecastet kan konsolideres mellem de to tidshorisonter - som illustreret i Figur 1.
En anden måde hvorpå man sikrer, at der ikke opstår for mange versioner af det samme forecast, er at begrænse antallet af forskellige miljøer hvor forecast dannes. I praksis vil det betyde at brugen af mange forskellige regneark skal revurderes, således at regneark blot bør benyttes der, hvor de har deres styrke og det er ikke at arbejde med problemstillinger der involverer store datamængder.
I den udstrækning anvendelsen af regneark skyldes at forecast skal inkludere effekterne af sæson, kampagner og lignende, er der jo rent faktisk mulighed for at lade disse faktorer indgå direkte som forklarende faktorer i det statistiske forecast. De fleste systemer der tager statistisk forecasting seriøst indeholder denne mulighed.
