Retail · VS · Voorraad

Vraagvoorspelling & ABC-voorraadanalyse

Een Amerikaanse woonwarenketen verloor omzet door lege schappen bij toppers terwijl ze te veel betaalde voor opslag van blijvers. Opdracht: vraag over 18.400 SKU's voorspellen en het inkoopplan herbouwen.

Data: 4,2 mln verkooprijen · 3 jaar Stack: Python · Spark · Prophet · Power BI Looptijd: 3 weken
demand_forecast · Power BI
vandaag bijgewerkt
Voorspelnauwkeurigheid
92.4%
MAPE 7,6%
Nee-verkoop toppers
−63%
minder gemiste omzet
Voorraadkosten
−28%
$3,1 mln vrijgemaakt
Voorraadrotatie
+19%
jaar op jaar

Werkelijke verkoop vs modelvoorspelling

maandelijks, duizend stuks · stippellijn = 3-maands voorspelling

ABC-assortimentsanalyse

aandeel SKU's vs aandeel omzet

◆ Bevindingen
  • Klasse A (7% van de SKU's) bracht 71% van de omzet — en raakte het vaakst uitverkocht.
  • De vraag naar toppers had duidelijke week- en seizoenscycli die handmatige inkoop negeerde.
  • 34% van klasse C verkocht 90 dagen niet en bevroor werkkapitaal.
✓ Onze oplossing
  • Klasse A omgezet naar voorspellingsgestuurde aanvulling met 14 dagen veiligheidsvoorraad.
  • 1.240 dode SKU's uitgefaseerd en het budget herbelegd in bewezen verkopers.
  • Nee-verkoop-waarschuwingen toegevoegd zeven dagen voor een topper op nul staat.

Heb je een vergelijkbaar project?

Vertel ons wat je bouwt. We reageren binnen één werkdag met een helder plan en een vaste prijs.

Start je project