Hoe data science voor Specialized de toekomstige vraag naar fietsen bepaalt

Het in Californië opgerichte Specialized maakt high performance fietsen en fietsonderdelen. Het verkoopt onder andere mountainbikes, racefietsen en elektrische fietsen, maar ook helmen en fietskleding. Meerdere wielerploegen maken gebruik van de high end fietsen van Specialized. Het merk is gemaakt door fietsers, voor fietsers.

Het voorspellen van de marktvraag, demand forecasting, is één van de kerntaken van het salesteam van Specialized, dat de salesforecast voor de hele Europese markt maakt. “Deze voorspellingen werden veelal op basis van onderbuikgevoel gedaan”, vertelt Thomas Seelen, manager demand planning bij Specialized. “Ik zag hier veel ruimte tot verbetering; er werd niet datagedreven gewerkt. Ik vroeg me daarom af of dit onderbuikgevoel wel overeen kwam met de werkelijkheid. Ik wil een balans tussen de twee vinden en een tool aan de salesafdeling geven waarmee deze een wetenschappelijkere aanpak ervaart. Op die manier kun je elkaar ook uitdagen: ik zie een verwachting van tweeduizend fietsen, maar jullie gaan uit van tienduizend stuks. Waar komt dat verschil door? Tegelijkertijd raakte ik in gesprek met een consultant van ilionx – ook een fan van Specialized. Eén en één is twee, en zo zijn we gestart met de ontwikkeling van een voorspelmodel.”

Thomas: “We schetsten de problemen waar we tegenaan liepen, evenals de weg die we willen bewandelen. Daar rolde een pilotproject uit. Eén van de zaken waar we al snel tegenaan liepen, was de kwaliteit van onze data. Kunnen we daarmee voorspellen? Zijn er ontbrekende waarden? We kregen meer inzicht in de datakwaliteit en die was lang niet altijd naar verwachting. We hebben niet alles even goed bijgehouden of verzamelden data op verschillende manieren. Dat stukje bewustwording is belangrijk, omdat de data die je dit jaar verzamelt pas over vier jaar zijn vruchten afwerpt. Je moet dus eerder beginnen met het correct verzamelen van data om een paar jaar later gegronde conclusies te kunnen trekken. Ook hadden we te maken met sterke verkoopverschillen door de coronapandemie. Er zijn toen veel meer fietsen verkocht. Hoe gaat het model hiermee om? Je kunt ervoor kiezen om 2019 als benchmarkjaar te nemen, of in de coronajaren het percentage groei af te zwakken. Dat zijn keuzes die je samen maakt. De experts van ilionx dachten hierin mee en maakten het een fijne, efficiënte samenwerking. Daarbij was het ook prettig dat het onderling goed klikte. Dat is voor onze organisatie een belangrijk aspect: de match op het gebied van cultuur moet er zijn.”

“De oplossing is inmiddels geïntegreerd in onze huidige IT-infrastructuur en het voorspelmodel bevindt zich in de validatiefase,” vervolgt Thomas. Dat betekent dat mijn team en ik de tool aan het testen en ontdekken zijn. Het model geeft maandelijkse voorspellingen af op basis van onze historische data. Hierbij wordt ook gekeken naar de verscheidenheid aan soorten fietsen; er wordt op categorieniveau een voorspelling gemaakt. Deze kunnen we vergelijken met de input die we van sales krijgen. Het is nog iets te vroeg om het al over een concreet behaald resultaat te hebben. Dat komt ook doordat de coronajaren zo’n impact hebben gehad en mensen vanwege de inflatie nu weer wat minder geld uitgeven. We werken daarom toe naar het genereren van meer accurate, bruikbare en uitlegbare data. Het uiteindelijke doel is dat we de tool uitrollen naar de Europese markten en de salesafdeling zelf hun data kan vergelijken met het model. Zo zetten we langzaam de stap naar het nemen van datagedreven beslissingen.”