Forecasting i detailhandlen

Transkript

1 HD Supply Chain Management Copenhagen Business School- CBS - et case studie Ricky Lau Strini xxxx 8. semester 10. maj 2010 Vejleder: Martin Schultz 1

2 Indholdsfortegnelse Figurfortegnelse... 4 Definitioner INDLEDNING Problemformulering Begrundelse for problemformulering Kildekritik Disposition METODE Metodevalg Teoribaseret konsulentopgave Casestudie Empiri og dataindsamlingsmetode Validitet og reliabilitet Valg af teori FORECASTING COOP Historie Coops forsyningskæde PROJEKT JOINT FORECAST SYSTEM JFS status i dag JFS Forecast KPI er Beregningsmetode EAN, leverandør og lande niveau: KPI 1 - Forecast stabilitet KPI 2 - Forecast præcision ordre LANDENES FORECASTS Finland Sverige Norge Danmark Delkonklusion STRATEGIC SUPPLY WHEEL IMPLEMENTERING De 8 steps ift. Joint Forecast System Delkonklusion FORHINDRINGER I INDFØRELSEN AF FORECASTING

3 10. CPFR ECR CPFR Implementering af CPFR Planning Forecasting Replenishment Fordele vs. udfordringer ved CPFR Fordele Udfordringer CPFR og S&OP KONKLUSION/ANBEFALING LITTERATURLISTE BILAG 1 COOPS LOGISTIK SETUP BILAG 2 SPØRGESKEMAUNDERSØGELSE OG SVAR

4 Figurfortegnelse Figur 1: Ejer strukturen i Coop Trading Figur 2: Eksempel på forecast (Excel version) Figur 3: Eksempel på Coop s forecast KPI beregning Kilde: Ingen kilde Figur 4: The Strategic Supply Wheel (Cousins 2002) Definitioner JFS = Joint forecast system EVM = Egne vare mærker (Private Brand) AVM = Mærkevarer (Branded goods) Indgående servicegrad = Andelen af den fra Coop bestilte mængde varer som leveres fra leverandøren til Coops lager til tiden og i ret mængde. Udgående servicegrad = Andelen af den fra Coops lagre leverede varer til butikkerne som leveres til tiden og i ret mængde. Prognose for ordinært salg = Angiver i JFS-sammenhæng den mængde varer der forventes at blive bestilt en given uge for at sikre tilstrækkelige mængder varer til hyldesalget i en given uge. Prognose for kampagnesalg = Angiver i JFS-sammenhæng den mængde varer der forventes at blive bestilt en given uge for at sikre tilstrækkelige mængder varer til kampagnesalget i en given uge. CPFR = Collaborative Planning, Forecasting and Replenishment S&OP = Sales & Operations Planning 4

5 Executive summary Denne specialafhandling i HD Supply Chain Management er et casestudie baseret på empiriske observationer af Coop organisationen, i form af Coop Danmark, Coop Norge, Coop Sverige og Inex i Finland. Ved gennemførelse af semistrukturerede interviews og empiriske observationer, holdt op i mod Supply Chain teori er opgaven blevet til, og jeg henviser til afsnittet om projektdesign og læsevejledning for en nærmere uddybning af den metodiske tilgang. Hensigten med denne afhandling er at undersøge og identificerer årsager til den generelle lave forecast kvalitet og manglende kommitment ift. aktiv brug af forecasts og vilje til forbedring, som hersker i Coop. Derudover har det været ønsket at finde ud af om det er i forbindelse med En IT-applikation kaldet Joint Forecast System (JFS) er for nyligt blevet implementeret i Coop, denne samler alle de nationale forecasts, til ét samlet forecast for alle Coop s private label leverandører. Og da hverken kvaliteten eller viljen er tilstede i organisationen, var der ligeledes et ønske om at analysere om noget er gået galt i denne implementeringsfase, som kunne være årsagsforklarende. Generelt var ønsket ligeledes at se på den organisatoriske påvirkning ved indførelse af forecasting og de udfordringer kan der være forbundet hermed. Til sidst var der et ønske om at se på om Coop eventuelt kunne udnytte konceptet CPFR til en øget effektivisering af forsyningskæden og forecasting processen, og hvordan det eventuelt skulle implementeres. Analysen er suppleret med en spørgeskemaundersøgelse, som har til hensigt at vurderer status på Coop s nuværende forecasting setup, og en tilbagemelding fra de leverandører som modtager forecast, om dette er tilfredsstillende eller om der er plads til forbedring Afhandlingen konkluderer at der er nogle klare udfordringer i hvert af de nordiske lande som Coop ift. forecasting bør tage alvorligt og se nærmere på. Disse problemer er identificeret som de væsentligste årsager til den lave forecast kvalitet og det giver sig til udtryk i både ikke helt optimale systemer, uhensigtsmæssige processer og en generel manglende holistisk/scm tankegang blandt de nationale disponenter. Derudover identificeres flere uhensigtsmæssigheder ift. implementeringen af dette JFS-system, som væsentlige årsager til den manglende kommitment fra landene. Afhandling kommer ligeledes frem til at der kan være store fordele ved et CPFR samarbejde i forsyningskæden, dog med visse udfordringer og barriere som skal overvindes. Men hvis det skal lykkes skal branchen generelt set vise vilje og risikovillighed og nedbringe mistilliden til hinanden, opstille fælles mål og på den måde opnå et integreret samarbejde til fordel for alle. 5

6 1. Indledning Konkurrencen på dagligvaremarkedet er generelt blevet mere og mere intens de seneste år, der er kommet flere discountbutikker og forbrugeradfærden har udviklet sig til i højere grad at være præget af en efterspørgsel med stor prisbevidsthed, hjulpet godt på vej af den så omtalte finanskrise. Dette har betydet en øget import af billige udenlandske fødevarer og flere discountbutikker. Med en øget markedskoncentration og prisbevidsthed fra forbrugeren, er en høj leveringssikkerhed mere vigtig end nogen sinde. Derudover har undersøgelser vist at tomme hylder ikke bare resulterer i tabt omsætning af det pågældende produkt, men at flere kunder derfor vælger at foretage hele deres indkøb et andet sted, da man ikke ønsker at stå i kø to gange. Dette er ydermere et incitament til en høj servicegrad i kampen om omsætningen og kunderne. I krisetider hvor der i detailhandlen ofte fokuseres på indkøbspris og omkostningsminimering, kan forecasting være et effektivt værktøj til bl.a. reducering af out-of-stock situationer og dermed højere kundetilfredshed og omsætning, nedbringelse af sikkerhedslagre og en potentiel reduktion i indkøbspriser (bedre viden om fremtiden giver mulighed for bedre forhandling) samt øget konkurrenceevne pga. forbedret leveringsevne og øget likviditet. Coop Trading som er et nordisk private label sourcing selskab der ejes af detailkæderne Coop Danmark, Coop Norge, Coop Sverige og Inex/SOK i Finland, har netop udviklet en IT-applikation som samler alle de nationale forecasts, til ét samlet forecast for alle Coop s private label leverandører. Dette betyder at mange leverandører nu modtager forecasts fra Coop for første gang og Coop har som noget nyt, nu også fået mulighed for at måle sin egen forecast præcision, hvor man tidligere ikke rigtig havde nogen idé om kvaliteten af prognoserne. Realiteten er desværre at forecast kvaliteten fra landene er meget svingene og generelt er niveauet meget lavt. Landene bruger ikke prognoserne aktivt i disponeringen og der er generelt en modvilje til at ville forbedre kvaliteten. Man vil ikke rigtig indse at kvaliteten af de prognoser som bliver udsendt, ikke er meget værd for leverandørerne, og som konsekvens går det ud over leveringssikkerheden eller også ligger leverandørerne inde med et stort bufferlager, som selvfølgelig har en negativ indflydelse på Coop s indkøbspriser. Der er eksempler på leverandører som laver deres egne prognoser og andre som blindt følger Coop s prognoser, med kritisk under- eller overproduktion til følge. Disse upræcise forecasts skaber en masse støj hele vejen ned gennem forsyningskæden og trods de gode hensigter, måske nærmere forværrer situationen med risiko for at skabe den klassiske Bull-whip eller Forrester effekt. 1 Her suboptimerer hver hvert enkelt led i værdikæden og opbygger sikkerhedslagre baseret på ufuldkommen information, såsom unøjagtige eller fejlagtige forecasts. 1 Lee, H. L., Padmanabhan, V. & Whang, S.: The Bullwhip Effect in Supply Chains. Sloan Management Review/Spring, pp , 1997 eller 6

7 Årsagen til denne uheldige effekt er, at hvert led i kæden handler udfra egen vurdering og reagerer på et udsving i efterspørgslen. Efterspørgslen efter bestemte produkter i detailleddet er ofte forholdsvis stabilt. Men problemet er at små udsving her, ofte bliver til store udsving i efterspørgslen længere tilbage i forsyningskæden. Af årsager til denne effekt kan nævnes, forsinkelser i overbringelsen af information til de forskellige led, hvor hvert led ofte samler deres ordrer i batches. Opdateringer af forecasts sker ikke ofte nok, eller spekulering i prisstigninger som kan sætte en kunstig efterspørgsel i gang pga. hamstring. Dvs. en generel overfortolkning i hvert led på en ændring i efterspørgslen, resulterer i et alt for stort udsving til sidst i forsyningskæden. Hvis praksis med suboptimering opstår hos flere led i forsyningskæden vil kæden blive ekstrem ineffektiv og i stor ubalance, da der i ét led kan være en overkapacitet, mens der i andre led kan være overproduktion og dermed opbygning af alt for store lagre. Konsekvensen af de upræcise forecasts er derfor til at føle på, og for at opnå de ønskede førnævnte resultater, er det nødvendigt med en fælles fokusering på forbedring af Coop s prognoser og en vilje fra landene. 1.1 Problemformulering Formålet med afhandlingen er at belyse årsagerne til Coop s lave forecast kvalitet og manglende kommitment fra de nordiske lande. Derudover ønskes det analyseret hvordan indførelsen af forecasting påvirker en organisation, hvordan det bør implementeres, og hvordan Coop s faktiske implementering er udført. Resultatet af analysen skal danne grundlag for læring til lignende implementeringer i Coop og såvel andre organisationer. Til sidst ønskes det belyst om CPFR tankegangen kan medvirke til en effektivisering af forsyningskæden og forecasting processen. Med udgangspunkt i ovenstående problemstilling søges følgende spørgsmål besvaret i denne afhandling. Hvorfor er forecast kvaliteten i Coop generelt så lav? Hvad er årsagen til landenes manglende kommitment ift. aktiv brug af forecasts og vilje til forbedring? Hvad skal man være opmærksom på ved en implementering af forecasts og er det evt. i denne fase noget har fejlet for Coop? Hvordan påvirkes en organisation ved indførelse af forecasting og hvilke udfordringer kan der være forbundet hermed? Kunne Coop eventuelt udnytte konceptet CPFR til en øget effektivisering af forsyningskæden og forecasting processen, og hvordan skulle det eventuelt implementeres? Forrester, Jay : Industrial Dynamics: A major breakthrough for decision makers, Harvard Business Review, Vol. 36, No. 4, 37-66,

8 1.2 Begrundelse for problemformulering I mit daglige arbejde i Coop Trading som Logistik Planlægger, har jeg for nyligt fået tildelt rollen som såkaldt JFS-administrator, denne rolle fungerer som bindeledet mellem Coop og alle EVM leverandører, som modtager forecast fra dette Joint Forecast System. Det vil sige at det er undertegnede som modtager alle spørgsmål og kommentarer fra leverandørerne, og i den forbindelse bliver jeg løbende gjort opmærksom på problemer og generelle uhensigtsmæssigheder i forhold til systemet og det udsendte forecast. Der er generelle frustrationer omkring kvaliteten af forecastet og enkelte leverandører har simpelthen frabedt sig at modtage forecastet, da de mener det slet ikke hænger sammen med virkeligheden og at leverandørens egne forecasts giver et mere retvisende billede. Det er ligeledes min opgave løbende at analyserer og vurderer forecast kvaliteten og i samarbejde med disponenterne i landene, forsøge at hæve niveauet. Forecast kvaliteten er generelt desværre ikke som man kunne ønske og jeg oplever samtidig en hvis modstand fra landene i form af manglende vilje til at ville arbejde med en forbedring af outputtet. Det er altså ønsket med denne afhandling at analysere anvendeligheden og brugbarheden af det nuværende forecast setup for leverandørerne. Forsøge at identificere årsagerne til den lave forecast kvalitet og manglende kommitment fra landene, og udfra dette komme frem til mulige løsninger på problemet. 1.3 Kildekritik Alle kilder der anvendes i denne afhandling, befinder sig på det praktiske og videnskabelige niveau. Med hensyn til de interviewede nationale disponenter, repræsenterer de og er en del af den praktiske kilde. I forbindelse med interviews og dialog, kan det ikke udelukkes at oplysninger om reel adfærd har været tilbageholdt, da man måske godt vidste at ens handlinger måske ikke var optimale ift. kædens bedste. Dette tilfælde skulle for så vidt muligt være blevet opdaget via Business Intelligence analyser, som synliggør den reelle adfærd, men det kan selvfølgelig ikke udelukkes at ikke alt er blevet fanget. Af litteratur udenfor lærebøgerne er der bl.a. anvendt artikler, disse er skrevet af folk fra erhvervslivet som allerede har betragtet og kritisk analyseret de teoretiske synspunkter, som ofte har et positivt logistisk syn. Da alt teori ikke nødvendigvis fungerer i praksis kigger disse artikler kritisk på teorien og ofte udfra praktiske erfaringer. 8

9 1.4 Disposition Afhandlingen er som det fremgår af indholdsfortegnelsen opbygget i 11 kapitler med tilhørende underkapitler. Executive Summary indeholder kortfattet information om opgavens rammer. Kapitel 1 omfatter formalia og er således opgavens fundamentale rammer. I kapitel 2 præsenteres de metodiske overvejelser, der ligger til grund for opgavens design. Kapitel 3 beskriver forecasting som begreb, herunder metoder og anvendelighed og hvad der gør forecasting i detailhandlen lidt specielt, i form af udfordringer som er specifikke for branchen. I kapitel 4 præsenteres case organisationen i form af Coop, med en kort historie og en beskrivelse af Coop s forsyningskæde, og dette sætter scenen for opgavens analysedel. Kapitel 5 præsenterer projekt Joint Forecast System, som Coop s forandringstiltag der danner grundlag for analysen. Kapitel 6-8 er den overordnede analyse del, hvor empiri holdes op imod teori i relation til den skitserede problemstilling. Kapitel 9 og 10 skitserer generelle forhindringer i indførelsen af forecasts og præsenterer yderligere forslag til optimeringsmuligheder for Coop s forecasting proces og forsyningskæden generelt. Afslutningsvis fremsætter kapitel 11 de konklusioner, der er opstået på baggrund af afhandlingen. 2 Metode I dette afsnit redegøres for metoden, som er valgt til at undersøge og besvare de opstillede spørgsmål. Metodeafsnittet er bygget op omkring emnet, problemstillingen og specialeafhandlingens formål, og skal give læseren et indblik i den arbejdsmæssige sammenhæng og tilgang, som har været styrende for afhandlingen. 2.1 Metodevalg Som udgangspunkt for denne afhandling er valgt en kvalitativ metode, i form af interviews og empiriske observationer, som bliver sammenholdt med relevant teori. Den kvalitative analyse er dog suppleret med en kvantitativ analyse i form af et surveystudie, altså en spørgeskemaundersøgelse, som er blevet udsendt til Coop s 261 EVM leverandører der i skrivende stund modtager forecast fra Coop. Formålet med spørgeskemaundersøgelsen skal ses som et supplement til den kvalitative analyse og målet med undersøgelsen var at få en status på Coop s nuværende forecasting setup, og en tilbagemelding fra leverandørerne om dette er tilfredsstillende eller om der er plads til forbedring. Årsagen til valget af en supplerende kvantitativ analyse, skal findes i at det er en hurtig og nem metode til at få svar fra mange respondenter og dermed få et øjebliksbillede af situationen på tidspunktet for analysen. 9

10 I forhold til problemstillingen er det er valgt at tage udgangspunkt i et såkaldt single casestudie med Coop som caseorganisation. Da Coop i realiteten består af 4 mindre organisationer, i form af Coop- Danmark, Sverige, Norge og Inex i Finland, kunne man måske argumentere for et såkaldt multiple casestudie, men da forecasts fra Coop bliver udsendt som én samlet oversigt delt op per land, og Coop Trading hvor jeg er ansat har en samlet koordinering med landene, har jeg valgt at betragte Coop som én organisation med afdelinger fordelt i de fire lande. Det kvalitative casestudie er valgt på baggrund af min egen ansættelse indenfor Coop organisationen, som dermed muliggøre en lettere tilgang til den nødvendige information og data til besvarelse af problemformuleringen. Det skal selvfølgelig nævnes at der ved et casestudie af egen organisation, kan være en vis risiko for forudindtagede meninger og holdninger og deraf en farvet tilgang i sine analyser. Men da jeg stadig er forholdsvis ny i Coop organisationen, mener jeg dog at jeg stadig er kritisk i min tilgang til de empiriske observationer og i kraft af min ansættelse i Coop Trading som den upartiske part. 2.2 Teoribaseret konsulentopgave Til besvarelse af en problemformulerings spørgsmål, kan tilgangen enten være i form af en konsulenteller en forsker rolle. Overordnet set forsøger forskeren at beskrive en virkelighed ud fra teorien og skaber eventuelt nye teorier i et forsøg på at beskrive eksisterende problemstillinger. Konsulenten forsøger derimod ud fra eksisterende teorier, at beskrive og løse den aktuelle problemstilling. 2 I forhold til problemformuleringen i denne afhandling, ses konsulentrollen som den oplagte løsningsmodel, da problemformuleringen og dens undersøgelsesspørgsmål beskriver et konkret problem, som søges årsagsforklaret gennem eksisterende teori, og som skal munde ud i mulige løsningsforslag. 2.3 Casestudie Et casestudiet er en undersøgelse eller analyse af en situation i dets virkelige omgivelser, altså et praktisk eksempel på en problemstilling. Casestudiet er en oplagt undersøgelsesmetode til at grave ned i processer og systemer for at udforske årsagssammenhænge og dermed finde begrundelser og løsningsforslag til et givet problem. Ifølge Yin definerer han casestudier på følgende måde: 3 Et casestudie er en empirisk undersøgelse: Som belyser et samtidigt fænomen inden for det virkelige livs rammer, 2 Gammelgaard, B, (2009): Konsulenten vs. Forskeren, Sitescape,CBS, Frederiksberg 3 Andersen, I.: Den skinbarlige virkelighed, Forlaget Samfundslitteratur, 3. udgave, 2. oplag 2006 s

11 Hvor grænserne mellem fænomenet og den sammenhæng, hvori det indgår, ikke er klart indlysende, og Hvor der er mulighed for at anvende flere informationskilder til belysning af fænomenet. Ved et casestudie er den primært anvendte datatype, interviews og observationer. Fordelen ved denne datatype er, at man ved direkte kontakt med respondenterne løbende har mulighed for at justerer og tilpasse sin tilgang på vejen mod forståelsen af årsagssammenhænge ift. problemstillingen. I modsætning til den kvantitative tilgang som via et spørgeskema er fastlagt fra starten. Disse to metoder har dog hver deres fordele og anvendelighed afhængig af antallet af respondenter. Yin mener det er muligt at generalisere udfra et single casestudie. Det gælder om at beskrive sit casestudie så godt som muligt og induktivt komme frem til en generel viden. 4 Med induktivt forstås bl.a.; en opnåelse af en forståelse for betydningen af et fænomen i en given kontekst, at data kommer forud for teori, det er indsamling af kvalitativt data, og som nævnt en mere fleksibel struktur, der tillader ændringer som analysen finder sted. 5 Problemstillingen som bliver belyst i denne case, og aspekter i den efterfølgende analyse vil umiddelbart godt kunne generaliseres, da analysen bl.a. belyser nogle generelle implementeringskomplikationer som andre virksomheder vil kunne drage nytte af i lignende større projekter. 2.4 Empiri og dataindsamlingsmetode Dataindsamlingsmetoden er foregået via sekundære data, empiriske observationer, interviews og spørgeskema. Den sekundære data er fremskaffet i form af Coop s interne procesbeskrivelser. Derudover blev der aftalt besøg med landene i Coop, hvor det gennem uformelle semistrukturerede interviews og snak med de nationale disponenter, gav en forståelse for de nationale arbejdsgange og processer, og ligeledes et generelt indblik i de nationale indkøbssystemer. Dette gav en samlet forståelse for måden disponenterne arbejdede på og hvordan de i det hele taget arbejdede med forecasts i det daglige. Data udfra empiriske observationer, er generelt indsamlet gennem mit daglige arbejde som JFSadministrator, hvor jeg løbende får information fra leverandører med kommentarer på forecast 4 Andersen, I.: Den skinbarlige virkelighed, Forlaget Samfundslitteratur, 3. udgave, 2. oplag 2006 s Saunders, M., Lewis, P. & Thornhill, A.: Research Methods for Business Students, 2nd edition, Essex: Pearson

12 kvaliteten. Dette sammenholdes med løbende analyser af outputtet, som eksempelvis viser hvordan forecastet illustrerer én handling og disponenterne en anden. Ved spørgeskemaet som blev udsendt til 261 leverandører, blev leverandørerne først informeret via en indledende , som forklarede at der i løbet af en uges tid ville blive udsendt et elektronisk spørgeskema. Spørgeskemaet bestod af 16 både åbne og lukkede spørgsmål, det ville tage ca. 5-7 minutter at besvare og selve besvarelsen ville være anonym. Bevæggrunden for længden og anonymiteten, var at muliggøre en så stor besvarelsesprocent og ærlighed i svarene som muligt. De lukkede spørgsmål blev brugt til at skabe klarhed og de åbne skulle give mulighed for uddybende forklaringer og synspunkter. Respondenterne havde 14 dage til at svare på spørgeskemaet og efter en uge blev en venlig påmindelse udsendt til de som endnu ikke havde svaret. Dette resulterede i en samlet svarprocent på ca. 63%, som jeg mener er tilstrækkeligt til at kunne drage konklusioner på leverandørernes holdningen til Coop s forecasting setup. 2.5 Validitet og reliabilitet Dette afsnit handler om at redegøre for svarenes gyldighed og pålidelighed. Validiteten er et spørgsmål om hvorvidt undersøgelsens svar er gyldige og relevante, forstået på den måde om man har belyst hele spørgsmålet på en generel måde, eller om det er kun er delvist belyst. I opgaven anvendes teori og begreber der omhandler og afdækker spørgsmålene i problemstillingen og som jeg mener er relevant i forsøget på at afdække denne. Jeg mener personligt at have undersøgt det, der egentlig var mit formål med afhandlingen. Resultaterne kan anvendes til at give en forståelse for årsagen til den lave forecast kvalitet i Coop, og årsagen til den manglende kommitment fra landene. Dette munder ud i forslag til indsatsområder og generelle forbedrings- og optimeringsmuligheder. Dermed mener jeg opgaven og dens data har en høj grad af validitet. Reliabilitet handler om hvor pålidelig indsamlingsmetoden har været, har det været veldefineret og gennemført på betryggende vis, og ville en tilsvarende undersøgelse føre til samme resultater. Ligeledes tænkes der på om tilfældigheder kan påvirke dataindsamlingsmetoden, der anvendes. Her tænkes fx. på om spørgsmålene i interviews er entydige og ikke lægger op misforståelser. Et generelt forsøg på standardisering af spørgsmålene har derfor forøget pålideligheden i opgaven. Interview er blevet foretaget med disponenterne i landene, altså de personer som til dagligt har indflydelse på kernen af problemet, nemlig forecast kvaliteten. Det vil sige arbejdsrutiner og 12

13 holdninger kommer ufiltreret direkte fra kilden og ikke fra en eventuel overordnede som kun ser på den officielle proces. I forhold til spørgeskemaundersøgelsen har kollegaer gennemgået spørgsmålene, så fejl, mangler eller misforståelser er minimeret. Undersøgelsen er sendt til de kontaktpersoner hos leverandørerne, som til dagligt benytter det udsendte forecast på et operationelt plan, og derfor må anses at være de rette at spørge, og at undersøgelsen dermed er gennemført på betryggende vis. Altså kan det dokumenteres og argumenteres, at denne opgave har en høj grad af reliabilitet. En tilsvarende undersøgelse ville højst sandsynligt komme frem til samme resultater som denne afhandling, men ikke desto mindre, at det ikke er sikkert at en anden konsulent/forsker ville foreslå de samme løsningsalternativer og optimeringsforslag. Dataindsamlingen har givet et godt fundament, som suppleret med teori og praktisk viden har gjort det muligt at identificere en række væsentlige årsagssammenhænge og argumentere for konsekvenserne. 2.6 Valg af teori Udover den beskrevne primære data anvendes der ligeledes sekundær litteratur og teori i denne afhandling. Den teoretiske litteratur og de sekundære data til denne afhandling er fundet gennem litteratursøgning på CBS bibliotek, CBS e-ressourcer og diverse internet aviser samt pensum fra HD- SCM. Brugen af mere end én indsamlingsmetode gør det muligt at opnå en mere komplet og holistisk forståelse af problemet. Valget af teori og modeller dækker videnskabelige artikler og analyser. Indledningsvis beskrives de generelle forecasting metoder, i hvilken situation de forskellige metoder er anvendelige og hvad der gør forecasting i detailhandlen lidt specielt, i form af udfordringer som er specifikke for branchen. Dernæst benyttes teorien om the Strategic Supply Wheel, for at anskueliggøre hvordan en strategisk beslutning om at begynde at udsende forecasts til leverandørerne, påvirker organisationen og hvad man som følge deraf skal være opmærksom på. For at belyse om det er i selve implementeringen af JFS, at noget har fejlet, benyttes John P. Kotter s teori om hvordan fejl undgås ved større forandringer i en organisation, og Kotter s 8-steps model holdes op imod Coop s reelle udførsel af implementeringen. For at se på yderligere optimeringsmuligheder for Coop s forecasting proces og forsyningskæden generelt, dykkes der ned i konceptet Collaborative Planning, Forecasting and Replenishment også kaldet CPFR og hvordan en eventuel implementering bør effektueres. CPFR er en integreret supply chain metode til at forbedre effektiviteten gennem direkte samarbejde mellem alle 13

14 samhandelspartnerne, med fokus på slutforbrugeren. Og da CPFR udspringer af konceptet ECR, gennemgås dette også kort. Afslutningsvis ses der på muligheden for at kombinere CPFR med Salgs- og Kapacitetsplanlægning (S&OP), som en mulig løsning på at få løftet forecast kvaliteten og effektiviteten i forsyningskæden endnu mere. Via valg af teori er jeg opmærksom på at der ligeledes er gjort nogle fravalg af andre teoretiske observationer af de behandlede emner, med en anden tilgangsvinkel. De valgte teorier mener jeg dog er de mest oplagte og relevante i anskuelsen Coop s situation og problemstilling. 3. Forecasting Forecasting handler om at kunne se ind i fremtiden, dog ikke at kunne forudse hvad der vil ske i fremtiden, men nærmere om at kunne se en varsling eller udsigt. Forecasts bliver anvendt til at minimere usikkerheden omkring fremtiden og giver muligheden for at være proaktiv i stedet for reaktiv og kan beskrives som et educated guess about the future. 6 Der eksisterer forskellige forecasting metoder, delt op i henholdsvis kvalitative og kvantitative metoder (se figur 1). Kvalitative metoder anvendes når situationen er uklar/uvis og man kun har lidt eller ingen data til rådighed, fx ved et nyt produkt eller ny teknologi. Denne metode kan også kaldes et manuelt forecast og involverer erfaring, intuition og personlige gæt på femtiden. Kvantitative metoder anvendes når situationen er stabil og historiske data er tilgængelig, fx ved eksisterende produkter. Denne metode benytter matematiske/statistiske teknikker og er for det meste det som gængse forecastsystemer bygger på. Et kvantitativt forecast er neutralt forstået på den måde, at det ikke tager politiske hensyn til, hvad de forskellige afdelinger i en virksomhed synes at mene om den fremtidige udvikling. Flere undersøgelser har dokumenteret, at hvis man anvender de samme informationer, vil kvantitative forecast oftest være mere præcise end manuelle/kvalitative forecasts. Det vil sige de matematiske regneregler er bedre end den menneskelige hjerne til at frasortere datastøj i de historiske data og kun bruge den valide data fremadrettet. De samme undersøgelser dokumenterer ligeledes, at har de personer der forecaster væsentlig information, som ikke kan inkluderes i det kvantitative forecast, vil 6 Hanke, John & Reitsch, Arthur : Business Forecasting, 6th edition. Prentice Hall International, London, 1998 s. 2 14

15 det manuelle forecast ofte være mere præcist. Men generelt set ser man ofte ved manuelle forecasts en mangel på konsekvens, tendens til at overforecaste og ønsketænkning. Anvendelsen af henholdsvis kvalitative og kvantitative metoder til forecasting vil afhænge af mange faktorer, heriblandt markedet som virksomheden opererer på, udsving i omsætningen, graden af detaljeringen, antallet af enheder der skal forecastes, tidshorisonten for forecastet, mønstret i den anvendte data, omkostninger, graden af præcision og tilgangen til applikationer og software der kan understøtte processen. 7 En virksomheds eller forsyningskædes beslutningsgrundlag vil med forecasting kunne forbedre følgende områder: Produktion bedre planlægning og lagerstyring Personale - bedre udnyttelse af arbejdsstyrken og ressourceplanlægning Økonomi - bedre budgetplanlægning og materielle investeringer, Marketing - bedre ressourceudnyttelse ift. salg og bedre produktintroduktioner Beslutninger ifm. ovennævnte områder, bør i en forsyningskæde optimalt set træffes på tværs af kæden og dens organisationer. Dette er desværre ikke altid tilfældet, som ses ved at den velkendte Forrester/Bullwhip-effekt beklageligvis stadig lever. 8 Den uheldige effekt opstår gennem afvigelser og støj i kommunikationen mellem de handlende parter, og fremkalder en negativ indflydelse på forecastet og deraf på præcisionen hos de enkelte led i kæden. Ved at forbedre forecastet med mere nøjagtige og hyppigere opdateringer, vil man kunne reducere effekten eller hvis muligt ved at effektuere en fuldstændig datagennemsigtighed i hele forsyningskæden, hvor hvert led har adgang til alle forecasts og produktionsdata. Derudover kunne der ligge et potentiale i at investere i bedre kommunikationskanaler og derigennem forbedre selve forecast processen, fx ved at efterspørgselsdata bliver formidlet fra kundernes kunder, i stedet for blot fra det nærmeste led i kæden. Effekten vil være at forsyningskæden kan mindske eller måske helt fjerne det akkumulerede udsving i forecastene for hvert led og dermed eliminere Bullwhip-effekten. Nøgleordet for optimering af forecastet må derfor være at de førnævnte kvalitative og kvantitative forecast metoder skal kombineres med dataudveksling på tværs af forsyningskæden. 7 Hanke, John & Reitsch, Arthur: Business Forecasting, 7th edition. Prentice Hall International, 2001 & Makridakis, S. & Wheelwright, S.: Forecasting Methods for Management. 5th edition, Wiley, New York, 1989 s Lee, H. L., Padmanabhan, V. & Whang, S.: The Bullwhip Effect in Supply Chains. Sloan Management Review/Spring, pp , 1997 eller Forrester, Jay : Industrial Dynamics: A major breakthrough for decision makers, Harvard Business Review, Vol. 36, No. 4, 37-66,

16 Laws of forecasting Efter kort at have gennemgået de forskellige typer af forecasts, vil jeg her kort opstille de fire basic laws of forecasting. Ved at have disse fire regler in mente, kan det hjælpe brugeren/analytikeren til at undgå misfortolkninger af forecast resultater. 9 Regel #1: Forecasts er næsten altid forkerte (men stadig brugbare) Selv under de bedste forudsætninger, kan ingen forecasting tilgang forudse det eksakte niveau af en fremtidig efterspørgsel, udbud eller pris. Der er simpelthen for mange faktorer der kan påvirke det endelige udfald. Derfor bør man benytte forecasting metoder til at få en idé om den fremtidige udvikling og et godt estimat. Graden af forecast præcisionen er en funktion af forecasting regel 2 og 3 og afhænger af disse. Regel #2: Jo kortere tidshorisont, jo højere præcision At forecaste et par uger eller måneder frem i tiden vil altid være nemmere end at skulle forecaste fx 6 måneder eller et år frem, da de faktorer der kan påvirke det endelige udfald i den korte horisont, ofte ikke vil ændre sig signifikant, hvorfor forecast præcisionen vil afspejle dette. Regel #3: Forecasts for produktgrupper er ofte mere præcise end forecasts på SKU niveau. Årsagen til dette er at efterspørgslen, udbudet eller prisen på en specifik vare ofte er påvirket af mange flere faktorer. Regel #4: Forecasts kan ikke erstatte kalkulerede værdier Forecasts bør kun benyttes når bedre metoder til at bestemme et fremtidigt behov ikke er tilstede. 3.1 Når vi taler om forecasting har detailhandlen en lang række udfordringer, som er specifikke for denne branche. Ofte har detailhandlen og herunder dagligvarehandlen problemer med udsolgtssituationer og ofte ses det at varer som annonceres i tilbudsaviser alligevel ikke findes i butikken, på trods af en tilbudsperiode som måske lige er begyndt. Det kendte begreb så længe lager haves, er detailhandlens måde at takle og imødekomme de udfordringer som er specifik for branchen og ikke mindst de utilfredse kunder det måtte skabe. De specifikke forecast-problemer og udfordringer som branchen står overfor er relateret til fire områder, som er markedet, data, anvendelse og teknologi. Markedet Detailhandlen og især dagligvarebranchen er utrolig dynamisk. Der er rigtig mange faktorer der har indflydelse på om en forbruger køber en vare eller ej. Skal man handle ind til helligdagene? Hvordan 9 Bozarth, Cecil C. & Handfield, Robert B: Introduction to operations and supply chain management. 2th edition, Pearson, 2008 s

17 er vejret? Er varen på tilbud? Findes varen billigere i en anden butik? Er der andre lignende varer på tilbud? osv. Derudover er det et marked som er karakteriseret ved mange sortimentsændringer, dvs. mange introduktioner af nye produkter og deraf også mange udfasninger. Omsætningshastigheden er også meget forskellig, der er både mange varer med en høj omsætningshastighed, men hvor varerne kun er på markedet i en forholdsvis kort periode, og så er der også mange varer som karakteriseres som såkaldte slow movers med en meget lav omsætningshastighed. Data Hvad angår data er det for detailhandlen rigtig store mængder som skal forecastes. Hvis vi blot for overskuelighedens skyld antager at en butikskæde består af 75 butikker (Coop har 1300) og hver butik i gennemsnit sælger SKU s (Coop har varenumre i sortiment), vil det sige at der er butik/vare-kombinationer hvor der skal dannes forecast. Det er ofte historiske salgsdata som udgør grundlaget når der skal dannes forecast. Eftersom detailhandlen er det led som er tættest på slutkunden og derfor den endelige efterspørgsel, må det formodes at udgangspunktet for en høj datakvalitet til brug i forbindelse med forecasting er til stede, da man her besidder point-of-sales (POS) data og altså har de faktiske transaktioner som datagrundlag. Der er blot det problem at POS-data ofte kan snyde og derfor ikke helt vise det sande billede. Et kendt problem er ved en mængderabat eller et tilbud på fx 3 forskellige varer til en given pris. Dette i sig selv er der intet galt i, problemet opstår når kasseassistenten så kun scanner den ene vare og blot taster x3 på kasseapparatet. Kunden får det til den annoncerede pris, men i forhold til POS-data og efterfølgende disponering og ikke mindst forecasting, vil salget blive registreret forkert og den data som videreformidles i kæden vil skabe et forkert grundlag. Derudover skabes der også unødig støj i data grundlaget hvis butikker fx laver lokale kampagner som ikke er kommunikeret til baglandet, eller hvis sæsonvarer som juleøl fx købes i januar og derfor forstyrrer grundlaget for en planlægning af næste sæson. Anvendelse Vare-forecast bruges generelt set to steder i detailhandlen, på det daglige operationelle niveau til genopfyldning af de enkelte butikker, og med en lidt længere horisont til indkøb til centrallager og i forbindelse med kampagneplanlægning. En udfordring i denne forbindelse er at forecastet til butik og forecastet til centrallager, ofte ejes af to forskellige afdelinger, typisk indkøb og logistik. Konsekvensen er at de to forskellige forecasts ikke hænger ordentligt sammen, hvilket kan resultere i at fx kampagnevarer ikke er tilgængelige i butikken i kampagneperioden. 17

18 Teknologi Med hensyn til investering i ny teknologi, har detailhandelskæderne været ret konservative (herunder også Coop), ofte er de forecast modeller der benyttes af den simple karakter, hvor der ikke tages højde for effekten af højtider, sæson og kampagner i modellerne direkte, men dette behandles ofte ved siden af i fx regneark, uden at man tænker over konsekvenserne. Derudover udnyttes heller ikke de muligheder der findes indenfor optimeringsmodeller i prissætningen fx i forbindelse med kampagner. Til gengæld er man ofte med på lagersiden, her er der investeret i både teknologi og metoder. Overordnet set bør forecastet hænge sammen, hvilket betyder at forecastet til butik og forecastet til centrallager skal afspejle den samme holdning til fremtiden. Derudover bør anvendelsen af regneark og ligeledes miljøer hvor forecast dannes, begrænses til et minimum. 4. Coop Coop Trading A/S er som nævnt et nordisk private label sourcing selskab, det er et af Nordens største indkøbsselskaber med håndtering af en indkøbsvolumen på cirka 27 mia. DKR. Selskabet ejes af detailkæderne Coop Danmark, Coop Norge, Coop Sverige og Inex/SOK i Finland og har ansvaret for de nordiske kooperative ejerforeningers fælles indkøb af egne varemærker og nonfood-produkter. Udover det fælles indkøb har Coop Trading også ansvaret for udviklingen af Coop s egne varemærker. Alle øvrige indkøb foretages lokalt af den nationale dagligvarekæde. For at forstå Coop Tradings historie og tanken bag de kooperative ejerforeninger og det logistiske setup dette har medført, har jeg valgt at tage udgangspunkt i den danske del i form af Coop Danmark A/S. Dette valg er gjort da jeg selv har mit daglige virke i Coop Tradings domicil, ved Coop Danmarks hovedkontor på den anden side af vejen og Trading er derfor koblet op på samme interne systemer som Coop Danmark. Dette betyder at det er den danske del jeg derfor har lettest adgang til hvad angår information og data. Derudover tages der udgangspunkt i Danmark, da inddragelsen af alle de nordiske lande ellers ville blive for omfattende. 4.1 Historie Det hele startede tilbage i 1866 da præsten H.C. Sonne grundlage Danmarks første brugsforening, Thisted Arbejderforening. Foreningens formål var at levere bedre og billigere dagligvarer til den fattige befolkning. Der blev oprettet andelsvirksomheder hvor man som medlem selv var medejer, hvilket betød at i tilfælde af overskud i foreningen ville det blive tilbagebetalt i form af dividender til medlemmerne. Der var efterhånden blevet etableret en del brugsforeninger, og i 1896 tog en initiativrig og idealistisk uddeler Severin Jørgensen initiativet til at de gik sammen og dannede Fællesforeningen for Danmarks 18

19 Brugsforeninger, bedre kendt som FDB. Hensigten med samarbejdet var fortsat at levere de bedste og billigste varer gennem fælles indkøb. I løbet af 1900-tallet voksede FDB og man begyndte også selv at fremstille dagligvarer på egne fabrikker, som bl.a. producerede den kendte Cirkel kaffe, chokolade, vin, tobak, sæbe osv. FDB voksede til en af Danmarks største virksomheder med egenproduktion af dagligvarer og gennem engrossalg til brugsforeningerne. Formålet med egne fabrikker var bl.a. Uafhængighed, bedre kvalitet, sikre leverancer og lavere priser. 10 FDB udvikler sig i årenes løb fra blot at være en brugsforening til også at omfatte kursusvirksomhed, reklamebureau og møbler og arkitektur. FDB var primært specialiseret i produktion og engroshandel, men en anden stor brugsforening i København, Hovedstadens Brugsforening (HB), var i stor vækst og havde store kompetencer i at drive detailhandel. Dette førte til at man hos FDB i 1971 ændrede vedtægterne til også at tillade at drive detailhandel og kort efter var en fusion mellem FDB og HB en realitet. FDB udviklede sig nu til i højere grad at fokusere på detailhandlen, og i slutningen af 80 erne besluttede man at nedlægge fabrikker, bl.a. også i kraft af et stadig øget internationalt vareudbud, hvorfor produktionen af FDB s egne mærker, under kontrol af FDB blev flyttet til eksterne leverandører i ind- og udland. FDB var nu blevet en landsdækkende forening med butikker eget af FDB og selvstændige brugsforeninger. I de efterfølgende år oprettes og tilkøbes nye kæder i form af OBS, Irma og Fakta. I 2002 på grund af en øget konkurrence og internationalisering sammenlægges den danske forretning med brugsforeningerne i Sverige og Norge, hvilket resulterede i Coop Norden. Coop Danmark som skulle drive de danske butikker etableres som et datterselskab i Coop Norden, ejet af de danske medlemmer af FDB og brugsforeningerne med en ejerandel på 38%. Coop Norden ejede og drev nu dagligvarekæderne i de tre lande, og brugsforeningerne i Danmark blev tilknyttet Coop Danmark på franchiseaftaler. I 2008 beslutter man at man udelukkende vil koncentrere sig om fælles indkøb, Coop Norden opløses og selskabet Coop Trading dannes, som bygger videre på de gunstige indkøbsaftaler der var blevet indgået. Driften af de 3 Coop afdelinger går tilbage til de respektive lande og bliver selvstændige enheder igen. De danske butikker bliver igen dansk ejet med FDB som eneejer. 10 FDB s historie og udvikling 19

20 Coop Trading er i dag et fælles nordisk indkøbsselskab og i 2008 besluttede de finske brugsforeninger SOK også at gå med i Coop Trading, som nu ejes ligeligt af de fire lande Coop Danmark A/S, Coop Norge AB, Coop Sverige AB og INEX/SOK i Finland. Figur 1: Ejer strukturen i Coop Trading 4.2 Coops forsyningskæde Forretningsgangene i Coop er nogenlunde ens i de fire nordiske lande, derfor har jeg igen valgt at fokusere på Danmark af de tidligere nævnte grunde. Da forsyningskæden i Coop Danmark er ret kompleks vil jeg her kort give et overblik over vare og informationsflowet. Coop Danmark har i dag 9 distributionscentre rundt om i landet, fordelt på fire strenge; Ferskvarer, Tørvarer, Speciallager og Nonfood. Via syv distributionsstrenge foretages der dagligt ca anløb til Coops 1300 butikker, og forsyningerne leveres af ca. 550 lastbiler. I alt er ca medarbejdere tilknyttet direkte til logistikfunktionen, ligesom man også har flere tusind leverandører og varenumre i sortiment. (Se bilag 1) Coop Danmark benytter hovedsagligt tre forskellige grupper af leverandører. DC leverandører: Dette er den primære gruppe af leverandører til Coop, her leveres der til distributionscentrene (DC) ofte i store partier, herefter bliver det fordelt efter cross-dock princippet i mindre forsendelser og leveret til de enkelte butikker. Direkte leverandører: Disse leverandører leverer direkte til Coops butikker udenom distributionscentrene, det er både i form af leverandørens Branded goods og Coops egne mærker. Her har Coop outsourcet disponeringen af varerne, og for at dette kan lade sig gøre har leverandørerne købt sig adgang til Coops DataWarehouse i form af POS-data og kampagneprognoser. Af denne type leverandører kan nævnes Arla og Schulstad mfl. Individuelle leverandører: Denne type leverandør bruges kun for butikskæden Irma og omfatter lokale producenter som kun dækker et begrænset geografisk område, og de typiske produkter som leveres er bl.a. grøntsager, brød, øl osv. 20

21 5. Projekt Joint Forecast System Manglende varer på hylderne er en omkostningstung problemstilling med blandt andet følgende facetter, set fra et EVM perspektiv: Butikskunderne bliver skuffede og irriterede når der ikke er EVM-varer på hylderne da disse som regel er almindelige dagligdagsvarer som i øvrigt ofte er bakket op af markedsføring. Når en EVM-vare mangler risikeres det at kundens loyalitet falder og der vælges evt. en lignende AVM-vare. Såfremt fænomenet opstår ofte risikeres det at kunden vælger en anden butik at handle i. Jo lavere den indgående servicegrad til lager er, jo større skal bufferlageret være på de lagre der leverer til butikkerne for at opretholde den udgående servicegrad. Dette medfører større lagerbinding som naturligvis er en omkostning der søges reduceret. Coop Trading udvikler EVM-varer til Coop DK, SE, NO og FI og udvælger i denne proces også leverandørerne af disse varer. Til trods for at aftagerne af varerne selv bestiller og har den løbende kontakt med leverandørerne, har Coop Trading et uformelt ejerskab i forhold til disse leverandørers leveringsdygtighed. Det er derfor ikke bare i vareaftagernes men også i Coop Tradings interesse at øge den indgående servicegrad. I 2007 ytrede Coop Trading s ejere derfor ønske om at der blev udarbejdet tiltag, som kunne sikre en generel højere EVM-servicegrad. Der var et øget fokus på EVM servicegraderne, hvilket styrkede behovet for at kunne orientere EVM-leverandørerne om hvor meget Coop i de forskellige lande, samlet set forventede at aftrække på vareniveau for specifikke uger. I samarbejde mellem Coop Trading og logistikenhederne i landene, blev man derfor enige om, at ét af tiltagene skulle være at skabe en IT-applikation som kunne samle alle udarbejdede prognoser for ordinært og kampagnesalg fra Coop SE, Coop DK, Coop NO og FI til ét samlet nordisk prognoseoverblik og gøre dette tilgængeligt for alle Coop EVM leverandører (på sigt også AVM leverandører). Man forventede at dette ville forbedre leverandørernes interne processer og give EVM-leverandørerne større mulighed for at planlægge og koordinere deres produktion i god tid, således en bedre indgående servicegrad til lager opnås, som efterfølgende kan omsættes til en højere udgående servicegrad til butik. Desuden skulle applikationen bidrage med muligheden for Coop Trading s Supply afdeling, via en manuel tilbagemeldingsproces for leverandørerne, at kunne omfordele varer mellem landene i tide såfremt der på baggrund af prognoserne forudses en varemangel. Dette havde nemlig tidligere været et problem hvor ét land havde trukket så store mængder fra en leverandør at det resulterede i tomme butikshylder i de andre lande. 21

22 Projektet blev sat i gang og systemet blev officielt kaldt Joint Forecast System (JFS). På daværende tidspunkt var det kun Coop SE og Coop DK der udsendte prognoser, det var ikke for standardaftrækket, men kun for de planlagte kampagner, og det blev kun sendt til udvalgte leverandører. Med JFS ønskede man at samle prognoserne for både standardaftrækket og kampagner fra alle landene; COOP DK, SE, NO samt FI således at leverandøren havde mulighed for at se det samlede forventede aftræk pr. uge og 12 uger frem. For at undersøge de mulige effekter af JFS, initierede Coop Trading i efteråret 2007 et pilotprojekt med det formål at udsende samlede prognoser for Coop SE, Coop DK, Coop NO og FI manuelt til fem test -leverandører. Konklusionen på pilotprojektet var at prognoserne havde haft en positiv effekt i forskelligt omfang på: Produktionsplanlægning Disponering Lagerstyring Indkøb Desuden havde det øgede fokus på prognoserne medvirket til (igen i forskelligt omfang): Øget fokus på intern forecast struktur/processer hos leverandørerne Større klarhed hos leverandøren over hvor data kommer fra og hvordan de bruges Pilotprojektet gav således god anledning til at fortsætte arbejdet med JFS og gav i øvrigt en bedre forståelse for dynamikken vedrørende prognoser. 5.1 JFS status i dag JFS blev fuldt implementeret i maj måned 2009 og i dag bliver der sendt en samlet prognose for både standard og kampagne aftræk fra alle fire nordiske lande, til i skrivende stund 270 EVM-leverandører fra ind- og udland. Hver uge, mandag kl. 10:00 udsendes et opdateret forecast til alle leverandører, som viser det forventede aftræk pr. land og pr. EAN for de kommende 12 uger. Mængderne i forecastet viser hvilken uge det pågældende land forventer det leveret på Coops lager. Forecastet skal ikke betragtes som egentlige indkøbsordrer, Coop forpligter sig pt. ikke til de forecastede mængder, altså skal prognosen blot betragtes som en guideline og hjælp til leverandørens planlægning. Leverandørerne modtager forecastet i to versioner, i et let læseligt og overskueligt Excel regneark og den anden i en lidt mere detaljeret data CSV-fil, som leverandøren har mulighed for at indlæse i sit eget planlægningssystem. 22

23 Nedenfor ses et eksempel på Excel versionen: Figur 2: Eksempel på forecast (Excel version) A. Forecastet er i EAN stykniveau B. Mængden i de specifikke uger viser hvad Coop forventer leveret til lager totalt og pr. land. C. Den turkise farvemarkering indikerer på en overskuelig måde, at der er sket en ændring i forecastet på mere end 25%, sammenlignet med det forecast som blev sendt ud ugen før. Leverandørerne modtager nu prognoserne samlet fra alle fire lande i samme format, og derudover er der nu kun én nordisk indgangsvinkel/kontakt til Coop såfremt der er spørgsmål eller kommentarer til prognoserne (dette håndteres af Coop Tradings Supply afdeling). Formålet med dette er bl.a. at minimere leverandørernes ressourceforbrug til håndtering af prognoserne. Derudover har JFS og de dertil udarbejdede KPI-rapporter fra DataWarehouse, som noget nyt givet mulighed for nemt at sammenligne servicegrader og prognosekvalitet m.v. imellem landene, hvilket er med til at øge fokus og kan medvirke til forbedringer og vidensdeling landene imellem. Netop de nævnte KPI-rapporter og muligheden for nu lettere at vurderer landenes prognosekvalitet, har vist at virkeligheden desværre ikke er som man havde håbet. Målet fra Coops side er en samlet forecast præcision på 70%, dette er selvfølgelig ikke noget der sker fra den ene dag til den anden, men at udgangspunktet er en samlet præcision på kun ca. 40%, var desværre en nedslående overraskelse, som også har resulteret i at nogle leverandører har frabedt sig at modtage forecastet, da det forstyrrede mere end det gavnede. 5.2 JFS Forecast KPI er For at forstå hvordan forecast præcisionen måles i Coop, vil jeg her kort beskrive metoden man har valgt. Der benyttes generelt to forskellige KPI tal, det ene er en stabilitetsmåling og det andet er en decideret præcisionsmåling. Da forecastet opdateres/udsendes hver uge og viser det forventede aftræk 12 uger frem, vil der for hver leveringsuge være blevet afgivet 12 forecast bud inden levering på den pågældende uge. Og da forecast budene kan variere, foretages målingen for alle 12 bud pr. uge. 23