Case Studies

Dit zijn voorbeeld-projecten om een beeld te geven van hoe úw project eruit kan zien.

Case 1: Sneller verkopen van 2e-hands auto’s

Fase 1: Oriëntatie

U heeft een bedrijf dat tweedehands auto’s inkoopt op veilingen, opknapt, en dan verkoopt aan particulieren via showrooms in diverse steden. Om winst te blijven maken, is het belangrijk dat auto’s vooral snel worden doorverkocht. Elke auto die lang blijft staan kost ruimte in de showroom, neemt werkkapitaal in beslag, en kan eigenlijk alleen maar minder waard worden.

Uw huidige beleid is dat auto’s die niet binnen 90 dagen verkocht worden, in de uitverkoop gaan: er wordt een flinke korting geboden, maar dit verlaagt de winstmarge behoorlijk. Is de auto 30 dagen later nóg niet verkocht, dan wordt ie geveild – om tenminste nog een deel van de investering terug te krijgen.

In een verkennend gesprek blijkt dat in de huidige administratie ook diverse kenmerken van de auto’s worden bijgehouden (merk, model, kleur, bouwjaar, kilometers, inkoopkanaal). Misschien kunnen we daarmee de doorlooptijd verkorten! Als we van tevoren kunnen voorspellen welke auto’s lang onverkocht blijven, kunnen we vermijden bij de inkoop. Dit maakt ruimte en geld vrij, waardoor er van de sneller verkopende auto’s misschien zelfs méér verkocht kunnen worden.

Fase 2: Focus

Huidige situatieNormale verkoopUitverkoopVeilingTotaal
Gemiddelde inkoopprijs€ 3000€ 3000€ 3000
Gemiddelde verkoopprijs€ 3600€ 3000€ 2100
Bruto marge20%0%-30%
Aantal auto’s per maand23352723112918
Gemiddelde doorlooptijd (dagen)2510412143
Omzet€ 8.406 k€ 815 k€ 653 k€ 9.874 k
Bruto winst€ 1.401 k€ 0 k€ -280 k€ 1.121 k
Vaste lasten (o.a. personeel)€ 1.000 k
Netto winst per maand€ 121 k

Tabel 1: huidige situatie

Doel van het project is om de netto winst te vergroten, door:

  1. Hogere winst per auto te halen (door verliesgevende auto’s te vermijden).
  2. Méér auto’s per maand te verkopen (met dezelfde middelen, dus de gemiddelde doorlooptijd moet omlaag).

Het plan is om op basis van recente verkoopcijfers (6 maanden) voor elke auto de doorlooptijd te voorspellen. De voorspelling wordt al gemaakt vóór de inkoop, zodat de inkopers de juiste auto’s kunnen inkopen. Nu gebeurt dat op basis van ervaring en vuistregels (bijv. “Peugeot is populair”), maar dat moet accurater kunnen.

Hoe past dit in de bestaande bedrijfsprocessen?

Er komt een soort app of website die de inkopers gaan gebruiken:

  • De inkoper vult eenvoudig enkele kenmerken van de auto in en krijgt direct op het scherm te zien of hij het normale inkoopproces kan vervolgen, of dat hij deze auto niet moet kopen.
  • De web-app is altijd bereikbaar via het internet (er is geen offline versie nodig).
  • De web-app en de bestaande IT-systemen zijn niet van elkaar afhankelijk en worden ook niet gekoppeld. Dit verkleint de kans op storingen aanzienlijk.

En de data-beveiliging?

  • Ten eerste betreft het alleen data over auto’s, dus wel concurrentie-gevoelige data, maar geen persoonsgegevens.
  • De data wordt alleen incidenteel / handmatig geleverd aan mij, om bij de start van het project het voorspelmodel te ontwikkelen. Later is ook 1x per maand een update nodig, om de kwaliteit blijvend te waarborgen.
  • De web-app bevat alleen het voorspellende model, en niet de onderliggende data.
  • Gebruikers krijgen elk een eigen login-account, zodat de web-app door niemand anders gebruikt kan worden.
  • De web-app registreert wel hoe de app gebruikt wordt: wie vult wanneer welke gegevens is, en welke voorspelling rolde eruit. Dit is nodig om de kwaliteit van de voorspellingen te blijven monitoren.

In principe blijft de web-app en het voorspelmodel onder mijn beheer. Elke maand wordt er geanalyseerd of het model ook in de praktijk goede voorspellingen levert. Indien nodig wordt er overlegd en/of worden updates doorgevoerd.

Hoe gaan we de verbetering precies meten?

Als we redelijk accurate voorspellingen kunnen leveren, zullen sommige auto’s niet ingekocht worden. Dit zullen over het algemeen auto’s zijn die een lange doorlooptijd gehad zouden hebben. Hierdoor zijn er drie toekomst-scenarios denkbaar:

1. Basis-scenario

Er worden alleen bepaalde auto’s niet ingekocht, verder verandert er niets. Dus de bruto winst per auto stijgt, maar het aantal auto’s daalt.

2. Vervanging-scenario

Voor elke auto die niet wordt ingekocht, wordt een andere auto gevonden en gekocht die wel aan de voorwaarden voldoet. Dus de bruto winst per auto stijgt, en het aantal auto’s blijft gelijk.

3. Groei-scenario

Door de lagere doorlooptijd komt er capaciteit en geld vrij om zelfs méér auto’s per maand te verkopen. Bovendien is de bruto winst per auto ook hoger.

Scenario 2 en zeker 3 zouden natuurlijk fantastisch zijn, maar het moet nog maar blijken of er wel zoveel geschikte auto’s te vinden zijn via de inkoopkanalen. Want hoe scherper we auto’s afkeuren, hoe minder vervangende auto’s we zullen kunnen vinden. Om de toekomst niet te rooskleurig in te schatten, gaan we ervan uit dat in scenario 2 en 3 het aantal auto’s per maand nooit meer dan 20% hoger kan zijn dan in scenario 1.

We spreken af dat we de verbetering ten opzichte van de huidige situatie als volgt zullen “meten”:

  1. We gebruiken Tabel 1 van hierboven.
  2. We nemen aan dat de gemiddelde inkoopprijs, verkoopprijs, marges en doorlooptijd hetzelfde blijven voor de categorieën normale verkoop / uitverkoop / veiling.
  3. We nemen aan dat de vaste lasten (vastgoed en personeel) ook gelijk blijven. Bij groei maken we alleen gebruik van vrijgekomen capaciteit. Bij krimp kunnen we de vaste lasten niet zomaar verlagen.
  4. Voor het totaal aantal verkochte auto’s gaan we uit van het groei-scenario, met de aanname van max. 20% groei. De praktijk kan dus nog een stuk beter uitpakken.
  5. Het enige wat echt verandert is het aantal auto’s per uitkomst. Dit baseren we op de daadwerkelijke resultaten per maand vanaf de ingebruikname van de software. Na 5 maanden weten we voor elke auto uit maand 1 of deze normaal verkocht is, of in de uitverkoop, of geveild is.
  6. Zo schatten we elke maand de netto winst in de nieuwe situatie. Deze vergelijken we met de huidige situatie (Tabel 1). Het verschil, dus de geschatte toename van de netto winst, verdelen we elke maand: Bijvoorbeeld 90% voor u en 10% voor mij.

Waarom gebruiken we niet gewoon de echte winst? Omdat we alléén de toegevoegde waarde van het voorspelmodel willen weten. De nettowinst van het hele bedrijf kan tijdelijk hoger of lager liggen door allerlei andere oorzaken (bijv. door uitbreiding in een nieuwe regio, of langdurige ziekte van medewerkers, of calamiteiten).

Fase 3: Implementatie

Dit project is niet echt uitgevoerd, maar de implementatie zou als volgt kunnen verlopen. Na 4 maanden is het systeem operationeel.

MaandActiviteitenResultaat
Maand 1Data extractie en interpretatie.
+
Een zeer eenvoudig model bouwen, plus berekening van de uiteindelijke effecten (o.a. Tabel 1).
Eerste inschatting van haalbaarheid project.
Maand 2Verbetering van het model door diverse mogelijkheden uit te proberen.
+
Overleg / afstemming met de inkopers over de web-app, focus op gebruiksgemak.
Model geselecteerd voor productie (verdere verbetering kan altijd nog).
+
Een schets van de web-app
Maand 3Web-app interface bouwen (nog zonder model erachter) en nogmaals afstemmen met inkopers.
+
Web-app helemaal afmaken (inclusief voorspelmodel) en zelf testen, liefst ook met enkele pilot-gebruikers.
Werkende web-app
Maand 4Web-app testen met meer inkopers, daarna trainingsmomenten organiseren zodat iedereen het gaat gebruiken.
+
Daarna actief monitoren of de web-app echt altijd gebruikt wordt, en zo direct gepaste actie ondernemen.
Web-app die daadwerkelijk gebruikt wordt
Maand 5Gebruik actief blijven monitoren.
+
Systemen uitbouwen voor de maandelijkse monitoring & update van het model.
Monitoring-systeem
Begin maand 6Eerste monitoring-moment (hoewel onvolledig omdat sommige auto’s nog niet verkocht zijn dus onbekend is hoe lang dat nog gaat duren)Gebruikers motiveren door (voorlopige) successen te delen.
Begin maand 10 Eerste volledige monitoring-moment (alle auto’s uit maand 5 zijn nu verkocht, dus we weten precies hoe goed onze voorspellingen waren).Concrete resultaten! Zie Fase 4

Tabel 2: implementatie

Fase 4: Resultaten

Dit voorbeeld-project is niet daadwerkelijk geïmplementeerd, maar met zorgvuldige “crossvalidatie” kunnen we toch een idee krijgen van de mogelijke resultaten. Hieronder staan de resultaten van een relatief eenvoudig voorspelmodel:

Nieuwe situatieNormale verkoopUitverkoopVeilingTotaal
Gemiddelde inkoopprijs€ 3000€ 3000€ 3000
Gemiddelde verkoopprijs€ 3600€ 3000€ 2100
Bruto marge20%0%-30%
Aantal auto’s per maand23352142072757 (-6%)
Gemiddelde doorlooptijd (dagen)2510412138 (-12%)
Omzet€ 8.406 k€ 643 k€ 435 k€ 9.485 k
Bruto winst€ 1.401 k€ 0 k€ -186 k€ 1.215 k
Vaste lasten (o.a. personeel)€ 1.000 k
Netto winst per maand€ 215 k (+78%)
Oude netto winst per maand€ 121 k
Toename netto winst€ 94 k
Toename netto winst na performance fee (10%)€ 84 k (+70%)

Tabel 3: nieuwe situatie

Zoals afgesproken in Fase 2, verandert alleen het aantal auto’s per uitkomst, en daardoor de geschatte omzet en winst per maand (blauw in Tabel 3). (Het aantal 2335 is toevallig hetzelfde als in Tabel 1, maar had net zo goed iets hoger of lager kunnen zijn).

Conclusies

70% meer winst

De winst is met tweederde toegenomen, dankzij het verzamelen van data, een klein stukje software, en 4 à 5 maanden werk.

Zonder investering

U geniet de voordelen al vanaf maand 5, en betaalt de eerste factuur pas in maand 10.

En zonder zorgen

De kwaliteit van de voorspellingen wordt maandelijks gemonitord. Waar mogelijk wordt het model nog verder verbeterd.

Wilt u ook zoiets?

Neem dan nu contact op voor een gratis oriënterend gesprek:

085 – 06 05 055

Of email: