Dus hoe kun je een real-world plan voor JIT-inventarisatie uitvoeren te midden van al deze risico's en onzekerheden? De basis van uw reactie zijn uw bedrijfsgegevens. Onzekerheid heeft twee bronnen: vraag en aanbod. Voor beide heb je de feiten nodig.
Maak aan de aanbodzijde gebruik van de gegevens die u heeft over recente doorlooptijden van leveranciers, die de huidige turbulentie weerspiegelen. Gebruik geen gemiddelde waarden als u kansverdelingen kunt gebruiken die het volledige bereik van onvoorziene gebeurtenissen weergeven. Overweeg deze vergelijking. Leverancier A voert nu op betrouwbare wijze bestellingen uit in precies 10 dagen. Leverancier B is ook gemiddeld 10 dagen maar doet het met een 78%/22% mix van 7 en 21 dagen. Zowel A als B hebben een gemiddelde aanvullingsvertraging van 10 dagen, maar de operationele resultaten die ze opleveren zullen heel verschillend zijn. U kunt dit alleen herkennen als u waarschijnlijkheidsmodellen van voorraadprestaties gebruikt.
Aan de vraagzijde gelden soortgelijke overwegingen. Ten eerste, erken dat er mogelijk een grote verschuiving heeft plaatsgevonden in de aard van de vraag naar artikelen (statistici noemen dit een "regimeverandering"), dus verwijder uit uw analyse alle gegevens die de "goede oude tijd" vertegenwoordigen. Stop dan weer met denken in termen van gemiddelden. Hoewel de gemiddelde vraag belangrijk is, is deze geen voldoende beschrijving van het probleem waarmee u wordt geconfronteerd. Even belangrijk is de volatiliteit van de vraag. Volatiliteit is de reden dat u in de eerste plaats voorraad aanhoudt. Als de vraag volledig voorspelbaar zou zijn, zou u geen stockouts of overtollige voorraad hebben. Net zoals u de volledige waarschijnlijkheidsverdeling van doorlooptijden voor bevoorrading moet schatten, hebt u de volledige verdeling van vraagwaarden nodig.
Zodra u het bereik van variabiliteit in zowel vraag als aanbod begrijpt, kunt u met probabilistische prognoses rekening houden met verstoringen en ongebruikelijke gebeurtenissen. Software zet uw gegevens on demand en doorlooptijden om in een groot aantal scenario's die aangeven hoe uw volgende planningsperiode eruit zou kunnen zien. Op basis van die scenario's kan de software bepalen hoe uw doelen het beste kunnen worden bereikt voor statistieken als voorraadkosten en voorraadpercentages. Met behulp van oplossingen zoals Smart Inventory Optimization plant u vol vertrouwen op basis van uw beoogde voorraadrisico met minimale voorraadkosten. U kunt ook overwegen om de oplossing optimale serviceniveaudoelen te laten voorschrijven door de kosten van extra voorraad versus voorraadkosten te beoordelen.
Bij voorraadplanning kunnen we, net als in de wetenschap, niet ontsnappen aan de realiteit van onzekerheid en de impact van ongewone gebeurtenissen. We moeten dienovereenkomstig plannen: met software voor voorraadoptimalisatie kunt u het serviceniveau met de laagste kosten bepalen. Dit creëert een coherente, bedrijfsbrede inspanning die inzicht in de huidige activiteiten combineert met wiskundig correcte beoordelingen van toekomstige risico's en omstandigheden.
Voorraadplanning is "interessanter" geworden en vereist een grotere mate van risicobewustzijn en wendbaarheid. De juiste software kan daarbij helpen.
gerelateerde berichten

Maak van AI-gestuurde voorraadoptimalisatie een bondgenoot voor uw organisatie
In deze blog onderzoeken we hoe organisaties uitzonderlijke efficiëntie en nauwkeurigheid kunnen bereiken met AI-gestuurde voorraadoptimalisatie. Traditionele methoden voor voorraadbeheer schieten vaak tekort vanwege hun reactieve karakter en hun afhankelijkheid van handmatige processen. Het handhaven van optimale voorraadniveaus is van fundamenteel belang om aan de vraag van de klant te voldoen en tegelijkertijd de kosten te minimaliseren. De introductie van AI-gestuurde voorraadoptimalisatie kan de last van handmatige processen aanzienlijk verminderen, waardoor supply chain-managers worden ontlast van vervelende taken.

Dagelijkse vraagscenario's
In deze videoblog leggen we uit hoe tijdreeksvoorspellingen naar voren zijn gekomen als een cruciaal hulpmiddel, vooral op dagelijks niveau, waarmee Smart Software sinds de oprichting ruim veertig jaar geleden pionierde. De evolutie van bedrijfspraktijken van jaarlijkse naar meer verfijnde temporele stappen zoals maandelijkse en nu dagelijkse data-analyse illustreert een significante verschuiving in operationele strategieën.

Constructief spelen met Digital Twins
Degenen onder u die actuele onderwerpen volgen, zullen bekend zijn met de term ‘digitale tweeling’. Degenen die het te druk hebben gehad met hun werk, willen misschien verder lezen en bijpraten. Hoewel er verschillende definities van een digitale tweeling bestaan, is er één die goed werkt: een digitale tweeling is een dynamische virtuele kopie van een fysiek bezit, proces, systeem of omgeving die er hetzelfde uitziet en zich hetzelfde gedraagt als zijn tegenhanger in de echte wereld. Een digitale tweeling neemt gegevens op en repliceert processen, zodat u mogelijke prestatieresultaten en problemen kunt voorspellen die het echte product kan ondergaan.