Vier veelgemaakte fouten bij het plannen van aanvullingsdoelen

Whether you are using ‘Min/Max’ or ‘reorder point’ and ‘order quantity’ to determine when and how much to restock, your approach might deliver or deny huge efficiencies. Key mistakes to avoid:


  1. Not recalibrating regularly
  2. Only reviewing Min/Max when there is a problem
  3. Using Forecasting methods not up to the task
  4. Assuming data is too slow moving or unpredictable for it to matter


We have over 150,000 SKU x Location combinations. Our demand is intermittent. Since it’s slow moving, we don’t need to recalculate our reorder points often. We do so maybe once annually but review the reorder points whenever there is a problem.” – Materials Manager.


This reactive approach will lead to millions in excess stock, stock outs, and lots of wasted time reviewing data when “something goes wrong.” Yet, I’ve heard this same refrain from so many inventory professionals over the years. Clearly, we need to do more to share why this thinking is so problematic.

It is true that for many parts, a recalculation of the reorder points with up-to-date historical data and lead times might not change much, especially if patterns such as trend or seasonality aren’t present. However, many parts will benefit from a recalculation, especially if lead times or recent demand has changed. Plus, the likelihood of significant change that necessitates a recalculation increases the longer you wait. Finally, those months with zero demands also influence the probabilities and shouldn’t be ignored outright. The key point though is that it is impossible to know what will change or won’t change in your forecast, so it’s better to recalibrate regularly.


  Planning Replenishment Targets Software calculate

This standout case from real world data illustrates a scenario where regular and automated recalibration shines—the benefits from quick responses to changing demand patterns like these add up quickly. In the above example, the X axis represents days, and the Y axis represents demand. If you were to wait several months between recalibrating your reorder points, you’d undoubtedly order far too soon. By recalibrating your reorder point far more often, you’ll catch the change in demand enabling much more accurate orders.


Rather than wait until you have a problem, recalibrate all parts every planning cycle at least once monthly. Doing so takes advantage of the latest data and proactively adjusts the stocking policy, thus avoiding problems that would cause manual reviews and inventory shortages or excess.

The nature of your (potentially varied) data also needs to be matched with the right forecasting tools. If records for some parts show trend or seasonal patterns, using targeting forecasting methods to accommodate these patterns can make a big difference. Similarly, if the data show frequent zero values (intermittent demand), forecasting methods not built around this special case can easily deliver unreliable results.

Automate, recalibrate and review exceptions. Purpose built software will do this automatically. Think of it another way: is it better to dump a bunch of money into your 401K once per year or “dollar cost average” by depositing smaller, equally sized amounts throughout the year. Recalibrating policies regularly will yield maximized returns over time, just as dollar cost averaging will do for your investment portfolio.

How often do you recalibrate your stocking policies? Why?



Breid de prognoses en min/max-planning van Epicor Kinetic uit met Smart IP&O

Extend Epicor Kinetic’s Forecasting & Min/Max Planning with Smart IP&O  
Epicor Kinetic can manage replenishment by suggesting what to order and when via reorder point-based inventory policies. Users can either manually specify these reorder points or use a daily average of demand to dynamically compute the policies.  If the policies aren’t correct then the automatic order suggestions will be inaccurate, and in turn the organization will end up with excess inventory, unnecessary shortages, and a general mistrust of their software systems.  In this article, we will review the inventory ordering functionality in Epicor Kinetic, explain its limitations, and summarize how Smart Inventory Planning & Optimization (Smart IP&O) can help reduce inventory, minimize stockouts and restore your organization’s trust in your ERP by providing the robust predictive functionality that is missing from ERP systems.

Epicor Kinetic (and Epicor ERP 10) Replenishment Policies
In the item maintenance screen of Epicor Kinetic, users can enter planning parameters for every stock item. These include Min On-Hand, Max On-Hand, Safety Stock lead times, and order modifiers such as supplier imposed minimum and maximum order quantities and order multiples.  Kinetic will reconcile incoming supply, current on hand, outgoing demand, stocking policies, and demand forecasts (that must be imported) to net out the supply plan.   Epicor’s time-phased replenishment inquiry details what is up for order and when while the Buyers Workbench enables users to assemble purchase orders.

Epicor’s Min/Max/Safety logic and forecasts that are entered into the “forecast entry” screen drives replenishment.  Here is how it works:

  • The reorder point is equal to Min + Safety. This means whenever on hand inventory drops below the reorder point an order suggestion will be created. If demand forecasts are imported via Epicor’s “forecast entry” screen the reorder point will account for the forecasted demand over the lead time and is equal to Min + Safety + Lead time forecast
  • If “reorder to Max” is selected, Epicor will generate an order quantity up to the Max. If not selected, Epicor will order the “Min Order Qty” if MOQ is less than the forecasted quantity over the time fence. Otherwise, it will order the forecasted demand over the time-period specified.  In the buyer’s workbench, the buyer can modify the actual order quantity if desired.


Epicor’s Min/Max/Safety relies on an average of daily demand. It is easy to set up and understand.  It can also be effective when you don’t have lots of demand history. However, you’ll have to create forecasts and adjust for seasonality, trend, and other patterns externally.  Finally, multiples of averages also ignore the important role of demand or supply variability and this can result in misallocated stock as illustrated in the graphic below: 


Epicor same average demand and safety stock is determined

In this example, two equally important items have the same average demand (2,000 per month) and safety stock is determined by doubling the lead time demand resulting in a reorder point of 4,000. Because the multiple ignores the role of demand variability, Item A results in a significant overstock and Item B results in significant stockouts.

As designed, Min should hold expected demand over lead time and Safety should hold a buffer. However, these fields are often used very differently across items without a uniform policy; sometimes users even enter a Min and Safety Stock even though the item is being forecasted, effectively over estimating demand! This will generate order suggestions before it is needed, resulting in overstocks.  

Spreadsheet Planning
Many companies turn to spreadsheets when they face challenges setting policies in their ERP system.  These spreadsheets often rely on user defined rule of thumb methods that often do more harm than good.  Once calculated, they must input the information back into Epicor,  via manual file imports or even manual entry.  The time consuming nature of the process leads companies to infrequently compute their inventory policies – Many months of even years go by in between mass updates leading to a “set it and forget it” reactive approach, where the only time a buyer/planner reviews inventory policy is at the time of order.  When policies are reviewed after the order point is already breached it is too late.  When the order point is deemed too high, manual interrogation is required to review history, calculate forecasts, assess buffer positions, and to recalibrate.  The sheer volume of orders means that buyers will just release orders rather than take the painstaking time to review everything leading to significant excess stock.  If the reorder point is too low, it’s already too late.  An expedite is now required driving up costs and even then you’ll still lose sales if the customer goes elsewhere.

Epicor is Smarter
Epicor has partnered with Smart Software and offers Smart IP&O as a cross platform add-on to Epicor Kinetic and Prophet 21 with API based integrations.  This enables Epicor customers to leverage built for purpose best of breed forecasting and inventory optimization applications.  With Epicor Smart IP&O you can automatically recalibrate policies every planning cycle using field proven, cutting-edge statistical and probabilistic models.  You can calculate demand forecasts that account for seasonality, trend, and cyclical patterns.  Safety stocks will account for demand and supply variability, business conditions, and priorities.  You can leverage service level gestuurde planning zodat je net genoeg voorraad hebt of aanzet optimalisatie methodes die het meest winstgevende voorraadbeleid en serviceniveaus voorschrijven die rekening houden met de werkelijke kosten van voorraadbeheer. U kunt consensusvraagprognoses maken die zakelijke kennis combineren met statistieken, klant- en verkoopprognoses beter beoordelen en met een paar muisklikken vol vertrouwen prognoses en voorraadbeleid uploaden naar Epicor.

Slimme IP&O-klanten realiseren routinematig een jaarlijks rendement van 7 cijfers door minder spoed, meer verkopen en minder overtollige voorraad, terwijl ze tegelijkertijd een concurrentievoordeel behalen door zich te onderscheiden op het gebied van verbeterde klantenservice. Om een opgenomen webinar te zien, gehost door de Epicor Users Group, waarin het platform voor vraagplanning en voorraadoptimalisatie van Smart wordt geprofileerd, kunt u zich hier registreren:





Breid Microsoft 365 BC en NAV uit met Smart IP&O

Microsoft Dynamics 365 BC and NAV can manage replenishment by suggesting what to order and when via reorder point-based inventory policies. The problem is that the ERP system requires that the user manually specify these reorder points and/or forecasts. As a result, most organizations end up forecasting and generating inventory policies by hand in Excel spreadsheets or using other ad hoc approaches. Given poor inputs, automatic order suggestions will be inaccurate, and in turn the organization will end up with excess inventory, unnecessary shortages, and a general mistrust of their software systems.  In this article, we will review the inventory ordering functionality in BC & NAV, explain its limitations, and summarize how Smart Inventory Planning & Optimization can help reduce inventory, minimize stockouts and restore your organization’s trust in your ERP by providing the robust predictive functionality that is missing in Dynamics 365.


Microsoft Dynamics 365 BC and NAV Replenishment Policies

In the inventory management module of NAV and BC, users can manually enter planning parameters for every stock item. These parameters include reorder points, safety stock lead times, safety stock quantities, reorder cycles, and order modifiers such as supplier imposed minimum and maximum order quantities and order multiples.  Once entered, the ERP system will reconcile incoming supply, current on hand, outgoing demand, and the user defined forecasts and stocking policies to net out the supply plan or order schedule (i.e., what to order and when).


There are 4 replenishment policy choices in NAV & BC:  Fixed Reorder Quantity, Maximum Quantity, Lot-For-Lot and Order.

  • Fixed Reorder Quantity and Max are reorder point-based replenishment methods. Both suggest orders when on hand inventory hits the reorder point.  With fixed ROQ, the order size is specified and will not vary until changed.  With Max, order sizes will vary based on stock position at time of order with orders being placed up to the Max.
  • Lot-for Lot is a forecasted based replenishment method that pools total demand forecasted over a user defined time frame (the “lot accumulation period”) and generates an order suggestion totaling the forecasted quantity. So, if your total forecasted demand is 100 units per month and the lot accumulation period is 3 months, then your order suggestion would equal 300 units.
  • Order is a make to order based replenishment method. It doesn’t utilize reorder points or forecasts. Think of it as a “sell one, buy one” logic that only places orders after demand is entered.



Every one of BC and NAVs replenishment settings must be entered manually or imported from external sources.  There simply isn’t any way for users to natively generate any inputs (especially not optimal ones). The lack of credible functionality for forecasting and inventory optimization within the ERP system is why so many NAV and BC users are forced to rely on spreadsheets.  Planners must manually set demand forecasts and reordering parameters.  They often rely on user defined rule of thumb methods or outdated and overly simplified statistical models.  Once calculated, they must input the information back into their system, often via cumbersome file imports or even manual entry.  Companies infrequently compute their policies because it is time consuming and error prone. We have even encountered situations where the reorder points haven’t been updated in years. Many organizations also tend to employ a reactive “set it and forget it” approach, where the only time a buyer/planner reviews inventory policy is at the time of order–after the order point is already breached.


If the order point is deemed too high, it requires manual interrogation to review history, calculate forecasts, assess buffer positions, and to recalibrate.  Most of the time, the sheer magnitude of orders means that buyers will just release it creating significant excess stock.  And if the reorder point is too low, well, it’s already too late. An expedite is required to avoid a stockout and if you can’t expedite, you’ll lose sales.


Get Smarter

Wouldn’t it be better to simply leverage a best of breed add-on for demand planning and inventory optimization that has an API based bidirectional integration? This way, you could automatically recalibrate policies every single planning cycle using field proven, cutting edge statistical models.  You would be able to calculate demand forecasts that account for seasonality, trend, and cyclical patterns.  Safety stocks would account for demand and supply variability, business conditions, and priorities.  You’d be able to target specific service levels so you have just enough stock.  You could even leverage optimization methods that prescribe the most profitable stocking policies and service levels that consider the real costs of carrying inventory. With a few mouse-clicks you could update NAV and BC’s replenishment policies on-demand. This means better order execution in NAV and BC, maximizing your existing investment in your ERP system.


Smart IP&O customers routinely helps customers realize 7 figure annual returns from reduced expedites, increased sales, and less excess stock, all the while gaining a competitive edge by differentiating themselves on improved customer service.


To see a recording of the Dynamics Communities Webinar showcasing Smart IP&O, register here:




Het Supply Chain Blame-spel: Top 3 excuses voor voorraadtekorten en -overschotten
  1. Tekorten de schuld geven van doorlooptijdvariabiliteit
    Leveranciers komen vaak te laat, soms veel. Vertragingen in de doorlooptijd en variabiliteit in de levering zijn levensfeiten in de toeleveringsketen, toch worden voorraaddragende organisaties vaak verrast als een leverancier te laat is. Een effectief inventarisplanningsproces omarmt deze feiten van het leven en ontwikkelt beleid dat effectief rekening houdt met deze onzekerheid. Natuurlijk zullen er momenten zijn waarop vertragingen in de doorlooptijd uit het niets komen. Maar meestal wordt het voorraadbeleid, zoals bestelpunten, veiligheidsvoorraden en Min/Max-niveaus, niet vaak genoeg opnieuw gekalibreerd om veranderingen in de doorlooptijd in de loop van de tijd op te vangen. Veel bedrijven beoordelen het bestelpunt pas nadat het is geschonden, in plaats van opnieuw te kalibreren na elke nieuwe ontvangst van de doorlooptijd. We hebben situaties gezien waarin de Min/Max-instellingen alleen jaarlijks opnieuw worden gekalibreerd of zelfs volledig handmatig zijn. Als u een berg onderdelen heeft met oude Min/Max-niveaus en bijbehorende doorlooptijden die een jaar geleden relevant waren, zou het geen verrassing moeten zijn dat u niet genoeg voorraad heeft om u vast te houden tot de volgende bestelling arriveert. 


  1. Excess de schuld geven van slechte verkopen/klantprognoses
    Prognoses van uw klanten of uw verkoopteam worden vaak opzettelijk overschat om de levering te garanderen, als reactie op voorraadtekorten in het verleden waar ze werden achtergelaten om te drogen. Of de vraagprognoses zijn onnauwkeurig, simpelweg omdat het verkoopteam niet echt weet wat de vraag van hun klant zal zijn, maar gedwongen wordt een cijfer op te geven. Variabiliteit van de vraag is een ander feit van het leven in de toeleveringsketen, dus planningsprocessen moeten er beter rekening mee houden. Waarom zouden verkoopteams moeten vertrouwen op het voorspellen wanneer ze het bedrijf het beste van dienst kunnen zijn door te verkopen? Waarom zou je het spel spelen van het veinzen van acceptatie van klantprognoses als beide partijen weten dat het vaak niets meer is dan een WAG? Een betere manier is om de onzekerheid te accepteren en overeenstemming te bereiken over een mate van voorraadrisico die acceptabel is voor groepen artikelen. Zodra het voorraadrisico is overeengekomen, kunt u een nauwkeurige schatting maken van de veiligheidsvoorraad die nodig is om de variabiliteit van de vraag tegen te gaan. De vangst is buy-in, omdat u zich misschien niet superhoge serviceniveaus voor alle items kunt veroorloven. Klanten moeten bereid zijn een hogere prijs per eenheid te betalen om extreem hoge serviceniveaus te kunnen leveren. Verkopers moeten accepteren dat bepaalde artikelen meer kans hebben op nabestellingen als ze prioriteit geven aan voorraadinvesteringen in andere artikelen. Het gebruik van een consensus-veiligheidsvoorraadproces zorgt ervoor dat u op de juiste manier buffert en de juiste verwachtingen schept. Wanneer je dit doet, bevrijd je alle partijen van het voorspellingsspel waar ze in de eerste plaats niet voor waren uitgerust. 


  1. Problemen de schuld geven van slechte gegevens
    "Garbage In/Garbage Out" is een veelvoorkomend excuus waarom het nu niet het juiste moment is om te investeren in planningssoftware. Het is natuurlijk waar dat als je slechte gegevens in een model invoert, je geen goede resultaten krijgt, maar hier komt het: ergens in de organisatie is iemand bezig met het plannen van de inventaris, het opstellen van een prognose en het nemen van beslissingen over wat te kopen . Doen ze dit blindelings of gebruiken ze gegevens die ze in een spreadsheet hebben verzameld om hen te helpen bij het nemen van beslissingen over voorraadplanning? Hopelijk het laatste. Combineer die interne kennis met software, het automatiseren van gegevensimport uit het ERP en het opschonen van gegevens. Eenmaal geharmoniseerd, levert uw planningssoftware voortdurend bijgewerkte, goed gestructureerde vraag- en doorlooptijdsignalen die nu effectieve vraagprognose en voorraadoptimalisatie mogelijk maken. Smart Software-medeoprichter Tom Willemain schreef in een IBF-nieuwsbrief dat "veel gegevensproblemen voortkomen uit gegevens die zijn verwaarloosd totdat een prognoseproject ze belangrijk maakte." Dus start dat prognoseproject, want stap één is ervoor zorgen dat "wat erin gaat" een ongerept, gedocumenteerd en nauwkeurig vraagsignaal is.



Voorraad optimaliseren rond de minimale bestelhoeveelheden van leveranciers

Onlangs had ik een interessant gesprek met een voorraadbeheerder en de VP Financiën. We bespraken de voordelen van het automatisch optimaliseren van zowel bestelpunten als bestelhoeveelheden. De VP Finance was bezorgd dat ze, gezien hun grote leverancier die minimale bestelhoeveelheden vereiste, er niet van zouden kunnen profiteren. Hij zei dat zijn leveranciers alle macht in handen hadden, hem dwongen enorme minimale bestelhoeveelheden te accepteren en zijn handen vastbinden. Hoewel hij zich hier rot over voelde, zag hij een zilveren randje: hij hoefde geen planning te maken. Hij zou een grote voorraadinvestering accepteren, maar zijn klantenserviceniveau zou uitzonderlijk zijn. Misschien werd aangenomen dat de grote voorraadinvestering de kosten van het zakendoen waren.

Ik duwde terug en wees erop dat hij niet zo machteloos was als hij zich voelde. Hij had nog steeds controle over de andere helft van het inkoopproces: hoewel hij niet kon bepalen hoeveel hij moest bestellen, kon hij wel bepalen wanneer hij moest bestellen door het bestelpunt aan te passen. Met andere woorden, er is altijd ruimte voor zorgvuldige kwantitatieve analyse in voorraadbeheer, zelfs als u één hand op de rug hebt gebonden.

Een voorbeeld

Om wat cijfers achter mijn argument te plaatsen, heb ik een scenario gemaakt en het vervolgens geanalyseerd met behulp van onze methodologie om te laten zien hoe consequent het kan zijn om software voor voorraadoptimalisatie te gebruiken, zelfs in krappe situaties. In dit scenario is de vraag naar artikelen gemiddeld 2,2 eenheden per dag, maar deze varieert aanzienlijk per dag van de week. Laten we zeggen dat de denkbeeldige leverancier aandringt op een minimale bestelhoeveelheid van 500 eenheden (ver buiten proportie met de vraag) en de aanvullingsorders in drie dagen of tien dagen in gelijke verhoudingen uitvoert (vrij inconsistent). Laten we, om de schuld te verspreiden, ook aannemen dat de denkbeeldige klant van de denkbeeldige leverancier een dwaze regel gebruikt dat het bestelpunt 10% van de minimale bestelhoeveelheid moet zijn. (Waarom deze regel? Te veel bedrijven gebruiken eenvoudige/simplistische vuistregels in plaats van een goede analyse.)

We hebben dus een basisscenario waarin de bestelhoeveelheid 500 eenheden is en het bestelpunt 50 eenheden is. In dit geval is het opvulpercentage 100%, maar het gemiddelde aantal beschikbare eenheden is maar liefst 330. Als de klant het bestelpunt eenvoudigweg zou verlagen van 50 naar 15, zou het opvulpercentage nog steeds 99,5% zijn, maar de gemiddelde voorraad bij de hand zou dalen met 11% tot 295 eenheden. Met de ene hand die niet op zijn rug gebonden was, kon de voorraadbeheerder zijn voorraadinvestering met meer dan 10% verminderen, wat een merkbare overwinning zou zijn.

Overigens, als de minimale bestelhoeveelheid zou worden afgeschaft, zou de klant vrij zijn om tot een nieuwe en veel betere oplossing te komen. Door de bestelhoeveelheid in te stellen op 45 en het bestelpunt op 25 zou een opvulpercentage van 99% worden bereikt ten koste van een dagelijks voorraadniveau van slechts 35 eenheden: bijna een 90%-reductie in voorraadinvestering: een belangrijke verbetering ten opzichte van de status-quo.


Deze berekeningen zijn mogelijk met behulp van onze software, die de anders onbekende relaties tussen de ontwerpkeuzes van het voorraadsysteem (bijv. bestelhoeveelheid en bestelpunt) en belangrijke prestatie-indicatoren (bijv. gemiddelde beschikbare eenheden en opvulpercentage) zichtbaar kan maken. Gewapend met dit vermogen om deze berekeningen uit te voeren, kunnen nu alternatieve afspraken met de leverancier worden overwogen. Wat als de leverancier, in ruil voor het betalen van een hogere prijs per eenheid, bijvoorbeeld instemt met een lagere MOQ. Door de software te gebruiken om een analyse uit te voeren van de belangrijkste prestatie-indicatoren met behulp van de "wat als"-kosten en MOQ's, zouden de kosten per eenheid en MOQ worden onthuld die nodig zouden zijn om een meer winstgevende deal te ontwikkelen. Eenmaal geïdentificeerd, hebben alle partijen er baat bij. De leverancier genereert nu een betere marge op de verkoop van zijn producten en de koper houdt aanzienlijk minder voorraad aan, wat leidt tot een verlaging van de holdingkosten die de toegevoegde kosten per eenheid in de schaduw stelt. Iedereen wint.