The Importance of Clear Service Level Definitions in Inventory Management

 

Inventory optimization software that supports what-if analysis will expose the tradeoff of stockouts vs. excess costs of varying service level targets. But first it is important to identify how “service levels” is interpreted, measured, and reported. This will avoid miscommunication and the false sense of security that can develop when less stringent definitions are used.  Clearly defining how service level is calculated puts all stakeholders on the same page. This facilitates better decision-making.

There are many differences in what companies mean when they cite their “service levels.”  This can vary from company to company and even from department to department within a company.  Here are two examples:

 

  1. Service level measured “from the shelf” vs. a customer-quoted lead time.
    Service level measured “from the shelf” means the percentage of units ordered that are immediately available from stock. However, when a customer places an order, it is often not shipped immediately. Customer service or sales will quote when the order will be shipped. If the customer is OK with the promised ship date and the order is shipped by that date, then service level is considered to have been met.  Service levels will clearly be higher when calculated over a customer quoted lead time vs. “from the shelf.”
  1. Service level measured over fixed vs. variable customer quoted lead time.
    High service levels are often skewed because customer-quoted lead times are later adjusted to allow nearly every order to be filled “on time and in full.” This happens when the initial lead time can’t be met, but the customer agrees to take the order later, and the customer quoted lead time field that is used to track service level is adjusted by sales or customer service.

Clarifying how “service levels” are defined, measured, and reported is essential for aligning organizations and enhancing decision-making, resulting in more effective inventory management practices.

 

De methoden voor voorspelling

Software voor vraagplanning en statistische prognoses speelt een cruciale rol in effectief bedrijfsbeheer door functies te integreren die de nauwkeurigheid van prognoses aanzienlijk verbeteren. Een belangrijk aspect is het gebruik van op afvlakking gebaseerde of extrapolatieve modellen, waardoor bedrijven snel voorspellingen kunnen doen die uitsluitend op historische gegevens zijn gebaseerd. Deze basis, geworteld in prestaties uit het verleden, is cruciaal voor het begrijpen van trends en patronen, vooral in variabelen zoals verkoop of productvraag. Voorspellingssoftware gaat verder dan louter data-analyse door de combinatie van professioneel oordeel met statistische voorspellingen mogelijk te maken, waarbij wordt erkend dat prognoses geen one-size-fits-all proces zijn. Deze flexibiliteit stelt bedrijven in staat menselijke inzichten en sectorkennis in het voorspellingsmodel op te nemen, waardoor een genuanceerdere en nauwkeurigere voorspelling wordt gegarandeerd.

Functies zoals het voorspellen van meerdere artikelen als groep, het rekening houden met promotiegestuurde vraag en het omgaan met intermitterende vraagpatronen zijn essentiële mogelijkheden voor bedrijven die te maken hebben met uiteenlopende productportfolio's en dynamische marktomstandigheden. Een juiste implementatie van deze toepassingen geeft bedrijven de beschikking over veelzijdige prognosetools, die aanzienlijk bijdragen aan geïnformeerde besluitvorming en operationele efficiëntie.

Extrapolatieve modellen

Onze oplossingen voor vraagvoorspelling ondersteunen een verscheidenheid aan voorspellingsbenaderingen, waaronder extrapolatieve of op afvlakking gebaseerde voorspellingsmodellen, zoals exponentiële afvlakking en voortschrijdende gemiddelden. De filosofie achter deze modellen is eenvoudig: ze proberen zich herhalende patronen in de historische gegevens te detecteren, kwantificeren en in de toekomst te projecteren.

  Er zijn twee soorten patronen die in de historische gegevens kunnen worden aangetroffen:

  • Trend
  • Seizoensgebondenheid

Deze patronen worden in de volgende afbeelding geïllustreerd, samen met willekeurige gegevens.

De methoden voor voorspelling

 

Ter illustratie van trend-, seizoens- en willekeurige tijdreeksgegevens

Als het patroon een trend is, schatten extrapolatieve modellen zoals dubbele exponentiële afvlakking en lineair voortschrijdend gemiddelde het tempo van de stijging of daling van het niveau van de variabele en projecteren dat tempo naar de toekomst.

Als het patroon seizoensgebonden is, schatten modellen zoals Winters en drievoudige exponentiële afvlakking seizoensvermenigvuldigers of seizoensgebonden optellingsfactoren en passen deze vervolgens toe op projecties van het niet-seizoensgebonden deel van de gegevens.

Heel vaak, vooral bij gegevens over detailhandelsverkopen, zijn zowel trend- als seizoenspatronen betrokken. Als deze patronen stabiel zijn, kunnen ze worden benut om zeer nauwkeurige voorspellingen te doen.

Soms zijn er echter geen duidelijke patronen, zodat de plots van de gegevens op willekeurige ruis lijken. Soms zijn patronen duidelijk zichtbaar, maar ze veranderen in de loop van de tijd en er kan niet op worden vertrouwd dat ze zich herhalen. In deze gevallen proberen de extrapolatieve modellen geen patronen te kwantificeren en te projecteren. In plaats daarvan proberen ze de ruis te middelen en goede schattingen te maken van het midden van de verdeling van gegevenswaarden. Deze typische waarden worden dan de voorspellingen. Wanneer gebruikers een historisch plot met veel ups en downs zien, maken ze zich soms zorgen omdat de voorspelling deze ups en downs niet repliceert. Normaal gesproken hoeft dit geen reden tot bezorgdheid te zijn. Dit gebeurt wanneer de historische patronen niet sterk genoeg zijn om het gebruik van een voorspellingsmethode te rechtvaardigen die het patroon repliceert. U wilt er zeker van zijn dat uw prognoses niet lijden onder het “wiebeleffect” dat hierin wordt beschreven blogpost.

Het verleden als voorspeller van de toekomst

De belangrijkste aanname die inherent is aan extrapolatieve modellen is dat het verleden een goede leidraad is voor de toekomst. Deze veronderstelling kan echter mislukken. Sommige historische gegevens kunnen verouderd zijn. De gegevens kunnen bijvoorbeeld een bedrijfsomgeving beschrijven die niet meer bestaat. Of de wereld die het model vertegenwoordigt, kan binnenkort veranderen, waardoor alle gegevens overbodig worden. Vanwege dergelijke complicerende factoren zijn de risico's van extrapolatieve voorspellingen kleiner als er slechts korte tijd in de toekomst wordt voorspeld.

Extrapolatieve modellen hebben het praktische voordeel dat ze goedkoop zijn en gemakkelijk te bouwen, te onderhouden en te gebruiken. Ze vereisen alleen nauwkeurige registraties van waarden uit het verleden van de variabelen die u moet voorspellen. Naarmate de tijd verstrijkt, voegt u eenvoudigweg de nieuwste gegevenspunten toe aan de tijdreeks en maakt u een nieuwe voorspelling. De hieronder beschreven causale modellen vereisen daarentegen meer denkwerk en meer gegevens. De eenvoud van extrapolatieve modellen wordt het meest op prijs gesteld als u met een enorm voorspellingsprobleem kampt, zoals het maken van nachtelijke prognoses van de vraag naar alle 30.000 artikelen die in een magazijn op voorraad zijn.

Oordelende aanpassingen

Extrapolatieve modellen kunnen met Demand Planner volledig automatisch worden uitgevoerd, zonder dat tussenkomst vereist is. Causale modellen vereisen inhoudelijk oordeel voor een verstandige selectie van onafhankelijke variabelen. Beide soorten statistische modellen kunnen echter worden verbeterd door oordelende aanpassingen. Beiden kunnen profiteren van uw inzichten.

Zowel causale als extrapolatieve modellen zijn gebaseerd op historische gegevens. Het is echter mogelijk dat u over aanvullende informatie beschikt die niet wordt weerspiegeld in de cijfers in het historische record. U weet bijvoorbeeld misschien dat de concurrentieomstandigheden binnenkort zullen veranderen, misschien als gevolg van prijskortingen of trends in de sector, of de opkomst van nieuwe concurrenten, of de aankondiging van een nieuwe generatie van uw eigen producten. Als deze gebeurtenissen plaatsvinden tijdens de periode waarvoor u voorspellingen doet, kunnen ze de nauwkeurigheid van puur statistische voorspellingen aantasten. Met de grafische aanpassingsfunctie van Smart Demand Planner kunt u deze extra factoren in uw prognoses opnemen via het proces van grafische aanpassing op het scherm.

Houd er rekening mee dat het toepassen van gebruikersaanpassingen op de prognose een tweesnijdend zwaard is. Als het op de juiste manier wordt gebruikt, kan het de nauwkeurigheid van voorspellingen verbeteren door gebruik te maken van een rijkere reeks informatie. Als het promiscue wordt gebruikt, kan het extra ruis aan het proces toevoegen en de nauwkeurigheid verminderen. Wij raden u aan spaarzaam om te gaan met oordelende aanpassingen, maar nooit blindelings de voorspellingen van een puur statistische voorspellingsmethode te aanvaarden. Het is ook erg belangrijk om de verwachte toegevoegde waarde te meten. Dat wil zeggen de waarde die door elke incrementele stap aan het prognoseproces wordt toegevoegd. Als u bijvoorbeeld aanpassingen toepast op basis van bedrijfskennis, is het belangrijk om te meten of deze aanpassingen waarde toevoegen door de nauwkeurigheid van de prognoses te verbeteren. Smart Demand Planner ondersteunt het meten van de verwachte toegevoegde waarde door elke overwogen prognose bij te houden en de nauwkeurigheidsrapporten van de prognoses te automatiseren. U kunt statistische prognoses selecteren, de fouten ervan meten en deze vergelijken met de overschreven voorspellingen. Door dit te doen informeert u het prognoseproces, zodat in de toekomst betere beslissingen kunnen worden genomen. 

Voorspellingen op meerdere niveaus

Een andere veel voorkomende situatie betreft prognoses op meerdere niveaus, waarbij er meerdere items als groep worden voorspeld of er zelfs meerdere groepen kunnen zijn, waarbij elke groep meerdere items bevat. We zullen dit soort prognoses over het algemeen Multilevel Forecasting noemen. Het belangrijkste voorbeeld is de productlijnprognose, waarbij elk artikel lid is van een artikelfamilie en het totaal van alle artikelen in de familie een betekenisvolle hoeveelheid is.

U heeft bijvoorbeeld, zoals in de volgende afbeelding, mogelijk een lijn tractoren en u wilt verkoopprognoses voor elk type tractor en voor de gehele tractorlijn.

De methoden voor het voorspellen 2

Ter illustratie van productprognoses op meerdere niveaus

 Smart Demand Planner biedt roll-up/roll-down-prognoses. Deze functie is cruciaal voor het verkrijgen van uitgebreide prognoses van alle productartikelen en hun groepstotaal. De Roll Down/Roll Up-methode binnen deze functie biedt twee opties voor het verkrijgen van deze prognoses:

Samenvatten (Bottom-Up): Deze optie voorspelt in eerste instantie elk item afzonderlijk en voegt vervolgens de prognoses op itemniveau samen om een prognose op familieniveau te genereren.

Roll-down (van boven naar beneden): Als alternatief begint de roll-down-optie met het vormen van het historische totaal op familieniveau, voorspelt het en wijst het totaal vervolgens proportioneel toe tot op itemniveau.

Wanneer u Roll Down/Roll Up gebruikt, heeft u toegang tot het volledige scala aan prognosemethoden van Smart Demand Planner, zowel op artikel- als op familieniveau. Dit zorgt voor flexibiliteit en nauwkeurigheid bij het voorspellen, waarbij wordt voldaan aan de specifieke behoeften van uw bedrijf op verschillende hiërarchische niveaus.

Onderzoek naar prognoses heeft geen duidelijke voorwaarden geschapen die de voorkeur geven aan een top-down- of bottom-up-benadering van prognoses. De bottom-up benadering lijkt echter de voorkeur te hebben als de geschiedenis van items stabiel is en de nadruk ligt op de trends en seizoenspatronen van de individuele items. Top-down is normaal gesproken een betere keuze als sommige items een zeer luidruchtige geschiedenis hebben of als de nadruk ligt op prognoses op groepsniveau. Omdat Smart Demand Planner het snel en gemakkelijk maakt om zowel een bottom-up als een top-down benadering te proberen, moet u beide methoden proberen en de resultaten vergelijken. U kunt de functie 'Hold back on Current' van Smart Demand Planner in 'Prognose vs. Actueel' gebruiken om beide benaderingen op uw eigen gegevens te testen en te zien welke een nauwkeurigere voorspelling voor uw bedrijf oplevert. 

 

Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebben

MRO-organisaties bestaan in een breed scala van industrieën, waaronder openbaar vervoer, elektriciteitsbedrijven, afvalwater, waterkracht, luchtvaart en mijnbouw. Om hun werk gedaan te krijgen, gebruiken MRO-professionals Enterprise Asset Management (EAM) en Enterprise Resource Planning (ERP)-systemen. Deze systemen zijn ontworpen om veel taken uit te voeren. Gezien hun kenmerken, kosten en uitgebreide implementatievereisten wordt aangenomen dat EAM- en ERP-systemen het allemaal kunnen.

Tijdens een recent evenement van de Maximo Utilities Working Group verklaarden verschillende potentiële klanten bijvoorbeeld dat “onze EAM dat zal doen” toen hen werd gevraagd naar de vereisten voor het voorspellen van het gebruik, het verrekenen van leveringsplannen en het optimaliseren van het voorraadbeleid. Ze waren verrast toen ze hoorden dat dit niet het geval was en wilden meer weten.

In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen.   

EAM-systemen

EAM-systemen kunnen geen prognoses van toekomstig gebruik verwerken. Deze systemen zijn eenvoudigweg niet ontworpen om leveringsplanning uit te voeren en veel systemen hebben niet eens een plek om prognoses vast te houden. Dus wanneer een MRO-bedrijf bekende vereisten voor geplande productie- of investeringsprojecten moet verrekenen, is een add-on-applicatie zoals Smart IP&O is nodig.

Voorraadoptimalisatiesoftware met functies die de planning ondersteunen van een bekende toekomstige vraag, gebruikt projectgebaseerde gegevens die niet in het EAM-systeem worden bijgehouden (inclusief de startdatums van het project, de duur en wanneer elk onderdeel naar verwachting nodig zal zijn) en berekent een prognose per periode over elke planningshorizon. Deze “geplande” voorspelling kan worden geprojecteerd naast statistische voorspellingen van de “ongeplande” vraag die voortkomt uit normale slijtage. Op dat moment kan software voor onderdelenplanning het aanbod salderen en de kloof tussen vraag en aanbod identificeren. Dit zorgt ervoor dat deze hiaten niet onopgemerkt blijven en resulteren in tekorten die anders de voltooiing van de projecten zouden vertragen. Het minimaliseert ook de overtollige voorraad die anders te snel zou worden besteld en verbruikt onnodig contant geld en magazijnruimte. Ook hier gaan MRO-bedrijven er soms ten onrechte van uit dat deze mogelijkheden worden gedekt door hun EAM-pakket.

ERP-systemen

ERP-systemen bevatten daarentegen doorgaans een MRP-module die is ontworpen om een prognose op te nemen en de materiaalbehoeften te verrekenen. Bij de verwerking wordt rekening gehouden met de huidige voorraad, openstaande verkooporders, geplande opdrachten, inkomende inkooporders, eventuele stuklijsten en artikelen die onderweg zijn tijdens de overdracht tussen locaties. Het vergelijkt deze huidige statuswaarden met de velden van het aanvulbeleid plus eventuele maandelijkse of wekelijkse prognoses om te bepalen wanneer aanvulling moet worden voorgesteld (een datum) en hoeveel moet worden aangevuld (een hoeveelheid).

Waarom zou u dus niet alleen het ERP-systeem gebruiken om het leveringsplan op te stellen en tekorten en overschotten te voorkomen? Ten eerste: hoewel ERP-systemen een tijdelijke aanduiding hebben voor een prognose en sommige systemen het aanbod kunnen salderen met behulp van hun MRP-modules, maken ze het niet gemakkelijk om de geplande vraagvereisten die verband houden met kapitaalprojecten op elkaar af te stemmen. Meestal worden de gegevens over wanneer geplande projecten zullen plaatsvinden buiten het ERP bijgehouden, met name de stuklijst van het project waarin wordt beschreven welke onderdelen nodig zijn om het project te ondersteunen. Ten tweede bieden veel ERP-systemen niets effectiefs als het gaat om voorspellende mogelijkheden, maar vertrouwen ze in plaats daarvan op eenvoudige wiskunde die gewoon niet werkt voor serviceonderdelen vanwege de hoge prevalentie van intermitterende vraag. Ten slotte hebben ERP-systemen geen flexibele, gebruiksvriendelijke interfaces die de interactie met de prognoses en het leveringsplan ondersteunen.

Puntlogica opnieuw ordenen

Zowel ERP als EAM hebben tijdelijke aanduidingen voor methoden voor het aanvullen van bestelpunten, zoals Min/Max-niveaus. U kunt voorraadoptimalisatiesoftware gebruiken om deze velden in te vullen met het voor risico aangepaste bestelpuntbeleid. Vervolgens worden binnen de ERP- of EAM-systemen bestellingen geactiveerd wanneer de werkelijke (niet-geprognosticeerde) vraag de voorhanden voorraad onder de Min. Dit type beleid maakt geen gebruik van een traditionele voorspelling die de vraag week na week of maand na maand projecteert en wordt vaak “vraaggestuurde aanvulling” genoemd (aangezien bestellingen alleen plaatsvinden wanneer de werkelijke vraag de voorraad onder een door de gebruiker gedefinieerd niveau drijft). drempelwaarde).

Maar het feit dat er geen gebruik wordt gemaakt van een periode-over-periode voorspelling betekent niet dat het niet voorspellend is. Het beleid voor herbestellingspunten moet gebaseerd zijn op een voorspelling van de vraag gedurende een aanvultermijn plus een buffer om te beschermen tegen vraag- en aanbodvariabiliteit. MRO-bedrijven moeten weten welk voorraadrisico zij lopen bij een bepaald voorraadbeleid. Voorraadbeheer is tenslotte risicobeheer – vooral in MRO-bedrijven, waar de kosten van stockout zo hoog zijn. Toch bieden ERP en EAM geen enkele mogelijkheid om het voorraadbeleid aan te passen aan de risico's. Ze dwingen gebruikers om dit beleid extern handmatig te genereren of om eenvoudige vuistregels te gebruiken die niet in detail beschrijven welke risico's verbonden zijn aan de keuze van het beleid.

Overzicht

Supply chain planningsfunctionaliteit zoals voorraadoptimalisatie is niet de kernfocus van EAM en ERP. U moet gebruikmaken van aanvullende planningsplatforms, zoals Smart IP&O, die statistische prognoses, gepland projectbeheer en voorraadoptimalisatie ondersteunen. Smart IP&O zal prognoses en voorraadbeleid ontwikkelen die kunnen worden ingevoerd in een EAM- of ERP-systeem om de dagelijkse bestellingen te stimuleren.

 

 

Software voor planning van reserveonderdelen

De prognosesoftware voor serviceonderdelen van Smart IP&O maakt gebruik van een uniek empirisch probabilistische voorspelling nadering die is ontworpen voor intermitterende vraag. Voor verbruikbare reserveonderdelen genereert onze gepatenteerde en APICS-bekroonde methode snel tienduizenden vraagscenario's zonder te vertrouwen op de aannames over de aard van vraagverdelingen die impliciet zijn in traditionele prognosemethoden. Het resultaat zijn zeer nauwkeurige schattingen van veiligheidsvoorraad, bestelpunten en serviceniveaus, wat leidt tot hogere serviceniveaus en lagere voorraadkosten. Voor repareerbare reserveonderdelen, Smart's Reparatie- en retourmodule simuleert nauwkeurig de processen van uitval en reparatie van onderdelen. Het voorspelt downtime, serviceniveaus en voorraadkosten in verband met de huidige roterende pool van reserveonderdelen. Planners weten hoeveel reserveonderdelen ze op voorraad moeten hebben om aan de serviceniveau-eisen op korte en lange termijn te voldoen en, in operationele omstandigheden, of ze moeten wachten tot reparaties zijn voltooid en weer in gebruik moeten worden genomen of dat ze extra servicereserveonderdelen van leveranciers moeten kopen, waardoor onnodige aankopen en reparaties worden vermeden. stilstand van apparatuur.

Neem contact met ons op voor meer informatie over hoe deze functionaliteit onze klanten in de sectoren MRO, buitendienst, nutsvoorzieningen, mijnbouw en openbaar vervoer heeft geholpen hun voorraad te optimaliseren. U kunt de whitepaper hier ook downloaden.

 

 

Whitepaper: wat u moet weten over het voorspellen en plannen van service parts

 

Dit document beschrijft de gepatenteerde methodologie van Smart Software voor het voorspellen van de vraag, safety stocks en bestelpunten voor artikelen zoals service parts en componenten met een wisselende vraag, en geeft verschillende voorbeelden van klantensucces.

 

    De doelstellingen bij het voorspellen

    Een voorspelling is een voorspelling over de waarde van een tijdreeksvariabele op een bepaald moment in de toekomst. U kunt bijvoorbeeld een schatting willen maken van de verkoop of vraag naar een productartikel voor volgende maand. Een tijdreeks is een reeks getallen die met gelijke tijdsintervallen zijn geregistreerd; bijvoorbeeld de maandelijks geregistreerde verkoop per eenheid.

    De doelstellingen die u nastreeft wanneer u prognoses maakt, zijn afhankelijk van de aard van uw baan en uw bedrijf. Elke voorspelling is onzeker; in feite is er een reeks mogelijke waarden voor elke variabele die u voorspeld. Waarden in het midden van dit bereik hebben een grotere kans om daadwerkelijk te voorkomen, terwijl waarden aan de uiteinden van het bereik minder waarschijnlijk voorkomen. De volgende afbeelding illustreert een typische verdeling van voorspelde waarden.

    voorspelde verdeling van voorspelde waarden

    Ter illustratie van een voorspelde verdeling van voorspelde waarden

     

    Punt voorspellingen

    Het meest gebruikelijke gebruik van voorspellingen is het schatten van een reeks getallen die de meest waarschijnlijke toekomstige waarden van de betreffende variabele vertegenwoordigen. Stel dat u bijvoorbeeld een verkoop- en marketingplan voor uw bedrijf ontwikkelt. Mogelijk moet u twaalf cellen in een financieel spreadsheet invullen met schattingen van de totale inkomsten van uw bedrijf in de komende twaalf maanden. Dergelijke schattingen worden puntprognoses genoemd, omdat u voor elke prognoseperiode één enkel getal (gegevenspunt) wilt. De automatische prognosefunctie van Smart Demand Planner voorziet u automatisch van deze puntprognoses.

    Intervalvoorspellingen

    Hoewel puntvoorspellingen handig zijn, heeft u vaak meer profijt van intervalvoorspellingen. Intervalvoorspellingen tonen het meest waarschijnlijke bereik (interval) van waarden die zich in de toekomst kunnen voordoen. Deze zijn meestal nuttiger dan puntprognoses, omdat ze de hoeveelheid onzekerheid of risico weergeven die met een voorspelling gepaard gaat. Het prognose-intervalpercentage kan worden opgegeven in de verschillende prognosedialoogvensters in de Demand Planning SoftwareMet elk van de vele voorspellingsmethoden (automatisch, voortschrijdend gemiddelde, exponentiële afvlakking enzovoort) die beschikbaar zijn in Smart Demand Planner, kunt u een voorspellingsinterval instellen.

    De standaardconfiguratie in Smart Demand Planner biedt 90%-voorspellingsintervallen. Interpreteer deze intervallen als het bereik waarbinnen de werkelijke waarden 90% van de tijd zullen vallen. Als de intervallen groot zijn, is er veel onzekerheid verbonden aan de puntvoorspellingen. Als de intervallen smal zijn, kunt u meer vertrouwen hebben. Als u een planningsfunctie uitvoert en op verschillende tijdstippen in de toekomst best-case- en worst-case-waarden wilt voor de variabelen die van belang zijn, kunt u voor dat doel de boven- en ondergrenzen van de prognose-intervallen gebruiken, waarbij de enkele puntschatting de meest waarschijnlijke waarde. In de vorige afbeelding strekt het voorspellingsinterval van 90% zich uit van 3,36 tot 6,64.

    Bovenste percentielen

    Bij voorraadbeheer kan het uw doel zijn om goede schattingen te maken van een hoog percentiel van de vraag naar een productitem. Met deze schattingen kunt u omgaan met de afweging tussen enerzijds het minimaliseren van de kosten voor het aanhouden en bestellen van voorraad, en anderzijds het minimaliseren van het aantal verloren of nabestelde verkopen als gevolg van een voorraadtekort. Om deze reden wilt u misschien het 99e percentiel of het serviceniveau van de vraag weten, aangezien de kans om dat niveau te overschrijden slechts 1% is.

    Houd er bij het voorspellen van individuele variabelen met functies zoals automatische prognoses rekening mee dat de bovengrens van een 90%-voorspellingsinterval het 95e percentiel vertegenwoordigt van de voorspelde verdeling van de vraag naar die variabele. (Als u het 5e percentiel van het 95e percentiel aftrekt, blijft er een interval over met 95%-5% = 90% van de mogelijke waarden.) Dit betekent dat u de bovenste percentielen kunt schatten door de waarde van het voorspellingsinterval te wijzigen. In de figuur ‘Illustratie van een prognoseverdeling’ is het 95e percentiel 6,64.

    Om het voorraadbeleid op het gewenste serviceniveau te optimaliseren of om het systeem te laten adviseren welk voorraadbeleid en serviceniveau het beste rendement oplevert, kunt u Smart Inventory Optimization overwegen. Het is ontworpen om wat-als-scenario's te ondersteunen die voorspelde afwegingen laten zien tussen verschillende voorraadbeleidslijnen, waaronder verschillende serviceniveaudoelen.

    Lagere percentielen

    Soms maakt u zich misschien zorgen over de onderkant van de voorspelde verdeling voor een variabele. Dergelijke gevallen doen zich vaak voor bij financiële toepassingen, waarbij een laag percentiel van een inkomstenraming een onvoorziene gebeurtenis vertegenwoordigt die financiële reserves vereist. U kunt Smart Demand Planner in dit geval gebruiken op een manier die analoog is aan het voorspellen van de bovenste percentielen. In de figuur ‘Illustratie van een prognoseverdeling’ is het 5e percentiel 3,36.

    Kortom, bij voorspellen gaat het om het voorspellen van toekomstige waarden, waarbij puntvoorspellingen afzonderlijke schattingen bieden en intervalvoorspellingen die waarschijnlijke waardebereiken bieden. Smart Demand Planner automatiseert puntprognoses en stelt gebruikers in staat intervallen in te stellen, wat helpt bij het inschatten van de onzekerheid. Voor voorraadbeheer vergemakkelijkt de tool het begrijpen van de bovenste (bijvoorbeeld 99e percentiel) en lagere (bijvoorbeeld 5e percentiel) percentielen. Om het voorraadbeleid en de serviceniveaus te optimaliseren ondersteunt Smart Inventory Optimization 'wat-als'-scenario's, waardoor een effectieve besluitvorming wordt gegarandeerd over hoeveel u op voorraad moet hebben, gegeven het risico dat u bereid bent een voorraad op te geven.

     

     

     

    Het prognoseproces voor besluitvormers

    In bijna elk bedrijf en elke sector hebben besluitvormers betrouwbare voorspellingen nodig van kritische variabelen, zoals omzet, inkomsten, vraag naar producten, voorraadniveaus, marktaandeel, kosten en trends in de sector.

    Er zijn veel soorten mensen die deze voorspellingen doen. Sommigen zijn geavanceerde technische analisten, zoals bedrijfseconomen en statistici. Vele anderen beschouwen forecasting als een belangrijk onderdeel van hun totale werk: algemeen managers, productieplanners, voorraadbeheerspecialisten, financiële analisten, strategische planners, marktonderzoekers en product- en verkoopmanagers. Toch beschouwen anderen zichzelf zelden als voorspellers, maar moeten ze vaak voorspellingen doen op een intuïtieve, oordelende basis.

    Door de manier waarop we Smart Demand Planner hebben ontworpen, heeft het alle soorten voorspellers iets te bieden. Dit ontwerp komt voort uit verschillende observaties over het voorspellingsproces. Omdat we Smart Demand Planner met deze observaties in gedachten hebben ontworpen, zijn we van mening dat de stijl en inhoud ervan uniek geschikt zijn om van uw browser een effectief prognose- en planningshulpmiddel te maken:

    Voorspellen is een kunst die een mix van professioneel oordeel en objectieve, statistische analyse vereist.

    Het is vaak effectief om te beginnen met een objectieve statistische voorspelling die automatisch rekening houdt met trends, seizoensinvloeden en andere patronen. Pas vervolgens aanpassingen of prognoseoverschrijvingen toe op basis van uw zakelijke oordeel. Smart Demand Planner maakt het eenvoudig om grafische en tabelvormige aanpassingen aan statistische prognoses uit te voeren.

    Het prognoseproces is doorgaans iteratief.

    U zult waarschijnlijk besluiten uw oorspronkelijke prognose een aantal malen te verfijnen voordat u tevreden bent. Mogelijk wilt u oudere historische gegevens uitsluiten die u niet langer relevant vindt. U kunt verschillende gewichten op het voorspellingsmodel toepassen, waarbij verschillende accenten op de meest recente gegevens worden gelegd. U kunt trenddemping toepassen om agressief trendmatige statistische voorspellingen te verhogen of te verlagen. U kunt de Machine Learning-modellen de prognoseselectie voor u laten verfijnen en automatisch het winnende model selecteren. De verwerkingssnelheid van Smart Demand Planner geeft u voldoende tijd om meerdere keren te passen en slaat meerdere versies van de prognoses op als 'momentopnamen', zodat u de nauwkeurigheid van de prognoses later kunt vergelijken.

    Voorspellen vereist grafische ondersteuning.

    De patronen die in de gegevens zichtbaar zijn, kunnen door een scherp oog worden gezien. De geloofwaardigheid van uw prognoses zal vaak sterk afhangen van grafische vergelijkingen die andere zakelijke belanghebbenden maken wanneer zij de historische gegevens en prognoses beoordelen. Smart Demand Planner biedt grafische weergaven van prognoses, geschiedenis en rapportage van prognoses versus werkelijke cijfers.

    Voorspellingen kloppen nooit helemaal.

    Omdat zelfs in het beste voorspellingsproces altijd een fout sluipt, is een van de nuttigste aanvullingen op een voorspelling een eerlijke schatting van de foutmarge.

    Smart Demand Planner presenteert zowel grafische als tabelvormige samenvattingen van de nauwkeurigheid van de prognoses, gebaseerd op de zuurtest van het voorspellen van gegevens die zijn achtergehouden bij de ontwikkeling van het voorspellingsmodel. 

    Prognose-intervallen of betrouwbaarheidsintervallen zijn ook erg handig. Ze beschrijven het waarschijnlijke bereik van de mogelijke vraag die naar verwachting zal optreden. Als de werkelijke vraag bijvoorbeeld meer dan 10% van de tijd buiten het 90%-betrouwbaarheidsinterval valt, is er reden om verder onderzoek te doen.  

    Voorspellen vereist een match tussen methode en gegevens.

    Een van de belangrijkste technische taken bij het voorspellen is het afstemmen van de keuze van de voorspellingstechniek op de aard van de gegevens. Kenmerken van een datareeks zoals trend, seizoensinvloeden of abrupte niveauverschuivingen suggereren bepaalde technieken in plaats van andere.

    De automatische prognosefunctie van Smart Demand Planner maakt deze match snel, nauwkeurig en automatisch.

    Prognoses maken vaak deel uit van een groter plannings- of controleproces.

    Prognoses kunnen bijvoorbeeld een krachtige aanvulling zijn op op spreadsheets gebaseerde financiële analyses, waardoor rijen met cijfers naar de toekomst kunnen worden uitgebreid. Bovendien zijn nauwkeurige prognoses van de verkoop en de vraag naar producten fundamentele input voor de productieplanning en voorraadcontroleprocessen van een fabrikant. Een objectieve statistische voorspelling van toekomstige verkopen helpt altijd bij het identificeren wanneer het budget (of het verkoopplan) te onrealistisch is. Gap-analyse stelt het bedrijf in staat corrigerende maatregelen te nemen voor hun vraag- en marketingplannen om ervoor te zorgen dat ze het gebudgetteerde plan niet missen.

    Prognoses moeten worden geïntegreerd in ERP-systemen
    Smart Demand Planner kan zijn resultaten snel en eenvoudig overbrengen naar andere applicaties, zoals spreadsheets, databases en planningssystemen inclusief ERP-applicaties. Gebruikers kunnen voorspellingen in verschillende bestandsformaten exporteren, hetzij via download, hetzij via beveiligde FTP-bestandslocaties. Smart Demand Planner omvat API-gebaseerde integraties met een verscheidenheid aan ERP- en EAM-systemen, waaronder Epicor Kinetic en Epicor Prophet 21, Sage X3 en Sage 300, Oracle NetSuite en elk van de Dynamics 365 ERP-systemen van Microsoft. Dankzij API-gebaseerde integraties kunnen klanten prognoseresultaten op verzoek rechtstreeks terugsturen naar het ERP-systeem.

    Het resultaat is een efficiëntere verkoopplanning, budgettering, productieplanning, bestellingen en voorraadplanning.