Hoe lang moet het duren voordat een vraagprognose wordt berekend met behulp van statistische methoden? Deze vraag wordt vaak gesteld door klanten en prospects. Het antwoord hangt er echt van af. Voorspellingsresultaten voor een enkel item kunnen in een oogwenk worden berekend, in slechts enkele honderdsten van een seconde, maar soms kan het zelfs vijf seconden duren. Om de verschillen te begrijpen, is het belangrijk om te begrijpen dat er meer bij komt kijken dan alleen de rekenkundige berekeningen zelf door te spitten. Hier zijn zes factoren die de snelheid van uw prognose-engine beïnvloeden.

1) Prognosemethode.  Traditionele tijdreeks-extrapolatieve technieken (zoals exponentiële afvlakking en voortschrijdend-gemiddeldemethoden) zijn, mits slim gecodeerd, razendsnel. De automatische prognose-engine Smart Forecast, die gebruikmaakt van deze technieken en onze software voor vraagplanning en voorraadoptimalisatie aandrijft, kan bijvoorbeeld in 1 seconde statistische prognoses voor 1000 artikelen genereren! Extrapolatieve methoden produceren een verwachte voorspelling en een samenvattende maatstaf voor de voorspellingsonzekerheid. Complexere modellen in ons platform die probabilistische vraagscenario's genereren, duren echter veel langer bij dezelfde computerbronnen. Dit komt deels omdat ze een veel groter outputvolume creëren, meestal duizenden plausibele toekomstige vraagreeksen. Meer tijd, ja, maar geen tijdverspilling, aangezien deze resultaten veel vollediger zijn en de basis vormen voor downstream-optimalisatie van voorraadbeheerparameters.

2) Computerbronnen.  Hoe meer bronnen u naar de berekening gooit, hoe sneller het zal zijn. Middelen kosten echter geld en het is misschien niet economisch om in deze middelen te investeren. Om bijvoorbeeld bepaalde soorten op machine learning gebaseerde prognoses te laten werken, moet het systeem multithread-berekeningen over meerdere servers uitvoeren om snel resultaten te leveren. Zorg er dus voor dat u de veronderstelde rekenresources en bijbehorende kosten begrijpt. Onze berekeningen vinden plaats in de Amazon Web Services-cloud, dus het is mogelijk om desgewenst voor een groot deel van de parallelle berekeningen te betalen.

3) Aantal tijdreeksen.  Moet u slechts een paar honderd artikelen op één locatie of vele duizenden artikelen op tientallen locaties voorspellen? Hoe groter het aantal combinaties van SKU x Locatie, hoe langer de benodigde tijd. Het is echter mogelijk om de tijd om vraagprognoses te krijgen te verkorten door een betere vraagclassificatie. Het is bijvoorbeeld niet belangrijk om elke combinatie van SKU x Locatie te voorspellen. Moderne software voor vraagplanning kan de gegevens eerst subsetten op basis van volume-/frequentieclassificaties voordat de prognose-engine wordt uitgevoerd. We hebben situaties waargenomen waarin meer dan een miljoen combinaties van SKU x Locatie bestonden, maar waar slechts tien procent vraag naar had in de voorgaande twaalf maanden.

4) Historisch emmeren. Maakt u prognoses met behulp van dagelijkse, wekelijkse of maandelijkse tijdsintervallen? Hoe gedetailleerder de bucketing, hoe meer tijd het kost om statistische prognoses te berekenen. Veel bedrijven zullen zich afvragen: "Waarom zou iemand dagelijks prognoses willen maken?" State-of-the-art software voor vraagvoorspelling kan echter gebruikmaken van dagelijkse gegevens om gelijktijdige dag-van-week- en week-van-maandpatronen te detecteren die anders zouden worden verdoezeld met traditionele maandelijkse vraagbuckets. En de snelheid van zaken blijft toenemen, wat de concurrentiekracht van het traditionele maandelijkse planningstempo bedreigt.

5) Hoeveelheid geschiedenis. Beperkt u het model door alleen de meest recente vraaghistorie in te voeren, of voert u alle beschikbare historie in de vraagvoorspellingssoftware? Hoe meer historie u het model voedt, hoe meer gegevens er moeten worden geanalyseerd en hoe langer het gaat duren.

6) Aanvullende analytische verwerking.  Tot nu toe hebben we ons voorgesteld om de vraaggeschiedenis van items in te voeren en prognoses te krijgen. Maar het proces kan ook aanvullende analytische stappen omvatten die de resultaten kunnen verbeteren. Voorbeelden zijn onder meer:

a) Uitbijterdetectie en -verwijdering om de vervorming te minimaliseren die wordt veroorzaakt door eenmalige gebeurtenissen zoals stormschade.

b) Machine learning dat beslist hoeveel geschiedenis moet worden gebruikt voor elk item door verandering van regime te detecteren.

c) Causale modellering die identificeert hoe veranderingen in vraagbepalende factoren (zoals prijs, rentevoet, klantensentiment, enz.) de toekomstige vraag beïnvloeden.

d) Melding van uitzonderingen die data-analyse gebruikt om ongebruikelijke situaties te identificeren die nadere beoordeling door het management verdienen.

De rest van het verhaal. Het is ook van cruciaal belang om te begrijpen dat de tijd om een antwoord te krijgen meer inhoudt dan de snelheid van het voorspellen van berekeningen per se. Gegevens moeten in het geheugen worden geladen voordat de berekening kan beginnen. Zodra de prognoses zijn berekend, moet uw browser de resultaten laden zodat ze op het scherm kunnen worden weergegeven zodat u ermee kunt werken. Als u een product opnieuw voorspelt, kunt u ervoor kiezen om de resultaten op te slaan. Als u werkt met producthiërarchieën (het samenvoegen van artikelprognoses tot productfamilies, families tot productlijnen, enz.), zal de nieuwe prognose de hiërarchie beïnvloeden en moet alles op elkaar worden afgestemd. Dit kost allemaal tijd.

Snel genoeg voor jou? Wanneer u software evalueert om te zien of aan uw behoefte aan snelheid zal worden voldaan, kan dit allemaal worden getest als onderdeel van een proof of concept of proef aangeboden door leveranciers van software voor vraagplanning. Test het uit, en zorg ervoor dat de berekenen, laden en opslaan tijden zijn acceptabel gezien de hoeveelheid gegevens en prognosemethoden die u wilt gebruiken om uw proces te ondersteunen.

Het beheren van voorraden reserveonderdelen kan onmogelijk aanvoelen. Je weet niet wat er kapot gaat en wanneer. Feedback van mechanische afdelingen en onderhoudsteams is vaak onnauwkeurig. Geplande onderhoudsschema's worden vaak verschoven, waardoor ze allesbehalve 'gepland' zijn. Gebruikspatronen (dwz vraagpatronen) zijn meestal extreem intermitterend, dwz de vraag springt willekeurig tussen nul en iets anders, vaak een verrassend groot aantal. Intermittentie, gecombineerd met het ontbreken van significante trend- of seizoenspatronen, maken traditionele tijdreeksvoorspellingsmethoden onnauwkeurig. Het grote aantal combinaties per locatie maakt het onmogelijk om handmatig prognoses voor afzonderlijke onderdelen te maken of zelfs maar te bekijken. Gezien al deze uitdagingen leek het ons nuttig om een aantal do's (en de bijbehorende don'ts) op een rij te zetten.

1. Gebruik probabilistische methoden om herbestelpunten en min/max-niveaus te berekenen
   Beslagbeslissingen baseren op gemiddeld dagelijks gebruik is niet het juiste antwoord. Evenmin is vertrouwen op traditionele prognosemethoden zoals exponentiële afvlakkingsmodellen. Geen van beide benaderingen werkt wanneer de vraag intermitterend is, omdat ze niet goed rekening houden met de volatiliteit van de vraag. Probabilistische methoden die duizenden mogelijke vraagscenario's simuleren, werken het best. Ze geven een realistische schatting van de vraagverdeling en kunnen alle nullen en willekeurige niet-nullen aan. Dit zorgt ervoor dat het voorraadniveau de juiste maat heeft om het gewenste serviceniveau te bereiken.
    
2. Gebruik serviceniveaus in plaats van vuistregels om de voorraadniveaus te bepalen
   Veel onderdelenplanningsorganisaties vertrouwen op veelvouden van de dagelijkse vraag en andere vuistregels om het voorraadbeleid te bepalen. Bestelpunten zijn bijvoorbeeld vaak gebaseerd op het verdubbelen van de gemiddelde vraag over de doorlooptijd of het toepassen van een ander veelvoud, afhankelijk van het belang van het artikel. Gemiddelden houden echter geen rekening met hoe vluchtig (of luidruchtig) een onderdeel is en zullen leiden tot overbevoorrading van minder luidruchtige onderdelen en onderbevoorrading van meer luidruchtige onderdelen.
    
3. Bereken het voorraadbeleid regelmatig opnieuw
   Alleen omdat de vraag met tussenpozen is, wil nog niet zeggen dat er in de loop van de tijd niets verandert. Maar na interviews met honderden bedrijven die de inventaris van reserveonderdelen beheren, ontdekken we dat minder dan 10% het voorraadbeleid maandelijks herberekent. Velen herberekenen het voorraadbeleid pas als er een 'probleem' is. Op duizenden onderdelen zal het gebruik gegarandeerd stijgen of dalen op ten minste enkele van de onderdelen. Doorlooptijden van leveranciers kunnen ook veranderen. Het gebruik van een verouderd bestelpunt zorgt ervoor dat bestellingen te vroeg of te laat worden geactiveerd, waardoor er veel problemen ontstaan. Elke planningscyclus opnieuw berekenen van beleid zorgt ervoor dat de voorraad de juiste maat heeft. Wees niet reactief en wacht tot er zich een probleem voordoet alvorens te overwegen of de Min of Max moet worden aangepast. Tegen die tijd is het te laat - het is alsof u wacht tot uw remmen het begeven voordat u een reparatie uitvoert. Maak je geen zorgen over de moeite die het kost om min/max-waarden voor grote aantallen SKU's opnieuw te berekenen: moderne software doet dit automatisch. Herinneren: Herijking van uw voorraadbeleid is preventief onderhoud tegen voorraaduitval!
    
4. Krijg buy-in op gerichte serviceniveaus
   Voorraad is duur en moet de juiste omvang hebben op basis van het vinden van een balans tussen de bereidheid van de organisatie om voorraden aan te leggen en haar bereidheid om budget te reserveren voor reserveonderdelen. Te vaak nemen planners geïsoleerde beslissingen op basis van pijnvermijding of verzoeken van onderhoudstechnici, zonder na te denken over hoe uitgaven aan het ene onderdeel van invloed zijn op het vermogen van de organisatie om aan een ander onderdeel uit te geven. Overtollige voorraad aan de ene kant schaadt de serviceniveaus aan andere onderdelen door het voorraadbudget onevenredig op te slokken. Zorg ervoor dat de doelstellingen op het gebied van serviceniveau en de bijbehorende voorraad worden nageleefd kosten om de serviceniveaus te bereiken worden begrepen en overeengekomen.
    
5. Voer een apart planningsproces uit voor repareerbare onderdelen
   Sommige onderdelen zijn erg duur om te vervangen, dus het verdient de voorkeur om ze voor reparatie naar reparatiefaciliteiten of terug naar de OEM te sturen. Rekening houden met de willekeur aan de aanbodzijde van wanneer repareerbare onderdelen worden geretourneerd, en weten of u moet wachten op een reparatie of een extra reserve moet kopen, zijn van cruciaal belang om de beschikbaarheid van artikelen te garanderen zonder een te grote voorraad. Dit vereist gespecialiseerde berichtgeving en het gebruik van probabilistische modellen. Behandel repareerbare onderdelen bij het plannen niet als verbruiksonderdelen.
    
6. Tel wat er wordt gekocht tegen het budget, niet alleen wat er wordt verbruikt
   Veel organisaties zullen de totale aankoop van onderdelen toewijzen aan een afzonderlijk bedrijfsbudget en het budget van het mechanische of onderhoudsteam dekken voor onderdelen die worden gebruikt. In de meeste MRO-organisaties, vooral in het openbaar vervoer en nutsbedrijven, bepalen de reparatieteams wat er wordt gekocht. Als wat wordt gekocht niet meetelt voor hun budget, zullen ze te veel kopen om ervoor te zorgen dat er nooit een kans op voorraad is. Ze hebben letterlijk geen stimulans om het goed te doen, dus er zullen tientallen miljoenen overtollige voorraad worden gekocht. Als wat wordt ingekocht in de begroting wordt weerspiegeld, zal er veel meer aandacht worden besteed aan het inkopen van alleen dat wat echt nodig is. Dat erkennen overtollige voorraad schaadt de service door de organisatie te beroven van geld dat anders zou kunnen worden gebruikt voor onderdelen die niet op voorraad zijn, is een belangrijke stap op weg naar een verantwoorde voorraadinkoop.

​

 Wat is het wiggle-effect? 

Het is wanneer uw statistische prognose de ups en downs die in uw vraaggeschiedenis zijn waargenomen, onjuist voorspelt terwijl er echt geen patroon is. Het is belangrijk om ervoor te zorgen dat uw prognoses niet schommelen, tenzij er een echt patroon is.

Hier is een transcriptie van een recente klant waar dit probleem werd besproken:

Klant: “De prognose volgt niet de patronen die ik in de historie zie. Waarom niet?" 

Smart: “Als je goed kijkt, zijn de ups en downs die je ziet geen patronen. Het is echt lawaai.”  

Klant: "Maar als we de hoogtepunten niet voorspellen, slaan we de voorraad op."

Smart: “Als de voorspelling zou 'wiebelen', zou die veel minder nauwkeurig zijn. Het systeem voorspelt welk patroon dan ook, in dit geval een zeer lichte opwaartse trend. We bufferen het lawaai met veiligheidsvoorraden. De wiggles worden gebruikt om de veiligheidsvoorraden in te stellen.”

Klant: “Oké. Logisch nu.” 

De wiggle ziet er geruststellend uit, maar in dit geval resulteert het in een onjuiste vraagprognose. De ups en downs vinden niet echt elke maand op hetzelfde tijdstip plaats. Een betere statistische voorspelling wordt weergegeven in lichtgroen.

Een statistische voorspelling van nul kan voor veel verwarring zorgen bij voorspellers, vooral wanneer de historische vraag niet nul is. Natuurlijk, het is duidelijk dat de vraag naar beneden neigt, maar moet deze naar nul evolueren? Wanneer de oudere vraag veel groter is dan de meer recente vraag en de meer recente vraag een zeer laag volume is (dwz 1,2,3 gevraagde eenheden), is het antwoord, statistisch gezien, ja. Dit komt echter mogelijk niet overeen met de zakelijke kennis van de planner en het verwachte minimale vraagniveau. Dus, wat moet een voorspeller doen om dit te corrigeren? Hier zijn drie suggesties:

1. Beperk de historische gegevens die aan het model worden ingevoerd. In een neerwaartse trendsituatie zijn de oudere gegevens dat vaak veel groter dan de recente gegevens. Wanneer de oudere, veel hogere volumevraag wordt genegeerd, zal de neerwaartse trend lang niet zo significant zijn. U voorspelt nog steeds een neerwaartse trend, maar de resultaten zullen eerder in lijn zijn met de zakelijke verwachtingen.

2. Probeer trenddemping. Smart Demand Planner heeft een functie genaamd "trendhedging" waarmee gebruikers kunnen definiëren hoe een trend in de loop van de tijd moet verdwijnen. Hoe hoger het percentage trendhedge (0-100%), hoe sterker de trenddemping. Dit betekent dat een voorspelde trend zich niet gedurende de hele prognosehorizon zal voortzetten. Dit betekent dat de vraagprognose begint af te vlakken voordat deze nul bereikt bij een neerwaartse trend.

3. Wijzig het prognosemodel. Schakel over van een trendingmethode zoals Double Exponential Smoothing of Linear Moving Average naar een niet-trendingmethode zoals Single Exponential Smoothing of Simple Moving Average. U voorspelt geen neerwaartse trend, maar uw voorspelling zal in ieder geval niet nul zijn en dus waarschijnlijker door het bedrijf worden geaccepteerd.

Waarom dagen van bevoorradingsdoelen niet werken bij het berekenen van veiligheidsvoorraden

CFO's vertellen ons dat ze minder aan voorraad moeten uitgeven zonder de verkoop te beïnvloeden. Een manier om dat te doen is om af te stappen van het gebruik van een gerichte leveringsdag om bestelpunten en veiligheidsvoorraadbuffers te bepalen. Hier is hoe een bevoorradingsdagenmodel werkt:

1. Bereken de gemiddelde vraag per dag en vermenigvuldig de vraag per dag met de doorlooptijd van de leverancier in dagen om de doorlooptijdvraag te krijgen
2. Kies een dagen voorraadbuffer (dwz 15, 30, 45 dagen, enz.). Gebruik grotere buffers voor belangrijkere items en kleinere buffers voor minder belangrijke items.
3. Voeg de gewenste dagen aan voorraadbuffer toe aan de vraag over de doorlooptijd om het bestelpunt te krijgen. Bestel meer als de voorhanden voorraad onder het bestelpunt daalt

Dit is wat er mis is met deze benadering:

1. Het gemiddelde houdt geen rekening met seizoensinvloeden en trends – u zult duidelijke patronen missen, tenzij u er veel tijd aan besteedt om deze handmatig aan te passen.
2. Het gemiddelde houdt geen rekening met hoe voorspelbaar een artikel is - u zult voorspelbare artikelen te veel in voorraad hebben en minder voorspelbare artikelen. Dit komt omdat dezelfde leveringsdagen voor verschillende artikelen een heel ander voorraadrisico opleveren.
3. Het gemiddelde vertelt een planner niet hoe het voorraadrisico wordt beïnvloed door het voorraadniveau - u hebt geen idee of u ondervoorraad, overbevoorrading of net genoeg hebt. Je plant in wezen met oogkleppen op.

Er zijn veel andere "vuistregel"-benaderingen die even problematisch zijn. Hierin kunt u meer over hen te weten komen na. 

Een betere manier om de juiste hoeveelheid veiligheidsvoorraad te plannen, is gebruik te maken van waarschijnlijkheidsmodellen die precies aangeven hoeveel voorraad nodig is gezien het risico van voorraad die u bereid bent te accepteren. Hieronder ziet u een screenshot van Smart Inventory Optimization die precies dat doet. Ten eerste beschrijft het de voorspelde serviceniveaus (waarschijnlijkheid van niet bevoorraden) in verband met de huidige dagen van leveringslogica. De planner kan nu de onderdelen zien waar het voorspelde serviceniveau te laag of te duur is. Ze kunnen dan onmiddellijke correcties aanbrengen door zich te richten op de gewenste serviceniveaus en het niveau van voorraadinvesteringen. Zonder deze informatie zal een planner niet weten of de beoogde dagen veiligheidsvoorraad te veel, te weinig of precies goed zijn, wat resulteert in overvoorraden en tekorten die marktaandeel en inkomsten kosten.