Supply Chain Math: Don’t Bring a Knife to a Gunfight

Whether you understand it in detail yourself or rely on trustworthy software, math is a fact of life for anyone in inventory management en demand forecasting who is hoping to remain competitive in the modern world.

At a conference recently, the lead presenter in an inventory management workshop proudly proclaimed that he had no need for “high-fallutin’ math”, which was explained to mean anything beyond sixth-grade math.

Math is not everyone’s first love. But if you really care about doing your job well, you can’t approach the work with a grade school mentality. Supply chain tasks like demand forecasting and inventory management are inherently mathematical. The blog associated with edX, a premier site for online college course material, has a great post on this topic, at https://www.mooc.org/blog/how-is-math-used-in-supply-chain. Let me quote the first bit:

Math and the supply chain go hand and hand. As supply chains grow, increasing complexity will drive companies to look for ways to manage large-scale decision-making. They can’t go back to how supply chains were 100 years ago—or even two years ago before the pandemic. Instead, new technologies will help streamline and manage the many moving parts. The logistics skills, optimization technologies, and organizational skills used in supply chain all require mathematics.

Our customers don’t need to be experts in supply chain math, they just need to be able to wield the software that contains the math. Software combines users’ experience and subject matter expertise to produce results that make the difference between success and failure. To do its job, the software can’t stop at sixth-grade math; it needs probability, statistics, and optimization theory.

It’s up to us software vendors to package the math in such a way that what goes into the calculations is all that is relevant, even if complicated; and that what comes out is clear, decision-relevant, and defensible when you must justify your recommendations to higher management.

Sixth-grade math can’t warn you when the way you propose to manage a critical spare part will mean a 70% chance of falling short of your item availability target. It can’t tell you how best to adjust your reorder points when a supplier calls and says, “We have a delivery problem.” It can’t save your skin when there is a surprisingly large order and you have to quickly figure out the best way to set up some expedited special orders without busting the operating budget.

So, respect the folk wisdom and don’t bring a knife to a gunfight.

 

 

Planning voor verbruiksgoederen vs. herstelbare onderdelen

When deciding on the right stocking parameters for spare and replacement parts, it is important to distinguish between consumable and repairable parts.  These differences are often overlooked by inventory planning software and can result in incorrect estimates of what to stock.  Different approaches are required when planning for consumables vs. repairables.

First, let’s define these two types of spare parts.

  • Consumable parts are items contained within the equipment which are replaced rather than repaired when they fail. Examples of consumable parts include batteries, oil filters, screws, and brake pads.  Consumable parts tend to be lower-cost parts for which replacement is cheaper than repair or repair may not be possible.
  • Repairable parts are parts that are capable of being repaired and returned to service after failing due to causes like wear and tear, damage, or corrosion. Repairable parts tend to be more expensive than consumable parts, so repair is usually preferable to replacement. Examples of repairable parts include traction motors in rail cars, jet engines, and copy machines.

Traditional planning methods fail to do the job

Traditional planning methods are not well-adapted to deal with the randomness in both the demand side and the supply side of MRO operations.

Demand-Side Randomness
Planning for consumable parts requires calculation of inventory control parameters (such as reorder points and order quantities, min and max levels, and safety stocks). Planning to manage repairable parts requires calculation of the right number of spares. In both cases, the analysis must be based on probability models of the random usage of consumables or the random breakdown of repairables.  For over 90% of parts, this random demand is “intermittent” (sometimes called “lumpy” or “anything but normally distributed”). Traditional forecasting methods were not developed to deal with intermittent demand. Relying on traditional methods leads to costly planning mistakes. For consumables, this means avoidable stockouts, excess carrying costs, and increased inventory obsolescence. For repairables, this means excessive equipment downtime and the attendant costs from unreliable performance and disruption of operations.

Supply-Side Randomness
Planning for consumables must take account of randomness in replenishment lead times from suppliers. Planning for repairables must account for randomness in repair and return processes, whether provided internally or contracted out. Planners managing these items often ignore exploitable company data. Instead, they may cross their fingers and hope everything works out, or they may call on gut instinct to “call audibles” and then hope everything works out.  Hoping and guessing cannot beat proper probability modeling. It wastes millions annually in unneeded capital investments and avoidable equipment downtime.

 

Software solutions

Smart IP&O uses a unique empirical probabilistic forecasting approach that is engineered for intermittent demand. For consumable parts, our patented and APICS award winning method rapidly generates tens of thousands of demand scenarios without relying on the assumptions about the nature of demand distributions implicit in traditional forecasting methods. The result is highly accurate estimates of safety stock, reorder points, and service levels, which leads to higher service levels and lower inventory costs. For repairable parts, Smart’s Repair and Return Module accurately simulates the processes of item breakdown and repair. It predicts downtime, service levels, and inventory costs associated with the current rotating spare pool. Planners will know how many spares to stock to achieve short- and long-term service level requirements and, in operational settings, whether to wait for repairs to be completed and returned to service or to purchase additional spares from suppliers, avoiding unnecessary buying and equipment downtime.

Contact us to learn more how this functionality has helped our customers in the MRO, Field Service, Utility, Mining, and Public Transportation sectors to optimize their inventory. You can also download the our Whitepaper here.

 

 

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

 

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

 

     

    Op scenario's gebaseerde prognoses versus vergelijkingen

    Waarom op scenario's gebaseerde planning planners helpt om risico's beter te beheren en betere resultaten te behalen.

    Als u dit leest, bent u waarschijnlijk een supply chain-professional met verantwoordelijkheden voor vraagprognose, voorraadbeheer of beide. Als je in de 21 . woontst eeuw, gebruik je een soort software om je te helpen je werk te doen. Maar wat doet uw software in wezen voor u?

    Van oudsher heeft software gediend als een leveringsvehikel voor vergelijkingen. Zelfs als je al vroeg in je leven hebt besloten dat jij en vergelijkingen niet met elkaar overweg kunnen, kunnen ze nog steeds iets voor je doen, en kun je ermee leven - op voorwaarde dat sommige software al die wiskunde op een veilige afstand houdt.

    Dit is prima, voor zover het gaat. Maar wij bij Smart Software denken dat u er beter aan doet door uw vergelijkingen in te ruilen voor scenario's. Meestal is het punt van een vergelijking om "het antwoord" te geven, meestal in de vorm van een getal, zoals in "de vraag van volgende maand naar SKUxxx zal 105 eenheden zijn." Dergelijke resultaten zijn nuttig, maar onvolledig.

    Prognoses kunnen worden gezien als een computerprobleem, maar het is nuttiger om het te zien als een oefening in risicobeheer. De voorspelling van de vergelijking van 105 eenheden bevat geen enkele indicatie van de onzekerheid in de voorspelling, hoewel die er altijd is. Het helpt u niet na te denken over plausibele onvoorziene omstandigheden: wat als er vraag is naar meer dan 105 eenheden? Wat als het voor minder dan 105 is? Kan het zo hoog worden als 130 of zo laag als 80? Is 80 zelfs in de verste verte waarschijnlijk?

    Dit is waar scenariogebaseerde analyse zijn voordeel laat zien. Een definitie van 'scenario' is 'een gepostuleerde opeenvolging van gebeurtenissen'. Onze definitie is uitgebreider: een scenario is "een gepostuleerde opeenvolging van gebeurtenissen en de bijbehorende waarschijnlijkheid van gebeuren." Scenario's zijn de ultieme what-if-planningstool. Voorspelling door vergelijking zal een vraag voor 105 eenheden voorspellen. Scenariovoorspelling levert een bundel mogelijke vraagcijfers op, sommige waarschijnlijker en andere minder. Als er weinig of geen scenario's zo laag als 80 zijn, kunt u die onvoorziene situatie laten gaan.

    Plus-of-min Hoeveel?

    Degenen die beter thuis zijn in op vergelijkingen gebaseerde voorspellingen, zouden kunnen protesteren dat op vergelijkingen gebaseerde software soms indicaties geeft van de "plus of min" van een voorspelling, compleet met een klokvormige curve die de relatieve waarschijnlijkheid van verschillende onvoorziene omstandigheden aangeeft. Wanneer u echter een perfecte klokvormige verdeling ziet, weet u dat u wordt gevraagd te vertrouwen op een theoretische veronderstelling die slechts soms geldig is.

    Scenarioprognoses zijn niet gebaseerd op die veronderstelling. In feite hoeven ze niet te vertrouwen op een vooraf bedachte wiskundige veronderstelling waarvan het belangrijkste verkoopargument is dat het de analyse vereenvoudigt. U hebt geen vereenvoudigde analyse nodig, u hebt een realistische analyse nodig op basis van feiten.

    Geavanceerde software produceert scenariovoorspellingen, niet alleen voor vraagplanning, maar ook voor voorraadbeheer. De vraag is een belangrijke input voor voorraadsoftware, samen met het gedrag van leveranciers zoals blijkt uit de doorlooptijden voor aanvullingen. Zowel vraag als aanbod moeten worden voorspeld als je de gevolgen wilt zien van bijvoorbeeld het kiezen van een bestelpunt van 15 en een bestelhoeveelheid van 25.

    Voorraadsystemen zijn wat 'padgevoelig' wordt genoemd, wat betekent dat een bepaalde reeks vraagwaarden andere prestaties zal opleveren dan dezelfde vraagwaarden in een andere volgorde. Als bijvoorbeeld al uw periodes met de hoogste vraag de een na de ander worden opgestapeld, zult u veel meer moeite hebben om de voorraad aan te houden dan wanneer dezelfde periodes met grote vraag uit elkaar liggen met tijd om tussendoor bij te vullen. Scenario's weerspiegelen deze verschillen in voldoende detail om gemiddelde prestatiestatistieken op te leveren die een afspiegeling zijn van de verschillende onvoorziene omstandigheden die inherent zijn aan onzekere vraag.

    Figuur 1 illustreert het verschil tussen een op vergelijkingen gebaseerde voorspelling en voorspellingsscenario's. De groene cellen houden 10 maanden vraag naar een reserveonderdeel. De blauwe cellen bevatten een op vergelijkingen gebaseerde voorspelling die vraagt om een gemiddelde vraag van 1,5 eenheden in de maanden 11, 12 en 13. De pistachekleurige cellen bevatten acht scenariovoorspellingen, hoewel onze software in de praktijk tienduizenden scenario's zou genereren. Nu komen de scenario's ook gemiddeld uit op 1,5 eenheden per maand, maar ze gaan verder en tonen de grote verscheidenheid aan manieren waarop de komende drie maanden zich zouden kunnen voordoen. Als u bijvoorbeeld verticaal leest, kan de maandelijkse vraag variëren van 0 tot 3. Als u horizontaal leest, kunnen de totalen voor drie maanden variëren van 0 tot 6, vergeleken met de op vergelijkingen gebaseerde schatting van 4,5. Als u doorgaat met dit speelgoedvoorbeeld, als u 5 eenheden bij de hand heeft en de doorlooptijd voor aanvulling langer is dan 3 maanden, zegt het op vergelijkingen gebaseerde model dat u de komende 3 maanden in orde zult zijn, maar de op scenario's gebaseerde resultaten zeggen dat u 1 kans op 8 (12.5%) kans op bevoorrading. Evenzo heeft u een serviceniveau van 87.5%. Als het onderdeel kritiek is en u streeft naar een 95%-serviceniveau, loopt u het risico uw doel voor artikelbeschikbaarheid te missen.

    Op scenario's gebaseerde prognoses versus vergelijkingen hd2

    Afbeelding 1: Vergelijking-gebaseerde en op scenario's gebaseerde voorspellingen

     

    Overzicht

    Onthoud dat op vergelijkingen gebaseerde prognoses u informatie geven, maar oppervlakkige informatie. Op scenario's gebaseerde prognoses kunnen u niet alleen vertellen welk resultaat het meest waarschijnlijk is, maar ook hoe betrouwbaar een verscheidenheid aan voorspellingen is - en dit stelt u in staat uw oordeel te geven over het balanceren van risico's en voorraadkosten - allemaal geautomatiseerd om te schalen naar een groot aantal catalogus van artikelen.

     

    Top vijf tips voor nieuwe vraagplanners en -voorspellingen

    In de ruim veertig jaar dat Smart Software voorspellingssoftware levert, hebben we veel mensen ontmoet die, misschien verrassend, vraagvoorspellers worden. Deze blog is in de eerste plaats bedoeld voor die gelukkige individuen die op het punt staan om aan dit avontuur te beginnen (hoewel doorgewinterde pro's de opfriscursus misschien leuk vinden).

    Welkom op het veld! Goede prognoses kunnen een groot verschil maken voor de prestaties van uw bedrijf, of u nu prognoses maakt ter ondersteuning van verkoop, marketing, productie, voorraad of financiën.

    Er is veel wiskunde en statistiek die aan de vraag ten grondslag liggen voorspellingsmethoden, dus je opdracht suggereert dat je niet een van die wiskunde-fobische mensen bent die liever dichters zouden zijn. Gelukkig, als je je een beetje wankel voelt en nog niet genezen bent van je meetkundeles op de middelbare school, is veel van de wiskunde ingebouwd in voorspellingssoftware, dus je eerste taak is om de wiskunde voor later te laten terwijl je een zicht krijgt op de grote afbeelding. Het is inderdaad een grote afbeelding, maar laten we een paar van de ideeën isoleren die u het meest zullen helpen slagen.

     

    1. Vraagvoorspelling is een teamsport. Zelfs in een klein bedrijf maakt de vraagplanner deel uit van een team, waarbij sommige mensen de gegevens brengen, sommigen de technologie en sommigen het zakelijke oordeel. In een goed geleide onderneming zal het nooit uw taak zijn om simpelweg wat gegevens in een programma in te voeren en een prognoserapport te verzenden. Veel bedrijven hebben een proces aangenomen dat Sales and Operations Planning (S&OP) wordt genoemd, waarbij uw prognose wordt gebruikt om een vergadering te starten om bepaalde beoordelingen te maken (bijvoorbeeld: moeten we ervan uitgaan dat deze trend zich zal voortzetten? overprognose?) en om extra informatie in de uiteindelijke prognose op te nemen (bijv. input van het verkooppersoneel, business intelligence over bewegingen van concurrenten, promoties). De implicatie voor u is dat uw vaardigheden op het gebied van luisteren en communiceren belangrijk zullen zijn voor uw succes.

     

    1. Motoren voor statistische prognoses hebben goede brandstof nodig. Historische gegevens zijn de brandstof die wordt gebruikt door statistische prognoseprogramma's, dus slechte of ontbrekende of vertraagde gegevens kunnen uw werkproduct degraderen. Bij je functie hoort impliciet een aspect van kwaliteitscontrole en je moet de gegevens die je aangeleverd worden scherp in de gaten houden. Onderweg is het een goed idee om de IT-mensen tot je vrienden te maken.

     

    1. Uw naam staat op uw prognoses. Of ik het nu leuk vind of niet, als ik voorspellingen naar de commandostructuur stuur, worden ze bestempeld als 'Tom's voorspellingen'. Ik moet bereid zijn die nummers te bezitten. Om mijn plaats aan tafel te verdienen, moet ik kunnen uitleggen op welke gegevens mijn voorspellingen waren gebaseerd, hoe ze werden berekend, waarom ik methode A in plaats van methode B gebruikte om de berekeningen uit te voeren, en vooral hoe stevig of zacht ze zijn. Hier is eerlijkheid belangrijk. Van geen enkele voorspelling kan redelijkerwijs worden verwacht dat deze perfect nauwkeurig is, maar niet van alle managers kan worden verwacht dat ze volkomen redelijk zijn. Als u pech heeft, denkt uw management dat uw meldingen van onzekerheid voorspellen wijzen op onwetendheid of incompetentie. In werkelijkheid duiden ze op professionaliteit. Ik heb geen bruikbaar advies over hoe je zulke managers het beste kunt managen, maar ik kan je er wel voor waarschuwen. Het is aan jou om degenen die je prognoses gebruiken op te leiden. De beste managers zullen dat waarderen.

     

    1. Laat uw spreadsheets achter. Het is niet ongebruikelijk dat iemand wordt gepromoveerd tot voorspeller omdat ze geweldig waren met Excel. Tenzij u bij een ongewoon klein bedrijf werkt, overstijgt de schaal van moderne bedrijfsprognoses wat u met spreadsheets aankunt. De toenemende snelheid van zakendoen verergert het probleem: het slaperige tempo van jaarlijkse en driemaandelijkse planningsvergaderingen maakt snel plaats voor wekelijkse of zelfs dagelijkse herprognoses naarmate de omstandigheden veranderen. Wees dus voorbereid op een professionele leverancier van moderne, schaalbare cloudgebaseerde software voor vraagplanning en statistische prognose voor training en ondersteuning.

     

    1. Denk visueel. Het zal zeer nuttig zijn, zowel bij het beslissen hoe u vraagprognoses genereert als bij het presenteren ervan aan het management, dus profiteer van de visualisatiemogelijkheden die in de prognosesoftware zijn ingebouwd. Zoals ik hierboven al opmerkte, kunnen de gegevens waarmee u werkt in de huidige hoogfrequente zakenwereld snel veranderen, dus wat u vorige maand deed, is deze maand misschien niet de juiste keuze. Houd uw gegevens letterlijk in de gaten door eenvoudige grafieken te maken, zoals "timeplots" die zaken als trend of seizoensinvloeden of (vooral) veranderingen in trend of seizoensinvloeden of anomalieën laten zien die moeten worden aangepakt. Evenzo kan het zeer nuttig zijn in een S&OP-proces om tabellen met prognoses aan te vullen met grafieken waarin huidige prognoses worden vergeleken met eerdere prognoses met werkelijke cijfers. Tijdplots met waarden uit het verleden, voorspelde waarden en 'prognose-intervallen' die de objectieve onzekerheid in de prognoses aangeven, bieden bijvoorbeeld een solide basis voor uw team om de boodschap in uw prognoses ten volle te waarderen.

     

    Dat is genoeg voor nu. Als iemand die al een halve eeuw lesgeeft aan universiteiten, ben ik geneigd om met de statistische kant van voorspellingen te beginnen, maar dat bewaar ik voor een andere keer. De vijf bovenstaande tips zouden u kunnen helpen als u uitgroeit tot een belangrijk onderdeel van uw bedrijfsplanningsteam. Welkom bij het spel!

     

     

     

    Voorraad beheren te midden van regimeverandering

    Als je de uitdrukking "regimeverandering" op het nieuws hoort, denk je meteen aan een beladen geopolitieke gebeurtenis. Statistici gebruiken de uitdrukking anders, op een manier die van groot belang is voor vraagplanning en voorraadoptimalisatie. Deze blog gaat over “regime change” in statistische zin, dat wil zeggen een grote verandering in het karakter van de vraag naar een voorraadartikel.

    De vraaggeschiedenis van een artikel is de brandstof die de prognosemachines van vraagplanners aandrijft. Over het algemeen geldt: hoe meer brandstof, hoe beter, waardoor we een betere oplossing hebben voor het gemiddelde niveau, de volatiliteit, de grootte en frequentie van eventuele pieken, de vorm van elk seizoenspatroon en de grootte en richting van elke trend.

    Maar er is één grote uitzondering op de regel dat "meer gegevens betere gegevens zijn." Als er een grote verschuiving in uw wereld plaatsvindt en de nieuwe vraag lijkt niet op de oude vraag, dan worden oude gegevens gevaarlijk.

    Moderne software kan nauwkeurige prognoses maken van de vraag naar artikelen en verstandige keuzes voorstellen voor voorraadparameters zoals bestelpunten en bestelhoeveelheden. Maar de geldigheid van deze berekeningen hangt af van de relevantie van de gegevens die in hun berekening worden gebruikt. Oude gegevens van een oud regime weerspiegelen niet langer de huidige realiteit, dus door ze in berekeningen op te nemen, ontstaan voorspellingsfouten voor vraagplanners en ofwel overtollige voorraad of onaanvaardbare stockout-percentages voor voorraadplanners.

    Dat gezegd hebbende, als je een recente regimewisseling zou doorstaan en de verouderde gegevens zou weggooien, zou je veel minder gegevens hebben om mee te werken. Dit heeft zijn eigen kosten, omdat alle schattingen die op basis van de gegevens worden berekend een grotere statistische onzekerheid zouden hebben, ook al zouden ze minder vertekend zijn. In dit geval zouden uw berekeningen meer moeten steunen op een combinatie van statistische analyse en uw eigen deskundig oordeel.

    Op dit punt kunt u zich afvragen: "Hoe kan ik weten of en wanneer er een regimewisseling heeft plaatsgevonden?" Als je al een tijdje aan het werk bent en je je op je gemak voelt bij het bekijken van tijdschema's van de vraag naar items, zul je over het algemeen regimeverandering herkennen wanneer je het ziet, tenminste als het niet te subtiel is. Afbeelding 1 toont enkele praktijkvoorbeelden die voor de hand liggen.

    Figuur 1 Vier voorbeelden van regimeverandering in de reële vraag naar artikelen

    Afbeelding 1: Vier voorbeelden van regimeverandering in de vraag naar artikelen in de echte wereld

     

    Helaas kunnen minder voor de hand liggende veranderingen toch significante effecten hebben. Bovendien hebben de meeste van onze klanten het te druk om alle items die ze beheren zelfs maar één keer per kwartaal handmatig te controleren. Als je bijvoorbeeld 100 items overschrijdt, wordt het een zware taak om al die tijdreeksen te bekijken. Gelukkig kan software goed de vraag naar tienduizenden items monitoren en u waarschuwen voor items die mogelijk uw aandacht nodig hebben. Ook dan kunt u ervoor zorgen dat de software niet alleen regimeverandering detecteert, maar ook automatisch alle gegevens uitsluit die zijn verzameld vóór de meest recente regimeverandering, indien van toepassing. Met andere woorden, u kunt zowel automatische waarschuwing voor regimeverandering als automatische bescherming tegen regimeverandering krijgen.

    For more on the basics of regime change, see our previous blog on the topic: https://smartcorp.com/blog/demandplanningregimechange/  

     

    Een voorbeeld met getallen erin

    Als u meer wilt weten, lees dan verder om een numeriek voorbeeld te zien van hoeveel regimeverandering de berekening van een bestelpunt voor een kritisch reserveonderdeel kan veranderen. Hier is een scenario om het punt te illustreren.

    Scenario

    • Doel: bereken het bestelpunt dat nodig is om het risico van voorraadtekort te beheersen tijdens het wachten op aanvulling. Neem aan dat het beoogde voorraadrisico 5% is.
    • Stel dat het artikel een intermitterende dagelijkse vraag heeft, met vele dagen zonder vraag.
    • Stel dat de dagelijkse vraag een Poisson-verdeling heeft met een gemiddelde van 1,0 eenheden per dag.
    • Stel dat de doorlooptijd van de aanvulling altijd 30 dagen is.
    • De doorlooptijdvraag zal willekeurig zijn, dus het heeft een kansverdeling en het bestelpunt is de 95e percentiel van de verdeling.
    • Neem aan dat het effect van regimewisseling is dat de gemiddelde dagelijkse vraag wordt verhoogd of verlaagd.
    • Neem aan dat er een jaar aan dagelijkse gegevens beschikbaar zijn voor het schatten van de gemiddelde dagelijkse vraag per eenheid.

     

    Figuur 2 Voorbeeld van verandering in gemiddelde vraag en steekproef van willekeurige dagelijkse vraag

    Figuur 2 Voorbeeld van verandering in gemiddelde vraag en steekproef van willekeurige dagelijkse vraag

     

    Figuur 2 toont een vorm van dit scenario. Het bovenste paneel laat zien dat de gemiddelde dagelijkse vraag na 270 dagen stijgt van 1,0 naar 1,5. Het onderste paneel toont een manier waarop de dagelijkse vraag van een jaar kan verschijnen. (Op dit moment heb je misschien het gevoel dat het berekenen van al deze dingen ingewikkeld is, zelfs voor wat een vereenvoudigd scenario blijkt te zijn. Daarom hebben we software!)

    Analyse

    Succesvolle berekening van het juiste bestelpunt hangt af van wanneer regimeverandering plaatsvindt en hoe groot een verandering plaatsvindt. We simuleerden regimewisselingen van verschillende groottes op verschillende tijdstippen binnen een periode van 365 dagen. Rond een basisvraag van 1,0 eenheden per dag hebben we verschuivingen in de vraag ("shift") van ±25% en ±50% bestudeerd, evenals een referentiegeval zonder verandering. We hebben het tijdstip van de wijziging ("t.break") vastgesteld op 90, 180 en 270 dagen. In elk geval hebben we twee schattingen van het bestelpunt berekend: de "ideale" waarde gegeven perfecte kennis van de gemiddelde vraag in het nieuwe regime ("ROP.true"), en de geschatte waarde van de gemiddelde vraag berekend door de regimeverandering te negeren en het gebruik van alle vraaggegevens van het afgelopen jaar (“ROP.all”).

    Tabel 1 toont de schattingen van het bestelpunt berekend over 100 simulaties. Het middelste blok is het referentiegeval, waarin er geen verandering is in de dagelijkse vraag, die vast blijft op 1 eenheid per dag. Het gekleurde blok onderaan is het meest extreem stijgende scenario, waarbij de vraag stijgt tot 1,5 eenheden/dag ofwel een derde, de helft of tweederde van het jaar.

    Uit deze simulaties kunnen we verschillende conclusies trekken.

    ROP.true: De juiste keuze voor bestelpunt neemt toe of af volgens de verandering in de gemiddelde vraag na de regimeverandering. De relatie is niet eenvoudig lineair: de tabel omvat een 600%-bereik van vraagniveaus (0,25 tot 1,50) maar een 467%-bereik van bestelpunten (van 12 tot 56).

    ROP.all: Het negeren van de regimewisseling kan leiden tot grove overschattingen van het bestelpunt wanneer de vraag daalt en tot grove onderschattingen wanneer de vraag toeneemt. Zoals we zouden verwachten, hoe later de regimewisseling, hoe erger de fout. Als de vraag bijvoorbeeld twee derde van het jaar onopgemerkt stijgt van 1,0 naar 1,5 eenheden per dag, zou het berekende bestelpunt van 43 eenheden 13 eenheden minder zijn dan het zou moeten zijn.

    Een woord van waarschuwing: Tabel 1 laat zien dat het baseren van de berekeningen van bestelpunten met alleen gegevens van na een regimewisseling meestal het juiste antwoord geeft. Wat het niet laat zien, is dat de schattingen onstabiel kunnen zijn als er na de wijziging zeer weinig vraaggeschiedenis is. Daarom moet je in de praktijk wachten met reageren op de regimewisseling totdat er een behoorlijk aantal waarnemingen is verzameld in het nieuwe regime. Dit kan betekenen dat u alle vraaggeschiedenis moet gebruiken, zowel vóór als na de wijziging, totdat bijvoorbeeld 60 of 90 dagen aan geschiedenis zijn verzameld voordat de gegevens vóór de wijziging worden genegeerd.

     

    Tabel 1 Correcte en geschatte bestelpunten voor verschillende scenario's voor regimeverandering

    Tabel 1 Correcte en geschatte bestelpunten voor verschillende scenario's voor regimeverandering