Twee voorraadproblemen

Als je zowel dingen maakt als verkoopt, bezit je twee voorraadproblemen. Bedrijven die dingen verkopen, moeten zich onophoudelijk concentreren op het hebben van voldoende productvoorraad om aan de vraag van de klant te voldoen. Fabrikanten en activa-intensieve industrieën zoals energieopwekking, openbaar vervoer, mijnbouw en raffinage hebben een extra voorraadprobleem: voldoende reserveonderdelen hebben om hun machines draaiende te houden. In deze technische samenvatting worden de basisprincipes van twee probabilistische modellen van machinestoringen besproken. Het relateert ook de beschikbaarheid van machines aan de toereikendheid van de voorraad reserveonderdelen.

Modellering van het falen van een machine die wordt behandeld als een "zwarte doos"

Net zoals de vraag naar producten inherent willekeurig is, geldt dat ook voor de timing van machinestoringen. Evenzo, net zoals probabilistische modellering de juiste manier is om met willekeurige vraag om te gaan, is het ook de juiste manier om met willekeurige storingen om te gaan.

Modellen van machinestoringen hebben twee componenten. De eerste gaat over de willekeurige duur van uptime. De tweede gaat over de willekeurige duur van downtime.

Het veld van betrouwbaarheid theorie biedt verschillende standaard waarschijnlijkheidsmodellen die de willekeurige tijd beschrijven tot het uitvallen van een machine zonder rekening te houden met de reden voor het uitvallen. Het eenvoudigste model van uptime is de exponentiële verdeling. Dit model zegt dat de gevaar tarief, dwz de kans op falen in het volgende moment, is constant, ongeacht hoe lang het systeem in werking is. Het exponentiële model is goed in het modelleren van bepaalde soorten systemen, met name elektronica, maar het is niet universeel toepasbaar.

Download de whitepaper

De volgende stap omhoog in modelcomplexiteit is de Weibull model (uitgesproken als "WHY-bull"). De Weibull-verdeling maakt het mogelijk dat het risico van falen in de loop van de tijd verandert, ofwel afneemt na een inbrandperiode, ofwel vaker toeneemt naarmate slijtage zich ophoopt. De exponentiële verdeling is een speciaal geval van de Weibull-verdeling waarin de risicograad niet toeneemt of afneemt.

Figuur 1: Drie verschillende Weibull-overlevingscurven

Figuur 1 illustreert de waarschijnlijkheid van het Weibull-model dat een machine nog steeds draait als functie van hoe lang deze al draait. Er zijn drie curven die overeenkomen met constante, afnemende en toenemende risicopercentages. Om voor de hand liggende redenen worden deze genoemd overlevingscurven omdat ze de overlevingskans voor verschillende tijdsperioden uitzetten (maar ze worden ook wel betrouwbaarheidscurven). De zwarte curve die hoog begint en snel daalt (β=3) geeft een machine weer die met de jaren verslijt. De lichtste curve in het midden snel (β=1) toont de exponentiële verdeling. De medium-donkere curve (β=0,5) is er een die een hoog percentage vroege risico's heeft, maar beter wordt met de leeftijd.

Er is natuurlijk nog een ander fenomeen dat in de analyse moet worden meegenomen: downtime. Het modelleren van downtime is waar voorraadtheorie in beeld komt. Downtime wordt gemodelleerd door een combinatie van twee verschillende distributies. Als er een reserveonderdeel beschikbaar is om het defecte onderdeel te vervangen, kan de downtime erg kort zijn, bijvoorbeeld één dag. Maar als er geen reserve op voorraad is, kan de downtime behoorlijk lang zijn. Zelfs als de reserve snel kan worden verkregen, kan het enkele dagen of een week duren voordat de machine kan worden gerepareerd. Als het reserveonderdeel door een verre leverancier moet worden vervaardigd en over zee moet worden vervoerd en vervolgens per spoor moet worden vervoerd naar uw fabriek, kan de uitvaltijd weken of maanden zijn. Dit alles betekent dat het bijhouden van een goede inventaris van reserveonderdelen erg belangrijk is om de productie op gang te houden.

Bij dit geaggregeerde type analyse wordt de machine behandeld als een zwarte doos die werkt of niet. Hoewel de details worden genegeerd van welk onderdeel het heeft begeven en wanneer, is een dergelijk model nuttig voor het inschatten van de pool van machines die nodig is om met grote waarschijnlijkheid een minimaal niveau van productiecapaciteit te handhaven.

De binominale verdeling is het waarschijnlijkheidsmodel dat relevant is voor dit probleem. De binominale is hetzelfde model dat bijvoorbeeld de verdeling beschrijft van het aantal "koppen" dat resulteert uit twintig worpen van een munt. In het machinebetrouwbaarheidsprobleem komen de machines overeen met munten, en een resultaat van koppen komt overeen met het hebben van een werkende machine.

Als voorbeeld, als

• de kans dat een bepaalde machine op een bepaalde dag draait, is 90%
• machinestoringen zijn onafhankelijk (bijv. geen overstroming of tornado om ze allemaal in één keer weg te vagen)
• je hebt minimaal een kans van 95% nodig dat er op een bepaalde dag minstens 5 machines draaien

dan schrijft het binominale model zeven machines voor om je doel te bereiken.

Modellering van machinestoringen op basis van componentstoringen

Het Weibull-model kan ook worden gebruikt om het falen van een enkel onderdeel te beschrijven. Elke realistisch complexe productiemachine heeft echter meerdere onderdelen en heeft daarom meerdere faalwijzen. Dit betekent dat het berekenen van de tijd totdat de machine uitvalt een analyse vereist van een "race naar mislukking", waarbij elk onderdeel strijdt om de "eer" om als eerste te falen.

Als we de redelijke aanname maken dat onderdelen onafhankelijk van elkaar falen, wijst de standaardkanstheorie de weg naar het combineren van de modellen van het falen van individuele onderdelen tot een algemeen model van machinefalen. De tijd tot het eerste van vele onderdelen faalt heeft een poly-Weibull verdeling. Op dit punt kan de analyse echter behoorlijk ingewikkeld worden, en de beste stap zou kunnen zijn om over te schakelen van analyse-per-vergelijking naar analyse-per-simulatie.

Machinestoring simuleren op basis van de details van defecte onderdelen

Simulatieanalyse kreeg zijn moderne start als een spin-off van het Manhattan-project om de eerste atoombom te bouwen. De methode wordt ook vaak genoemd Monte Carlo simulatie naar het grootste gokcentrum ter wereld vroeger (vandaag zou het "Macau-simulatie" zijn).

Een simulatiemodel zet de logica van de opeenvolging van willekeurige gebeurtenissen om in overeenkomstige computercode. Vervolgens gebruikt het door de computer gegenereerde (pseudo-)willekeurige getallen als brandstof om het simulatiemodel aan te drijven. De faaltijd van elk onderdeel wordt bijvoorbeeld gemaakt door te putten uit de specifieke Weibull-faaltijdverdeling. Dan begint de vroegste van die storingstijden met de volgende episode van machinestilstand.

Afbeelding 2: een simulatie van de bedrijfstijd van een machine gedurende een jaar

Figuur 2 toont de resultaten van een simulatie van de uptime van een enkele machine. Machines doorlopen afwisselende periodes van uptime en downtime. In deze simulatie wordt aangenomen dat uptime een exponentiële verdeling heeft met een gemiddelde duur (MTBF = Mean Time Before Failure) van 30 dagen. Downtime heeft een 50:50 verdeling tussen 1 dag als er een reserve beschikbaar is en 30 dagen als dat niet het geval is. In de simulatie weergegeven in figuur 2 werkt de machine gedurende 85% van de dagen in één jaar in bedrijf.

Een geschatte formule voor machine-uptime

Hoewel Monte Carlo-simulatie nauwkeurigere resultaten kan opleveren, doet een eenvoudiger algebraïsch model het goed als benadering en maakt het gemakkelijker om te zien hoe de belangrijkste variabelen zich verhouden.

Definieer de volgende sleutelvariabelen:

• MTBF = Mean Time Before Failure (dagen)
• Pa = waarschijnlijkheid dat er een reserveonderdeel beschikbaar is wanneer dat nodig is
• MDTshort = Mean Down Time als er een reserve beschikbaar is wanneer dat nodig is
• MDTlong = Mean Down Time als er geen reserve beschikbaar is wanneer dat nodig is
• Uptime = Percentage dagen dat de machine in bedrijf is.

Dan is er een eenvoudige benadering voor de Uptime:

Uptime ≈ 100 x MTBF/(MTBF + MDTkort x Pa + MDTlang x (1-Pa)). (Vergelijking 1)

Vergelijking 1 vertelt ons dat de uptime afhangt van de beschikbaarheid van een reserve. Als er altijd een reserve is (Pa=1), bereikt de uptime een piekwaarde van ongeveer 100 x MTBF/(MTBF + MDTshort). Als er nooit een reserve beschikbaar is (Pa=0), bereikt de uptime de laagste waarde van ongeveer 100 x MTBF/(MTBF + MDTlong). Wanneer de reparatietijd ongeveer net zo lang is als de normale tijd tussen storingen, zakt de uptime naar een onaanvaardbaar niveau in de buurt van 50%. Als er altijd een reserve beschikbaar is, kan de uptime de 100% benaderen.

Het relateren van machinestilstand aan de inventaris van reserveonderdelen

Het minimaliseren van uitvaltijd vereist een meervoudig initiatief met intensieve training van de machinist, gebruik van hoogwaardige grondstoffen, effectief preventief onderhoud en adequate reserveonderdelen. De eerste drie stellen de voorwaarden voor goede resultaten. De laatste gaat over onvoorziene omstandigheden.

Als een machine eenmaal uitvalt, vliegt het geld de deur uit en is er een premie om het snel weer op gang te krijgen. Deze scène kan zich op twee manieren afspelen. De goede heeft een reserveonderdeel klaarliggen, zodat de uitvaltijd tot een minimum kan worden beperkt. De slechte heeft geen reserveonderdelen beschikbaar, dus er is een strijd om de levering van het benodigde onderdeel te bespoedigen. In dit geval moet de fabrikant zowel de kosten van verloren productie als de kosten van versnelde verzending dragen, als dat al een optie is.

Als het voorraadsysteem goed is ontworpen, zal de beschikbaarheid van reserveonderdelen geen grote belemmering vormen voor de inzetbaarheid van de machine. Met het ontwerp van een voorraadsysteem bedoel ik de resultaten van verschillende keuzes: of het tekortbeleid een nabestellingsbeleid of een verliesbeleid is, of de inventarisatiecyclus periodiek of continu is, en welke bestelpunten en bestelhoeveelheden worden vastgesteld.

Wanneer voorraadbeleid voor producten wordt ontworpen, worden ze beoordeeld aan de hand van verschillende criteria. Serviceniveau is het percentage van de bevoorradingsperioden dat verstrijkt zonder dat er sprake is van voorraaduitval. Fill Rate is het percentage bestelde eenheden dat direct uit voorraad wordt geleverd. Het gemiddelde voorraadniveau is het typische aantal beschikbare eenheden.

Geen van deze is precies de maatstaf die nodig is voor de opslag van reserveonderdelen, hoewel ze allemaal gerelateerd zijn. De benodigde maatstaf is Artikelbeschikbaarheid, het percentage dagen waarin er ten minste één reserve klaar is voor gebruik. Hogere serviceniveaus, opvullingspercentages en voorraadniveaus impliceren allemaal een hoge itembeschikbaarheid en er zijn manieren om van de ene naar de andere om te schakelen. (Wanneer meerdere machines dezelfde voorraad reserveonderdelen delen, wordt voorraadbeschikbaarheid vervangen door de waarschijnlijkheidsverdeling van het aantal reserveonderdelen op een bepaalde dag. We laten dat complexere probleem voor een andere dag liggen.)

Het is duidelijk dat het aanhouden van een goede voorraad reserveonderdelen de kosten van machinestilstand vermindert. Natuurlijk zorgt het aanhouden van een goede voorraad reserveonderdelen voor eigen voorraad- en bestelkosten. Dit is het tweede voorraadprobleem van de fabrikant. Zoals bij elke beslissing met betrekking tot inventaris, is het belangrijk om de juiste balans te vinden tussen deze twee concurrerende kostenplaatsen. Zien dit artikel over probabilistische prognoses voor intermitterende vraag voor begeleiding bij het vinden van dat evenwicht.

Service Level Driven Planning (SLDP) is een benadering van voorraadplanning. Het schrijft optimale doelen voor het serviceniveau voor, identificeert en communiceert continu afwegingen tussen service en kosten die aan de basis liggen van alle verstandige voorraadbeslissingen. Wanneer een organisatie deze relatie begrijpt, kunnen ze communiceren waar ze risico lopen en waar niet, en kunnen ze effectief omgaan met hun inventarismiddelen. SLDP helpt voorraadonevenwichtigheden bloot te leggen en maakt weloverwogen beslissingen mogelijk over hoe deze het beste kunnen worden gecorrigeerd. Om SLDP te implementeren, moet u verder kijken dan traditionele planningsbenaderingen, zoals willekeurige targeting op serviceniveau (al mijn A-items moeten serviceniveau 99% krijgen, B-items 95%, C-items 80%, enz.) precies voorspellen wat er gaat gebeuren en wanneer. SLDP ontvouwt zich in 4 stappen: Benchmark, Collaborate, Plan en Track.

Stap 1. Benchmarkprestaties

Alle deelnemers aan het voorraadplannings- en investeringsproces moeten een gemeenschappelijk begrip hebben van hoe het huidige beleid presteert binnen een overeengekomen reeks inventarisstatistieken. Metrieken moeten historisch bereikte serviceniveaus en opvullingspercentages, levertijd aan klanten, doorlooptijdprestaties van leveranciers, voorraadrotaties en voorraadinvesteringen omvatten. Zodra deze statistieken zijn gebenchmarkt en er dagelijks over kan worden gerapporteerd, beschikt de organisatie over de informatie die zij nodig heeft om prioriteit te geven aan planningsinspanningen. Als de voorraad bijvoorbeeld is toegenomen, maar de serviceniveaus niet, zou dit erop wijzen dat de voorraad niet correct is verdeeld over de SKU's. Rapporten moeten met muisklikken worden gegenereerd, zodat planners zich kunnen concentreren op analyse in plaats van tijdrovende rapportgeneratie. Prestaties uit het verleden zijn geen garantie voor toekomstige prestaties, aangezien variabiliteit in de vraag, kosten, prioriteiten en doorlooptijden altijd veranderen. SLDP maakt dus voorspellende benchmarking mogelijk die inschat welke prestaties in de toekomst waarschijnlijk zullen zijn. Software voor voorraadoptimalisatie gebruiken waarschijnlijkheidsvoorspelling kan worden gebruikt om een realistisch bereik van potentiële behoeften en bevoorradingscycli in te schatten, waarbij u uw planningsparameters stresstests uitvoert om te ontdekken hoe vaak en welke artikelen u op voorraad en overschotten kunt verwachten.

Stap 2. "Wat als" planning en samenwerking

"Wat als" voorraadmodellering en samenwerking vormen de kern van SLDP. De historische en voorspellende benchmarks moeten eerst worden gedeeld met alle relevante belanghebbenden, waaronder verkoop, financiën en bedrijfsvoering. Er moeten inspanningen worden geleverd om de volgende vragen te beantwoorden:

– Zijn zowel de huidige prestaties als de investering acceptabel?
– Zo nee, hoe moeten deze worden verbeterd?
– Welke SKU's zullen waarschijnlijk als volgende worden geëist en in welke hoeveelheden?
– Waar zijn we bereid meer risico te nemen?
– Waar moet het voorraadrisico worden geminimaliseerd?
– Wat zijn de specifieke voorraadkosten?
– Aan welke bedrijfsregels en beperkingen moeten we ons houden (klantenserviceniveau-overeenkomsten, voorraaddrempels, enz.)

Zodra de bovenstaande vragen zijn beantwoord, kan nieuw voorraadplanningsbeleid worden ontwikkeld. Voorraadoptimalisatiesoftware kan alle kosten in verband met voorraadbeheer met elkaar verzoenen, inclusief voorraadkosten, om de juiste set planningsparameters (min/max, veiligheidsvoorraad, bestelpunten, enz.) en voorgeschreven serviceniveaus te genereren. Het optimale beleid kan worden vergeleken met het huidige beleid en aangepast op basis van randvoorwaarden en bedrijfsregels. Bepaalde artikelen kunnen bijvoorbeeld gericht zijn op een nagestreefd serviceniveau om te voldoen aan een klantenserviceovereenkomst. Er kunnen verschillende 'wat als'-scenario's voor voorraadplanning worden ontwikkeld en gedeeld met de belangrijkste belanghebbenden. U kunt bijvoorbeeld modelleren hoe kortere doorlooptijden de voorraadkosten beïnvloeden. Zodra er consensus is bereikt en de risico's en kosten duidelijk zijn gecommuniceerd, kan het gewijzigde beleid worden geüpload naar het ERP-systeem om voorraadaanvulling te stimuleren.

Stap 3. Voortdurend plannen en beheren per uitzondering

SLDP maakt voortdurend nieuwe prognoses van geoptimaliseerde planningsparameters op basis van veranderende eisen, doorlooptijden, kosten en andere factoren. Dit betekent dat serviceniveaus en voorraadwaarde kunnen veranderen. Het voorgeschreven serviceniveau van 95% kan bijvoorbeeld in de volgende planningsperiode worden verhoogd naar 99% als de voorraadkosten voor dat artikel plotseling stijgen. Dit geldt ook als u ervoor kiest om willekeurig een bepaald serviceniveau te targeten of planningsparameters vast te leggen op een specifieke eenheidshoeveelheid. Een beoogd serviceniveau van 95% kan bijvoorbeeld vandaag $1.000 in voorraad vereisen, maar $2.000 volgende maand als de doorlooptijden pieken. Evenzo kan een bestelpunt van 10 eenheden vandaag 95%-service krijgen en volgende maand alleen 85%-service als reactie op de toegenomen vraagvariabiliteit. Voorraadoptimalisatiesoftware identificeert welke artikelen naar verwachting significante veranderingen in serviceniveau en/of voorraadwaarde zullen hebben en welke artikelen niet volgens het consensusplan worden besteld. Er worden automatisch uitzonderingslijsten gemaakt, waardoor u deze items gemakkelijk kunt bekijken en kunt beslissen hoe u ze in de toekomst wilt beheren. Prescriptieve analyses kunnen helpen vaststellen of de hoofdoorzaak van de verandering een vraagafwijking, een verandering in de algehele variabiliteit van de vraag, een verandering in de doorlooptijd of een verandering in de kosten is, zodat u het beleid dienovereenkomstig kunt verfijnen.

Stap 4. Houd de lopende prestaties bij

SLDP-processen meten regelmatig historische en huidige operationele prestaties. De resultaten moeten worden gecontroleerd om ervoor te zorgen dat de serviceniveaus verbeteren en de voorraadniveaus afnemen in vergelijking met de historische benchmarks bepaald in stap 1. Meetstatistieken bijhouden zoals beurten, geaggregeerde en artikelspecifieke serviceniveaus, opvullingspercentages, out-of-stocks en leveranciers doorlooptijd prestaties. Deel resultaten binnen de hele organisatie en identificeer de hoofdoorzaken van operationele inefficiënties. SLDP-processen maken het bijhouden van prestaties gemakkelijk door tools te bieden die automatisch de benodigde rapporten genereren in plaats van deze last op planners te leggen om ze in Excel te beheren. Hierdoor kan de organisatie operationele problemen ontdekken die van invloed zijn op de prestaties en feedback geven over wat werkt en wat moet worden verbeterd.

Conclusie

Het SLDP-raamwerk is een manier om het voorraadplanningsproces te rationaliseren en een aanzienlijk economisch rendement te genereren. Het organiserende principe is dat klantenserviceniveaus en inventariskosten in verband met het gekozen beleid moeten worden begrepen, gevolgd en voortdurend verfijnd. Het gebruik van voorraadoptimalisatiesoftware helpt ervoor te zorgen dat u het goedkoopste serviceniveau kunt identificeren. Dit creëert een coherente, bedrijfsbrede inspanning die inzicht in de huidige activiteiten combineert met wetenschappelijke beoordelingen van toekomstige risico's en omstandigheden. Het wordt gerealiseerd door een combinatie van uitvoerende visie, inhoudelijke expertise van het personeel en de kracht van moderne software voor voorraadplanning en -optimalisatie.

Bekijk hoe Smart Inventory Optimization Service Level Driven Planning ondersteunt en download het productblad hier: https://smartcorp.com/inventory-optimization/

Als u een nieuwe professional bent op het gebied van vraagplanning en voorraadbeheer, staat u voor een zeer steile leercurve. Er zijn veel bewegende delen in het systeem dat u beheert, en veel van de beweging is willekeurig. Misschien vindt u het nuttig om even afstand te nemen van de dagelijkse gang van zaken en na te denken over wat er nodig is om een succesvolle demand planner te zijn. Hier zijn zes tips voor nieuwe vraagplanners die u misschien handig vindt; ze zijn het resultaat van meer dan vijfendertig jaar werken met enkele zeer slimme beoefenaars.

1. Weet wat winnen betekent.

Voorraadbeheer en vraagplanning is geen zacht gebied waar succes in vage taal kan worden beschreven. Succes hier is een getallenspel. Er zijn een aantal belangrijke prestatie-indicatoren (KPI's) voor u beschikbaar, waaronder serviceniveau, opvullingspercentage, voorraadrotatie, voorraadinvestering en voorraadbedrijfskosten. Bedrijven verschillen in het belang dat ze aan elke statistiek toekennen, maar je kunt niet winnen zonder enkele of al deze te gebruiken om de score bij te houden.

Maar "winnen" is niet zo eenvoudig als het behalen van de best mogelijke score op elke statistiek. De metrische waarden die het belangrijkst zijn, verschillen per bedrijf. Uw bedrijf kan klantenservice voorrang geven boven kostenbeheersing, of vice versa, en volgend jaar kan het reden hebben om die voorkeur om te draaien.

Bovendien zijn er verbanden tussen KPI's waardoor u ze tegelijkertijd moet beschouwen in plaats van als een verzameling onafhankelijke scores. Het verbeteren van het serviceniveau zal bijvoorbeeld meestal ook het opvullingspercentage verbeteren, wat goed is, maar het zal meestal ook de bedrijfskosten verhogen, wat niet goed is.

Deze koppelingen drukken zichzelf uit als afwegingen. En hoewel de KPI's zelf cijfers zijn, vereist het beheer van de bundel KPI's enige wijze subjectiviteit, want wat nodig is, is een redelijk evenwicht tussen concurrerende krachten. De fundamentele afweging is om de kosten van het hebben van inventaris af te wegen tegen de waarde van het beschikbaar hebben van de inventaris voor degenen die het nodig hebben.

Als u een relatief junior vraagplanner bent, kunnen deze afwegingen hoger in de organisatie worden gemaakt, maar zelfs dan kunt u een nuttige rol spelen door ervoor te zorgen dat de afwegingen worden blootgelegd en gewaardeerd. Dit betekent blootgesteld op kwantitatief niveau, bijvoorbeeld: "We kunnen het serviceniveau verhogen van 85% naar 90%, maar daarvoor is $100K meer voorraad in het magazijn nodig." Dit soort specifieke kwantitatieve kennis kan worden geleverd door geavanceerde supply chain-analyses.

2. Score bijhouden.

We zijn allemaal een beetje huiverig om gemeten te worden, maar zelfverzekerde professionals staan erop om de score bij te houden. Verlichte supervisors begrijpen dat externe krachten de prestaties van uw systeem kunnen beïnvloeden (bijvoorbeeld een belangrijke leverancier verdwijnt), en dat helpt altijd. Maar of je nu wel of niet een goede bovendekking hebt, je kunt geen succes aantonen en ook niet reageren op problemen zonder die KPI's te meten.

Het bijhouden van de score is belangrijk, maar dat geldt ook voor het begrijpen van wat de score beïnvloedt. Stel dat uw Service Level is gedaald ten opzichte van de waarde van vorige maand. Is dat gewoon de gebruikelijke fluctuatie van maand tot maand of is het iets ongewoons? Als het problematisch is, moet u het probleem diagnosticeren. Vaak zijn er meerdere mogelijke verdachten. Het serviceniveau kan bijvoorbeeld dalen omdat de verkoop- en marketingmensen iets geweldigs hebben gedaan en de vraag is gestegen, of omdat een leverancier iets niet zo geweldig heeft gedaan en de doorlooptijd voor aanvulling is getankt. Software kan u helpen deze belangrijke inputs te volgen om uw speurwerk te helpen, en supply chain-analyses kunnen de impact van veranderingen in deze inputs inschatten en u wijzen op compenserende reacties.

3. Zorg ervoor dat uw beslissingen op feiten zijn gebaseerd.

Software kan u naar goede beslissingen leiden, maar alleen als u het toestaat. Inputs zoals bewaarkosten, bestelkosten en tekortkosten moeten goed worden ingeschat om een nauwkeurige beoordeling van afwegingen te krijgen. Vooral belangrijk is zoiets ogenschijnlijk eenvoudigs als het gebruik van correcte waarden voor de artikelvraag, aangezien het modelleren van de vraag het startpunt is voor het simuleren van de resultaten van elk voorgesteld voorraadsysteemontwerp. Als we bereid zijn de betekenis van 'feit' een beetje uit te breiden tot de resultaten van systeemsimulaties, zou je je niet moeten committeren aan grote veranderingen zonder betrouwbare voorspellingen te hebben over wat er zal gebeuren als je je aan die veranderingen vastlegt.

4. Realiseer je dat het antwoord van gisteren misschien niet het antwoord van vandaag is.

Toeleveringsketens zijn verzamelingen van onderdelen, die allemaal in de loop van de tijd kunnen veranderen. Vraag die een stijgende trend vertoont, kan een neerwaartse trend beginnen. De doorlooptijden voor aanvulling kunnen afnemen. De bestelminima van leveranciers kunnen toenemen. Componentprijzen kunnen stijgen als gevolg van tarieven. Dergelijke factoren betekenen dat de feiten die u gisteren verzamelde vandaag achterhaald kunnen zijn, waardoor de beslissingen van gisteren ongeschikt zijn voor de problemen van vandaag. Waakzaamheid. Bekijk een eerder artikel detaillering van de nadelige financiële gevolgen van onregelmatige updates van planningsparameters.

5. Geef elk item zijn recht.

Als u verantwoordelijk bent voor het voorspellen van honderden of duizenden voorraaditems, zult u in de verleiding komen om uw leven te vereenvoudigen door een "one size fits all"-benadering te hanteren. Niet doen. SKU's zijn niet precies zoals sneeuwvlokken, maar enige differentiatie is vereist om je werk goed te doen. Het is een goed idee om groepen items te vormen op basis van enkele opvallende kenmerken. Sommige items zijn kritiek en moeten (bijna) altijd beschikbaar zijn; anderen kunnen een redelijk risico lopen om nabesteld te worden. Sommige items zijn behoorlijk onvoorspelbaar omdat ze "intermitterend" zijn (dwz veel nulwaarden hebben met willekeurige waarden die niet gelijk zijn aan nul); andere hebben een hoog volume en zijn redelijk voorspelbaar. Sommige items kunnen worden beheerd met relatief goedkope inventarisatiemethoden die elke maand worden bijgesteld; sommige items hebben methoden nodig die de beschikbare voorraad continu bewaken en aanpassen. Sommige items, zoals contractuele aankopen, kunnen zo voorspelbaar zijn dat u ze kunt behandelen als "geplande vraag" en ze uit de rest kunt halen.

Als u eenmaal verstandige artikelgroepen heeft gevormd, moet u nog steeds beslissingen nemen over elk artikel in elke groep, zoals het bepalen van hun vraagprognoses, bestelpunten en bestelhoeveelheden. Hier kan geavanceerde software voor vraagplanning het overnemen en automatisch berekenen beste keuzes op basis van wat winnen betekent in de context van die groep.  

6. Zorg dat iedereen op dezelfde lijn zit.

Georganiseerd zijn is niet alleen prettig, het is ook efficiënt. Als u een systeem heeft voor vraagplanning en voorraadbeheer, deelt iedereen in uw team dezelfde doelstellingen en volgt dezelfde processen. Als je geen systeem hebt, dan heeft elke demand planner zijn of haar eigen manier van denken over het probleem en het nemen van beslissingen. Sommige daarvan zullen ongetwijfeld beter zijn dan andere. Het is wenselijk om de best practices te standaardiseren en de rest te verbieden. Behalve dat het efficiënter is, maakt het hebben van een gestandaardiseerd proces het gemakkelijker om problemen te diagnosticeren als er iets misgaat en om oplossingen te implementeren.

Verbeter de forecasting nauwkeurigheid, elimineer overtollige voorraad en maximaliseer service levels

In deze video-tutorial presenteert Dr. Thomas Willemain, mede-oprichter en SVP Research bij Smart Software, Automatic Forecasting for Time Series Demand Projections, een gespecialiseerd algoritmisch toernooi om een geschikt tijdreeksmodel te bepalen en de parameters te schatten om de beste prognosemethoden te berekenen. Automatische prognoses van grote aantallen tijdreeksen worden vaak gebruikt in het bedrijfsleven, sommige hebben een stijgende of dalende trend en sommige hebben een seizoensgebonden karakter, dus ze zijn cyclisch, en elk van die specifieke patronen vereist een geschikte technische benadering en een geschikte statistische prognosemethode. Tom legt uit hoe het toernooi de beste prognosemethoden berekent en werkt aan een praktisch voorbeeld.

Nu meer dan ooit

Voorraadoptimalisatie is de afgelopen maanden voor veel van onze klanten een nog hogere prioriteit geworden. Sommigen vinden hun producten in een veel grotere vraag; meer hebben het tegenovergestelde probleem. In beide gevallen dwingen gebeurtenissen zoals de Covid19-pandemie een heronderzoek van de standaard bedrijfsomstandigheden, zoals de keuze van bestelpunten en bestelhoeveelheden.

Zelfs in rustigere tijden kunnen parameters voor voorraadbeheer, zoals Mins en Maxes, verre van hun beste waarden worden ingesteld. We kunnen vragen: "Waarom is het bestelpunt voor SKU_1234 ingesteld op 20 eenheden en het bestelaantal op 35?" Die keuzes waren waarschijnlijk het verstarde resultaat van jaren van geaccumuleerde gissingen. Een beetje onderzoek kan uitwijzen dat de keuzes van 20 en 35 niet langer goed zijn afgestemd op het huidige vraagniveau, de volatiliteit van de vraag, de doorlooptijd van de leverancier en de artikelkosten.

Het knagende gevoel van "We zouden al deze keuzes moeten heroverwegen" wordt vaak gevolgd door "Oh nee, we moeten dit uitzoeken voor alle 10.000 items in voorraad?" De redder is hier geavanceerde software die het proces kunnen opschalen en het niet alleen wenselijk maar ook haalbaar maken. De software maakt gebruik van geavanceerde algoritmen om veranderingen in inventarisparameters, zoals bestelpunten, te vertalen in belangrijke prestatie-indicatoren zoals serviceniveaus en bedrijfskosten (gedefinieerd als de som van voorraadkosten, bestelkosten en tekortkosten).

Deze blog beschrijft hoe je de voordelen van voorraadoptimalisatie door 4 benaderingen te schetsen met verschillende mate van automatisering.

Vier benaderingen voor voorraadoptimalisatie

Hunt-and Peck

De eerste manier is item-specifieke "jagen en pikken" optimalisatie. Dat wil zeggen, u isoleert één voorraaditem per keer en doet 'wat als'-gissingen over hoe u dat item moet beheren. U kunt software bijvoorbeeld vragen om te evalueren wat er gebeurt als u het bestelpunt voor SKU123 wijzigt van 20 in 21 terwijl u de bestelhoeveelheid vast laat op 35. Vervolgens kunt u proberen 20 met rust te laten en 35 te verlagen naar 34. Uren later, omdat uw intuïties zijn goed, je hebt misschien een beter paar keuzes gemaakt, maar je weet niet of er een nog betere combinatie is die je niet hebt geprobeerd, en je moet misschien doorgaan naar de volgende SKU en de volgende en de volgende... Je hebt iets meer geautomatiseerd en uitgebreider nodig.

Er zijn drie manieren om de klus productiever te klaren. De eerste twee combineren je intuïtie met de efficiëntie van het behandelen van groepen gerelateerde items. De derde is een volledig automatische zoekopdracht.

Gedreven optimalisatie op serviceniveau

1. Identificeer items waarvan u wilt dat ze allemaal hetzelfde serviceniveau hebben. U beheert bijvoorbeeld honderden 'C'-items en vraagt u zich af of hun doel voor het serviceniveau 70% moet zijn, of hoger of lager.
2. Voer een potentieel doel voor het serviceniveau in en laat de software de gevolgen voorspellen in termen van investeringen in voorraaddollars en bedrijfskosten.
3. Als het u niet bevalt wat u ziet, probeer dan een ander serviceniveaudoel totdat u zich op uw gemak voelt. Hier doet de software voorspellingen op groepsniveau van de gevolgen van je keuzes, maar je bent je keuzes nog aan het verkennen.

Optimalisatie door herverdeling vanuit een benchmark

1. Identificeer items die op de een of andere manier met elkaar verband houden, zoals 'alle reserveonderdelen voor onderstellen van lightrailvoertuigen'.
2. Gebruik de software om het huidige spectrum van serviceniveaus en kosten voor de groep items te beoordelen. Gewoonlijk zult u ontdekken dat sommige artikelen schromelijk overbevoorraad zijn (zoals aangegeven door onredelijk hoge serviceniveaus) en andere schromelijk onderbevoorraad (serviceniveaus beschamend laag).
3. Gebruik de software om de wijzigingen te berekenen die nodig zijn om de hoogste serviceniveaus te verlagen en de laagste te verhogen. Door deze aanpassing worden vaak twee doelen tegelijk bereikt: verhoging van het gemiddelde serviceniveau en tegelijkertijd verlaging van de gemiddelde bedrijfskosten.

Volledig geautomatiseerde, artikelspecifieke optimalisatie

1. Identificeer items die allemaal een serviceniveau boven een bepaald minimum vereisen. Misschien wilt u bijvoorbeeld dat al uw "A" -items minimaal een 95%-serviceniveau hebben.
2. Gebruik de software om voor elk artikel de keuze van inventarisparameters te identificeren die de kosten voor het behalen of overschrijden van het serviceniveauminimum minimaliseren. De software zoekt op efficiënte wijze in de "ontwerpruimte" gedefinieerd door paren inventarisparameters (bijv. Min en Max) naar ontwerpen (bijv. Min=10, Max=23) die voldoen aan de serviceniveaubeperking. Daarvan zal het ontwerp met de laagste kosten worden geïdentificeerd.

Deze aanpak gaat het verst om de last van de planner naar het programma te verschuiven. Velen zouden er baat bij hebben om dit de standaardmanier te maken waarop ze enorme aantallen inventarisitems beheren. Voor sommige items kan het handig zijn om wat meer tijd in te steken om ervoor te zorgen dat er ook rekening wordt gehouden met aanvullende overwegingen. Een beperkte capaciteit op een inkoopafdeling kan bijvoorbeeld de oplossing van het ideaal dwingen door een afname van de frequentie van bestellingen te eisen, ondanks de prijs die wordt betaald aan hogere totale bedrijfskosten.

Vooruit gaan

Het optimaliseren van inventarisparameters is nog nooit zo belangrijk geweest, maar het leek altijd een onmogelijke droom: het was te veel werk en er waren geen goede modellen om parameterkeuzes te relateren aan belangrijke prestatie-indicatoren zoals serviceniveau en bedrijfskosten. Moderne software voor supply chain-analyse heeft het spel veranderd. Nu is de vraag niet "Waarom zouden we dat doen?" maar “Waarom doen we dat niet?” Met software kun je 'Dit is wat we willen' koppelen aan 'Maak het zo'.