Er is een oud grapje: "Er zijn twee soorten mensen - zij die geloven dat er twee soorten mensen zijn, en zij die dat niet doen." We kunnen die grap aanpassen: "Er zijn twee soorten mensen - zij die weten dat er drie soorten supply chain-analyse zijn, en zij die deze blog nog niet hebben gelezen."

De drie typen supply chain-analyse zijn 'beschrijvend', 'voorspellend' en 'voorschrijvend'. Elk speelt een andere rol bij het helpen bij het beheren van uw voorraad. Met moderne supply chain-software kunt u alle drie benutten.

Beschrijvende analyses

Beschrijvende analyses zijn het spul van dashboards. Ze vertellen je "wat er nu gebeurt." In deze categorie zijn samenvattingscijfers opgenomen zoals dollars die momenteel in voorraad zijn geïnvesteerd, het huidige niveau van klantenservice en opvullingspercentage, en gemiddelde doorlooptijden van leveranciers. Deze statistieken zijn handig om uw activiteiten bij te houden, vooral wanneer u wijzigingen daarin van maand tot maand bijhoudt. U zult elke dag op hen vertrouwen. Ze vereisen nauwkeurige bedrijfsdatabases, statistisch verwerkt.

Voorspellende analyse

Voorspellende analyses manifesteren zich meestal als prognoses van de vraag, vaak opgesplitst per product en locatie en soms ook per klant. Deze statistieken geven vroegtijdige waarschuwingen, zodat u productie, personeel en inkoop van grondstoffen kunt versnellen om aan de vraag te voldoen. Ze bieden ook voorspellingen van het effect van wijzigingen in het bedrijfsbeleid, bijvoorbeeld: wat gebeurt er als we onze bestelhoeveelheid voor product X verhogen van 20 naar 25 eenheden? U kunt periodiek, misschien wekelijks of maandelijks, vertrouwen op Predictive Analytics wanneer u opkijkt van wat er nu gebeurt om te zien wat er daarna zal gebeuren. Predictive Analytics gebruikt beschrijvende analyse als basis, maar voegt meer mogelijkheden toe. Predictive Analytics voor vraagprognoses vereist geavanceerde statistische verwerking om kenmerken van de productvraag zoals trend, seizoensinvloeden en verandering van regime. Predictive Analytics voor voorraadbeheer gebruikt prognoses van de vraag als invoer in modellen van de werking van voorraadbeleid, die op hun beurt schattingen geven van belangrijke prestatiestatistieken zoals serviceniveaus, opvullingspercentages, en werkingskosten.

Prescriptieve analyses

Prescriptieve analyses gaan niet over wat er nu gebeurt of wat er daarna gaat gebeuren, maar over wat u vervolgens zou moeten doen, dwz ze bevelen beslissingen aan die gericht zijn op het maximaliseren van de prestaties van het inventarisatiesysteem. U kunt op Prescriptive Analytics vertrouwen om uw gehele voorraadbeleid zo goed mogelijk vorm te geven. Prescriptive Analytics gebruikt Predictive Analytics als basis en voegt vervolgens optimalisatiemogelijkheden toe. Prescriptive Analytics-software kan bijvoorbeeld automatisch de beste keuzes maken voor toekomstige waarden van min's en max's voor duizenden inventarisitems. Hier kan 'beste' de waarde van Min en Max voor elk artikel betekenen die de bedrijfskosten minimaliseert (de som van kosten voor vasthouden, bestellen en tekorten) terwijl een 90%-minimum voor het opvullingspercentage van artikelen wordt gehandhaafd.

Voorbeeld

Onderstaande figuur laat zien hoe supply chain analytics de voorraadbeheerder kan helpen. De kolommen tonen drie voorspelde Key Performance Indicators (KPI's): serviceniveau, voorraadinvestering en bedrijfskosten (holdingkosten + bestelkosten + tekortkosten).

 Afbeelding 1: de drie soorten analyses die worden gebruikt om planningsscenario's te evalueren

De rijen tonen vier alternatieve voorraadbeleidslijnen, uitgedrukt als scenario's. Het “Live” scenario rapporteert over de waarden van de KPI's op 1 juli 2018. Het “99% All” scenario wijzigt het huidige beleid door het serviceniveau van alle artikelen te verhogen naar 99%. Het scenario "75 verdieping/99 plafond" verhoogt serviceniveaus die te laag zijn tot 75% en verlaagt zeer hoge (dwz dure) serviceniveaus tot 95%. Het scenario "Optimalisatie" schrijft artikelspecifieke serviceniveaus voor die de totale bedrijfskosten minimaliseren.

Het scenario “Live 01-07-2018” is een voorbeeld van beschrijvende analyse. Het toont de huidige basislijnprestaties. De software stelt de gebruiker vervolgens in staat wijzigingen in het voorraadbeleid uit te proberen door nieuwe "Wat als"-scenario's te creëren die vervolgens kunnen worden omgezet in benoemde scenario's voor verdere overweging. De volgende twee scenario's zijn voorbeelden van Predictive Analytics. Ze beoordelen allebei de gevolgen van hun aanbevolen beleid voor voorraadbeheer, dwz de aanbevolen waarden van Min en Max voor alle artikelen. Het scenario 'Optimalisatie' is een voorbeeld van Prescriptive Analytics omdat het een beste compromisbeleid aanbeveelt.

Overweeg hoe de drie alternatieve scenario's zich verhouden tot het "Live" basisscenario. Het scenario "99% All" verhoogt de beschikbaarheidsstatistieken van artikelen, waardoor het serviceniveau stijgt van 88% naar 99%. Hierdoor neemt de totale inventarisinvestering echter toe van $3 miljoen tot ongeveer $4 miljoen. Het scenario '75 vloer/99 plafond' daarentegen verhoogt zowel het serviceniveau als vermindert het contante geld dat vastzit in de voorraad met ongeveer $300.000. Ten slotte bereikt het scenario "Optimalisatie" een 80%-serviceniveau, een verlaging ten opzichte van de huidige 88%, maar het verlaagt de voorraadwaarde met meer dan $2 miljoen en verlaagt de bedrijfskosten met meer dan $400.000 per jaar. Van hieruit konden managers verdere opties uitproberen, zoals het teruggeven van een deel van de $2 miljoen besparingen om een hoger gemiddeld serviceniveau te bereiken.

Overzicht

Moderne softwarepakketten voor voorraadplanning en voorraadoptimalisatie zouden drie soorten supply chain-analyses moeten bieden: beschrijvend, voorspellend en prescriptief. Dankzij hun combinatie kunnen voorraadbeheerders hun activiteiten volgen (Beschrijvend), voorspellen waar hun activiteiten in de toekomst zullen zijn (Predictive) en hun voorraadbeleid optimaliseren om te anticiperen op toekomstige omstandigheden (Prescriptief).

1. De installatie is eenvoudig.

We hoeven alleen maar onze vraaggeschiedenis in te voeren in onze nieuwe statistische methoden, en we kunnen effectiever gaan plannen. Niet helemaal: het gaat om de techniek en het proces. U investeert in een nieuwe bedrijfsproces om prognoses te ontwikkelen voor het aansturen van de bedrijfsstrategie en beslissingen over voorraadplanning. Het zal tijd kosten om alle belanghebbenden erbij te betrekken: verkoop, marketing, inkoop, operaties en onderhoud/technici (voor de inventaris van reserveonderdelen). Van wie is de prognose? Hoe ziet de prognosehiërarchie van uw artikelen eruit? Waar komt de meeste zakelijke kennis vandaan? Is er een consensusproces dat de zakelijke kennis zal gebruiken om de prognoses aan te passen aan uw specifieke situatie? Begrijpt iedereen de statistische methodes? Is er overeenstemming over de onderliggende waarden die de balans houden, bestellen en (vooral) schaarstekosten? Bent u bereid om keuzes te maken langs de cruciale afwegingscurve die voorraadkosten relateert aan klantenserviceniveaus? Hoe bent u van plan de nauwkeurigheid/fout van prognoses te meten? Begrijpt het management het concept van "prognose toegevoegde waarde", waarbij u de fout volgt bij elke versie van de prognose (statistische fout vs. verkoopprognosefout vs. consensusfout). Zonder deze context en overeengekomen deelname van de belangrijkste belanghebbenden, zal het systeem nog steeds worden geïmplementeerd, maar in silo's worden gebruikt

2. Alles wat ik nodig heb, zijn historische vraaggegevens, en dan kan ik beginnen met prognoses.

Bijna. Krijgen goed gegevens is niet eenvoudig. Zijn uw vraaggeschiedenisgegevens volledig en correct? Zijn uw leveranciersgegevens (bijv. doorlooptijden) ook volledig en correct? Herkent u de speciale behoeften van nieuwe en afgedankte artikelen? Natuurlijk kan IT een bestand met geaggregeerde vraaggegevens (wekelijks of maandelijks) exporteren, maar hoe weet je of het correct is? Wanneer bestellingen en verzendingen worden geboekt, vallen deze onder verschillende transactiecodes. Je moet weten hoe je je vraagsignaal moet samenstellen.  Bestellingen of verzendingen? Retouren opnemen of uitsluiten? Hoe zit het met magazijnoverboekingen? Hoe zit het met retourzendingen die vele perioden na de eerste verzending plaatsvinden? Hoe interpreteert mijn ERP de prognose? Maar wacht… we gebruiken een oplossing met een ERP-connector die belooft dat gegevens naadloos heen en weer zullen stromen. Een ERP-connector dekt zeker de overdracht van historische gegevens en voorspelde resultaten tussen systemen, maar verbetert de slechte gegevenskwaliteit niet. U moet er ook voor zorgen dat de ERP-connector de flexibiliteit heeft om te bepalen hoe uw vraaggeschiedenis moet worden samengesteld. Als het bijvoorbeeld hard gecodeerd is om bepaalde soorten transacties op te halen die u misschien niet wilt of als u andere transacties nodig hebt die niet zijn opgenomen, hebt u aanpassingen nodig. Er is ook het probleem van productvervanging en/of locatiewijzigingen – dwz product A wordt uitgefaseerd en wordt product B, of nu wordt product A verzonden vanuit een ander magazijn. Klinkt eenvoudig, maar als dit vaak gebeurt bij duizenden artikelen, moet dit worden verantwoord als onderdeel van een automatisch prognoseproces. Anders moeten uw gebruikers deze constante updates handmatig beheren. Dan verlies je schaalvoordelen. Meer "gekibbel met gegevens" betekent meer gedoe, meer fouten en gemiste beslissingsdeadlines. Minder frequente updates kunnen leiden tot minder nauwkeurige prognoses, wat leidt tot overtollige voorraad voor sommige artikelen en onvoldoende voorraad voor andere

3. Als we een betere prognose krijgen, hebben we de juiste voorraad, verminderen we de voorraad en verbeteren we de service.

De vraagprognose is een onderdeel van een groter proces. Als je een andere afdeling hebt die onjuiste buffers toepast (te veel of te weinig veiligheidsvoorraad), dan valt een groot deel van het voordeel van een nauwkeurigere prognose weg. U moet holistisch kijken naar prognoses in de context van voorraadbeheer. U kunt geen maximaal voordeel krijgen (en in sommige gevallen geen enkel voordeel) tenzij u er rekening mee houdt allemaal componenten, waaronder bufferniveaus zoals veiligheidsvoorraad en bestelpunten, bestelregels en beheer van leverancier/interne doorlooptijden. Het is niet ongebruikelijk voor kopers om te implementeren vuistregels voorraadbeleid, zoals vroeg bestellen of het verhogen van de prognose om het risico op opraken te verkleinen. Het tegenovergestelde gedrag waarbij een door de prognose geactiveerd ordersignaal wordt uitgesteld naar een latere datum om te voorkomen dat een order "te vroeg" wordt geplaatst, komt even vaak voor. Dit soort gedrag is gebaseerd op a pijnvermijdingsreactie dat gebeurt binnen bedrijven met een ad-hoc voorraadplanningsproces dat de prognose niet holistisch verbindt met de voorraadstrategie.  

4. Hoe meer voorspellingsmodellen, hoe beter.

 Dit is in sommige gevallen waar. Ironisch genoeg betekent het soms dat hoe meer modellen je kunt kiezen, hoe groter de kans is dat je de verkeerde kiest. Dit gebeurt zelfs wanneer er een geautomatiseerd systeem is dat de juiste methode selecteert. Dit komt omdat de meeste geautomatiseerde prognosesystemen nog steeds de fout maken om methoden te selecteren op basis van de beste pasvorm voor de vraag uit het verleden. Deze op het verleden gerichte benadering leidt meestal tot slechte prestaties wanneer vooruit in de tijd wordt gekeken; dit kan worden getest door even te wachten en vervolgens de voorspelde vraag te vergelijken met de werkelijke vraag (of, als u niet wilt wachten, door enkele van de recente gegevens te verbergen en te voorspellen, in welk geval de actuele gegevens al bekend zijn). In principe kan het handig zijn om meer modellen te hebben, maar wat belangrijk is, is inzicht in de aanpak voor modelselectie. Bovendien produceren de meeste prognosemodellen een enkelvoudige prognose ("De vraag naar product A zal volgende maand 17 eenheden zijn") zonder enige indicatie van de prognoseonzekerheid of foutmarge. Zonder de foutmarge te kennen, kunt u prognoserisico's niet waarderen en rationeel beheren.

In onze software bieden we geautomatiseerde tijdreeksselectie die kiest uit tientallen bewezen technieken op basis van geschatte toekomstige prestaties, niet passend bij gegevens uit het verleden. We gaan ook verder dan enkelvoudige prognoses met behulp van probabilistische methoden om duizenden voorspellingsscenario's te genereren om de voorspellingsonzekerheid te beoordelen. We hebben ontdekt dat deze benadering voor bepaalde soorten gegevens aanzienlijk nauwkeuriger is dan de traditionele toernooiselectie. Dus in deze situaties is het aantal modellen dat we aanraden te gebruiken "Eén!" Maakt dat het minderwaardig? Natuurlijk niet. Neem de tijd om uw modellen te verfijnen om te zien wat het beste werkt voor uw bedrijf.

5. Met de juiste software kan iedereen het werk goed doen.

Zou het zo zijn. Na onze betrokkenheid bij tientallen jaren van implementaties, is het echter duidelijk dat niet iedereen achter het toetsenbord voor vraagplanning zou moeten zitten. De baan heeft geen superheld nodig, maar bepaalde eigenschappen zorgen voor succes:

• Een bedrijfsbreed perspectief hebben. Zoveel problemen bij vraagplanning komen voort uit geforceerd denken. Een goed planningsproces brengt de noodzaak aan het licht van de betrokkenheid van alle belanghebbenden, dus een gebruiker die niet verder kan denken dan zijn of haar vroegere leengoed kan een aansprakelijkheid zijn.
• Ontelbaar zijn. Een gebruiker die niet vertrouwd is met cijfers zal het moeilijk hebben.
• Het waarderen van willekeur. Dit is vergelijkbaar met ongecijferdheid, maar gaat verder. De meeste frictie bij vraagplanning en voorraadoptimalisatie komt voort uit willekeur: in de vraag naar producten, in de doorlooptijd van leveranciers, enz. Zonder een goed idee hoe willekeur problemen veroorzaakt, zal een gebruiker zich vaak afvragen hoe slecht zijn of haar beslissingen uitpakken.
• Nieuwsgierig zijn. Topsoftware moedigt gebruikers aan om "wat als?" scenario's om te zien hoe u automatisch berekende oplossingen kunt aanpassen om nog betere resultaten te krijgen. Als de gebruiker nooit in een "wat als?" mentaliteit, zullen ze onderpresteren. Bovendien is het spelen met alternatieve scenario's een van de beste manieren om een instinctief gevoel op te bouwen voor de willekeur in het systeem.

Conclusie

De vijf redenen die hier worden geschetst, laten zien waarom het implementeren van een systeem voor prognoses, vraagplanning of voorraadoptimalisatie niet zo eenvoudig is als het inschakelen van de software, het importeren van uw historische gegevens en het krijgen van gebruikerstraining over het gebruik van de software. U implementeert een nieuw proces voor het plannen van uw bedrijf en het bepalen van het voorraadbeleid dat de uitgaven aan voorraad zal stimuleren en uw vermogen om omzet te genereren zal beïnvloeden. De inspanning is echter de moeite waard. Volgens een Institute of Business Forecasting (IBF) blog, levert een reductie van 1% in fout bij ondervoorspelling bij een bedrijf van $50 miljoen een besparing op van maar liefst $1.52M. Omgekeerd waren de voordelen van een reductie van 1% in de overvoorspellingsfout $1.28M, wat een gemiddeld voordeel opleverde van $1.4M. Dit betekent dat u uw bedrijf jaarlijks $260.000 kunt besparen voor elke $10 miljoen aan inkomsten! 

Het testen van softwareoplossingen via een reeks empirische competities kan een aanzienlijke optie zijn. Voor prognoses/vraagplanning is dit een traditionele “hold out”-test waarbij gegevens voor 2014-2018 worden verstrekt aan softwareleveranciers en 2019 wordt aangehouden voor latere vergelijking met prognoses van concurrerende leveranciers. Het bedrijf meet vervolgens prognosefouten en vooringenomenheid. Deze benadering wordt bijna universeel aanbevolen voor het beoordelen van de nauwkeurigheid van prognoses. Het is een goede manier om de nauwkeurigheid van maandelijkse of wekelijkse prognoses te beoordelen, maar het is minimaal nuttig als u een ander doel heeft: voorraad optimaliseren.

In onze vorige blog hebben we het erover gehad hoe u een gericht serviceniveau kiest. We hebben aangegeven dat het feit dat je een doel stelt (of een systeem een doel aanbeveelt) niet betekent dat je het doel ook daadwerkelijk zult bereiken. De juiste manier om nauwkeurigheid te meten als u geïnteresseerd bent in het optimaliseren van voorraadniveaus, is door u te concentreren op de nauwkeurigheid van de projectie van het serviceniveau. Dit houdt rekening met zowel de doorlooptijdvraag als de veiligheidsvoorraad.

Een instellen beoogde serviceniveau is een strategische beslissing over voorraadrisicobeheer. Voorraadsoftware doet het tactische werk door herordeningspunten (ook wel minuten genoemd) te berekenen die bedoeld zijn om een door de gebruiker gedefinieerd doel te bereiken of om een door het systeem berekend optimaal doel te bereiken. Maar als de software het verkeerde vraagmodel gebruikt, kan de bereikte servicegraad zal het doel missen, soms aanzienlijk. Het resultaat van deze fout is ofwel een tekort ofwel een opgeblazen voorraad, afhankelijk van de richting van de misser.

Prognoses zijn een middel om een doel te bereiken. Het doel is om voorraadniveaus te optimaliseren. Omdat de vraag onzeker is, moeten bedrijven die zelfs maar een matig serviceniveau moeten bieden, meer voorraad hebben dan de prognose, vaak veel meer. Maar betekent een lage voorspellingsfout niet een lagere veiligheidsvoorraad? Hoe beter mijn prognoses, hoe lager mijn voorraad? Ja waar. Maar waar het bij het bepalen van de benodigde voorraad om gaat, zijn zowel nauwkeurige prognoses van de meest waarschijnlijke vraag als nauwkeurige schattingen van de variabiliteit rond de meest waarschijnlijke vraag.

Vooral met een langdurige, intermitterende vraag, missen traditionele prognosenauwkeurigheidsbeoordelingen over een conventionele prognosehorizon van 12 maanden het punt op drie manieren.

– Ten eerste is de relevante tijdschaal voor voorraadoptimalisatie de doorlooptijd voor aanvulling, die meestal veel korter is dan 12 maanden. Vraag tijdens doorlooptijden gemeten in dagen of weken heeft een volatiliteit die wordt gemiddeld over lange prognosehorizons. Dit is slecht omdat rekening houden met het effect van volatiliteit essentieel is voor de berekening van optimale bestelpunten.

– Ten tweede richt de prognosenauwkeurigheid die wordt beoordeeld over een prognosehorizon van meerdere maanden zich op de typische fout in een typische maand binnen de horizon. Voorraadoptimalisatie vereist daarentegen een focus op de cumulatieve vraag, niet op de vraag per periode.

– Ten derde, en het belangrijkste, is dat prognosefoutstatistieken gericht zijn op het midden van de vraagverdeling, met als doel de meest waarschijnlijke vraag in te schatten. Maar het instellen van bestelpunten omvat het schatten van hoge percentielen van de cumulatieve vraagverdeling over een doorlooptijd. Het midden iets beter inschatten, maar geen idee hebben van bijvoorbeeld het 95e percentiel, helpt niet.

Beschouw dit hypothetische voorbeeld. Als leverancier A 20 eenheden voorspelt met een 110%-fout en leverancier B voorspelt 22 eenheden met een 105%-fout, dan heeft leverancier B een voordeel in het voorspellingsspel. Maar als u een hoog serviceniveau wilt en de vraag wisselvallig is, moet u veel meer dan 20 of 22 eenheden op voorraad hebben. Laten we aannemen dat u de technologie van leverancier B selecteert om voorraadniveaus te plannen. Je merkt dan dat bij het plannen van bestelpunten om een 95%-serviceniveau te bereiken, je vaak tekortschiet - veel vaker dan de verwachte 5% van die tijd. U komt tot het besef dat de benadering van leverancier B de veiligheidsvoorraad die nodig is om het beoogde servicedoel te bereiken, volledig onderschat. Focussen op de voorspellingsfout van leveranciers zal niet helpen. U zult gaan wensen dat u de leveranciers A en B had geverifieerd nauwkeurigheid op serviceniveau. Nu zit u vast aan het willekeurig aanpassen van de serviceniveaudoelstellingen van leverancier B om het tekort te compenseren.

Wat dus nodig is bij leverancierscompetities, is een beoordeling van het vermogen van hun systemen om nauwkeurig de voorraad te voorspellen die nodig is om te voldoen aan een bepaald serviceniveau gedurende de doorlooptijd van een artikel. Een beperkte focus op het meten van prognosefouten is niet gepast als de missie inventarisbeheer is. Dit geldt met name voor longtail-artikelen met intermitterende vraag of artikelen met een gemiddeld tot hoog volume maar zonder een vraagverdeling die lijkt op de klassieke "klokvormige curve" (normale verdeling).

In de rest van deze blog wordt uitgelegd hoe u de nauwkeurigheid van de serviceniveauberekeningen van software kunt testen, zodat u het risico kunt bewaken dat u uw serviceniveaudoelen niet haalt. We raden deze nauwkeurigheidstest aan in plaats van traditionele "prognose versus werkelijke" tests, omdat deze veel meer inzicht geeft in hoe aanbevelingen voor bestelpunten voorraadniveaus en klantenservice zullen beïnvloeden.

Kantoorpersoneel analyseert The Right Forecast Accuracy Metric voor voorraadplanning

Serviceniveau gedefinieerd

Overweeg een enkel inventarisitem. Wanneer de voorraad daalt tot of onder het bestelpunt, wordt een aanvullingsorder gegenereerd. Hiermee begint een risicoperiode die net zo lang duurt als de doorlooptijd van de aanvulling. Tijdens de risicoperiode kunnen er voldoende aanvragen binnenkomen om naleveringen of verloren verkopen te creëren. Het serviceniveau is de waarschijnlijkheid dat er geen backorders of stockouts zijn tijdens de doorlooptijd van de aanvulling. Kritieke items kunnen zeer hoge doelserviceniveaus krijgen, bijvoorbeeld 99%, terwijl andere items mogelijk meer ontspannen doelen hebben, zoals 75%. Wat het beoogde serviceniveau ook is, het is het beste om dat doel te halen.

Serviceniveau berekenen

Het serviceniveau voor een individueel artikel kan alleen worden geschat door de waargenomen doorlooptijdvraag herhaaldelijk te vergelijken met het berekende bestelpunt. Deze schattingen kosten veel tijd: zeker tientallen doorlooptijden. Maar het serviceniveau van het wagenpark kan worden geschat met behulp van gegevens die over een enkele doorlooptijd zijn verzameld.

Laten we een voorbeeld doen. Stel dat u een vraaggeschiedenis heeft voor 1.000 artikelen gedurende 365 dagen en dat (voor de eenvoud) alle artikelen een doorlooptijd van 45 dagen hebben. Volg voor elk artikel de volgende stappen om het voor het wagenpark bereikte serviceniveau te schatten:

Stap 1: Zet de meest recente 45 dagen aan vraag opzij ('houd uit') (of het aantal dagen dat het dichtst bij uw typische doorlooptijden ligt). Bereken hun som, wat de meest recente waarde is van de werkelijke doorlooptijdvraag. Dit is de grondwaarheid die wordt gebruikt om het bereikte serviceniveau in te schatten.

Stap 2: Gebruik de voorafgaande 320 dagen aan vraaggeschiedenis om te voorspellen hoeveel voorraad nodig is om een reeks serviceniveaudoelen te bereiken, bijvoorbeeld 90%, 95%, 97% en 99%.

Stap 3: Controleer of de waargenomen doorlooptijdvraag kleiner is dan of gelijk is aan het bestelpunt. Als dat zo is, tel dit dan als een overwinning; reken het anders als een verlies. Als het bestelpunt bijvoorbeeld 15 eenheden is, maar de meest recente doorlooptijdvraag 10 eenheden is, dan is dit een overwinning, aangezien het bestelpunt hoog genoeg is om een doorlooptijdvraag van 10 te dekken zonder enig tekort. Als de meest recente doorlooptijdvraag echter 18 eenheden is, zou er sprake zijn van een voorraaduitval en zouden 3 eenheden worden nabesteld of als verloren verkoop worden geteld.

Stap 4: Tel voor alle items en alle serviceniveaudoelen het percentage tests voor elk serviceniveaudoel dat tot een overwinning heeft geleid. Dit is het behaalde serviceniveau. Als het doel 90% was en 853 van de 1.000 eenheden winnen, dan is het bereikte serviceniveau 85.3%.

Voorbeeld

Overweeg een voorbeeld uit de echte wereld. De gegevens zijn dagelijkse vraaggeschiedenissen van 590 medische artikelen die worden gebruikt in een internationaal bekende kliniek. Voor de eenvoud gaan we ervan uit dat elk artikel een levertijd heeft van 45 dagen. We evalueren beoogde serviceniveaus van 70%, 90%, 95% en 99%.
We vergelijken twee vraagmodellen. Het "Normale" model gaat ervan uit dat de dagelijkse vraag een normale ("klokvormige") verdeling heeft. Dit is de klassieke aanname die wordt gebruikt in de meeste inleidende leerboeken over voorraadbeheer en in veel softwareproducten. Hoe klassiek het ook mag zijn, het is vaak een ongepast model van de vraag naar reserveonderdelen of voorraden. Het “Probability Forecast”-model houdt expliciet rekening met de intermitterende aard van de vraag.

Bijlage 1 toont de resultaten. Kolom J toont de werkelijke vraag over de laatste 45 waarnemingen. De berekende bestelpunten voor het geavanceerde model worden weergegeven in kolommen LO. De berekende bestelpunten voor het model Normaal worden niet weergegeven. De kolommen QT en VY bevatten de resultaten van de tests om na te gaan of de bestelpunten hoog genoeg waren om de doorlooptijdvereisten in kolom J aan te kunnen.

De uiteindelijke resultaten (gele cellen) laten een duidelijk verschil zien tussen de vraagmodellen Normal en Probability (Advanced). Beiden hebben het 70%-serviceniveaudoel goed bereikt, maar het schatten van hogere serviceniveaus is een meer delicate berekening en het waarschijnlijkheidsmodel doet het veel beter. Het veronderstelde 99%-serviceniveau van het Normal-model bleek bijvoorbeeld slechts 94.4% te zijn, terwijl het Probability-model het doel bereikte met een 98.5% bereikt serviceniveau.

Implicaties

Met de meer nauwkeurige methode werd het beoogde serviceniveau bereikt, terwijl dat met de minder nauwkeurige methode niet het geval was. Als de minder nauwkeurige methode wordt gebruikt, zullen echte en kostbare zakelijke beslissingen worden genomen in de valse veronderstelling dat een hoger serviceniveau zal worden bereikt. Als er bijvoorbeeld een Service Level Agreement (SLA) is gebaseerd op deze resultaten en een 99%-serviceniveau is vastgelegd, is de kans dat de leverancier een voorraad oploopt vijf keer groter dan gepland (beloofd serviceniveau = 99%- of 1%-voorraadrisico vs. serviceniveau bereikt = 94.5% of 5.5% stock out risico)! Dit betekent dat boetes vijf keer vaker worden opgelegd dan verwacht.

Stel dat planners wisten dat het beoogde serviceniveau niet zou worden gehaald, maar vast kwamen te zitten met een onnauwkeurig model. Ze zouden nog steeds een manier nodig hebben om de voorraad te vergroten en het gewenste serviceniveau te bereiken. Wat zouden ze kunnen kiezen om te doen? We hebben situaties waargenomen waarin de planner een hoger doel voor het serviceniveau invoert dan nodig is om het systeem te "misleiden" om het vereiste serviceniveau te leveren. In het bovenstaande voorbeeld moest het Normal-model een 99.99%-serviceniveau hebben ingevoerd voordat het een doelserviceniveau van 99% kon bereiken. Deze wijziging resulteerde in het bereiken van een 99%-service, maar meer dan een verdubbeling van de voorraadinvestering in vergelijking met het geavanceerde model.

Het implementeren van een nauwkeurigheidstest op serviceniveau

Bij Smart Software hebben we veel van onze klanten aangemoedigd om de test van de nauwkeurigheid van het serviceniveau uit te voeren als een manier voor hen om onze claims en die van andere leveranciers te beoordelen tijdens het softwareselectieproces. Het niet halen van de service level target heeft uiterst kostbare implicaties, resulterend in substantiële over- of ondervoorraden. Test dus de nauwkeurigheid van het serviceniveau voordat u een oplossing implementeert om situaties te identificeren waarin de modellering mislukt. Ga er niet vanuit dat u het serviceniveau bereikt dat u besluit te targeten (of dat het systeem aanbeveelt). Als u een Excel-spreadsheet wilt aanvragen die dient als sjabloon voor een nauwkeurigheidstest op serviceniveau, e-mailt u uw contactgegevens naar info@smartcorp.com en voert u "Nauwkeurigheidssjabloon" in de onderwerpregel in.

Nee, niet dat soort regimewisseling: niets over kruisraketten en stealth-bommenwerpers. En nee, we hebben het niet over het andere soort regimeverandering dat dichter bij huis komt: het door elkaar schuiven van de C-Suite bij uw bedrijf.

"Regimeverandering" heeft een derde betekenis die relevant is voor uw beroep als vraagplanner of voorraadbeheerder. Voor onderzoekers in economie en financiën betekent regimeverandering plotselinge verschuivingen in het karakter van een tijdreeks van willekeurige waarnemingen. De willekeurige tijdreeks in kwestie is hier de volgorde van dagelijkse (of wekelijkse of maandelijkse) vraagtellingen voor uw producten en voorraaditems.

De meeste prognosesoftware gebruikt statistische algoritmen om de historische vraag te verwerken. Het kan extra stappen toevoegen, zoals het opnemen van veldinformatie van verkopers, maar alles begint met de vraaggeschiedenis van welk item u ook moet beheren.

De vraag die opkomt bij regime change is: welke gegevens gebruikt u? Het simpele antwoord is "Alles", want dat leidt tot de meest nauwkeurige voorspellingen - maar alleen als uw datawereld stabiel is. Als uw datawereld turbulent is, betekent het gebruik van alle data dat u prognoses baseert op vervlogen omstandigheden. Op zijn beurt, het invoeren van verouderde gegevens in uw voorspellende algoritmen leidt onvermijdelijk tot verminderde prognosenauwkeurigheid.

Merk op dat omgaan met regimeverandering niet hetzelfde is als omgaan met uitschieters. Uitschieters zijn meestal eenmalige uitzonderingen die worden veroorzaakt door voorbijgaande gebeurtenissen, zoals een knik in uw toeleveringsketen veroorzaakt door een enorme sneeuwstorm die alle doorvoerpaden verstikt. Regime change houdt daarentegen aan over een langere periode en kan daarom meer schade toebrengen aan uw prognoses. Hier is een analogie: uitschieters gaan over het weer en regimeverandering gaat over het klimaat.

De meest ingrijpende vormen van regimeverandering zijn existentieel. Figuur 1 toont een voorbeeld van een existentiële verandering: er was lange tijd helemaal geen vraag, toen was er opeens vraag. Als u geen vraag naar een artikel had omdat het niet bestond, maar u behoudt nul vraagwaarden in uw database, en vervolgens gaat het artikel live en heeft u verkopen, dan is de overgang van niets naar iets een extreme verandering van regime. Het opnemen van al die nulvraagwaarden van vóór "Dag één" zal de statistische prognoses zeker naar beneden vertekenen waar ze zouden moeten zijn. Hetzelfde gebeurt als u een product doodt maar geen vraag blijft registreren: het opnemen van al die recente nullen verslechtert uw vraagprognoses.

In principe zou een zorgvuldige administratie deze problemen moeten elimineren. U dient alleen zinvolle nulwaarden op te nemen. Als je een nieuw item hebt, begin dan met opnemen wanneer het live gaat. Als je geen vraag meer hebt naar een item en er ook geen verwacht, verwijder het dan uit je database, of voorspel in ieder geval nul vraag.

Helaas is er een verschil tussen principe en praktijk. We zien veel gevallen waarin de gegevensrecords voor zowel nieuwe als slapende items niet correct worden bijgehouden, met "nepnullen" verward met "echte nullen". Dit probleem is niet noodzakelijkerwijs het gevolg van incompetentie: meestal is het een bijproduct van de omvang van het probleem, waarbij te weinig mensen proberen om te veel items bij te houden.

Deze existentiële regimeveranderingen zijn relatief gemakkelijk te hanteren in vergelijking met meer subtiele vormen, die meer items lijken te treffen. Figuur 2 toont twee voorbeelden van regimeveranderingen in een patroon van lopende verkopen. Er zijn een aantal factoren die de vraag naar een artikel kunnen veranderen: prestaties van het verkooppersoneel, marketing- en reclame-inspanningen, acties van concurrenten en leveranciers, nieuwe klanten die ontstaan of oude klanten die verdwijnen, enz. Als de vraag naar een artikel gestaag doorgaat 1 eenheid per dag maar ineens verdubbelt (of vice versa), dat is een verandering van regime. In de nieuwe wereldorde is de vraag 2 eenheden/dag en de prognoses zouden dat moeten weerspiegelen. In plaats daarvan zullen algoritmen voor statistische prognoses te weinig vraag voorspellen als ze alle gegevens krijgen, ook die van vóór de regimewisseling.

Hoe bescherm je jezelf tegen regimeverandering? Het antwoord is hetzelfde voor de wreedste dictator of de meest onschuldige eisenplanner: Intelligentie. En omdat er veel bedreigingen zijn, kan de intelligentie het beste worden geautomatiseerd. Moderne softwaresystemen hebben de mogelijkheid om tienduizenden items te screenen op tekenen van regimeverandering. Vervolgens kan de software uw aandacht vestigen op de problematische items en u vragen aan te geven welke recente gegevens u in berekeningen wilt gebruiken. Of de software kan automatisch detecteren en corrigeren voor verandering van regime, snel werkend op een schaal die elke drukbezette persoon die "met de hand" werkt gemakkelijk zou verslaan.

Quants en financiële meltdowns

Ik besteed veel van mijn tijd aan het ontwikkelen van nieuwe kwantitatieve methoden voor statistische prognoses, vraagvoorspellingen en voorraadoptimalisatie. Voor mij is dit een boeiende manier om een bijdrage te leveren aan de samenleving. Maar ik weet dat de meest voorzichtige manier om aan de ontwikkeling van algoritmen te doen, is door een beetje aan de kant te gaan staan en een sceptische blik te werpen op mijn eigen werk.

De noodzaak van dit scepticisme werd mij onlangs duidelijk gemaakt toen ik het boek van Scott Patterson las The Quants: hoe een nieuw ras van wiskundige suizen Wall Street veroverde en bijna vernietigde (Kroon publiceren, 2010). Dit boek besprak de "quants" wiens complexe financiële modellen grotendeels verantwoordelijk waren voor de financiële ineenstorting in 2007. Terwijl ik verder las en dacht: "Wat was er mis met deze jongens?" Ik begon me af te vragen of wij supply chain quants schuldig waren aan een aantal van dezelfde zonden.

Modellen versus instincten

Over het algemeen is het supply chain-veld achtergebleven bij het gebruik van statistische modellen. Mijn universiteitscollega's en ik zijn daar mee bezig, maar we hebben nog een lange weg te gaan. Sommige toeleveringsketens zijn technisch behoorlijk geavanceerd, maar veel, misschien meer, worden in wezen net zo goed door onderbuikgevoel als door cijfers beheerd. Is dit vermijden van analyse veiliger dan te vertrouwen op modellen?

Wat het onderbuikgevoel gevaarlijk maakt, is dat het zo amorf is. Iedereen die lang in een baan werkt, ontwikkelt instincten, maar een lang leven is niet hetzelfde als wijsheid. Het is mogelijk om tijdens een lange carrière alle verkeerde lessen te leren. Het is ook mogelijk de kans te missen om de juiste lessen te leren, omdat bepaalde informatieve scenario's zich misschien nooit zullen voordoen in iemands carrière. Het is ook mogelijk om goede dagen en slechte dagen te hebben; zelfs goeroes kunnen het verpesten. Onderbuikgevoel is ook antiproductief, aangezien alle beslissingen door dat ene onderbuikgevoel moeten gaan, wat een knelpunt voor de onderneming wordt. En Golden Guts bereiken uiteindelijk hun Golden Years en nemen hun Golden Watch en gaan weg in een Golden Sunset; op dat moment is alle expertise die aanwezig was de deur uitgelopen.

Modellen hebben daarentegen bepaalde voordelen. Ten opzichte van buikgevoel zijn modellen:

• Expliciet: de theorie van de supply chain-operatie wordt voor iedereen zichtbaar gemaakt.
• Adaptief: omdat de theorie zichtbaar is, kan deze worden beoordeeld, bekritiseerd, getoetst aan gegevens en verder ontwikkeld.
• Consistent: modellen kunnen min of meer waar zijn, maar ze zijn niet onderhevig aan dagelijkse variabiliteit.
• Alomvattend: modellen kunnen in ieder geval in potentie een breed scala aan empirische ervaring verzamelen, inclusief scenario's die nooit zijn gezien tijdens iemands carrière.
• Leerzaam: Modellen zijn verzamelingen van relaties tussen variabelen. Als de 'ingewanden' van het model zichtbaar worden gemaakt, kunnen gebruikers meer te weten komen over die relaties.

Modelfout

Ondanks al hun deugden kunnen modellen echter ook ongelijk hebben. In feite is dat een gegeven. Een constructieve manier om hiermee te leven is gecodeerd in het beroemde aforisme van Dr. George Box, een van de beste modelbouwers van de laatste halve eeuw: “All models are wrong. Sommige zijn nuttig.”

De modellen van de financiële quants waren verkeerd omdat ze te simpel waren. Ze begonnen met een quasi-religieus geloof in de efficiëntie van markten en ontwikkelden statistische modellen die bepaalde veronderstellingen maakten die waarschijnlijker waren voor de fysieke wereld dan voor de financiële wereld. Onder deze waren normale verdelingen van veranderingen in activaprijzen en onafhankelijkheid van gebeurtenissen in verschillende hoeken van de markt. Ze gingen ook uit van menselijke rationaliteit.

Het zou een beetje verontrustend moeten zijn dat de aannames van normale distributie en onafhankelijkheid ook ten grondslag liggen aan veel van de modellen in supply chain-software. In feite zijn er alternatieve modellen van supply chain-dynamiek waarvoor deze vereenvoudigende aannames niet nodig zijn, dus dit is een onnodig risico dat wordt gelopen door veel, misschien wel de meeste, gebruikers van supply chain-software.

Maar zelfs met meer robuuste en realistische modelaannames valt niet te ontkennen dat modelfouten een constant risico vormen. Dus, kun je het slachtoffer worden van je modellen? Natuurlijk kan je dat.

Zelfbescherming: kijk naar de gegevens

Elke supply chain professional die modellen gebruikt, loopt dus het modelrisico. Maar in tegenstelling tot beslissingen op basis van onderbuikgevoel, kunnen beslissingen op basis van modelberekeningen worden blootgelegd en vergeleken met resultaten uit de echte wereld. Herhaalde controle is de beste manier om modelfouten te voorkomen, omdat niet alleen wordt getest of het model realistisch is, maar ook wordt aangegeven wanneer het tijd is om het model bij te werken.

Zoals hierboven opgemerkt, is een model een reeks functionele relaties tussen sleutelvariabelen. Die relaties hebben parameters die het model afstemmen op de huidige operationele context. Supply chain-modellen zijn bijvoorbeeld vaak gedeeltelijk afhankelijk van schattingen van de volatiliteit van de vraag. Historische vraaggegevens worden gebruikt om numerieke waarden voor deze parameters te berekenen. Als de volatiliteit van de vraag verandert, raakt het model achterhaald en levert het waarschijnlijk ongeschikte aanbevelingen op. Daarom vereist een goede praktijk frequente updates van modelparameters.

Zelfs als parameterwaarden actueel zijn, kunnen er nog steeds problemen zijn als gevolg van onjuiste functionele relaties. Denk bijvoorbeeld aan de relatie tussen het gemiddelde en de standaarddeviatie van de vraag naar reserveonderdelen. Over het algemeen geldt: hoe groter de gemiddelde vraag, hoe groter de volatiliteit van de vraag, gemeten aan de hand van de standaarddeviatie.

Overweeg nu vereenvoudigde "old school"-modellen die de vraag naar reserveonderdelen beschrijven als een Poisson-proces. Het Poisson-proces is zeer nuttig en relatief eenvoudig, dus het komt vaak voor in Statistics 101-klassen. Vanwege hun relatieve eenvoud zijn Poisson-modellen de witte ratten van supply chain-analyses voor reserveonderdelen, dwz mensen doen computerexperimenten en theorie-ontwikkeling op basis van het gedrag van Poisson-vraagmodellen. Voor Poisson-modellen is de standaarddeviatie van de vraag gelijk aan de vierkantswortel van het gemiddelde. Wanneer we echter naar de werkelijke vraaggegevens van onze klanten kijken, ontdekken we dat de werkelijke relatie tussen het gemiddelde en de standaarddeviatie van de vraag beter kan worden beschreven door een meer algemene machtswetrelatie. Het eenvoudige model kan dus nauwkeurige schattingen van gemiddelde en standaarddeviatie gebruiken, maar hun relatie nog steeds niet nauwkeurig weergeven. Dit leidt op zijn beurt tot onjuiste aanbevelingen over bestelpunten voor reserveonderdelen. Het controleren van echte gegevens is het beste tegengif tegen arrogante aannames.

Wat nu te doen

Ik heb niet het gevoel dat de supply chain-modellen van vandaag op het punt staan om het soort ineenstorting te creëren dat we zagen in het begin van de Grote Recessie. Maar degenen onder ons die supply chain-kwants zijn, moeten meer professionele volwassenheid tonen dan onze financiële collega's. We moeten niet verliefd worden op onze modellen en we moeten onze klanten waarschuwen voor correcte modelhygiëne.

Dus modelgebruikers, was regelmatig uw handen nu het griepseizoen begint en was uw modellen grondig door middel van harde gegevens om er zeker van te zijn dat de modellen waarop u vertrouwt zowel up-to-date als realistisch zijn. Beide stappen beschermen u tegen het slachtoffer worden van uw modellen en stellen u in staat hun voordelen ten opzichte van management te benutten op basis van onderbuikgevoel.

Bijlage: Technische tips

Supply chain analytics bieden verschillende soorten output. Op het gebied van prognoses en vraagplanning is de voor de hand liggende empirische controle het vergelijken van prognoses met de werkelijke vraagwaarden die zich uiteindelijk openbaren. Dit zelfde "voorspelling en dan controleren" benadering kan ook worden gebruikt bij het genereren van prognoses. Op het gebied van voorraadbeheer kunnen de modellen voortbouwen op prognoses om beleidskeuzes aan te bevelen, zoals bestelpunten en bestelhoeveelheden of min- en max-waarden. Er is een slimme manier om de juistheid van aanbevelingen van bestelpunten en min's te bevestigen. Zie onze blog De juiste prognosenauwkeurigheidsmetriek voor voorraadplanning