"Biljoenen records van miljoenen mensen... Het vinden van de nuttige en juiste informatie, het begrijpen van de kwaliteit ervan en het tijdig en kosteneffectief produceren van betrouwbare geanalyseerde gegevens zijn allemaal kritieke kwesties."

Smart Software Senior Vice President for Research Tom Willemain had onlangs de gelegenheid om te praten met Dr. Mohsen Hamoudia, President van de Internationaal Instituut van Voorspellers (IIF), om actuele problemen met en kansen voor big data-analyse te bespreken. Het IIF informeert praktijkmensen over trends en onderzoeksontwikkelingen op het gebied van prognoses via gedrukte en online publicaties en het organiseren van professionele conferenties.

Dr. Hamoudia begint, bij wijze van inleiding:

In alle sectoren neemt de beschikbaarheid van gegevens explosief toe in volume, variëteit en snelheid. Big data-analyse speelt een belangrijke rol bij het identificeren van de gegevens die het belangrijkst zijn voor het bedrijf.

Ik neem het voorbeeld van de informatie- en communicatietechnologie (ICT)-sector. We zien een letterlijk exponentiële groei in de hoeveelheid data die beschikbaar is voor telecombedrijven, Over-the-top (OTT) onafhankelijke contentdistributeurs, overheid, toezichthouders en andere organisaties.

Over de hele wereld zijn we getuige van petabytes aan gegevens: biljoenen records van miljoenen mensen - allemaal afkomstig uit meerdere bronnen. Onder deze bronnen: internetverbindingen, verkoop, klantcontactcentra, sociale media, mobiele en vaste telefoongegevens. Het vinden van de nuttige en juiste informatie, het begrijpen van de kwaliteit ervan en het tijdig en kosteneffectief produceren van betrouwbare, geanalyseerde gegevens zijn allemaal kritieke kwesties. ICT-bedrijven zoeken steeds vaker naar bruikbare inzichten in hun data. Hoe ze hun klantenbestand en loyaliteitsprogramma's kunnen vergroten? Hoe kunnen ze de Quality of Service (QoS) verbeteren en het klantverloop verminderen? Met de juiste big data-analyseplatforms kunnen ze concurrerender en efficiënter zijn, waardoor de bedrijfsvoering, klantenservice en risicobeheer worden verbeterd. Het voorspellen en voorspellen van klanttrends en richtingen zijn essentieel voor telecom.

Voorspellingsvaardigheden, waaronder wiskunde, statistiek en econometrie, vormen een van de belangrijkste "blokken" van vereiste vaardigheden bij het beheren van Big Data. Sommige voorspellingsactiviteiten maken natuurlijk deel uit van het big data-debat.

In de detailhandel komen prognoses dagelijks aan de orde vraag naar over duizenden producten. Financiële prognoses, of het nu gaat om klantgedrag of financiële datareeksen, genereren enorme online datasets. Zoals opgemerkt door Robert Fildes, Distinguished Professor aan de Universiteit van Lancaster, is de academische prognosegemeenschap tot nu toe nog niet grondig betrokken - op enkele uitzonderingen na. Hal Varian van Google heeft gekeken naar een deel van het werk dat David Hendry en Jennifer Castle, aan de Universiteit van Oxford, hebben ondernomen om grote datasets te doorzoeken op datacongruente, betekenisvolle modellen. Stock en Watson hebben ook hun eigen benaderingen ontwikkeld voor grote macrogegevenssets. Maar ondanks de poging, tijdens het symposium over prognoses vorig jaar in Seoel, om het thema big data en zijn prognosetoepassingen te verkennen, zijn er nog maar weinig overtuigende toepassingen van het gebruik van online data voor echte prognoseproblemen.

V. Men hoort tegenwoordig veel over 'voorspellende analyses', maar de uitdrukking wordt zelden in verband gebracht met prognoses. Bent u het ermee eens dat prognoses de kern vormen van voorspellende analyses? Heb je een verklaring waarom de link verbroken is? Heeft u ideeën over hoe u prognoses opnieuw in het gesprek kunt inbrengen?

De resultaten van prognoses (het 'wat') worden nu misschien als minder belangrijk ervaren dan het 'hoe'. Bijgevolg is het vertrouwen dat gebruikers stellen in traditionele prognoses afgenomen. Wie stelt inderdaad de juistheid of relevantie van prognoses ter discussie door a posteriori de realiteit versus de prognose te vergelijken - om te pleiten voor de effectiviteit van methododiges en daarmee voor het opbouwen van geloofwaardigheid?

Met de huidige perceptie van "voorspellende analyses" is er waarschijnlijk meer ruimte in de publieke verbeelding voor de "hoe"-kant van de dingen, en daarom een geloofwaardiger verhaal om te vertellen aan partners, investeerders of klanten.

V. Het lijkt erop dat er bijna geen verband bestaat tussen traditionele prognoses en mobiele technologie (smartphones, tabletcomputers). Klopt dit, of migreren sommige bedrijven prognoses naar mobiele apparaten? Ziet u een pad voorwaarts waarin traditionele prognosealgoritmen routinematig op mobiele apparaten zouden staan?

Allereerst wil ik uw lezers graag uitnodigen om ons nieuwste nummer van Foresight te lezen. In een uitstekend artikel over dit onderwerp, "Forecasting In the Pocket: Mobile Devices Can Improve Collaboration", wordt uitgelegd dat "de toenemende populariteit van PDA's, smartphones, tabletcomputers en andere mobiele apparaten nieuwe mogelijkheden opent voor communicatie en samenwerking bij zakelijke prognoses." De auteurs vertellen ons: "Mobiele prognosetoepassingen (m-forecasting) kunnen benaderingen van samenwerking tussen detailhandelaren en leveranciers stroomlijnen, en zo bijdragen aan de verstrekking en uitwisseling van productinformatie, vooral omdat prognoses sterk verbonden zijn met kennis van de lokale context."

Aan de kant van ICT & OTT vinden bijvoorbeeld een groot aantal voorspellende projecten plaats, zoals die van Google+ en Facebook, dankzij de opname van de "gebruikerslocatie" -gegevens in de IT-systemen van OTT. Naar mijn mening, en wat ik zie in sommige sectoren zoals retail en logistiek, is dat traditionele forecasting en mobiele forecasting (m-forecasting) complementair zijn. Dit laatste zou kunnen worden gezien als een bottom-up prognosebenadering die de top-down prognoseresultaten al dan niet zal bevestigen.

V. Sommige mensen beweren dat big data de vervanging van prognoses door "sense and react"-systemen zal vergemakkelijken. Hoe zou u 'voelen en reageren' in de praktijk uitleggen en zijn er toepassingsgebieden waarvan u denkt dat het wel of niet zal aanslaan?

Het lijkt mij dat "sense and react" volledig gericht is op het kortetermijnperspectief. Prognoses breiden dit uit door tegemoet te komen aan behoeften voor een variabele horizon: korte en middellange termijn.

Als neveneffect van ATAWAD (Anytime, Anywhere, Any Device) zijn de besluitvormingscriteria meer dan ooit “korte termijn”. Big data is een detectiesysteem voor "zwakke signalen", dat de bijna realtime detectie van zakelijke kansen mogelijk maakt die met traditionele IT-systemen onopgemerkt zouden blijven. Er zijn niet echt voorkeurs- of niet-prioritaire toepassingen hiervoor, de vraag is meer aan de "wanneer" -kant.

Big data is relevant als je onder de oppervlakte kijkt in moeilijke economische tijden, maar ik ben er minder zeker van of het de moeite waard is in een “normale” economische periode. Om af te sluiten op dit punt: ik zal graag een voorbeeld zien van hoe nauwkeurig prognoses zijn die zijn gebaseerd op "voelen en reageren" versus prognoses op basis van traditionele modellen.

V. Ik stel een aantal grote vragen. In hoeverre ziet u de IIF-gemeenschap deze discussies en resultaten vormgeven? Hoe kunnen lezers deelnemen aan de dialoog?

We verwachten een toenemende beschikbaarheid en een toenemend gebruik van enorme hoeveelheden gegevens in veel sectoren, zoals energie, transport, gezondheidszorg, financiën, telecommunicatie en toerisme.

Veel van de IIF-leden houden zich bezig met verschillende aspecten van de big data-beweging. Het IIF doet wat werk in de voorspellingsactiviteiten die natuurlijk deel uitmaken van het big data-debat. Meer in het algemeen neemt het IIF actief deel aan en biedt het een forum voor de discussie over prognoses in de rest van de wereld.

Het thema van ons laatste International Symposium on Forecasting (ISF) in Seoul was “Forecasting with Big Data” en enkele presentaties hadden betrekking op gezondheidszorg en telecommunicatie. Er is zojuist een relevante workshop georganiseerd door de Europese Centrale Bank (ECB). Als er op deze modellen wordt geprofiteerd, hebben ze het potentieel om het economisch beleid van Europa vrij snel te beïnvloeden.

Lezers kunnen deelnemen aan de dialoog door artikelen bij te dragen aan de publicaties van het IIF (The International Journal of Forecasting, Foresight and Het orakel). Foresight is bijvoorbeeld een stem van onschatbare waarde om academici en praktijkmensen samen te brengen in een voortdurende discussie.

Lezers kunnen ook papers presenteren op de jaarlijkse conferentie (de eerder genoemde ISF). Ze kunnen ook specifieke workshops voorstellen en organiseren voor specifieke toepassingen van big data, zoals de workshop die zojuist door de ECB in Frankfurt is georganiseerd. Een andere mogelijkheid is om de leden van IIF uit te nodigen voor het bijwonen van bijeenkomsten die te maken hebben met prognoses met big data. Al deze kansen vormen goede platforms om te netwerken en samen te werken.

Mohsen Hamoudia, PhD, is de voorzitter van het International Institute of Forecasters. Hij is ook Head of Strategy for Large Projects (Parijs) voor Orange Business Services (het voormalige France Telecom).

Thomas Willemain, PhD, was medeoprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselear Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.

Vraagplanning kost tijd en moeite. Het is de moeite waard voor zover het je daadwerkelijk helpt te maken wat je nodig hebt wanneer je het nodig hebt.

Maar het werk kan goed of slecht worden gedaan. We zien veel fabrikanten stoppen bij het eerste niveau terwijl ze gemakkelijk naar het tweede niveau kunnen gaan. En met een beetje meer moeite zouden ze helemaal naar het derde niveau kunnen gaan, door gebruik te maken van probabilistische modellering om de resultaten van de vraagplanning om te zetten in een voorraadoptimalisatieproces.

Het eerste niveau

Het eerste niveau is het maken van een vraagprognose met behulp van statistische methoden. Afbeelding 1 toont een poging op het eerste niveau: de vraaggeschiedenis van een artikel (rode lijn) en de verwachte prognose voor 12 maanden (groene lijn).

De voorspelling is kaal. Het projecteert alleen verwacht vraag negeren dat de vraag volatiel is en onvermijdelijk prognosefouten zal veroorzaken. (Dit is nog een voorbeeld van een belangrijke stelregel: “Het gemiddelde is niet het antwoord”). De voorspelling is waarschijnlijk zowel te hoog als te laag, en er is geen indicatie van voorspellingsonzekerheid bij de voorspelling. Dit betekent dat de planner geen inschatting heeft van het risico dat gepaard gaat met het nakomen van de prognose. Toch biedt deze prognose een rationele basis voor productieplanning, persoonlijke planning en inkoop van grondstoffen. Het is dus veel beter dan gissen.

Het tweede niveau

Het tweede niveau houdt expliciet rekening met de voorspelde onzekerheid. Figuur 2 toont een inspanning van het tweede niveau, bekend als een "percentielprognose".

Nu zien we een expliciete indicatie van voorspelde onzekerheid. De cyaankleurige lijn boven de groene prognoselijn vertegenwoordigt het verwachte 90e percentiel van de maandelijkse vraag. Dat wil zeggen, de vraag in elke toekomstige maand heeft een kans van 90% om op of onder de cyaanlijn te vallen. Anders gezegd, er is een kans van 10% dat de vraag elke maand de cyaanlijn overschrijdt.

Deze analyse is veel nuttiger omdat het risicobeheer ondersteunt. Als het belangrijk is om voldoende aanvoer van dit artikel te verzekeren, dan is het logisch om te produceren tot het 90e percentiel in plaats van tot de verwachte prognose. Het is tenslotte een gok of de verwachte voorspelling zal resulteren in voldoende productie om aan de maandelijkse vraag te voldoen. Deze prognose op het tweede niveau is in feite een ruwe vervanging van een zorgvuldig voorraadbeheerproces.

Afbeelding 2. Een percentielprognose, waarbij de cyaankleurige lijn het 90e percentiel van de maandelijkse vraag schat.

Gaat helemaal naar het derde niveau

Best practice is het derde niveau, dat vraagplanning gebruikt als basis voor het voltooien van een tweede taak: expliciete voorraadoptimalisatie. Figuur 3 toont de fundamentele plot voor het efficiënte beheer van ons eindproduct, ervan uitgaande dat het een productietijd van 1 maand heeft.

Afbeelding 3 toont het gebruik van probabilistische prognoses en hoeveel afname van de voorraad gereed product kan plaatsvinden gedurende een productietijd van een maand. De onzekerheid in de vraag komt tot uiting in de spreiding van de mogelijke vraag, van een dieptepunt van 0 tot een maximum van 35, waarbij 15 eenheden de meest waarschijnlijke waarde is. De verticale rode lijn bij 22 geeft het "bestelpunt" (of "min" of "triggerwaarde") aan dat overeenkomt met het behouden van de kans op voorraad in afwachting van aanvulling tot een lage 5%. Wanneer de voorraad daalt tot 22 of lager, is het tijd om meer te bestellen. Het derde niveau maakt gebruik van probabilistische vraagprognoses met volledige blootstelling aan prognoseonzekerheid om de voorraad van het eindproduct efficiënt te beheren.

Opsommen

Het voorspellen van de meest waarschijnlijke vraag naar een artikel is een nuttige eerste stap. Het brengt je halverwege waar je wilt zijn. Maar het biedt een onvolledige gids voor planning, omdat het de volatiliteit van de vraag en de verwachte onzekerheid die het creëert, negeert. Door een buffer aan de vraagprognose toe te voegen, komt u verder, omdat het risico wordt verkleind dat een sprong in de vraag u een tekort aan product zal opleveren. Dit kussen kan worden berekend door middel van probabilistische prognosebenaderingen die een hoog percentage van de verdeling van de toekomstige vraag voorspellen. En als u nog een stap verder wilt gaan, kunt u prognoses van de vraagverdeling over een doorlooptijd invoeren om bestelpunten (minuten) te berekenen om ervoor te zorgen dat u een acceptabel laag risico op voorraaduitval heeft.

Gezien wat moderne prognosetechnologie voor u kan doen, waarom zou u halverwege uw doel willen stoppen?

Voorraadbeheer vereist dat leidinggevenden concurrerende doelen tegen elkaar afwegen: hoge productbeschikbaarheid versus lage investering in voorraad. Leidinggevenden vinden dit evenwicht door beschikbaarheidsdoelen en budgetbeperkingen te stellen. Vervolgens vertalen supply chain-professionals deze 'opdrachtgeversintenties' in gedetailleerde specificaties over punten opnieuw ordenen en bestel hoeveelheden.

Een spannende race tussen vraag en aanbod

Laten we ons concentreren op bestelpunten (ook bekend als minuten). Ze werken als volgt. Naarmate de voorhanden voorraad afneemt als reactie op de vraag, daalt deze uiteindelijk tot of onder een triggerwaarde, het bestelpunt of min. Op dat moment is het alsof er een pistool afgaat om een race tussen vraag en aanbod te starten. Er wordt een aanvullingsopdracht verzonden om het artikel opnieuw te bevoorraden, maar er is een aanvulling Lead time, dus de herbevoorrading is niet onmiddellijk. Terwijl uw systeem wacht op bevoorrading, blijft de vraag naar de beschikbare voorraad afnemen. Het is slecht nieuws als de vraag de race wint, want dan ben je niet in staat om te bieden wat iemand vraagt. Vervolgens krijgen ze het van een concurrent of worden ze nabesteld en ontevreden: hoe dan ook, bevoorrading is een slecht resultaat voor u en uw klant.

Het risico van bevoorrading wordt beheerst door de keuze van de bestelpunten van uw personeel. Als ze te hoog zijn ingesteld, zijn stock-outs zeldzaam, maar is de voorraad opgeblazen. Stel ze te laag in en stock-outs zijn er in overvloed. Dus hoe moeten de bestelpunten worden ingesteld?

Dwaze opvolging vermijden

Verschillende factoren bepalen het voorraadrisico. Elk artikel in uw inventaris heeft zijn eigen vraaggeschiedenis en doorlooptijd. Samen met de door u gekozen beschikbaarheidsdoelen bepalen deze factoren de beste keuze voor een bestelpunt. Maar de relaties zijn statistisch en vereisen een goede analyse om uit te werken. Software voor voorraadoptimalisatie kan het juiste bestelpunt berekenen voor elk van de tienduizenden artikelen. Maar in plaats van te vertrouwen op een goede analyse, vallen veel bedrijven terug op simpele vuistregels of gewoon “doen wat we altijd doen”.

In plaats van de juiste wiskunde te gebruiken, vertrouwen bedrijven vaak op vuistregels die hen slecht van dienst zijn. Hier zijn enkele voorbeelden in volgorde van meest voorkomend tot minst voorkomend.

1) Veelvouden van de gemiddelde vraag

Hervolgpunten instellen op een (willekeurig) veelvoud van gemiddelde vraag begint te vertrouwen op feitelijke feiten. Maar het negeert het belangrijkste kenmerk van de vraag dat het risico op voorraaduitval veroorzaakt: variabiliteit in de vraag. Twee artikelen met dezelfde gemiddelde vraag maar zeer verschillende niveaus van variabiliteit zullen zeer verschillende bestelpunten vereisen om hetzelfde lage risico op voorraaduitval te verzekeren. (Zie afbeelding 1)

2) Onderbuikgevoel

Sommige bedrijven hebben zichzelf gestyled supply chain goeroes. Zelfs als ze eigenlijk Jedi-meesters zijn, is het onmogelijk om tienduizenden items bij te houden waarvan de bestelpunten regelmatig moeten worden herzien. En als de logica achter de besluitvorming verborgen zit in een moeilijk te gebruiken spreadsheet waarvan alleen zij weten hoe ze die moeten gebruiken, loopt het bedrijf het risico het inventarisatieplan niet uit te voeren zonder die ene persoon – een risicovol voorstel.

3) Gemiddelde vraag + een veelvoud van vraagvariabiliteit

Deze benadering wordt in veel "Inventory 101" -cursussen onderwezen. Maar het veronderstelt impliciet enkele feiten over de vraag die heel vaak niet waar zijn: dat de vraag een normale ("klokvormige") verdeling heeft en dat de vraag in de ene periode geen verband houdt met de vraag in de voorgaande tijdsperiode(n). Veronderstellingen van onafhankelijkheid en vertrouwen op normale distributiemodellen zijn gewoon niet voldoende.

4) Kinderliedjes

Helemaal niet de norm, vandaar dat we als laatste op de lijst staan, maar we hoorden van een bedrijf dat één simpele regel hanteerde voor alle artikelen: "Als het er vier zijn, bestel dan meer". Het is gek om te geloven dat één regel te allen tijde op alle items van toepassing is. Maar het rijmt tenminste.

Uw mensen kunnen beter doen dan te vertrouwen op een van deze benaderingen. Weet u of uw bedrijf er een gebruikt?

Het goed doen

De juiste manier om herordeningspunten in te stellen maakt gebruik van de instrumenten van de waarschijnlijkheidstheorie. De details zijn afhankelijk van of u afgewerkte goederen of reserveonderdelen verkoopt. Reserveonderdelen zijn meestal moeilijker te beheren omdat ze eigenzinnige vraagpatronen hebben: hoog onderbreking (veel nul eisen), hoog scheefheid (veel kleine eisen maar ook met wat kanjers), en auto-correlatie ("feest of hongersnood" gedrag). Modern Puntsoftware opnieuw bestellen houdt rekening met deze eigenaardigheden om bestelpunten in te stellen die het gewenste niveau van artikelbeschikbaarheid verzekeren. Belangrijk is dat ze uw mensen ook expliciete afwegingscurven laten zien, zodat ze de balans kunnen vinden die u wilt - op item-per-locatieniveau - tussen voorraadrisico en voorraadinvestering.

Voorraad is een belangrijke post op de balans en heeft aandacht op hoog niveau nodig. Bij veel fabrikanten kunnen serviceonderdelen tot de helft van de omzet vertegenwoordigen. Moderne software laat de C-Suite verder gaan dan onvolledige wiskunde en andere ontoereikende benaderingen voor voorraadbeheer.

Afbeelding 1: Twee even belangrijke artikelen met dezelfde gemiddelde vraag krijgen hetzelfde voorraadbeleid toegewezen dat het Min (bestelpunt) bepaalt als 2 x de gemiddelde doorlooptijdvraag. Ondanks "hetzelfde" voorraadbeleid variëren de serviceprestaties aanzienlijk, waarbij het stabiele artikel A te kampen heeft met overvoorraden en het vluchtige artikel B met een voorraadtekort.

Tijdens onze reizen door de industriële scene merken we dat veel bedrijven meer aandacht besteden aan inventarisatiebeurten dan zou moeten. We willen een deel van deze aandacht verleggen naar meer consequente prestatiestatistieken.

Denk aan de definitie: Turns = Jaarlijkse dollarkosten van verkochte goederen / Gemiddelde dollarwaarde van voorraad. Als je in een jaar $1 miljoen spullen verkoopt en elke dag gemiddeld $100.000 aan spullen op de plank hebt liggen, heb je een indrukwekkende 10 beurten (Walmart draait rond de 8). Vermoedelijk duidt het hebben van hoge Turns op efficiënt beheer, en het houden van uw Turns hoger dan die van concurrenten duidt op concurrentievoordeel.

Maar zoals gebeurt met de meeste prestatiestatistieken, is er meer aan de hand. Turns kunnen erg opvallend zijn voor de CFO, maar ze kunnen een keurslijf zijn voor de COO. Dit komt omdat beurten niet direct verband houden met klantenservice; in feite kunnen hoge beurten synoniem zijn met lage serviceniveaus en opvullingspercentages. S&OP-consultant Darrin Oliver noemt Turns zijn 'pet peeve metric' omdat 'de klant niets om Turns geeft'.

Stel dat u niet tevreden bent met uw huidige Turns-waarde. Wat kun je doen om het aantal te verhogen? Aangezien Turns een verhouding is, kunt u deze verhogen door de teller (verkochte goederen) te verhogen of de noemer (voorraad) te verkleinen. Het verhogen van de verkoop is moeilijker omdat het de medewerking van de klant vereist. Afnemend voorraad is eenvoudiger omdat u het volledig onder controle heeft: voer gewoon kleinere aanvullingsorders uit, wat ook op korte termijn geld bespaart. Inderdaad, je kunt heel enthousiast worden en inventaris tot op het bot snijden. Je krijgt uiteindelijk een beter uitziend nummer voor Turns - en een serieus probleem met stockouts, backorders, verloren verkopen, verloren klantvriendelijkheid en verloren marktaandeel. Wie heeft er nu spijt?

Hier is een licht bewerkte versie van een verhaal over dit onderwerp, verteld door een zeer wijze beoefenaar. “In mijn andere leven draaiden ze allemaal om het verbeteren van bochten. Waarom, ik heb geen idee. Dus wees ik op de risico's die je loopt. En ze waren echt niet geïnteresseerd. Dus brachten we onze wereldwijde voorraden terug naar [een lager niveau], en braken toen dagelijks links en rechts op voorraad. Onze beurten waren geweldig, maar we verdienden geen geld, omdat we niets de deur uit konden krijgen, omdat we het niet bezaten. Hoe hoger je beurten, hoe lager je inventaris zal moeten zijn, anders krijg je gewoon een heel goede stroom. En in onze branche is dat heel, heel moeilijk om te bereiken. Dus als we redelijke beurten kunnen hebben maar nog steeds op voorraad zijn, denk ik dat dat is wat we willen doen. In een operationele wereld kan het erg frustrerend zijn om te proberen uit te leggen wat we elke dag doen en wat de risico's voor het bedrijf zijn wanneer de financiële mensen slechts naar een of twee statistieken kijken. Ze proberen het bedrijf eigenlijk in een vacuüm te plannen, en dat is erg moeilijk en erg riskant.”

Thomas Willemain, PhD, was medeoprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselear Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.

Demand planners hebben te maken met meerdere problemen om hun werk gedaan te krijgen. Een daarvan is de irritatie van intermittency. Het "nu zie je het, nu niet meer" karakter van intermitterende vraag, met zijn zware mix van nulwaarden, dwingt het gebruik van geavanceerde statistische methoden, zoals het gepatenteerde Markov Bootstrap-algoritme van Smart Software. Maar zelfs binnen het duistere rijk van de intermitterende vraag zijn er moeilijkheidsgraden: planners moeten verder omgaan met de potentieel kostbare Scourge of Skewness.

Scheefheid is een statistische term die de mate beschrijft waarin een vraagverdeling niet symmetrisch is. De klassieke (en grotendeels mythische) "klokvormige" curve is symmetrisch, met gelijke kansen dat de vraag in elke periode onder of boven het gemiddelde valt. Een scheve verdeling daarentegen is scheef, waarbij de meeste waarden boven of onder het gemiddelde vallen. In de meeste gevallen zijn de vraaggegevens positief scheef, met een lange staart van waarden die zich uitstrekken naar het hogere uiteinde van de vraagschaal.

Staafdiagrammen van twee tijdreeksen
Afbeelding 1: Twee intermitterende vraagreeksen met verschillende scheefheidsniveaus
Figuur 1 toont twee tijdreeksen van 60 maanden intermitterende vraag. Beide zijn positief scheef, maar de gegevens in het onderste paneel zijn meer scheef. Beide series hebben bijna dezelfde gemiddelde vraag, maar de bovenste is een mix van 0-en, 1-en en 2-en, terwijl de onderste een mix is van 0-en, 1-en en 4-en.

Wat positieve scheefheid een probleem maakt, is dat het de opvullingsgraad van een item verlaagt. Opvullingspercentage is belangrijk voorraadbeheer prestatiemaatstaf. Het meet het percentage van de vraag waaraan onmiddellijk wordt voldaan vanuit de voorhanden voorraad. Eventuele nabestellingen of verloren verkopen verminderen het opvullingspercentage (naast het verspillen van de goodwill van de klant).

Het opvullingspercentage is een aanvulling op de andere belangrijke prestatiemaatstaf: serviceniveau. Serviceniveau meet de kans dat een artikel niet op voorraad is tijdens de doorlooptijd van de aanvulling. De doorlooptijd wordt gemeten vanaf het moment dat de voorraad daalt tot of onder het bestelpunt van een artikel, waardoor een aanvullingsorder wordt geactiveerd, tot de aankomst van de vervangende voorraad.

Voorraadbeheersoftware, zoals SmartForecasts van Smart Software, kan vraagpatronen analyseren om het bestelpunt te berekenen dat nodig is om een bepaald serviceniveau te bereiken. Om een 95%-serviceniveau te bereiken voor het artikel in het bovenste paneel van Afbeelding 1, uitgaande van een doorlooptijd van 1 maand, is het vereiste bestelpunt 3; voor het onderste item is het bestelpunt 1. (Het eerste bestelpunt is 3 om rekening te houden met de duidelijke mogelijkheid dat toekomstige vraagwaarden hoger zullen zijn dan de grootste waarden, 2, die tot nu toe zijn waargenomen. In feite zijn waarden zo groot als 8 mogelijk .) Zie afbeelding 2.

Histogrammen van twee tijdreeksen
Figuur 2: Verdelingen van de totale vraag gedurende een doorlooptijd van aanvulling van 1 maand
(Afbeelding 2 geeft de voorspelde verdeling van de vraag over de doorlooptijd weer. De groene balken vertegenwoordigen de waarschijnlijkheid dat een bepaalde vraag zich zal voordoen.)

Met het vereiste bestelpunt van 3 eenheden is het opvullingspercentage voor het minder scheve artikel een gezonde 93%. Het opvullingspercentage voor het meer scheve item is echter een verontrustende 44%, hoewel ook dit item een serviceniveau van 95% behaalt. Dit is de plaag van scheefheid.

De verklaring voor het verschil in opvullingspercentages is de mate van scheefheid. Het bestelpunt voor het meer scheve artikel is 1 eenheid. Het hebben van 1 eenheid bij de start van de doorlooptijd is voldoende om 95% van de aanvragen die binnenkomen tijdens een doorlooptijd van 1 maand te behandelen. De maandelijkse vraag kan echter oplopen tot meer dan 15 eenheden, dus wanneer de meer scheve eenheid op voorraad is, zal deze "grote voorraad opraken", waardoor een veel groter aantal eenheden verloren gaat.

De meeste vraagplanners zouden er trots op zijn om een 95%-serviceniveau en een 93%-vulpercentage te behalen. De meesten zouden verontrust en verbaasd zijn door het 95%-serviceniveau te bereiken, maar slechts een 44%-vulpercentage. Deze gedeeltelijke storing zou niet hun schuld zijn: het kan rechtstreeks worden herleid tot de vervelende scheefheid in de verdeling van maandelijkse vraagwaarden.

Er is geen pijnloze oplossing voor dit probleem. De enige manier om het opvullingspercentage in deze situatie te verhogen, is door het serviceniveau te verhogen, wat op zijn beurt het bestelpunt zal verhogen, wat uiteindelijk zowel de frequentie van stockouts als hun omvang zal verminderen wanneer ze zich voordoen. In dit voorbeeld zal het verhogen van het bestelpunt van 1 eenheid naar 3 eenheden een 99%-serviceniveau bereiken en het opvullingspercentage verhogen tot een respectabele, maar niet uitstekende, 84%. Deze verbetering zou ten koste gaan van in wezen een verdrievoudiging van de dollars die vastzitten aan het beheer van dit meer scheve item.

Thomas Willemain, PhD, was medeoprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselear Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.