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).

Een nieuwe maatstaf die we de "Attentie-index" noemen, helpt voorspellers situaties te identificeren waarin "gegevens die zich slecht gedragen" automatische statistische voorspellingen kunnen verstoren (zie hiernaast). Het identificeert snel die items die waarschijnlijk de meeste kans hebben om prognoses te negeren, wat een efficiëntere manier biedt om zakelijke ervaring en andere menselijke intelligentie aan het werk te zetten om de nauwkeurigheid van prognoses te maximaliseren. Hoe werkt het?

Klassiek voorspellingsmethoden, zoals de verschillende smaken van exponentiële afvlakking en voortschrijdende gemiddelden, dringen aan op een sprong in het diepe. Ze vereisen dat we erop vertrouwen dat de huidige omstandigheden in de toekomst blijven bestaan. Als de huidige omstandigheden aanhouden, is het verstandig om deze extrapolatieve methoden te gebruiken - methoden die het huidige niveau, de trend, de seizoensgebondenheid en "ruis" van een tijdreeks kwantificeren en projecteren in de toekomst.

Maar als ze niet aanhouden, kunnen extrapolatieve methoden ons in de problemen brengen. Wat omhoog ging, kan ineens omlaag gaan. Wat vroeger rond het ene niveau was gecentreerd, kan plotseling naar een ander niveau springen. Of er kan iets heel vreemds gebeuren dat volledig uit het patroon is. In deze verrassende omstandigheden verslechtert de nauwkeurigheid van de prognoses, gaan voorraadberekeningen verkeerd en ontstaat er algemene onvrede.

Een manier om met dit probleem om te gaan, is te vertrouwen op complexere voorspellingsmodellen die rekening houden met externe factoren die de variabele bepalen die wordt voorspeld. Verkooppromoties proberen bijvoorbeeld kooppatronen te verstoren en in een positieve richting te bewegen, dus het opnemen van promotieactiviteiten in het prognoseproces kan de verkoopprognoses verbeteren. Soms kunnen macro-economische indicatoren, zoals het starten van huizen of inflatiepercentages, worden gebruikt om de nauwkeurigheid van prognoses te verbeteren. Maar complexere modellen vereisen meer gegevens en meer expertise, en ze zijn misschien niet bruikbaar voor sommige problemen, zoals het beheer van onderdelen of subsystemen, in plaats van afgewerkte goederen.

Als iemand vastloopt met behulp van eenvoudige extrapolatieve methoden, is het handig om een manier te hebben om items te markeren die moeilijk te voorspellen zijn. Dit is de Aandachtsindex. Zoals de naam al doet vermoeden, vereisen items die moeten worden voorspeld met een hoge Attention Index een speciale behandeling - op zijn minst een beoordeling en meestal een soort van prognoseaanpassing.

De Aandachtsindex detecteert drie soorten problemen:

Een uitbijter in de vraaggeschiedenis van een artikel.
Een abrupte verandering in het niveau van een item.
Een abrupte verandering in de trend van een artikel.
Met behulp van software zoals SmartForecasts™ kan de voorspeller omgaan met een uitbijter door deze te vervangen door een meer typische waarde.

Een abrupte verandering in niveau of trend kan worden verholpen door alle gegevens van vóór de "breuk" in het vraagpatroon uit de prognoseberekeningen weg te laten, ervan uitgaande dat het item is overgeschakeld naar een nieuw regime dat de oudere gegevens irrelevant maakt.

Hoewel geen enkele index perfect is, slaagt de Aandachtsindex er goed in om de aandacht te vestigen op de meest problematische vraaggeschiedenissen. Dit wordt aangetoond in de twee onderstaande figuren, die zijn gemaakt met gegevens van de M3 Competition, bekend in de prognosewereld. Figuur 1 toont de 20 items (van de 3.003 van de wedstrijd) met de hoogste Attention Index-scores; al deze hebben groteske uitschieters en breuken. Figuur 2 toont de 20 items met de laagste Attention Index-scores; de meeste (maar niet alle) items met lage scores hebben relatief goedaardige patronen.

Als u duizenden items te voorspellen heeft, zal de nieuwe Aandachtsindex zeer nuttig zijn om uw aandacht te richten op die items die het meest waarschijnlijk problematisch zijn.

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

Een leesbaar, goed georganiseerd leerboek kan van onschatbare waarde zijn om "bedrijfsvoorspellers in opleiding te helpen de basisprincipes van tijdreeksvoorspelling te begrijpen", zoals Tom Willemain opmerkt in de conclusie van deze recensie, oorspronkelijk gepubliceerd in Vooruitziendheid: The International Journal of Applied Forecasting. De review is voornamelijk geschreven voor een academisch publiek, maar dient ook voor onervaren vraagplanningprofessionals door hen te wijzen op een diepgaande bron.

Dit nette boekje heeft tot doel "de lezer kennis te laten maken met kwantitatieve prognoses van tijdreeksen op een praktische, praktische manier." Voor een bepaald soort lezer zal het ongetwijfeld lukken, en wel op een stijlvolle manier.

De auteur, dr. Galit Shmueli, is de door SRITNE voorgezeten hoogleraar data-analyse en universitair hoofddocent statistiek en informatiesystemen aan de Indian School of Business, Hyderabad. Ze is auteur of co-auteur van verschillende andere boeken over toegepaste statistiek en bedrijfsanalyse.

Het boek is bedoeld als tekst voor een cursus "mini-semester" voor afgestudeerde of niet-gegradueerde studenten. Ik denk dat het te ver gaat om te geloven dat er hier genoeg technisch materiaal is om als basis te dienen voor een masteropleiding, maar ik zie dat het goed werkt voor studenten in industriële techniek of management die een eerdere cursus statistiek hebben gehad (en daarom zullen inderdaad kunnen "herinneren dat een 95%-voorspellingsinterval voor normaal verdeelde fouten ..." is).

Er zijn oefeningen aan het einde van het hoofdstuk van de juiste omvang en zelfs opstellingen voor drie real-world semesterprojecten, zodat instructeurs het boek kunnen gebruiken zoals de auteur het voor ogen had. Het boek illustreert de punten met behulp van XLMiner, een Excel-invoegtoepassing, en studenten kunnen de gratis demoversie gebruiken voor bijna alle oefeningen. Tekstdatasets zijn beschikbaar op de website van het boek, die ook een gratis 'dashboard'-applicatie voor tijdreeksanalyse biedt. De auteur merkt op dat andere software kan worden gebruikt in plaats van XLMiner en vermeldt de prognosebibliotheek van Minitab, JMP en Rob Hyndman in R.

Tijdens het lezen van dit boek was ik aangenaam verrast door de helderheid ervan. Nadat ik onlangs tijd had besteed aan het corrigeren van het technische proza van twee verder goede afgestudeerde studenten, vond ik het schrijven in dit boek een verfrissend contrast, waardoor technische concepten begrijpelijk werden.

Een ander voordeel van dit boek is de selectie van onderwerpen. De technische zijn redelijk standaard (afvlakkingsmethoden, regressie met behulp van polynoomtrends en dummy-variabelen), maar variëren ook een beetje in de richting van meer exotisch (logistische regressie, neurale netwerken, een beetje ARIMA). Indrukwekkender is de opname van wat "meta-onderwerpen" kunnen worden genoemd die relevant zijn voor prognoses: prestatiebeoordeling, een overzicht van alternatieve technische benaderingen en een over het prognoseproces, van het definiëren van doelen tot manieren om rapporten anders af te stemmen op management- en technische publiek. Dit is het soort voorspellende wijsheid die we vinden Chris Chatfields boek (2004), hoewel iets minder scherp gepresenteerd en met minder wiskundige uiteenzetting. Meestal raad ik Chatfields inleidende boek aan voor meer technische lezers die geïnteresseerd zijn in tijdreeksen; Ik zou het boek van Shmueli aanbevelen voor een meer algemeen publiek.

Geen beoordeling is compleet zonder haarkloverijen. Hier zijn er een paar - te weinig om mijn zeer positieve kijk op dit indrukwekkende boekje ongedaan te maken:

• De tekst is een goed argument voor 'goed opgemaakte en gemakkelijk leesbare' grafieken (p. 179). Maar ik vond veel van de schermafbeeldingen slecht afgedrukt en moeilijk te zien. Het boek is overigens zo visueel aantrekkelijk dat deze gebreken erg vreemd lijken. Het maakt met groot effect gebruik van luxueuze hoeveelheden witruimte en grillige marginale kunst, waardoor een zeer "licht" gevoel ontstaat dat het begrip zeker moet helpen.

• De auteur beweert (p. 115) dat afvlakkingsmethoden (bijv. voortschrijdende gemiddelden, exponentiële afvlakking) niet volledig geautomatiseerd kunnen worden omdat "de gebruiker afvlakkingsconstanten moet specificeren". Dit is natuurlijk niet zo, aangezien er verschillende softwarepakketten zijn die dit doen, en de tekst spreekt zichzelf later op dit punt tegen op pagina 127.

• De verder goede bespreking van autocorrelatie is misleidend wanneer wordt beweerd (p. 88) dat negatieve lag-1 autocorrelatie betekent dat "hoge waarden onmiddellijk worden gevolgd door lage waarden en vice versa." Nou ja, meestal, maar niet altijd.

Toen ik dit boek uit had, besefte ik meteen dat er buiten de klas nog een andere doelgroep is. Mijn bedrijf geeft vaak trainingssessies over het gebruik van onze software, inclusief algemene achtergrondinformatie over prognosemethoden en -processen. Als we het materiaal op XLMiner zouden kunnen uitknippen, en zelfs als we dat niet zouden kunnen, zou deze tekst een prachtige "achterwege" zijn om zakelijke voorspellers in opleiding te helpen de basisprincipes van tijdreeksprognoses te begrijpen. Het boek is zo goed geschreven, goed georganiseerd en goed ontworpen dat het zelfs gelezen zou kunnen worden. We kunnen het zeker gebruiken om onze nieuwe programmeurs te helpen de applicaties die ze ontwikkelen te begrijpen. En dit boek zou zelfs kunnen dienen als schuldig leesvoer voor een afgestudeerde student die echt wil 'snappen' wat er gaande is in Box, Jenkins en Reinsel (2008).

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

De meeste statistische prognoses werken in één directe stroom van gegevens uit het verleden naar prognoses. Voorspellen met voorlopende indicatoren werkt op een andere manier. Een leidende indicator is een tweede variabele die van invloed kan zijn op degene die wordt voorspeld. Het toepassen van toetsbare menselijke kennis over de voorspellende kracht in de relatie tussen deze verschillende gegevenssets levert soms superieure nauwkeurigheid op.

Meestal is een prognose uitsluitend gebaseerd op de geschiedenis van het item dat wordt voorspeld. Laten we aannemen dat het probleem van de voorspeller is om de toekomstige verkoop per eenheid van een belangrijk product te voorspellen. Het proces begint met het verzamelen van gegevens over de eerdere verkopen van het product. (Gregory Hartunian deelt wat praktisch advies over het kiezen van de best beschikbare data in een eerder bericht op de Smart Forecaster.) Deze gegevens stromen naar prognosesoftware, die het verkooprecord analyseert om het niveau van willekeurige variabiliteit te meten en alle voorspelbare aspecten te benutten, zoals trend of regelmatige patronen van seizoensvariabiliteit. De prognose is volledig gebaseerd op het gedrag in het verleden van het artikel dat wordt voorspeld. Er wordt expliciet rekening gehouden met niets dat het schommelen en schudden in de verkoopgrafiek van het product zou kunnen hebben veroorzaakt. Deze aanpak is snel, eenvoudig, op zichzelf staand en schaalbaar, omdat software automatisch door een groot aantal prognoses kan bladeren.

Maar soms kan de voorspeller het beter doen, ten koste van meer werk. Als de voorspeller door de mist van willekeur kan kijken en een tweede variabele kan identificeren die van invloed is op degene die wordt voorspeld, een leidende indicator, zijn nauwkeurigere voorspellingen mogelijk.

Stel dat het product vensterglas voor woningen is. Het is goed mogelijk dat stijgingen of dalingen van het aantal bouwvergunningen voor nieuwbouwwoningen enkele maanden later worden weerspiegeld in overeenkomstige stijgingen of dalingen van het aantal bestelde glasplaten. Als de voorspeller deze "vertraagde" of vertraagde relatie in een vergelijking kan destilleren, kan die vergelijking worden gebruikt om de glasverkoop over enkele maanden te voorspellen, dus met behulp van bekende waarden van de leidende indicator. Deze vergelijking wordt een "regressievergelijking" genoemd en heeft de vorm zoiets als:

Verkoop van glas in 3 maanden = 210,9 + 26,7 × Aantal woningen start deze maand.

Voorspellingssoftware kan de gegevens over de start van de woningbouw en de glasverkoop omzetten in zo'n regressievergelijking.

Grafiek met een relatie tussen voorbeeldcijfers voor verschoven bouwvergunningen en de vraag naar glas
Voorlopende indicatoren aangetoond
In tegenstelling tot automatische statistische prognoses op basis van de eerdere verkopen van een product, stuit prognoses met een voorlopende indicator echter op hetzelfde probleem als het spreekwoordelijke recept voor konijnenstoofpot: "Vang eerst een konijn". Hier is de inhoudelijke expertise van de voorspeller cruciaal voor succes. De forecaster moet één of meerdere kandidaten kunnen voordragen voor de functie van leading indicator. Na deze cruciale stap kan op basis van de kennis, ervaring en intuïtie van de voorspeller software worden gebruikt om te verifiëren dat er werkelijk een voorspellende, tijdvertraagde relatie bestaat tussen de kandidaat-voorlopende indicator en de te voorspellen variabele.

Deze verificatiestap wordt uitgevoerd met behulp van een "kruiscorrelatie"-analyse. De software neemt in wezen als invoer een reeks waarden van de te voorspellen variabele en een andere reeks waarden van de veronderstelde leidende indicator. Vervolgens schuift het de gegevens van de voorspellingsvariabele vooruit met achtereenvolgens een, twee, drie, etc. tijdsperioden. Bij elke slip in de tijd (een "lag" genoemd, omdat de leidende indicator steeds verder achterloopt op de voorspellingsvariabele), controleert de software op een associatiepatroon tussen de twee variabelen. Als het een patroon vindt dat te sterk is om te worden verklaard als een statistisch ongeval, wordt het vermoeden van de voorspeller bevestigd.

Het is duidelijk dat prognoses met voorlopende indicatoren meer werk zijn dan prognoses met alleen de eigen waarden uit het verleden van een item. De voorspeller moet een leidende indicator identificeren, te beginnen met een lijst die wordt voorgesteld door de vakkennis van de voorspeller. Dit is een "handgemaakt" proces dat niet geschikt is voor massaproductie van prognoses. Maar het kan een succesvolle aanpak zijn voor een kleiner aantal belangrijke items die de extra moeite waard zijn. De rol van prognosesoftware, zoals ons SmartForecasts-systeem, is om de voorspeller te helpen de leidende indicator te verifiëren en deze vervolgens te benutten.

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

Fluctuaties in de toeleveringsketen van een voorraad zijn onvermijdelijk. Willekeur, die een bron van verwarring en frustratie kan zijn, garandeert dit. Een schip met goederen uit China kan vertraging oplopen door een storm op zee. Een plotselinge toename van de vraag op een dag kan de voorraad in één dag wegvagen, waardoor u niet meer aan de vraag van de volgende dag kunt voldoen. Willekeur zorgt voor fricties die het moeilijk maken om je werk te doen.

Op het eerste gezicht lijkt het soms het beste om op willekeur te reageren met de struisvogelbenadering: kop in het zand. U kunt genoegen nemen met een voorspelling en ervan uitgaan dat de voorspelling altijd klopt. De fout in die benadering is dat het statistische methoden negeert die ons in staat stellen gebruik te maken van een schat aan kennis over onze kennis zelf - hoeveel vertrouwen we kunnen hebben in onze voorspellingen en met welke brede mogelijkheden we worden geconfronteerd. De efficiënte aanpak van de problemen die voortkomen uit willekeur is niet om onzekerheid te negeren, maar om deze met open ogen te omarmen.

Als een fundamenteel principe van Smart Software's benadering van voorspelling, zullen we u altijd een beoordeling geven van de mate van onzekerheid in prognoses. Als u niets meer verwacht dan een absoluut cijfer - de vraag naar widgets in februari zal 120 eenheden zijn - kunt u het toegevoegde element van onzekerheid afdoen als negatief, of het vertrouwen verliezen in een voorspelling waarvan u had gehoopt dat deze definitief zou zijn. Maar we pleiten voor wat wij beschouwen als de benadering voor volwassenen; u moet weten wat u riskeert wanneer u zich aan een prognose houdt en uw besluitvorming daarop baseert.

Uw prognoses kunnen grote gevolgen hebben die verder gaan dan voorraadniveaus. Ze kunnen uw behoeften aan grondstoffen of personeelsniveau bepalen - prognoses zijn de drijvende kracht achter veel belangrijke beslissingen over de toewijzing van middelen. Als u te veel vertrouwen heeft in de meest waarschijnlijke uitkomst, zonder ook specifiek te overwegen hoe waarschijnlijk het is, begrijpt u de risico's waarmee u wordt geconfronteerd niet echt en kunt u uzelf in een precaire positie brengen.

De noodzaak om volledig geïnformeerde beslissingen te nemen, dwingt ons om in een prognose het plus/minus bereik van resultaten te zien met een bepaalde waarschijnlijkheid van voorkomen. In het specifieke geval van prognoses die in voorraadsystemen gaan, is dit een belangrijk onderdeel van het opzettelijk plannen voor onvoorziene gebeurtenissen. Zo bepaalt u niet alleen de voorraad die u moet aanhouden om aan de typische vraag te voldoen, maar ook de extra voorraad die u bij de hand moet hebben om de meest onverwachte uitkomsten op te vangen.

Dit belang neemt alleen maar toe wanneer u probeert een betrouwbare voorraad kritieke reserveonderdelen aan te houden. Tussen de kosten van het opslaan van extra inventaris en het rekening houden met de mate van betrouwbaarheid van uw prognoses, is er een balans die zich uitkristalliseert wanneer een vliegtuig dat u in de lucht nodig heeft aan de grond staat, omdat u geen vervanging voor een beschadigd onderdeel heeft.

(Terwijl het aanleggen van extra voorraad afhankelijk is van de bovenkant van het onzekerheidsbereik, wordt als de cashflow krap is, de onderkant van het bereik belangrijk. Treasury-minded gebruikers vinden waarde in deze andere kant van onzekerheid in scenario's waarin zelfs minimale overbevoorrading kan bijvoorbeeld meer een probleem zijn dan een gemiste verkoopkans. Betrouwbare informatie over de minst waarschijnlijke uitkomsten loont op dit moment.)

Inventaristheorie zegt dat je moet nadenken over de uiteinden van waarschijnlijke mogelijkheden en je moet voorbereiden om met meer scenario's om te gaan dan alleen wat het meest waarschijnlijk is. Willekeur is een realiteit die niet kan worden genegeerd. Het gemiddelde is niet het antwoord.

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