De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

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.

Laat een reactie achter

gerelateerde berichten

De top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen

De top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen

We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden).

Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning

Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning

Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt.

recente berichten

  • Zakenman en zakenvrouw lezen en analyseren van spreadsheetDe top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen
    We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
  • Stijl zakengroep in klassieke zakenpakken met verrekijkers en telescopen reproduceren verschillende voorspellingsmethodenHoe voorspellingsresultaten te interpreteren en te manipuleren met verschillende voorspellingsmethoden
    Deze blog legt uit hoe elk voorspellingsmodel werkt met behulp van tijdgrafieken van historische en voorspellingsgegevens. Het schetst hoe te kiezen welk model te gebruiken. De onderstaande voorbeelden tonen dezelfde geschiedenis, in rood, voorspeld met elke methode, in donkergroen, vergeleken met de Slim gekozen winnende methode, in lichtgroen. […]
  • Fabrieksarbeider-ingenieur die in de fabriek werkt met behulp van een tabletcomputer om de waterleiding van de onderhoudsketel in de fabriek te controleren.Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning
    Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
  • Wat te doen als een statistische prognose geen steek houdtWat te doen als een statistische prognose geen steek houdt
    Soms slaat een statistische prognose gewoon nergens op. Elke voorspeller is er geweest. Ze kunnen dubbel controleren of de gegevens correct zijn ingevoerd of de modelinstellingen bekijken, maar ze blijven zich afvragen waarom de prognose er zo anders uitziet dan de vraaggeschiedenis. Wanneer de incidentele voorspelling nergens op slaat, kan dit het vertrouwen in het hele statistische prognoseproces aantasten. […]
  • Portret van fabrieksarbeider vrouw met blauwe veiligheidshelm houdt tablet vast en staat in de werkplaats voor reserveonderdelen. Concept van vertrouwen in het werken met software voor het plannen van reserveonderdelen.Het plannen van reserveonderdelen is niet zo moeilijk als u denkt
    Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • Zakenman en zakenvrouw lezen en analyseren van spreadsheetDe top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen
      We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
    • Fabrieksarbeider-ingenieur die in de fabriek werkt met behulp van een tabletcomputer om de waterleiding van de onderhoudsketel in de fabriek te controleren.Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning
      Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
    • Portret van fabrieksarbeider vrouw met blauwe veiligheidshelm houdt tablet vast en staat in de werkplaats voor reserveonderdelen. Concept van vertrouwen in het werken met software voor het plannen van reserveonderdelen.Het plannen van reserveonderdelen is niet zo moeilijk als u denkt
      Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
    • Werknemer in een magazijn voor auto-onderdelen met software voor voorraadplanningServicegestuurde planning voor bedrijven met serviceonderdelen
      Planning van serviceonderdelen op basis van serviceniveau is een proces in vier stappen dat verder gaat dan vereenvoudigde prognoses en vuistregels voor veiligheidsvoorraden. Het biedt planners van serviceonderdelen datagestuurde, op risico's afgestemde ondersteuning bij het nemen van beslissingen. […]