De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

U kunt uw voorraadniveaus niet goed beheren, laat staan optimaliseren, als u niet precies weet hoe vraagprognoses en voorraadparameters (zoals min/max, veiligheidsvoorraden, bestelpunten en bestelhoeveelheden) precies zijn bepaald.

Veel organisaties kunnen niet specificeren hoe beleidsinputs worden berekend of situaties identificeren waarin het management het beleid terzijde moet schuiven. Veel mensen kunnen bijvoorbeeld zeggen dat ze vertrouwen op een bepaalde planningsmethode, zoals Min/Max, bestelpunt of prognose met veiligheidsvoorraad, maar ze kunnen niet precies zeggen hoe deze planningsinputs worden berekend. Meer fundamenteel begrijpen ze misschien niet wat er met hun KPI's zou gebeuren als ze de min-, max- of veiligheidsvoorraad zouden wijzigen. Ze weten misschien dat de prognose berust op "gemiddelden" of "geschiedenis" of "verkoopinput", maar specifieke details over hoe de uiteindelijke prognose tot stand komt, zijn onduidelijk.

Vaak genoeg werd de logica voor voorraadplanning en prognoses van een bedrijf ontwikkeld door een voormalige werknemer of verdwenen adviseur en in een spreadsheet gestopt. Het kan anders terugvallen op verouderde ERP-functionaliteit of ERP-maatwerk door een IT-organisatie die er ten onrechte van uitging dat ERP-software alles kan en moet. (Lees dit geweldig en, zoals ze zeggen, "grappig omdat het waar is", blog van Shaun Snapp over ERP-gerichte strategieën.) Het beleid is mogelijk niet goed gedocumenteerd en niemand die momenteel aan het werk is, kan het verbeteren of er het beste van maken.

Deze ongelukkige situatie leidt tot een andere, waarin inkopers en voorraadplanners ronduit de output van het ERP-systeem negeren, waardoor ze afhankelijk worden van Microsoft Excel om orderschema's te bepalen. Er worden ad-hocmethoden ontwikkeld die samenhangende reacties op operationele problemen in de weg staan en die niet zichtbaar zijn voor de rest van de organisatie (tenzij u wilt dat uw CFO de complexe en kieskeurige spreadsheet leert kennen). Deze methoden zijn vaak afhankelijk van vuistregels, middelingstechnieken of leerboekstatistieken zonder een volledig begrip van hun tekortkomingen of toepasbaarheid. En zelfs wanneer gedocumenteerd, ontdekken de meeste bedrijven vaak dat de daadwerkelijke bestelling afwijkt van het gedocumenteerde beleid. Een bedrijf waarvoor we overlegden, had voorraadniveaus bij de hand die routinematig 2 x de maximale hoeveelheid waren! Met andere woorden, er is helemaal geen beleid.

Samengevat, veel huidige voorraad- en vraagvoorspellingssystemen zijn ontwikkeld uit wantrouwen voor de suggesties van het vorige systeem, maar verbeteren de KPI's niet echt. Ze dwingen de organisatie ook om op een paar werknemers te vertrouwen om vraagprognoses, dagelijkse bestellingen en voorraadaanvulling te beheren.

En als er een probleem is, kan het uitvoerende team onmogelijk ontspannen hoe je daar bent gekomen, omdat er te veel bewegende delen zijn. Was de overtollige voorraad bijvoorbeeld de schuld van een onnauwkeurige vraagprognose die berustte op een middelingsmethode die geen rekening hield met een afnemende vraag? Of was het te wijten aan een verouderde instelling van de doorlooptijd die hoger was dan had moeten zijn? Of was het te wijten aan een prognose-override die een planner had gemaakt om rekening te houden met een bestelling die gewoon nooit is gebeurd? En wie gaf de feedback om die override te maken? Een klant? Verkoper?

Heeft u een van deze problemen? Als dat zo is, verspilt u elk jaar honderdduizenden tot miljoenen dollars aan onnodige tekortkosten, voorraadkosten en bestelkosten. Wat zou je met dat extra geld kunnen doen? Stelt u zich eens voor welke impact dit zou hebben op uw bedrijf.

Deze blog beschrijft de top 10 vragen die u kunt stellen om te ontdekken wat er echt gebeurt in uw bedrijf. We beschrijven de typische antwoorden die worden gegeven wanneer er niet echt een beleid voor prognoses/voorraadplanning bestaat, leggen uit hoe deze antwoorden moeten worden geïnterpreteerd en geven duidelijk advies over wat u eraan kunt doen.

 

Laat een reactie achter

gerelateerde berichten

Hebben uw statistische prognoses last van het wiggle-effect?

Hebben uw statistische prognoses last van het wiggle-effect?

Wat is het wiggle-effect? Het is wanneer uw statistische prognose de ups en downs die zijn waargenomen in uw vraaggeschiedenis onjuist voorspelt terwijl er echt geen patroon is. Het is belangrijk om ervoor te zorgen dat uw prognoses niet schommelen, tenzij er een echt patroon is. Hier is een transcriptie van een recente klant waar dit probleem werd besproken:

Hoe om te gaan met statistische prognoses van nul

Hoe om te gaan met statistische prognoses van nul

Een statistische voorspelling van nul kan veel verwarring veroorzaken bij voorspellers, vooral wanneer de historische vraag niet nul is. Natuurlijk, het is duidelijk dat de vraag naar beneden neigt, maar moet deze naar nul evolueren?

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. […]