De slimme voorspeller

  Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Intermitterende, klonterige of ongelijkmatige vraag - met name voor artikelen met een lage vraag, zoals service en reserveonderdelen - is bijzonder moeilijk te voorspellen met enige nauwkeurigheid. De eigen probabilistische prognoses van Smart Software zijn aanzienlijk verbeterd nauwkeurigheid op serviceniveau. Als een van deze scenario's op uw bedrijf van toepassing is, zal probabilistische prognoses u helpen uw bedrijfsresultaten te verbeteren.

  • Heeft u een intermitterende of onregelmatige vraag met grote, onregelmatige pieken die vele malen groter zijn dan de gemiddelde vraag?
  • Is het moeilijk om zakelijke informatie te verkrijgen over wanneer de vraag waarschijnlijk weer zal stijgen?
  • Loopt u zakelijke kansen mis omdat u de vraag en de voorraadvereisten voor bepaalde onvoorspelbare producten niet nauwkeurig kunt voorspellen?
  • Moet u veel artikelen op voorraad houden, zelfs als er niet vaak naar wordt gevraagd, om u te onderscheiden van de concurrentie door een hoog serviceniveau te bieden?
  • Moet u onnodig grote investeringen in voorraad doen om onverwachte bestellingen en materiaalbehoeften te dekken?
  • Moet u ondanks lange doorlooptijden van leveranciers direct aan klanten leveren?

Als je ja hebt geantwoord op sommige of alle bovenstaande vragen, ben je niet de enige. Intermitterende vraag - ook wel bekend als onregelmatige, sporadische, klonterige of langzaam bewegende vraag - treft industrieën van alle soorten en maten: sectoren van kapitaalgoederen en apparatuur, auto's, luchtvaart, openbaar vervoer, industriële gereedschappen, speciale chemicaliën, nutsbedrijven en hightech, om er een paar op te noemen. En het maakt het voorspellen en plannen van de vraag buitengewoon moeilijk. Het kan veel meer zijn dan hoofdpijn; het kan een probleem van meerdere miljoenen dollars zijn, vooral voor MRO-bedrijven en anderen die reserve- en serviceonderdelen beheren en distribueren.

Het identificeren van intermitterende vraaggegevens is niet moeilijk. Het bevat doorgaans een groot percentage nulwaarden, met willekeurige waarden die niet gelijk zijn aan nul. Maar weinig prognoseoplossingen hebben bevredigende resultaten opgeleverd, zelfs in dit tijdperk van Big Data-analyse, voorspellende analyse, machinaal leren en kunstmatige intelligentie.

 

DOWNLOAD HET ARTIKEL

Traditionele benaderingen en hun afhankelijkheid van een veronderstelde vraagverdeling

Traditionele statistische prognosemethoden, zoals exponentiële afvlakking en voortschrijdende gemiddelden, werken goed wanneer de gegevens over de vraag naar producten normaal of vloeiend zijn, maar geven geen nauwkeurige resultaten met intermitterende gegevens. Veel geautomatiseerde prognosetools werken niet omdat ze werken door patronen in vraaggeschiedenisgegevens te identificeren, zoals trend en seizoensinvloeden. Maar met intermitterende vraaggegevens zijn patronen bijzonder moeilijk te herkennen. Deze methoden hebben ook de neiging om de speciale rol van nulwaarden bij het analyseren en voorspellen van de vraag te negeren. Toch kunnen sommige conventionele statistische prognosemethoden geloofwaardige prognoses van de gemiddeld vraag per periode. Wanneer de vraag echter met tussenpozen is, is een prognose van de gemiddelde vraag lang niet voldoende voor voorraadplanning. Nauwkeurige schattingen van de volledige distributie (dwz complete set) van alle mogelijke doorlooptijdvraagwaarden zijn nodig. Zonder dit produceren deze methoden misleidende invoer voor modellen voor voorraadbeheer - met kostbare gevolgen.

Samenwerking met versnellingen en statistische prognosemodellering

 

Om bestelpunten, order-up-to-niveaus en veiligheidsvoorraden voor voorraadplanning te produceren, zijn veel prognosebenaderingen gebaseerd op aannames over de vraag en de doorlooptijdverdeling. Sommigen gaan ervan uit dat de waarschijnlijkheidsverdeling van de totale vraag naar een bepaald productitem over een doorlooptijd (doorlooptijdvraag) zal lijken op een normale, klassieke klokvormige curve. Andere benaderingen kunnen berusten op een Poisson-verdeling of een andere distributie uit een leerboek. Bij intermitterende vraag is een one-size-fits-all-benadering problematisch omdat de daadwerkelijke verdeling vaak niet overeenkomt met de veronderstelde verdeling. Wanneer dit gebeurt, zullen schattingen van de buffervoorraad verkeerd zijn. Dit is met name het geval bij het beheer van reserveonderdelen (tabel 1).

Voor elk artikel dat met tussenpozen wordt gevraagd, kan het belang van een nauwkeurige voorspelling van de volledige verdeling van alle mogelijke doorlooptijdvraagwaarden - niet slechts één getal dat de gemiddelde of meest waarschijnlijke vraag per periode weergeeft - niet genoeg worden benadrukt. Deze prognoses zijn belangrijke input voor de modellen voor voorraadbeheer die correcte procedures aanbevelen voor de timing en omvang van aanvullingsorders (bestelpunten en bestelhoeveelheden). Ze zijn met name essentieel in omgevingen met reserveonderdelen, waar ze nodig zijn om de inventarisvereisten van het klantenserviceniveau nauwkeurig in te schatten (bijvoorbeeld een waarschijnlijkheid van 95 of 99 procent dat een artikel niet op voorraad is) om gedurende een doorlooptijd aan de totale vraag te voldoen. Voorraadplanningsafdelingen moeten erop kunnen vertrouwen dat wanneer ze een gewenst serviceniveau nastreven, ze dat doel zullen bereiken. Als het prognosemodel consequent een ander serviceniveau oplevert dan beoogd, wordt de voorraad verkeerd beheerd en neemt het vertrouwen in het systeem af.

Geconfronteerd met deze uitdaging vertrouwen veel organisaties op solliciteren vuistregel gebaseerd op benaderingen om de voorraadniveaus te bepalen of zullen oordeelkundige aanpassingen toepassen op hun statistische prognoses, waarvan ze hopen dat ze toekomstige activiteiten nauwkeuriger zullen voorspellen op basis van zakelijke ervaringen uit het verleden. Maar er zijn ook verschillende problemen met deze benaderingen.

Vuistregelbenaderingen negeren variabiliteit in vraag en doorlooptijd. Ze worden ook niet bijgewerkt voor veranderingen in vraagpatronen en bieden geen kritische informatie informatie over ruilen over de relatie tussen serviceniveaus en voorraadkosten.

Oordelende prognoses zijn niet haalbaar wanneer het gaat om grote aantallen (duizenden en tienduizenden) items. Bovendien geven de meeste oordelende prognoses een schatting op basis van één getal in plaats van een voorspelling van de volledige verdeling van doorlooptijdvraagwaarden. Ten slotte is het gemakkelijk om onbedoeld maar onjuist een neerwaartse (of opwaartse) trend in de vraag te voorspellen, op basis van verwachtingen, wat resulteert in ondervoorraad (of overbevoorrading).

 

Hoe werkt probabilistische vraagvoorspelling in de praktijk?

Hoewel de volledige architectuur van deze technologie aanvullende eigendomskenmerken bevat, demonstreert een eenvoudig voorbeeld van de aanpak het nut van de techniek. Zie tabel 1.

met tussenpozen gevraagde spreadsheet met productitems

Tabel 1. Maandelijkse vraagwaarden voor een serviceonderdeel.

De 24 maandelijkse vraagwaarden voor een serviceonderdeelitem zijn typerend voor periodieke vraag. Stel dat u prognoses nodig heeft van de totale vraag naar dit artikel in de komende drie maanden, omdat uw onderdelenleverancier drie maanden nodig heeft om een bestelling uit te voeren om de voorraad aan te vullen. De probabilistische benadering is om monsters te nemen van de 24 maandelijkse waarden, met vervanging, drie keer, waardoor een scenario ontstaat van de totale vraag gedurende de doorlooptijd van drie maanden.

Hoe werkt de nieuwe methode voor het voorspellen van intermitterende vraag?

Figuur 1. De resultaten van 25.000 scenario's.

 

U kunt willekeurig maanden 6, 12 en 4 selecteren, wat u vraagwaarden geeft van respectievelijk 0, 6 en 3 voor een totale doorlooptijdvraag (in eenheden) van 0 + 6 + 3 = 9. Vervolgens herhaalt u dit proces , misschien willekeurig maanden 19, 8 en 14 selecteren, wat een doorlooptijdvraag geeft van 0 + 32 + 0 = 32 eenheden. Door dit proces voort te zetten, kunt u een statistisch nauwkeurig beeld krijgen van de volledige verdeling van mogelijke doorlooptijdvraagwaarden voor dit artikel. Afbeelding 1 toont de resultaten van 25.000 van dergelijke scenario's, wat aangeeft (in dit voorbeeld) dat de meest waarschijnlijke waarde voor de doorlooptijdvraag nul is, maar dat de doorlooptijdvraag wel 70 of meer eenheden kan zijn. Het weerspiegelt ook de reële mogelijkheid dat vraagwaarden die niet gelijk zijn aan nul voor het deelitem die in de toekomst voorkomen, kunnen verschillen van die in het verleden.

Met de high-speed rekenbronnen die vandaag beschikbaar zijn in de cloud, kunnen probabilistische prognosemethoden snelle en realistische prognoses geven van de totale doorlooptijdvraag voor duizenden of tienduizenden periodiek gevraagde productitems. Deze prognoses kunnen vervolgens rechtstreeks in modellen voor voorraadbeheer worden ingevoerd om ervoor te zorgen dat er voldoende voorraad beschikbaar is om aan de vraag van de klant te voldoen. Dit zorgt er ook voor dat er niet meer voorraad wordt aangehouden dan nodig is, waardoor de kosten worden geminimaliseerd.

 

Een in de praktijk bewezen methode die werkt

Klanten die de technologie hebben geïmplementeerd, hebben ontdekt dat het de nauwkeurigheid van de klantenservice verhoogt en de voorraadkosten aanzienlijk verlaagt.

Magazijn of opslag krijgt voorraadoptimalisatie

De opslagoperatie van een landelijke hardwaredetailhandelaar voorspelde voorraadbehoeften voor 12.000 periodiek gevraagde SKU's met een serviceniveau van 95 en 99 procent. De prognoseresultaten waren bijna 100 procent nauwkeurig. Bij het serviceniveau van 95 procent was 95,23 procent van de artikelen niet op voorraad (95 procent zou perfect zijn geweest). Bij het serviceniveau van 99 procent was 98,66 procent van de artikelen niet op voorraad (99 procent zou perfect zijn geweest).

De vliegtuigonderhoudsoperatie van een wereldwijd bedrijf behaalde vergelijkbare prognoseresultaten op serviceniveau met 6.000 SKU's. Potentiële jaarlijkse besparingen op voorraadkosten werden geschat op $3 miljoen. De aftermarket-business unit van een leverancier uit de auto-industrie, waarvan tweederde van de 7.000 SKU's een sterk wisselende vraag vertoont, voorspelde ook $3 miljoen aan jaarlijkse kostenbesparingen.

Dat de uitdaging van het voorspellen van de intermitterende vraag naar producten inderdaad is gehaald, is goed nieuws voor fabrikanten, distributeurs en onderdelen/MRO-bedrijven. Met cloud computing is de in de praktijk bewezen probabilistische methode van Smart Software nu toegankelijk voor niet-statistici en kan deze op schaal worden toegepast op tienduizenden onderdelen. Vraaggegevens die ooit onvoorspelbaar waren, vormen niet langer een obstakel voor het bereiken van de hoogste klantenserviceniveaus met de laagst mogelijke investering in voorraad.

 

Plaats stukken met de hand om een pijl te bouwen

DOWNLOAD HET ARTIKEL

Laat een reactie achter

gerelateerde berichten

Gebruikmaken van Epicor Kinetic Planning BOM's met Smart IP&O voor nauwkeurige prognoses

Gebruikmaken van Epicor Kinetic Planning BOM's met Smart IP&O voor nauwkeurige prognoses

In deze blog onderzoeken we hoe het gebruik van Epicor Kinetic Planning BOM's met Smart IP&O uw benadering van forecasting in een zeer configureerbare productieomgeving kan transformeren. Ontdek hoe Smart, een geavanceerde AI-gestuurde oplossing voor vraagplanning en voorraadoptimalisatie, de complexiteit van het voorspellen van de vraag naar eindproducten kan vereenvoudigen, vooral als het om verwisselbare componenten gaat. Ontdek hoe het plannen van stuklijsten en geavanceerde prognosetechnieken bedrijven in staat stelt nauwkeuriger te anticiperen op de behoeften van klanten, waardoor de operationele efficiëntie wordt gewaarborgd en een voorsprong behouden in een concurrerende markt.

De volgende grens in Supply Chain Analytics

De volgende grens in Supply Chain Analytics

Wij geloven dat de ontwikkeling van digitale tweelingen van voorraadsystemen de leidende factor op het gebied van supply chain-analyse is. Deze tweelingen nemen de vorm aan van discrete gebeurtenismodellen die Monte Carlo-simulatie gebruiken om het volledige scala aan operationele risico's te genereren en te optimaliseren. We beweren ook dat wij en onze collega's bij Smart Software een grote rol hebben gespeeld bij het smeden van die voorsprong.

Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie

Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie

In deze blog bespreken we de snelle en onvoorspelbare markt van vandaag en de voortdurende uitdagingen waarmee bedrijven worden geconfronteerd bij het efficiënt beheren van hun voorraad- en serviceniveaus. Het hoofdonderwerp van deze discussie, geworteld in het concept van ‘probabilistische voorraadoptimalisatie’, richt zich op de manier waarop moderne technologie kan worden ingezet om optimale service- en voorraaddoelstellingen te bereiken te midden van onzekerheid. Deze aanpak pakt niet alleen de traditionele problemen met voorraadbeheer aan, maar biedt ook een strategische voorsprong bij het omgaan met de complexiteit van vraagschommelingen en verstoringen van de toeleveringsketen.

recente berichten

  • Simple Inventory Optimization is Good Except When It Isn’t FHDEenvoudig is goed, behalve als dat niet het geval is
    In this blog, we are steering the conversation towards the transformative potential of technology in inventory management. The discussion centers around the limitations of simple thinking in managing inventory control processes and the necessity of adopting systematic software solutions. […]
  • Gebruikmaken van Epicor Kinetic Planning BOM's met slimme IP&O om nauwkeurig HD te voorspellenGebruikmaken van Epicor Kinetic Planning BOM's met Smart IP&O voor nauwkeurige prognoses
    In deze blog onderzoeken we hoe het gebruik van Epicor Kinetic Planning BOM's met Smart IP&O uw benadering van forecasting in een zeer configureerbare productieomgeving kan transformeren. Ontdek hoe Smart, een geavanceerde AI-gestuurde oplossing voor vraagplanning en voorraadoptimalisatie, de complexiteit van het voorspellen van de vraag naar eindproducten kan vereenvoudigen, vooral als het om verwisselbare componenten gaat. Ontdek hoe het plannen van stuklijsten en geavanceerde prognosetechnieken bedrijven in staat stelt nauwkeuriger te anticiperen op de behoeften van klanten, waardoor de operationele efficiëntie wordt gewaarborgd en een voorsprong behouden in een concurrerende markt. […]
  • Twee multi-echelon inventarisoptimalisatie Neuraal netwerk AIDe volgende grens in Supply Chain Analytics
    Wij geloven dat de ontwikkeling van digitale tweelingen van voorraadsystemen de leidende factor op het gebied van supply chain-analyse is. Deze tweelingen nemen de vorm aan van discrete gebeurtenismodellen die Monte Carlo-simulatie gebruiken om het volledige scala aan operationele risico's te genereren en te optimaliseren. We beweren ook dat wij en onze collega's bij Smart Software een grote rol hebben gespeeld bij het smeden van die voorsprong. […]
  • SMART sluit zich aan bij EPICOREpicor verwerft slimme software voor AI-aangedreven technologieën voor voorraadplanning en -optimalisatie
    De overname brengt twee bedrijven samen die nauw op elkaar zijn afgestemd om organisaties te helpen op het juiste moment tot de juiste inzichten te komen en actie te ondernemen om de bedrijfsprestaties te maximaliseren. . […]
  • Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatieOnzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie
    In deze blog bespreken we de snelle en onvoorspelbare markt van vandaag en de voortdurende uitdagingen waarmee bedrijven worden geconfronteerd bij het efficiënt beheren van hun voorraad- en serviceniveaus. Het hoofdonderwerp van deze discussie, geworteld in het concept van 'probabilistische voorraadoptimalisatie', richt zich op de manier waarop moderne technologie kan worden ingezet om optimale service- en voorraaddoelstellingen te bereiken te midden van onzekerheid. Deze aanpak pakt niet alleen traditionele problemen met voorraadbeheer aan, maar biedt ook een strategische voorsprong bij het omgaan met de complexiteit van vraagschommelingen en verstoringen van de toeleveringsketen. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebbenWaarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebben
      MRO-organisaties bestaan in een breed scala van industrieën, waaronder openbaar vervoer, elektriciteitsbedrijven, afvalwater, waterkracht, luchtvaart en mijnbouw. Om hun werk gedaan te krijgen, gebruiken MRO-professionals Enterprise Asset Management (EAM) en Enterprise Resource Planning (ERP)-systemen. Deze systemen zijn ontworpen om veel taken uit te voeren. Gezien hun kenmerken, kosten en uitgebreide implementatievereisten wordt aangenomen dat EAM- en ERP-systemen het allemaal kunnen. In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen. […]
    • Vraag naar reserveonderdelen voorspellen-een-ander-perspectief-voor-planning-service-onderdelenDe voorspelling is belangrijk, maar misschien niet zoals u denkt
      Waar of niet waar: de prognose is niet van belang voor het voorraadbeheer van reserveonderdelen. Op het eerste gezicht lijkt deze verklaring duidelijk onjuist. Prognoses zijn immers cruciaal voor het plannen van de voorraadniveaus, toch? Het hangt ervan af wat je onder ‘voorspelling’ verstaat. Als u een ouderwetse prognose met één cijfer bedoelt (“de vraag naar artikel CX218b zal volgende week 3 eenheden bedragen en de week erna 6 eenheden”), dan nee. Als je de betekenis van voorspelling verruimt tot een kansverdeling die rekening houdt met onzekerheden in zowel vraag als aanbod, dan ja. […]
    • Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraadWaarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad
      Geven MRO-bedrijven echt prioriteit aan het verminderen van de overtollige voorraad reserveonderdelen? Vanuit organisatorisch oogpunt blijkt uit onze ervaring dat dit niet noodzakelijk het geval is. Discussies in de bestuurskamer gaan doorgaans over het uitbreiden van wagenparken, het verwerven van nieuwe klanten, het voldoen aan Service Level Agreements (SLA's), het moderniseren van de infrastructuur en het maximaliseren van de uptime. In bedrijfstakken waar activa die worden ondersteund door reserveonderdelen honderden miljoenen kosten of aanzienlijke inkomsten genereren (bijvoorbeeld de mijnbouw of de olie- en gassector), doet de waarde van de voorraad nauwelijks de wenkbrauwen fronsen en hebben organisaties de neiging grote hoeveelheden buitensporige voorraden over het hoofd te zien. […]
    • Belangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelenBelangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelen
      In het huidige competitieve zakelijke landschap zijn bedrijven voortdurend op zoek naar manieren om hun operationele efficiëntie te verbeteren en meer inkomsten te genereren. Het optimaliseren van het beheer van serviceonderdelen is een vaak over het hoofd gezien aspect dat een aanzienlijke financiële impact kan hebben. Bedrijven kunnen de algehele efficiëntie verbeteren en aanzienlijke financiële opbrengsten genereren door de voorraad reserveonderdelen effectief te beheren. Dit artikel gaat in op de economische implicaties van geoptimaliseerd beheer van serviceonderdelen en hoe investeren in software voor voorraadoptimalisatie en vraagplanning een concurrentievoordeel kan opleveren. […]