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

Waarom voorraadplanning niet uitsluitend op eenvoudige vuistregels mag vertrouwen

Waarom voorraadplanning niet uitsluitend op eenvoudige vuistregels mag vertrouwen

Voor te veel bedrijven wordt een cruciaal stukje data-feitenonderzoek – het meten van vraagonzekerheid – afgehandeld met eenvoudige maar onnauwkeurige vuistregels. Vraagplanners berekenen bijvoorbeeld vaak de veiligheidsvoorraad op basis van een door de gebruiker gedefinieerd veelvoud van de voorspelling of het historische gemiddelde. Of ze kunnen hun ERP configureren om meer te bestellen wanneer de beschikbare voorraad gedurende de doorlooptijd twee keer de gemiddelde vraag bereikt voor belangrijke artikelen en 1,5 keer voor minder belangrijke artikelen. Dit is een grote fout met kostbare gevolgen.

Rechtstreeks naar het brein van de baas – voorraadanalyse en rapportage

Rechtstreeks naar het brein van de baas – voorraadanalyse en rapportage

In deze blog wordt de software in de schijnwerpers gezet die rapporten voor het management maakt, de stille held die de schoonheid van furieuze berekeningen vertaalt naar bruikbare rapporten. Kijk hoe de berekeningen, op ingewikkelde wijze begeleid door planners die onze software gebruiken, naadloos samenkomen in Smart Operational Analytics (SOA)-rapporten, waarbij vijf belangrijke gebieden worden verdeeld: voorraadanalyse, voorraadprestaties, voorraadtrends, leveranciersprestaties en vraagafwijkingen.

Je moet samenwerken met de algoritmen

Je moet samenwerken met de algoritmen

Dit artikel gaat over de echte kracht die voortkomt uit de samenwerking tussen u en onze software die binnen handbereik plaatsvindt. We schrijven vaak over de software zelf en wat er ‘onder de motorkap’ gebeurt. Deze keer is het onderwerp hoe je het beste met de software kunt samenwerken.

recente berichten

  • Waarom voorraadplanning niet uitsluitend op eenvoudige vuistregels mag vertrouwenWaarom voorraadplanning niet uitsluitend op eenvoudige vuistregels mag vertrouwen
    Voor te veel bedrijven wordt een cruciaal stukje data-feitenonderzoek – het meten van vraagonzekerheid – afgehandeld met eenvoudige maar onnauwkeurige vuistregels. Vraagplanners berekenen bijvoorbeeld vaak de veiligheidsvoorraad op basis van een door de gebruiker gedefinieerd veelvoud van de voorspelling of het historische gemiddelde. Of ze kunnen hun ERP configureren om meer te bestellen wanneer de beschikbare voorraad gedurende de doorlooptijd twee keer de gemiddelde vraag bereikt voor belangrijke artikelen en 1,5 keer voor minder belangrijke artikelen. Dit is een grote fout met kostbare gevolgen. […]
  • Direct naar het brein van de baas - InventarisanalyseRechtstreeks naar het brein van de baas – voorraadanalyse en rapportage
    In deze blog wordt de software in de schijnwerpers gezet die rapporten voor het management maakt, de stille held die de schoonheid van furieuze berekeningen vertaalt naar bruikbare rapporten. Kijk hoe de berekeningen, op ingewikkelde wijze begeleid door planners die onze software gebruiken, naadloos samenkomen in Smart Operational Analytics (SOA)-rapporten, waarbij vijf belangrijke gebieden worden verdeeld: voorraadanalyse, voorraadprestaties, voorraadtrends, leveranciersprestaties en vraagafwijkingen. […]
  • U moet samenwerken met de algoritmen voor voorraadbeheerJe moet samenwerken met de algoritmen
    Dit artikel gaat over de echte kracht die voortkomt uit de samenwerking tussen u en onze software die binnen handbereik plaatsvindt. We schrijven vaak over de software zelf en wat er ‘onder de motorkap’ gebeurt. Deze keer is het onderwerp hoe je het beste met de software kunt samenwerken. […]
  • Heroverweging van de nauwkeurigheid van prognoses, een verschuiving van nauwkeurigheid naar foutstatistiekenBeantwoord de precisie van het pronóstico: een precisie-cambio met de meetmetrieken
    Het meten van de nauwkeurigheid van prognoses is een onmiskenbaar belangrijk onderdeel van het vraagplanningsproces. Deze voorspellingsscorekaart zou kunnen worden opgebouwd op basis van een van de twee contrasterende gezichtspunten voor het berekenen van metrieken. Vanuit het foutperspectief wordt de vraag gesteld: “Hoe ver lag de voorspelling van de werkelijkheid?” Vanuit het nauwkeurigheidsperspectief wordt de vraag gesteld: “Hoe dicht lag de voorspelling bij de werkelijkheid?” Beide zijn geldig, maar foutstatistieken bieden meer informatie. […]
  • Het gebruik van belangrijke prestatievoorspellingen om het voorraadbeleid te plannen
    Ik kan me niet voorstellen dat ik een voorraadplanner ben op het gebied van reserveonderdelen, distributie of productie en dat ik veiligheidsvoorraden, bestelpunten en bestelsuggesties moet creëren zonder gebruik te maken van belangrijke prestatievoorspellingen van serviceniveaus, opvullingspercentages en voorraadkosten. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • 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. […]
    • Centrering Act Reserveonderdelen Timing Prijzen en betrouwbaarheidCentreringswet: timing, prijzen en betrouwbaarheid van reserveonderdelen
      In dit artikel begeleiden we u bij het opstellen van een voorraadplan voor reserveonderdelen, waarbij prioriteit wordt gegeven aan beschikbaarheidsstatistieken zoals serviceniveaus en vulpercentages, terwijl de kostenefficiëntie wordt gewaarborgd. We zullen ons concentreren op een benadering van voorraadplanning genaamd Service Level-Driven Inventory Optimization. Vervolgens bespreken we hoe u kunt bepalen welke onderdelen u in uw inventaris moet opnemen en welke onderdelen mogelijk niet nodig zijn. Ten slotte onderzoeken we manieren om uw op serviceniveau gebaseerde voorraadplan consistent te verbeteren. […]
    • 5 stappen om de financiële impact van reserveonderdelenplanning te verbeteren5 stappen om de financiële impact van reserveonderdelenplanning te verbeteren
      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. […]
    • Bottom Line-strategieën voor planningssoftware voor reserveonderdelenBottom Line-strategieën voor de planning van reserveonderdelen
      Het beheer van reserveonderdelen brengt tal van uitdagingen met zich mee, zoals onverwachte storingen, veranderende schema's en inconsistente vraagpatronen. Traditionele prognosemethoden en handmatige benaderingen zijn niet effectief in het omgaan met deze complexiteit. Om deze uitdagingen het hoofd te bieden, schetst deze blog de belangrijkste strategieën die prioriteit geven aan serviceniveaus, probabilistische methoden gebruiken om bestelpunten te berekenen, het voorraadbeleid regelmatig aanpassen en een speciaal planningsproces implementeren om overmatige voorraad te voorkomen. Verken deze strategieën om de inventaris van reserveonderdelen te optimaliseren en de operationele efficiëntie te verbeteren. […]