De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Als je op de hoogte blijft van het nieuws over supply chain-analyse, u komt vaker de uitdrukking "probabilistische prognoses" tegen. Als deze zin raadselachtig is, lees dan verder.

U weet waarschijnlijk al wat 'voorspelling' betekent. En je weet waarschijnlijk ook dat er veel verschillende manieren lijken te zijn om het te doen. En je hebt waarschijnlijk scherpe kleine zinnen gehoord als 'elke voorspelling is verkeerd'. Dus je weet dat een soort van wiskundige zou kunnen berekenen dat "de voorspelling is dat u volgende maand 100 eenheden zult verkopen", en dan zou u 110 eenheden kunnen verkopen, in welk geval u een 10%-voorspellingsfout heeft.

Je weet misschien niet dat wat ik zojuist heb beschreven een bepaald soort voorspelling is, een 'puntvoorspelling'. Een puntenvoorspelling wordt zo genoemd omdat deze uit slechts een enkel getal bestaat (dwz één punt op de getallenlijn, als je je de getallenlijn herinnert uit je jeugd).

Punt voorspellingen hebben één deugd: ze zijn eenvoudig. Ze hebben ook een fout: ze geven aanleiding tot snauwende uitspraken als 'elke voorspelling is verkeerd'. Dat wil zeggen, in de meeste realistische gevallen is het onwaarschijnlijk dat de werkelijke waarde exact gelijk zal zijn aan de voorspelling. (Wat niet zo erg is als de voorspelling dichtbij genoeg is.)

Dit brengt ons bij 'probabilistische voorspellingen'. Deze aanpak is een stap verder, want in plaats van een voorspelling met één cijfer (punt) te produceren, levert het een kansverdeling op voor de voorspelling. En in tegenstelling tot traditionele extrapolatieve modellen die puur op historische gegevens vertrouwen, hebben probabilistische voorspellingen de mogelijkheid om toekomstige waarden te simuleren die niet verankerd zijn in het verleden.

"Waarschijnlijkheidsverdeling" is een verbiedende uitdrukking, die wat mysterieuze wiskunde oproept waar je misschien van hebt gehoord maar nooit hebt bestudeerd. Gelukkig hebben de meeste volwassenen genoeg levenservaring om het concept intuïtief te begrijpen. Wanneer afgebroken, is het vrij eenvoudig te begrijpen.

Stel je de simpele handeling voor van het opgooien van twee munten. Je zou dit onschuldig plezier kunnen noemen, maar ik noem het een 'probabilistisch experiment'. Het totale aantal kop dat op de twee munten verschijnt, is nul, één of twee. Het opgooien van twee munten is een 'willekeurig experiment'. Het resulterende aantal koppen is een "willekeurige variabele". Het heeft een "kansverdeling", wat niets meer is dan een tabel van hoe waarschijnlijk het is dat de willekeurige variabele een van zijn mogelijke waarden zal blijken te hebben. De kans om twee kop te krijgen als de munten eerlijk zijn, is ¼, net als de kans op geen kop. De kans op één kop is ½.

Dezelfde benadering kan een interessantere willekeurige variabele beschrijven, zoals de dagelijkse vraag naar een reserveonderdeel. Figuur 2 toont een dergelijke kansverdeling. Het werd berekend door drie jaar dagelijkse vraaggegevens te verzamelen over een bepaald onderdeel dat wordt gebruikt in een wetenschappelijk instrument dat aan ziekenhuizen wordt verkocht.

 

Probabilistische vraagvoorspelling 1

Figuur 1: De kansverdeling van de dagelijkse vraag naar een bepaald reserveonderdeel

 

De verdeling in figuur 1 kan worden gezien als een probabilistische voorspelling van de vraag op één dag. Voor dit specifieke onderdeel zien we dat de voorspelling zeer waarschijnlijk nul zal zijn (97% kans), maar soms voor een handvol eenheden, en eens in de drie jaar twintig eenheden. Hoewel de meest waarschijnlijke voorspelling nul is, zou je er een paar bij de hand willen houden als dit onderdeel van cruciaal belang zou zijn ("... bij gebrek aan een spijker ...")

Laten we deze informatie nu gebruiken om een meer gecompliceerde probabilistische voorspelling te maken. Stel dat je drie eenheden bij de hand hebt. Hoeveel dagen duurt het voordat je er geen hebt? Er zijn veel mogelijke antwoorden, variërend van een enkele dag (als u onmiddellijk een vraag krijgt voor drie of meer) tot een zeer groot aantal (aangezien 97% dagen geen vraag ziet). De analyse van deze vraag is een beetje ingewikkeld vanwege de vele manieren waarop deze situatie zich kan voordoen, maar het uiteindelijke antwoord dat het meest informatief is, is een kansverdeling. Het blijkt dat het aantal dagen totdat er geen eenheden meer in voorraad zijn de verdeling heeft zoals weergegeven in figuur 2.

Probabilistische vraagvoorspelling 2

Figuur 2: Verdeling van het aantal dagen totdat alle drie de units op zijn

 

Het gemiddelde aantal dagen is 74, wat een puntvoorspelling zou zijn, maar er is veel variatie rond het gemiddelde. Vanuit het perspectief van voorraadbeheer valt op dat er een kans van 25% is dat alle units na 32 dagen op zijn. Dus als u besluit om meer te bestellen terwijl er nog maar drie in het schap liggen, zou het goed zijn als de leverancier ze u bezorgt voordat er een maand is verstreken. Als ze dat niet konden, zou je een kans van 75% hebben om de voorraad op te slaan - niet goed voor een cruciaal onderdeel.

De analyse achter figuur 2 omvatte het maken van enkele aannames die handig waren, maar niet nodig als ze niet waar waren. De resultaten kwamen van een methode genaamd "Monte Carlo-simulatie", waarin we beginnen met drie eenheden, een willekeurige vraag kiezen uit de verdeling in figuur 1, deze aftrekken van de huidige voorraad en doorgaan totdat de voorraad op is, waarbij wordt geregistreerd hoeveel dagen gingen voorbij voordat je op was. Herhaling van dit proces 100.000 keer geproduceerd Figuur 2.

Toepassingen van Monte Carlo-simulatie strekken zich uit tot problemen met een nog grotere reikwijdte dan het bovenstaande voorbeeld "wanneer zijn we op". Vooral belangrijk zijn Monte Carlo-voorspellingen van de toekomstige vraag. Hoewel het gebruikelijke voorspellingsresultaat een reeks puntvoorspellingen is (bijvoorbeeld de verwachte vraag per eenheid in de komende twaalf maanden), weten we dat er een aantal manieren zijn waarop de werkelijke vraag zich zou kunnen voordoen. Simulatie zou kunnen worden gebruikt om bijvoorbeeld duizend mogelijke sets van 365 dagelijkse vraagbehoeften te produceren.

Deze reeks vraagscenario's zou het scala aan mogelijke situaties waarmee een voorraadsysteem het hoofd zou moeten bieden, vollediger blootleggen. Dit gebruik van simulatie wordt "stresstesten" genoemd, omdat het een systeem blootstelt aan een reeks gevarieerde maar realistische scenario's, waaronder enkele vervelende. Die scenario's worden vervolgens ingevoerd in wiskundige modellen van het systeem om te zien hoe goed het zal omgaan, zoals weerspiegeld in key performance indicators (KPI's). Hoeveel stockouts zijn er bijvoorbeeld in die duizend gesimuleerde jaren van werking in het slechtste jaar? het gemiddelde jaar? het beste jaar? Wat is in feite de volledige kansverdeling van het aantal stockouts in een jaar, en wat is de verdeling van hun omvang?

Figuren 3 en 4 illustreren probabilistische modellering van een voorraadbeheersysteem dat stockouts omzet in backorders. Het gesimuleerde systeem gebruikt een Min/Max-regelbeleid met Min = 10 eenheden en Max = 20 eenheden.

Figuur 3 toont een gesimuleerd jaar van dagelijkse operaties in vier plots. De eerste grafiek toont een bepaald patroon van willekeurige dagelijkse vraag waarin de gemiddelde vraag gestaag toeneemt van maandag tot vrijdag, maar in het weekend verdwijnt. De tweede grafiek toont het aantal eenheden dat elke dag voorhanden is. Merk op dat er tijdens dit gesimuleerde jaar een tiental keren is dat de voorraad negatief wordt, wat wijst op stockouts. De derde grafiek toont de omvang en timing van aanvullingsorders. De vierde grafiek toont de omvang en timing van backorders. De informatie in deze plots kan worden vertaald in schattingen van voorraadinvesteringen, gemiddelde eenheden voorhanden, houdkosten, bestelkosten en tekortkosten.

Probabilistische vraagvoorspelling 3

Figuur 3: Een gesimuleerd jaar van werking van het voorraadsysteem

 

Figuur 3 toont één van duizend gesimuleerde jaren. Elk jaar zal verschillende dagelijkse eisen hebben, wat resulteert in verschillende waarden van statistieken, zoals beschikbare eenheden en de verschillende componenten van de bedrijfskosten. Figuur 4 geeft de verdeling weer van 1.000 gesimuleerde waarden van vier KPI's. Door 1000 jaar ingebeelde werking te simuleren, wordt het bereik van mogelijke resultaten blootgelegd, zodat planners niet alleen rekening kunnen houden met gemiddelde resultaten, maar ook de best-case en worst-case-waarden kunnen zien.

Probabilistische vraagvoorspelling 4

Figuur 4: Verdelingen van vier KPI's op basis van 1.000 simulaties

 

Monte Carlo-simulatie is een benadering met weinig wiskunde en hoge resultaten voor probabilistische prognoses: zeer praktisch en gemakkelijk uit te leggen. Geavanceerde probabilistische voorspellingsmethoden die door Smart Software worden gebruikt, breiden uit op de standaard Monte Carlo-simulatie en leveren uiterst nauwkeurige schattingen van de vereiste voorraadniveaus op.

 

Laat een reactie achter

gerelateerde berichten

Smart Software kondigt patent van de volgende generatie aan

Smart Software kondigt patent van de volgende generatie aan

Smart Software is verheugd de toekenning van US Patent 11,656,887 aan te kondigen. Het patent leidt “technische oplossingen voor het analyseren van historische vraaggegevens van middelen in een technologieplatform om het beheer van een geautomatiseerd proces in het platform te vergemakkelijken.

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

  • What is Inventory Control Planning Management Optimization DictionaryWhat is Inventory Planning? A Brief Dictionary of Inventory-Related Terms
    People involved in the supply chain are likely to have questions about various inventory terms and methods used in their jobs. This note may help by explaining these terms and showing how they relate. […]
  • artificial intelligence ai and machine learning inventory managementVerward over AI en Machine Learning?
    Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn. […]
  • 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. […]
  • Balans,Concept,Met,Chroom,Ballen,software voor voorraadoptimalisatieHoe u voorraadvereisten kunt voorspellen
    Het voorspellen van voorraadbehoeften is een gespecialiseerde variant van prognoses die zich richt op de bovenkant van het bereik van mogelijke toekomstige vraag. Traditionele methoden zijn vaak gebaseerd op klokvormige vraagcurves, maar dit is niet altijd accuraat. In dit artikel duiken we in de complexiteit van deze praktijk, vooral als het gaat om de intermitterende vraag. […]
  • Demand Planning tweelingbroers met prognosetoolsZes best practices voor vraagplanning waar u twee keer over moet nadenken
    Op elk gebied, inclusief voorspellingen, wordt volkswijsheid verzameld die zich uiteindelijk voordoet als ‘best practices’. Deze best practices zijn vaak verstandig, althans gedeeltelijk, maar missen vaak context en zijn mogelijk niet geschikt voor bepaalde klanten, sectoren of bedrijfssituaties. Er zit vaak een addertje onder het gras: een ‘ja, maar’. Deze opmerking gaat over zes doorgaans juiste voorspellingen, die niettemin hun kanttekeningen plaatsen. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • 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. […]
    • professionele technicus-ingenieur die reserveonderdelen plant in industriële productiefabriek,Bereid uw reserveonderdelenplanning voor op onverwachte schokken
      In het onvoorspelbare zakenklimaat van vandaag moeten we ons zorgen maken over verstoringen in de toeleveringsketen, lange doorlooptijden, stijgende rentetarieven en een volatiele vraag. Met al deze uitdagingen is het voor organisaties nog nooit zo belangrijk geweest om het gebruik van onderdelen en voorraadniveaus nauwkeurig te voorspellen en het bevoorradingsbeleid, zoals bestelpunten, veiligheidsvoorraden en bestelhoeveelheden, te optimaliseren. In deze blog onderzoeken we hoe bedrijven gebruik kunnen maken van innovatieve oplossingen, zoals voorraadoptimalisatie en software voor het voorspellen van onderdelen die gebruikmaken van machine learning-algoritmen, probabilistische prognoses en analyses om voorop te blijven lopen en hun toeleveringsketens te beschermen tegen onverwachte schokken. […]