De meeste vraagprognoses zijn gedeeltelijk of onvolledig: ze bieden slechts één enkel getal: de meest waarschijnlijke waarde van de toekomstige vraag. Dit wordt een puntvoorspelling genoemd. Gewoonlijk schat de puntvoorspelling de gemiddelde waarde van de toekomstige vraag.
Veel nuttiger is een voorspelling van de volledige waarschijnlijkheidsverdeling van de vraag op elk toekomstig tijdstip. Dit wordt vaker waarschijnlijkheidsvoorspelling genoemd en is veel nuttiger.
Het gemiddelde is niet het antwoord
Het enige voordeel van een puntvoorspelling is de eenvoud. Als uw ERP-systeem ook eenvoudig is, vult de puntprognose het ene getal in dat het ERP-systeem nodig heeft om personeelsplanning of inkoop van grondstoffen te doen.
Het nadeel van een puntvoorspelling is dat het te simpel is. Het negeert aanvullende informatie in de vraaggeschiedenis van een artikel die u een vollediger beeld kan geven van hoe de vraag zich zou kunnen ontvouwen: een kansprognose.
Verder gaan dan het gemiddelde: waarschijnlijkheidsvoorspellingen
Terwijl de puntprognose beperkte informatie geeft, bijv. "De meest waarschijnlijke vraag volgende maand is 15 eenheden", voegt de kansprognose cruciale informatie toe, bijv. "Er is een kans van 20% dat de vraag meer dan 28 eenheden zal bedragen en een kans van 10% dat het kleiner zijn dan 5 eenheden”.
Met deze informatie kunt u risicobeoordelingen en noodplannen maken. Contingency planning is nodig omdat de kans dat de puntvoorspelling daadwerkelijk klopt meestal maar klein is. Een waarschijnlijkheidsvoorspelling kan ook zeggen: "De kans dat de vraag 15 eenheden is, is slechts 10%, ook al is dit de meest waarschijnlijke waarde." Met andere woorden, er is een kans van 90% dat de puntvoorspelling verkeerd is. Dit soort fouten is geen fout in de prognoseberekeningen: het is de realiteit van het omgaan met vraagvolatiliteit. Het zou beter een "onzekerheid" kunnen worden genoemd dan een "fout".
Een operations manager kan de extra informatie in een kansprognose zowel informeel als formeel gebruiken. Informeel, zelfs als een ERP-systeem een enkelvoudige prognose als invoer vereist, zal een verstandige manager enig idee willen hebben van de risico's die aan die puntvoorspelling zijn verbonden, dwz de foutmarge. Een voorspelling van 15 ± 1 eenheid is dus een stuk veiliger dan een voorspelling van 15 ± 10. Het ± gedeelte is een compressie van een probabilistische voorspelling. Afbeelding 1 hieronder toont de vraaggeschiedenis van een item (rode lijn), puntprognoses voor de komende 12 maanden (groene lijn) en hun foutmarges (cyaankleurige lijnen). De laagste prognose van ongeveer 3.300 eenheden komt in juni uit, maar de werkelijke vraag kan wel 800 eenheden hoger of lager zijn.
Bonus: toepassing op voorraadbeheer
Voorraadbeheer vereist dat u de beschikbaarheid van artikelen afzet tegen de voorraadkosten. Het blijkt dat het kennen van de volledige waarschijnlijkheidsverdeling van de vraag over een doorlooptijd van aanvulling essentieel is om bestelpunten (ook wel minuten genoemd) op een rationele, wetenschappelijke basis te bepalen. Figuur 2 toont een waarschijnlijkheidsprognose van de totale vraag gedurende de 33 weken durende aanvultijd voor een bepaald reserveonderdeel. Hoewel de gemiddelde doorlooptijdvraag 3 eenheden is, is de meest waarschijnlijke vraag nul en is een bestelpunt van 14 nodig om ervoor te zorgen dat de kans op voorraad slechts 1% is. Nogmaals, het gemiddelde is niet het antwoord.
Meer weten is altijd beter dan minder weten en de waarschijnlijkheidsvoorspelling geeft net dat beetje extra cruciale informatie. Software kan al meer dan 40 jaar een puntvoorspelling leveren, maar moderne software kan het beter doen en het hele plaatje weergeven.
Figuur 1: De rode lijn toont de vraaggeschiedenis van een gereed product. De groene lijn toont de puntprognoses voor de komende 12 maanden. De blauwe lijnen geven de foutmarges in de 12-puntsvoorspellingen aan.
Afbeelding 2: Een probabilistische prognose van de vraag naar een reserveonderdeel gedurende een aanvultijd van 33 weken. De meest waarschijnlijke vraag is nul, de gemiddelde vraag is 3, maar een bestelpunt van 14 eenheden is vereist om slechts 1% kans te hebben dat de voorraad op is.
gerelateerde berichten
Maak van AI-gestuurde voorraadoptimalisatie een bondgenoot voor uw organisatie
In deze blog onderzoeken we hoe organisaties uitzonderlijke efficiëntie en nauwkeurigheid kunnen bereiken met AI-gestuurde voorraadoptimalisatie. Traditionele methoden voor voorraadbeheer schieten vaak tekort vanwege hun reactieve karakter en hun afhankelijkheid van handmatige processen. Het handhaven van optimale voorraadniveaus is van fundamenteel belang om aan de vraag van de klant te voldoen en tegelijkertijd de kosten te minimaliseren. De introductie van AI-gestuurde voorraadoptimalisatie kan de last van handmatige processen aanzienlijk verminderen, waardoor supply chain-managers worden ontlast van vervelende taken.
Dagelijkse vraagscenario's
In deze videoblog leggen we uit hoe tijdreeksvoorspellingen naar voren zijn gekomen als een cruciaal hulpmiddel, vooral op dagelijks niveau, waarmee Smart Software sinds de oprichting ruim veertig jaar geleden pionierde. De evolutie van bedrijfspraktijken van jaarlijkse naar meer verfijnde temporele stappen zoals maandelijkse en nu dagelijkse data-analyse illustreert een significante verschuiving in operationele strategieën.
Constructief spelen met Digital Twins
Degenen onder u die actuele onderwerpen volgen, zullen bekend zijn met de term ‘digitale tweeling’. Degenen die het te druk hebben gehad met hun werk, willen misschien verder lezen en bijpraten. Hoewel er verschillende definities van een digitale tweeling bestaan, is er één die goed werkt: een digitale tweeling is een dynamische virtuele kopie van een fysiek bezit, proces, systeem of omgeving die er hetzelfde uitziet en zich hetzelfde gedraagt als zijn tegenhanger in de echte wereld. Een digitale tweeling neemt gegevens op en repliceert processen, zodat u mogelijke prestatieresultaten en problemen kunt voorspellen die het echte product kan ondergaan.