De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Een voorraadbeheerder die verantwoordelijk is voor 10.000 artikelen heeft elke dag 10.000 dingen om zich druk over te maken. Verdubbel dat voor iemand die verantwoordelijk is voor 20.000 items.

In de drukte van het bedrijfsleven komen routinematige beslissingen vaak op de tweede plaats na brandbestrijding: omgaan met haperingen van leveranciers, het rechtzetten van papierwerkfouten, herstellen van die botsing tussen een vrachtwagen en het laadperron.

In de tussentijd echter van uw bedrijf geaccumuleerd voorraadbeheerbeleid blijven doen wat ze doen, zelfs als ze geld lekken. Een goede manager zal tijd vrijmaken om naar het 'achtergrondgeluid' te luisteren, zelfs als hij of zij luid gekraak hoort in het magazijn.

Overweeg de huidige instellingen voor uw voorraadbeheerparameters (bijv. bestelpunten en bestelhoeveelheden). Het is gemakkelijk om dit te zien als "vuur en vergeet" beslissingen. Maar deze instellingen stapelen zich meestal op in de loop van de tijd en vormen uiteindelijk een mengelmoes van vergeten beoordelingsvragen die mogelijk niet goed zijn afgestemd op uw huidige besturingsomgeving. Veel factoren kunnen afwijken van hun eerdere niveaus, zoals doorlooptijden van leveranciers, bestelkosten of gemiddelde vraag naar artikelen. Deze veranderingen kunnen onzichtbare compromissen afdwingen die niet in uw voordeel zijn.

Het is verstandig om deze besturingsinstellingen af en toe opnieuw te bekijken om te zien of het mogelijk is om uw dagelijkse activiteiten af te stemmen op de huidige realiteit. Het zou voor een drukke manager natuurlijk ondoenlijk zijn om handmatig de effecten te berekenen van het wijzigen van de besturingsinstellingen op bijvoorbeeld 10.000 artikelen. Maar dat is waar moderne software voor voorraadoptimalisatie en vraagplanning voor is: het mogelijk maken van grootschalige analytische taken. Met dergelijke software kunt u automatisch nieuwe informatie verwerken en aanpassingen op schaal berekenen. Het resultaat zal zijn gemakkelijke overwinningen – waarvan er vele anders niet zouden worden gerealiseerd. En als u hier en daar een beetje bespaart, levert dat aanzienlijke bedragen op als u duizenden items beheert.

Overweeg dit voorbeeld. Bedrijf A maakt gebruik van een periodiek inventarisatiesysteem. Elke 30 dagen controleren ze de voorhanden voorraad van al hun artikelen en beslissen hoeveel aanvullingsvoorraad ze willen bestellen. Elk van hun 10.000 artikelen heeft een bepaald Order-Up-To-niveau dat de omvang van hun aanvullingsorders bepaalt.

Stel dat artikel 1234 een Order-Up-To-niveau van 74 heeft, bepaald door rekening te houden met de gemiddelde artikelvraag van 1,0 eenheden per dag, een gemiddelde doorlooptijd voor aanvulling van 8 dagen en een beoogde opvullingsgraad van 90% voor dit artikel . De keuze van 74 als order-up-to-niveau zorgt ervoor dat bedrijf A zijn 90%-doelstelling voor het opvullingspercentage voor artikel 1234 kan halen, maar het resulteert ook in een gemiddeld voorraadniveau van 40 eenheden. Bij $1.500 per eenheid vertegenwoordigt dit artikel alleen al $45.000 aan voorraadinvesteringen.

Stel nu dat de gemiddelde vraag naar artikelen zou stijgen van 1,0 naar 1,2 eenheden/dag. Zonder dat iemand het merkt, zou het opvullingspercentage voor artikel 1234 dalen tot 82%!

Stel nu dat de vraag in de andere richting zou verschuiven en zou dalen tot 0,8 eenheden/dag. Net als bij de toename van de gemiddelde vraag van 1,0 naar 1,2 eenheden/dag, is dit soort verandering moeilijk te zien als je naar een perceel kijkt (zie figuur 1), maar het kan een aanzienlijke operationele impact hebben. In dit geval zou het opvullingspercentage zoomen naar een genereuze 96%, maar de beschikbare voorraad zou ook zoomen: van 40 eenheden naar 46. Die zes extra eenheden zouden $9.000 extra voorraad vertegenwoordigen.

Figuur 1: Voorbeelden van dagelijkse vraag met twee verschillende gemiddelde waarden. Het verschil in vraag is met het blote oog niet waarneembaar, maar als er geen rekening mee wordt gehouden, heeft dit een grote operationele impact op voorraaduitgaven en serviceniveaus

Stel je nu voor dat vergelijkbare kleine verschuivingen onopgemerkt plaatsvinden in een volledige vloot van 10.000 inventarisitems. De totale financiële impact van al dergelijke verschuivingen zou voldoende zijn om op de radar van een CFO te komen. Proberen deze turbulentie de baas te blijven, zou onmogelijk zijn als u dit handmatig zou doen, maar moderne voorraadoptimalisatiesoftware kan de juiste aanpassingen automatisch berekenen zo vaak als uw bedrijf aankan, en zelfs dagelijks helpen om substantiële verbeteringen in serviceniveaus en voorraadefficiëntie te realiseren, terwijl de voorraad wordt verlaagd en bewaarkosten!

 

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. […]