De slimme voorspeller

Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Om de efficiëntievoordelen van prognoses te benutten, hebt u de meest nauwkeurige prognoses nodig: prognoses die zijn gebaseerd op de meest geschikte historische gegevens. De meeste discussies over dit probleem richten zich meestal op de voordelen van het gebruik van vraag versus verzendgeschiedenis - en ik zal hier later op ingaan. Maar laten we het eerst hebben over het gebruik van netto- versus brutogegevens.

Netto versus bruto geschiedenis

Veel planners zijn geneigd om netto-omzetgegevens te gebruiken om hun prognoses te maken. Systemen die verkopen volgen, registreren transacties wanneer ze plaatsvinden en aggregeren de resultaten in wekelijkse of maandelijkse periodieke totalen. In sommige gevallen worden geretourneerde aankopen in verkooprecords als negatieve verkopen verantwoord en wordt een nettototaal berekend. Deze nettocijfers, die vaak echte verkooppatronen maskeren, worden ingevoerd in het prognosesysteem. De gebruikte historische gegevens geven eigenlijk een verkeerd beeld van wat de klant wilde en wanneer hij het wilde. Dit wordt meegenomen in de prognose, met minder dan optimale resultaten.

Stel dat uw verkoopgegevens worden samengevoegd tot maandelijkse totalen. Als er gebruik wordt gemaakt van netto maandcijfers, en de retouren vinden plaats in dezelfde maand als waarin ze zijn gekocht, geen probleem. De netto-activiteit voor de maand weerspiegelt de werkelijke vraag. Maar wat als het product drie of vier maanden na aankoop wordt geretourneerd, zoals vaak gebeurt? De nettocijfers zijn een onderschatting van de interesse in het product voor de maand waarin het rendement wordt geteld, en (het lijkt erop) een overschatting van de vraag voor de maand van de eerste verkoop. Op deze manier de productvraag op het verkeerde moment weergeven, verstoort het vermogen van het voorspellingssysteem om het patroon (of het ontbreken daarvan) in de gegevens correct te identificeren.

Aangezien u bestellingen uitvoert zoals u ze ontvangt, zult u de verzending nauwelijks weigeren omdat u denkt dat ze het product binnen een paar maanden kunnen retourneren. Klanten zouden daar niet voor staan. Dus u wilt natuurlijk weten dat een dergelijke vraag waarschijnlijk zal optreden. Als de bestellingen gaan komen, heb je voorraad nodig in je voorraad om aan de vraag te voldoen, ongeacht latere retouren. Het gebruik van nettocijfers is in deze situaties niet de beste praktijk.

In de meeste gevallen moeten gegevens die worden gebruikt bij het opstellen van prognoses gebaseerd zijn op brutocijfers. Rendementen kunnen worden voorspeld als een afzonderlijke variabele en worden gebruikt als een bron van inkomend aanbod. Dit zal resulteren in minder onnodige bestellingen van nieuwe voorraad. Uiteindelijk legt deze aanpak de ware patronen in de gegevens beter vast: de kern van prognoses.

Verzend- versus vraaggegevens

Een tweede belangrijk onderscheid met betrekking tot historische gegevens lijkt contra-intuïtief. Voorspellers worden bijna altijd aangemoedigd om vraaggegevens te gebruiken, omdat wordt aangenomen dat deze beter weergeven wat de klant wilde en wanneer. Wanneer u echter de keuze heeft, kan het soms slimmer zijn om verzendgegevens te gebruiken.

Een leidend principe is om rekening te houden met de nauwkeurigheid van de gegevens. In de meeste bedrijven geven de verzendgegevens precies weer wat er is verzonden, terwijl de vraaggegevens vaak worden geplaagd door onnauwkeurigheden. Hier zijn een paar voorbeelden:

Klanten kunnen bijvoorbeeld weten dat u hun bestelling niet kunt uitvoeren. In dat geval kunnen ze afzien van het plaatsen van de bestelling en wachten totdat ze denken dat je voorraad bij de hand hebt om aan hun behoeften te voldoen. Aan de andere kant kunnen angstige klanten meerdere elektronische bestellingen indienen, bang dat een miscommunicatie zou kunnen voorkomen dat een essentiële bestelling wordt verwerkt. Als ze er zeker van zijn dat één bestelling is geaccepteerd, kunnen ze de extra bestellingen annuleren. Dan is er het geval van een klant die in het verleden stockouts bij u heeft gehad. Ze kunnen de omvang van hun bestellingen vergroten om de kans te maximaliseren dat de voorraad aan hen wordt toegewezen.

Als dergelijke praktijken uw bestelgeschiedenis teisteren, kan het verstandiger zijn om verzendgegevens te gebruiken. Vervolgens kunt u de functie 'geschiedenis aanpassen' van SmartForecasts gebruiken om de verzendgegevens nauwkeurig af te stemmen, zodat deze beter aansluiten bij de vraag. U kunt zeker hetzelfde doen met onnauwkeurige vraaggegevens, maar vaak zal dit veel meer inspanning vergen dan alleen te corrigeren voor voor de hand liggende gevallen waarin de zendingen de ene maand laag zijn en de andere maand hoog vanwege een voorraad-out situatie.

Voordat u een beslissing neemt over het gebruik van verzend- of vraaggegevens, is het belangrijk om te begrijpen hoe bestellingen en retouren in uw systeem worden verwerkt. Praat met uw klantenservicemedewerkers en vraag hen hoe zij deze situaties kunnen verklaren. Geloof het woord van uw IT-afdeling niet. Oefen uw oordeel om de beste resultaten te krijgen.

Het maken van de juiste gegevenskeuzes zal een grote bijdrage leveren aan het bereiken van waardevolle efficiëntieverbeteringen in de toeleveringsketen. Neem de tijd om te lezen De post van Michael Gilliland over dit onderwerp op de blog van het Institute of Business Forecasting and Planning, op demand-planning.com.

Gregory Hartunian is voorzitter van Smart Software en lid van de raad van bestuur. Daarvoor bekleedde hij de functie van Vice President of Sales.

Laat een reactie achter

gerelateerde berichten

Verward over AI en Machine Learning?

Verward 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.

Hoe u voorraadvereisten kunt voorspellen

Hoe 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.

Zes best practices voor vraagplanning waar u twee keer over moet nadenken

Zes 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.

recente berichten

  • 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. […]
  • Mannelijke magazijnmedewerker met 99 Service Level palletUitleggen wat 'serviceniveau' betekent in uw voorraadoptimalisatiesoftware
    Navigeren door de fijne kneepjes van voorraadaanbevelingen kan vaak leiden tot vragen over de juistheid en betekenis ervan. Een recent onderzoek van een van onze klanten leidde tot een verhelderende discussie over de nuances van serviceniveaus en bestelpunten. Tijdens een teamvergadering hebben we ongebruikelijke hiaten vastgesteld tussen onze Smart-suggested reorder points (ROP) op een 99%-serviceniveau en de huidige ROP van de klant. In dit bericht ontrafelen we het concept van een "99%-serviceniveau" en de implicaties ervan voor voorraadoptimalisatie, waarbij we licht werpen op hoe timing en onmiddellijke voorraadbeschikbaarheid een cruciale rol spelen bij het voldoen aan de verwachtingen van de klant en concurrerend blijven in diverse industrieën. […]

    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. […]