De slimme voorspeller

  Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Nee, niet dat soort regimewisseling: niets over kruisraketten en stealth-bommenwerpers. En nee, we hebben het niet over het andere soort regimeverandering dat dichter bij huis komt: het door elkaar schuiven van de C-Suite bij uw bedrijf.

"Regimeverandering" heeft een derde betekenis die relevant is voor uw beroep als vraagplanner of voorraadbeheerder. Voor onderzoekers in economie en financiën betekent regimeverandering plotselinge verschuivingen in het karakter van een tijdreeks van willekeurige waarnemingen. De willekeurige tijdreeks in kwestie is hier de volgorde van dagelijkse (of wekelijkse of maandelijkse) vraagtellingen voor uw producten en voorraaditems.

De meeste prognosesoftware gebruikt statistische algoritmen om de historische vraag te verwerken. Het kan extra stappen toevoegen, zoals het opnemen van veldinformatie van verkopers, maar alles begint met de vraaggeschiedenis van welk item u ook moet beheren.

De vraag die opkomt bij regime change is: welke gegevens gebruikt u? Het simpele antwoord is "Alles", want dat leidt tot de meest nauwkeurige voorspellingen - maar alleen als uw datawereld stabiel is. Als uw datawereld turbulent is, betekent het gebruik van alle data dat u prognoses baseert op vervlogen omstandigheden. Op zijn beurt, het invoeren van verouderde gegevens in uw voorspellende algoritmen leidt onvermijdelijk tot verminderde prognosenauwkeurigheid.

Merk op dat omgaan met regimeverandering niet hetzelfde is als omgaan met uitschieters. Uitschieters zijn meestal eenmalige uitzonderingen die worden veroorzaakt door voorbijgaande gebeurtenissen, zoals een knik in uw toeleveringsketen veroorzaakt door een enorme sneeuwstorm die alle doorvoerpaden verstikt. Regime change houdt daarentegen aan over een langere periode en kan daarom meer schade toebrengen aan uw prognoses. Hier is een analogie: uitschieters gaan over het weer en regimeverandering gaat over het klimaat.

De meest ingrijpende vormen van regimeverandering zijn existentieel. Figuur 1 toont een voorbeeld van een existentiële verandering: er was lange tijd helemaal geen vraag, toen was er opeens vraag. Als u geen vraag naar een artikel had omdat het niet bestond, maar u behoudt nul vraagwaarden in uw database, en vervolgens gaat het artikel live en heeft u verkopen, dan is de overgang van niets naar iets een extreme verandering van regime. Het opnemen van al die nulvraagwaarden van vóór "Dag één" zal de statistische prognoses zeker naar beneden vertekenen waar ze zouden moeten zijn. Hetzelfde gebeurt als u een product doodt maar geen vraag blijft registreren: het opnemen van al die recente nullen verslechtert uw vraagprognoses.

In principe zou een zorgvuldige administratie deze problemen moeten elimineren. U dient alleen zinvolle nulwaarden op te nemen. Als je een nieuw item hebt, begin dan met opnemen wanneer het live gaat. Als je geen vraag meer hebt naar een item en er ook geen verwacht, verwijder het dan uit je database, of voorspel in ieder geval nul vraag.

Helaas is er een verschil tussen principe en praktijk. We zien veel gevallen waarin de gegevensrecords voor zowel nieuwe als slapende items niet correct worden bijgehouden, met "nepnullen" verward met "echte nullen". Dit probleem is niet noodzakelijkerwijs het gevolg van incompetentie: meestal is het een bijproduct van de omvang van het probleem, waarbij te weinig mensen proberen om te veel items bij te houden.

Deze existentiële regimeveranderingen zijn relatief gemakkelijk te hanteren in vergelijking met meer subtiele vormen, die meer items lijken te treffen. Figuur 2 toont twee voorbeelden van regimeveranderingen in een patroon van lopende verkopen. Er zijn een aantal factoren die de vraag naar een artikel kunnen veranderen: prestaties van het verkooppersoneel, marketing- en reclame-inspanningen, acties van concurrenten en leveranciers, nieuwe klanten die ontstaan of oude klanten die verdwijnen, enz. Als de vraag naar een artikel gestaag doorgaat 1 eenheid per dag maar ineens verdubbelt (of vice versa), dat is een verandering van regime. In de nieuwe wereldorde is de vraag 2 eenheden/dag en de prognoses zouden dat moeten weerspiegelen. In plaats daarvan zullen algoritmen voor statistische prognoses te weinig vraag voorspellen als ze alle gegevens krijgen, ook die van vóór de regimewisseling.

Hoe bescherm je jezelf tegen regimeverandering? Het antwoord is hetzelfde voor de wreedste dictator of de meest onschuldige eisenplanner: Intelligentie. En omdat er veel bedreigingen zijn, kan de intelligentie het beste worden geautomatiseerd. Moderne softwaresystemen hebben de mogelijkheid om tienduizenden items te screenen op tekenen van regimeverandering. Vervolgens kan de software uw aandacht vestigen op de problematische items en u vragen aan te geven welke recente gegevens u in berekeningen wilt gebruiken. Of de software kan automatisch detecteren en corrigeren voor verandering van regime, snel werkend op een schaal die elke drukbezette persoon die "met de hand" werkt gemakkelijk zou verslaan.

 

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:

recente berichten

  • De rol van vertrouwen in het vraagvoorspellingsproces Wie te vertrouwenDe rol van vertrouwen in het vraagvoorspellingsproces Deel 1: Wie vertrouwt u
    Vertrouwen is altijd tweerichtingsverkeer, maar laten we aan de kant van de vraagvoorspeller blijven. Welke kenmerken van en acties van voorspellers en vraagplanners bouwen vertrouwen op in hun werk? De sleutel tot het opbouwen van vertrouwen onder de gebruikers van prognoses is de perceptie van de competentie en objectiviteit van de voorspeller en vraagplanner. […]
  • 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. […]
  • Software voor vraagplanning en voorraadoptimalisatie implementeren met de juiste gegevensSoftware voor vraagplanning en voorraadoptimalisatie implementeren met de juiste gegevens
    Gegevensverificatie en -validatie zijn essentieel voor het succes van de implementatie van software die statistische analyse van gegevens uitvoert, zoals Smart IP&O. Dit artikel beschrijft het probleem en dient als een praktische gids om het werk goed te doen, vooral voor de gebruiker van de nieuwe applicatie. […]
  • 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: […]
  • Digitale transformaties voor nutsbedrijven die de MRO-prestaties zullen verbeteren7 digitale transformaties voor nutsbedrijven die de MRO-prestaties zullen verbeteren
    Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • 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. […]
    • Digitale transformaties voor nutsbedrijven die de MRO-prestaties zullen verbeteren7 digitale transformaties voor nutsbedrijven die de MRO-prestaties zullen verbeteren
      Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
    • 6 dingen die u wel en niet moet doen bij het plannen van reserveonderdelen6 dingen die u wel en niet moet doen bij het plannen van reserveonderdelen
      Het beheren van voorraden reserveonderdelen kan onmogelijk aanvoelen. Je weet niet wat er kapot gaat en wanneer. Feedback van mechanische afdelingen en onderhoudsteams is vaak onnauwkeurig. Geplande onderhoudsschema's worden vaak verschoven, waardoor ze allesbehalve 'gepland' zijn. Gebruikspatronen (dwz vraagpatronen) zijn meestal uiterst intermitterend, dwz de vraag springt willekeurig tussen nul en iets anders, vaak een verrassend groot aantal. […]
    • Plaats stukken met de hand om een pijl te bouwenProbabilistische prognoses voor intermitterende vraag
      De nieuwe prognosetechnologie is afgeleid van probabilistische prognoses, een statistische methode die zowel de gemiddelde productvraag per periode als de voorraadbehoeften op het niveau van de klantenservice nauwkeurig voorspelt. […]