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.

Wat is een digitale tweeling?

Hoewel er verschillende definities van digital twin zijn, is er een die goed werkt:

Een digitale tweeling is een dynamiek virtuele kopie van een fysiek bezit, proces, systeem of omgeving die er hetzelfde uitziet en zich identiek gedraagt als zijn tegenhanger in de echte wereld. Een digitale tweeling neemt gegevens op en repliceert processen dus dat kan mogelijke prestatieresultaten voorspellen en problemen die het echte product zou kunnen ondergaan. [Bron: Unity.com]. Voor meer achtergrondinformatie kunt u terecht op Mckinsey.com.

Wat is het verschil tussen een digital twin (hierna DT) en een model? In de eerste plaats wordt een ODC verbonden met realtime gegevens om het model te behouden als een actuele weergave van het systeem waarmee u werkt.

Onze huidige producten zouden we “slow-motion DT's” kunnen noemen, omdat ze meestal worden gebruikt met niet-realtime gegevens (maar geen verouderde gegevens, omdat deze van de ene op de andere dag worden bijgewerkt) en worden toegepast op problemen zoals het plannen van de grondstoffenaankopen voor het volgende kwartaal of het instellen van voorraadparameters voor een maand of langer.

Gebruiken mensen digital twins in mijn branche?

Mijn indruk is dat de penetratie van DT's wellicht het hoogst is in de lucht- en ruimtevaart- en nucleaire industrie. De meeste van onze klanten bevinden zich elders: in de productie, distributie en openbare voorzieningen zoals transport en energie. Binnenkort zullen we nieuwe producten aanbieden die dichter bij de strikte definitie van een DT komen die nauw verbonden is met het systeem dat hij vertegenwoordigt.

DT-voorbeeld

De meeste gebruikers van Smart Inventory Optimization™ (SIO) voer de applicatie periodiek uit, meestal maandelijks. SIO analyseert de huidige vraag naar voorraadartikelen en recente doorlooptijden van leveranciers en zet deze om in respectievelijk vraag- en aanbodscenario's. Vervolgens stellen gebruikers interactief (voor individuele artikelen) of automatisch (op schaal) parameters voor voorraadbeheer in die de gewenste gemiddelde prestaties op lange termijn opleveren, waarbij de concurrerende doelen van het minimaliseren van de voorraad in evenwicht worden gebracht en tegelijkertijd een voldoende niveau van artikelbeschikbaarheid wordt gegarandeerd.

Smart Supply Planner (SSP) reageert op een directere manier op onvoorziene gebeurtenissen. Elke dag kan er een abnormale bestelling plaatsvinden die de vraag doet toenemen, bijvoorbeeld wanneer een nieuwe klant een verrassende eerste voorraadbestelling plaatst. Of een belangrijke leverancier kan een probleem ervaren in zijn fabriek en gedwongen worden de verzending van uw geplande aanvullingsorders uit te stellen. Op de lange termijn worden deze onvoorziene omstandigheden gemiddeld en rechtvaardigen ze de aanbevelingen die uit SIO komen. SSP biedt u echter een manier om op de korte termijn te reageren en kansen te grijpen of kogels te ontwijken.

In de kern werkt SSP als SIO, in die zin dat het scenariogestuurd is. De verschillen zijn dat het korte planningshorizon gebruikt en real-time initiële omstandigheden gebruikt als basis voor zijn simulaties van de prestaties van voorraadsystemen. Vervolgens zal het realtime aanbevelingen doen voor interventies die de verstoring veroorzaakt door de onvoorziene gebeurtenissen compenseren. Dit omvat onder meer het annuleren of versnellen van aanvullingsorders.

Overzicht

Met Digital Twins kunt u plannen ‘in silico’ uitproberen voordat u ze in de fabriek of het magazijn implementeert. De kern bestaat uit wiskundige modellen van uw bedrijfsvoering, maar verbonden met realtime gegevens. Ze bieden een ‘digitale sandbox’ waarin u ideeën kunt uitproberen en direct voorspellingen kunt krijgen over hoe goed ze zullen werken. Veel meer dan een spreadsheet zullen DT's binnenkort het belangrijkste hulpmiddel zijn in uw gereedschapskist voor voorraadplanning.

Ik begin met een bekentenis: ik ben een algoritme-man. Mijn hart leeft in de ‘machinekamer’ van onze software, waar razendsnelle berekeningen heen en weer gaan door de AWS-cloud, waardoor vraag- en aanbodscenario’s worden gegenereerd die worden gebruikt als leidraad voor belangrijke beslissingen over vraagvoorspelling en voorraadbeheer.

Maar ik erken dat het doelwit van al die mooie, woedende berekeningen het brein van de baas is, de persoon die verantwoordelijk is om ervoor te zorgen dat op de meest efficiënte en winstgevende manier aan de vraag van de klant wordt voldaan. Deze blog gaat dus over Smart Operational Analytics (SOA), waarmee rapportages voor het management worden gemaakt. Of, zoals ze in het leger worden genoemd, sit-reps.

Alle berekeningen die door de planners met behulp van onze software worden begeleid, worden uiteindelijk gedestilleerd in de SOA-rapporten voor het management. De rapporten richten zich op vijf gebieden: voorraadanalyse, voorraadprestaties, voorraadtrends, leveranciersprestaties en vraagafwijkingen.

Voorraadanalyse

Deze rapporten houden de huidige voorraadniveaus in de gaten en identificeren gebieden die verbetering behoeven. De nadruk ligt op de huidige voorraadaantallen en hun status (voorhanden, onderweg, in quarantaine), voorraadwisselingen en excessen versus tekorten.

Voorraadprestaties

Deze rapporten houden Key Performance Indicators (KPI's) bij, zoals opvullingspercentages, serviceniveaus en voorraadkosten. De analytische berekeningen elders in de software begeleiden u bij het behalen van uw KPI-doelen door Key Performance Predictions (KPP's) te berekenen op basis van aanbevolen instellingen voor bijvoorbeeld bestelpunten en bestelhoeveelheden. Maar soms komen er verrassingen voor, of wordt het operationele beleid niet uitgevoerd zoals aanbevolen, waardoor er altijd enige discrepantie zal zijn tussen KPP's en KPI's.

Voorraadtrends

Weten waar de zaken er vandaag voor staan is belangrijk, maar zien waar de zaken zich ontwikkelen is ook waardevol. Deze rapporten onthullen trends in de vraag naar artikelen, voorraadgebeurtenissen, het gemiddelde aantal beschikbare dagen, de gemiddelde verzendtijd en meer.

Prestaties van leveranciers

Uw bedrijf kan niet optimaal presteren als uw leveranciers u naar beneden halen. Deze rapporten monitoren de prestaties van leveranciers op het gebied van de nauwkeurigheid en snelheid van het invullen van aanvullingsorders. Als u meerdere leveranciers voor hetzelfde artikel heeft, kunt u deze met elkaar vergelijken.

Vraagafwijkingen

Uw gehele voorraadsysteem is vraaggestuurd en alle voorraadbeheerparameters worden berekend na het modelleren van de artikelvraag. Dus als er iets vreemds gebeurt aan de vraagzijde, moet u waakzaam zijn en u voorbereiden op het herberekenen van zaken als min- en max-waarden voor artikelen die zich vreemd beginnen te gedragen.

Overzicht

Het eindpunt van alle enorme berekeningen in onze software is het dashboard dat het management laat zien wat er aan de hand is, wat de toekomst biedt en waar de aandacht op moet worden gevestigd. Smart Inventory Analytics is het onderdeel van ons software-ecosysteem gericht op de C-Suite van uw bedrijf.

Figuur 1: Enkele voorbeeldrapportages in grafische vorm

Het dagelijkse voorraadbeheer kan u bezig houden. Er is het gebruikelijke ritme van bestellen, ontvangen, voorspellen en plannen, en dingen verplaatsen in het magazijn. Dan zijn er de hectische tijden – tekorten, spoedgevallen, last-minute telefoontjes om nieuwe leveranciers te vinden.

Al deze activiteiten werken tegen dat je even de tijd neemt om te kijken hoe het met je gaat. Maar je weet dat je af en toe je hoofd omhoog moet brengen om te zien waar je naartoe gaat. Daarvoor moet uw inventarissoftware u statistieken tonen – en niet slechts één, maar een volledige set statistieken of KPI's – Key Performance Indicators.

Meerdere statistieken

Afhankelijk van uw rol in uw organisatie zullen verschillende statistieken een verschillende saillantie hebben. Als u zich bezighoudt met de financiële kant van het huis, kan het investeren in inventaris van cruciaal belang zijn: hoeveel geld zit er vast in de inventaris? Als u aan de verkoopkant werkt, kan de beschikbaarheid van artikelen een prioriteit zijn: hoe groot is de kans dat ik 'ja' kan zeggen tegen een bestelling? Als u verantwoordelijk bent voor de bevoorrading, hoeveel inkooporders moeten uw mensen dan het volgende kwartaal schrappen?

Beschikbaarheidsstatistieken

Laten we teruggaan naar de beschikbaarheid van artikelen. Hoe plak je daar een getal op? De twee meest gebruikte beschikbaarheidsstatistieken zijn ‘serviceniveau’ en ‘opvullingspercentage’. Wat is het verschil? Het is het verschil tussen zeggen: “We hebben gisteren een aardbeving gehad” en zeggen: “We hebben gisteren een aardbeving gehad, en die had een kracht van 6,4 op de schaal van Richter.” Serviceniveau registreert de frequentie van stockouts, ongeacht de omvang ervan; het opvullingspercentage weerspiegelt de ernst ervan. De twee kunnen in tegengestelde richtingen lijken te wijzen, wat voor enige verwarring zorgt. U kunt een goed serviceniveau hebben, bijvoorbeeld 90%, maar een gênant opvullingspercentage, bijvoorbeeld 50%. Of vice versa. Wat hen anders maakt, is de verdeling van de vraaggroottes. Als de verdeling bijvoorbeeld erg scheef is, dus de meeste eisen zijn klein, maar sommige zijn enorm, dan kun je de hierboven genoemde 90%/50%-verdeling krijgen. Als uw focus ligt op hoe vaak u moet nabestellen, is het serviceniveau relevanter. Als u zich zorgen maakt over hoe groot een nachtelijke expedite kan worden, is het opvullingspercentage relevanter.

Eén grafiek om ze allemaal te regeren

Een grafiek van de voorhanden voorraad kan de basis vormen voor het berekenen van meerdere KPI's. Kijk eens naar Figuur 1, waarin de grafieken een jaar lang elke dag bij de hand zijn. Dit diagram bevat informatie die nodig is om meerdere statistieken te berekenen: voorraadinvestering, serviceniveau, opvullingspercentage, bestelpercentage en andere statistieken.

Voorraadinvestering: de gemiddelde hoogte van de grafiek boven nul, vermenigvuldigd met de eenheidskosten van het voorraaditem, geeft een kwartaalwaarde in dollar.

Serviceniveau: Het deel van de voorraadcycli dat boven nul eindigt, is het serviceniveau. Voorraadcycli worden gekenmerkt door de opwaartse bewegingen die worden veroorzaakt door de komst van aanvullingsorders.

Opvullingspercentage: De hoeveelheid waarmee de voorraad onder nul daalt en hoe lang de voorraad daar blijft, bepalen samen het opvullingspercentage.

In dit geval was het gemiddelde aantal beschikbare eenheden 10,74, het serviceniveau 54% en het opvullingspercentage 91%.

KPI's en KPP's

In de ruim veertig jaar sinds we Smart Software hebben opgericht, heb ik nog nooit een klant een plot als figuur 1 zien maken. Degenen die verder in hun ontwikkeling zijn, produceren en besteden aandacht aan rapporten waarin hun KPI's in tabelvorm worden vermeld, maar dat doen ze niet' Kijk niet naar zo'n grafiek. Niettemin heeft die grafiek waarde voor het ontwikkelen van inzicht in de willekeurige ritmes van de voorraad terwijl deze stijgt en daalt.

Waar het vooral nuttig is, is prospectief. Gezien de marktvolatiliteit verschuiven belangrijke variabelen zoals de doorlooptijden van leveranciers, de gemiddelde vraag en de variabiliteit van de vraag allemaal in de loop van de tijd. Dit impliceert dat belangrijke controleparameters zoals bestelpunten en bestelhoeveelheden zich aan deze verschuivingen moeten aanpassen. Als een leverancier bijvoorbeeld zegt dat hij zijn gemiddelde doorlooptijd met twee dagen moet verlengen, heeft dit een negatieve invloed op uw statistieken en moet u mogelijk uw bestelpunt verhogen om dit te compenseren. Maar met hoeveel verhogen?

Hier komt moderne inventarisatiesoftware om de hoek kijken. Hiermee kunt u een aanpassing voorstellen en vervolgens zien hoe de zaken zullen verlopen. Percelen zoals Figuur 1 laten je het nieuwe regime zien en er een gevoel voor krijgen. En de grafieken kunnen worden geanalyseerd om KPP's te berekenen: Key Performance Predictions.

De hulp van KPP maakt het giswerk bij aanpassingen overbodig. U kunt simuleren wat er met uw KPI's zal gebeuren als u deze wijzigt als reactie op veranderingen in uw werkomgeving – en hoe slecht de situatie zal zijn als u geen wijzigingen aanbrengt.

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.

Wat is en wat niet

Wat is AI en waarin verschilt het van ML? Wat doet iemand tegenwoordig als hij iets wil weten? Ze Googlen het. En als ze dat doen, begint de verwarring.

Eén bron zegt dat de neurale netmethodologie, deep learning genaamd, een subset is van machine learning, een subset van AI. Maar een andere bron zegt dat deep learning al een onderdeel is van AI, omdat het min of meer de manier nabootst waarop de menselijke geest werkt, terwijl machinaal leren dat niet probeert.

Eén bron zegt dat er twee soorten machinaal leren zijn: onder toezicht en zonder toezicht. Een ander zegt dat er vier zijn: onder toezicht, zonder toezicht, semi-onder toezicht en versterking.

Sommigen zeggen dat versterkend leren machinaal leren is; anderen noemen het AI.

Sommigen van ons, traditionalisten, noemen veel ervan ‘statistieken’, hoewel dat niet allemaal zo is.

Bij het benoemen van methoden is veel ruimte voor zowel emotie als verkoopvaardigheid. Als een softwareleverancier denkt dat je de term ‘AI’ wilt horen, kan het zijn dat hij/zij dat voor je zegt, alleen maar om je blij te maken.

Het is beter om je te concentreren op wat er uiteindelijk uitkomt

Je kunt een verwarrende hype vermijden als je je concentreert op het eindresultaat dat je krijgt van een analytische technologie, ongeacht het label ervan. Er zijn verschillende analytische taken die relevant zijn voor voorraadplanners en vraagplanners. Deze omvatten clustering, detectie van afwijkingen, detectie van regimeveranderingen en regressieanalyse. Alle vier de methoden worden gewoonlijk, maar niet altijd, geclassificeerd als methoden voor machinaal leren. Maar hun algoritmen kunnen rechtstreeks uit de klassieke statistiek komen.

Clustering

Clusteren betekent het groeperen van dingen die op elkaar lijken en het distantiëren ervan van dingen die niet op elkaar lijken. Soms is clusteren eenvoudig: om uw klanten geografisch te scheiden, sorteert u ze eenvoudigweg op staat of verkoopregio. Als het probleem niet zo voor de hand liggend is, kun je data- en clusteralgoritmen gebruiken om de klus automatisch te klaren, zelfs als je met enorme datasets te maken hebt.

Figuur 1 illustreert bijvoorbeeld een cluster van “vraagprofielen”, die in dit geval alle artikelen van een klant in negen clusters verdeelt, op basis van de vorm van hun cumulatieve vraagcurven. Cluster 1.1 linksboven bevat items waarvan de vraag is afgenomen, terwijl Cluster 3.1 linksonder items bevat waarvan de vraag is toegenomen. Clusteren kan ook op leveranciers. De keuze van het aantal clusters wordt doorgaans overgelaten aan het oordeel van de gebruiker, maar ML kan die keuze begeleiden. Een gebruiker kan de software bijvoorbeeld de opdracht geven om “mijn onderdelen in vier clusters op te splitsen”, maar het gebruik van ML kan aan het licht brengen dat er in werkelijkheid zes verschillende clusters zijn die de gebruiker moet analyseren. 

Figuur 1: Artikelen clusteren op basis van de vorm van hun cumulatieve vraag

Onregelmatigheidsdetectie

Vraagvoorspelling wordt traditioneel gedaan met behulp van tijdreeksextrapolatie. Eenvoudige exponentiële afvlakking werkt bijvoorbeeld om op elk moment het ‘midden’ van de vraagverdeling te vinden en dat niveau naar voren te projecteren. Als er in het recente verleden echter een plotselinge, eenmalige stijging of daling van de vraag heeft plaatsgevonden, kan die afwijkende waarde een aanzienlijk maar onwelkom effect hebben op de kortetermijnvoorspellingen. Net zo ernstig voor de voorraadplanning, kan de anomalie een buitensporig effect hebben op de schatting van de variabiliteit van de vraag, wat rechtstreeks doorgaat naar de berekening van de veiligheidsvoorraadvereisten.

Planners geven er misschien de voorkeur aan dergelijke afwijkingen op te sporen en te verwijderen (en misschien offline follow-up te doen om de reden voor de vreemdheid te achterhalen). Maar niemand die een grote klus te klaren heeft, zal duizenden vraagdiagrammen visueel willen scannen om uitschieters op te sporen, deze uit de vraaggeschiedenis te verwijderen en vervolgens alles opnieuw te berekenen. De menselijke intelligentie zou dat kunnen doen, maar het menselijk geduld zou spoedig ophouden. Algoritmen voor het detecteren van afwijkingen zouden het werk automatisch kunnen doen met behulp van relatief eenvoudige statistische methoden. Je zou dit ‘kunstmatige intelligentie’ kunnen noemen als je dat wilt.

Detectie van regimewijzigingen

Detectie van regimeveranderingen is als de grote broer van anomaliedetectie. Regimeverandering is een aanhoudende, in plaats van tijdelijke, verschuiving in een of meer aspecten van het karakter van een tijdreeks. Terwijl de detectie van afwijkingen zich gewoonlijk richt op plotselinge verschuivingen in de gemiddelde vraag, kan een regimeverandering verschuivingen in andere kenmerken van de vraag met zich meebrengen, zoals de volatiliteit of de verdelingsvorm ervan.  

Figuur 2 illustreert een extreem voorbeeld van regimeverandering. Rond dag 120 daalde de vraag naar dit artikel op de bodem. Het voorraadbeheerbeleid en de vraagvoorspellingen op basis van de oudere gegevens zouden aan het einde van de vraaggeschiedenis enorm afwijken van de basis.

Figuur 2: Een voorbeeld van extreme regimeverandering in een artikel met een intermitterende vraag

Ook hier kunnen statistische algoritmen worden ontwikkeld om dit probleem op te lossen, en het zou eerlijk zijn om ze ‘machine learning’ of ‘kunstmatige intelligentie’ te noemen als ze daartoe gemotiveerd zijn. Door ML of AI te gebruiken om regimeveranderingen in de vraaggeschiedenis te identificeren, kan software voor vraagplanning automatisch alleen de relevante geschiedenis gebruiken bij het voorspellen, in plaats van handmatig de hoeveelheid geschiedenis te moeten kiezen die in het model moet worden geïntroduceerd. 

Regressie analyse

Regressieanalyse relateert de ene variabele aan de andere via een vergelijking. De verkoop van kozijnen in één maand kan bijvoorbeeld worden voorspeld op basis van bouwvergunningen die een paar maanden eerder zijn afgegeven. Regressieanalyse wordt al meer dan een eeuw beschouwd als onderdeel van de statistiek, maar we kunnen zeggen dat het ‘machine learning’ is, aangezien een algoritme de precieze manier uitwerkt om kennis van de ene variabele om te zetten in een voorspelling van de waarde van een andere.

Overzicht

Het is redelijk om geïnteresseerd te zijn in wat er gebeurt op het gebied van machinaal leren en kunstmatige intelligentie. Hoewel de aandacht die aan ChatGPT en zijn concurrenten wordt besteed interessant is, is deze niet relevant voor de numerieke kant van vraagplanning of voorraadbeheer. De numerieke aspecten van ML en AI zijn potentieel relevant, maar je moet proberen de wolk van hype rond deze methoden te doorzien en je te concentreren op wat ze kunnen doen. Als u de klus kunt klaren met klassieke statistische methoden, kunt u dat misschien ook doen, en vervolgens uw optie uitoefenen om het ML-label op alles wat beweegt te plakken.

U kent de situatie: u berekent de beste manier om elk voorraadartikel te beheren door de juiste bestelpunten en aanvullingsdoelen te berekenen, vervolgens de gemiddelde vraag stijgt of daalt, of de vraagvolatiliteit verandert, of de doorlooptijden van leveranciers veranderen, of uw eigen kosten veranderen . Nu zijn uw oude polissen (herbestelpunten, veiligheidsvoorraden, Min/Max-niveaus, enz.) achterhaald - net op het moment dat u denkt dat u ze goed heeft. Door gebruik te maken van geavanceerde software voor planning en voorraadoptimalisatie, kunt u proactief inspelen op de steeds veranderende invloeden van buitenaf op uw voorraad en vraag. Om dit te doen, moet u de voorraadparameters regelmatig opnieuw kalibreren op basis van de steeds veranderende vraag en doorlooptijden.

Onlangs hebben enkele potentiële klanten hun bezorgdheid geuit dat door regelmatig de parameters voor voorraadbeheer te wijzigen, ze "ruis" introduceren en complicaties toevoegen aan hun activiteiten. Een bezoeker van onze stand op de Microsoft Dynamics User Group Conference van vorige week merkte op:

“We willen de operaties niet in de war sturen door het beleid te vaak te veranderen en ruis in het systeem te introduceren. Dat geluid maakt het systeem nerveus en zorgt voor verwarring bij het inkoopteam.”

Deze visie is gebaseerd op de paradigma's van gisteren. Hoewel u over het algemeen een onmiddellijke productierun niet moet wijzigen, zal het negeren van wijzigingen op korte termijn in het beleid dat de toekomstige productieplanning en orderaanvulling stuurt, grote schade aanrichten aan uw activiteiten. Of je het nu leuk vindt of niet, de ruis is er al in de vorm van extreme vraag en variabiliteit in de toeleveringsketen. Door aanvullingsparameters vast te stellen, ze niet vaak bij te werken of alleen te beoordelen op het moment van bestelling, kan uw Supply Chain Operations alleen op problemen reageren in plaats van ze proactief te identificeren en corrigerende maatregelen te nemen.

Het aanpassen van het beleid met herkalibraties op korte termijn is aanpassen aan een veranderlijke situatie in plaats van eraan vast te zitten. We kunnen kijken naar de NFL-games van afgelopen weekend voor een eenvoudige analogie. Stelt u zich eens voor dat de quarterback van uw favoriete team consequent weigert een hoorbare te roepen (wijzig het spel net voordat de bal wordt geknapt) nadat hij de verdedigende formatie heeft gezien. Dit zou resulteren in veel gemiste kansen, inefficiëntie en vastgelopen ritten die het team een overwinning zouden kunnen kosten. Wat zou je willen dat je quarterback doet?

Vraag, doorlooptijden, kosten en zakelijke prioriteiten veranderen vaak, en zoals de afgelopen 18 maanden hebben bewezen, veranderen ze vaak aanzienlijk. Als Supply Chain-leider heeft u de keuze: parameters vast houden, wat resulteert in een groot aantal razendsnelle versnellingen en orderannuleringen, of proactief de parameters voor voorraadbeheer wijzigen. Het hoorbare oproepen door uw beleid opnieuw te kalibreren als vraag- en aanbodsignalen veranderen, is de juiste zet.

Hier is een voorbeeld. Stel dat u een kritiek artikel beheert door het bestelpunt (ROP) op 25 eenheden en de bestelhoeveelheid (OQ) op 48 te regelen. U voelt zich misschien een rots van stabiliteit door aan die twee nummers vast te houden, maar door dit te doen, kunt u andere getallen dramatisch laten fluctueren. Met name uw toekomstige serviceniveaus, opvullingspercentages en bedrijfskosten zouden allemaal uit het zicht kunnen worden gereset terwijl u zich fixeert op het vasthouden aan de ROP en OQ van gisteren. Toen het beleid oorspronkelijk werd vastgesteld, was de vraag stabiel en waren de doorlooptijden voorspelbaar, wat een serviceniveau van 99% op een belangrijk item opleverde. Maar nu neemt de vraag toe en zijn de doorlooptijden langer. Verwacht je echt hetzelfde resultaat (99%-serviceniveau) met dezelfde input-sets nu vraag en doorlooptijden zo verschillend zijn? Natuurlijk niet. Stel dat u wist dat u, gezien de recente veranderingen in vraag en doorlooptijd, de ROP moest verhogen tot 35 eenheden om hetzelfde serviceniveaudoel van 99% te bereiken. Als u de ROP op 25 eenheden zou houden, zou uw serviceniveau dalen tot 92%. Is het beter om dit van tevoren te weten of om gedwongen te worden om te reageren als u te maken heeft met stockouts?

Wat software voor voorraadoptimalisatie en -planning doet, is de verbanden tussen prestatiestatistieken zoals servicesnelheid en controleparameters zoals ROP en ROQ zichtbaar maken. Het onzichtbare wordt zichtbaar, zodat u beredeneerde aanpassingen kunt maken die uw statistieken houden waar u ze nodig hebt door de bedieningshendels aan te passen die beschikbaar zijn voor uw gebruik. Door probabilistische prognosemethoden te gebruiken, kunt u Key Performance Predictions (KPP's) van prestaties en kosten genereren, terwijl u corrigerende acties op korte termijn identificeert, zoals gerichte voorraadbewegingen die problemen helpen voorkomen en kansen benutten. Als u dit niet doet, komt uw supply chain-planning in een keurslijf terecht, net zoals de quarterback die weigert te horen.

Toegegeven, een voortdurend veranderende zakelijke omgeving vereist constante waakzaamheid en af en toe een reactie. Maar de juiste software voor voorraadoptimalisatie en vraagvoorspelling kan uw controleparameters met een paar muisklikken op schaal herberekenen en uw ERP-systeem aanwijzingen geven hoe alles op koers te houden ondanks de constante turbulentie.  De ruis zit al in uw systeem in de vorm van vraag- en aanbodvariabiliteit. Ga je proactief hoorbaar of vasthouden aan een ouder plan en duimen dat het goed komt?