Software 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.

Hoe minder ervaring uw organisatie heeft met het valideren van historische transacties of artikelstamkenmerken, hoe waarschijnlijker het is dat er problemen of fouten zijn opgetreden bij het invoeren van gegevens in het ERP die tot nu toe onopgemerkt zijn gebleven. De 'garbage in, garbage out'-regel betekent dat u prioriteit moet geven aan deze stap van het software-onboardingproces, anders loopt u het risico vertraging op te lopen en mogelijk geen ROI te genereren.

De beste persoon om te bevestigen dat gegevens in uw ERP correct zijn ingevoerd, is uiteindelijk de persoon die de business kent en bijvoorbeeld kan beweren “dit onderdeel behoort niet tot die productgroep”. Dat is meestal dezelfde persoon die Smart opent en gebruikt. Maar ook een databasebeheerder of IT-support kan een sleutelrol spelen door te kunnen zeggen: “Dit onderdeel is afgelopen december door Jane Smith aan die productgroep toegewezen.” Ervoor zorgen dat gegevens correct zijn, is misschien geen vast onderdeel van uw dagelijkse werk, maar kan worden opgesplitst in beheersbare kleine taken waarvoor een goede projectmanager tijd en middelen zal uittrekken.

De softwareleverancier voor vraagplanning die de gegevens ontvangt, speelt ook een rol. Ze zullen bevestigen dat de onbewerkte gegevens zonder problemen zijn opgenomen. De leverancier kan ook afwijkingen in de onbewerkte gegevensbestanden identificeren die wijzen op de noodzaak van validatie. Maar vertrouwen op de softwareleverancier om u gerust te stellen dat de gegevens er goed uitzien, is niet genoeg. U wilt na de livegang niet ontdekken dat u de output niet kunt vertrouwen omdat sommige gegevens "niet kloppen".

Elke stap in de gegevensstroom heeft verificatie en validatie nodig.  Verificatie betekent dat de gegevens in de ene stap nog steeds hetzelfde zijn nadat ze naar de volgende stap zijn gegaan. Validatie betekent dat de gegevens correct en bruikbaar zijn voor analyse

De meest voorkomende gegevensstroom ziet er als volgt uit:

Software voor vraagplanning en voorraadoptimalisatie implementeren met de juiste dataset

Minder vaak wordt de eerste stap tussen ERP-stamgegevens en de gekoppelde bestanden soms overgeslagen, waarbij bestanden niet als interface worden gebruikt. In plaats daarvan is een API die is gebouwd door IT of de leverancier van software voor inventarisoptimalisatie verantwoordelijk voor het rechtstreeks schrijven van gegevens vanuit de ERP naar de gespiegelde database in de cloud. De leverancier zou samenwerken met IT om te bevestigen dat de API werkt zoals verwacht. Maar zelfs in dat geval kan de eerste validatiestap nog steeds worden uitgevoerd. Na opname van de gegevens kan de leverancier de gespiegelde gegevens beschikbaar maken in bestanden voor de DBA/IT-verificatie en bedrijfsvalidatie.

De bevestiging dat de gespiegelde data in de cloud de stroom naar de applicatie voltooit, is de verantwoordelijkheid van de leverancier van software-as-a-service. SaaS-leveranciers testen voortdurend of de software correct werkt tussen de front-end-applicatie die hun abonnees zien en de back-end-gegevens in de clouddatabase. Als de abonnees nog steeds denken dat de gegevens niet kloppen in de applicatie, zelfs nadat ze de interfacing-bestanden hebben gevalideerd voordat ze live gaan, is dat een probleem dat ze moeten bespreken met de klantenondersteuning van de leverancier.

Hoe de interfacing-bestanden ook worden verkregen, het grootste deel van de verificatie en validatie komt toe aan de projectmanager en zijn team. Ze moeten een test van de interfacing-bestanden uitvoeren om te bevestigen:

  1. Ze matchen de gegevens in het ERP. En dat alle en alleen de ERP-gegevens die nodig waren om te extraheren voor gebruik in de applicatie, werden geëxtraheerd.
  2. Niets "springt eruit" voor het bedrijf als onjuist voor elk van de soorten informatie in de gegevens
  3. Ze zijn geformatteerd zoals verwacht.

 

DBA/IT Verificatie Taken

  1. Test het uittreksel:

IT's verificatiestap kan worden gedaan met verschillende tools, waarbij bestanden worden vergeleken of bestanden worden terug geïmporteerd naar de database als tijdelijke tabellen en ze worden samengevoegd met de originele gegevens om een match te bevestigen. IT kan afhankelijk zijn van een query om de gevraagde gegevens naar een bestand te halen, maar dat bestand kan niet overeenkomen. Het bestaan van scheidingstekens of regelretouren binnen de gegevenswaarden kan ertoe leiden dat een bestand afwijkt van de oorspronkelijke databasetabel. Het is omdat het bestand sterk afhankelijk is van scheidingstekens en regelterugloop om velden en records te identificeren, terwijl de tabel niet afhankelijk is van die tekens om de structuur te definiëren.

  1. Geen slechte karakters:

Vrije gegevensinvoervelden in het ERP, zoals productbeschrijvingen, kunnen soms zelf regeleinden, tabs, komma's en/of dubbele aanhalingstekens bevatten die de structuur van het uitvoerbestand kunnen beïnvloeden. Regelretouren mogen niet worden toegestaan in waarden die naar een bestand worden geëxtraheerd. Tekens die gelijk zijn aan het scheidingsteken moeten tijdens het extraheren worden verwijderd of er moet een ander scheidingsteken worden gebruikt.

Tip: als komma's het bestandsscheidingsteken zijn, kunnen getallen groter dan 999 niet worden geëxtraheerd met een komma. Gebruik "1000" in plaats van "1000".

  1. Bevestig de filters:

De andere manier waarop query-extracten onverwachte resultaten kunnen opleveren, is als voorwaarden voor de query onjuist zijn ingevoerd. De eenvoudigste manier om verkeerde "where-clausules" te voorkomen, is door ze niet te gebruiken. Extraheer alle gegevens en laat de leverancier enkele records eruit filteren volgens de regels die door het bedrijf zijn verstrekt. Als dit leidt tot uittrekbestanden die zo groot zijn dat er te veel rekentijd wordt besteed aan de gegevensuitwisseling, moet het DBA/IT-team met het bedrijf overleggen om precies te bevestigen welke filters op de gegevens kunnen worden toegepast om te voorkomen dat records worden uitgewisseld die geen betekenis hebben voor de gegevensuitwisseling. sollicitatie.

Tip: Houd er rekening mee dat actief/inactief of informatie over de levenscyclus van items niet mag worden gebruikt om records uit te filteren. Deze informatie moet naar de applicatie worden gestuurd, zodat deze weet wanneer een item inactief wordt.

  1. Wees consistent:

Het extractieproces moet elke keer dat het wordt uitgevoerd, bestanden met een consistent formaat produceren. Bestandsnamen, veldnamen en positie, scheidingsteken en Excel-bladnaam als Excel wordt gebruikt, numerieke formaten en datumnotaties, en het gebruik van aanhalingstekens rond waarden mogen nooit verschillen van de ene uitvoering van het extract van dag tot dag. Voor elke uitvoering van het uittreksel moet een hands-off rapport of opgeslagen procedure worden opgesteld en gebruikt.

 

Zakelijke validatie achtergrond

Hieronder vindt u een uitsplitsing van elke validatiestap in overwegingen, met name in het geval dat de leverancier een sjabloonformaat heeft verstrekt voor de gekoppelde bestanden, waarbij elk type informatie in een eigen bestand wordt verstrekt. Bestanden die vanuit uw ERP naar Smart worden verzonden, zijn geformatteerd zodat ze eenvoudig vanuit het ERP kunnen worden geëxporteerd. Dat soort formaat maakt de vergelijking terug naar het ERP een relatief eenvoudige taak voor IT, maar het kan moeilijker zijn voor het bedrijf om te interpreteren. De beste praktijk is om de ERP-gegevens te manipuleren, hetzij door draaitabellen of iets dergelijks in een spreadsheet te gebruiken. IT kan helpen door geherformatteerde gegevensbestanden aan te bieden voor beoordeling door het bedrijf.

Als u zich wilt verdiepen in de interfacing-bestanden, moet u ze begrijpen. De leverancier zal een nauwkeurig sjabloon leveren, maar over het algemeen bestaan de interfacebestanden uit drie typen: catalogusgegevens, artikelkenmerken en transactiegegevens.

  • Catalogusgegevens bevatten identifiers en hun attributen. Identificaties zijn typisch voor producten, locaties (dit kunnen fabrieken of magazijnen zijn), uw klanten en uw leveranciers.
  • Artikelkenmerken bevatten informatie over producten op locaties die nodig zijn voor analyse van de product- en locatiecombinatie. Zoals:
    • Huidig bevoorradingsbeleid in de vorm van een Min en Max, Bestelpunt, of Herzieningsperiode en Bestelling tot waarde, of Veiligheidsvoorraad
    • Toewijzing primaire leverancier en nominale doorlooptijd en kosten per eenheid van die leverancier
    • Vereisten voor de bestelhoeveelheid, zoals de minimale bestelhoeveelheid, de grootte van de productieserie of veelvouden van bestellingen
    • Actieve/inactieve status van de combinatie product/locatie of vlaggen die de status ervan in de levenscyclus aangeven, zoals pre-obsolete
    • Attributen voor groepering of filtering, zoals toegewezen inkoper/planner of productcategorie
    • Actuele voorraadinformatie zoals bij de hand, op bestelling en in transithoeveelheden.
  • Transactiegegevens bevatten verwijzingen naar identifiers samen met datums en hoeveelheden. Zoals de verkochte hoeveelheid in een verkooporder van een product, op een locatie, voor een klant, op een datum. Of hoeveelheid geplaatst op inkooporder van een product, naar een locatie, van een leverancier, op een datum. Of hoeveelheid gebruikt in een werkorder van een componentproduct op een locatie op een datum.

 

Catalogusgegevens valideren

Als u eerst de catalogusgegevens bekijkt, hebt u mogelijk catalogusbestanden die lijken op deze voorbeelden:

Software voor vraagplanning en voorraadoptimalisatie implementeren 111

Locatie-ID Beschrijving Regio Bron Locatie  enz…
Locatie1 Eerste locatie noorden    
Locatie2 Tweede locatie zuiden Locatie1  
Locatie3 Derde locatie zuiden Locatie1  
…enz…        

 

Klantidentificatie Beschrijving Verkoper Verzenden vanaf locatie  enz…
Klant1 Eerste klant Jane Locatie1  
Klant2 Tweede klant Jane Locatie3  
Klant3 Derde klant Jo Locatie2  
…enz…        

 

Identificatie van de leverancier Beschrijving Toestand Typische doorlooptijddagen  enz…
Leverancier1 Eerste leverancier Actief 18  
Leverancier2 Tweede leverancier Actief 60  
Leverancier3 Derde leverancier Actief 5  
…enz…        

 

1: Controleer op een redelijk aantal catalogusrecords

Open elk bestand met catalogusgegevens in een spreadsheetprogramma zoals Google Spreadsheets of MS Excel. Beantwoord deze vragen:

  1. Is het recordaantal in de marge? Als u ongeveer 50.000 producten heeft, zouden er niet slechts 10.000 rijen in het bestand moeten staan.
  2. Als het een kort bestand is, bijvoorbeeld het locatiebestand, kunt u precies bevestigen dat alle verwachte identifiers erin staan.
  3. Filter op elke attribuutwaarde en bevestig nogmaals dat het aantal records met die attribuutwaarde zinvol is.

2: Controleer de juistheid van waarden in elk attribuutveld

Iemand die weet wat de producten zijn en wat de groepen betekenen, moet de tijd nemen om te bevestigen dat het echt goed is, voor alle attributen van alle catalogusgegevens.

Dus als uw productbestand de attributen bevat zoals in het bovenstaande voorbeeld, zou u filteren op Status van Actief en controleren of alle resulterende producten daadwerkelijk actief zijn. Filter vervolgens op Status van Inactief en controleer of alle resulterende producten daadwerkelijk inactief zijn. Filter vervolgens op de eerste groepswaarde en bevestig dat alle resulterende producten in die groep zitten. Herhaal dit voor Groep2 en Groep3, enz. Herhaal dit voor elk attribuut in elk bestand.

Het kan helpen om deze validatie uit te voeren met een vergelijking met een reeds bestaand en vertrouwd rapport. Als u om welke reden dan ook een andere spreadsheet heeft die producten per groep weergeeft, kunt u de interfacing-bestanden daarmee vergelijken. Mogelijk moet u vertrouwd raken met de functie VERT.ZOEKEN die helpt bij het vergelijken van spreadsheets.

Artikelkenmerkgegevens valideren

1: Controleer op een redelijk aantal itemrecords

De bevestiging van de itemattribuutgegevens is vergelijkbaar met de catalogusgegevens. Bevestig dat het aantal product/locatie-combinaties logisch is in totaal en voor elk van de unieke itemkenmerken, één voor één. Dit is een voorbeeldbestand met artikelgegevens:

Software voor vraagplanning en voorraadoptimalisatie implementeren 22

2: Zoek en verklaar rare getallen in het itembestand

Er zijn meestal veel numerieke waarden in de itemattributen, dus "rare" cijfers verdienen een beoordeling. Om gegevens voor een numeriek attribuut in een willekeurig bestand te valideren, zoekt u waar het nummer is:

  • Ontbreekt volledig
  • Gelijk aan nul
  • Minder dan nul
  • Meer dan de meeste anderen, of minder dan de meeste anderen (sorteer op die kolom)
  • Helemaal geen nummer, terwijl het zou moeten zijn

Een speciale overweging van bestanden die geen catalogusbestanden zijn, is dat ze mogelijk niet de beschrijvingen van de producten en locaties tonen, alleen hun identifiers, die voor u betekenisloos kunnen zijn. U kunt kolommen invoegen voor de product- en locatiebeschrijvingen die u gewend bent te zien en deze in de spreadsheet invullen om u te helpen bij uw werk. De VLOOKUP-functie werkt hier ook voor. Of u nu wel of niet een ander rapport hebt om het Items-bestand mee te vergelijken, u hebt de catalogusbestanden voor Producten en Locatie met zowel de identifier als de beschrijving voor elke rij.

3: Controle ter plaatse

Als u gefrustreerd bent dat er te veel attribuutwaarden zijn om binnen een redelijke tijd handmatig te controleren, is steekproefsgewijze controle een oplossing. Het kan worden gedaan op een manier die waarschijnlijk problemen oppikt. Haal voor elk attribuut een lijst op met de unieke waarden in elke kolom. U kunt een kolom naar een nieuw blad kopiëren en vervolgens de functie Duplicaten verwijderen gebruiken om de lijst met mogelijke waarden te bekijken. Met het:

  1. Bevestig dat er geen attribuutwaarden aanwezig zijn die dat niet zouden moeten zijn.
  2. Het kan moeilijker zijn om te onthouden welke attribuutwaarden ontbreken die er zouden moeten zijn, dus het kan helpen om naar een andere bron te kijken om u eraan te herinneren. Als bijvoorbeeld Groep1 tot en met Groep12 aanwezig zijn, kunt u een andere bron controleren om te onthouden of dit alle mogelijke groepen zijn. Zelfs als het niet vereist is voor de interfacing-bestanden voor de applicatie, kan het voor IT gemakkelijk zijn om een lijst te extraheren van alle mogelijke groepen die in uw ERP staan, die u kunt gebruiken voor de validatie. Als u extra of ontbrekende waarden vindt die u niet verwacht, breng dan een voorbeeld van elk naar IT om te onderzoeken.
  3. Sorteer alfabetisch en scan naar beneden om te zien of twee waarden vergelijkbaar zijn, maar enigszins verschillen, misschien alleen in interpunctie, wat zou kunnen betekenen dat in één record de attribuutgegevens onjuist zijn ingevoerd.

Controleer voor elk type item, misschien één van elke productgroep en/of locatie, of alle attributen in elk bestand correct zijn of op zijn minst een sanity check doorstaan. Hoe meer u een breed scala aan items kunt controleren, hoe kleiner de kans dat u problemen zult hebben nadat ze live zijn gegaan.

 

Transactiegegevens valideren

Transactiebestanden kunnen allemaal een vergelijkbare indeling hebben:

Software voor vraagplanning en voorraadoptimalisatie implementeren 333

 

1: Vind rare getallen in elk transactiebestand en leg ze uit

Deze moeten worden gecontroleerd op "rare" getallen in het veld Hoeveelheid. Dan kunt u doorgaan naar:

  1. Filter op datums buiten het verwachte bereik of ontbrekende verwachte datums.
  2. Zoek waar transactie-ID's en regelnummers ontbreken. Dat zouden ze niet moeten zijn.
  3. Als er meer dan één record is voor een bepaalde combinatie van transactie-ID en transactieregelnummer, is dat dan een vergissing? Anders gezegd, moeten dubbele records hun hoeveelheden bij elkaar optellen of is dat dubbeltelling?

2: Sanity check opgetelde hoeveelheden

Voer een gezond verstand uit door te filteren op een bepaald product waarmee u bekend bent, en filter op een herkenbare periode zoals vorige maand of vorig jaar, en som de hoeveelheden op. Is dat totale bedrag wat u voor dat product in dat tijdsbestek verwachtte? Als u informatie heeft over het totale gebruik buiten een locatie, kunt u de gegevens op die manier splitsen om de hoeveelheden op te tellen en te vergelijken met wat u verwacht. Draaitabellen zijn handig voor verificatie van transactiegegevens. Met hen kunt u de gegevens bekijken zoals:

Product Jaar Hoeveelheid Totaal
Prod1 2022 9,034
Prod1 2021 8,837
enz    

 

Het jaarlijkse totaal van de producten kan eenvoudig te controleren zijn als u de producten goed kent. Of u kunt VERT.ZOEKEN gebruiken om attributen toe te voegen, zoals een productgroep, en daarop draaien om een hoger niveau te zien dat vertrouwder is:

Productgroep Jaar Hoeveelheid Totaal
Groep 1 2022 22,091
Groep2 2021 17,494
enz    

 

3: Sanity check telling van records

Het kan helpen om een aantal transacties weer te geven in plaats van een som van de hoeveelheden, vooral voor inkoopordergegevens. Zoals:

Product Jaar Aantal PO's
Prod1 2022 4
Prod1 2021 1
enz    

 

En/of dezelfde samenvatting op een hoger niveau, zoals:

Productgroep Jaar Aantal PO's
Groep 1 2022 609
Groep2 2021 40
enz    

 

4: Controle ter plaatse

Steekproefsgewijs controleren van de juistheid van een enkele transactie, voor elk type artikel en elk type transactie, voltooit de due diligence. Besteed speciale aandacht aan welke datum aan de transactie is gekoppeld en of deze geschikt is voor de analyse. Datums kunnen een aanmaakdatum zijn, zoals de datum waarop een klant een bestelling bij u heeft geplaatst, of een beloftedatum, zoals de datum waarop u verwachtte te leveren op de bestelling van de klant op het moment dat u deze aanmaakte, of een uitvoeringsdatum, wanneer u daadwerkelijk heeft geleverd op de bestelling. Soms wordt een beloftedatum gewijzigd dagen nadat de bestelling is gemaakt als deze niet kan worden gehaald. Zorg ervoor dat de gebruiksdatum de werkelijke vraag van de klant naar het product zo goed mogelijk weergeeft.

Wat te doen met slechte gegevens 

Als er weinig of eenmalig foutieve invoer is, kunt u de ERP-records met de hand bewerken zodra ze worden gevonden, waardoor uw cataloguskenmerken worden opgeschoond, zelfs nadat de applicatie live is gegaan. Maar als grote hoeveelheden attributen of transactiehoeveelheden niet kloppen, kan dit een intern project ertoe aanzetten om gegevens opnieuw correct in te voeren en mogelijk om het proces te wijzigen of te documenteren dat moet worden gevolgd wanneer nieuwe records in uw ERP worden ingevoerd.

Er moet voor worden gezorgd dat de implementatie van de SaaS-applicatie niet te lang op zich laat wachten tijdens het wachten op schone attributen. Verdeel het werk in brokken en gebruik de applicatie om eerst de opgeschoonde gegevens te analyseren, zodat het gegevensopschoningsproject parallel loopt met het halen van waarde uit de nieuwe applicatie.

 

 

7 digitale transformaties voor nutsbedrijven die de MRO-prestaties zullen verbeteren

Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en afvalwater en telecommunicatie zijn allemaal activa-intensief. Opwekking, productie, verwerking, transmissie en distributie van elektriciteit, aardgas, olie en water zijn allemaal 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. Deze inspanningen worden belemmerd door verouderde IT-systemen, evoluerende beveiligingsbedreigingen, frequente verstoringen van de toeleveringsketen en extreme variabiliteit in de vraag. De convergentie van deze uitdagingen met volwassen cloudtechnologie en recente ontwikkelingen op het gebied van data-analyse, probabilistische prognoses en technologieën voor databeheer, bieden nutsbedrijven echter een generatiekans om hun onderneming digitaal te transformeren.

Hier zijn zeven digitale transformaties die relatief kleine investeringen vooraf vereisen, maar een rendement van zeven cijfers zullen opleveren.

1. Voorraadbeheer is de eerste stap in MRO-voorraadoptimalisatie. Het omvat het analyseren van de huidige voorraadniveaus en gebruikspatronen om mogelijkheden voor verbetering te identificeren. Dit moet ook het zoeken naar overstocked, understocked of verouderde items omvatten. Nieuwe probabilistische prognosetechnologie zal helpen door toekomstig gebruik van onderdelen te simuleren en te voorspellen hoe het huidige voorraadbeleid zal presteren. Pats-planners kunnen de simulatieresultaten gebruiken om proactief te identificeren waar beleid moet worden gewijzigd.

2. Nauwkeurige prognoses en vraagplanning zijn erg belangrijk bij het optimaliseren van de voorraden van MRO-serviceonderdelen. Een nauwkeurige vraagprognose is een cruciale drijfveer voor de toeleveringsketen. Door inzicht te krijgen in vraagpatronen die het gevolg zijn van kapitaalprojecten en gepland en ongepland onderhoud, kunnen onderdelenplanners nauwkeuriger anticiperen op toekomstige voorraadbehoeften, een juiste begroting opstellen en de verwachte vraag beter communiceren met leveranciers. Software voor het voorspellen van onderdelen kan worden gebruikt om automatisch een nauwkeurige set van historisch gebruik te huisvesten met details over de vraag naar geplande versus ongeplande onderdelen.

3. Beheer leveranciers en doorlooptijden zijn belangrijke componenten van MRO-voorraadoptimalisatie. Het omvat het selecteren van de beste leveranciers voor de klus, het hebben van back-upleveranciers die snel kunnen leveren als de voorkeursleverancier faalt, en het onderhandelen over gunstige voorwaarden. Het identificeren van de juiste doorlooptijd waarop het voorraadbeleid kan worden gebaseerd, is een ander belangrijk onderdeel. Probabilistische simulaties die beschikbaar zijn in software voor onderdelenplanning kunnen worden gebruikt om de waarschijnlijkheid te voorspellen voor elke mogelijke doorlooptijd die zal worden geconfronteerd. Dit zal resulteren in een nauwkeurigere aanbeveling van wat er op voorraad moet zijn in vergelijking met het gebruik van een offerte van een leverancier of de gemiddelde doorlooptijd.

4. SKU-rationalisatie en beheer van masterdata verwijdert ineffectieve of verouderde SKU's uit de productcatalogus en ERP-database. Het identificeert ook verschillende onderdeelnummers die voor dezelfde SKU zijn gebruikt. Tijdens deze procedure worden de bedrijfskosten en winstgevendheid van elk product beoordeeld, wat resulteert in een gemeenschappelijke lijst met actieve SKU's. Master data management software kan productcatalogi en informatie die is opgeslagen in ongelijksoortige databases beoordelen om SKU-rationalisaties te identificeren en ervoor te zorgen dat voorraadbeleid gebaseerd is op het gemeenschappelijke onderdeelnummer.

5. Voorraadcontrolesystemen zijn de sleutel tot het synchroniseren van voorraadoptimalisatie. Ze bieden nutsbedrijven een kostenefficiënte manier om hun inventaris bij te houden, te bewaken en te beheren. Ze helpen ervoor te zorgen dat het nutsbedrijf over de juiste benodigdheden en materialen beschikt waar en wanneer dat nodig is, terwijl de voorraadkosten worden geminimaliseerd.

6. Continu verbeteren wel essentieel voor het optimaliseren van MRO-voorraden. Het omvat het regelmatig monitoren en aanpassen van voorraadniveaus en voorraadbeleid om het meest efficiënte gebruik van middelen te garanderen. Wanneer de bedrijfsomstandigheden veranderen, moet het nutsbedrijf de verandering detecteren en zijn activiteiten dienovereenkomstig aanpassen. Dit betekent dat planningscycli in een tempo moeten werken dat hoog genoeg is om gelijke tred te houden met veranderende omstandigheden. Door gebruik te maken van probabilistische prognoses om het voorraadbeleid voor serviceonderdelen elke planningscyclus opnieuw te kalibreren, zorgt u ervoor dat het voorraadbeleid (zoals min/max-niveaus) altijd up-to-date is en het nieuwste onderdelengebruik en doorlooptijden van leveranciers weerspiegelt.

7. Planning voor intermitterende vraag met moderne planningssoftware voor reserveonderdelen. Het resultaat is een zeer nauwkeurige schatting van veiligheidsvoorraden, bestelpunten en bestelhoeveelheden, wat leidt tot hogere serviceniveaus en lagere voorraadkosten. De gepatenteerde probabilistische prognosesoftware voor reserveonderdelen van Smart Software simuleert de waarschijnlijkheid voor elke mogelijke vraag en bepaalt nauwkeurig hoeveel er moet worden opgeslagen om de beoogde serviceniveaus van een nutsbedrijf te bereiken. Door gebruik te maken van software om de instroom en uitstroom van repareerbare reserveonderdelen nauwkeurig te simuleren, kunnen downtime, serviceniveaus en voorraadkosten in verband met elke gekozen poolgrootte voor repareerbare reserveonderdelen beter worden voorspeld.

 

Software voor planning van reserveonderdelen

De prognosesoftware voor serviceonderdelen van Smart IP&O maakt gebruik van een uniek empirisch probabilistische voorspelling nadering die is ontworpen voor intermitterende vraag. Voor verbruikbare reserveonderdelen genereert onze gepatenteerde en APICS-bekroonde methode snel tienduizenden vraagscenario's zonder te vertrouwen op de aannames over de aard van vraagverdelingen die impliciet zijn in traditionele prognosemethoden. Het resultaat zijn zeer nauwkeurige schattingen van veiligheidsvoorraad, bestelpunten en serviceniveaus, wat leidt tot hogere serviceniveaus en lagere voorraadkosten. Voor repareerbare reserveonderdelen, Smart's Reparatie- en retourmodule simuleert nauwkeurig de processen van uitval en reparatie van onderdelen. Het voorspelt downtime, serviceniveaus en voorraadkosten in verband met de huidige roterende pool van reserveonderdelen. Planners weten hoeveel reserveonderdelen ze op voorraad moeten hebben om aan de serviceniveau-eisen op korte en lange termijn te voldoen en, in operationele omstandigheden, of ze moeten wachten tot reparaties zijn voltooid en weer in gebruik moeten worden genomen of dat ze extra servicereserveonderdelen van leveranciers moeten kopen, waardoor onnodige aankopen en reparaties worden vermeden. stilstand van apparatuur.

Neem contact met ons op voor meer informatie over hoe deze functionaliteit onze klanten in de sectoren MRO, buitendienst, nutsvoorzieningen, mijnbouw en openbaar vervoer heeft geholpen hun voorraad te optimaliseren. U kunt de whitepaper hier ook downloaden.

 

 

Whitepaper: wat u moet weten over het voorspellen en plannen van service parts

 

Dit document beschrijft de gepatenteerde methodologie van Smart Software voor het voorspellen van de vraag, safety stocks en bestelpunten voor artikelen zoals service parts en componenten met een wisselende vraag, en geeft verschillende voorbeelden van klantensucces.

 

    Breid Epicor Prophet 21 uit met Smart IP&O's Forecasting & Dynamic Reorder Point Planning

    In dit artikel zullen we de functionaliteit voor het bestellen van voorraad in Epicor P21 bekijken, de beperkingen ervan uitleggen en samenvatten hoe Smart Inventory Planning & Optimization (Smart IP&O) kan helpen de voorraad te verminderen, voorraadtekorten te minimaliseren en het vertrouwen van uw organisatie in uw ERP te herstellen door robuuste voorspellende analyses, op consensus gebaseerde prognoses en wat-als-scenarioplanning.

    Functies voor aanvullingsplanning binnen Epicor Prophet 21
    Epicor P21 kan de aanvulling beheren door te suggereren wat te bestellen en wanneer via op bestelpunten gebaseerd of op prognoses gebaseerd voorraadbeleid. Gebruikers kunnen dit beleid extern berekenen of dynamisch binnen P21 genereren. Zodra het beleid en de prognoses zijn gespecificeerd, zal P21's Purchase Order Requirements Generator (PORG) geautomatiseerde ordersuggesties maken over wat er moet worden aangevuld en wanneer door inkomende levering, actuele voorraad, uitgaande vraag, voorraadbeleid en vraagprognoses op elkaar af te stemmen.

    Epicor P21 heeft 4 aanvullingsmethoden
    In het artikelonderhoudsscherm van Epicor P21 kunnen gebruikers kiezen uit een van de vier aanvullingsmethoden voor elk voorraadartikel.

    1. min/max
    2. Bestelpunt/Bestelhoeveelheid
    3. EOQ
    4. Tot

    Er zijn aanvullende instellingen en configuraties voor het bepalen van doorlooptijden en het afrekenen van ordermodifiers zoals door de leverancier opgelegde minimale en maximale bestelhoeveelheden. Min/Max en Bestelpunt/Bestelhoeveelheid worden beschouwd als "statisch" beleid. EOQ en Up To worden beschouwd als "dynamisch" beleid en worden berekend binnen P21.

    min/max
    Het bestelpunt is gelijk aan het Min. Telkens wanneer de voorhanden voorraad onder de Min (bestelpunt) zakt, zal het PORG-rapport een bestelsuggestie creëren tot aan de Max (als de voorraad na de overtreding bijvoorbeeld 20 eenheden is en de Max 100, dan is de bestelhoeveelheid 80) . Min/Max wordt beschouwd als een statisch beleid en eenmaal ingevoerd in P21 blijft het onveranderd tenzij het door de gebruiker wordt overschreven. Gebruikers gebruiken vaak spreadsheets om de min/max-waarden te berekenen en deze van tijd tot tijd bij te werken.

    Bestelpunt/Bestelhoeveelheid
    Dit is hetzelfde als het Min/Max-beleid, behalve dat in plaats van tot de Max te bestellen, een bestelling wordt voorgesteld voor een vaste hoeveelheid die door de gebruiker is gedefinieerd (bestel bijvoorbeeld altijd 100 eenheden wanneer het bestelpunt wordt overschreden). OP/OQ wordt beschouwd als een statisch beleid en blijft ongewijzigd, tenzij het door de gebruiker wordt overschreven. Gebruikers gebruiken vaak spreadsheets om OP/OQ-waarden te berekenen en deze van tijd tot tijd bij te werken.

    EOQ
    Het EOQ-beleid is een methode op basis van bestelpunten. Het bestelpunt wordt dynamisch gegenereerd op basis van P21's prognose van vraag over doorlooptijd + vraag over de beoordelingsperiode + veiligheidsvoorraad. De bestelhoeveelheid is gebaseerd op een berekening van de economische bestelhoeveelheid die rekening houdt met bewaarkosten en bestelkosten en probeert een bestelgrootte aan te bevelen die de totale kosten minimaliseert. Wanneer de voorhanden voorraad het bestelpunt overschrijdt, zal het PORG-rapport een bestelling uitzetten die gelijk is aan de berekende EOQ.

    Tot
    De Up To-methode is een ander dynamisch beleid dat afhankelijk is van een bestelpunt. Het wordt op dezelfde manier berekend als de EOQ-methode met behulp van de voorspelde vraag van P21 over de doorlooptijd + vraag over beoordelingsperiode + veiligheidsvoorraad. De suggestie voor de bestelhoeveelheid is gebaseerd op alles wat nodig is om de voorraad weer aan te vullen "tot" het bestelpunt. Dit komt meestal overeen met een bestelhoeveelheid die consistent is met de doorlooptijdvraag, omdat naarmate de vraag de voorraad onder het bestelpunt drijft, bestellingen worden voorgesteld "tot" het bestelpunt.

    Epicor Prophet 21 met prognosevoorraadplanning P21

    Het itemonderhoudsscherm van P21, waar gebruikers het gewenste voorraadbeleid kunnen specificeren en andere instellingen kunnen configureren, zoals veiligheidsvoorraad en bestelmodificaties.

    Beperkingen

    Voorspellingsmethoden
    Er zijn twee prognosemodi in P21: Basis en Geavanceerd. Elk gebruikt een reeks middelingsmethoden en vereist handmatige configuraties en door de gebruiker bepaalde classificatieregels om een vraagprognose te genereren. Geen van beide modi is ontworpen met een out-of-the-box expertsysteem dat automatisch prognoses genereert die rekening houden met onderliggende patronen zoals trend of seizoensinvloeden. Er is veel configuratie vereist die de acceptatie door de gebruiker en wijziging van de veronderstelde prognoseregels die in de initiële implementatie zijn gedefinieerd en die mogelijk niet langer relevant zijn, belemmert. Er is geen manier om de prognosenauwkeurigheid van verschillende configuraties eenvoudig te vergelijken. Is het bijvoorbeeld beter om 24 maanden geschiedenis te gebruiken of 18 maanden? Is het nauwkeuriger om aan te nemen dat een trend moet worden toegepast wanneer een item met 2% per maand groeit of moet het 10% zijn? Is het beter om aan te nemen dat het artikel seizoensgebonden is als 80% of meer van zijn vraag plaatsvindt in 6 maanden van het jaar of 4 maanden van het jaar? Dientengevolge is het gebruikelijk dat classificatieregels te breed of specifiek zijn, wat leidt tot problemen zoals het toepassen van een onjuist prognosemodel, het gebruik van te veel of te weinig geschiedenis, of het over-/onderschatten van de trend en seizoensinvloeden. Bekijk deze blogpost (binnenkort beschikbaar) voor meer informatie over hoe dit werkt

    Voorspellingsbeheer en consensusplanning
    P21 mist prognosebeheerfuncties waarmee organisaties op meerdere hiërarchische niveaus kunnen plannen, zoals productfamilie, regio of per klant. Prognoses moeten worden gemaakt op het laagste niveau van granulariteit (product per locatie), waar de vraag vaak te wisselvallig is om een goede prognose te krijgen. Er is geen manier om prognoses te delen, samen te werken, te beoordelen of prognoses op geaggregeerd niveau te maken en overeenstemming te bereiken over het consensusplan. Het is moeilijk om zakelijke kennis op te nemen, prognoses op hogere aggregatieniveaus te beoordelen en bij te houden of overschrijvingen de nauwkeurigheid van prognoses verbeteren of schaden. Dit maakt prognoses te eendimensionaal en afhankelijk van de initiële wiskundige configuraties.  

    Intermittent Demand
    Veel P21-klanten vertrouwen op statische methoden (Min/Max en OP/OQ) vanwege de prevalentie van intermitterende vraag. Ook wel bekend als "klonterig", wordt de intermitterende vraag gekenmerkt door sporadische verkopen, grote pieken in de vraag en veel perioden zonder vraag. Wanneer de vraag intermitterend is, werken traditionele methoden voor prognoses en veiligheidsvoorraden gewoon niet. Omdat distributeurs niet de luxe hebben om alleen snel bewegende producten met een consistente vraag op voorraad te hebben, hebben ze gespecialiseerde oplossingen nodig die zijn ontworpen om periodiek gevraagde artikelen effectief te plannen. 80% of meer van de onderdelen van een distributeur zullen een intermitterende vraag hebben. Het voorraadbeleid dat wordt gegenereerd met behulp van traditionele methoden, zoals die beschikbaar zijn in P21 en andere planningsapplicaties, zal resulteren in onjuiste schattingen van wat er moet worden opgeslagen om het beoogde serviceniveau te bereiken. Zoals geïllustreerd in de onderstaande grafiek, is het niet mogelijk om de pieken consistent te voorspellen. U zit vast aan een prognose die in feite een gemiddelde is van de voorgaande perioden.

    Epicor Prophet 21 met prognosevoorraadbeheer

    Prognoses van intermitterende vraag kunnen de pieken niet voorspellen en vereisen veiligheidsvoorraadbuffers om te beschermen tegen stockouts.

     

    Ten tweede kunt u met de veiligheidsvoorraadmethoden van P21 een doelserviceniveau instellen, maar de onderliggende logica gaat er ten onrechte van uit dat de vraag normaal verdeeld. Bij intermitterende vraag is de vraag niet “normaal” en daarom zal de schatting van de veiligheidsvoorraad verkeerd zijn. Dit is wat verkeerd betekent: bij het instellen van een serviceniveau van bijvoorbeeld 98%, is de verwachting dat 98% van de tijd dat de beschikbare voorraad 100% zal vullen met wat de klant nodig heeft uit het schap. Het gebruik van een normale verdeling om veiligheidsvoorraden te berekenen, zal resulteren in grote afwijkingen tussen het beoogde serviceniveau en het werkelijk bereikte serviceniveau. Het is niet ongebruikelijk om situaties te zien waarin het daadwerkelijke serviceniveau het doel met 10% of meer mist (dwz 95% beoogd maar slechts 85% behaalde).

     

    Epicor Prophet 21 met prognose-inventarisanalyse

    In deze afbeelding ziet u de vraaggeschiedenis van een onderdeel met tussenpozen en twee distributies op basis van deze vraaggeschiedenis. De eerste distributie is gegenereerd met dezelfde "normale distributie: logica die wordt gebruikt door P21. De tweede is een gesimuleerde verdeling op basis van de probabilistische voorspelling van Smart Software. De "normale" P21-distributie beveelt aan dat er 46 eenheden nodig zijn om het 99%-serviceniveau te bereiken, maar in vergelijking met de werkelijke waarden was er veel meer voorraad nodig. Smart voorspelde nauwkeurig dat er 63 units nodig waren om het serviceniveau te halen.

    Deze blog legt uit hoe u de nauwkeurigheid van het serviceniveau van uw systeem kunt testen.

    Vertrouwen op spreadsheets en reactieve planning
    P21-klanten vertellen ons dat ze sterk afhankelijk zijn van het gebruik van spreadsheets om voorraadbeleid en prognoses te beheren. Spreadsheets zijn niet speciaal gebouwd voor prognoses en voorraadoptimalisatie. Gebruikers zullen vaak door de gebruiker gedefinieerd bakken vuistregel methoden die vaak meer kwaad dan goed doen. Eenmaal berekend, moeten gebruikers de informatie weer invoeren in P21 via handmatige bestandsimport of zelfs handmatige invoer. De tijdrovende aard van het proces leidt ertoe dat bedrijven zelden hun voorraadbeleid berekenen - Er gaan vele maanden en soms jaren voorbij tussen massale updates, wat leidt tot een reactieve benadering van "instellen en vergeten", waarbij de enige keer dat een koper/planner het voorraadbeleid beoordeelt, is op het moment van bestelling. Wanneer het beleid wordt herzien nadat het bestelpunt al is geschonden, is het te laat. Wanneer het orderpunt te hoog wordt geacht, is handmatige ondervraging vereist om de geschiedenis te bekijken, prognoses te berekenen, bufferposities te beoordelen en opnieuw te kalibreren. Het enorme aantal bestellingen betekent dat kopers bestellingen gewoon vrijgeven in plaats van de moeite te nemen om alles te bekijken, wat leidt tot een aanzienlijke overtollige voorraad. Als het bestelpunt te laag is, is het al te laat. Er is nu een versnelling nodig om de kosten op te drijven en zelfs dan loopt u nog steeds omzet mis als de klant ergens anders heen gaat.

    Beperkte wat-als-planning
    Aangezien functies voor het wijzigen van bestelpunten en bestelhoeveelheden in P21 zijn ingebouwd, is het niet mogelijk om grootschalige wijzigingen aan te brengen in groepen artikelen en de voorspelde resultaten te beoordelen voordat u beslist om vast te leggen. Dit dwingt gebruikers tot een afwachtend proces als het gaat om het wijzigen van parameters. Planners zullen een wijziging aanbrengen en vervolgens de werkelijke resultaten volgen totdat ze er zeker van zijn dat de wijziging dingen heeft verbeterd. Dit op grote schaal beheren – veel planners hebben te maken met tienduizenden items – is buitengewoon tijdrovend en het eindresultaat is een zeldzame herijking van het voorraadbeleid. Dit draagt ook bij aan reactief plannen waarbij planners instellingen pas bekijken nadat er een probleem is opgetreden.

    Epicor is slimmer
    Epicor werkt samen met Smart Software en biedt Smart IP&O aan als een platformonafhankelijke add-on voor Prophet 21, compleet met een bidirectionele API-gebaseerde integratie. Dit stelt Epicor-klanten in staat om gebruik te maken van speciaal voor dit doel gebouwde toepassingen voor prognoses en voorraadoptimalisatie. Met Epicor Smart IP&O kunt u prognoses genereren die trends en seizoensinvloeden vastleggen zonder dat u eerst handmatige configuraties hoeft toe te passen. U kunt elke planningscyclus automatisch opnieuw kalibreren met behulp van in de praktijk bewezen, geavanceerde statistische en probabilistische modellen die zijn ontworpen om nauwkeurig te plannen voor Intermittent demand. Veiligheidsvoorraden houden nauwkeurig rekening met variabiliteit in vraag en aanbod, zakelijke omstandigheden en prioriteiten. U kunt profiteren service level gestuurde planning zodat je net genoeg voorraad hebt of gebruik maken van optimalisatie methodes die het meest winstgevende voorraadbeleid en serviceniveaus voorschrijven die rekening houden met de werkelijke kosten van voorraadbeheer. U kunt consensusvraagprognoses maken die zakelijke kennis combineren met statistieken, klant- en verkoopprognoses beter beoordelen en met een paar muisklikken vol vertrouwen prognoses en voorraadbeleid uploaden naar Epicor.

    Slimme IP&O-klanten realiseren routinematig een jaarlijks rendement van 7 cijfers door minder spoed, meer verkopen en minder overtollige voorraad, terwijl ze tegelijkertijd een concurrentievoordeel behalen door zich te onderscheiden op het gebied van verbeterde klantenservice. Om een opgenomen webinar te zien, gehost door de Epicor Users Group, waarin het platform voor demand planning en voorraadoptimalisatie van Smart wordt geprofileerd, kunt u zich hier registreren: https://smartcorp.com/epicor-smart-inventory-planning-optimization/

     

     

     

    Het Supply Chain Blame-spel: Top 3 excuses voor voorraadtekorten en -overschotten
    1. Tekorten de schuld geven van doorlooptijdvariabiliteit
      Leveranciers komen vaak te laat, soms veel. Vertragingen in de doorlooptijd en variabiliteit in de levering zijn levensfeiten in de toeleveringsketen, toch worden voorraaddragende organisaties vaak verrast als een leverancier te laat is. Een effectief inventarisplanningsproces omarmt deze feiten van het leven en ontwikkelt beleid dat effectief rekening houdt met deze onzekerheid. Natuurlijk zullen er momenten zijn waarop vertragingen in de doorlooptijd uit het niets komen. Maar meestal wordt het voorraadbeleid, zoals bestelpunten, veiligheidsvoorraden en Min/Max-niveaus, niet vaak genoeg opnieuw gekalibreerd om veranderingen in de doorlooptijd in de loop van de tijd op te vangen. Veel bedrijven beoordelen het bestelpunt pas nadat het is geschonden, in plaats van opnieuw te kalibreren na elke nieuwe ontvangst van de doorlooptijd. We hebben situaties gezien waarin de Min/Max-instellingen alleen jaarlijks opnieuw worden gekalibreerd of zelfs volledig handmatig zijn. Als u een berg onderdelen heeft met oude Min/Max-niveaus en bijbehorende doorlooptijden die een jaar geleden relevant waren, zou het geen verrassing moeten zijn dat u niet genoeg voorraad heeft om u vast te houden tot de volgende bestelling arriveert. 

     

    1. Excess de schuld geven van slechte verkopen/klantprognoses
      Prognoses van uw klanten of uw verkoopteam worden vaak opzettelijk overschat om de levering te garanderen, als reactie op voorraadtekorten in het verleden waar ze werden achtergelaten om te drogen. Of de vraagprognoses zijn onnauwkeurig, simpelweg omdat het verkoopteam niet echt weet wat de vraag van hun klant zal zijn, maar gedwongen wordt een cijfer op te geven. Variabiliteit van de vraag is een ander feit van het leven in de toeleveringsketen, dus planningsprocessen moeten er beter rekening mee houden. Waarom zouden verkoopteams moeten vertrouwen op het voorspellen wanneer ze het bedrijf het beste van dienst kunnen zijn door te verkopen? Waarom zou je het spel spelen van het veinzen van acceptatie van klantprognoses als beide partijen weten dat het vaak niets meer is dan een WAG? Een betere manier is om de onzekerheid te accepteren en overeenstemming te bereiken over een mate van voorraadrisico die acceptabel is voor groepen artikelen. Zodra het voorraadrisico is overeengekomen, kunt u een nauwkeurige schatting maken van de veiligheidsvoorraad die nodig is om de variabiliteit van de vraag tegen te gaan. De vangst is buy-in, omdat u zich misschien niet superhoge serviceniveaus voor alle items kunt veroorloven. Klanten moeten bereid zijn een hogere prijs per eenheid te betalen om extreem hoge serviceniveaus te kunnen leveren. Verkopers moeten accepteren dat bepaalde artikelen meer kans hebben op nabestellingen als ze prioriteit geven aan voorraadinvesteringen in andere artikelen. Het gebruik van een consensus-veiligheidsvoorraadproces zorgt ervoor dat u op de juiste manier buffert en de juiste verwachtingen schept. Wanneer je dit doet, bevrijd je alle partijen van het voorspellingsspel waar ze in de eerste plaats niet voor waren uitgerust. 

     

    1. Problemen de schuld geven van slechte gegevens
      "Garbage In/Garbage Out" is een veelvoorkomend excuus waarom het nu niet het juiste moment is om te investeren in planningssoftware. Het is natuurlijk waar dat als je slechte gegevens in een model invoert, je geen goede resultaten krijgt, maar hier komt het: ergens in de organisatie is iemand bezig met het plannen van de inventaris, het opstellen van een prognose en het nemen van beslissingen over wat te kopen . Doen ze dit blindelings of gebruiken ze gegevens die ze in een spreadsheet hebben verzameld om hen te helpen bij het nemen van beslissingen over voorraadplanning? Hopelijk het laatste. Combineer die interne kennis met software, het automatiseren van gegevensimport uit het ERP en het opschonen van gegevens. Eenmaal geharmoniseerd, levert uw planningssoftware voortdurend bijgewerkte, goed gestructureerde vraag- en doorlooptijdsignalen die nu effectieve vraagprognose en voorraadoptimalisatie mogelijk maken. Smart Software-medeoprichter Tom Willemain schreef in een IBF-nieuwsbrief dat "veel gegevensproblemen voortkomen uit gegevens die zijn verwaarloosd totdat een prognoseproject ze belangrijk maakte." Dus start dat prognoseproject, want stap één is ervoor zorgen dat "wat erin gaat" een ongerept, gedocumenteerd en nauwkeurig vraagsignaal is.

     

     

    Voorraadplanning wordt interessanter

    De slimme voorspeller

     Het nastreven van best practices op het gebied van vraagplanning,

    prognoses en voorraadoptimalisatie

    Taiichi Ohno van Toyota wordt gecrediteerd voor het uitvinden van Just-In-Time (JIT) -productie in de jaren vijftig. JIT zorgt ervoor dat een fabrikant alleen produceert wat nodig is, alleen wanneer nodig en alleen in de benodigde hoeveelheid. Die innovatie heeft sindsdien grote gevolgen gehad, sommige goed, sommige minder.

    Een recent artikel in de New York Times "How the World Ran out of Everything" beschrijft enkele van de "mindere" effecten. JIT heeft bijvoorbeeld de voorraadkosten zeer laag gehouden, waardoor het rendement op activa is verbeterd. Dit wordt op zijn beurt beloond door Wall Street, dus veel bedrijven hebben de afgelopen decennia hun voorraden drastisch verminderd. Gefocust als ze waren op financiën, negeerden veel bedrijven de risico's die inherent zijn aan het verminderen van voorraden tot het punt dat 'mager' begon te grenzen aan 'uitgemergeld'. Gecombineerd met de toegenomen globalisering en nieuwe risico's van leveringsonderbrekingen, zijn de voorraden in overvloed toegenomen.

    Sommige industrieën zijn te ver gegaan, waardoor ze blootstaan aan disruptie. In een competitie om de laagste kosten te krijgen, hebben bedrijven onbedoeld hun risico geconcentreerd, onderbroken door tekorten aan grondstoffen of componenten en soms gedwongen om assemblagelijnen stop te zetten. Wall Street kijkt niet goed naar productiestops.

    We weten allemaal dat willekeurige gebeurtenissen het probleem hebben vergroot. De eerste daarvan was de Covid-pandemie. Aangezien de pandemie de fabrieksactiviteiten heeft belemmerd en wanorde heeft veroorzaakt in de wereldwijde scheepvaart, worden veel economieën over de hele wereld gekweld door tekorten aan een enorm scala aan goederen – van computerchips tot hout tot kleding.

    De schade wordt nog groter als er meer onverwachte dingen fout gaan. De blokkade van het Suezkanaal is een goed voorbeeld, het blokkeren van de belangrijkste handelsroute tussen Europa en Azië. Onlangs hebben cyberaanvallen een nieuwe laag van verstoring toegevoegd.

    De reactie creëert zijn eigen problemen, net zoals de cyberaanval op de koloniale pijpleiding gastekorten veroorzaakte door paniekaankopen. Leveranciers beginnen langzamer dan normaal met het uitvoeren van bestellingen. Fabrikanten en distributeurs keren de koers om en vergroten hun voorraden en diversifiëren hun leveranciers om toekomstige voorraden te voorkomen. Het simpelweg uitbreiden van magazijnen biedt misschien niet de oplossing, en de noodzaak om te bepalen hoeveel voorraad moet worden aangehouden, wordt elke dag urgenter.Manager In Magazijn Met Voorraadbeheersoftware

    Dus hoe kun je een real-world plan voor JIT-inventarisatie uitvoeren te midden van al deze risico's en onzekerheden? De basis van uw reactie zijn uw bedrijfsgegevens. Onzekerheid heeft twee bronnen: vraag en aanbod. Voor beide heb je de feiten nodig.

    Maak aan de aanbodzijde gebruik van de gegevens die u heeft over recente doorlooptijden van leveranciers, die de huidige turbulentie weerspiegelen. Gebruik geen gemiddelde waarden als u kansverdelingen kunt gebruiken die het volledige bereik van onvoorziene gebeurtenissen weergeven. Overweeg deze vergelijking. Leverancier A voert nu op betrouwbare wijze bestellingen uit in precies 10 dagen. Leverancier B is ook gemiddeld 10 dagen maar doet het met een 78%/22% mix van 7 en 21 dagen. Zowel A als B hebben een gemiddelde aanvullingsvertraging van 10 dagen, maar de operationele resultaten die ze opleveren zullen heel verschillend zijn. U kunt dit alleen herkennen als u waarschijnlijkheidsmodellen van voorraadprestaties gebruikt.

    Aan de vraagzijde gelden soortgelijke overwegingen. Ten eerste, erken dat er mogelijk een grote verschuiving heeft plaatsgevonden in de aard van de vraag naar artikelen (statistici noemen dit een "regimeverandering"), dus verwijder uit uw analyse alle gegevens die de "goede oude tijd" vertegenwoordigen. Stop dan weer met denken in termen van gemiddelden. Hoewel de gemiddelde vraag belangrijk is, is deze geen voldoende beschrijving van het probleem waarmee u wordt geconfronteerd. Even belangrijk is de volatiliteit van de vraag. Volatiliteit is de reden dat u in de eerste plaats voorraad aanhoudt. Als de vraag volledig voorspelbaar zou zijn, zou u geen stockouts of overtollige voorraad hebben. Net zoals u de volledige waarschijnlijkheidsverdeling van doorlooptijden voor bevoorrading moet schatten, hebt u de volledige verdeling van vraagwaarden nodig.

    Zodra u het bereik van variabiliteit in zowel vraag als aanbod begrijpt, kunt u met probabilistische prognoses rekening houden met verstoringen en ongebruikelijke gebeurtenissen. Software zet uw gegevens on demand en doorlooptijden om in een groot aantal scenario's die aangeven hoe uw volgende planningsperiode eruit zou kunnen zien. Op basis van die scenario's kan de software bepalen hoe uw doelen het beste kunnen worden bereikt voor statistieken als voorraadkosten en voorraadpercentages. Met behulp van oplossingen zoals Smart Inventory Optimization plant u vol vertrouwen op basis van uw beoogde voorraadrisico met minimale voorraadkosten. U kunt ook overwegen om de oplossing optimale serviceniveaudoelen te laten voorschrijven door de kosten van extra voorraad versus voorraadkosten te beoordelen.

    Bij voorraadplanning kunnen we, net als in de wetenschap, niet ontsnappen aan de realiteit van onzekerheid en de impact van ongewone gebeurtenissen. We moeten dienovereenkomstig plannen: met software voor voorraadoptimalisatie kunt u het serviceniveau met de laagste kosten bepalen. Dit creëert een coherente, bedrijfsbrede inspanning die inzicht in de huidige activiteiten combineert met wiskundig correcte beoordelingen van toekomstige risico's en omstandigheden.

    Voorraadplanning is "interessanter" geworden en vereist een grotere mate van risicobewustzijn en wendbaarheid. De juiste software kan daarbij helpen.

     

    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. […]

        Herdefinieer uitzonderingen en verfijn de planning om onzekerheid aan te pakken

        De slimme voorspeller

         Het nastreven van best practices op het gebied van vraagplanning,

        prognoses en voorraadoptimalisatie

        Voorraadplanning vanuit het perspectief van een natuurkundige

        In een perfecte wereld zou Just In Time (JIT) de geschikte oplossing zijn voor voorraadbeheer. Als je precies kunt voorspellen wat je nodig hebt en waar je het nodig hebt en je leveranciers kunnen krijgen wat je nodig hebt zonder vertraging, dan hoef je lokaal niet veel voorraad aan te houden. Maar zoals het gezegde luidt van de beroemde bokser Mike Tyson: "iedereen heeft een plan totdat ze in de mond worden geslagen." En de laatste klap in de mond voor de wereldwijde toeleveringsketen was de blokkade van het Suezkanaal van vorige week die $9.6B in de handel tegenhield en naar schatting $6.7M per minuut kostte[1]. Verstoringen als gevolg van deze en soortgelijke gebeurtenissen moeten worden gemodelleerd en in uw planning worden verantwoord.

        De veronderstelling dat je precies kunt toekomst voorspellen bleek uit de wetten van Isaac Newton. Sinds de jaren 1920, met de introductie van de kwantumfysica, werd onzekerheid fundamenteel voor ons begrip van de natuur. Onzekerheid is ingebouwd in de fundamentele realiteit. Zo moet het ook worden ingebouwd in processen voor vraag- en aanbodplanning. Maar al te vaak worden Black Swan-evenementen, zoals de blokkade van het Suezkanaal, vaak gezien als anomalieën en als gevolg daarvan worden ze buiten beschouwing gelaten bij de planning. Het is niet genoeg om achteraf terug te kijken en te verkondigen dat het had kunnen worden verwacht. Er moet iets worden gedaan om het optreden van andere dergelijke gebeurtenissen in de toekomst aan te pakken en de voorraadniveaus dienovereenkomstig te plannen.

        We moeten verder gaan dan het denken van "dunne staartverdeling", waarbij extreme uitkomsten worden verdisconteerd, en plannen maken voor "dikke staarten". Dus hoe voeren we een real-world JIT-plan uit als het gaat om het plannen van inventaris? Om dit te doen, is de eerste stap het inschatten van de realistische doorlooptijd om een artikel te verkrijgen. Schatting is echter moeilijk vanwege de onzekerheid over de doorlooptijd. Met behulp van actuele doorlooptijden van leveranciers in uw bedrijfsdatabase en externe gegevens, kunt u een verdeling van mogelijke toekomstige doorlooptijden en eisen binnen die doorlooptijden ontwikkelen. Probabilistische prognoses stelt u in staat om rekening te houden met verstoringen en ongebruikelijke gebeurtenissen door uw schattingen niet te beperken tot wat uitsluitend is waargenomen op basis van uw eigen kortetermijngegevens over vraag en doorlooptijd. U kunt voor elke gebeurtenis mogelijke uitkomsten met bijbehorende kansen genereren.

        Zodra u een schatting heeft van de doorlooptijd en vraagverdeling, kunt u dat doen specificeer het serviceniveau je moet hebben voor dat onderdeel. Het gebruik van oplossingen zoals Slimme voorraadoptimalisatie (SIO), kunt u vol vertrouwen bevoorraden op basis van het beoogde voorraadrisico met minimale voorraadkosten. U kunt ook overwegen om de oplossing optimale serviceniveaudoelen te laten voorschrijven door de kosten van extra voorraad versus de kosten van voorraaduitval te beoordelen.

        Tot slot moeten we, zoals ik al heb opgemerkt, accepteren dat we nooit alle onzekerheid kunnen wegnemen. Als natuurkundige ben ik altijd geïntrigeerd geweest door het feit dat er, zelfs op de meest basale niveaus van de werkelijkheid zoals we die vandaag kennen, nog steeds onzekerheid bestaat. Albert Einstein geloofde in zekerheid (determinisme) in de natuurkundige wet. Als hij voorraadbeheerder was geweest, had hij misschien voor JIT gepleit omdat hij vond dat natuurkundige wetten perfecte voorspelbaarheid mogelijk zouden moeten maken. Hij zei beroemd: "God speelt niet met dobbelstenen." Of zou het mogelijk kunnen zijn dat het universum waarin we bestaan een "zwarte zwaan" -gebeurtenis was in een eerder "multiversum" dat een bepaald soort universum voortbracht waardoor we konden bestaan.

        Bij voorraadplanning kunnen we, net als in de wetenschap, niet ontsnappen aan de realiteit van onzekerheid en de impact van ongewone gebeurtenissen. We moeten dienovereenkomstig plannen.

         

        [1] https://www.bbc.com/news/business-56559073#:~:text=Looking%20at%20the%20bigger%20picture,0.2%20to%200.4%20percentage%20points.

        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. […]