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 in uw vraaggeschiedenis zijn waargenomen, 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:

Klant: “De prognose volgt niet de patronen die ik in de historie zie. Waarom niet?" 

Smart: “Als je goed kijkt, zijn de ups en downs die je ziet geen patronen. Het is echt lawaai.”  

Klant: "Maar als we de hoogtepunten niet voorspellen, slaan we de voorraad op."

Smart: “Als de voorspelling zou 'wiebelen', zou die veel minder nauwkeurig zijn. Het systeem voorspelt welk patroon dan ook, in dit geval een zeer lichte opwaartse trend. We bufferen het lawaai met veiligheidsvoorraden. De wiggles worden gebruikt om de veiligheidsvoorraden in te stellen.”

Klant: “Oké. Logisch nu.” 

Hebben uw statistische prognoses last van de grafiek met het wiggle-effect

De wiggle ziet er geruststellend uit, maar in dit geval resulteert het in een onjuiste vraagprognose. De ups en downs vinden niet echt elke maand op hetzelfde tijdstip plaats. Een betere statistische voorspelling wordt weergegeven in lichtgroen.

 

 

Hoe om te gaan met statistische prognoses van nul

Een statistische voorspelling van nul kan voor veel verwarring zorgen 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? Wanneer de oudere vraag veel groter is dan de meer recente vraag en de meer recente vraag een zeer laag volume is (dwz 1,2,3 gevraagde eenheden), is het antwoord, statistisch gezien, ja. Dit komt echter mogelijk niet overeen met de zakelijke kennis van de planner en het verwachte minimale vraagniveau. Dus, wat moet een voorspeller doen om dit te corrigeren? Hier zijn drie suggesties:

 

  1. Beperk de historische gegevens die aan het model worden ingevoerd. In een neerwaartse trendsituatie zijn de oudere gegevens dat vaak veel groter dan de recente gegevens. Wanneer de oudere, veel hogere volumevraag wordt genegeerd, zal de neerwaartse trend lang niet zo significant zijn. U voorspelt nog steeds een neerwaartse trend, maar de resultaten zullen eerder in lijn zijn met de zakelijke verwachtingen.
  1. Probeer trenddemping. Smart Demand Planner heeft een functie genaamd "trendhedging" waarmee gebruikers kunnen definiëren hoe een trend in de loop van de tijd moet verdwijnen. Hoe hoger het percentage trendhedge (0-100%), hoe sterker de trenddemping. Dit betekent dat een voorspelde trend zich niet gedurende de hele prognosehorizon zal voortzetten. Dit betekent dat de vraagprognose begint af te vlakken voordat deze nul bereikt bij een neerwaartse trend.
  1. Wijzig het prognosemodel. Schakel over van een trendingmethode zoals Double Exponential Smoothing of Linear Moving Average naar een niet-trendingmethode zoals Single Exponential Smoothing of Simple Moving Average. U voorspelt geen neerwaartse trend, maar uw voorspelling zal in ieder geval niet nul zijn en dus waarschijnlijker door het bedrijf worden geaccepteerd.

 

 

 

Het artikel van Smart Software heeft de 1e plaats gewonnen in de categorie 2022 Supply Chain Brief MVP Awards Forecasting!

Belmont, Massachusetts, december 2022 – Smart Software is verheugd aan te kondigen dat mede-oprichter Dr. Thomas R. Willemain's artikel "Managing Inventory amid Regime Change" de 1e plaats heeft gewonnen in de categorie Forecasting van de 2022 Supply Chain Brief MVP Awards.

"Regimeverandering" is een statistische term die een grote verandering in de aard van de vraag naar een voorraadartikel betekent. De vraaggeschiedenis van een item is de brandstof die de prognosemachines van vraagplanners aandrijft. Over het algemeen geldt: hoe meer brandstof, hoe beter, waardoor we een beter beeld hebben van het gemiddelde niveau, de vorm van elk seizoenspatroon en de grootte en richting van elke trend. Maar er is één grote uitzondering op de regel dat 'meer gegevens betere gegevens zijn'. Als er een grote verschuiving in uw bedrijf plaatsvindt en de nieuwe vraag niet lijkt op de oude vraag, dan worden oude gegevens gevaarlijk.

Lees hier het artikel over de winnaar van de MVP Award  https://smartcorp.com/inventory-optimization/managing-inventory-amid-regime-change/

Toeleveringsketen in het kort brengt de beste inhoud samen van honderden opinieleiders uit de branche. Deze MVP Award erkent de Meest waardevolle post zoals beoordeeld door het publiek, de prijscommissie en sociale media van Supply Chain Brief. Van Smart Software wordt erkend dat het de hoogste waarde biedt aan professionals uit de industrie en nuttige informatie van strategische aard biedt. https://www.supplychainbrief.com/mvp-awards/2022-SCB-MVP-AWARDS/forecasting

Dr.Thomas R.Willemain is mede-oprichter en Senior VP for Research bij Smart Software. Hij was professor aan het MIT en de Harvard Kennedy School of Government en is nu emeritus hoogleraar Industrial and Systems Engineering aan het Rensselaer Polytechnic Institute. Tom was een Distinguished Visiting Professor aan de FAA en ondersteunde de Intelligence Community als Expert Statistical Consultant (GS15) in de Mathematics Research Group van NSA en later bij IDA's Center for Computing Sciences. Hij heeft diploma's van Princeton University (BSE, summa cum laude) en Massachusetts Institute of Technology (MS en PhD), allemaal in Electrical Engineering.

Over Smart Software, Inc.
Smart Software, Inc., opgericht in 1981, is toonaangevend in het leveren van ondernemingsbrede oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie aan bedrijven. De oplossingen voor vraagvoorspelling en voorraadoptimalisatie van Smart Software hebben duizenden gebruikers over de hele wereld geholpen, waaronder klanten van middelgrote ondernemingen en Fortune 500-bedrijven, zoals Otis Elevator, Hitachi, WeatherTech en Disney. Slimme voorraadplanning en -optimalisatie geeft vraagplanners de tools om seizoensgebonden verkopen, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en periodiek gevraagde serviceonderdelen en kapitaalgoederen aan te pakken. Het biedt voorraadbeheerders ook nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts, en is online te vinden op www.smartcorp.com.

 

 

Smart Software presenteert op Community Summit Noord-Amerika

Smart Software's Channel Sales Director en Enterprise Solution Engineer, om drie sessies te presenteren op het Community Summit-evenement van dit jaar in Orlando, FL.  

Belmont, MA, - Smart Software, Inc., leverancier van toonaangevende oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie, heeft vandaag aangekondigd dat Pete Reynolds, Channel Sales Director, en Enterprise Solution Engineer Erik Subatis, zijn geselecteerd om drie sessies op de Dynamics Community Summit NA. Tijdens de drie sessies zullen ze uitleggen hoe u kunt plannen met behulp van Collaborative Forecasting, hoe u de serviceniveaus kunt maximaliseren en hoe u nauwkeurig kunt voorspellen.

Smart Software zal ook aanwezig zijn op de conferentie met de presentatie van Smart Inventory Planning & Optimization en bidirectionele integraties met Microsoft Dynamics NAV, Microsoft Dynamics 365 Business Central en Microsoft Dynamics AX.

Slimme softwarepresentaties op Community Summit Noord-Amerika 2022

  • Maximaliseer serviceniveaus en minimaliseer voorraadkosten
    • Sessiedatum: 10/12/2022 14:00 uur - 14:45 uur
    • Kamernummer: Tampa 2 – Convention Center, Level 2
  • Voorspel en plan de verkoopcyclus met behulp van Collaborative Forecasting
    •  Sessie Datum: 10/13/2022 9:00 AM -9:45 AM
    • Kamernummer: Sarasota 1 – Convention Center, Level 2
  • 5 Tips voor vraagplanning voor het berekenen van prognoseonzekerheid
    • Sessie Datum: 10/13/2022 10:00 AM -11:00 AM
    • Kamernummer: Osceola B – Convention Center, Level 2

 

Community Summit North America is de grootste onafhankelijke bijeenkomst van het Microsoft-ecosysteem voor zakelijke toepassingen van gebruikers, partners en ISV's ter wereld. Kom langs bij stand #1122 om meer te weten te komen over probabilistische prognose- en optimalisatiemethoden die een groot verschil kunnen maken voor uw bedrijfsresultaten. Of u nu een doorgewinterde Microsoft-gebruiker bent die op zoek is naar nieuwe manieren om uw toeleveringsketen te optimaliseren of nieuw bent bij Dynamics Applications en wilt begrijpen hoe een planningsplatform kan helpen om omzetstijgingen en voorraadverminderingen te stimuleren, kom gerust langs.

 

Over Smart Software, Inc.

Smart Software, Inc., opgericht in 1981, is een leider in het leveren van bedrijfsbrede oplossingen voor vraagprognose, planning en voorraadoptimalisatie voor bedrijven. De oplossingen voor vraagvoorspelling en voorraadoptimalisatie van Smart Software hebben duizenden gebruikers over de hele wereld geholpen, waaronder klanten bij middelgrote ondernemingen en Fortune 500-bedrijven, zoals Otis Elevator, Hitachi en Disney. Smart Inventory Planning & Optimization geeft vraagplanners de tools om seizoensinvloeden, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en periodiek gevraagde serviceonderdelen en kapitaalgoederen af te handelen. Het biedt voorraadbeheerders ook nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts, en is te vinden op het World Wide Web op: www.smartcorp.com.

Community Summit 2021 Smart Software Inventory planning


Neem voor meer informatie contact op met Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
Telefoon: 1-800-SMART-99 (800-762-7899); FAX: 1-617-489-2748; E-mail: info@smartcorp.com

 

 

Smart Software leidt een webinar als onderdeel van het WERC Solutions Partner Program

Belmont, MA, – Smart Software, Inc., leverancier van toonaangevende oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie, heeft vandaag aangekondigd dat Greg Hartunian, President en CEO van Smart Software, een webinar van 30 minuten zal leiden als onderdeel van de WERC Solutions Partner-programma 

De presentatie zal focussen op hoe een toonaangevend elektriciteitsbedrijf Smart Inventory Planning and Optimization (Smart IP&O) implementeerde als onderdeel van het strategische supply chain-optimalisatie-initiatief (SCO) van het bedrijf. Smart IP&O werd in slechts 90 dagen geïmplementeerd, waardoor het nutsbedrijf zijn bestelpunten en bestelhoeveelheden voor meer dan 250.000 reserveonderdelen kon optimaliseren. Tijdens de eerste fase van de implementatie hielp het platform het elektriciteitsbedrijf om de voorraad met $9.000.000 te verminderen, terwijl het serviceniveau behouden bleef.

Tot slot wordt het webinar afgesloten met het tonen van Smart IP&O in een Live Demo.

 

Warehousing Onderwijs- en Onderzoeksraad (WERC)

WERC is een professionele organisatie gericht op logistiek management en haar rol in de supply chain. Sinds de oprichting in 1977 heeft WERC een strategische visie behouden om continu middelen aan te bieden die distributiebeoefenaars en leveranciers helpen aan de top te blijven in ons dynamische, variabele veld. In een steeds complexere wereld begrijpen distributielogistiek professionals dingen zodat mensen hun producten en diensten krijgen, bedrijven hun verplichtingen nakomen, economieën groeien en gemeenschappen bloeien.

WERC geeft distributielogistieke professionals de kracht om hun werk te doen, uit te blinken in hun carrière en een verschil te maken in de wereld. WERC helpt haar leden en bedrijven te slagen door ongeëvenaarde leerervaringen te creëren, hoogwaardige netwerkmogelijkheden te bieden en toegang te krijgen tot onderzoeksgestuurde branche-informatie.

 

Over Smart Software, Inc.
Smart Software, Inc., opgericht in 1981, is een leider in het leveren van bedrijfsbrede oplossingen voor vraagprognose, planning en voorraadoptimalisatie voor bedrijven. Smart Software's oplossingen voor vraagvoorspelling en voorraadoptimalisatie hebben duizenden gebruikers over de hele wereld geholpen, waaronder klanten bij middelgrote ondernemingen en Fortune 500-bedrijven, zoals Otis Elevator, Mitsubishi, Siemens, Disney, FedEx, MARS en The Home Depot. Smart Inventory Planning & Optimization geeft vraagplanners de tools om seizoensinvloeden, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en periodiek gevraagde serviceonderdelen en kapitaalgoederen af te handelen. Het biedt voorraadbeheerders ook nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont,

 


Neem voor meer informatie contact op met Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
Telefoon: 1-800-SMART-99 (800-762-7899); FAX: 1-617-489-2748; E-mail: info@smartcorp.com

 

 

Beheer van de inventaris van gepromote artikelen

De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

In een vorige postbesprak ik een van de neteligere problemen waarmee vraagplanners soms worden geconfronteerd: het werken met gegevens over productvraag die worden gekenmerkt door wat statistici scheefheid noemen - een situatie die kostbare voorraadinvesteringen kan vergen. Dit soort problematische gegevens is te vinden in verschillende scenario's. In ten minste één geval, de combinatie van intermitterende vraag en zeer effectieve verkoopacties, leent het probleem zich voor een effectieve oplossing.

Als u de termen herziet, bedenk dan dat "serviceniveau" de waarschijnlijkheid is van het niet bevoorraden terwijl u wacht op een aanvullingsorder, terwijl "vulpercentage" het percentage van de vraag is waaraan onmiddellijk uit voorraad wordt voldaan. In mijn vorige bericht, "The Scourge of Skewness", heb ik erop gewezen dat een bepaald type vraagverdeling, met een "long right tail", zal leiden tot opvullingspercentages die veel lager kunnen zijn dan de serviceniveaus. Ik heb er ook op gewezen dat soms de enige manier om het opvullingspercentage te verbeteren, is om het beoogde serviceniveau te verhogen tot een ongewoon hoog niveau, wat duur kan zijn.

In dit bericht zal ik kijken naar het oplossen van het probleem in één speciaal geval: scheefheid als gevolg van effectieve verkooppromoties vermengd met "intermitterende vraag". Intermitterende vraag heeft een groot deel van nulwaarden, met willekeurige waarden die niet gelijk zijn aan nul. Succesvolle verkooppromoties, uiteraard positief, hebben een keerzijde: ze kunnen het "vraagsignaal" verwarren met pieken in uw vraaggeschiedenis, en kunnen prognoses en vertekening van veiligheidsvoorraadberekeningen ondermijnen. Wanneer een intermitterende vraag en effectieve verkoopacties de oorzaak zijn van de scheefheid van uw gegevens, bestaan er methoden om het probleem te omzeilen om zowel hogere opvullingspercentages als nauwkeurigere vraagprognoses te bereiken.

Hoe promoties scheefheid vergroten

Succesvolle promoties doen de vraag naar artikelen abrupt stijgen. Dit creëert anomalieën, of "uitschieters", die bijdragen aan het vormen van een scheve verdeling. Als we weten wanneer er in het verleden promoties hebben plaatsgevonden, kunnen we het record van de eerdere vraag van een item aanpassen. We produceren een alternatieve vraaggeschiedenis alsof er geen promoties zijn geweest, door de uitschieters te vervangen door waarden die meer representatief zijn voor het "natuurlijke" vraagniveau. Deze aanpassingen verminderen de scheefheid van de vraag. Verminderde scheefheid kan leiden tot aanzienlijke verlagingen van zowel verwachte prognoses als veiligheidsvoorraden, die bij elkaar optellen om bestelpunten te vormen.

Succesvolle promoties zullen waarschijnlijk worden herhaald. Wanneer dat gebeurt, kunnen de promotie-effecten worden toegevoegd aan vraagprognoses om hun nauwkeurigheid te vergroten. Het effect van toekomstige promoties op voorraadbeheer zal zijn dat het risico van stockouts toeneemt, dus een verstandige reactie is om op operationeel niveau te werken aan het opbouwen van tijdelijke voorraad, in een hoeveelheid die is afgestemd op de geschatte impact van eerdere promoties op de betrokken artikelen.

 

Gebeurtenismodellering gebruiken om vraagprognoses te verbeteren

Het is mogelijk om de impact van soortgelijke evenementen te modelleren en dit toe te passen op geplande evenementen in de toekomst. Als u dit doet, kunt u uw prognose op twee manieren verbeteren: door de vraagschok te projecteren die u verwacht van een gepland evenement; en het rationaliseren van de pieken in het verleden die werden veroorzaakt door gebeurtenissen, waardoor uw basisactiviteit zichtbaarder en nauwkeuriger voorspelbaar wordt. We doen dit veel in SmartForecasts, dus sta me toe onze ervaring daar te gebruiken om u te laten zien wat ik bedoel.

Event Modeling omvat de volgende stappen:
• Automatische inschatting van de impact van eerdere promoties (wat op zich al een nuttig resultaat is).
• Historische vraag aanpassen om het effect van promoties statistisch te verwijderen.
• Promotie-vrije prognoses maken.
• Het herzien van de prognoses voor eventuele toekomstige perioden waarin promoties zijn gepland.

We noemen dit type analyse “Promo forecasting”. We gebruiken het woord "promoties" om te beschrijven wat u zelf doet om uw resultaten te verbeteren. We gebruiken 'gebeurtenissen' om te beschrijven wat de wereld met u doet, meestal in uw nadeel; voorbeelden zijn stakingen, stroomuitval, magazijnbranden en andere ongelukkige gebeurtenissen.

Om te begrijpen hoe Event Modeling u kan helpen om te gaan met scheefheid bij het doen van vraagprognoses voor artikelen met een hoog volume, bekijkt u figuren 1-3.

Figuur 1 laat zien dat het vraagpatroon van dit artikel duidelijk seizoensgebonden is en dat de voorspelling zowel seizoensgebonden als "strak" is, wat betekent dat het voorspelde onzekerheidsinterval ("foutmarge", weergegeven in cyaankleurige lijnen) erg smal is.

Afbeelding 2 toont een alternatieve geschiedenis waarin een promotie in juni 2014 het gebruikelijke seizoensdieptepunt van juni-verkopen omkeerde. Dit vraagpatroon werd voorspeld met behulp van het automatische voorspellingstoernooi in SmartForecasts, zoals in afbeelding 1. Deze keer vervormde de promotie het seizoenspatroon voldoende om een ongepaste niet-seizoensgebonden voorspelling te maken, en een die een veel grotere foutmarge heeft.

Ten slotte laat afbeelding 3 zien hoe Promo-prognoses omgaan met hetzelfde gepromote scenario, een seizoensprognose behouden en in de prognose een schatting inbouwen van het effect van een geplande herhalingspromotie in 2015.

Het geval van intermitterende vraag

In afbeelding 1 was het artikel een gereed product met een hoog volume en was de taak vraagprognose. Promomodellering is ook nuttig wanneer het gaat om het instellen van veiligheidsvoorraden en bestelpunten voor artikelen met intermitterende vraag, of het nu gaat om gereed product, componenten of reserveonderdelen. Intermitterende vraag heeft vaak een scheve verdeling die het moeilijk maakt om een hoge artikelbeschikbaarheid te bereiken met een kleine investering in voorraad.

Afbeelding 4 illustreert het probleem dat een succesvolle promotie per ongeluk kan veroorzaken voor voorraadbeheer. Als zo'n piek het gevolg is van de natuurlijke, niet-gestimuleerde vraag, dan is de enige manier om hoge opvullingspercentages te behouden, om veiligheidsvoorraden aan te leggen die groot genoeg zijn om deze willekeurige pieken op te vangen. In dit geval was de grote vraagpiek van 500 stuks in februari 2013 het resultaat van een eenmalige actie.

Rekening houden met promoties om voorraadbeheer te verbeteren

Als u de piek in het bovenstaande voorbeeld onbewust beschouwt als onderdeel van de natuurlijke variabiliteit in de vraag, resulteert dit in een slecht opvullingspercentage. Om een beoogd serviceniveau van bijvoorbeeld 95% met een doorlooptijd van één maand te bereiken, zou een bestelpunt van 38 eenheden nodig zijn, berekend als de som van een verwachte prognose over de aanvultijd van één maand van 21 eenheden aangevuld met een veiligheidsvoorraad van 17 eenheden. Deze investering zou resulteren in een teleurstellend opvullingspercentage van slechts 36%.

Erkennen dat de piek een eenmalige promotie is en de 500 eenheden vervangen door 0 zou natuurlijk een groot verschil maken. Het bestelpunt zou dalen van 38 eenheden naar 31 (de som van een verwachte vraag van 7 eenheden en een veiligheidsvoorraad van 24 eenheden) en het opvullingspercentage zou toenemen tot 94%.

Het is natuurlijk niet oké om vervelende pieken in de vraag gewoon weg te gooien wanneer ze het leven ongemakkelijk maken; er moet een valide 'business story' achter de aanpassing van de historische vraag zitten. Als de piek het gevolg is van een gegevensverwerkingsfout, repareer deze dan in ieder geval. Als de piek samenvalt met een promotie, zal het vervangen van de piek door bijvoorbeeld de mediane vraag (vaak nul, zoals in dit voorbeeld) resulteren in een veel duurzamere voorraadinvestering die nog steeds voldoet aan agressieve prestatiedoelstellingen. Toekomstige promoties van hetzelfde type op hetzelfde artikel zullen wat extra inspanning vergen om zich voor te bereiden op de tijdelijke stijging van de vraag, maar het aanbevolen bestelpunt zal op de lange termijn correct zijn.

Thomas Willemain, PhD, was medeoprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselear Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.

Laat een reactie achter

gerelateerde berichten

De top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen

De 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).

Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning

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.

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. […]