Verward over AI en Machine Learning?

Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

Wat is en wat niet

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

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

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

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

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

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

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

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

Clustering

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

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

 

Verward over AI en Machine Learning-inventarisplanning

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

Onregelmatigheidsdetectie

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

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

Detectie van regimewijzigingen

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

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

Verward over AI en Machine Learning Vraagplanning

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

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

Regressie analyse

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

Overzicht

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

 

 

Hoe u voorraadvereisten kunt voorspellen

Het voorspellen van voorraadbehoeften is een gespecialiseerde variant van prognoses die zich richt op de bovenkant van het bereik van mogelijke toekomstige vraag.

Beschouw voor de eenvoud het probleem van het voorspellen van de voorraadbehoeften voor slechts één periode vooruit, bijvoorbeeld één dag vooruit. Meestal bestaat de taak van forecasting uit het schatten van het meest waarschijnlijke of gemiddelde niveau van de productvraag. Als de beschikbare voorraad echter gelijk is aan de gemiddelde vraag, bestaat er een kans van ongeveer 50% dat de vraag de voorraad overtreft en resulteert in verloren omzet en/of verloren goede wil. Het instellen van het voorraadniveau op bijvoorbeeld tien keer de gemiddelde vraag zal waarschijnlijk het probleem van voorraadtekorten elimineren, maar zal net zo zeker resulteren in oplopende voorraadkosten.

De truc van voorraadoptimalisatie is om een bevredigende balans te vinden tussen voldoende voorraad hebben om aan de meeste vraag te voldoen zonder al te veel middelen in het proces vast te leggen. Meestal is de oplossing een combinatie van zakelijk inzicht en statistieken. Het beoordelende deel is het definiëren van een acceptabel voorraadserviceniveau, zoals het direct uit voorraad voldoen aan 95% vraag. Het statistische deel is om het 95e percentiel van de vraag te schatten.

Wanneer niet omgaan met Intermittent demandkunt u het vereiste voorraadniveau vaak schatten door uit te gaan van een klokvormige (normale) vraagcurve, waarbij u zowel het midden als de breedte van de klokcurve schat, en vervolgens een standaard statistische formule gebruikt om het gewenste percentiel te schatten. Het verschil tussen het gewenste voorraadniveau en het gemiddelde vraagniveau wordt de ‘veiligheidsvoorraad’ genoemd, omdat deze beschermt tegen de mogelijkheid van voorraadtekorten.

Bij een intermitterende vraag is de klokvormige curve een zeer slechte benadering van de statistische verdeling van de vraag. In dit speciale geval maakt Smart gebruik van gepatenteerde technologie voor intermitterende vraag die is ontworpen om de marges nauwkeurig te voorspellen en een betere schatting te maken van de veiligheidsvoorraad die nodig is om het vereiste voorraadserviceniveau te bereiken.

 

Iedereen maakt prognoses om de voorraadplanning te stimuleren. Het is alleen de vraag hoe.

Ontdek hoe prognoses worden gebruikt met deze 4 vragen.

Vaak zullen bedrijven volhouden dat ze "geen prognoses gebruiken" om voorraad te plannen. Ze gebruiken vaak methodes voor bestelpunten en worstelen met het verbeteren van tijdige levering, voorraadrotaties en andere KPI's. Hoewel ze niet denken dat wat ze doen expliciet voorspellen, gebruiken ze zeker schattingen van de toekomstige vraag om bestelpunten zoals min/max te ontwikkelen.

Ongeacht hoe het wordt genoemd, iedereen probeert de toekomstige vraag op de een of andere manier in te schatten en gebruikt deze schatting om voorraadbeleid te bepalen en bestellingen te stimuleren. Om de voorraadplanning te verbeteren en ervoor te zorgen dat u niet te veel of te weinig bestelt en grote voorraden en een opgeblazen gevoel creëert, is het belangrijk om precies te begrijpen hoe uw organisatie prognoses gebruikt. Als dit eenmaal is begrepen, kunt u beoordelen of de kwaliteit van de prognoses kan worden verbeterd.

Probeer antwoorden te krijgen op de volgende vragen. Het zal onthullen hoe prognoses in uw bedrijf worden gebruikt, zelfs als u denkt dat u geen prognoses gebruikt.

1. Is uw prognose een periode-voor-periode schatting in de loop van de tijd die wordt gebruikt om te voorspellen welke voorraad er in de toekomst zal zijn en die bestelsuggesties in uw ERP-systeem activeert?

2. Of wordt uw prognose gebruikt om een bestelpunt af te leiden, maar niet expliciet gebruikt als drijfveer per periode om bestellingen te activeren? Hier kan ik voorspellen dat we er 10 per week zullen verkopen op basis van de geschiedenis, maar we laden niet 10, 10, 10, 10, etc. in het ERP. In plaats daarvan leid ik een bestelpunt of min af dat de doorlooptijd van twee perioden dekt + een hoeveelheid buffer om te helpen beschermen tegen voorraaduitval. In dit geval bestel ik meer wanneer de voorraad op 25 komt.

3. Wordt uw prognose gebruikt als leidraad voor de planner om subjectief te helpen bepalen wanneer ze meer moeten bestellen? Hier voorspel ik er 10 per week, en ik beoordeel de voorhanden inventaris periodiek, bekijk de verwachte doorlooptijd en besluit, gezien de 40 eenheden die ik vandaag bij de hand heb, dat ik "genoeg" heb. Dus ik doe nu niets, maar kom over een week weer terug.

4. Wordt het gebruikt om raamcontracten met leveranciers op te stellen? Hier voorspel ik 10 per week en ga akkoord met een algemene inkooporder met de leverancier van 520 per jaar. De bestellingen worden vervolgens van tevoren geplaatst om eenmaal per week in hoeveelheden van 10 te arriveren totdat de algemene bestelling is verbruikt.

Zodra u de antwoorden heeft, kunt u vragen hoe de schattingen van de vraag tot stand komen. Is het een gemiddelde? Leidt het de vraag over de doorlooptijd af uit een verkoopprognose? Wordt er ergens een statistische prognose gegenereerd? Welke methodes worden overwogen? Het zal ook belangrijk zijn om te beoordelen hoe veiligheidsvoorraden worden gebruikt om te beschermen tegen variabiliteit in vraag en aanbod. Meer over dit alles in een toekomstig artikel.

 

Wat Silicon Valley Bank kan leren van Supply Chain Planning

Als je de laatste tijd je hoofd omhoog hebt gehouden, heb je misschien wat extra waanzin opgemerkt op het basketbalveld: het falen van Silicon Valley Bank. Degenen onder ons in de supply chain-wereld hebben het bankfalen misschien afgedaan als het probleem van iemand anders, maar die spijtige episode bevat ook een grote les voor ons: het belang van stresstesten die goed worden uitgevoerd.

De Washington Post onlangs verscheen een opiniestuk van Natasha Sarin met de titel “Regulators misten de problemen van Silicon Valley Bank maandenlang. Dit is waarom." Sarin schetste de tekortkomingen in het stresstestregime dat de Federal Reserve aan de bank heeft opgelegd. Een probleem is dat de stresstesten te statisch zijn. De stressfactor van de Fed voor de nominale bbp-groei was één enkel scenario met de veronderstelde waarden voor de komende 13 kwartalen (zie figuur 1). Die 13 driemaandelijkse projecties zijn misschien iemands consensus over hoe een bad hair day eruit zou zien, maar dat is niet de enige manier waarop dingen zouden kunnen verlopen. Als samenleving wordt ons geleerd een betere manier te waarderen om onvoorziene omstandigheden weer te geven telkens wanneer de National Weather Service ons geprojecteerde orkaansporen laat zien (zie figuur 2). Elk scenario, weergegeven door een lijn met een andere kleur, toont een mogelijk stormpad, waarbij de geconcentreerde lijnen het meest waarschijnlijke pad vertegenwoordigen. Door de lagere waarschijnlijkheidspaden bloot te leggen, wordt de risicoplanning verbeterd.

Bij het stresstesten van de toeleveringsketen hebben we realistische scenario's nodig van mogelijke toekomstige eisen die zich kunnen voordoen, zelfs extreme eisen. Smart voorziet hierin in onze software (met aanzienlijke verbeteringen in onze Gen2 methodes). De software genereert een groot aantal geloofwaardige vraagscenario's, genoeg om de volledige omvang van de risico's bloot te leggen (zie figuur 3). Stresstesten hebben alles te maken met het genereren van enorme aantallen planningsscenario's, en de probabilistische methoden van Smart wijken radicaal af van eerdere deterministische S&OP-toepassingen, omdat ze volledig op scenario's zijn gebaseerd.

De andere fout in de stresstests van de Fed was dat ze maanden van tevoren waren ontworpen, maar nooit werden bijgewerkt voor veranderende omstandigheden. Vraagplanners en voorraadbeheerders begrijpen intuïtief dat sleutelvariabelen zoals de vraag naar artikelen en de doorlooptijd van leveranciers niet alleen zeer willekeurig zijn, zelfs wanneer de zaken stabiel zijn, maar ook onderhevig zijn aan abrupte verschuivingen die een snelle herschrijving van planningsscenario's vereisen (zie afbeelding 4, waar de gemiddelde vraag springt dramatisch omhoog tussen waarnemingen 19 en 20). Smart's Gen2-producten bevatten nieuwe technologie voor het detecteren van dergelijke "regime verandert' en dienovereenkomstig automatisch veranderende scenario's.

Banken worden gedwongen om stresstests te ondergaan, hoe gebrekkig ze ook mogen zijn, om hun spaarders te beschermen. Supply chain-professionals hebben nu een manier om hun supply chains te beschermen door moderne software te gebruiken om hun vraagplannen en voorraadbeheerbeslissingen aan een stresstest te onderwerpen.

1 Scenario's gebruikten de Fed om banken Software te stresstesten

Figuur 1: Scenario's die de Fed gebruikte om banken te stresstesten.

 

2 Scenario's die door de National Weather Service worden gebruikt om orkaansporen te voorspellen

Figuur 2: Scenario's die door de National Weather Service worden gebruikt om orkaansporen te voorspellen

 

3 Vraagscenario's van het type gegenereerd door Smart Demand Planner

Afbeelding 3: Vraagscenario's van het type gegenereerd door Smart Demand Planner

 

4 Voorbeeld van regimeverandering in productvraag na observatie #19

Figuur 4: Voorbeeld van regimeverandering in productvraag na observatie #19

 

 

Supply Chain Math: neem geen mes mee naar een vuurgevecht

Of je het nu zelf tot in detail begrijpt of vertrouwt op betrouwbare software, wiskunde is voor iedereen een feit voorraadbeheer en eis voorspelling die hoopt concurrerend te blijven in de moderne wereld.

Op een conferentie onlangs verkondigde de hoofdpresentator in een workshop voorraadbeheer trots dat hij geen behoefte had aan 'hooguitziende wiskunde', waarvan werd uitgelegd dat het iets betekende dat verder ging dan wiskunde van de zesde klas.

Wiskunde is niet ieders eerste liefde. Maar als je er echt om geeft je werk goed te doen, kun je het werk niet benaderen met een basisschoolmentaliteit. Supply chain-taken zoals vraagprognoses en voorraadbeheer zijn dat wel inherent wiskundig. De blog die is gekoppeld aan edX, een vooraanstaande site voor online cursusmateriaal voor hogescholen, heeft een geweldig bericht over dit onderwerp, op https://www.mooc.org/blog/how-is-math-used-in-supply-chain. Ik citeer het eerste stukje:

Wiskunde en de bevoorradingsketen gaan hand in hand. Naarmate toeleveringsketens groeien, zal de toenemende complexiteit bedrijven ertoe aanzetten om manieren te zoeken om grootschalige besluitvorming te beheren. Ze kunnen niet teruggaan naar hoe toeleveringsketens 100 jaar geleden waren – of zelfs twee jaar geleden vóór de pandemie. In plaats daarvan zullen nieuwe technologieën helpen bij het stroomlijnen en beheren van de vele bewegende delen. De logistieke vaardigheden, optimalisatietechnologieën en organisatorische vaardigheden die in de toeleveringsketen worden gebruikt, vereisen allemaal wiskunde.

Onze klanten hoeven geen experts te zijn in supply chain-wiskunde, ze moeten alleen de software kunnen gebruiken die de wiskunde bevat. Software combineert de ervaring van gebruikers en inhoudelijke expertise om resultaten te produceren die het verschil maken tussen succes en falen. Om zijn werk te doen, kan de software niet stoppen bij wiskunde in de zesde klas; het heeft waarschijnlijkheid, statistiek en optimalisatietheorie nodig.

Het is aan ons, softwareleveranciers, om de wiskunde zo te verpakken dat wat er in de berekeningen komt, het enige is dat relevant is, zelfs als het ingewikkeld is; en dat wat eruit komt duidelijk, besluitrelevant en verdedigbaar is wanneer u uw aanbevelingen aan het hoger management moet rechtvaardigen.

Wiskunde van de zesde klas kan u niet waarschuwen wanneer de manier waarop u voorstelt een kritiek reserveonderdeel te beheren, een 70%-kans betekent dat u uw doel voor artikelbeschikbaarheid niet haalt. Het kan u niet vertellen hoe u uw bestelpunten het beste kunt aanpassen wanneer een leverancier belt en zegt: "We hebben een leveringsprobleem." Het kan je huid niet redden als er een verrassend grote bestelling is en je snel moet uitzoeken wat de beste manier is om een aantal versnelde speciale bestellingen op te zetten zonder het operationele budget te vernietigen.

Respecteer dus de volkswijsheid en neem geen mes mee naar een vuurgevecht.

 

 

Het Supply Chain Blame-spel: Top 3 excuses voor voorraadtekorten en -overschotten

1. Tekorten wijten aan variabiliteit in de doorlooptijd
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.

 

2. Overdaad de schuld geven van slechte verkoop-/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.

 

3. 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.