Het beheer van reserveonderdelen brengt tal van uitdagingen met zich mee, zoals onverwachte storingen, veranderende schema's en inconsistente vraagpatronen. Traditionele prognosemethoden en handmatige benaderingen zijn niet effectief in het omgaan met deze complexiteit. Om deze uitdagingen het hoofd te bieden, schetst deze blog de belangrijkste strategieën die prioriteit geven aan serviceniveaus, probabilistische methoden gebruiken om bestelpunten te berekenen, het voorraadbeleid regelmatig aanpassen en een speciaal planningsproces implementeren om overmatige voorraad te voorkomen. Verken deze strategieën om de inventaris van reserveonderdelen te optimaliseren en de operationele efficiëntie te verbeteren.

Onder aan de streep vooraf

1. Voorraadbeheer is Risicomanagement.

2. Kan risico's niet goed of op schaal beheren subjectieve planning - Noodzaak om service versus kosten te kennen.

3. Dat is het niet variabiliteit van vraag en aanbod dat is het probleem – het is hoe je ermee omgaat.

4. Reserveonderdelen hebben periodieke vraag naar dus traditionele methoden werken niet.

5.Vuistregel benaderingen houden geen rekening met de variabiliteit van de vraag en wijzen voorraad verkeerd toe.

6.Gebruik Service Level Driven Planning  (afwegingen tussen service en kosten) om voorraadbeslissingen te stimuleren.

7.Probabilistisch benaderingen zoals Bootstrapping nauwkeurige schattingen van bestelpunten opleveren.

8.Onderdelen classificeren en wijs doelen op serviceniveau toe per klasse.

9.Kalibreer vaak opnieuw - duizenden onderdelen hebben oude, verouderde bestelpunten.

10.Herstelbare onderdelen speciale behandeling nodig hebben.

Concentreer u op de echte grondoorzaken

Intermittent Demand

• Langzaam bewegend, onregelmatig of sporadisch met een groot percentage nulwaarden.
• Waarden die niet gelijk zijn aan nul worden willekeurig gemengd – spikes zijn groot en gevarieerd.
• Is niet klokvormig (de vraag is niet normaal verdeeld rond het gemiddelde.)
• Ten minste 70% van de onderdelen van een typisch nutsbedrijf wordt met tussenpozen gevraagd.

Normale vraag

• Zeer weinig periodes zonder vraag (uitzondering zijn seizoensgebonden onderdelen.)
• Vertoont vaak trend-, seizoens- of cyclische patronen.
• Lagere niveaus van vraagvariabiliteit.
• Is klokvormig (de vraag is normaal verdeeld rond het gemiddelde.)

Ga niet af op gemiddelden

• OK voor het bepalen van typisch gebruik gedurende langere tijd.
• Voorspelt vaak meer "nauwkeurig" dan sommige geavanceerde methoden.
• Maar... onvoldoende om te bepalen wat je in voorraad moet hebben.

Buffer niet met veelvouden van gemiddelden

Voorbeeld: twee even belangrijke onderdelen, dus laten we ze hetzelfde behandelen.
We zullen meer bestellen wanneer Voorraad ≤ 2 x Gem. Levertijd Vraag.

Gebruik Service Level-afwegingscurven om de veiligheidsvoorraad te berekenen

Standaard Normale Kansen

OK voor normale vraag. Werkt niet met periodieke vraag!

Gebruik geen normale (klokvormige) verdelingen

• U krijgt de afwegingscurve verkeerd:

- u richt zich bijvoorbeeld op 95% maar bereikt 85%.

- u richt zich bijvoorbeeld op 99% maar bereikt 91%.

• Dit is een enorme misser met kostbare implicaties:

– U slaat vaker een voorraad op dan verwacht.

– U begint met het toevoegen van subjectieve buffers ter compensatie en vervolgens met overstock.

– Gebrek aan vertrouwen/twijfelen aan output verlamt de planning.

Waarom traditionele methoden mislukken bij intermitterende vraag: 

Traditionele methoden zijn niet ontworpen om kernproblemen in het beheer van reserveonderdelen aan te pakken.

Behoefte: Kansverdeling (niet klokvormig) van vraag over variabele doorlooptijd.

• Get: Voorspelling van gemiddeld vraag in elke maand, geen totaal over de doorlooptijd.
• Get: vastgeschroefd model van variabiliteit, meestal het normale model, meestal verkeerd.

Behoefte: blootstelling van afwegingen tussen beschikbaarheid van artikelen en voorraadkosten.

• Krijg: niets van dit alles; krijg in plaats daarvan veel inconsistente, ad-hocbeslissingen.

Gebruik statistische bootstrapping om de verdeling te voorspellen:

Benut vervolgens de distributie om het voorraadbeleid te optimaliseren.

Hoe werkt Bootstrapping?

24 maanden historische vraaggegevens.

Bootstrap-scenario's voor een doorlooptijd van 3 maanden.

Bootstrapping bereikt het doel van het serviceniveau met een nauwkeurigheid van bijna 100%!

• Nationale opslagoperatie.

Taak: voorraadniveaus voorspellen voor 12.000 periodiek gevraagde SKU's op serviceniveaus 95% en 99%

Resultaten:

Op serviceniveau 95% was 95.23% niet op voorraad.

Op serviceniveau 99% was 98.66% niet op voorraad.

Dit betekent dat u kunt vertrouwen op output om verwachtingen te scheppen en met vertrouwen gerichte voorraadaanpassingen door te voeren die de voorraad verlagen en de service verbeteren.

Stel doelserviceniveaus in op basis van bestelfrequentie en -omvang

Herbestelpunten regelmatig opnieuw kalibreren

• Statische ROP's veroorzaken overschotten en tekorten.
• Naarmate de doorlooptijd toeneemt, neemt ook de ROP toe en vice versa.
• Naarmate het gebruik afneemt, moet de ROP dat ook doen en vice versa.
• Hoe langer u wacht met herijken, hoe groter de onbalans.
• Bergen onderdelen te vroeg of te laat besteld.
• Verspilt de tijd van kopers door de verkeerde bestellingen te plaatsen.
• Wekt wantrouwen in systemen en dwingt gegevenssilo's af.

Doe plannen draaibaar (Onderdelen repareren) Anders

Overzicht

1. Voorraadbeheer is Risicomanagement.

2. Kan risico's niet goed of op schaal beheren subjectieve planning - Noodzaak om service versus kosten te kennen.

3. Dat is het niet variabiliteit van vraag en aanbod dat is het probleem – het is hoe je ermee omgaat.

4. Reserveonderdelen hebben periodieke vraag naar dus traditionele methoden werken niet.

5.Vuistregel benaderingen houden geen rekening met de variabiliteit van de vraag en wijzen voorraad verkeerd toe.

6.Gebruik Service Level Driven Planning  (afwegingen tussen service en kosten) om voorraadbeslissingen te stimuleren.

7.Probabilistisch benaderingen zoals Bootstrapping nauwkeurige schattingen van bestelpunten opleveren.

8.Onderdelen classificeren en wijs doelen op serviceniveau toe per klasse.

9.Kalibreer vaak opnieuw - duizenden onderdelen hebben oude, verouderde bestelpunten.

10.Herstelbare onderdelen speciale behandeling nodig hebben.

Wist je dat het Benjamin Franklin was die de bliksemafleider uitvond om gebouwen te beschermen tegen blikseminslag? Nu hoeven we ons niet elke dag zorgen te maken over blikseminslagen, maar in het onvoorspelbare zakenklimaat van vandaag moeten we ons wel zorgen maken over verstoringen in de toeleveringsketen, lange doorlooptijden, stijgende rentetarieven en een volatiele vraag. Met al deze uitdagingen is het voor organisaties nog nooit zo belangrijk geweest om het gebruik van onderdelen en voorraadniveaus nauwkeurig te voorspellen en het bevoorradingsbeleid, zoals bestelpunten, veiligheidsvoorraden en bestelhoeveelheden, te optimaliseren. In deze blog onderzoeken we hoe bedrijven gebruik kunnen maken van innovatieve oplossingen, zoals voorraadoptimalisatie en software voor het voorspellen van onderdelen die gebruikmaken van machine learning-algoritmen, probabilistische prognoses en analyses om voorop te blijven lopen en hun toeleveringsketens te beschermen tegen onverwachte schokken.

Planningsoplossingen voor reserveonderdelen
Optimalisatie van reserveonderdelen is een belangrijk aspect van supply chain management voor veel industrieën. Het omvat het beheer van de inventaris van reserveonderdelen om ervoor te zorgen dat ze beschikbaar zijn wanneer dat nodig is, zonder overtollige voorraad die kapitaal en ruimte in beslag kan nemen. Het optimaliseren van de inventaris van reserveonderdelen is een complex proces dat een grondige kennis van gebruikspatronen, doorlooptijden van leveranciers en de kritieke waarde van elk onderdeel voor het bedrijf vereist.

In deze blog zal onze primaire nadruk liggen op het cruciale aspect van voorraadoptimalisatie en vraagvoorspelling. Andere hieronder beschreven benaderingen voor het optimaliseren van reserveonderdelen, zoals voorspellend onderhoud en 3D-printen, Master Data Management en gezamenlijke planning, moeten echter worden onderzocht en waar nodig worden toegepast.

1. Voorspellend onderhoud: Voorspellende analyses gebruiken om te anticiperen wanneer een onderdeel waarschijnlijk defect raakt en het proactief te vervangen, in plaats van te wachten tot het kapot gaat. Deze aanpak kan bedrijven helpen downtime en onderhoudskosten te verminderen en de algehele effectiviteit van apparatuur te verbeteren.
2. 3d printen: Dankzij de vooruitgang in de 3D-printtechnologie kunnen bedrijven reserveonderdelen op aanvraag produceren, waardoor er minder voorraad nodig is. Dit bespaart niet alleen ruimte en kosten, maar zorgt er ook voor dat onderdelen beschikbaar zijn wanneer dat nodig is.
3. Beheer van stamgegevens: Gegevensbeheerplatforms zorgen ervoor dat onderdeelgegevens correct worden geïdentificeerd, gecatalogiseerd, opgeschoond en georganiseerd. Maar al te vaak hebben MRO-organisaties hetzelfde onderdeelnummer onder verschillende SKU's. Deze dubbele onderdelen dienen hetzelfde doel, maar hebben verschillende SKU-nummers nodig om naleving van de regelgeving of veiligheid te garanderen. Een onderdeel dat wordt gebruikt ter ondersteuning van een overheidscontract, kan bijvoorbeeld nodig zijn van een Amerikaanse fabrikant om te blijven voldoen aan de "Buy America"-regelgeving. Het is van cruciaal belang dat deze onderdeelnummers worden geïdentificeerd en, indien mogelijk, worden geconsolideerd in één SKU om voorraadinvesteringen binnen de perken te houden.
4. Gezamenlijke planning: Door samen te werken met leveranciers en klanten om gegevens, prognoses en vraagplanning te delen, kunnen bedrijven doorlooptijden verkorten, de nauwkeurigheid verbeteren en voorraadniveaus verlagen. Prognoses spelen een essentiële rol in samenwerking, aangezien het delen van inzichten over aankopen, vraag en koopgedrag ervoor zorgt dat leveranciers over de informatie beschikken die ze nodig hebben om ervoor te zorgen dat de voorraad voor klanten beschikbaar is.

Inventory Optimization
Abraham Lincoln werd ooit als volgt geciteerd: "Geef me zes uur om een boom om te hakken, en ik zal de eerste vier uur besteden aan het slijpen van de bijl"? Lincoln wist dat voorbereiding en optimalisatie de sleutel tot succes waren, net zoals organisaties over de juiste tools moeten beschikken, zoals software voor voorraadoptimalisatie, om hun toeleveringsketen te optimaliseren en voorop te blijven lopen in de markt. Met software voor voorraadoptimalisatie kunnen organisaties hun prognosenauwkeurigheid verbeteren, voorraadkosten verlagen, serviceniveaus verbeteren en doorlooptijden verkorten. Lincoln wist dat het slijpen van de bijl nodig was om de klus effectief te klaren zonder overmatige inspanning. Voorraadoptimalisatie zorgt ervoor dat voorraaddollars effectief worden toegewezen aan duizenden onderdelen, waardoor serviceniveaus worden gegarandeerd en overtollige voorraad wordt geminimaliseerd.

Reserveonderdelen spelen een doorslaggevende rol bij het handhaven van de operationele efficiëntie, en het ontbreken van kritieke onderdelen kan leiden tot uitvaltijd en verminderde productiviteit. Door de sporadische aard van de vraag naar reserveonderdelen is het moeilijk te voorspellen wanneer een specifiek onderdeel nodig zal zijn, wat resulteert in het risico van over- of onderbevoorrading, die beide kosten kunnen opleveren voor de organisatie. Bovendien brengt het beheren van doorlooptijden voor reserveonderdelen zijn eigen uitdagingen met zich mee. Sommige onderdelen kunnen lange levertijden hebben, waardoor het nodig is om voldoende voorraad aan te houden om tekorten te voorkomen. Het meenemen van overtollige voorraad kan echter kostbaar zijn en kapitaal en opslagruimte in beslag nemen.

Gezien de talloze uitdagingen waarmee materiaalbeheerafdelingen en planners van reserveonderdelen worden geconfronteerd, is het plannen van de vraag, voorraadniveaus en aanvulling van reserveonderdelen zonder een effectieve oplossing voor voorraadoptimalisatie vergelijkbaar met een poging om een boom om te hakken met een zeer botte bijl! Hoe scherper de bijl, hoe beter uw organisatie deze uitdagingen het hoofd kan bieden.

De bijl van Smart Software is de scherpste
Slimme software voor voorraadoptimalisatie en vraagplanning maakt gebruik van een unieke empirische probabilistische prognosebenadering die resulteert in nauwkeurige prognoses van voorraadbehoeften, zelfs wanneer de vraag met tussenpozen is. Aangezien bijna 90% aan reserve- en serviceonderdelen met tussenpozen is, is een nauwkeurige oplossing vereist om aan dit soort vraag te voldoen. De oplossing van Smart werd gepatenteerd in 2001 en aanvullende innovaties werden onlangs gepatenteerd in mei 2023 (aankondigingen volgen binnenkort!). De oplossing werd bekroond als finalist in de APICS Technological Innovation Category voor zijn rol bij het helpen transformeren van de resource management-industrie.

De rol van intermitterende vraag
Intermitterende vraag komt niet overeen met een simpele normale of klokvormige verdeling die het onmogelijk maakt om nauwkeurig te voorspellen met traditionele, op afvlakking gebaseerde prognosemethoden. Onderdelen en items met intermitterende vraag – ook wel bekend als klonterige, volatiele, variabele of onvoorspelbare vraag – hebben veel nul- of laagvolumewaarden afgewisseld met willekeurige pieken in de vraag die vaak vele malen groter zijn dan het gemiddelde. Dit probleem doet zich vooral voor bij bedrijven die grote voorraden van service- en reserveonderdelen beheren in sectoren zoals luchtvaart, ruimtevaart, energie- en watervoorziening en nutsbedrijven, automobielindustrie, beheer van zware activa, hightech, evenals in MRO (Maintenance, Repair, en revisie).

Scenario analyse
De gepatenteerde en bekroonde technologie van Smart genereert snel tienduizenden mogelijke scenario's van toekomstige vraagreeksen en cumulatieve vraagwaarden over de doorlooptijd van een artikel. Deze scenario's zijn statistisch vergelijkbaar met de geobserveerde gegevens van het artikel en ze leggen de relevante details vast van de intermitterende vraag zonder te vertrouwen op de aannames die gewoonlijk worden gedaan over de aard van vraagverdelingen door traditionele prognosemethoden. Het resultaat is een uiterst nauwkeurige voorspelling van de volledige verdeling van de cumulatieve vraag over de doorlooptijd van een artikel. Het komt erop neer dat bedrijven met de informatie die deze vraagdistributies bieden, eenvoudig veiligheidsvoorraad en voorraadvereisten op serviceniveau kunnen plannen voor duizenden periodiek gevraagde artikelen met een nauwkeurigheid van bijna 100%.

Benefits
Door innovatieve oplossingen van Smart Software te implementeren, zoals SmartForecasts voor statistische prognoses, Demand Planner voor consensusplanning van onderdelen en Inventory Optimization voor het ontwikkelen van nauwkeurige aanvullingsfactoren zoals min/max en veiligheidsvoorraadniveaus, krijgen vooruitstrevende leidinggevenden en planners betere controle over hun bedrijfsvoering van de organisatie. Het zal resulteren in de volgende voordelen:

1. Verbeterde prognosenauwkeurigheid: Nauwkeurige vraagprognoses zijn van fundamenteel belang voor elke organisatie die zich bezighoudt met voorraadbeheer van reserveonderdelen. Voorraadoptimalisatiesoftware maakt gebruik van geavanceerde algoritmen om historische gebruikspatronen te analyseren, trends te identificeren en toekomstige vraag met een hoge mate van nauwkeurigheid te voorspellen. Met dit niveau van precisie bij prognoses kunnen organisaties het risico van over- of onderbevoorrading van hun reserveonderdelenvoorraad vermijden.
2. Lagere voorraadkosten: Een grote uitdaging waarmee leiders in de toeleveringsketen worden geconfronteerd bij het beheer van de voorraad van reserveonderdelen, zijn de kosten die gepaard gaan met het te allen tijde aanhouden van een optimale voorraad reserveonderdelen. Door voorraadniveaus te optimaliseren met behulp van moderne technologiesystemen zoals kunstmatige intelligentie (AI), machine learning (ML) en voorspellende analyses, kunnen organisaties de transportkosten verlagen en er tegelijkertijd voor zorgen dat ze voldoende voorraden beschikbaar hebben wanneer dat nodig is.
3. Verbeterde serviceniveaus: Als het gaat om reparatie- en onderhoudsdiensten, is tijd geld! Downtime als gevolg van de onbeschikbaarheid van kritieke reserveonderdelen kan leiden tot verloren productiviteit en inkomsten voor bedrijven in verschillende sectoren, zoals fabrieken, energieopwekkingsfaciliteiten of datacenters die IT-infrastructuurapparatuur beheren. Het optimaliseren van uw reserveonderdelenvoorraad zorgt ervoor dat u altijd de juiste hoeveelheid bij de hand hebt, waardoor de uitvaltijd die wordt veroorzaakt door het wachten op leveringen van leveranciers wordt verminderd.
4. Kortere doorlooptijden: Een ander voordeel dat voortvloeit uit nauwkeurige vraagprognoses door middel van moderne magazijntechnologieën, is een kortere doorlooptijd bij levering, wat leidt tot een betere klanttevredenheid, aangezien klanten hun bestellingen sneller zullen ontvangen dan voorheen, waardoor de merkloyaliteit wordt verbeterd. Daarom creëert de toepassing van nieuwe strategieën die worden aangestuurd door AI/ML-tools waarde binnen supply chain-operaties, wat leidt tot meer efficiëntie, niet alleen beperkte reductiekosten, maar ook stroomlijning van processen met betrekking tot onder andere productieplanning en logistieke transportplanning

Conclusie
Door gebruik te maken van software voor voorraadoptimalisatie en vraagplanning kunnen organisaties verschillende uitdagingen overwinnen, zoals verstoringen in de toeleveringsketen, stijgende rentetarieven en volatiele vraag. Hierdoor kunnen ze de kosten verlagen die gepaard gaan met overtollige opslagruimte en verouderde inventarisitems. Door gebruik te maken van geavanceerde algoritmen, verbetert software voor voorraadoptimalisatie de nauwkeurigheid van prognoses, waardoor organisaties kunnen voorkomen dat ze te veel of te weinig voorraad hebben in hun voorraad reserveonderdelen. Bovendien helpt het de voorraadkosten te verlagen door niveaus te optimaliseren en technologieën zoals kunstmatige intelligentie (AI), machine learning (ML) en voorspellende analyses te gebruiken. Verbeterde serviceniveaus worden bereikt doordat organisaties de juiste hoeveelheid reserveonderdelen direct beschikbaar hebben, waardoor downtime als gevolg van het wachten op leveringen wordt verminderd. Bovendien leidt nauwkeurige vraagprognose tot kortere doorlooptijden, waardoor de klanttevredenheid toeneemt en merkloyaliteit wordt bevorderd. Het toepassen van dergelijke strategieën, aangestuurd door AI/ML-tools, verlaagt niet alleen de kosten, maar stroomlijnt ook processen, waaronder productieplanning en logistieke transportplanning, waardoor uiteindelijk de efficiëntiewinst binnen de toeleveringsketen toeneemt.

Ik wed dat uw onderhouds- en reparatieteams het goed zouden vinden om een grotere voorraad te lopen sommige reserveonderdelen als ze wisten dat de besparingen op voorraadvermindering zouden worden gebruikt om de voorraadinvestering effectiever te spreiden ander onderdelen en verhoogt het algehele serviceniveau.

Ik verdubbel dat uw Finance-team, ondanks dat het altijd wordt uitgedaagd met het verlagen van de kosten, een gezonde voorraadverhoging zou ondersteunen als ze duidelijk konden zien dat de inkomsten profiteren van een hogere uptime, minder versnellingen en verbeteringen op het serviceniveau duidelijk opwegen tegen de extra voorraadkosten en risico.

A ruilcurve voor reserveonderdelen stelt planningsteams voor serviceonderdelen in staat om de risico's en kosten van elke voorraadbeslissing correct te communiceren. Het is essentieel voor de planning van onderdelen en de enige manier om voorraadparameters proactief en nauwkeurig aan te passen voor elk onderdeel. Zonder dit "plannen" planners, in alle opzichten, met oogkleppen op, omdat ze niet in staat zullen zijn om de echte afwegingen te communiceren die verband houden met opslagbeslissingen.

Als bijvoorbeeld een voorgestelde verhoging van de min/max-niveaus van een belangrijke productgroep van serviceonderdelen wordt aanbevolen, hoe weet u dan of de verhoging te hoog of te laag of precies goed is? Hoe kun je de verandering voor duizenden reserveonderdelen verfijnen? Je wilt niet en je kunt het niet. Uw voorraadbeslissingen zullen afhangen van reactieve, onderbuikgevoelens en algemene beslissingen, waardoor de serviceniveaus eronder lijden en de voorraadkosten de pan uit rijzen.

Dus, wat is eigenlijk een afwegingscurve voor reserveonderdelen?

Het is een op feiten gebaseerde, numerieke voorspelling die beschrijft hoe veranderingen in voorraadniveaus de voorraadwaarde, bewaarkosten en serviceniveaus zullen beïnvloeden. Voor elke eenheidswijziging in voorraadniveau zijn er kosten en baten. De uitruilcurve voor reserveonderdelen identificeert deze kosten en baten voor verschillende voorraadniveaus. Hiermee kunnen planners het voorraadniveau ontdekken dat de kosten en baten voor elk afzonderlijk item het beste in evenwicht houdt.

Hier zijn twee vereenvoudigde voorbeelden. In afbeelding 1 laat de ruilcurve voor reserveonderdelen zien hoe het serviceniveau (waarschijnlijkheid dat er geen voorraad is) verandert afhankelijk van het bestelniveau. Hoe hoger het bestelniveau, hoe lager het voorraadrisico. Het is van cruciaal belang om te weten hoeveel service u krijgt gezien de voorraadinvestering. Hier kunt u misschien rechtvaardigen dat een voorraadtoename van een bestelpunt van 35 naar 45 de investering van 10 extra voorraadeenheden meer dan waard is, omdat het serviceniveau springt van iets minder dan 70% naar 90%, waardoor uw voorraadrisico voor het reserveonderdeel afneemt van 30% tot 10%!

​

Afbeelding 1: kosten versus serviceniveau

Afbeelding 2: serviceniveau versus voorraadomvang

In dit voorbeeld (Afbeelding 2) legt de afwegingscurve een veelvoorkomend probleem bloot met de inventaris van reserveonderdelen. Vaak zijn de voorraadniveaus zo hoog dat ze een negatief rendement opleveren. Na een bepaalde voorraadhoeveelheid koopt elke extra voorraadeenheid niet meer voordeel in de vorm van een hoger serviceniveau. Voorraadverminderingen kunnen worden gerechtvaardigd wanneer duidelijk is dat het voorraadniveau het punt van afnemende opbrengsten ver voorbij is. Een nauwkeurige afwegingscurve zal het punt blootleggen waar het niet langer voordelig is om voorraad toe te voegen.

Door gebruik te maken van #probabilistischevoorspelling om de planning van onderdelen te stimuleren, kunt u deze afwegingen nauwkeurig communiceren, dit op schaal doen voor honderdduizenden onderdelen, slechte voorraadbeslissingen vermijden en serviceniveaus en kosten in evenwicht brengen. Bij Smart Software zijn we gespecialiseerd in het helpen van planners van reserveonderdelen, directeuren van materiaalbeheer en financiële leidinggevenden die MRO, reserveonderdelen en aftermarket-onderdelen beheren om deze relaties te begrijpen en te exploiteren.

Elke organisatie die apparatuur beheert, heeft reserveonderdelen nodig. Ze hebben allemaal te maken met algemene problemen, wat hun bedrijf ook is. Sommige problemen zijn echter branchespecifiek. Dit bericht bespreekt een universeel probleem dat zich manifesteerde in een kerncentrale en een probleem dat vooral acuut is voor elk elektriciteitsbedrijf.

Het universele probleem van gegevenskwaliteit

We posten vaak over de voordelen van het omzetten van gegevens over het gebruik van onderdelen in slimme beslissingen over voorraadbeheer. Geavanceerde waarschijnlijkheidsmodellering ondersteunt het genereren van realistische vraagscenario's die worden gebruikt in gedetailleerde Monte Carlo-simulaties die de gevolgen blootleggen van beslissingen zoals keuzes van Min en Max voor het aanvullen van reserveonderdelen.

Al die nieuwe en glanzende analytische technologie vereist echter kwaliteitsgegevens als brandstof voor de analyse. Voor sommige openbare nutsbedrijven is het bijhouden van gegevens geen sterke zaak, dus het ruwe materiaal dat wordt geanalyseerd, kan corrupt en misleidend zijn. We kwamen onlangs documentatie tegen van een sterk voorbeeld van dit probleem bij een kerncentrale (zie Scala, Needy en Rajgopal: Besluitvorming en afwegingen bij het beheer van de inventaris van reserveonderdelen bij nutsbedrijven. American Association of Engineering Management, 30e ASEM Nationale Conferentie, Springfield, MO. oktober 2009). Scala et al. documenteerde de gebruiksgeschiedenis van een kritiek onderdeel waarvan de afwezigheid zou resulteren in een verlaging van de faciliteit of een sluiting. Het gebruiksrecord van de fabriek voor dat onderdeel omvatte meer dan acht jaar aan gegevens. Gedurende die tijd rapporteerde de officiële gebruiksgeschiedenis negen gebeurtenissen waarin een positieve vraag optrad met groottes variërend van één tot zes eenheden elk. Er waren ook vijf gebeurtenissen gekenmerkt door negatieve eisen (dwz retouren naar het magazijn), variërend van één tot drie eenheden elk. Zorgvuldig speurwerk ontdekte dat het werkelijke gebruik plaatsvond in slechts twee gebeurtenissen, beide met een vraag naar twee eenheden. Het is duidelijk dat voor het berekenen van de beste min/max-waarden voor dit artikel nauwkeurige vraaggegevens nodig zijn.

Het speciale probleem van gezondheid en veiligheid

In de context van "gewone" bedrijven kunnen tekorten aan reserveonderdelen zowel de huidige omzet als de toekomstige omzet schaden (gerelateerd aan de reputatie als betrouwbare leverancier). Voor een elektriciteitsbedrijf echter, Scala et al. constateerde dat er veel grotere gevolgen verbonden waren aan de voorraad van reserveonderdelen. Deze omvatten niet alleen een verhoogd financieel en reputatierisico, maar ook risico's voor gezondheid en veiligheid: “Gevolgen van het niet op voorraad hebben van een onderdeel zijn onder meer de mogelijkheid om de productie te moeten verminderen of mogelijk zelfs een fabriek stil te leggen. Vanuit een langetermijnperspectief kan dit de kritieke stroomvoorziening aan residentiële, commerciële en/of industriële klanten onderbreken, terwijl het de reputatie, betrouwbaarheid en winstgevendheid van het bedrijf schaadt. Een elektriciteitsbedrijf maakt en verkoopt slechts één product: elektriciteit. Het verlies van het vermogen om elektriciteit te verkopen kan ernstige schade toebrengen aan de bedrijfsresultaten en de levensvatbaarheid op lange termijn.”

Des te meer reden voor elektriciteitsbedrijven om leiders te zijn in plaats van achterblijvers bij de inzet van de meest geavanceerde waarschijnlijkheidsmodellen voor vraagvoorspelling en voorraadoptimalisatie.

Wat doet u wanneer u een periodiek gevraagd artikel, zoals een reserveonderdeel, voorspelt met een gemiddelde vraag van minder dan één eenheid per maand? Meestal is de vraag nul, maar het onderdeel is zakelijk significant; het kan niet worden genegeerd en moet worden voorspeld om er zeker van te zijn dat u voldoende voorraad heeft.

Uw keuzes zijn meestal gecentreerd rond een paar opties:

Optie 1: Rond elke maand af naar 1, dus uw jaarprognose is 12.

Optie 2: Rond elke maand naar beneden af op 0, zodat uw jaarprognose 0 is.

Optie 3: Prognose "hetzelfde als dezelfde maand vorig jaar", zodat de prognose overeenkomt met de werkelijke waarde van vorig jaar.

Er zijn duidelijke nadelen aan elke optie en niet veel voordeel aan een van hen. Optie 1 resulteert vaak in een forse overprognose. Optie 2 resulteert vaak in een aanzienlijke ondervoorspelling. Optie 3 resulteert in een prognose die bijna gegarandeerd de werkelijke aanzienlijk zal missen, aangezien het niet waarschijnlijk is dat de vraag in exact dezelfde periode een piek zal bereiken. Als u het item MOET voorspellen, raden we normaal gesproken optie 3 aan, aangezien dit het meest waarschijnlijke antwoord is dat de rest van het bedrijf zal begrijpen. 

Maar een betere manier is om het helemaal niet te voorspellen in de gebruikelijke zin en in plaats daarvan een "voorspellend bestelpunt" te gebruiken dat is afgestemd op het door u gewenste serviceniveau. Om een voorspellend bestelpunt te berekenen, kunt u het gepatenteerde Markov-bootstrap-algoritme van Smart Software gebruiken om alle mogelijke eisen die tijdens de doorlooptijd kunnen optreden te simuleren en vervolgens het bestelpunt te identificeren dat uw beoogde serviceniveau zal opleveren.

Vervolgens kunt u uw ERP-systeem configureren om meer te bestellen wanneer de voorhanden voorraad het bestelpunt overschrijdt in plaats van wanneer u naar verwachting nul bereikt (of welke veiligheidsvoorraadbuffer dan ook wordt ingevoerd). 

Dit zorgt voor meer logische bestellingen zonder de onnodige aannames die nodig zijn om een af en toe gevraagd onderdeel met een laag volume te voorspellen.

Wat is het verschil en waarom het van belang is voor voorraadplanning.

Degenen die nieuw zijn in het onderdelenplanningsspel worden vaak in de war gebracht door de vele variaties in de namen van onderdelen. Deze blog wijst op onderscheidingen die wel of niet van operationele betekenis zijn voor iemand die een vloot reserveonderdelen beheert en hoe die verschillen van invloed zijn op de voorraadplanning.

Wat is bijvoorbeeld het verschil tussen "reserveonderdelen" en "vervangende" onderdelen? In dit geval is het verschil hun bron. Een reserveonderdeel zou worden gekocht bij de fabrikant van de apparatuur, terwijl een vervangend onderdeel bij een ander bedrijf zou worden gekocht. Voor iemand die een vloot reserveonderdelen beheert, zou het verschil twee verschillende items in zijn onderdelendatabase zijn: de bron zou anders zijn en de eenheidsprijs zou waarschijnlijk anders zijn. Het is mogelijk dat er ook een verschil is in de gebruiksduur van de onderdelen van de twee bronnen. De "OEM"-onderdelen zijn mogelijk duurzamer dan de goedkopere "aftermarket"-onderdelen. (Nu hebben we vier verschillende termen die deze onderdelen beschrijven.) Deze verschillen zouden van belang zijn voor het optimaliseren van een inventaris van reserveonderdelen. Software die optimale bestelpunten en bestelhoeveelheden berekent, zou tot verschillende antwoorden komen voor onderdelen met verschillende eenheidskosten en verschillende vervangingspercentages.

Misschien is het grootste onderscheid tussen "verbruiksgoederen" en "repareerbare" of "roteerbare" onderdelen. Het belangrijkste verschil tussen hen zijn hun kosten. Het is dwaas om te proberen een gestripte schroef te repareren; gewoon weggooien en een andere gebruiken. Maar het is ook dwaas om een onderdeel van $50.000 weg te gooien als het gerepareerd kan worden voor $5.000. Het optimaliseren van het voorraadbeheer voor vloten van elk type onderdeel vereist heel andere wiskunde. Bij verbruiksgoederen kunnen de onderdelen als anoniem en uitwisselbaar worden beschouwd. Bij "rotatables" moet elk onderdeel in wezen afzonderlijk worden gemodelleerd. We behandelen ze allemaal als cyclisch door de toestanden 'operationeel', 'in reparatie' en 'stand-by/reserve'. Beslissingen over repareerbare onderdelen worden vaak afgehandeld door middel van een kapitaalbegrotingsproces, en de belangrijkste analytische vraag is: "Hoe groot moet onze voorraad reserveonderdelen zijn?"

Er zijn andere onderscheidingen die tussen onderdelen kunnen worden gemaakt. Kritiek is een belangrijk kenmerk. De gevolgen van het uitvallen van een onderdeel kunnen variëren van "we kunnen de tijd nemen om een vervanging te krijgen" tot "dit is een noodgeval; zet die machines snel weer aan het werk”. Bij het uitzoeken hoe we onderdelen moeten beheren, moeten we altijd een evenwicht vinden tussen de voordelen van een grotere voorraad onderdelen en de dollarkosten. Kritiek verschuift de balans naar veilig spelen met grotere voorraden. Dit dicteert op zijn beurt hogere planningsdoelen voor statistieken over de beschikbaarheid van onderdelen, zoals serviceniveaus en opvullingspercentages, wat zal leiden tot grotere bestelpunten en/of bestelhoeveelheden.

Als u googelt op "soorten reserveonderdelen", ontdekt u andere classificaties en onderscheidingen. Vanuit ons perspectief bij Smart Software zijn de woorden minder belangrijk dan de getallen die bij onderdelen horen: eenheidskosten, gemiddelde tijd tot storing, gemiddelde tijd tot reparatie en andere technische input voor onze producten die bepalen hoe de onderdelen kunnen worden beheerd voor maximaal voordeel.