Vier veelgemaakte fouten bij het plannen van aanvullingsdoelen

Of u nu 'Min/Max' of 'bestelpunt' en 'bestelhoeveelheid' gebruikt om te bepalen wanneer en hoeveel u moet bijvullen, uw aanpak kan enorme efficiëntie opleveren of juist niet. Belangrijkste fouten om te vermijden:

 

  1. Niet regelmatig opnieuw kalibreren
  2. Min/Max alleen bekijken als er een probleem is
  3. Het gebruik van prognosemethoden voldoet niet aan de taak
  4. Ervan uitgaande dat gegevens te traag of onvoorspelbaar zijn om er toe te doen

 

We hebben meer dan 150.000 combinaties van SKU x locatie. Onze vraag is intermitterend. Omdat het langzaam gaat, hoeven we onze bestelpunten niet vaak opnieuw te berekenen. We doen dit misschien één keer per jaar, maar we bekijken de bestelpunten wanneer er een probleem is.” - Materiaalbeheerder.

 

Deze reactieve benadering zal leiden tot miljoenen overtollige voorraden, voorraadtekorten en veel tijdverspilling bij het beoordelen van gegevens wanneer 'er iets misgaat'. Toch heb ik in de loop der jaren van zoveel voorraadprofessionals ditzelfde afzien gehoord. Het is duidelijk dat we meer moeten doen om te delen waarom dit denken zo problematisch is.

Het is waar dat voor veel onderdelen een herberekening van de bestelpunten met up-to-date historische gegevens en doorlooptijden niet veel zal veranderen, vooral als patronen zoals trend of seizoensinvloeden niet aanwezig zijn. Veel onderdelen hebben echter baat bij een herberekening, vooral als de doorlooptijden of de recente vraag zijn veranderd. Bovendien neemt de kans op een significante wijziging die een herberekening noodzakelijk maakt, toe naarmate u langer wacht. Ten slotte hebben die maanden zonder eisen ook invloed op de kansen en mogen niet ronduit worden genegeerd. Het belangrijkste punt is echter dat het onmogelijk is om te weten wat er wel of niet zal veranderen in uw prognose, dus het is beter om regelmatig opnieuw te kalibreren.

 

  Planning Aanvullingsdoelen Software berekenen

Deze opvallende casus uit gegevens uit de echte wereld illustreert een scenario waarin regelmatige en geautomatiseerde herkalibratie uitblinkt: de voordelen van snelle reacties op veranderende vraagpatronen zoals deze tellen snel op. In het bovenstaande voorbeeld vertegenwoordigt de X-as dagen en vertegenwoordigt de Y-as de vraag. Als u enkele maanden zou moeten wachten tussen het opnieuw kalibreren van uw bestelpunten, zou u ongetwijfeld veel te vroeg bestellen. Door uw bestelpunt veel vaker opnieuw te kalibreren, vangt u de verandering in de vraag op, waardoor u veel nauwkeuriger kunt bestellen.

 

In plaats van te wachten tot u een probleem hebt, kunt u alle onderdelen elke planningscyclus minstens één keer per maand opnieuw kalibreren. Hierdoor wordt gebruik gemaakt van de nieuwste gegevens en wordt het voorraadbeleid proactief aangepast, waardoor problemen worden vermeden die handmatige controles en voorraadtekorten of -overschotten zouden veroorzaken.

De aard van uw (potentieel gevarieerde) gegevens moet ook worden gekoppeld aan de juiste prognosetools. Als records voor sommige onderdelen trend- of seizoenspatronen laten zien, kan het gebruik van targetingprognosemethoden om deze patronen te accommoderen een groot verschil maken. Evenzo, als de gegevens frequente nulwaarden laten zien (intermitterende vraag), kunnen voorspellingsmethoden die niet rond dit speciale geval zijn gebouwd, gemakkelijk onbetrouwbare resultaten opleveren.

Automatiseer, herkalibreer en bekijk uitzonderingen. Speciaal gebouwde software doet dit automatisch. Zie het op een andere manier: is het beter om eenmaal per jaar een hoop geld in uw 401K te storten of "dollarkostengemiddelde" door het hele jaar door kleinere, even grote bedragen te storten. Het regelmatig opnieuw kalibreren van beleid zal in de loop van de tijd een maximaal rendement opleveren, net zoals dollar cost avering dat zal doen voor uw beleggingsportefeuille.

Hoe vaak herijkt u uw voorraadbeleid opnieuw? Waarom?

 

 

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.

 

 

Goudlokje Voorraadniveaus

Misschien herinner je je het verhaal van Goudlokje uit je jeugd lang geleden. Soms was de pap te heet, soms te koud, maar een keer was het precies goed. Nu we volwassen zijn, kunnen we dat sprookje vertalen in een professioneel principe voor voorraadplanning: er kan te weinig of te veel voorraad zijn en er is een bepaald Goudlokje-niveau dat "precies goed" is. Deze blog gaat over het vinden van die sweet spot.

Bekijk dit voorbeeld om onze fabel over de toeleveringsketen te illustreren. Stelt u zich eens voor dat u serviceonderdelen verkoopt om de systemen van uw klanten draaiende te houden. U biedt een bepaald serviceonderdeel aan dat u $100 kost om te maken, maar dat wordt verkocht voor een opslag van 20%. Je kunt $20 verdienen met elke eenheid die je verkoopt, maar je mag niet de hele $20 houden vanwege de voorraadkosten die je draagt om het onderdeel te kunnen verkopen. Er zijn onderhoudskosten om het onderdeel in goede staat te houden terwijl het op voorraad is en bestelkosten om eenheden die u verkoopt aan te vullen. Ten slotte verliest u soms inkomsten uit verloren verkopen als gevolg van stockouts.  

Deze bedrijfskosten kunnen rechtstreeks verband houden met de manier waarop u het onderdeel in voorraad beheert. Neem voor ons voorbeeld aan dat u een (Q,R) voorraadbeleid gebruikt, waarbij Q de hoeveelheid voor de aanvullingsorder is en R het bestelpunt is. Neem verder aan dat de reden dat u geen $30 per eenheid maakt, is dat u concurrenten heeft en dat klanten het onderdeel van hen zullen krijgen als ze het niet van u kunnen krijgen.

Zowel uw omzet als uw kosten zijn op complexe manieren afhankelijk van uw keuzes voor Q en R. Deze zullen bepalen hoeveel u bestelt, wanneer en dus hoe vaak u bestelt, hoe vaak uw voorraad op is en dus hoeveel verkopen u verliest, en hoeveel contant geld dat u vastlegt in de inventaris. Het is onmogelijk om deze relaties op basis van giswerk uit te rekenen, maar moderne software kan de relaties zichtbaar maken en de dollarcijfers berekenen die u nodig hebt om uw keuze van waarden voor Q en R te sturen. Het doet dit door gedetailleerde, op feiten gebaseerde, probabilistische simulaties uit te voeren die kosten en prestaties voorspellen door middel van een groot aantal realistische vraagscenario's.  

Met deze resultaten in de hand, kunt u de marge berekenen die is gekoppeld aan (Q,R) waarden met behulp van de eenvoudige formule

Marge = (Vraag - Verloren omzet) x Winst per verkochte eenheid - Bestelkosten - Aanhoudingskosten.

In deze formule zijn gederfde verkopen, bestelkosten en bewaarkosten afhankelijk van bestelpunt R en bestelhoeveelheid Q.

Afbeelding 1 toont het resultaat van simulaties die Q vaststelden op 25 eenheden en R varieerden van 10 tot 30 in stappen van 5. Hoewel de curve bovenaan vrij vlak is, zou u het meeste geld verdienen door een voorraad van ongeveer 25 eenheden aan te houden ( wat overeenkomt met instelling R = 20). Meer voorraad, ondanks een hoger serviceniveau en minder verloren verkopen, zou iets minder geld opleveren (en veel meer geld opleveren), en minder voorraad zou veel minder opleveren.

 

Marges versus bedrijf op voorraadniveau

Figuur 1: Aantonen dat er te weinig of te veel voorraad aanwezig kan zijn

 

Zonder te vertrouwen op de inventarissimulatiesoftware, zouden we niet kunnen ontdekken:

  • a) dat het mogelijk is om te weinig en te veel inventaris te dragen
  • b) wat het beste voorraadniveau is?
  • c) hoe er te komen door de juiste keuzes van bestelpunt R en bestelhoeveelheid Q.

 

Zonder een expliciet begrip van het bovenstaande, zullen bedrijven dagelijkse voorraadbeslissingen nemen op basis van onderbuikgevoel en op middeling gebaseerde vuistregels. De hier beschreven afwegingen worden niet blootgelegd en de resulterende mix van voorraad levert een veel lager rendement op, waardoor honderdduizenden tot miljoenen per jaar aan gederfde winst verloren gaan. Dus wees als Goudlokje. Met de juiste systemen en softwaretools kunt u het ook precies goed krijgen!    

 

 

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?

Een voorbeeld van op simulatie gebaseerde multi-echelon voorraadoptimalisatie

Het beheren van de inventaris in een enkele faciliteit is al moeilijk genoeg, maar het probleem wordt veel complexer wanneer er meerdere faciliteiten zijn die in meerdere echelons zijn gerangschikt. De complexiteit komt voort uit de interacties tussen de echelons, waarbij de eisen op de lagere niveaus opborrelen en eventuele tekorten op de hogere niveaus die naar beneden stromen.

Als elk van de faciliteiten afzonderlijk zou worden beheerd, zouden standaardmethoden kunnen worden gebruikt, zonder rekening te houden met interacties, om parameters voor voorraadbeheer in te stellen, zoals bestelpunten en bestelhoeveelheden. Het negeren van de interacties tussen niveaus kan echter leiden tot catastrofale storingen. Ervaring en vallen en opstaan maken het ontwerpen van stabiele systemen mogelijk, maar die stabiliteit kan worden verstoord door veranderingen in vraagpatronen of doorlooptijden of door toevoeging van nieuwe faciliteiten. Het omgaan met dergelijke veranderingen wordt enorm geholpen door geavanceerde supply chain-analyses, die een veilige "sandbox" bieden waarin voorgestelde systeemwijzigingen kunnen worden getest voordat ze worden geïmplementeerd. Deze blog illustreert dat punt.

 

Het scenario

Om enige hoop te hebben dit probleem op een nuttige manier te bespreken, zal deze blog het probleem vereenvoudigen door de hiërarchie op twee niveaus te beschouwen die is afgebeeld in figuur 1. Stel u voor dat de faciliteiten op het lagere niveau magazijnen (WH's) zijn van waaruit moet worden voldaan aan de eisen van de klant , en dat de inventarisitems bij elke WH serviceonderdelen zijn die aan een breed scala aan externe klanten worden verkocht.

 

Feit en Fantasie in Optimalisatie van multi-echelonvoorraad

Figuur 1: Algemene structuur van één type voorraadsysteem op twee niveaus

Stel je voor dat het hogere niveau zou bestaan uit één distributiecentrum (DC) dat klanten niet rechtstreeks bedient, maar wel de WH's aanvult. Neem voor de eenvoud aan dat het DC zelf wordt aangevuld vanuit een Bron die altijd voldoende voorraad heeft (of maakt) om onderdelen onmiddellijk naar het DC te verzenden, zij het met enige vertraging. (Als alternatief zouden we het systeem kunnen overwegen om winkels door één magazijn te laten bevoorraden).

Elk niveau kan worden beschreven in termen van vraagniveaus (behandeld als willekeurig), doorlooptijden (willekeurig), voorraadbeheerparameters (hier, Min- en Max-waarden) en tekortbeleid (hier, naleveringen toegestaan).

 

De analysemethode

De academische literatuur heeft vooruitgang geboekt met betrekking tot dit probleem, hoewel dit meestal ten koste gaat van vereenvoudigingen die nodig zijn om een zuiver wiskundige oplossing mogelijk te maken. Onze aanpak is hier toegankelijker en flexibeler: Monte Carlo simulatie. Dat wil zeggen, we bouwen een computerprogramma dat de logica van de systeemwerking bevat. Het programma "creëert" willekeurige vraag op WH-niveau, verwerkt de vraag volgens de logica van een gekozen voorraadbeleid en creëert vraag naar het DC door de willekeurige verzoeken om aanvulling van de WH's te bundelen. Met deze benadering kunnen we veel gesimuleerde dagen van systeemwerking observeren terwijl we letten op belangrijke gebeurtenissen zoals stockouts op beide niveaus.

 

Een voorbeeld

Om een analyse te illustreren, hebben we een systeem gesimuleerd dat bestaat uit vier WH's en één DC. De gemiddelde vraag varieerde over de WH's. Aanvulling van het DC naar een WH duurde 4 tot 7 dagen, gemiddeld 5,15 dagen. Het aanvullen van de DC van de Bron duurde 7, 14, 21 of 28 dagen, maar 90% van de tijd was ofwel 21 of 28 dagen, wat neerkomt op een gemiddelde van 21 dagen. Elke faciliteit had Min- en Max-waarden die na enkele ruwe berekeningen werden bepaald door het oordeel van analisten.

Figuur 2 toont de resultaten van een jaar gesimuleerde dagelijkse werking van dit systeem. De eerste rij in de figuur toont de dagelijkse vraag naar het item bij elke WH, waarvan werd aangenomen dat het "puur willekeurig" was, wat betekent dat het een Poisson-verdeling had. De tweede rij toont de voorhanden voorraad aan het einde van elke dag, met Min- en Max-waarden aangegeven door blauwe lijnen. De derde rij beschrijft de operaties op het DC. In tegenstelling tot de veronderstelling van veel theorieën, was de vraag naar het DC niet in de buurt van Poisson, en evenmin was de vraag vanuit het DC naar de Bron. In dit scenario waren de Min- en Max-waarden voldoende om ervoor te zorgen dat de artikelbeschikbaarheid hoog was bij elke WH en bij het DC, en er werden geen stockouts waargenomen bij een van de vijf faciliteiten.

 

Klik hier om de afbeelding te vergroten

Figuur 2 - Gesimuleerd gebruiksjaar van een systeem met vier WH's en één DC.

Figuur 2 – Gesimuleerd gebruiksjaar van een systeem met vier WH's en één DC.

 

Laten we nu het scenario variëren. Wanneer stockouts uiterst zeldzaam zijn, zoals in figuur 2, is er vaak overtollige voorraad in het systeem. Stel dat iemand suggereert dat het voorraadniveau op het DC er een beetje dik uitziet en denkt dat het een goed idee zou zijn om daar geld te besparen. Hun suggestie om de voorraad op het DC te verminderen is om de waarde van de Min op het DC te verlagen van 100 naar 50. Wat gebeurt er? Je zou kunnen raden, of je zou kunnen simuleren.

Figuur 3 toont de simulatie – het resultaat is niet mooi. Het systeem werkt een groot deel van het jaar prima, daarna raakt de voorraad van het DC op en kan het de achterstand niet meer inhalen ondanks het sturen van opeenvolgend grotere aanvullingsorders naar de bron. Drie van de vier WH's komen tegen het einde van het jaar in een doodsspiraal terecht (en WH1 volgt daarna). De simulatie heeft een gevoeligheid aan het licht gebracht die niet kan worden genegeerd en heeft een slechte beslissing gemarkeerd.

 

Klik hier om de afbeelding te vergroten

Figuur 3 - Gesimuleerde effecten van het verlagen van de Min bij de DC.

Figuur 3 – Gesimuleerde effecten van het verlagen van de Min bij de DC.

 

Nu kunnen de voorraadbeheerders terug naar de tekentafel en andere mogelijke manieren testen om de investering in voorraad op DC-niveau te verminderen. Een stap die altijd helpt, als u en uw leverancier dit samen kunnen realiseren, is om een flexibeler systeem te creëren door de doorlooptijd voor aanvullingen te verkorten. Door samen te werken met de bron om ervoor te zorgen dat het DC altijd binnen 7 of 14 dagen wordt aangevuld, wordt het systeem gestabiliseerd, zoals weergegeven in afbeelding 4.

 

Klik hier om de afbeelding te vergroten

Figuur 4 - Gesimuleerde effecten van het verkorten van de doorlooptijd voor het aanvullen van het DC.

Figuur 4 – Gesimuleerde effecten van het verkorten van de doorlooptijd voor het aanvullen van het DC.

 

Helaas is het voornemen om de voorraad op het DC te verminderen niet gehaald. De oorspronkelijke dagelijkse voorraadtelling was ongeveer 80 eenheden en blijft ongeveer 80 eenheden na verlaging van de DC's Min en drastische verbetering van de Source-to-DC doorlooptijd. Maar met het simulatiemodel kan het planningsteam andere ideeën uitproberen tot ze tot een bevredigend herontwerp komen. Of, aangezien figuur 4 laat zien dat de DC-voorraad met nul begint te flirten, zouden ze het misschien verstandig vinden om de behoefte aan gemiddeld ongeveer 80 eenheden in het DC te accepteren en in plaats daarvan te zoeken naar manieren om de voorraadinvesteringen bij de WH's te verminderen.

 

De afhaalrestaurants

  1. Multiechelon voorraadoptimalisatie (MEIO) is complex. Veel factoren werken samen om systeemgedrag te produceren dat zelfs in eenvoudige systemen met twee niveaus verrassend kan zijn.
  2. Monte Carlo-simulatie is een handig hulpmiddel voor planners die nieuwe systemen moeten ontwerpen of bestaande systemen moeten aanpassen.

 

 

 

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?

Feit en Fantasie in Optimalisatie van multi-echelonvoorraad

Voor de meeste kleine tot middelgrote fabrikanten en distributeurs is voorraadoptimalisatie op één niveau of op één echelon het allernieuwste in de logistieke praktijk. Multi-echelon voorraadoptimalisatie (“MEIO”) houdt in dat het spel op een nog hoger niveau wordt gespeeld en is daarom veel minder gebruikelijk. Deze blog is de eerste van twee. Het is bedoeld om uit te leggen wat MEIO is, waarom standaard MEIO-theorieën kapot gaan en hoe probabilistische modellering door scenariosimulatie de realiteit in het MEIO-proces kan herstellen. De tweede blog laat een specifiek voorbeeld zien.

 

Definitie van voorraadoptimalisatie

Een inventarisatiesysteem is gebaseerd op een reeks ontwerpkeuzes.

De eerste keuze is het beleid om te reageren op stockouts: verlies je gewoon de verkoop aan een concurrent, of kun je de klant overtuigen om een backorder te accepteren? Het eerste komt vaker voor bij distributeurs dan bij fabrikanten, maar dit is misschien niet zo'n goede keuze, omdat klanten het antwoord kunnen dicteren.

De tweede keuze is het voorraadbeleid. Deze zijn onderverdeeld in beleid voor "doorlopende beoordeling" en "periodieke beoordeling", met verschillende opties binnen elk type. U kunt een koppeling maken naar een videozelfstudie waarin verschillende algemene voorraadbeleidsregels worden beschreven hier. Misschien is de meest efficiënte bij beoefenaars bekend als "Min/Max" en bij academici als (s, S) of "kleine S, Grote S." We gebruiken dit beleid in onderstaande scenariosimulaties. Het werkt als volgt: Wanneer de voorhanden voorraad daalt tot of onder de Min (s), wordt een bestelling geplaatst voor aanvulling. De grootte van de bestelling is het gat tussen de voorhanden voorraad en de Max (S), dus als Min 10 is, Max 25 en voorhanden is 8, dan is het tijd voor een bestelling van 25-8 = 17 eenheden.

De derde keuze is om te beslissen over de beste waarden van de 'parameters' van het voorraadbeleid, bijv. de waarden die moeten worden gebruikt voor Min en Max. Voordat u getallen aan Min en Max toewijst, moet u duidelijkheid hebben over wat "beste" voor u betekent. Gewoonlijk betekent beste keuzes die de bedrijfskosten van de voorraad minimaliseren, afhankelijk van een minimum aan artikelbeschikbaarheid, uitgedrukt als Service Level of Fill Rate. In wiskundige termen is dit een "tweedimensionaal beperkt geheeltallig optimalisatieprobleem". "Tweedimensionaal" omdat je twee getallen moet kiezen: Min en Max. "Integer" omdat Min en Max hele getallen moeten zijn. "Beperkt" omdat u minimum- en maximumwaarden moet kiezen die een voldoende hoog niveau van artikelbeschikbaarheid bieden, zoals serviceniveaus en opvulpercentages. “Optimalisatie” omdat je daar wilt komen met de laagste operationele kosten (operationele kosten combineren kosten voor vasthouden, bestellen en tekorten).

 

Multiechelon-inventarisatiesystemen

Het optimalisatieprobleem wordt moeilijker in multi-echelonsystemen. In een systeem met één echelon kan elk voorraadartikel afzonderlijk worden geanalyseerd: één paar Min/Max-waarden per SKU. Omdat er meer onderdelen zijn in een multi-echelonsysteem, is er een groter rekenprobleem.

Afbeelding 1 toont een eenvoudig systeem met twee niveaus voor het beheren van een enkele SKU. Op het lagere niveau komen de vragen binnen bij meerdere magazijnen. Wanneer die dreigen op te raken, worden ze bevoorraad vanuit een distributiecentrum (DC). Wanneer de DC zelf dreigt vol te raken, wordt deze geleverd door een externe bron, zoals de fabrikant van het artikel.

Het ontwerpprobleem hier is multidimensionaal: we hebben Min- en Max-waarden nodig voor 4 magazijnen en voor het DC, dus de optimalisatie vindt plaats in 4×2+1×2=10 dimensies. De analyse moet rekening houden met een groot aantal contextuele factoren:

  • Het gemiddelde niveau en de volatiliteit van de vraag die in elk magazijn binnenkomt.
  • Het gemiddelde en de variabiliteit van de doorlooptijden van aanvullingen vanuit het DC.
  • Het gemiddelde en de variabiliteit van de doorlooptijden voor aanvulling van de bron.
  • Het vereiste minimale serviceniveau in de magazijnen.
  • Het vereiste minimale serviceniveau op het DC.
  • De voorraad-, bestel- en tekortkosten in elk magazijn.
  • De bewaar-, bestel- en tekortkosten bij het DC.

Zoals je zou verwachten, zullen gissingen op de broekspijpen in deze situatie niet goed werken. Evenmin zal proberen het probleem te vereenvoudigen door elk echelon afzonderlijk te analyseren. Voorraden op het DC verhogen bijvoorbeeld het risico op stockouts op magazijnniveau en vice versa.

Dit probleem is duidelijk te ingewikkeld om te proberen op te lossen zonder hulp van een of ander computermodel.

 

Waarom standaard inventarisatietheorie slechte wiskunde is?

Met een beetje zoeken vind je modellen, tijdschriftartikelen en boeken over MEIO. Dit zijn waardevolle bronnen van informatie en inzicht, even getallen. Maar de meeste van hen vertrouwen op het hulpmiddel om het probleem te eenvoudig te maken om het schrijven en oplossen van vergelijkingen mogelijk te maken. Dit is de "Fantasie" waarnaar in de titel wordt verwezen.

Dit doen is een klassieke modelleringsmanoeuvre en is niet per se een slecht idee. Toen ik afstudeerde aan het MIT, leerde ik de waarde van het hebben van twee modellen: een klein, ruw model om als een soort vizier te dienen en een groter, nauwkeuriger model om betrouwbare getallen te produceren. Het kleinere model is gebaseerd op vergelijkingen en op theorie; het grotere model is gebaseerd op procedures en op gegevens, dwz een gedetailleerde systeemsimulatie. Modellen die gebaseerd zijn op eenvoudige theorieën en vergelijkingen kunnen slechte numerieke schattingen opleveren en zelfs hele verschijnselen over het hoofd zien. Daarentegen zullen modellen die gebaseerd zijn op procedures (bijv. "bestel tot de Max wanneer u de Min overschrijdt") en feiten (bijv. de laatste 3 jaar van de dagelijkse vraag naar artikelen) veel meer rekenkracht vergen, maar realistischere antwoorden geven. Gelukkig hebben we dankzij de cloud veel rekenkracht binnen handbereik.

Misschien wel de grootste modellering van "zonde" in de MEIO-literatuur is de veronderstelling dat eisen op alle echelons kunnen worden gemodelleerd als puur willekeurige Poisson-processen. Zelfs als het waar zou zijn op magazijnniveau, zou het verre van waar zijn op DC-niveau. Het Poisson-proces is de "witte rat van vraagmodellering" omdat het eenvoudig is en meer manipulatie van papier-en-potloodvergelijkingen mogelijk maakt. Omdat niet alle eisen Poisson-vormig zijn, resulteert dit in onrealistische aanbevelingen.

 

Op scenario's gebaseerde simulatie-optimalisatie

Om realisme te krijgen, moeten we dieper ingaan op de details van hoe de voorraadsystemen op elk echelon werken. Met weinig beperkingen, behalve die opgelegd door hardware, zoals de grootte van het geheugen, kunnen computerprogramma's elk niveau van complexiteit aan. Het is bijvoorbeeld niet nodig om aan te nemen dat elk van de magazijnen te maken heeft met identieke vraagstromen of dezelfde kosten heeft als alle andere.

Een computersimulatie werkt als volgt.

  1. De werkelijke vraaggeschiedenis en doorlooptijdgeschiedenis worden verzameld voor elke SKU op elke locatie.
  2. Waarden van voorraadparameters (bijv. Min en Max) worden geselecteerd voor proef.
  3. De vraag- en aanvullingsgeschiedenissen worden gebruikt om scenario's te creëren die de invoer naar het computerprogramma weergeven dat de werkingsregels van het systeem codeert.
  4. De ingangen worden gebruikt om de werking van een computermodel van het systeem aan te sturen met de gekozen parameterwaarden over een lange periode, bijvoorbeeld een jaar.
  5. Voor het gesimuleerde jaar worden key performance indicators (KPI's) berekend.
  6. Stappen 2-5 worden vele malen herhaald en de resultaten worden gemiddeld om parameterkeuzes te koppelen aan systeemprestaties.
  7.  

Voorraadoptimalisatie voegt nog een "buitenste lus" toe aan de berekeningen door systematisch te zoeken naar de mogelijke waarden van Min en Max. Van de parameterparen die voldoen aan de artikelbeschikbaarheidsbeperking, identificeert verder zoeken de Min- en Max-waarden die resulteren in de laagste bedrijfskosten.

Feit en Fantasie in Optimalisatie van multi-echelonvoorraad

Figuur 1: Algemene structuur van één type voorraadsysteem op twee niveaus

 

Blijf op de hoogte voor onze volgende blog

BINNENKORT BESCHIKBAAR. Om een voorbeeld van een simulatie van het systeem in figuur 1 te zien, lees de tweede blog over dit onderwerp

 

 

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?

Beoordelen hoe leveranciers uw voorraadkosten beïnvloeden

De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Software voor voorraadoptimalisatie wordt meestal gebruikt om de analytische resultaten te verkrijgen die u nodig heeft om uw dagelijkse activiteiten uit te voeren, zoals bestelpunten (ook bekend als Mins) en bestelhoeveelheden. Deze gespecialiseerde software helpt u bij het vinden van de optimale balans tussen voorraadkosten en artikelbeschikbaarheid tijdens routinewerkzaamheden.

Voorraadoptimalisatiesoftware kan ook worden gebruikt om 'wat-als'-analyses uit te voeren op scenario's die wijzigingen in uw huidige bedrijfsomgeving beschrijven. Wat-als-analyse (ook wel "gevoeligheidsanalyse" genoemd) stelt u in staat uw denken te verheffen van tactisch naar strategisch. Het helpt u zich voor te stellen hoe u uw activiteiten moet aanpassen om u aan te passen aan mogelijke veranderingen in uw werkomgeving. Deze veranderingen kunnen negatieve druk zijn die van buitenaf op u wordt uitgeoefend, of ze kunnen het gevolg zijn van uw eigen positieve acties. In deze blog geven we een voorbeeld van hoe je “wat-analyse” kunt uitvoeren op doorlooptijden en bestelhoeveelheden. De resultaten van de analyse kunnen door het bedrijf worden gebruikt om de impact van deze wijzigingen op de voorraadkosten en de serviceniveauprestaties te beoordelen.

Hoe leveranciers uw bewegingsvrijheid beperken

 

Toen we met onze klanten de gegevensinvoer bespraken die nodig is voor voorraadoptimalisatiesoftware, merkten we dat leveranciers een prominente invloed hebben op hun activiteiten. Belangrijke onderwerpen als delen laten we voorlopig buiten beschouwing vraag prognoses met leveranciers en het uitwerken van reacties op verstoringen in de toeleveringsketen, zoals orkaan Matthew vorig jaar in het zuidoosten van de VS. In plaats daarvan richten we ons op twee meer gebruikelijke manieren waarop leveranciers de voorraadkosten van producenten beïnvloeden: doorlooptijden voor aanvulling en beperkingen op bestelhoeveelheden.

De doorlooptijd voor aanvulling is het aantal dagen dat verstrijkt tussen het bereiken of overschrijden van een bestelpunt door de voorraad en het verschijnen van aanvullingseenheden op voorraad. Een deel van de doorlooptijd is intern bij de producent, misschien als gevolg van trage reacties op een inkoopafdeling. De rest van de doorlooptijd is aan de leverancier. In deze discussie gaan we ervan uit dat de bijdrage van leveranciers aan doorlooptijden kan veranderen, ten goede of ten kwade. (Maar dezelfde resultaten kunnen van toepassing zijn op veranderingen in de bijdragen van producenten aan doorlooptijden.)

De beperkingen op bestelhoeveelheden die we beschouwen zijn bestelminima en bestelveelvouden. Misschien wilt u 3 eenheden van een artikel bestellen, maar de leverancier kan een minimale bestelgrootte van 6 eenheden opleggen, dus uw bestelling van 3 eenheden zou een bestelling van 6 eenheden moeten worden. Of misschien wilt u 21 eenheden bestellen, wat handig de minimale bestelgrootte van 6 eenheden overschrijdt, maar als de leverancier ook een veelvoud van 6 heeft, wat betekent dat elke bestelling een veelvoud van 6 eenheden moet zijn, dan moet uw bestelling van 21 eenheden worden verhoogd tot 24 eenheden.

Scenario-analyses

 

Om het gebruik van voorraadoptimalisatiesoftware voor wat-als-analyse te illustreren, onderzoeken we twee reeksen scenario's. In de eerste set variëren de doorlooptijden van -20% tot +20% van hun waarden in een basisscenario. In de tweede set worden de resultaten eerst berekend zonder leveranciersbeperkingen, vervolgens met alleen bestelminima en ten slotte met een combinatie van bestelminima en bestelveelvouden. Voor de berekeningen gebruiken we Smart Inventory Optimization software.

Het basisscenario maakt gebruik van real-world gegevens over 2.852 reserveonderdelen die worden beheerd door een vooruitstrevend openbaar vervoersbedrijf. Deze onderdelen hebben een zeer heterogene mix van attributen. Hun kosten per eenheid variëren van $1 tot $23.105, en hun doorlooptijden variëren tussen 1 dag en 300 dagen. Gedurende 24 maanden varieerde de gemiddelde vraag van minder dan 1 eenheid per maand tot 1.508 eenheden per maand, met variatiecoëfficiënten variërend van een beheersbare 10% tot een enge 2.171%. Bovendien is het leveranciersbeeld ook erg complex, met 293 unieke leveranciers die elk gemiddeld ongeveer 10 onderdelen leveren. Deze heterogeniteit houdt in dat een real-world optimalisatie zou kiezen tussen items en leveranciers. Voor de eenvoud van uiteenzetting en om basisinzichten te ontwikkelen, behandelen onze wat-als-scenario's in dit voorbeeld echter elk artikel en elke leverancier gelijk. Evenzo gingen we er in de basislijn van uit dat de bewaarkosten gelijk waren aan 20% van de dollarwaarde van een artikel en dat elke aanvullingsorder vaste kosten had van $40.

We hebben twee wat-als-experimenten uitgevoerd. In de eerste werd gekeken naar de effecten van veranderende doorlooptijden. De tweede onderzocht de effecten van het invoeren van beperkingen op bestelhoeveelheden. In elk experiment hebben we de effecten van de wijzigingen op twee operationele statistieken vastgelegd: gemiddeld aantal eenheden op voorraad en gemiddeld aantal bestellingen per jaar. Deze beïnvloedden op hun beurt vier financiële maatstaven: gemiddelde dollarwaarde van voorraad, gemiddelde voorraadkosten, gemiddelde bestelkosten en de som van de laatste twee, de totale bedrijfskosten van de voorraad.

In alle scenario's werden bestelpunten berekend om een waarschijnlijkheid van 95% te bereiken om stockouts te vermijden in afwachting van aanvulling. Bestelhoeveelheden, bij afwezigheid van leveranciersbeperkingen, werden berekend als wat we "haalbare EOQ" noemen. EOQ is de klassieke "economische bestelhoeveelheid" die wordt geleerd in inventaris 101; het wordt berekend op basis van de gemiddelde vraag, bewaarkosten en bestelkosten. Haalbare EOQ voegt een extra overweging toe: voorraaddynamiek. Als het bestelpunt erg laag is, is het mogelijk dat de EOQ te klein is om een stabiel, positief voorraadniveau te behouden. In deze gevallen verhoogt de haalbare EOQ de bestelhoeveelheid boven de EOQ om ervoor te zorgen dat de gemiddelde voorraad niet negatief wordt.

Effecten van veranderende doorlooptijden

Tabel 1 toont de resultaten van het wijzigen van de doorlooptijden. Rondom het basisscenario hebben we de doorlooptijd van elk artikel gewijzigd met -20%, -10%, +10% en +20%.

Het is geen verrassing dat het verkorten van de doorlooptijden het vereiste voorraadniveau verlaagde en het verhogen ervan het tegenovergestelde deed. Zowel het gemiddelde aantal eenheden als de bijbehorende dollarwaarde gedroeg zich zoals verwacht. Wat misschien verrassend is, is dat de effecten enigszins gedempt waren, dat wil zeggen dat een verandering van X procent in doorlooptijd een respons van minder dan X procent opleverde. Een verkorting van de doorlooptijd in 20% zorgde bijvoorbeeld voor slechts een vermindering van 7,9% in de voorhanden voorraad en slechts een vermindering van 12,0% in de dollarwaarde van die eenheden. Bovendien zijn de effecten van verlagingen en verhogingen asymmetrisch: een toename van de doorlooptijd met 20% leidde tot een toename van slechts 7,3% in eenheden (versus 7,9%) en slechts een stijging van de voorraadwaarde met 9,6% (versus 12.0%).

Vergelijkbare verzwakte en asymmetrische resultaten aangehouden voor bedrijfskosten. Een verkorting van de doorlooptijd in 20% verlaagde de totale bedrijfskosten met 7.0%, maar een toename in doorlooptijd in 20% veroorzaakte slechts een stijging van de bedrijfskosten met 5.1%.

Overweeg nu de implicaties van deze resultaten voor de praktijk. In een competitieve wereld zijn kostenbesparingen in de orde van grootte van 10% of zelfs 5% aanzienlijk. Dit betekent dat inspanningen om doorlooptijden te verkorten belangrijke voordelen kunnen hebben. Dit betekent op zijn beurt dat inspanningen om inkoopprocessen te stroomlijnen de moeite waard kunnen zijn. Evenzo is er reden om leveranciers te betrekken bij het verkorten van hun deel van de doorlooptijd, mogelijk door de besparingen te delen om hen te stimuleren.

 

Voorraadoptimalisatie - Effecten van veranderende doorlooptijden
Tabel 1: Effecten van veranderende doorlooptijden

Effect van beperkingen op bestelhoeveelheid

 

Tabel 2 toont het effect van het opleggen van leveranciersbeperkingen op bestelhoeveelheden. In het basisscenario zijn er geen beperkingen, dwz het bestelminimum is 0 en het bestelveelvoud is 1, wat inhoudt dat elke bestelhoeveelheid acceptabel is voor leveranciers. Weg van het basisscenario, hebben we eerst gekeken naar het opleggen van een bestelminimum van 5 eenheden voor alle artikelen, en vervolgens een bestelveelvoud van 5 toe te voegen voor alle artikelen.

Het forceren van bestellingen om groter te zijn dan ze anders zouden zijn, had de verwachte impact op het gemiddelde aantal beschikbare eenheden, door het met 0,9% te verhogen met alleen een minimumbestelling en met 3,4% met zowel een minimum als een veelvoud. De overeenkomstige veranderingen in de dollarwaarde van de inventaris waren dramatischer: 22.4% en 23.3%. Dit verschil in de grootte van het responspercentage is waarschijnlijk terug te voeren op het grote aantal vervangende onderdelen met een laag volume/hoge kosten dat door het openbaar vervoerbedrijf wordt beheerd.

Een andere verrassing was de netto verlaging van de bedrijfskosten toen leveranciersbeperkingen werden opgelegd. Terwijl de voorraadkosten stegen met 22,4% en 23,3% in de twee wat-als-scenario's, lieten de grotere bestelhoeveelheden minder bestellingen per jaar toe, wat resulteerde in een compenserende verlaging van de bestelkosten van respectievelijk -24,4% en -32,7%. De netto-effecten op de bedrijfskosten waren toen verlagingen van 3,7% en 7,9%.

Over het algemeen wordt verwacht dat het opleggen van beperkingen aan acties van producenten de prestaties vermindert. De resultaten in deze scenario's waren dus contra-intuïtief. De echte boodschap hier is echter dat het gebruik van EOQ, of zelfs verbeterde EOQ, om een bestelhoeveelheid in te stellen geen optimale resultaten oplevert. Paradoxaal genoeg lijken de door ons onderzochte beperkingen van de bestelhoeveelheid de bestelhoeveelheden dichter bij het optimale niveau te hebben gebracht.

 

Voorraadoptimalisatie - Effect van beperking van de bestelhoeveelheid
Tabel 2: Effect van beperkingen op bestelhoeveelheid

Conclusies

 

De hier getoonde wat-als-analyses leiden niet tot universele conclusies. Als u bijvoorbeeld de veronderstelde kosten per bestelling wijzigt van $40 naar een kleiner aantal, kan dit aantonen dat de leveranciersbeperkingen de voorraadkosten van de producent hebben verhoogd in plaats van verlaagd.

Bij het uitvoeren van wat-als-analyses in echte situaties, zouden gebruikers natuurlijk scenario's maken op een lager detailniveau. Ze kunnen bijvoorbeeld het effect van wijzigingen in de doorlooptijden van leveranciers per leverancier evalueren om diegene te vinden die de hoogste potentiële uitbetalingen zouden opleveren. Of ze kunnen ervoor zorgen dat bestelminima, als ze al voor alle artikelen bestaan, met een bepaald percentage veranderen in plaats van met een vast bedrag, wat misschien wat realistischer is.

De belangrijkste conclusie is dat software voor voorraadoptimalisatie kan worden gebruikt in de "wat-als-modus" om strategische kwesties te onderzoeken, naast het gebruikelijke gebruik om bestelpunten, veiligheidsvoorraden, bestelhoeveelheden en voorraadoverdrachten te berekenen.

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. […]