Waarom dagen van bevoorradingsdoelen niet werken bij het berekenen van veiligheidsvoorraden

Waarom dagen van bevoorradingsdoelen niet werken bij het berekenen van veiligheidsvoorraden

CFO's vertellen ons dat ze minder aan voorraad moeten uitgeven zonder de verkoop te beïnvloeden. Een manier om dat te doen is om af te stappen van het gebruik van een gerichte leveringsdag om bestelpunten en veiligheidsvoorraadbuffers te bepalen. Hier is hoe een bevoorradingsdagenmodel werkt:

  1. Bereken de gemiddelde vraag per dag en vermenigvuldig de vraag per dag met de doorlooptijd van de leverancier in dagen om de doorlooptijdvraag te krijgen
  2. Kies een dagen voorraadbuffer (dwz 15, 30, 45 dagen, enz.). Gebruik grotere buffers voor belangrijkere items en kleinere buffers voor minder belangrijke items.
  3. Voeg de gewenste dagen aan voorraadbuffer toe aan de vraag over de doorlooptijd om het bestelpunt te krijgen. Bestel meer als de voorhanden voorraad onder het bestelpunt daalt

Dit is wat er mis is met deze benadering:

  1. Het gemiddelde houdt geen rekening met seizoensinvloeden en trends – u zult duidelijke patronen missen, tenzij u er veel tijd aan besteedt om deze handmatig aan te passen.
  2. Het gemiddelde houdt geen rekening met hoe voorspelbaar een artikel is - u zult voorspelbare artikelen te veel in voorraad hebben en minder voorspelbare artikelen. Dit komt omdat dezelfde leveringsdagen voor verschillende artikelen een heel ander voorraadrisico opleveren.
  3. Het gemiddelde vertelt een planner niet hoe het voorraadrisico wordt beïnvloed door het voorraadniveau - u hebt geen idee of u ondervoorraad, overbevoorrading of net genoeg hebt. Je plant in wezen met oogkleppen op.

Er zijn veel andere "vuistregel"-benaderingen die even problematisch zijn. Hierin kunt u meer over hen te weten komen na

Een betere manier om de juiste hoeveelheid veiligheidsvoorraad te plannen, is gebruik te maken van waarschijnlijkheidsmodellen die precies aangeven hoeveel voorraad nodig is gezien het risico van voorraad die u bereid bent te accepteren. Hieronder ziet u een screenshot van Smart Inventory Optimization die precies dat doet. Ten eerste beschrijft het de voorspelde serviceniveaus (waarschijnlijkheid van niet bevoorraden) in verband met de huidige dagen van leveringslogica. De planner kan nu de onderdelen zien waar het voorspelde serviceniveau te laag of te duur is. Ze kunnen dan onmiddellijke correcties aanbrengen door zich te richten op de gewenste serviceniveaus en het niveau van voorraadinvesteringen. Zonder deze informatie zal een planner niet weten of de beoogde dagen veiligheidsvoorraad te veel, te weinig of precies goed zijn, wat resulteert in overvoorraden en tekorten die marktaandeel en inkomsten kosten. 

Veiligheidsvoorraden berekenen 2

 

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.

 

 

Voorraad beheren te midden van regimeverandering

Als je de uitdrukking "regimeverandering" op het nieuws hoort, denk je meteen aan een beladen geopolitieke gebeurtenis. Statistici gebruiken de uitdrukking anders, op een manier die van groot belang is voor vraagplanning en voorraadoptimalisatie. Deze blog gaat over “regime change” in statistische zin, dat wil zeggen een grote verandering in het karakter van de vraag naar een voorraadartikel.

De vraaggeschiedenis van een artikel is de brandstof die de prognosemachines van vraagplanners aandrijft. Over het algemeen geldt: hoe meer brandstof, hoe beter, waardoor we een betere oplossing hebben voor het gemiddelde niveau, de volatiliteit, de grootte en frequentie van eventuele pieken, de vorm van elk seizoenspatroon en de grootte en richting van elke trend.

Maar er is één grote uitzondering op de regel dat "meer gegevens betere gegevens zijn." Als er een grote verschuiving in uw wereld plaatsvindt en de nieuwe vraag lijkt niet op de oude vraag, dan worden oude gegevens gevaarlijk.

Moderne software kan nauwkeurige prognoses maken van de vraag naar artikelen en verstandige keuzes voorstellen voor voorraadparameters zoals bestelpunten en bestelhoeveelheden. Maar de geldigheid van deze berekeningen hangt af van de relevantie van de gegevens die in hun berekening worden gebruikt. Oude gegevens van een oud regime weerspiegelen niet langer de huidige realiteit, dus door ze in berekeningen op te nemen, ontstaan voorspellingsfouten voor vraagplanners en ofwel overtollige voorraad of onaanvaardbare stockout-percentages voor voorraadplanners.

Dat gezegd hebbende, als je een recente regimewisseling zou doorstaan en de verouderde gegevens zou weggooien, zou je veel minder gegevens hebben om mee te werken. Dit heeft zijn eigen kosten, omdat alle schattingen die op basis van de gegevens worden berekend een grotere statistische onzekerheid zouden hebben, ook al zouden ze minder vertekend zijn. In dit geval zouden uw berekeningen meer moeten steunen op een combinatie van statistische analyse en uw eigen deskundig oordeel.

Op dit punt kunt u zich afvragen: "Hoe kan ik weten of en wanneer er een regimewisseling heeft plaatsgevonden?" Als je al een tijdje aan het werk bent en je je op je gemak voelt bij het bekijken van tijdschema's van de vraag naar items, zul je over het algemeen regimeverandering herkennen wanneer je het ziet, tenminste als het niet te subtiel is. Afbeelding 1 toont enkele praktijkvoorbeelden die voor de hand liggen.

Figuur 1 Vier voorbeelden van regimeverandering in de reële vraag naar artikelen

Afbeelding 1: Vier voorbeelden van regimeverandering in de vraag naar artikelen in de echte wereld

 

Helaas kunnen minder voor de hand liggende veranderingen toch significante effecten hebben. Bovendien hebben de meeste van onze klanten het te druk om alle items die ze beheren zelfs maar één keer per kwartaal handmatig te controleren. Als je bijvoorbeeld 100 items overschrijdt, wordt het een zware taak om al die tijdreeksen te bekijken. Gelukkig kan software goed de vraag naar tienduizenden items monitoren en u waarschuwen voor items die mogelijk uw aandacht nodig hebben. Ook dan kunt u ervoor zorgen dat de software niet alleen regimeverandering detecteert, maar ook automatisch alle gegevens uitsluit die zijn verzameld vóór de meest recente regimeverandering, indien van toepassing. Met andere woorden, u kunt zowel automatische waarschuwing voor regimeverandering als automatische bescherming tegen regimeverandering krijgen.

Zie onze vorige blog over dit onderwerp voor meer informatie over de basisprincipes van regimeverandering: https://smartcorp.com/blog/demandplanningregimechange/  

 

Een voorbeeld met getallen erin

Als u meer wilt weten, lees dan verder om een numeriek voorbeeld te zien van hoeveel regimeverandering de berekening van een bestelpunt voor een kritisch reserveonderdeel kan veranderen. Hier is een scenario om het punt te illustreren.

Scenario

  • Doel: bereken het bestelpunt dat nodig is om het risico van voorraadtekort te beheersen tijdens het wachten op aanvulling. Neem aan dat het beoogde voorraadrisico 5% is.
  • Stel dat het artikel een intermitterende dagelijkse vraag heeft, met vele dagen zonder vraag.
  • Stel dat de dagelijkse vraag een Poisson-verdeling heeft met een gemiddelde van 1,0 eenheden per dag.
  • Stel dat de doorlooptijd van de aanvulling altijd 30 dagen is.
  • De doorlooptijdvraag zal willekeurig zijn, dus het heeft een kansverdeling en het bestelpunt is de 95e percentiel van de verdeling.
  • Neem aan dat het effect van regimewisseling is dat de gemiddelde dagelijkse vraag wordt verhoogd of verlaagd.
  • Neem aan dat er een jaar aan dagelijkse gegevens beschikbaar zijn voor het schatten van de gemiddelde dagelijkse vraag per eenheid.

 

Figuur 2 Voorbeeld van verandering in gemiddelde vraag en steekproef van willekeurige dagelijkse vraag

Figuur 2 Voorbeeld van verandering in gemiddelde vraag en steekproef van willekeurige dagelijkse vraag

 

Figuur 2 toont een vorm van dit scenario. Het bovenste paneel laat zien dat de gemiddelde dagelijkse vraag na 270 dagen stijgt van 1,0 naar 1,5. Het onderste paneel toont een manier waarop de dagelijkse vraag van een jaar kan verschijnen. (Op dit moment heb je misschien het gevoel dat het berekenen van al deze dingen ingewikkeld is, zelfs voor wat een vereenvoudigd scenario blijkt te zijn. Daarom hebben we software!)

Analyse

Succesvolle berekening van het juiste bestelpunt hangt af van wanneer regimeverandering plaatsvindt en hoe groot een verandering plaatsvindt. We simuleerden regimewisselingen van verschillende groottes op verschillende tijdstippen binnen een periode van 365 dagen. Rond een basisvraag van 1,0 eenheden per dag hebben we verschuivingen in de vraag ("shift") van ±25% en ±50% bestudeerd, evenals een referentiegeval zonder verandering. We hebben het tijdstip van de wijziging ("t.break") vastgesteld op 90, 180 en 270 dagen. In elk geval hebben we twee schattingen van het bestelpunt berekend: de "ideale" waarde gegeven perfecte kennis van de gemiddelde vraag in het nieuwe regime ("ROP.true"), en de geschatte waarde van de gemiddelde vraag berekend door de regimeverandering te negeren en het gebruik van alle vraaggegevens van het afgelopen jaar (“ROP.all”).

Tabel 1 toont de schattingen van het bestelpunt berekend over 100 simulaties. Het middelste blok is het referentiegeval, waarin er geen verandering is in de dagelijkse vraag, die vast blijft op 1 eenheid per dag. Het gekleurde blok onderaan is het meest extreem stijgende scenario, waarbij de vraag stijgt tot 1,5 eenheden/dag ofwel een derde, de helft of tweederde van het jaar.

Uit deze simulaties kunnen we verschillende conclusies trekken.

ROP.true: De juiste keuze voor bestelpunt neemt toe of af volgens de verandering in de gemiddelde vraag na de regimeverandering. De relatie is niet eenvoudig lineair: de tabel omvat een 600%-bereik van vraagniveaus (0,25 tot 1,50) maar een 467%-bereik van bestelpunten (van 12 tot 56).

ROP.all: Het negeren van de regimewisseling kan leiden tot grove overschattingen van het bestelpunt wanneer de vraag daalt en tot grove onderschattingen wanneer de vraag toeneemt. Zoals we zouden verwachten, hoe later de regimewisseling, hoe erger de fout. Als de vraag bijvoorbeeld twee derde van het jaar onopgemerkt stijgt van 1,0 naar 1,5 eenheden per dag, zou het berekende bestelpunt van 43 eenheden 13 eenheden minder zijn dan het zou moeten zijn.

Een woord van waarschuwing: Tabel 1 laat zien dat het baseren van de berekeningen van bestelpunten met alleen gegevens van na een regimewisseling meestal het juiste antwoord geeft. Wat het niet laat zien, is dat de schattingen onstabiel kunnen zijn als er na de wijziging zeer weinig vraaggeschiedenis is. Daarom moet je in de praktijk wachten met reageren op de regimewisseling totdat er een behoorlijk aantal waarnemingen is verzameld in het nieuwe regime. Dit kan betekenen dat u alle vraaggeschiedenis moet gebruiken, zowel vóór als na de wijziging, totdat bijvoorbeeld 60 of 90 dagen aan geschiedenis zijn verzameld voordat de gegevens vóór de wijziging worden genegeerd.

 

Tabel 1 Correcte en geschatte bestelpunten voor verschillende scenario's voor regimeverandering

Tabel 1 Correcte en geschatte bestelpunten voor verschillende scenario's voor regimeverandering

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?