Op prognoses gebaseerd voorraadbeheer, of MRP-logica (Material Needs Planning), is een methodologie voor vooruitplanning voor het beheer van voorraad. Deze methode zorgt ervoor dat bedrijven aan de vraag kunnen voldoen zonder overbevoorrading, wat kapitaal vastlegt, of onderbevoorrading, wat kan leiden tot omzetverlies en ontevreden klanten.

Door te anticiperen op de vraag en de voorraadniveaus dienovereenkomstig aan te passen, helpt deze aanpak het juiste evenwicht te behouden tussen het hebben van voldoende voorraad om aan de behoeften van de klant te voldoen en het minimaliseren van overtollige voorraadkosten. Bedrijven kunnen hun activiteiten optimaliseren, verspilling verminderen en de klanttevredenheid verbeteren door toekomstige behoeften te voorspellen. Laten we eens kijken hoe dit werkt.

 

Kernconcepten van op prognoses gebaseerd voorraadbeheer

Voorraaddynamiekmodellen: Voorraaddynamiekmodellen zijn van fundamenteel belang voor het begrijpen en beheren van voorraadniveaus. Het eenvoudigste model, bekend als het ‘zaagtandmodel’, laat zien dat voorraadniveaus afnemen naarmate de vraag toeneemt en zich net op tijd aanvult. Real-world scenario's vereisen echter vaak geavanceerdere modellen. Door stochastische elementen en variabiliteit op te nemen, zoals Monte Carlo-simulaties, kunnen bedrijven rekening houden met willekeurige schommelingen in de vraag en doorlooptijd, waardoor een realistischere voorspelling van de voorraadniveaus ontstaat.

IP&O-platform verbetert de modellering van de voorraaddynamiek door middel van geavanceerde data-analyse en simulatiemogelijkheden. Door gebruik te maken van AI en machine learning-algoritmen kan ons IP&O-platform vraagpatronen nauwkeuriger voorspellen en modellen in realtime aanpassen op basis van de nieuwste gegevens. Dit leidt tot nauwkeurigere voorraadniveaus, waardoor het risico op voorraadtekorten en overbevoorrading wordt verminderd.

Bestelhoeveelheid en timing bepalen: Effectief voorraadbeheer vereist dat u weet wanneer en hoeveel u moet bestellen. Dit omvat het voorspellen van de toekomstige vraag en het berekenen van de doorlooptijd voor het aanvullen van de voorraad. Door te voorspellen wanneer de voorraad het veiligheidsvoorraadniveau bereikt, kunnen bedrijven hun bestellingen plannen om een continue levering te garanderen.

Onze nieuwste tools blinken uit in het optimaliseren van bestelhoeveelheden en timing door gebruik te maken van voorspellende analyses en AI. Deze systemen kunnen enorme hoeveelheden gegevens analyseren, inclusief historische verkopen en markttrends. Door dit te doen, bieden ze nauwkeurigere vraagprognoses en optimaliseren ze de bestelpunten, zodat de voorraad precies op tijd wordt aangevuld zonder dat er overtollige voorraad ontstaat.

Doorlooptijd berekenen: Doorlooptijd is de periode vanaf het plaatsen van een bestelling tot het ontvangen van de voorraad. Het varieert afhankelijk van de beschikbaarheid van componenten. Als een product bijvoorbeeld uit meerdere componenten wordt samengesteld, wordt de doorlooptijd bepaald door het onderdeel met de langste doorlooptijd.

Slimme AI-gestuurde oplossingen verbeteren de berekening van de doorlooptijd door te integreren met supply chain managementsystemen. Deze systemen volgen de prestaties van leveranciers en historische doorlooptijden om nauwkeurigere schattingen van de doorlooptijd te bieden. Bovendien kunnen slimme technologieën bedrijven waarschuwen voor mogelijke vertragingen, waardoor proactieve aanpassingen aan voorraadplannen mogelijk worden.

Berekening van de veiligheidsvoorraad: De veiligheidsvoorraad fungeert als buffer om te beschermen tegen variabiliteit in vraag en aanbod. Het berekenen van de veiligheidsvoorraad omvat het analyseren van de variabiliteit van de vraag en het instellen van een voorraadniveau dat de meeste potentiële scenario's dekt, waardoor het risico op voorraadtekorten wordt geminimaliseerd.

IP&O-technologie verbetert de berekening van de veiligheidsvoorraad aanzienlijk door middel van geavanceerde analyses. Door vraagpatronen en supply chain-variabelen voortdurend te monitoren, kunnen slimme systemen de veiligheidsvoorraadniveaus dynamisch aanpassen. Machine learning-algoritmen kunnen vraagpieken of -dalingen voorspellen en de veiligheidsvoorraad dienovereenkomstig aanpassen, waardoor optimale voorraadniveaus worden gegarandeerd en de voorraadkosten worden geminimaliseerd.

Het belang van nauwkeurige prognoses bij voorraadbeheer

Nauwkeurige prognoses zijn essentieel voor het minimaliseren van prognosefouten, die kunnen leiden tot overtollige voorraad of voorraadtekorten. Technieken zoals het gebruik van historische gegevens, het verbeteren van gegevensinvoer en het toepassen van geavanceerde voorspellingsmethoden helpen een betere nauwkeurigheid te bereiken. Voorspellingsfouten kunnen aanzienlijke financiële gevolgen hebben: te hoge prognoses resulteren in overtollige voorraad, terwijl te lage prognoses leiden tot gemiste verkoopkansen. Het beheren van deze fouten door middel van het systematisch volgen en aanpassen van prognosemethoden is cruciaal voor het handhaven van optimale voorraadniveaus.

De veiligheidsvoorraad zorgt ervoor dat bedrijven aan de behoeften van de klant kunnen voldoen, zelfs als de werkelijke vraag afwijkt van de prognose. Dit kussen beschermt tegen onvoorziene vraagpieken of vertragingen bij de bevoorrading. Nauwkeurige prognoses, effectief foutenbeheer en strategisch gebruik van de veiligheidsvoorraad verbeteren het op prognoses gebaseerde voorraadbeheer. Bedrijven kunnen de voorraaddynamiek begrijpen, de juiste bestelhoeveelheden en timing bepalen, nauwkeurige doorlooptijden berekenen en de juiste veiligheidsvoorraadniveaus instellen.

Het gebruik van state-of-the-art technologie zoals IP&O biedt aanzienlijke voordelen door het bieden van realtime data-inzichten, voorspellende analyses en adaptieve modellen. Dit leidt tot efficiënter voorraadbeheer, lagere kosten en verbeterde klanttevredenheid. Over het geheel genomen stelt IP&O bedrijven in staat beter te plannen en snel te reageren op marktveranderingen, waardoor ze de juiste voorraadbalans behouden om aan de behoeften van de klant te voldoen zonder onnodige kosten te maken.

 

 

In deze blog onderzoeken we hoe organisaties uitzonderlijke efficiëntie en nauwkeurigheid kunnen bereiken met AI-gestuurde voorraadoptimalisatie. Traditionele methoden voor voorraadbeheer schieten vaak tekort vanwege hun reactieve karakter en hun afhankelijkheid van handmatige processen. Het handhaven van optimale voorraadniveaus is van fundamenteel belang om aan de vraag van de klant te voldoen en tegelijkertijd de kosten te minimaliseren. De introductie van AI-gestuurde voorraadoptimalisatie kan de last van handmatige processen aanzienlijk verminderen, waardoor supply chain-managers worden ontlast van vervelende taken. Met AI kunnen we de vraag nauwkeuriger voorspellen, overtollige voorraden verminderen, voorraadtekorten voorkomen en uiteindelijk de bedrijfsresultaten van onze organisatie verbeteren. Laten we eens kijken hoe deze aanpak niet alleen de verkoop- en operationele efficiëntie verhoogt, maar ook de klanttevredenheid verhoogt door ervoor te zorgen dat producten altijd beschikbaar zijn wanneer dat nodig is.

 

Inzichten voor verbeterde besluitvorming in voorraadbeheer

1. Verbeterde voorspellingsnauwkeurigheid Geavanceerde Machine Learning-algoritmen analyseren historische gegevens om patronen te identificeren die mensen mogelijk over het hoofd zien. Technieken als clustering, detectie van regimeveranderingen, detectie van afwijkingen en regressieanalyse bieden diepgaande inzichten in gegevens. Het meten van voorspellingsfouten is essentieel voor het verfijnen van voorspellingsmodellen; Technieken als Mean Absolute Error (MAE) en Root Mean Squared Error (RMSE) helpen bijvoorbeeld bij het kwantificeren van de nauwkeurigheid van voorspellingen. Bedrijven kunnen de nauwkeurigheid verbeteren door voortdurend prognoses te monitoren en aan te passen op basis van deze foutstatistieken. Zoals de Demand Planner bij een Hardware Retailer vermeld, “Met de verbeteringen aan onze prognoses en voorraadplanning die Smart Software mogelijk maakte, hebben we de veiligheidsvoorraad met 20% kunnen verminderen en tegelijkertijd de voorraadtekorten met 35% kunnen verminderen.”

2. Realtime gegevensanalyse State-of-the-art systemen kunnen enorme hoeveelheden gegevens in realtime verwerken, waardoor bedrijven hun voorraadniveaus dynamisch kunnen aanpassen op basis van de huidige vraagtrends en marktomstandigheden. Afwijkingsdetectiealgoritmen kunnen plotselinge pieken of dalen in de vraag automatisch identificeren en corrigeren, zodat de voorspellingen accuraat blijven. Een opmerkelijk succesverhaal komt van Smart IP&O, waarmee een bedrijf de voorraad tegen 20% kon verminderen en tegelijkertijd de serviceniveaus kon handhaven door voortdurend realtime gegevens te analyseren en de prognoses dienovereenkomstig aan te passen. FedEx Tech's Manager Materials benadrukt, “Wat het verzoek ook is, we moeten aan onze serviceverplichtingen de volgende dag voldoen. Smart stelt ons in staat om onze voorraad aan te passen om er zeker van te zijn dat we de producten en onderdelen bij de hand hebben om de serviceniveaus te bereiken die onze klanten nodig hebben.”

3. Verbeterde supply chain-efficiëntie Intelligente technologieplatforms kunnen de gehele supply chain optimaliseren, van inkoop tot distributie, door doorlooptijden te voorspellen en orderhoeveelheden te optimaliseren. Dit verkleint het risico op over- en onderbezetting. Met behulp van op prognoses gebaseerd voorraadbeheer heeft Smart Software bijvoorbeeld een fabrikant geholpen zijn toeleveringsketen te stroomlijnen, de doorlooptijden met 15% te verkorten en de algehele efficiëntie te verbeteren. De VP Operations bij Procon Pump verklaarde: “Een van de dingen die ik leuk vind aan deze nieuwe tool... is dat ik de gevolgen van beslissingen over voorraadvoorraden kan evalueren voordat ik ze implementeer.”

4. Verbeterde besluitvorming AI biedt bruikbare inzichten en aanbevelingen, waardoor managers weloverwogen beslissingen kunnen nemen. Dit omvat het identificeren van langzaam bewegende artikelen, het voorspellen van de toekomstige vraag en het optimaliseren van de voorraadniveaus. Regressieanalyse kan bijvoorbeeld de verkoop relateren aan externe variabelen zoals seizoensinvloeden of economische indicatoren, waardoor een dieper inzicht ontstaat in de vraagfactoren. Een van de klanten van Smart Software rapporteerde een aanzienlijke verbetering in de besluitvormingsprocessen, wat resulteerde in een stijging van het serviceniveau met 30% en een vermindering van de overtollige voorraad met 15%. “Smart IP&O stelde ons in staat de vraag op elke opslaglocatie te modelleren en, met behulp van serviceniveaugestuurde planning, te bepalen hoeveel we op voorraad moesten hebben om het serviceniveau te bereiken dat we nodig hebben”, aldus de Inkoopmanager bij Seneca Companies.

5. Kostenbesparing Door de voorraadniveaus te optimaliseren kunnen bedrijven de opslagkosten verlagen en verliezen als gevolg van verouderde of verlopen producten minimaliseren. AI-gestuurde systemen verminderen ook de noodzaak van handmatige voorraadcontroles, waardoor tijd en arbeidskosten worden bespaard. Dat blijkt uit een recente casestudy hoe de implementatie van Inventory Planning & Optimization (IP&O) binnen 90 dagen na de start van het project werd gerealiseerd. In de daaropvolgende zes maanden maakte IP&O het mogelijk de voorraadparameters voor enkele duizenden artikelen aan te passen, wat resulteerde in een voorraadreductie van $9,0 miljoen, terwijl het beoogde serviceniveau behouden bleef.

 

Door gebruik te maken van geavanceerde algoritmen en realtime data-analyse kunnen bedrijven optimale voorraadniveaus handhaven en de algehele prestaties van hun supply chain verbeteren. Inventory Planning & Optimization (IP&O) is een krachtig hulpmiddel dat uw organisatie kan helpen deze doelen te bereiken. Het integreren van de modernste voorraadoptimalisatie in uw organisatie kan leiden tot aanzienlijke verbeteringen op het gebied van efficiëntie, kostenreductie en klanttevredenheid.

 

 

 

Voorraadoptimalisatiesoftware die 'wat als'-analyse ondersteunt, legt de afweging tussen voorraadtekorten en extra kosten van verschillende serviceniveaudoelen bloot. Maar eerst is het belangrijk om te identificeren hoe ‘serviceniveaus’ worden geïnterpreteerd, gemeten en gerapporteerd. Dit voorkomt miscommunicatie en het valse gevoel van veiligheid dat kan ontstaan als er minder strenge definities worden gebruikt. Als u duidelijk definieert hoe het serviceniveau wordt berekend, staan alle belanghebbenden op één lijn. Dit vergemakkelijkt een betere besluitvorming.

Er zijn veel verschillen in wat bedrijven bedoelen als ze hun ‘serviceniveaus’ noemen. Dit kan variëren van bedrijf tot bedrijf en zelfs van afdeling tot afdeling binnen een bedrijf. Hier zijn twee voorbeelden:

 

1. Serviceniveau gemeten ‘vanaf de plank’ versus een door de klant opgegeven doorlooptijd.
   Serviceniveau gemeten “uit het schap” betekent het percentage bestelde eenheden dat onmiddellijk uit voorraad leverbaar is. Wanneer een klant een bestelling plaatst, wordt deze echter vaak niet direct verzonden. De klantenservice of verkoopafdeling geven aan wanneer de bestelling wordt verzonden. Als de klant akkoord gaat met de beloofde verzenddatum en de bestelling op die datum wordt verzonden, wordt aangenomen dat aan het serviceniveau is voldaan. De serviceniveaus zullen duidelijk hoger zijn als ze worden berekend over de door de klant opgegeven doorlooptijd versus ‘vanaf de plank’.

2. Serviceniveau gemeten over de vaste versus variabele, door de klant opgegeven doorlooptijd.
   Hoge serviceniveaus zijn vaak scheef omdat de door de klant opgegeven doorlooptijden later worden aangepast, zodat bijna elke bestelling “op tijd en volledig” kan worden uitgevoerd. Dit gebeurt wanneer de initiële doorlooptijd niet kan worden gehaald, maar de klant ermee instemt de bestelling later aan te nemen, en het door de klant opgegeven doorlooptijdveld dat wordt gebruikt om het serviceniveau bij te houden, wordt aangepast door de verkoopafdeling of de klantenservice.

Het verduidelijken van de manier waarop ‘serviceniveaus’ worden gedefinieerd, gemeten en gerapporteerd is essentieel voor het op één lijn brengen van organisaties en het verbeteren van de besluitvorming, wat resulteert in effectievere voorraadbeheerpraktijken.

 

Bedrijven die afhankelijk zijn van spreadsheets voor vraagplanning, prognoses en voorraadbeheer worden vaak beperkt door de inherente beperkingen van de spreadsheet. Dit artikel onderzoekt de nadelen van traditionele voorraadbeheerbenaderingen veroorzaakt door spreadsheets en de daarmee samenhangende kosten, en contrasteert deze met de aanzienlijke voordelen die worden behaald door het omarmen van de modernste planningstechnologieën.

Spreadsheets zijn weliswaar flexibel vanwege hun oneindige aanpasbaarheid, maar zijn in wezen handmatig van aard en vereisen aanzienlijk gegevensbeheer, menselijke inbreng en toezicht. Dit vergroot het risico op fouten, van eenvoudige fouten bij het invoeren van gegevens tot complexe formulefouten, die trapsgewijze effecten veroorzaken die de voorspellingen negatief beïnvloeden. Bovendien zijn spreadsheetgebaseerde processen, ondanks de vooruitgang op het gebied van samenwerkingsfuncties die meerdere gebruikers in staat stellen om met een gemeenschappelijk blad te communiceren, vaak in silo's ondergebracht. De houder van het spreadsheet houdt de gegevens vast. Wanneer dit gebeurt, ontstaan er veel bronnen van datawaarheid. Zonder het vertrouwen van een overeengekomen, zuivere en automatisch bijgewerkte gegevensbron beschikken organisaties niet over de noodzakelijke basis waarop voorspellende modellen, prognoses en analyses kunnen worden gebouwd.

Geavanceerde planningssystemen zoals Smart IP&O zijn daarentegen ontworpen om deze beperkingen te overwinnen. Dergelijke systemen zijn gebouwd om automatisch gegevens op te nemen via API of bestanden van ERP- en EAM-systemen, die gegevens te transformeren met behulp van ingebouwde ETL-tools en grote hoeveelheden gegevens efficiënt te verwerken. Hierdoor kunnen bedrijven complexe inventarisatie- en prognosetaken met grotere nauwkeurigheid en minder handmatige inspanning beheren, omdat de gegevensverzameling, aggregatie en transformatie al zijn voltooid. De overstap naar geavanceerde planningssystemen is om verschillende redenen essentieel voor het optimaliseren van resources.

Spreadsheets hebben ook een schaalprobleem. Hoe groter het bedrijf groeit, hoe groter het aantal spreadsheets, werkmappen en formules wordt. Het resultaat is een strak verweven en rigide geheel van onderlinge afhankelijkheden die log en inefficiënt worden. Gebruikers zullen moeite hebben met het omgaan met de toegenomen belasting en complexiteit, met trage verwerkingstijden en het onvermogen om grote datasets te beheren, en zullen te maken krijgen met uitdagingen bij het samenwerken tussen teams en afdelingen.

Aan de andere kant zijn geavanceerde planningssystemen voor voorraadoptimalisatie, vraagplanning en voorraadbeheer schaalbaar, ontworpen om met het bedrijf mee te groeien en zich aan te passen aan de veranderende behoeften. Deze schaalbaarheid zorgt ervoor dat bedrijven hun voorraad en prognoses effectief kunnen blijven beheren, ongeacht de omvang of complexiteit van hun activiteiten. Door over te stappen op systemen als Smart IP&O kunnen bedrijven niet alleen de nauwkeurigheid van hun voorraadbeheer en prognoses verbeteren, maar ook een concurrentievoordeel op de markt verwerven door beter te kunnen reageren op veranderingen in de vraag en efficiënter te kunnen opereren.

Voordelen van inspringen: Een elektriciteitsbedrijf had moeite om de beschikbaarheid van serviceonderdelen op peil te houden zonder een overschot aan voorraden te creëren voor meer dan 250.000 onderdelen in een divers netwerk van energieopwekkings- en distributiefaciliteiten. Het verving hun twintig jaar oude planningsproces, dat intensief gebruik maakte van spreadsheets, met Smart IP&O en een realtime integratie met hun EAM-systeem. Vóór Smart konden ze de Min/Max- en Veiligheidsvoorraadniveaus slechts zelden wijzigen. Als ze dat deden, was dat vrijwel altijd omdat er een probleem was opgetreden dat aanleiding gaf tot de beoordeling. De methoden die werden gebruikt om de kousparameters te wijzigen, waren sterk afhankelijk van het onderbuikgevoel en de gemiddelden van het historische gebruik. Het hulpprogramma maakte gebruik van de wat-als-scenario's van Smart om digitale tweelingen van alternatief voorraadbeleid te creëren en simuleerde hoe elk scenario zou presteren op belangrijke prestatie-indicatoren zoals voorraadwaarde, serviceniveaus, opvullingspercentages en tekortkosten. De software identificeerde gerichte Min/Max-verhogingen en -verlagingen die in hun EAM-systeem werden geïmplementeerd, waardoor de aanvulling van hun reserveonderdelen optimaal werd gestimuleerd. Het resultaat: een aanzienlijke voorraadreductie van $9 miljoen, waardoor contant geld en waardevolle magazijnruimte vrijkwamen, terwijl de beoogde serviceniveaus van 99%+ behouden bleven.

Prognosenauwkeurigheid beheren: Voorspellingsfouten zijn een onvermijdelijk onderdeel van voorraadbeheer, maar de meeste bedrijven houden dit niet bij. Zoals Peter Drucker zei: “Je kunt niet verbeteren wat je niet meet.” Een mondiaal hightech productiebedrijf dat een op spreadsheets gebaseerd voorspellingsproces gebruikte, moest handmatig zijn basisvoorspellingen opstellen en de nauwkeurigheid van de prognoses rapporteren. Gezien de werkdruk en de geïsoleerde processen van de planners werkten ze hun rapporten niet vaak bij, en als ze dat wel deden, moesten de resultaten handmatig worden gedistribueerd. Het bedrijf beschikte niet over een manier om te weten hoe nauwkeurig een bepaalde voorspelling was en kon de werkelijke fouten niet met enig vertrouwen per groep of onderdeel vermelden. Ze wisten ook niet of hun voorspellingen beter presteerden dan een controlemethode. Nadat Smart IP&O live ging, automatiseerde de module Demand Planning dit voor hen. Smart Demand Planner voorspelt nu automatisch de vraag elke planningscyclus opnieuw met behulp van ML-methoden en slaat nauwkeurigheidsrapporten op voor elke Part X-locatie. Alle aanpassingen die op de prognoses worden toegepast, kunnen nu automatisch worden vergeleken met de basislijn om de toegevoegde waarde van de prognose te meten – dwz of de extra inspanning om die wijzigingen door te voeren de nauwkeurigheid heeft verbeterd. Nu de mogelijkheid bestaat om de statistische basisprognoses te automatiseren en nauwkeurigheidsrapporten te produceren, beschikt dit bedrijf over een solide basis om het voorspellingsproces en de daaruit voortvloeiende voorspellingsnauwkeurigheid te verbeteren.

Doe het goed en houd het goed:  Een andere klant in de aftermarket-onderdelensector gebruikt de prognoseoplossingen van Smart sinds 2005 – bijna 20 jaar! Ze werden geconfronteerd met uitdagingen bij het voorspellen van de vraag naar onderdelen die met tussenpozen zouden worden verkocht ter ondersteuning van hun auto-aftermarket-activiteiten. Door hun op spreadsheets gebaseerde aanpak en handmatige uploads naar SAP te vervangen door statistische prognoses van de vraag en de veiligheidsvoorraad van SmartForecasts, konden ze het aantal backorders en omzetverlies aanzienlijk terugdringen, waarbij de opvullingspercentages binnen slechts drie maanden verbeterden van 93% naar 96%. De sleutel tot hun succes was het gebruik van Smart's gepatenteerde methode voor het voorspellen van de intermitterende vraag. De “Smart-Willemain” bootstrap-methode genereerde nauwkeurige schattingen van de cumulatieve vraag gedurende de doorlooptijd, waardoor een betere zichtbaarheid van de mogelijke vraag werd verzekerd.

Prognoses koppelen aan het voorraadplan: Geavanceerde planningssystemen ondersteunen op prognoses gebaseerd voorraadbeheer, wat een proactieve aanpak is die vertrouwt op vraagprognoses en simulaties om mogelijke uitkomsten en de bijbehorende kansen te voorspellen. Deze gegevens worden gebruikt om de optimale voorraadniveaus te bepalen. Op scenario's gebaseerde of probabilistische prognoses staan in contrast met de meer reactieve aard van op spreadsheets gebaseerde methoden. Een oude klant in de stoffensector, die voorheen te maken kreeg met overvoorraden en voorraadtekorten als gevolg van de intermitterende vraag naar duizenden SKU's. Ze konden op geen enkele manier weten wat de risico's van hun stock-out waren en konden dus niet proactief het beleid aanpassen om de risico's te beperken, anders dan het maken van zeer ruwe aannames die de neiging hadden om grove overvoorraden te hebben. Ze adopteerden de software voor vraag- en voorraadplanning van Smart Software om simulaties van de vraag te genereren die de optimale minimale voorraadwaarden en bestelhoeveelheden identificeerden, waardoor de productbeschikbaarheid voor onmiddellijke verzending behouden bleef, wat de voordelen van een op prognoses gebaseerde benadering van voorraadbeheer benadrukte.

Betere samenwerking:  Het delen van prognoses met belangrijke leveranciers helpt de levering te garanderen. Kratos Space, onderdeel van Kratos Defense & Security Solutions, Inc., maakte gebruik van slimme voorspellingen om hun contractfabrikanten beter inzicht te geven in de toekomstige vraag. Ze gebruikten de prognoses om toezeggingen te doen over toekomstige aankopen, waardoor de CM de materiaalkosten en doorlooptijden voor engineered-to-order-systemen kon verlagen. Deze samenwerking laat zien hoe geavanceerde voorspellingstechnieken kunnen leiden tot aanzienlijke samenwerking in de supply chain die voor beide partijen efficiëntie en kostenbesparingen oplevert.

​

 

In een zeer configureerbare productieomgeving kan het voorspellen van eindproducten een complexe en lastige taak worden. Het aantal mogelijke eindproducten schiet omhoog als veel componenten uitwisselbaar zijn. Een traditionele MRP zou ons dwingen om elk eindproduct te voorspellen, wat onrealistisch of zelfs onmogelijk kan zijn. Verschillende toonaangevende oplossingen introduceren het concept van de “Planning BOM”, waarmee prognoses op een hoger niveau in het productieproces kunnen worden gebruikt. In dit artikel bespreken we deze functionaliteit in Epicor Kinetic en hoe u hiervan kunt profiteren met Epicor Smart Inventory Planning and Optimization (Smart IP&O) om uw vraag voor te blijven in het licht van deze complexiteit.

Waarom heb ik een planningsstuklijst nodig?

Traditioneel zou elk eindproduct of elke SKU een strak gedefinieerde stuklijst hebben. Als we dat product op voorraad hebben en rond de voorspelde vraag willen plannen, zullen we de vraag naar die producten voorspellen en vervolgens MRP invoeren om deze voorspelde vraag via de stuklijst van het niveau van het eindproduct naar de componenten te blazen.

Veel bedrijven bieden echter zeer configureerbare producten aan waarbij klanten opties kunnen selecteren voor het product dat ze kopen. Denk bijvoorbeeld eens aan de laatste keer dat u een mobiele telefoon kocht. Je hebt een merk en model gekozen, maar van daaruit kreeg je waarschijnlijk opties voorgeschoteld: welk schermformaat wil je? Hoeveel opslagruimte wil je? Welke kleur heeft jouw voorkeur? Als dat bedrijf deze mobiele telefoons binnen een redelijke termijn klaar en beschikbaar wil hebben om naar u te verzenden, anticiperen ze plotseling niet langer alleen maar op de vraag naar dat model; ze moeten dat model voorspellen voor elk type schermformaat, voor alle opslagcapaciteiten, voor alle kleuren, en ook voor alle mogelijke combinaties daarvan! Voor sommige fabrikanten kunnen deze configuraties honderden of duizenden mogelijke voltooide goede permutaties opleveren.

Er kunnen zoveel aanpassingen mogelijk zijn dat de vraag op het niveau van het eindproduct in traditionele zin volkomen onvoorspelbaar is. Duizenden van deze mobiele telefoons kunnen elk jaar worden verkocht, maar voor elke mogelijke configuratie kan de vraag extreem laag en sporadisch zijn – misschien worden bepaalde combinaties één keer verkocht en nooit meer.

Dit dwingt deze bedrijven vaak om bestelpunten en veiligheidsvoorraadniveaus vooral op componentniveau te plannen, terwijl ze grotendeels reageren op de sterke vraag op het niveau van eindproducten via MRP. Hoewel dit een geldige aanpak is, ontbreekt het aan een systematische manier om voorspellingen te doen die rekening kunnen houden met verwachte toekomstige activiteiten, zoals promoties, aanstaande projecten of verkoopkansen. Voorspellen op het 'geconfigureerde' niveau is feitelijk onmogelijk, en het is ook niet haalbaar om deze prognoseaannames op componentniveau te verweven.

Planning BOM uitgelegd Hier komen Planning BOM's om de hoek kijken. Misschien werkt het verkoopteam aan een grote B2B-mogelijkheid voor dat model, of is er een geplande promotie voor Cyber Monday. Hoewel het niet realistisch is om met deze aannames voor elke mogelijke configuratie te werken, is het op modelniveau wel heel goed te doen – en enorm waardevol.

De Planningsstuklijst kan een prognose op een hoger niveau gebruiken en vervolgens de vraag naar beneden blazen op basis van vooraf gedefinieerde verhoudingen voor de mogelijke componenten ervan. De fabrikant van mobiele telefoons weet bijvoorbeeld misschien dat de meeste mensen kiezen voor 128 GB opslagruimte, en dat veel minder mensen kiezen voor upgrades naar 256 GB of 512 GB. Met de planningsstuklijst kan de organisatie (bijvoorbeeld) 60% van de vraag terugbrengen naar de 128GB-optie, 30% naar de 256GB-optie en 10% naar de 512GB-optie. Ze zouden hetzelfde kunnen doen voor schermformaten, kleuren of andere beschikbare aanpassingen.

Het bedrijf kan zijn prognose nu op dit modelniveau richten, waarbij de planningsstuklijst de componentenmix bepaalt. Het is duidelijk dat het definiëren van deze verhoudingen enige aandacht vergt, maar het plannen van stuklijsten stelt bedrijven in staat te voorspellen wat anders onvoorspelbaar zou zijn.

Het belang van een goede voorspelling

Natuurlijk hebben we nog steeds een goede voorspelling nodig om in Epicor Kinetic te laden. Zoals uitgelegd in dit artikel, kan Epicor Kinetic weliswaar een voorspelling importeren, maar kan het er vaak geen genereren, en als dat wel het geval is, zijn er vaak een groot aantal moeilijk te gebruiken configuraties nodig die niet vaak opnieuw worden bezocht, wat resulteert in onnauwkeurige prognoses. . Het is daarom aan het bedrijf om met zijn eigen sets prognoses te komen, vaak handmatig geproduceerd in Excel. Handmatige prognoses brengen over het algemeen een aantal uitdagingen met zich mee, waaronder maar niet beperkt tot:

• Het onvermogen om vraagpatronen zoals seizoensinvloeden of trends te identificeren.
• Overmatig vertrouwen op klant- of verkoopprognoses.
• Gebrek aan nauwkeurigheid of prestatieregistratie.

Hoe goed de MRP ook is geconfigureerd met uw zorgvuldig overwogen planningsstuklijsten, een slechte prognose betekent een slechte MRP-output en wantrouwen in het systeem: garbage in, garbage out. Als we verdergaan met het voorbeeld van het ‘mobiele telefoonbedrijf’, zonder een systematische manier om de belangrijkste vraagpatronen en/of domeinkennis in de prognose vast te leggen, kan MRP dit nooit zien.

 

Slimme IP&O: een allesomvattende oplossing

Smart IP&O ondersteunt planning op alle niveaus van uw stuklijst, hoewel het “uitblazen” wordt afgehandeld via MRP binnen Epicor Kinetic. Dit is de methode die we gebruiken voor onze Epicor Kinetic-klanten, die eenvoudig en effectief is:

• Smart Demand Planner: Het platform bevat een speciaal gebouwde prognosetoepassing genaamd Smart Demand Planner die u gaat gebruiken om de vraag naar uw vervaardigde producten (meestal eindproducten) te voorspellen. Het genereert statistische prognoses, stelt planners in staat aanpassingen aan te brengen en/of andere prognoses in te passen (zoals verkoop- of klantprognoses) en houdt de nauwkeurigheid bij. De output hiervan is een prognose die wordt ingevoerd in de prognoseinvoer in Epicor Kinetic, waar MRP deze zal ophalen. MRP zal vervolgens gebruik maken van de vraag op het niveau van het eindproduct en ook de materiaalvereisten via de stuklijst uitblazen, zodat de vraag ook op lagere niveaus wordt onderkend.
• Smart Inventory Optimization: U gebruikt tegelijkertijd Smart Inventory Optimization om min-/max-/veiligheidsniveaus in te stellen voor zowel alle eindproducten die u op voorraad maakt (indien van toepassing; sommige van onze klanten werken puur op bestelling op basis van een vaste vraag), als voor onbewerkte goederen materialen. De sleutel hier is dat Smart op grondstofniveau de vraag naar werkgebruik, doorlooptijden van leveranciers, enz. zal benutten om deze parameters te optimaliseren, terwijl tegelijkertijd verkooporders/verzendingen worden gebruikt als vraag op het niveau van het eindproduct. Smart verwerkt deze meerdere inputs van de vraag op elegante wijze via de bidirectionele integratie met Epicor Kinetic.

Wanneer MRP wordt uitgevoerd, worden vraag en aanbod (wat wederom de vraag naar grondstoffen omvat die voortvloeit uit de voltooide goede prognose) geneutraliseerd met de min/max/veiligheidsniveaus die u hebt vastgesteld om PO- en werksuggesties voor te stellen.

 

Breid Epicor Kinetic uit met Smart IP&O

Smart IP&O is ontworpen om uw Epicor Kinetic-systeem uit te breiden met vele geïntegreerde oplossingen voor vraagplanning en voorraadoptimalisatie. Het kan bijvoorbeeld automatisch statistische prognoses genereren voor grote aantallen artikelen, maakt intuïtieve prognoseaanpassingen mogelijk, houdt de nauwkeurigheid van prognoses bij en stelt u uiteindelijk in staat echte op consensus gebaseerde prognoses te genereren om beter te kunnen anticiperen op de behoeften van uw klanten.

Dankzij de zeer flexibele producthiërarchieën is Smart IP&O perfect geschikt voor prognoses op het niveau van de Planning BOM, zodat u belangrijke patronen kunt vastleggen en bedrijfskennis kunt integreren op de niveaus die er het meest toe doen. Bovendien kunt u op elk niveau van uw stuklijst optimale veiligheidsvoorraden analyseren en inzetten.

Door gebruik te maken van de Planning BOM-mogelijkheden van Epicor Kinetic naast de geavanceerde functies voor prognoses en voorraadoptimalisatie van Smart IP&O, zorgt u ervoor dat u efficiënt en nauwkeurig aan de vraag kunt voldoen, ongeacht de complexiteit van uw productconfiguraties. Deze synergie verbetert niet alleen de nauwkeurigheid van de prognoses, maar versterkt ook de algehele operationele efficiëntie, waardoor u voorop kunt blijven lopen in een concurrerende markt.

 

 

Wij geloven dat de ontwikkeling van digitale tweelingen van voorraadsystemen de leidende factor is op het gebied van supply chain-analyse. Deze tweelingen nemen de vorm aan van discrete gebeurtenismodellen die Monte Carlo-simulatie gebruiken om het volledige scala aan operationele risico's te genereren en te optimaliseren. We beweren ook dat wij en onze collega's bij Smart Software een grote rol hebben gespeeld bij het smeden van die voorsprong. Maar we zijn niet de enigen: er zijn een klein aantal andere softwarebedrijven over de hele wereld die bezig zijn met een inhaalslag.

Wat is de volgende stap op het gebied van supply chain-analyse? Waar ligt de volgende grens? Het kan gaan om een soort neuraal netwerkmodel van een distributiesysteem. Maar we zouden betere kansen hebben op een uitbreiding van onze toonaangevende modellen van voorraadsystemen met één echelon naar voorraadsystemen met meerdere echelons.

Figuren 1 en 2 illustreren het onderscheid tussen systemen met één en meerdere echelons. Figuur 1 toont een fabrikant die afhankelijk is van een bron om zijn voorraad reserveonderdelen of componenten aan te vullen. Wanneer er voorraadtekorten dreigen, bestelt de fabrikant aanvullingsvoorraden bij de Bron.

Figuur 1: Een inventarisatiesysteem met één echelon

 

Single-echelon-modellen bevatten niet expliciet details van de Bron. Het blijft mysterieus, een onzichtbare geest wiens enige relevante kenmerk de willekeurige tijd is die nodig is om te reageren op een aanvullingsverzoek. Belangrijk is dat er impliciet van wordt uitgegaan dat de Bron zelf nooit een voorraad opslaat. Die veronderstelling kan voor veel doeleinden ‘goed genoeg’ zijn, maar kan niet letterlijk waar zijn. Dit wordt afgehandeld door stockout-gebeurtenissen van leveranciers in de distributie van de doorlooptijd van de aanvullingen te verwerken. Het terugdringen van die veronderstelling is de reden voor multi-echelon-modellering.

Figuur 2 toont een eenvoudig inventarisatiesysteem met twee niveaus. Het verschuift domeinen van productie naar distributie. Er zijn meerdere magazijnen (WH's) afhankelijk van een distributiecentrum (DC) voor bevoorrading. Nu is de DC een expliciet onderdeel van het model. Het heeft een beperkte capaciteit om bestellingen te verwerken en vereist zijn eigen herschikkingsprotocollen. De DC krijgt zijn aanvulling van hogerop in de keten van een bron. De Bron kan de fabrikant van het inventarisitem zijn of misschien een “regionale DC” of iets dergelijks, maar – raad eens? – het is een andere geest. Net als in het single-echelonmodel heeft deze geest één zichtbaar kenmerk: de waarschijnlijkheidsverdeling van de doorlooptijd van de aanvulling. (De clou van een beroemde grap uit de natuurkunde is: “Maar mevrouw, het zijn schildpadden helemaal naar beneden.” In ons geval: “Het zijn geesten helemaal naar boven.”)

Figuur 2: Een inventarisatiesysteem met twee niveaus

 

Het probleem van procesontwerp en -optimalisatie is veel moeilijker op twee niveaus. De moeilijkheid is niet alleen de toevoeging van nog twee controleparameters voor elke WH (bijvoorbeeld een Min en een Max voor elk) plus dezelfde twee parameters voor de DC. Het lastigste deel is het modelleren van de interactie tussen de WH's. In het model met één niveau opereert elke WH in zijn eigen kleine wereld en hoort hij nooit "Sorry, we hebben geen voorraad meer" van de spookachtige Bron. Maar in een systeem met twee niveaus zijn er meerdere WH's die allemaal strijden om bevoorrading vanuit hun gedeelde DC. Deze concurrentie creëert de belangrijkste analytische moeilijkheid: de WH's kunnen niet afzonderlijk worden gemodelleerd, maar moeten tegelijkertijd worden geanalyseerd. Als één DC bijvoorbeeld tien WH's bedient, zijn er 2+10×2 = 22 voorraadbeheerparameters waarvan de waarden moeten worden berekend. In nerdtaal: het is niet triviaal om een beperkt, discreet optimalisatieprobleem met 22 variabelen en een stochastische objectieve functie op te lossen.

Als we het verkeerde systeemontwerp kiezen, ontdekken we een nieuw fenomeen dat inherent is aan systemen met meerdere niveaus, dat we informeel ‘meltdown’ of ‘catastrofe’ noemen. Bij dit fenomeen kan het DC de bevoorradingsbehoefte van de WH's niet bijhouden, waardoor er uiteindelijk voorraadtekorten op magazijnniveau ontstaan. Vervolgens putten de steeds hectischer wordende aanvullingsverzoeken van de WH de voorraad bij het DC uit, waardoor zijn eigen paniekerige verzoeken om aanvulling vanuit het regionale DC beginnen. Als het regionale DC er te lang over doet om het DC weer aan te vullen, dan ontaardt het hele systeem in een tragedie van uitputting.

Eén oplossing voor het meltdown-probleem is om het DC zo te ontwerpen dat het bijna nooit leeg raakt, maar dat kan erg duur zijn. Daarom is er in de eerste plaats een regionaal DC. Elk betaalbaar systeemontwerp heeft dus een DC die net goed genoeg is om lang mee te gaan tussen meltdowns. Dit perspectief impliceert een nieuw type Key Performance Indicator (KPI), zoals “De kans op een meltdown binnen X jaar is minder dan Y procent.”

De volgende grens zal nieuwe methoden en nieuwe maatstaven vereisen, maar zal een nieuwe manier bieden om distributiesystemen te ontwerpen en te optimaliseren. Onze skunkfabriek genereert al prototypes. Bekijk deze ruimte.