Iedereen die het werk doet, weet dat het beheren van voorraden stressvol kan zijn. Veelvoorkomende stressfactoren zijn: Klanten met "speciale" verzoeken, IT-afdelingen met andere prioriteiten, wankele ERP-systemen die draaien op onnauwkeurige gegevens, grondstoftekorten, leveranciers met lange doorlooptijden in verre landen waar de productie vaak stopt om verschillende redenen en meer. Deze nota gaat in op één specifieke en altijd aanwezige bron van stress: variabiliteit in de vraag.

Iedereen heeft een prognoseprobleem

Stel dat u een grote vloot reserveonderdelen beheert. Dit kan chirurgische apparatuur zijn voor uw ziekenhuis, of reparatieonderdelen voor uw elektriciteitscentrale. Jouw missie is om de uptime te maximaliseren. Je vijand is downtime. Maar omdat storingen willekeurig toeslaan, ben je constant in de reactieve modus. U zou kunnen hopen op redding door prognosetechnologieën. Maar prognoses zijn onvermijdelijk tot op zekere hoogte onvolmaakt: het verrassingselement is altijd aanwezig. U kunt wachten tot Internet of Things (IOT)-technologie op uw apparatuur is geïmplementeerd om dreigende storingen te bewaken en te detecteren, zodat u reparaties ruim van tevoren kunt plannen. Maar u weet dat u de duizenden kleine dingen die kunnen mislukken en een groot ding onbruikbaar kan maken, niet kunt opmeten.

U besluit dus prognoses te combineren met voorraadbeheer en buffers of veiligheidsvoorraden aan te leggen om u te beschermen tegen onverwachte pieken in de vraag. Nu moet je uitrekenen hoeveel Safety stock onderhouden, wetende dat te weinig kwetsbaarheid betekent en te veel een opgeblazen gevoel.

Stel dat u voorraden gereed product beheert voor een make-to-stock-bedrijf. Uw probleem is in wezen hetzelfde als bij het beheren van serviceonderdelen: u hebt externe klanten en een onzekere vraag. Maar misschien heb je ook nog andere problemen als het gaat om het synchroniseren van meerdere leveranciers van componenten die je assembleert tot eindproducten. De leveranciers willen dat je hen vertelt hoeveel van hun spullen ze moeten maken, zodat jij jouw spullen kunt maken, maar je weet niet hoeveel van je eigen spullen je moet maken.

Stel ten slotte dat u afgewerkte goederen behandelt in een bouwbedrijf op bestelling. U zou kunnen denken dat u geen prognoseprobleem meer heeft, aangezien u pas bouwt als u wordt betaald om te bouwen. Maar je hebt wel een prognoseprobleem. Aangezien uw eindproducten kunnen worden samengesteld uit een combinatie van componenten en subassemblages, moet u een prognose van de vraag naar gereed product vertalen om een prognose van die componenten uit te werken. Anders ga je je afgewerkte product maken en ontdek je dat je een vereist onderdeel niet hebt en moet je wachten tot je alles wat je nodig hebt reactief kunt assembleren. En uw klanten zijn misschien niet bereid om te wachten.

Dus iedereen heeft een prognoseprobleem.

Wat maakt prognoses moeilijk

Prognoses kunnen snel, eenvoudig en uiterst nauwkeurig zijn - zolang de wereld maar eenvoudig is. Als de vraag naar uw product elke week 10 stuks is, maand na maand, kunt u zeer nauwkeurige prognoses maken. Maar het leven is niet helemaal zo. Als je geluk hebt en het leven is bijna zo - misschien is de wekelijkse vraag meer als {10, 9, 10, 8, 12, 10, 10 ...} - kun je nog steeds een zeer nauwkeurige prognose maken en slechts kleine aanpassingen maken aan de randen . Maar als het leven is zoals het vaker is – misschien ziet de wekelijkse vraag eruit als {0, 0, 7, 0, 0, 0, 23, 0 …} – is vraagvoorspelling inderdaad moeilijk. Het belangrijkste onderscheid is de variabiliteit van de vraag: het is het zigzaggen en zigzaggen dat de pijn veroorzaakt.

Veiligheidsvoorraad neemt het over waar prognoses ophouden

Statistische prognosemethoden vormen een belangrijk onderdeel van de oplossing. Ze laten u zoveel mogelijk voordeel halen uit de historische vraagpatronen die uw bedrijf voor elk artikel heeft geregistreerd. De taak van prognoses is om te beschrijven wat typisch is, wat de basis vormt voor het omgaan met willekeur in de vraag. Statistische voorspellingstechnieken werken door het vinden van 'grote plaatje'-kenmerken in vraagrecords, zoals trend en seizoensinvloeden, en deze vervolgens in de toekomst te projecteren. Ze gaan er allemaal impliciet van uit dat welke patronen er nu ook zijn, ze zullen blijven bestaan, dus de groei van 5% zal doorgaan en de vraag in juli zal altijd 20% hoger zijn dan de vraag in februari. Om dat punt te bereiken, gebruiken statistische prognosemethoden een vorm van middeling om de "ruis" in de vraaggeschiedenis te onderdrukken.

Maar dan valt de rest van het werk op voorraadbeheer, omdat de atypische, willekeurige component van de toekomstige vraag in de toekomst nog steeds een gedoe zal zijn. Dit onvermijdelijke niveau van onzekerheid moet worden opgevangen door de "schokbreker" die veiligheidsvoorraad wordt genoemd.

Dezelfde methoden die prognoses van trend en/of seizoensinvloeden produceren, kunnen worden gebruikt om de hoeveelheid voorspellingsfouten te schatten. Dit moet zorgvuldig worden gedaan met behulp van een methode die "holdout-analyse" wordt genoemd. Het werkt zo. Stel dat u 365 waarnemingen heeft van de dagelijkse vraag naar artikel X, met een doorlooptijd voor aanvulling van 10 dagen. U wilt weten hoeveel eenheden er over een toekomstige periode van 10 dagen zullen worden gevraagd. U kunt de eerste 305 dagen van de vraaggeschiedenis invoeren in de prognosetechniek en prognoses krijgen voor de volgende 10 dagen, dagen 306-315.

Het antwoord geeft u een schatting van de totale vraag over 10 dagen. Belangrijk is dat het u ook een schatting geeft van de variabiliteit rond die voorspelling, dwz de voorspellingsfout, het verschil tussen wat er werkelijk gebeurde in dagen 306-315 en wat was voorspeld. Nu kunt u het proces herhalen, dit keer met de eerste 306 dagen om de volgende 10 te voorspellen, de eerste 307 dagen om de volgende 10 te voorspellen, enz. U krijgt uiteindelijk 52 eerlijke schattingen van de variabiliteit van de totale vraag over een periode van 10 dagen. doorlooptijd. Stel dat 95% van die schattingen minder dan 28 eenheden zijn. Dan zouden 28 eenheden een vrij veilige veiligheidsvoorraad zijn om aan de prognose toe te voegen, aangezien u slechts 5% van de tijd tekorten zult tegenkomen.

Moderne statistische software doet deze berekeningen automatisch. Het kan ten minste één van de chronische hoofdpijn van voorraadbeheer verlichten door u te helpen omgaan met de variabiliteit in de vraag.

In een andere blog we stelden de vraag: hoe weet je zeker dat je echt een beleid hebt voor voorraadplanning en vraagprognoses? We legden uit hoe het gebrek aan begrip van een organisatie over de basisprincipes (hoe een prognose tot stand komt, hoe veiligheidsvoorraadbuffers worden bepaald en hoe/waarom deze waarden worden aangepast) bijdraagt aan slechte prognosenauwkeurigheid, verkeerd toegewezen voorraad en gebrek aan vertrouwen in het geheel Verwerken.

In deze blog bekijken we 10 specifieke vragen die u kunt stellen om erachter te komen wat er echt speelt in uw bedrijf. We beschrijven de typische antwoorden die worden gegeven wanneer er niet echt een beleid voor prognoses/voorraadplanning bestaat, leggen uit hoe deze antwoorden moeten worden geïnterpreteerd en geven duidelijk advies over wat u eraan kunt doen.

Begin altijd met een simpele hypothetisch voorbeeld. Als u zich concentreert op een specifiek probleem dat u zojuist hebt ervaren, zal dit ongetwijfeld defensieve antwoorden uitlokken die het volledige verhaal verbergen. Het doel is om de daadwerkelijke benadering te ontdekken die wordt gebruikt om inventaris en prognoses te plannen die in de mentale wiskunde of spreadsheets is ingebakken. Hier is een voorbeeld:

Stel dat u 100 eenheden bij de hand heeft, de doorlooptijd om aan te vullen 3 maanden is en de gemiddelde maandelijkse vraag 20 eenheden is? Wanneer bestel je meer? Hoeveel zou jij bestellen? Hoe zal uw antwoord veranderen als de verwachte ontvangsten van 10 per maand zouden aankomen? Hoe verandert uw antwoord als het artikel een A-, B- of C-artikel is, de prijs van het artikel hoog of laag is, de doorlooptijd van het artikel lang of kort is? Simpel gezegd, wanneer u een productietaak plant of een nieuwe bestelling plaatst bij een leverancier, waarom deed u dat dan? Wat was de aanleiding voor de beslissing om meer te krijgen? Welke planningsinputs werden overwogen?

Wanneer u antwoorden op de bovenstaande vraag krijgt, concentreer u dan op het vinden van antwoorden op de volgende vragen:

1. Wat is de onderliggende aanvullingsbenadering? Dit is meestal een van Min/Max, prognose/veiligheidsvoorraad, bestelpunt/bestelhoeveelheid, periodieke beoordeling/bestelling tot of zelfs een vreemde combinatie

2. Hoe worden de planningsparameters, zoals vraagprognoses, bestelpunten of Min/Max, daadwerkelijk berekend? Het is niet voldoende om te weten dat u Min/Max gebruikt. U moet precies weten hoe deze waarden worden berekend. Antwoorden als “We gebruiken geschiedenis” of “We gebruiken een gemiddelde” zijn niet specifiek genoeg. U hebt antwoorden nodig die duidelijk aangeven hoe geschiedenis wordt gebruikt. Bijvoorbeeld, “We nemen een gemiddelde van de afgelopen 6 maanden, delen dat door 30 om een daggemiddelde te krijgen en vermenigvuldigen dat met de doorlooptijd in dagen. Voor 'A'-artikelen vermenigvuldigen we vervolgens de gemiddelde doorlooptijd met 2 en voor 'B'-artikelen gebruiken we een vermenigvuldiger van 1,5.” (Hoewel dat geen bijzonder goede technische benadering is, heeft het tenminste een duidelijke logica.)

Zodra u een goed gedefinieerd beleid heeft, kunt u de zwakke punten identificeren om het te verbeteren. Maar als het gegeven antwoord niet veel verder komt dan “We gebruiken geschiedenis”, dan heb je geen beleid om mee te beginnen. Uit antwoorden blijkt vaak dat verschillende planners geschiedenis op verschillende manieren gebruiken. Sommigen houden alleen rekening met de meest recente vraag, anderen slaan misschien in op basis van het gemiddelde van de perioden met de hoogste vraag, enz. Met andere woorden, het kan zijn dat u in feite meerdere ondoordachte "polissen" heeft.

3. Worden prognoses gebruikt om de bevoorradingsplanning aan te sturen en, zo ja, hoe? Veel bedrijven zullen zeggen dat ze voorspellen, maar hun prognoses worden op een andere manier berekend en gebruikt. Wordt de prognose gebruikt om te voorspellen welke voorraad er in de toekomst zal zijn, waardoor een order wordt geactiveerd? Of wordt het gebruikt om een bestelpunt af te leiden, maar niet om te voorspellen wanneer ik moet bestellen (dat wil zeggen, ik voorspel dat we er 10 per week zullen verkopen, dus om te helpen voorkomen dat de voorraad op is, zal ik meer bestellen als de voorraad op 15 komt)? Wordt het gebruikt als een leidraad voor de planner om subjectief te helpen bepalen wanneer ze meer moeten bestellen? Wordt het gebruikt om raamcontracten met leveranciers op te stellen? Sommigen gebruiken het om MRP aan te drijven. U moet deze details kennen. Een grondig antwoord op deze vraag zou er als volgt uit kunnen zien: “Mijn voorspelling is 10 per week en mijn doorlooptijd is 3 weken, dus ik maak mijn bestelpunt een veelvoud van die voorspelling, meestal 2 x de doorlooptijdvraag of 60 eenheden voor belangrijke artikelen en ik gebruik een kleiner veelvoud voor minder belangrijke artikelen. (Nogmaals, geen geweldige technische benadering, maar duidelijk.)

4. Welke techniek wordt eigenlijk gebruikt om de prognose te genereren? Is het een gemiddelde, een trending model zoals dubbele exponentiële afvlakking, een seizoensmodel? Hangt de keuze van de techniekverandering af van het type vraaggegevens of wanneer er nieuwe vraaggegevens beschikbaar zijn? (Reserveonderdelen en artikelen met een hoog volume hebben zeer verschillende vraagpatronen.) Hoe kiest u het prognosemodel? Is dit proces geautomatiseerd? Hoe vaak wordt de modelkeuze heroverwogen? Hoe vaak worden de modelparameters opnieuw berekend? Wat is het proces dat wordt gebruikt om uw aanpak te heroverwegen? Het antwoord documenteert hier hoe de basisprognoses tot stand komen. Eenmaal bepaald, kunt u een analyse uitvoeren om te bepalen of andere prognosemethoden zouden verbeteren nauwkeurigheid van de voorspelling. Als u de nauwkeurigheid van de prognoses niet documenteert en geen analyse van de toegevoegde waarde van de prognose uitvoert, bent u niet in staat om goed te beoordelen of de geproduceerde prognoses de beste zijn die ze kunnen zijn. U loopt kansen mis om het proces te verbeteren, de nauwkeurigheid van prognoses te vergroten en het bedrijf te informeren over welk type prognosefout normaal is en moet worden verwacht.

5. Hoe gebruik je veiligheidsvoorraad? Merk op dat de vraag niet was: "Gebruikt u veiligheidsvoorraad?" In deze context, en om het simpel te houden, betekent de term "veiligheidsvoorraad" voorraad die wordt gebruikt om voorraad te bufferen tegen variabiliteit van vraag en aanbod. Alle bedrijven gebruiken op de een of andere manier buffermethoden. Er zijn echter enkele uitzonderingen. Misschien bent u een werkplaatsfabrikant die alle onderdelen op bestelling aanschaft en vinden uw klanten het helemaal prima om weken of maanden op u te wachten om materiaal te vinden, te produceren, QA te leveren en te verzenden. Of misschien bent u een grote fabrikant met tonnen koopkracht, zodat uw leveranciers lokale magazijnen opzetten die volledig gevuld zijn en klaar om u vrijwel onmiddellijk van voorraad te voorzien. Als deze beschrijvingen uw bedrijf niet beschrijven, heeft u zeker een soort buffer om u te beschermen tegen variabiliteit in vraag en aanbod. U gebruikt het veld "veiligheidsvoorraad" misschien niet in uw ERP, maar u bent zeker aan het bufferen.

Er kunnen antwoorden worden gegeven zoals "We gebruiken geen veiligheidsvoorraad omdat we prognoses maken." Helaas, een goede voorspelling zal een 50/50 kans hebben om boven/onder de daadwerkelijke vraag te zijn. Dit betekent dat u 50% van de tijd een voorraad krijgt zonder dat er een veiligheidsvoorraadbuffer aan de prognose is toegevoegd. Voorspellingen zijn alleen perfect als er geen willekeur is. Aangezien er altijd willekeur is, moet u bufferen als u geen bodemloze serviceniveaus wilt hebben.

Als het antwoord niet wordt onthuld, kunt u wat meer onderzoeken hoe de verschillende aanvullingshendels worden gebruikt om mogelijke buffers toe te voegen, wat leidt tot vragen 6 en 7.

6. Verlengt u wel eens de doorlooptijd of bestelt u wel eens eerder dan nodig is?
In ons hypothetische voorbeeld heeft uw leverancier doorgaans 4 weken nodig om te leveren en is redelijk consistent. Maar om u te beschermen tegen stockouts, bestelt uw koper routinematig 6 weken uit in plaats van 4 weken. Het veiligheidsvoorraadveld in uw ERP-systeem staat misschien op nul omdat "we geen veiligheidsvoorraad gebruiken", maar in werkelijkheid heeft de bestelbenadering van de koper zojuist 2 weken buffervoorraad toegevoegd.

7. Vult u de vraagprognose in?
In ons voorbeeld verwacht de planner 10 eenheden per maand te verbruiken, maar "voor het geval dat" een prognose van 20 per maand invoert. Het veiligheidsvoorraadveld in het MRP-systeem is blanco gelaten, maar de nu vermomde buffervoorraad is de vraagprognose binnengesmokkeld. Dit is een fout die 'voorspellingsbias' introduceert. Niet alleen zullen uw prognoses minder nauwkeurig zijn, maar als er geen rekening wordt gehouden met de vertekening en de veiligheidsvoorraad wordt toegevoegd door andere afdelingen, zult u te veel bevoorraden.

Het ad-hockarakter van de bovenstaande benaderingen verergert de problemen door geen rekening te houden met de daadwerkelijke vraag of het aanbod variabiliteit van het artikel. De planner kan bijvoorbeeld gewoon een vuistregel maken die de doorlooptijdprognose voor belangrijke artikelen verdubbelt. Eén maat past niet allemaal als het gaat om voorraadbeheer. Deze benadering zal de voorspelbare artikelen substantieel overbevoorraden, terwijl de periodiek gevraagde artikelen substantieel onderbezet zijn. Jij kunt lezen "Pas op voor eenvoudige vuistregels voor voorraadbeheer” om meer te weten te komen over waarom dit soort aanpak zo kostbaar is.

De ad-hoc aard van de benaderingen negeert ook wat er gebeurt als het bedrijf wordt geconfronteerd met een enorme overstock of stock out. Bij het proberen te begrijpen wat er is gebeurd, zal het vermelde beleid worden onderzocht. In het geval van een overstock zal het systeem een veiligheidsvoorraad nul tonen. De bedrijfsleiders zullen aannemen dat ze geen veiligheidsvoorraad bij zich hebben, hun hoofd krabben en uiteindelijk de voorspelling de schuld geven, verklaren "Ons bedrijf kan niet worden voorspeld" en strompelen verder. Ze kunnen de leverancier zelfs de schuld geven voor het te vroeg verzenden en ervoor zorgen dat ze meer vasthouden dan nodig is. In het geval dat de voorraad op is, denken ze dat ze niet genoeg op voorraad hebben en voegen ze willekeurig meer voorraad toe aan veel items, zonder zich te realiseren dat er in feite veel extra veiligheidsvoorraad in het proces is ingebakken. Dit maakt het waarschijnlijker dat voorraden in de toekomst moeten worden afgeschreven.

8. Wat is de exacte inventaristerminologie die wordt gebruikt? Definieer wat u bedoelt met veiligheidsvoorraad, Min, bestelpunt, EOQ, enz. Hoewel er standaard technische definities het is mogelijk dat er iets anders is, en miscommunicatie zal hier problematisch zijn. Sommige bedrijven verwijzen bijvoorbeeld naar Min als de hoeveelheid voorraad die nodig is om aan de doorlooptijdvraag te voldoen, terwijl sommigen Min definiëren als inclusief zowel doorlooptijdvraag als veiligheidsvoorraad om te bufferen tegen vraagvariabiliteit. Anderen kunnen de minimale bestelhoeveelheid betekenen.

9. Is de aanwezige voorraad in overeenstemming met het beleid? Wanneer uw detectivewerk is voltooid en alles is gedocumenteerd, opent u uw spreadsheet of ERP-systeem en bekijkt u de beschikbare hoeveelheid. Het zou min of meer in overeenstemming moeten zijn met uw planningsparameters (dwz als Min/Max 20/40 is en de typische doorlooptijdvraag 10 is, dan zou u op elk moment ongeveer 10 tot 40 eenheden bij de hand moeten hebben. Verrassend genoeg, voor veel bedrijven is er vaak een enorme inconsistentie. We hebben situaties waargenomen waarin de min/max-instelling 20/40 is, maar de voorhanden voorraad 300+ is. Dit geeft aan dat het beleid dat is voorgeschreven gewoon niet wordt gevolgd. Dat is een groter probleem.

10. Wat ga je nu doen?

Vraagprognoses en voorraadopslagbeleid moeten goed gedefinieerde processen zijn die door alle betrokkenen worden begrepen en geaccepteerd.  Er zou nul mysterie moeten zijn.

Om dit goed te doen, moeten de vraag- en aanbodvariabiliteit worden geanalyseerd en gebruikt om de juiste niveaus van veiligheidsvoorraad te berekenen. Buffers toevoegen zonder een impliciet begrip van wat elke extra eenheid buffervoorraad u oplevert in termen van service, is als willekeurig een handvol ingrediënten in een cakerecept gooien. Een kleine verandering in ingrediënten kan een enorme impact hebben op wat er uit de oven komt: de ene hap is te zoet, de volgende te zuur. Zo is het ook met voorraadbeheer. Een beetje extra hier, een beetje minder daar, en al snel zit je met kostbare overtollige voorraad in sommige gebieden, pijnlijke tekorten in andere, geen idee hoe je daar bent gekomen, en met weinig begeleiding om dingen beter te maken.

Modern Inventory optimization en software voor vraagplanning met zijn geavanceerde analyses en sterke basis in prognoseanalyse kan veel helpen bij dit probleem. Maar zelfs de beste software helpt niet als deze inconsistent wordt gebruikt.

1. Ingebouwde ERP-functionaliteit is ingebakken in Order Management.

Overweeg wat wordt bedoeld met "vraagbeheer", "vraagplanning" en "voorspelling". Deze voorwaarden impliceren bepaalde standaardfuncties voor samenwerking, statistische analyse en rapportage ter ondersteuning van een professioneel vraagplanningsproces. In de meeste ERP-systemen bestaat 'vraagbeheer' echter uit het uitvoeren van MRP en het afstemmen van vraag en aanbod met als doel het plaatsen van bestellingen, oftewel 'orderbeheer'. Het heeft weinig te maken met vraagplanning, een discreet proces dat gericht is op het ontwikkelen van de best mogelijke voorspellingen van de toekomstige vraag door statistische analyse te combineren met zakelijke kennis van evenementen, promoties en informatie over het verkoopteam. De meeste ERP-systemen bieden weinig statistische mogelijkheden en als ze worden aangeboden, heeft de gebruiker de keuze uit een paar statistische methoden die hij handmatig moet toepassen vanuit een vervolgkeuzelijst of zelf moet programmeren. Het is ingebakken in het orderbeheerproces, waardoor de gebruiker mogelijk kan zien hoe de prognose van invloed kan zijn op de voorraad. Er is echter geen enkele mogelijkheid om de prognose te beheren, de kwaliteit van de prognose te verbeteren, beheeronderdrukkingen toe te passen en te volgen, samen te werken, de nauwkeurigheid van de prognose te meten en bij te houden “voorspelbare toegevoegde waarde.” 

2. ERP-planningsmethoden zijn vaak gebaseerd op simplistische vuistregels.

ERP-systemen bieden altijd min, max, veiligheidsvoorraad, bestelpunt, bestelhoeveelheid en prognoses om bevoorradingsbeslissingen te stimuleren. Maar hoe zit het met de onderliggende methoden die worden gebruikt om deze belangrijke drijfveren te berekenen? In bijna alle gevallen zijn de aangeboden methoden niets meer dan vuistregel benaderingen die geen rekening houden met de variabiliteit van vraag of leverancier. Sommige bieden wel "targeting op serviceniveau", maar vertrouwen ten onrechte op de aanname van een normale verdeling ("klokvormige curve"), wat betekent dat de vereiste veiligheidsvoorraden en bestelpunten die door het systeem worden aanbevolen om het serviceniveaudoel te bereiken, vlak zullen zijn verkeerd uit als uw gegevens niet passen in het ideale theoretische model, wat vaak erg onrealistisch is. Dergelijke te vereenvoudigde berekeningen doen meestal meer kwaad dan goed.  

3. Waarschijnlijk gebruik je spreadsheets nog minimaal 2 jaar na aanschaf.

Als u een nieuwe ERP-oplossing zou implementeren, zouden uw oude gegevens meestal vastlopen. Alle systeemeigen ERP-functionaliteiten voor prognoses, het instellen van voorraadbeleid zoals min/max, enz. kunnen dus niet worden gebruikt en u zult gedwongen worden om gedurende ten minste twee jaar terug te grijpen op omslachtige en foutgevoelige spreadsheets (een jaar om te implementeren). op zijn vroegst en nog een jaar om ten minste 12 maanden geschiedenis te verzamelen). Nauwelijks een digitale transformatie. Het gebruik van een best-of-breed oplossing voorkomt dit probleem. U kunt gegevens uit uw oude ERP-systeem laden en uw ERP-implementatie niet verstoren. Dit betekent dat u op dag 1 van ERP-go-live uw nieuwe ERP-systeem kunt vullen met betere invoer voor vraagprognoses, veiligheidsvoorraden, bestelpunten en min/max-instellingen.

4. ERP is niet ontworpen om alles te doen

De "Doe alles in ERP/One-Vendor"-mentaliteit was een marketingboodschap die werd gepromoot door ERP-bedrijven, met name SAP, om u, de klant, 100% van uw IT-budget bij hen te laten uitgeven. Die marketingboodschap is door analistengroepen, IT-firma's en systeemintegrators aan de gebruikers nagepraat, waarbij rationele stemmen werden overstemd die vroegen: "Waarom wil je zo afhankelijk zijn van één bedrijf dat je inferieure technologie voor prognoses en voorraadplanning gebruikt?" ” Het enorme aantal IT-storingen en de enorme implementatiekosten hebben ertoe geleid dat veel bedrijven hun benadering van ERP hebben heroverwogen. Met de komst van gespecialiseerde planning-apps die in de cloud zijn geboren zonder IT-footprint, is de juiste keuze een "dunne" ERP gericht op de basisprincipes - boekhouding, orderbeheer, financiën - maar ondersteund door gespecialiseerde planning-apps. 

De expertise van ERP-consultants ligt in hoe hun systeem is ontworpen om bepaalde bedrijfsprocessen te automatiseren en hoe het systeem kan worden geconfigureerd of aangepast. Hun adviseurs zijn geen specialisten in de juiste aanpak van voorraadplanning, prognoses en voorraadplanning. Dus als u probeert te begrijpen welke aanpak voor vraagplanning geschikt is voor uw bedrijf, hoe moet u dan goed bufferen (bijv. "Moeten we min/max of op prognoses gebaseerde aanvulling doen?" "Moeten we voorspellingsmethode X gebruiken?"), zul je het over het algemeen niet vinden en als je dat wel doet, zal die bron vrij dun verspreid zijn. 

1. De installatie is eenvoudig.

We hoeven alleen maar onze vraaggeschiedenis in te voeren in onze nieuwe statistische methoden, en we kunnen effectiever gaan plannen. Niet helemaal: het gaat om de techniek en het proces. U investeert in een nieuwe bedrijfsproces om prognoses te ontwikkelen voor het aansturen van de bedrijfsstrategie en beslissingen over voorraadplanning. Het zal tijd kosten om alle belanghebbenden erbij te betrekken: verkoop, marketing, inkoop, operaties en onderhoud/technici (voor de inventaris van reserveonderdelen). Van wie is de prognose? Hoe ziet de prognosehiërarchie van uw artikelen eruit? Waar komt de meeste zakelijke kennis vandaan? Is er een consensusproces dat de zakelijke kennis zal gebruiken om de prognoses aan te passen aan uw specifieke situatie? Begrijpt iedereen de statistische methodes? Is er overeenstemming over de onderliggende waarden die de balans houden, bestellen en (vooral) schaarstekosten? Bent u bereid om keuzes te maken langs de cruciale afwegingscurve die voorraadkosten relateert aan klantenserviceniveaus? Hoe bent u van plan de nauwkeurigheid/fout van prognoses te meten? Begrijpt het management het concept van "prognose toegevoegde waarde", waarbij u de fout volgt bij elke versie van de prognose (statistische fout vs. verkoopprognosefout vs. consensusfout). Zonder deze context en overeengekomen deelname van de belangrijkste belanghebbenden, zal het systeem nog steeds worden geïmplementeerd, maar in silo's worden gebruikt

2. Alles wat ik nodig heb, zijn historische vraaggegevens, en dan kan ik beginnen met prognoses.

Bijna. Krijgen goed gegevens is niet eenvoudig. Zijn uw vraaggeschiedenisgegevens volledig en correct? Zijn uw leveranciersgegevens (bijv. doorlooptijden) ook volledig en correct? Herkent u de speciale behoeften van nieuwe en afgedankte artikelen? Natuurlijk kan IT een bestand met geaggregeerde vraaggegevens (wekelijks of maandelijks) exporteren, maar hoe weet je of het correct is? Wanneer bestellingen en verzendingen worden geboekt, vallen deze onder verschillende transactiecodes. Je moet weten hoe je je vraagsignaal moet samenstellen.  Bestellingen of verzendingen? Retouren opnemen of uitsluiten? Hoe zit het met magazijnoverboekingen? Hoe zit het met retourzendingen die vele perioden na de eerste verzending plaatsvinden? Hoe interpreteert mijn ERP de prognose? Maar wacht… we gebruiken een oplossing met een ERP-connector die belooft dat gegevens naadloos heen en weer zullen stromen. Een ERP-connector dekt zeker de overdracht van historische gegevens en voorspelde resultaten tussen systemen, maar verbetert de slechte gegevenskwaliteit niet. U moet er ook voor zorgen dat de ERP-connector de flexibiliteit heeft om te bepalen hoe uw vraaggeschiedenis moet worden samengesteld. Als het bijvoorbeeld hard gecodeerd is om bepaalde soorten transacties op te halen die u misschien niet wilt of als u andere transacties nodig hebt die niet zijn opgenomen, hebt u aanpassingen nodig. Er is ook het probleem van productvervanging en/of locatiewijzigingen – dwz product A wordt uitgefaseerd en wordt product B, of nu wordt product A verzonden vanuit een ander magazijn. Klinkt eenvoudig, maar als dit vaak gebeurt bij duizenden artikelen, moet dit worden verantwoord als onderdeel van een automatisch prognoseproces. Anders moeten uw gebruikers deze constante updates handmatig beheren. Dan verlies je schaalvoordelen. Meer "gekibbel met gegevens" betekent meer gedoe, meer fouten en gemiste beslissingsdeadlines. Minder frequente updates kunnen leiden tot minder nauwkeurige prognoses, wat leidt tot overtollige voorraad voor sommige artikelen en onvoldoende voorraad voor andere

3. Als we een betere prognose krijgen, hebben we de juiste voorraad, verminderen we de voorraad en verbeteren we de service.

De vraagprognose is een onderdeel van een groter proces. Als je een andere afdeling hebt die onjuiste buffers toepast (te veel of te weinig veiligheidsvoorraad), dan valt een groot deel van het voordeel van een nauwkeurigere prognose weg. U moet holistisch kijken naar prognoses in de context van voorraadbeheer. U kunt geen maximaal voordeel krijgen (en in sommige gevallen geen enkel voordeel) tenzij u er rekening mee houdt allemaal componenten, waaronder bufferniveaus zoals veiligheidsvoorraad en bestelpunten, bestelregels en beheer van leverancier/interne doorlooptijden. Het is niet ongebruikelijk voor kopers om te implementeren vuistregels voorraadbeleid, zoals vroeg bestellen of het verhogen van de prognose om het risico op opraken te verkleinen. Het tegenovergestelde gedrag waarbij een door de prognose geactiveerd ordersignaal wordt uitgesteld naar een latere datum om te voorkomen dat een order "te vroeg" wordt geplaatst, komt even vaak voor. Dit soort gedrag is gebaseerd op a pijnvermijdingsreactie dat gebeurt binnen bedrijven met een ad-hoc voorraadplanningsproces dat de prognose niet holistisch verbindt met de voorraadstrategie.  

4. Hoe meer voorspellingsmodellen, hoe beter.

 Dit is in sommige gevallen waar. Ironisch genoeg betekent het soms dat hoe meer modellen je kunt kiezen, hoe groter de kans is dat je de verkeerde kiest. Dit gebeurt zelfs wanneer er een geautomatiseerd systeem is dat de juiste methode selecteert. Dit komt omdat de meeste geautomatiseerde prognosesystemen nog steeds de fout maken om methoden te selecteren op basis van de beste pasvorm voor de vraag uit het verleden. Deze op het verleden gerichte benadering leidt meestal tot slechte prestaties wanneer vooruit in de tijd wordt gekeken; dit kan worden getest door even te wachten en vervolgens de voorspelde vraag te vergelijken met de werkelijke vraag (of, als u niet wilt wachten, door enkele van de recente gegevens te verbergen en te voorspellen, in welk geval de actuele gegevens al bekend zijn). In principe kan het handig zijn om meer modellen te hebben, maar wat belangrijk is, is inzicht in de aanpak voor modelselectie. Bovendien produceren de meeste prognosemodellen een enkelvoudige prognose ("De vraag naar product A zal volgende maand 17 eenheden zijn") zonder enige indicatie van de prognoseonzekerheid of foutmarge. Zonder de foutmarge te kennen, kunt u prognoserisico's niet waarderen en rationeel beheren.

In onze software bieden we geautomatiseerde tijdreeksselectie die kiest uit tientallen bewezen technieken op basis van geschatte toekomstige prestaties, niet passend bij gegevens uit het verleden. We gaan ook verder dan enkelvoudige prognoses met behulp van probabilistische methoden om duizenden voorspellingsscenario's te genereren om de voorspellingsonzekerheid te beoordelen. We hebben ontdekt dat deze benadering voor bepaalde soorten gegevens aanzienlijk nauwkeuriger is dan de traditionele toernooiselectie. Dus in deze situaties is het aantal modellen dat we aanraden te gebruiken "Eén!" Maakt dat het minderwaardig? Natuurlijk niet. Neem de tijd om uw modellen te verfijnen om te zien wat het beste werkt voor uw bedrijf.

5. Met de juiste software kan iedereen het werk goed doen.

Zou het zo zijn. Na onze betrokkenheid bij tientallen jaren van implementaties, is het echter duidelijk dat niet iedereen achter het toetsenbord voor vraagplanning zou moeten zitten. De baan heeft geen superheld nodig, maar bepaalde eigenschappen zorgen voor succes:

• Een bedrijfsbreed perspectief hebben. Zoveel problemen bij vraagplanning komen voort uit geforceerd denken. Een goed planningsproces brengt de noodzaak aan het licht van de betrokkenheid van alle belanghebbenden, dus een gebruiker die niet verder kan denken dan zijn of haar vroegere leengoed kan een aansprakelijkheid zijn.
• Ontelbaar zijn. Een gebruiker die niet vertrouwd is met cijfers zal het moeilijk hebben.
• Het waarderen van willekeur. Dit is vergelijkbaar met ongecijferdheid, maar gaat verder. De meeste frictie bij vraagplanning en voorraadoptimalisatie komt voort uit willekeur: in de vraag naar producten, in de doorlooptijd van leveranciers, enz. Zonder een goed idee hoe willekeur problemen veroorzaakt, zal een gebruiker zich vaak afvragen hoe slecht zijn of haar beslissingen uitpakken.
• Nieuwsgierig zijn. Topsoftware moedigt gebruikers aan om "wat als?" scenario's om te zien hoe u automatisch berekende oplossingen kunt aanpassen om nog betere resultaten te krijgen. Als de gebruiker nooit in een "wat als?" mentaliteit, zullen ze onderpresteren. Bovendien is het spelen met alternatieve scenario's een van de beste manieren om een instinctief gevoel op te bouwen voor de willekeur in het systeem.

Conclusie

De vijf redenen die hier worden geschetst, laten zien waarom het implementeren van een systeem voor prognoses, vraagplanning of voorraadoptimalisatie niet zo eenvoudig is als het inschakelen van de software, het importeren van uw historische gegevens en het krijgen van gebruikerstraining over het gebruik van de software. U implementeert een nieuw proces voor het plannen van uw bedrijf en het bepalen van het voorraadbeleid dat de uitgaven aan voorraad zal stimuleren en uw vermogen om omzet te genereren zal beïnvloeden. De inspanning is echter de moeite waard. Volgens een Institute of Business Forecasting (IBF) blog, levert een reductie van 1% in fout bij ondervoorspelling bij een bedrijf van $50 miljoen een besparing op van maar liefst $1.52M. Omgekeerd waren de voordelen van een reductie van 1% in de overvoorspellingsfout $1.28M, wat een gemiddeld voordeel opleverde van $1.4M. Dit betekent dat u uw bedrijf jaarlijks $260.000 kunt besparen voor elke $10 miljoen aan inkomsten! 

U kunt uw voorraadniveaus niet goed beheren, laat staan optimaliseren, als u niet precies weet hoe vraagprognoses en voorraadparameters (zoals min/max, veiligheidsvoorraden, bestelpunten en bestelhoeveelheden) precies zijn bepaald.

Veel organisaties kunnen niet specificeren hoe beleidsinputs worden berekend of situaties identificeren waarin het management het beleid terzijde moet schuiven. Veel mensen kunnen bijvoorbeeld zeggen dat ze vertrouwen op een bepaalde planningsmethode, zoals Min/Max, bestelpunt of prognose met veiligheidsvoorraad, maar ze kunnen niet precies zeggen hoe deze planningsinputs worden berekend. Meer fundamenteel begrijpen ze misschien niet wat er met hun KPI's zou gebeuren als ze de min-, max- of veiligheidsvoorraad zouden wijzigen. Ze weten misschien dat de prognose berust op "gemiddelden" of "geschiedenis" of "verkoopinput", maar specifieke details over hoe de uiteindelijke prognose tot stand komt, zijn onduidelijk.

Vaak genoeg werd de logica voor voorraadplanning en prognoses van een bedrijf ontwikkeld door een voormalige werknemer of verdwenen adviseur en in een spreadsheet gestopt. Het kan anders terugvallen op verouderde ERP-functionaliteit of ERP-maatwerk door een IT-organisatie die er ten onrechte van uitging dat ERP-software alles kan en moet. (Lees dit geweldig en, zoals ze zeggen, "grappig omdat het waar is", blog van Shaun Snapp over ERP-gerichte strategieën.) Het beleid is mogelijk niet goed gedocumenteerd en niemand die momenteel aan het werk is, kan het verbeteren of er het beste van maken.

Deze ongelukkige situatie leidt tot een andere, waarin inkopers en voorraadplanners ronduit de output van het ERP-systeem negeren, waardoor ze afhankelijk worden van Microsoft Excel om orderschema's te bepalen. Er worden ad-hocmethoden ontwikkeld die samenhangende reacties op operationele problemen in de weg staan en die niet zichtbaar zijn voor de rest van de organisatie (tenzij u wilt dat uw CFO de complexe en kieskeurige spreadsheet leert kennen). Deze methoden zijn vaak afhankelijk van vuistregels, middelingstechnieken of leerboekstatistieken zonder een volledig begrip van hun tekortkomingen of toepasbaarheid. En zelfs wanneer gedocumenteerd, ontdekken de meeste bedrijven vaak dat de daadwerkelijke bestelling afwijkt van het gedocumenteerde beleid. Een bedrijf waarvoor we overlegden, had voorraadniveaus bij de hand die routinematig 2 x de maximale hoeveelheid waren! Met andere woorden, er is helemaal geen beleid.

Samengevat, veel huidige voorraad- en vraagvoorspellingssystemen zijn ontwikkeld uit wantrouwen voor de suggesties van het vorige systeem, maar verbeteren de KPI's niet echt. Ze dwingen de organisatie ook om op een paar werknemers te vertrouwen om vraagprognoses, dagelijkse bestellingen en voorraadaanvulling te beheren.

En als er een probleem is, kan het uitvoerende team onmogelijk ontspannen hoe je daar bent gekomen, omdat er te veel bewegende delen zijn. Was de overtollige voorraad bijvoorbeeld de schuld van een onnauwkeurige vraagprognose die berustte op een middelingsmethode die geen rekening hield met een afnemende vraag? Of was het te wijten aan een verouderde instelling van de doorlooptijd die hoger was dan had moeten zijn? Of was het te wijten aan een prognose-override die een planner had gemaakt om rekening te houden met een bestelling die gewoon nooit is gebeurd? En wie gaf de feedback om die override te maken? Een klant? Verkoper?

Heeft u een van deze problemen? Als dat zo is, verspilt u elk jaar honderdduizenden tot miljoenen dollars aan onnodige tekortkosten, voorraadkosten en bestelkosten. Wat zou je met dat extra geld kunnen doen? Stelt u zich eens voor welke impact dit zou hebben op uw bedrijf.

Deze blog beschrijft de top 10 vragen die u kunt stellen om te ontdekken wat er echt gebeurt in uw bedrijf. We beschrijven de typische antwoorden die worden gegeven wanneer er niet echt een beleid voor prognoses/voorraadplanning bestaat, leggen uit hoe deze antwoorden moeten worden geïnterpreteerd en geven duidelijk advies over wat u eraan kunt doen.

De meeste vraagprognoses zijn gedeeltelijk of onvolledig: ze bieden slechts één enkel getal: de meest waarschijnlijke waarde van de toekomstige vraag. Dit wordt een puntvoorspelling genoemd. Gewoonlijk schat de puntvoorspelling de gemiddelde waarde van de toekomstige vraag. Intervalprognoses geven een schatting van de mogelijke toekomstige vraag (dwz de vraag heeft een 90% kans tussen 50 – 100 eenheden). Probabilistische voorspellingen gaan een stap verder en geven aanvullende informatie. Meer weten is altijd beter dan minder weten en de probabilistische prognose levert die extra informatie die zo cruciaal is voor voorraadbeheer. Deze videoblog van Dr. Thomas Willemain legt elk type voorspelling en de voordelen van probabilistische voorspelling uit.

[inbound_button font_size=”20″ color=”#00a429″ text_color=”#ffffff” icon=”” url=”http://www.screencast.com/t/Ut4I5dOY8″ width=”” target=”_blank”]Nu kijken [/inkomende_knop]
 

Puntvoorspelling (groen) laat zien wat er het meest waarschijnlijk zal gebeuren. De Intervalvoorspelling toont het bereik (blauw) van mogelijkheden.

Waarschijnlijkheidsvoorspelling toont de waarschijnlijkheid dat elke waarde voorkomt