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.
gerelateerde berichten
Bel een Audible om proactief ruis in de supply chain tegen te gaan
U kent de situatie: u berekent de beste manier om elk voorraadartikel te beheren door de juiste reorder points en replenishment targets te berekenen, en vervolgens de gemiddelde vraag te verhogen of te verlagen, of de volatiliteit van de vraag te veranderen, of de lead times van leveranciers te veranderen, of uw eigen kosten te veranderen.
Beheer van de inventaris van gepromote artikelen
In een eerder bericht besprak ik een van de neteligere problemen waarmee vraagplanners soms worden geconfronteerd: het werken met gegevens over productvraag die worden gekenmerkt door wat statistici scheefheid noemen - een situatie die kostbare voorraadinvesteringen kan vergen. Dit soort problematische gegevens is te vinden in verschillende scenario's. In ten minste één geval, de combinatie van intermitterende vraag en zeer effectieve verkoopacties, leent het probleem zich voor een effectieve oplossing.
Top 3 meest voorkomende voorraadbeheerbeleid
Om de juiste beslissing te nemen, moet u weten hoe vraagprognose voorraadbeheer ondersteunt, welk beleid u wilt gebruiken en berekening van de input die dit beleid aanstuurt. Het proces van het bestellen van aanvullende voorraad is zo duur en omslachtig dat u ook het aantal inkooporders dat u moet genereren wilt minimaliseren.