Serviceniveau is een belangrijke prestatie-indicator voor bedrijven die een hoge prioriteit geven aan het voldoen aan de vraag van de klant. Serviceniveau wordt gedefinieerd als de waarschijnlijkheid dat een doorlooptijd van aanvulling wordt overleefd zonder dat er voorraad wordt aangelegd.

Best practice voor voorraadbeheer begint met het stellen van serviceniveaudoelen en berekent vervolgens bestelpunten (ook wel Mins genoemd) om die doelen te bereiken. Deze berekeningen moeten rekening houden met variabiliteit in zowel de vraag als de doorlooptijd voor aanvulling. Er zijn veel softwaresystemen beschikbaar om deze berekeningen uit te voeren. Als alles goed gaat, komt het bereikte serviceniveau heel dicht in de buurt van het beoogde serviceniveau. Helaas gaapt er vaak een pijnlijke kloof tussen die twee.

Een reden voor de kloof zijn onrealistische vraagmodellen. In veel gevallen gebruikt software voor het berekenen van bestelpunten formules uit het handboek die zijn gebaseerd op wiskundige aannames die analyse eenvoudig maken ten koste van realisme. Veel "Inventory 101"-handboeken gebruiken formules die veronderstellen dat de vraag een normale verdeling heeft (ook wel de "klokvormige curve" genoemd) voor afgewerkte goederen en de Poisson-verdeling voor reserveonderdelen. Gelukkig zijn er nu voorraadoptimalisatie- en prognosesystemen die de werkelijke vraaggeschiedenis van de voorraaditems verwerken met behulp van probabilistische prognoses. Deze oplossingen berekenen een nauwkeurige schatting van de verdeling – niet een geïdealiseerde versie. Bekijk voor meer informatie deze eerdere blog op probabilistische voorspelling:

Maar er is een tweede bron van fouten in leerboeken die onzichtbaar opereert in veel inventarissoftwarepakketten: "onderschrijding".

Berekeningen van bestelpunten gaan er bijna altijd van uit dat stockouts ontstaan wanneer de totale vraag tijdens een bevoorradingsinterval het bestelpunt overschrijdt. Stel bijvoorbeeld dat de vraag gemiddeld 1 eenheid per dag is. Als de doorlooptijd 5 dagen is, dan is de gemiddelde doorlooptijdvraag 5 stuks. Het herbestelpunt instellen op 5 eenheden zou ergens in de buurt van 50% een lachwekkend serviceniveau opleveren. Het toevoegen van veiligheidsvoorraad aan de berekening kan resulteren in een bestelpunt van bijvoorbeeld 11 eenheden, wat zou kunnen overeenkomen met een serviceniveau van 95%. Een andere manier om dit te zeggen is dat, beginnend bij een bestelpunt van 11 eenheden, er een kans van 95% zou moeten zijn om de doorlooptijd van 5 dagen te overleven zonder een cumulatieve vraag van meer dan 11 eenheden te ervaren. Theoretisch!

Wat in deze analyse ontbreekt, is het undershoot-fenomeen. Undershoot betekent dat de doorlooptijd niet begint Bij het bestelpunt maar onderstaand het. Onderschrijding gebeurt elke keer dat de vraag die het bestelpunt overschreed, de voorraad naar beneden haalde onderstaand (Niet beneden tot) het bestelpunt. Onderstaande figuur toont suppletiecycli met en zonder onderschrijding. Undershoot plukt uw zak voordat u zelfs maar begint met het gooien van de dobbelstenen. Het misleidt de voorraadprofessional door te denken dat zijn of haar bestelpunten voldoende zijn om hun doelen te bereiken, terwijl de werkelijke prestaties het cijfer niet zullen halen.

Er is maar één situatie waarin onderschrijding geen probleem is: wanneer de vraag altijd nul of één eenheid is. Onderschrijding is dan onmogelijk. Maar in alle andere gevallen zal er zeker tot op zekere hoogte sprake zijn van onderschrijding, en dit kan het serviceniveau dat daadwerkelijk wordt bereikt door een bepaalde keuze van een bestelpunt ernstig ondermijnen. Onze analyses tonen aan dat de omstandigheden die het meest kwetsbaar zijn voor onderschrijdingen een sterk intermitterende en scheve vraag zijn met zeer korte doorlooptijden - de omstandigheden die het meest voorkomen door markttrends.

Wat kunt u doen om uzelf te beschermen tegen het effect van onderschrijding op berekeningen van bestelpunten? Gebruik voorraadoptimalisatie- en prognosesoftware die niet gebonden is aan de aannames uit het oude leerboek en in plaats daarvan automatisch rekening houdt met onderschrijdingen bij het berekenen van het serviceniveau dat wordt geproduceerd door een willekeurig bestelpunt.

Om de Inventory Optimization-oplossing van Smart Software in actie te zien, kunt u zich hieronder registreren om een opgenomen demo te zien:

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.

Veel nuttiger is een voorspelling van de volledige waarschijnlijkheidsverdeling van de vraag op elk toekomstig tijdstip. Dit wordt vaker waarschijnlijkheidsvoorspelling genoemd en is veel nuttiger.

Het gemiddelde is niet het antwoord

Het enige voordeel van een puntvoorspelling is de eenvoud. Als uw ERP-systeem ook eenvoudig is, vult de puntprognose het ene getal in dat het ERP-systeem nodig heeft om personeelsplanning of inkoop van grondstoffen te doen.

Het nadeel van een puntvoorspelling is dat het te simpel is. Het negeert aanvullende informatie in de vraaggeschiedenis van een artikel die u een vollediger beeld kan geven van hoe de vraag zich zou kunnen ontvouwen: een kansprognose.

Verder gaan dan het gemiddelde: waarschijnlijkheidsvoorspellingen

Terwijl de puntprognose beperkte informatie geeft, bijv. "De meest waarschijnlijke vraag volgende maand is 15 eenheden", voegt de kansprognose cruciale informatie toe, bijv. "Er is een kans van 20% dat de vraag meer dan 28 eenheden zal bedragen en een kans van 10% dat het kleiner zijn dan 5 eenheden”.

Met deze informatie kunt u risicobeoordelingen en noodplannen maken. Contingency planning is nodig omdat de kans dat de puntvoorspelling daadwerkelijk klopt meestal maar klein is. Een waarschijnlijkheidsvoorspelling kan ook zeggen: "De kans dat de vraag 15 eenheden is, is slechts 10%, ook al is dit de meest waarschijnlijke waarde." Met andere woorden, er is een kans van 90% dat de puntvoorspelling verkeerd is. Dit soort fouten is geen fout in de prognoseberekeningen: het is de realiteit van het omgaan met vraagvolatiliteit. Het zou beter een "onzekerheid" kunnen worden genoemd dan een "fout".

Een operations manager kan de extra informatie in een kansprognose zowel informeel als formeel gebruiken. Informeel, zelfs als een ERP-systeem een enkelvoudige prognose als invoer vereist, zal een verstandige manager enig idee willen hebben van de risico's die aan die puntvoorspelling zijn verbonden, dwz de foutmarge. Een voorspelling van 15 ± 1 eenheid is dus een stuk veiliger dan een voorspelling van 15 ± 10. Het ± gedeelte is een compressie van een probabilistische voorspelling. Afbeelding 1 hieronder toont de vraaggeschiedenis van een item (rode lijn), puntprognoses voor de komende 12 maanden (groene lijn) en hun foutmarges (cyaankleurige lijnen). De laagste prognose van ongeveer 3.300 eenheden komt in juni uit, maar de werkelijke vraag kan wel 800 eenheden hoger of lager zijn.

Bonus: toepassing op voorraadbeheer

Voorraadbeheer vereist dat u de beschikbaarheid van artikelen afzet tegen de voorraadkosten. Het blijkt dat het kennen van de volledige waarschijnlijkheidsverdeling van de vraag over een doorlooptijd van aanvulling essentieel is om bestelpunten (ook wel minuten genoemd) op een rationele, wetenschappelijke basis te bepalen. Figuur 2 toont een waarschijnlijkheidsprognose van de totale vraag gedurende de 33 weken durende aanvultijd voor een bepaald reserveonderdeel. Hoewel de gemiddelde doorlooptijdvraag 3 eenheden is, is de meest waarschijnlijke vraag nul en is een bestelpunt van 14 nodig om ervoor te zorgen dat de kans op voorraad slechts 1% is. Nogmaals, het gemiddelde is niet het antwoord.

Meer weten is altijd beter dan minder weten en de waarschijnlijkheidsvoorspelling geeft net dat beetje extra cruciale informatie. Software kan al meer dan 40 jaar een puntvoorspelling leveren, maar moderne software kan het beter doen en het hele plaatje weergeven.

Figuur 1: De rode lijn toont de vraaggeschiedenis van een gereed product. De groene lijn toont de puntprognoses voor de komende 12 maanden. De blauwe lijnen geven de foutmarges in de 12-puntsvoorspellingen aan.

Afbeelding 2: Een probabilistische prognose van de vraag naar een reserveonderdeel gedurende een aanvultijd van 33 weken. De meest waarschijnlijke vraag is nul, de gemiddelde vraag is 3, maar een bestelpunt van 14 eenheden is vereist om slechts 1% kans te hebben dat de voorraad op is.

Er wordt ons vaak gevraagd wat het verschil is tussen deze twee belangrijke prestatiestatistieken voor voorraadplanning. Hoewel ze beide belangrijk zijn om te meten hoe succesvol een bedrijf is in het voldoen aan de vraag, is hun betekenis heel verschillend. Indien niet begrepen en opgenomen in het strategische voorraadplanningsproces, zal voorraad inefficiënt worden toegewezen, wat resulteert in een lagere klantenservice en hogere transportkosten. We hebben het verschil in deze opname van 4 minuten geïllustreerd met behulp van Microsoft Excel.

Smart Operational Analytics berekent automatisch historische serviceniveaus en opvullingspercentages voor elk item. Om te zien hoe u deze en andere operationele statistieken berekent, waaronder voorraadrotaties, prestaties van leveranciers en meer, kunt u zich hieronder registreren om een demonstratie van vijf minuten te bekijken. De demo laat zien hoe ons cloudplatform deze statistieken continu berekent en rapporteert over duizenden items, zodat u kansen kunt identificeren voor verbetering van het serviceniveau en voorraadvermindering.

Overzicht

Een doel stellen serviceniveau of opvullingspercentage is een strategische beslissing over voorraadrisicobeheer. Het kiezen van serviceniveaus kan moeilijk zijn. Relevante factoren zijn onder meer het huidige serviceniveau, doorlooptijden voor bevoorrading, kostenbeperkingen, de pijn die u en uw klanten door tekorten wordt toegebracht, en uw concurrentiepositie. Het stellen van doelen wordt vaak het best benaderd als een samenwerking tussen operations, sales en finance. Voorraadoptimalisatiesoftware is een essentieel hulpmiddel in het proces.

Keuzes op serviceniveau

Serviceniveau is de kans dat er geen tekorten ontstaan tussen het moment dat u meer voorraad bestelt en het moment dat deze in het schap ligt. Het redelijke bereik van serviceniveaus loopt van ongeveer 70% tot 99%. Niveaus onder 70% kunnen erop wijzen dat u niet om uw klanten geeft of ze niet aankan. Niveaus van 100% zijn bijna nooit geschikt en duiden meestal op een enorm opgeblazen inventaris.

Factoren die van invloed zijn op de keuze van het serviceniveau

Verschillende factoren zijn van invloed op de keuze van het serviceniveau voor een voorraadartikel. Hier zijn enkele van de belangrijkste.

Huidige serviceniveaus:
Een redelijke plaats om te beginnen is om erachter te komen wat uw huidige serviceniveaus zijn voor elk item en in het algemeen. Als je al in goede conditie bent, wordt het gemakkelijker om een reeds goede oplossing aan te passen. Als u er nu slecht aan toe bent, kan het moeilijker zijn om serviceniveaus in te stellen. Verrassend genoeg hebben maar weinig bedrijven gegevens over deze belangrijke maatstaf voor hun hele voorraaditems. Wat vaak gebeurt, is dat herordeningspunten willens en wetens groeien uit keuzes die in de prehistorie van het bedrijf zijn gemaakt en zelden, soms nooit, systematisch worden herzien en bijgewerkt. Aangezien bestelpunten een belangrijke bepalende factor zijn voor serviceniveaus, volgt hieruit dat serviceniveaus "gewoon gebeuren". Voorraadoptimalisatiesoftware kan uw huidige bestelpunten en doorlooptijden omzetten in solide schattingen van uw huidige serviceniveaus. Deze analyse onthult vaak een subset van items met een te hoog of te laag serviceniveau, in welk geval u advies heeft over welke items respectievelijk naar beneden of naar boven moeten worden bijgesteld.

Bevoorradingstermijnen:
Sommige bedrijven passen de serviceniveaus daarop aan aanvulling levertijden. Als het lang duurt om een artikel te maken of te kopen, dan duurt het ook lang om van een tekort te herstellen. Dienovereenkomstig verhogen ze de serviceniveaus voor artikelen met een lange doorlooptijd en verlagen ze deze voor artikelen waarvoor de achterstand kort zal zijn.

Kostenbeperkingen:
Voorraadoptimalisatiesoftware kan de goedkoopste manieren vinden om hoge serviceniveaudoelen te halen, maar agressieve doelen impliceren onvermijdelijk hogere kosten. Het kan zijn dat de kosten uw keuze van serviceniveaudoelen beperken. Kosten zijn er in verschillende smaken. "Voorraadinvestering" is de dollarwaarde van de voorraad. "Bedrijfskosten" omvatten zowel voorraadkosten als bestelkosten. Beperkingen op voorraadinvesteringen worden vaak opgelegd aan voorraadmanagers en impliceren altijd plafonds op serviceniveaudoelstellingen; software kan deze relaties expliciet maken, maar neemt de noodzaak van keuze niet weg. Je hoort minder vaak over plafonds voor bedrijfskosten, maar ze zijn altijd op zijn minst een secundaire factor die pleit voor lagere serviceniveaus.

Tekort kosten:
Tekortkosten zijn afhankelijk van het feit of uw tekortbeleid vraagt om nabestellingen of verloren verkopen. In beide gevallen werken tekortkosten de voorraadinvesteringen en bedrijfskosten tegen door te pleiten voor hogere serviceniveaus. Deze kosten worden niet altijd uitgedrukt in dollars, zoals in het geval van medische/chirurgische benodigdheden, waar tekortkosten worden uitgedrukt in morbiditeit en mortaliteit.

Concurrentie:
Hoe dichter uw bedrijf bij het domineren van de markt is, hoe meer u de serviceniveaus kunt verlagen om geld te besparen. Te ver terugvallen brengt echter risico's met zich mee: het moedigt potentiële klanten aan om ergens anders te zoeken en het moedigt concurrenten aan. Omgekeerd kan een hoge productbeschikbaarheid de positie van een kleine speler ver versterken.

Gezamenlijke targeting

Voorraadmanagers kunnen degenen zijn die belast zijn met het stellen van serviceniveaudoelen, maar het kan het beste zijn om samen te werken met andere functies bij het maken van deze oproepen. De financiële afdeling kan al vroeg in het proces eventuele "rode lijnen" delen, en zij zouden de taak moeten krijgen om de bewaar- en bestelkosten te schatten. Verkoop kan helpen bij het inschatten van tekortkosten door de waarschijnlijke reacties van klanten op achterstanden of verloren verkopen uit te leggen.

De rol van software voor voorraadoptimalisatie en planning

Zonder voorraadoptimalisatiesoftware is het stellen van serviceniveaudoelen puur giswerk: het is onmogelijk om te weten hoe een bepaald doel zal uitpakken in termen van voorraadinvesteringen, bedrijfskosten, tekortkosten. De software kan de gedetailleerde, kwantitatieve afwegingscurven berekenen die nodig zijn om weloverwogen keuzes te maken of zelfs het beoogde serviceniveau aan te bevelen dat resulteert in de laagste totale kosten, rekening houdend met bewaarkosten, bestelkosten en voorraadkosten. Niet alle softwareoplossingen zijn echter hetzelfde. U kunt een door de gebruiker gedefinieerd 99%-serviceniveau in uw voorraadplanningssysteem invoeren of het systeem kan een doelservice aanbevelen, maar dit betekent niet dat u dat vermelde serviceniveau daadwerkelijk bereikt. Sterker nog, u komt er misschien niet eens in de buurt en bereikt een veel lager serviceniveau. We hebben situaties waargenomen waarin een beoogd serviceniveau van 99% daadwerkelijk een serviceniveau van slechts 82% bereikte! Alle beslissingen die worden genomen als gevolg van het doelwit zullen resulteren in een onbedoelde verkeerde toewijzing van voorraad, zeer kostbare gevolgen en veel uitleg. Lees dus zeker ons volgende blogartikel over hoe u de nauwkeurigheid van uw serviceniveauprognose kunt meten, zodat u deze kostbare fout niet maakt.

Vraagplanning kost tijd en moeite. Het is de moeite waard voor zover het je daadwerkelijk helpt te maken wat je nodig hebt wanneer je het nodig hebt.

Maar het werk kan goed of slecht worden gedaan. We zien veel fabrikanten stoppen bij het eerste niveau terwijl ze gemakkelijk naar het tweede niveau kunnen gaan. En met een beetje meer moeite zouden ze helemaal naar het derde niveau kunnen gaan, door gebruik te maken van probabilistische modellering om de resultaten van de vraagplanning om te zetten in een voorraadoptimalisatieproces.

Het eerste niveau

Het eerste niveau is het maken van een vraagprognose met behulp van statistische methoden. Afbeelding 1 toont een poging op het eerste niveau: de vraaggeschiedenis van een artikel (rode lijn) en de verwachte prognose voor 12 maanden (groene lijn).

De voorspelling is kaal. Het projecteert alleen verwacht vraag negeren dat de vraag volatiel is en onvermijdelijk prognosefouten zal veroorzaken. (Dit is nog een voorbeeld van een belangrijke stelregel: “Het gemiddelde is niet het antwoord”). De voorspelling is waarschijnlijk zowel te hoog als te laag, en er is geen indicatie van voorspellingsonzekerheid bij de voorspelling. Dit betekent dat de planner geen inschatting heeft van het risico dat gepaard gaat met het nakomen van de prognose. Toch biedt deze prognose een rationele basis voor productieplanning, persoonlijke planning en inkoop van grondstoffen. Het is dus veel beter dan gissen.

Het tweede niveau

Het tweede niveau houdt expliciet rekening met de voorspelde onzekerheid. Figuur 2 toont een inspanning van het tweede niveau, bekend als een "percentielprognose".

Nu zien we een expliciete indicatie van voorspelde onzekerheid. De cyaankleurige lijn boven de groene prognoselijn vertegenwoordigt het verwachte 90e percentiel van de maandelijkse vraag. Dat wil zeggen, de vraag in elke toekomstige maand heeft een kans van 90% om op of onder de cyaanlijn te vallen. Anders gezegd, er is een kans van 10% dat de vraag elke maand de cyaanlijn overschrijdt.

Deze analyse is veel nuttiger omdat het risicobeheer ondersteunt. Als het belangrijk is om voldoende aanvoer van dit artikel te verzekeren, dan is het logisch om te produceren tot het 90e percentiel in plaats van tot de verwachte prognose. Het is tenslotte een gok of de verwachte voorspelling zal resulteren in voldoende productie om aan de maandelijkse vraag te voldoen. Deze prognose op het tweede niveau is in feite een ruwe vervanging van een zorgvuldig voorraadbeheerproces.

Afbeelding 2. Een percentielprognose, waarbij de cyaankleurige lijn het 90e percentiel van de maandelijkse vraag schat.

Gaat helemaal naar het derde niveau

Best practice is het derde niveau, dat vraagplanning gebruikt als basis voor het voltooien van een tweede taak: expliciete voorraadoptimalisatie. Figuur 3 toont de fundamentele plot voor het efficiënte beheer van ons eindproduct, ervan uitgaande dat het een productietijd van 1 maand heeft.

Afbeelding 3 toont het gebruik van probabilistische prognoses en hoeveel afname van de voorraad gereed product kan plaatsvinden gedurende een productietijd van een maand. De onzekerheid in de vraag komt tot uiting in de spreiding van de mogelijke vraag, van een dieptepunt van 0 tot een maximum van 35, waarbij 15 eenheden de meest waarschijnlijke waarde is. De verticale rode lijn bij 22 geeft het "bestelpunt" (of "min" of "triggerwaarde") aan dat overeenkomt met het behouden van de kans op voorraad in afwachting van aanvulling tot een lage 5%. Wanneer de voorraad daalt tot 22 of lager, is het tijd om meer te bestellen. Het derde niveau maakt gebruik van probabilistische vraagprognoses met volledige blootstelling aan prognoseonzekerheid om de voorraad van het eindproduct efficiënt te beheren.

Opsommen

Het voorspellen van de meest waarschijnlijke vraag naar een artikel is een nuttige eerste stap. Het brengt je halverwege waar je wilt zijn. Maar het biedt een onvolledige gids voor planning, omdat het de volatiliteit van de vraag en de verwachte onzekerheid die het creëert, negeert. Door een buffer aan de vraagprognose toe te voegen, komt u verder, omdat het risico wordt verkleind dat een sprong in de vraag u een tekort aan product zal opleveren. Dit kussen kan worden berekend door middel van probabilistische prognosebenaderingen die een hoog percentage van de verdeling van de toekomstige vraag voorspellen. En als u nog een stap verder wilt gaan, kunt u prognoses van de vraagverdeling over een doorlooptijd invoeren om bestelpunten (minuten) te berekenen om ervoor te zorgen dat u een acceptabel laag risico op voorraaduitval heeft.

Gezien wat moderne prognosetechnologie voor u kan doen, waarom zou u halverwege uw doel willen stoppen?

Er is een oud grapje: "Er zijn twee soorten mensen - zij die geloven dat er twee soorten mensen zijn, en zij die dat niet doen." We kunnen die grap aanpassen: "Er zijn twee soorten mensen - zij die weten dat er drie soorten supply chain-analyse zijn, en zij die deze blog nog niet hebben gelezen."

De drie typen supply chain-analyse zijn 'beschrijvend', 'voorspellend' en 'voorschrijvend'. Elk speelt een andere rol bij het helpen bij het beheren van uw voorraad. Met moderne supply chain-software kunt u alle drie benutten.

Beschrijvende analyses

Beschrijvende analyses zijn het spul van dashboards. Ze vertellen je "wat er nu gebeurt." In deze categorie zijn samenvattingscijfers opgenomen zoals dollars die momenteel in voorraad zijn geïnvesteerd, het huidige niveau van klantenservice en opvullingspercentage, en gemiddelde doorlooptijden van leveranciers. Deze statistieken zijn handig om uw activiteiten bij te houden, vooral wanneer u wijzigingen daarin van maand tot maand bijhoudt. U zult elke dag op hen vertrouwen. Ze vereisen nauwkeurige bedrijfsdatabases, statistisch verwerkt.

Voorspellende analyse

Voorspellende analyses manifesteren zich meestal als prognoses van de vraag, vaak opgesplitst per product en locatie en soms ook per klant. Deze statistieken geven vroegtijdige waarschuwingen, zodat u productie, personeel en inkoop van grondstoffen kunt versnellen om aan de vraag te voldoen. Ze bieden ook voorspellingen van het effect van wijzigingen in het bedrijfsbeleid, bijvoorbeeld: wat gebeurt er als we onze bestelhoeveelheid voor product X verhogen van 20 naar 25 eenheden? U kunt periodiek, misschien wekelijks of maandelijks, vertrouwen op Predictive Analytics wanneer u opkijkt van wat er nu gebeurt om te zien wat er daarna zal gebeuren. Predictive Analytics gebruikt beschrijvende analyse als basis, maar voegt meer mogelijkheden toe. Predictive Analytics voor vraagprognoses vereist geavanceerde statistische verwerking om kenmerken van de productvraag zoals trend, seizoensinvloeden en verandering van regime. Predictive Analytics voor voorraadbeheer gebruikt prognoses van de vraag als invoer in modellen van de werking van voorraadbeleid, die op hun beurt schattingen geven van belangrijke prestatiestatistieken zoals serviceniveaus, opvullingspercentages, en werkingskosten.

Prescriptieve analyses

Prescriptieve analyses gaan niet over wat er nu gebeurt of wat er daarna gaat gebeuren, maar over wat u vervolgens zou moeten doen, dwz ze bevelen beslissingen aan die gericht zijn op het maximaliseren van de prestaties van het inventarisatiesysteem. U kunt op Prescriptive Analytics vertrouwen om uw gehele voorraadbeleid zo goed mogelijk vorm te geven. Prescriptive Analytics gebruikt Predictive Analytics als basis en voegt vervolgens optimalisatiemogelijkheden toe. Prescriptive Analytics-software kan bijvoorbeeld automatisch de beste keuzes maken voor toekomstige waarden van min's en max's voor duizenden inventarisitems. Hier kan 'beste' de waarde van Min en Max voor elk artikel betekenen die de bedrijfskosten minimaliseert (de som van kosten voor vasthouden, bestellen en tekorten) terwijl een 90%-minimum voor het opvullingspercentage van artikelen wordt gehandhaafd.

Voorbeeld

Onderstaande figuur laat zien hoe supply chain analytics de voorraadbeheerder kan helpen. De kolommen tonen drie voorspelde Key Performance Indicators (KPI's): serviceniveau, voorraadinvestering en bedrijfskosten (holdingkosten + bestelkosten + tekortkosten).

 Afbeelding 1: de drie soorten analyses die worden gebruikt om planningsscenario's te evalueren

De rijen tonen vier alternatieve voorraadbeleidslijnen, uitgedrukt als scenario's. Het “Live” scenario rapporteert over de waarden van de KPI's op 1 juli 2018. Het “99% All” scenario wijzigt het huidige beleid door het serviceniveau van alle artikelen te verhogen naar 99%. Het scenario "75 verdieping/99 plafond" verhoogt serviceniveaus die te laag zijn tot 75% en verlaagt zeer hoge (dwz dure) serviceniveaus tot 95%. Het scenario "Optimalisatie" schrijft artikelspecifieke serviceniveaus voor die de totale bedrijfskosten minimaliseren.

Het scenario “Live 01-07-2018” is een voorbeeld van beschrijvende analyse. Het toont de huidige basislijnprestaties. De software stelt de gebruiker vervolgens in staat wijzigingen in het voorraadbeleid uit te proberen door nieuwe "Wat als"-scenario's te creëren die vervolgens kunnen worden omgezet in benoemde scenario's voor verdere overweging. De volgende twee scenario's zijn voorbeelden van Predictive Analytics. Ze beoordelen allebei de gevolgen van hun aanbevolen beleid voor voorraadbeheer, dwz de aanbevolen waarden van Min en Max voor alle artikelen. Het scenario 'Optimalisatie' is een voorbeeld van Prescriptive Analytics omdat het een beste compromisbeleid aanbeveelt.

Overweeg hoe de drie alternatieve scenario's zich verhouden tot het "Live" basisscenario. Het scenario "99% All" verhoogt de beschikbaarheidsstatistieken van artikelen, waardoor het serviceniveau stijgt van 88% naar 99%. Hierdoor neemt de totale inventarisinvestering echter toe van $3 miljoen tot ongeveer $4 miljoen. Het scenario '75 vloer/99 plafond' daarentegen verhoogt zowel het serviceniveau als vermindert het contante geld dat vastzit in de voorraad met ongeveer $300.000. Ten slotte bereikt het scenario "Optimalisatie" een 80%-serviceniveau, een verlaging ten opzichte van de huidige 88%, maar het verlaagt de voorraadwaarde met meer dan $2 miljoen en verlaagt de bedrijfskosten met meer dan $400.000 per jaar. Van hieruit konden managers verdere opties uitproberen, zoals het teruggeven van een deel van de $2 miljoen besparingen om een hoger gemiddeld serviceniveau te bereiken.

Overzicht

Moderne softwarepakketten voor voorraadplanning en voorraadoptimalisatie zouden drie soorten supply chain-analyses moeten bieden: beschrijvend, voorspellend en prescriptief. Dankzij hun combinatie kunnen voorraadbeheerders hun activiteiten volgen (Beschrijvend), voorspellen waar hun activiteiten in de toekomst zullen zijn (Predictive) en hun voorraadbeleid optimaliseren om te anticiperen op toekomstige omstandigheden (Prescriptief).