Kwantumvoorraadtheorie?

De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Natuurkundigen zoals mijn mede-oprichter van Smart Software, Dr. Nelson Hartunian, vertellen ons burgers dat alles anders is als we doordringen tot op het kleinste niveau van de wereld. Fysica op kwantumniveau is nogal raar - helemaal niet zoals wat we ervaren in ons gebruikelijke macroscopische leven. Tot de eigenaardigheden behoren "superpositie", "verstrengeling" en "kwantumschuim". Hoe vreemd deze verschijnselen ook zijn, ik kan het niet laten om analogen te zien in de zogenaamd andere wereld van supply chain management.

Overweeg kwantumsuperpositie. In het kort betekent superpositie dat elke kwantumentiteit in twee toestanden tegelijk kan zijn. De kat van Schrödinger is de beroemdste illustratie van dit idee. Maar hoeveel van jullie lezers bevinden zich ook in een staat van superpositie? Ben je niet een manager van een team maar een lid van het team van je supervisor, een probleemoplosser maar ook een prognose-expert of een voorraadoptimizer en...? En geeft dit alles je niet soms het gevoel, net als die kat, dat je tegelijkertijd dood en levend bent? Moderne software kan een deel van deze last verlichten door de taken van vraagplanning en voorraadoptimalisatie te automatiseren. De rest is aan jou.

Een tweede kwantumanaloog is verstrengeling. Kort gezegd is verstrengeling de koppeling tussen twee elementen van een systeem. Ze kunnen lichtjaren van elkaar verwijderd zijn, maar het veranderen van een deel van een verstrengeld systeem zal onmiddellijk het andere deel veranderen. Dit irriteerde Albert Einstein, die het bespotte als 'spookachtige actie als een afstand'. In onze normale wereld zijn vraagplanning en voorraadoptimalisatie met elkaar verweven, aangezien het proces van voorraadoptimalisatie bovenop het proces van vraagvoorspelling zit. Moderne software koppelt de twee in een efficiënte interface.

Eindelijk het kwantumschuim - een van mijn favoriete ideeën. Zoals ik het begrijp, is kwantumschuim een vervanging voor lege ruimte: er is geen lege ruimte, maar een constant borrelen van "vacuümenergie" vergezeld van een stroom van "virtuele deeltjes" die uit het niets worden geboren en vervolgens weer in het niets verdwijnen. In de supply chain-wereld zijn de analogen van virtuele deeltjes klantorders. Vaak lijkt het alsof ze zonder waarschuwing uit het niets opduiken, en soms verdwijnen ze door annulering in een al even willekeurig en mysterieus proces. Dit soort vraagfluctuatie is de basis voor alle theorie van voorraadbeheer. Moderne software begint daarom met waarschijnlijkheidsmodellen van de klantvraag. Die modellen hebben vervolgens implicaties voor tastbare grootheden als veiligheidsvoorraden, bestelpunten en bestelhoeveelheden.

Helpt het vraagplanners en voorraadbeheerders echt om na te denken over deze ideeën uit de kwantumfysica? Nou, het is een beetje leuk om de analogieën te zien met onze reguliere wereld van werk. En ze doen ons denken aan meer macroscopische zaken: de basisconcepten van de noodzaak om meer dan één taak tegelijk uit te voeren, de koppeling tussen prognoses en voorraadbeheer, en willekeur als het fundamentele kenmerk van de toeleveringsketen.

 

 

 

Laat een reactie achter

gerelateerde berichten

How Are We Doing? KPI’s and KPP’s

Hoe gaat het met ons? KPI's en KPP's

Het dagelijkse voorraadbeheer kan u bezig houden. Maar je weet dat je af en toe je hoofd omhoog moet brengen om te zien waar je naartoe gaat. Daarvoor moet uw inventarissoftware u statistieken tonen – en niet slechts één, maar een volledige set statistieken of KPI's – Key Performance Indicators.

Confused about AI and Machine Learning?

Verward over AI en Machine Learning?

Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

recente berichten

  • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
    In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
  • 5 Ways to Improve Supply Chain Decision Speed5 manieren om de snelheid van beslissingen in de toeleveringsketen te verbeteren
    De belofte van een digitale supply chain heeft de manier waarop bedrijven opereren getransformeerd. In de kern kan het snelle, datagestuurde beslissingen nemen en tegelijkertijd kwaliteit en efficiëntie in de hele bedrijfsvoering garanderen. Het gaat echter niet alleen om toegang tot meer data. Organisaties hebben de juiste tools en platforms nodig om die data om te zetten in bruikbare inzichten. Dit is waar besluitvorming cruciaal wordt, vooral in een landschap waar nieuwe digitale supply chain-oplossingen en AI-gestuurde platforms u kunnen ondersteunen bij het stroomlijnen van veel processen binnen de beslissingsmatrix. […]
  • Two employees checking inventory in temporary storage in a distribution warehouse.12 Oorzaken van Overstocking en Praktische Oplossingen
    Effectief voorraadbeheer is cruciaal voor het behouden van een gezonde balans en het verzekeren dat middelen optimaal worden toegewezen. Hier is een diepgaande verkenning van de belangrijkste oorzaken van overstocking, hun implicaties en mogelijke oplossingen. […]
  • FAQ Mastering Smart IP&O for Better Inventory ManagementFAQ: Slimme IP&O voor beter voorraadbeheer.
    Effectief supply chain- en voorraadbeheer zijn essentieel voor het bereiken van operationele efficiëntie en klanttevredenheid. Deze blog biedt duidelijke en beknopte antwoorden op enkele basisvragen en andere veelvoorkomende vragen van onze Smart IP&O-klanten, en biedt praktische inzichten om typische uitdagingen te overwinnen en uw voorraadbeheerpraktijken te verbeteren. Met de focus op deze belangrijke gebieden helpen we u complexe voorraadproblemen om te zetten in strategische, beheersbare acties die kosten verlagen en de algehele prestaties verbeteren met Smart IP&O. […]
  • 7 Key Demand Planning Trends Shaping the Future7 belangrijke trends in vraagplanning die de toekomst vormgeven
    Vraagplanning gaat verder dan alleen het voorspellen van productbehoeften; het gaat erom ervoor te zorgen dat uw bedrijf nauwkeurig, efficiënt en kosteneffectief aan de vraag van klanten voldoet. De nieuwste technologie voor vraagplanning pakt belangrijke uitdagingen aan, zoals nauwkeurigheid van voorspellingen, voorraadbeheer en marktresponsiviteit. In deze blog introduceren we kritieke trends voor vraagplanning, waaronder datagestuurde inzichten, probabilistische voorspellingen, consensusplanning, voorspellende analyses, scenariomodellering, realtime zichtbaarheid en multilevel voorspellingen. Deze trends helpen u om voorop te blijven lopen, uw toeleveringsketen te optimaliseren, kosten te verlagen en de klanttevredenheid te verbeteren, waardoor uw bedrijf op de lange termijn succesvol wordt. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
      In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
    • Innovating the OEM Aftermarket with AI-Driven Inventory Optimization XLInnovatie van de OEM-aftermarket met AI-gestuurde voorraadoptimalisatie
      De aftermarketsector biedt OEM's een beslissend voordeel door een stabiele inkomstenstroom te bieden en de loyaliteit van klanten te bevorderen door de betrouwbare en tijdige levering van serviceonderdelen. Het beheren van inventaris en het voorspellen van de vraag in de aftermarket gaat echter gepaard met uitdagingen, waaronder onvoorspelbare vraagpatronen, enorme productassortimenten en de noodzaak van snelle doorlooptijden. Traditionele methoden schieten vaak tekort vanwege de complexiteit en variabiliteit van de vraag in de aftermarket. De nieuwste technologieën kunnen grote datasets analyseren om de toekomstige vraag nauwkeuriger te voorspellen en voorraadniveaus te optimaliseren, wat leidt tot betere service en lagere kosten. […]
    • Future-Proofing Utilities. Advanced Analytics for Supply Chain OptimizationToekomstbestendige hulpprogramma's: geavanceerde analyses voor optimalisatie van de supply chain
      Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
    • Centering Act Spare Parts Timing Pricing and ReliabilityCentreringswet: timing, prijzen en betrouwbaarheid van reserveonderdelen
      In dit artikel begeleiden we u bij het opstellen van een voorraadplan voor reserveonderdelen, waarbij prioriteit wordt gegeven aan beschikbaarheidsstatistieken zoals serviceniveaus en vulpercentages, terwijl de kostenefficiëntie wordt gewaarborgd. We zullen ons concentreren op een benadering van voorraadplanning genaamd Service Level-Driven Inventory Optimization. Vervolgens bespreken we hoe u kunt bepalen welke onderdelen u in uw inventaris moet opnemen en welke onderdelen mogelijk niet nodig zijn. Ten slotte onderzoeken we manieren om uw op serviceniveau gebaseerde voorraadplan consistent te verbeteren. […]

      Belangrijke overwegingen bij het evalueren van de prognosemogelijkheden van uw ERP-systeem

      De slimme voorspeller

       Het nastreven van best practices op het gebied van vraagplanning,

      prognoses en voorraadoptimalisatie

       

      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. 

       

       

       

      Laat een reactie achter

      gerelateerde berichten

      How Are We Doing? KPI’s and KPP’s

      Hoe gaat het met ons? KPI's en KPP's

      Het dagelijkse voorraadbeheer kan u bezig houden. Maar je weet dat je af en toe je hoofd omhoog moet brengen om te zien waar je naartoe gaat. Daarvoor moet uw inventarissoftware u statistieken tonen – en niet slechts één, maar een volledige set statistieken of KPI's – Key Performance Indicators.

      Confused about AI and Machine Learning?

      Verward over AI en Machine Learning?

      Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

      recente berichten

      • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
        In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
      • 5 Ways to Improve Supply Chain Decision Speed5 manieren om de snelheid van beslissingen in de toeleveringsketen te verbeteren
        De belofte van een digitale supply chain heeft de manier waarop bedrijven opereren getransformeerd. In de kern kan het snelle, datagestuurde beslissingen nemen en tegelijkertijd kwaliteit en efficiëntie in de hele bedrijfsvoering garanderen. Het gaat echter niet alleen om toegang tot meer data. Organisaties hebben de juiste tools en platforms nodig om die data om te zetten in bruikbare inzichten. Dit is waar besluitvorming cruciaal wordt, vooral in een landschap waar nieuwe digitale supply chain-oplossingen en AI-gestuurde platforms u kunnen ondersteunen bij het stroomlijnen van veel processen binnen de beslissingsmatrix. […]
      • Two employees checking inventory in temporary storage in a distribution warehouse.12 Oorzaken van Overstocking en Praktische Oplossingen
        Effectief voorraadbeheer is cruciaal voor het behouden van een gezonde balans en het verzekeren dat middelen optimaal worden toegewezen. Hier is een diepgaande verkenning van de belangrijkste oorzaken van overstocking, hun implicaties en mogelijke oplossingen. […]
      • FAQ Mastering Smart IP&O for Better Inventory ManagementFAQ: Slimme IP&O voor beter voorraadbeheer.
        Effectief supply chain- en voorraadbeheer zijn essentieel voor het bereiken van operationele efficiëntie en klanttevredenheid. Deze blog biedt duidelijke en beknopte antwoorden op enkele basisvragen en andere veelvoorkomende vragen van onze Smart IP&O-klanten, en biedt praktische inzichten om typische uitdagingen te overwinnen en uw voorraadbeheerpraktijken te verbeteren. Met de focus op deze belangrijke gebieden helpen we u complexe voorraadproblemen om te zetten in strategische, beheersbare acties die kosten verlagen en de algehele prestaties verbeteren met Smart IP&O. […]
      • 7 Key Demand Planning Trends Shaping the Future7 belangrijke trends in vraagplanning die de toekomst vormgeven
        Vraagplanning gaat verder dan alleen het voorspellen van productbehoeften; het gaat erom ervoor te zorgen dat uw bedrijf nauwkeurig, efficiënt en kosteneffectief aan de vraag van klanten voldoet. De nieuwste technologie voor vraagplanning pakt belangrijke uitdagingen aan, zoals nauwkeurigheid van voorspellingen, voorraadbeheer en marktresponsiviteit. In deze blog introduceren we kritieke trends voor vraagplanning, waaronder datagestuurde inzichten, probabilistische voorspellingen, consensusplanning, voorspellende analyses, scenariomodellering, realtime zichtbaarheid en multilevel voorspellingen. Deze trends helpen u om voorop te blijven lopen, uw toeleveringsketen te optimaliseren, kosten te verlagen en de klanttevredenheid te verbeteren, waardoor uw bedrijf op de lange termijn succesvol wordt. […]

        Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

        • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
          In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
        • Innovating the OEM Aftermarket with AI-Driven Inventory Optimization XLInnovatie van de OEM-aftermarket met AI-gestuurde voorraadoptimalisatie
          De aftermarketsector biedt OEM's een beslissend voordeel door een stabiele inkomstenstroom te bieden en de loyaliteit van klanten te bevorderen door de betrouwbare en tijdige levering van serviceonderdelen. Het beheren van inventaris en het voorspellen van de vraag in de aftermarket gaat echter gepaard met uitdagingen, waaronder onvoorspelbare vraagpatronen, enorme productassortimenten en de noodzaak van snelle doorlooptijden. Traditionele methoden schieten vaak tekort vanwege de complexiteit en variabiliteit van de vraag in de aftermarket. De nieuwste technologieën kunnen grote datasets analyseren om de toekomstige vraag nauwkeuriger te voorspellen en voorraadniveaus te optimaliseren, wat leidt tot betere service en lagere kosten. […]
        • Future-Proofing Utilities. Advanced Analytics for Supply Chain OptimizationToekomstbestendige hulpprogramma's: geavanceerde analyses voor optimalisatie van de supply chain
          Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
        • Centering Act Spare Parts Timing Pricing and ReliabilityCentreringswet: timing, prijzen en betrouwbaarheid van reserveonderdelen
          In dit artikel begeleiden we u bij het opstellen van een voorraadplan voor reserveonderdelen, waarbij prioriteit wordt gegeven aan beschikbaarheidsstatistieken zoals serviceniveaus en vulpercentages, terwijl de kostenefficiëntie wordt gewaarborgd. We zullen ons concentreren op een benadering van voorraadplanning genaamd Service Level-Driven Inventory Optimization. Vervolgens bespreken we hoe u kunt bepalen welke onderdelen u in uw inventaris moet opnemen en welke onderdelen mogelijk niet nodig zijn. Ten slotte onderzoeken we manieren om uw op serviceniveau gebaseerde voorraadplan consistent te verbeteren. […]

          De top 5 mythes over implementaties van vraagplanning

          De slimme voorspeller

           Het nastreven van best practices op het gebied van vraagplanning,

          prognoses en voorraadoptimalisatie

          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! 

           

           

          Laat een reactie achter

          gerelateerde berichten

          How Are We Doing? KPI’s and KPP’s

          Hoe gaat het met ons? KPI's en KPP's

          Het dagelijkse voorraadbeheer kan u bezig houden. Maar je weet dat je af en toe je hoofd omhoog moet brengen om te zien waar je naartoe gaat. Daarvoor moet uw inventarissoftware u statistieken tonen – en niet slechts één, maar een volledige set statistieken of KPI's – Key Performance Indicators.

          Confused about AI and Machine Learning?

          Verward over AI en Machine Learning?

          Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

          recente berichten

          • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
            In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
          • 5 Ways to Improve Supply Chain Decision Speed5 manieren om de snelheid van beslissingen in de toeleveringsketen te verbeteren
            De belofte van een digitale supply chain heeft de manier waarop bedrijven opereren getransformeerd. In de kern kan het snelle, datagestuurde beslissingen nemen en tegelijkertijd kwaliteit en efficiëntie in de hele bedrijfsvoering garanderen. Het gaat echter niet alleen om toegang tot meer data. Organisaties hebben de juiste tools en platforms nodig om die data om te zetten in bruikbare inzichten. Dit is waar besluitvorming cruciaal wordt, vooral in een landschap waar nieuwe digitale supply chain-oplossingen en AI-gestuurde platforms u kunnen ondersteunen bij het stroomlijnen van veel processen binnen de beslissingsmatrix. […]
          • Two employees checking inventory in temporary storage in a distribution warehouse.12 Oorzaken van Overstocking en Praktische Oplossingen
            Effectief voorraadbeheer is cruciaal voor het behouden van een gezonde balans en het verzekeren dat middelen optimaal worden toegewezen. Hier is een diepgaande verkenning van de belangrijkste oorzaken van overstocking, hun implicaties en mogelijke oplossingen. […]
          • FAQ Mastering Smart IP&O for Better Inventory ManagementFAQ: Slimme IP&O voor beter voorraadbeheer.
            Effectief supply chain- en voorraadbeheer zijn essentieel voor het bereiken van operationele efficiëntie en klanttevredenheid. Deze blog biedt duidelijke en beknopte antwoorden op enkele basisvragen en andere veelvoorkomende vragen van onze Smart IP&O-klanten, en biedt praktische inzichten om typische uitdagingen te overwinnen en uw voorraadbeheerpraktijken te verbeteren. Met de focus op deze belangrijke gebieden helpen we u complexe voorraadproblemen om te zetten in strategische, beheersbare acties die kosten verlagen en de algehele prestaties verbeteren met Smart IP&O. […]
          • 7 Key Demand Planning Trends Shaping the Future7 belangrijke trends in vraagplanning die de toekomst vormgeven
            Vraagplanning gaat verder dan alleen het voorspellen van productbehoeften; het gaat erom ervoor te zorgen dat uw bedrijf nauwkeurig, efficiënt en kosteneffectief aan de vraag van klanten voldoet. De nieuwste technologie voor vraagplanning pakt belangrijke uitdagingen aan, zoals nauwkeurigheid van voorspellingen, voorraadbeheer en marktresponsiviteit. In deze blog introduceren we kritieke trends voor vraagplanning, waaronder datagestuurde inzichten, probabilistische voorspellingen, consensusplanning, voorspellende analyses, scenariomodellering, realtime zichtbaarheid en multilevel voorspellingen. Deze trends helpen u om voorop te blijven lopen, uw toeleveringsketen te optimaliseren, kosten te verlagen en de klanttevredenheid te verbeteren, waardoor uw bedrijf op de lange termijn succesvol wordt. […]

            Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

            • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
              In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
            • Innovating the OEM Aftermarket with AI-Driven Inventory Optimization XLInnovatie van de OEM-aftermarket met AI-gestuurde voorraadoptimalisatie
              De aftermarketsector biedt OEM's een beslissend voordeel door een stabiele inkomstenstroom te bieden en de loyaliteit van klanten te bevorderen door de betrouwbare en tijdige levering van serviceonderdelen. Het beheren van inventaris en het voorspellen van de vraag in de aftermarket gaat echter gepaard met uitdagingen, waaronder onvoorspelbare vraagpatronen, enorme productassortimenten en de noodzaak van snelle doorlooptijden. Traditionele methoden schieten vaak tekort vanwege de complexiteit en variabiliteit van de vraag in de aftermarket. De nieuwste technologieën kunnen grote datasets analyseren om de toekomstige vraag nauwkeuriger te voorspellen en voorraadniveaus te optimaliseren, wat leidt tot betere service en lagere kosten. […]
            • Future-Proofing Utilities. Advanced Analytics for Supply Chain OptimizationToekomstbestendige hulpprogramma's: geavanceerde analyses voor optimalisatie van de supply chain
              Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
            • Centering Act Spare Parts Timing Pricing and ReliabilityCentreringswet: timing, prijzen en betrouwbaarheid van reserveonderdelen
              In dit artikel begeleiden we u bij het opstellen van een voorraadplan voor reserveonderdelen, waarbij prioriteit wordt gegeven aan beschikbaarheidsstatistieken zoals serviceniveaus en vulpercentages, terwijl de kostenefficiëntie wordt gewaarborgd. We zullen ons concentreren op een benadering van voorraadplanning genaamd Service Level-Driven Inventory Optimization. Vervolgens bespreken we hoe u kunt bepalen welke onderdelen u in uw inventaris moet opnemen en welke onderdelen mogelijk niet nodig zijn. Ten slotte onderzoeken we manieren om uw op serviceniveau gebaseerde voorraadplan consistent te verbeteren. […]

              De juiste prognosenauwkeurigheidsmetriek voor voorraadplanning

              De slimme voorspeller

               Het nastreven van best practices op het gebied van vraagplanning,

              prognoses en voorraadoptimalisatie

              Het testen van softwareoplossingen via een reeks empirische competities kan een aanzienlijke optie zijn. Voor prognoses/vraagplanning is dit een traditionele “hold out”-test waarbij gegevens voor 2014-2018 worden verstrekt aan softwareleveranciers en 2019 wordt aangehouden voor latere vergelijking met prognoses van concurrerende leveranciers. Het bedrijf meet vervolgens prognosefouten en vooringenomenheid. Deze benadering wordt bijna universeel aanbevolen voor het beoordelen van de nauwkeurigheid van prognoses. Het is een goede manier om de nauwkeurigheid van maandelijkse of wekelijkse prognoses te beoordelen, maar het is minimaal nuttig als u een ander doel heeft: voorraad optimaliseren.

              In onze vorige blog hebben we het erover gehad hoe u een gericht serviceniveau kiest. We hebben aangegeven dat het feit dat je een doel stelt (of een systeem een doel aanbeveelt) niet betekent dat je het doel ook daadwerkelijk zult bereiken. De juiste manier om nauwkeurigheid te meten als u geïnteresseerd bent in het optimaliseren van voorraadniveaus, is door u te concentreren op de nauwkeurigheid van de projectie van het serviceniveau. Dit houdt rekening met zowel de doorlooptijdvraag als de veiligheidsvoorraad.

              Een instellen beoogde serviceniveau is een strategische beslissing over voorraadrisicobeheer. Voorraadsoftware doet het tactische werk door herordeningspunten (ook wel minuten genoemd) te berekenen die bedoeld zijn om een door de gebruiker gedefinieerd doel te bereiken of om een door het systeem berekend optimaal doel te bereiken. Maar als de software het verkeerde vraagmodel gebruikt, kan de bereikte servicegraad zal het doel missen, soms aanzienlijk. Het resultaat van deze fout is ofwel een tekort ofwel een opgeblazen voorraad, afhankelijk van de richting van de misser.

              Graphic to approach is advocated nearly universally for assessing forecast accuracyPrognoses zijn een middel om een doel te bereiken. Het doel is om voorraadniveaus te optimaliseren. Omdat de vraag onzeker is, moeten bedrijven die zelfs maar een matig serviceniveau moeten bieden, meer voorraad hebben dan de prognose, vaak veel meer. Maar betekent een lage voorspellingsfout niet een lagere veiligheidsvoorraad? Hoe beter mijn prognoses, hoe lager mijn voorraad? Ja waar. Maar waar het bij het bepalen van de benodigde voorraad om gaat, zijn zowel nauwkeurige prognoses van de meest waarschijnlijke vraag als nauwkeurige schattingen van de variabiliteit rond de meest waarschijnlijke vraag.

              Vooral met een langdurige, intermitterende vraag, missen traditionele prognosenauwkeurigheidsbeoordelingen over een conventionele prognosehorizon van 12 maanden het punt op drie manieren.

              – Ten eerste is de relevante tijdschaal voor voorraadoptimalisatie de doorlooptijd voor aanvulling, die meestal veel korter is dan 12 maanden. Vraag tijdens doorlooptijden gemeten in dagen of weken heeft een volatiliteit die wordt gemiddeld over lange prognosehorizons. Dit is slecht omdat rekening houden met het effect van volatiliteit essentieel is voor de berekening van optimale bestelpunten.

              – Ten tweede richt de prognosenauwkeurigheid die wordt beoordeeld over een prognosehorizon van meerdere maanden zich op de typische fout in een typische maand binnen de horizon. Voorraadoptimalisatie vereist daarentegen een focus op de cumulatieve vraag, niet op de vraag per periode.

              – Ten derde, en het belangrijkste, is dat prognosefoutstatistieken gericht zijn op het midden van de vraagverdeling, met als doel de meest waarschijnlijke vraag in te schatten. Maar het instellen van bestelpunten omvat het schatten van hoge percentielen van de cumulatieve vraagverdeling over een doorlooptijd. Het midden iets beter inschatten, maar geen idee hebben van bijvoorbeeld het 95e percentiel, helpt niet.

              Beschouw dit hypothetische voorbeeld. Als leverancier A 20 eenheden voorspelt met een 110%-fout en leverancier B voorspelt 22 eenheden met een 105%-fout, dan heeft leverancier B een voordeel in het voorspellingsspel. Maar als u een hoog serviceniveau wilt en de vraag wisselvallig is, moet u veel meer dan 20 of 22 eenheden op voorraad hebben. Laten we aannemen dat u de technologie van leverancier B selecteert om voorraadniveaus te plannen. Je merkt dan dat bij het plannen van bestelpunten om een 95%-serviceniveau te bereiken, je vaak tekortschiet - veel vaker dan de verwachte 5% van die tijd. U komt tot het besef dat de benadering van leverancier B de veiligheidsvoorraad die nodig is om het beoogde servicedoel te bereiken, volledig onderschat. Focussen op de voorspellingsfout van leveranciers zal niet helpen. U zult gaan wensen dat u de leveranciers A en B had geverifieerd nauwkeurigheid op serviceniveau. Nu zit u vast aan het willekeurig aanpassen van de serviceniveaudoelstellingen van leverancier B om het tekort te compenseren.

              Wat dus nodig is bij leverancierscompetities, is een beoordeling van het vermogen van hun systemen om nauwkeurig de voorraad te voorspellen die nodig is om te voldoen aan een bepaald serviceniveau gedurende de doorlooptijd van een artikel. Een beperkte focus op het meten van prognosefouten is niet gepast als de missie inventarisbeheer is. Dit geldt met name voor longtail-artikelen met intermitterende vraag of artikelen met een gemiddeld tot hoog volume maar zonder een vraagverdeling die lijkt op de klassieke "klokvormige curve" (normale verdeling).

              In de rest van deze blog wordt uitgelegd hoe u de nauwkeurigheid van de serviceniveauberekeningen van software kunt testen, zodat u het risico kunt bewaken dat u uw serviceniveaudoelen niet haalt. We raden deze nauwkeurigheidstest aan in plaats van traditionele "prognose versus werkelijke" tests, omdat deze veel meer inzicht geeft in hoe aanbevelingen voor bestelpunten voorraadniveaus en klantenservice zullen beïnvloeden.

              Office staff are analyzing The Right Forecast Accuracy Metric for Inventory Planning

              Kantoorpersoneel analyseert The Right Forecast Accuracy Metric voor voorraadplanning

              Serviceniveau gedefinieerd

              Overweeg een enkel inventarisitem. Wanneer de voorraad daalt tot of onder het bestelpunt, wordt een aanvullingsorder gegenereerd. Hiermee begint een risicoperiode die net zo lang duurt als de doorlooptijd van de aanvulling. Tijdens de risicoperiode kunnen er voldoende aanvragen binnenkomen om naleveringen of verloren verkopen te creëren. Het serviceniveau is de waarschijnlijkheid dat er geen backorders of stockouts zijn tijdens de doorlooptijd van de aanvulling. Kritieke items kunnen zeer hoge doelserviceniveaus krijgen, bijvoorbeeld 99%, terwijl andere items mogelijk meer ontspannen doelen hebben, zoals 75%. Wat het beoogde serviceniveau ook is, het is het beste om dat doel te halen.

              Serviceniveau berekenen

              Het serviceniveau voor een individueel artikel kan alleen worden geschat door de waargenomen doorlooptijdvraag herhaaldelijk te vergelijken met het berekende bestelpunt. Deze schattingen kosten veel tijd: zeker tientallen doorlooptijden. Maar het serviceniveau van het wagenpark kan worden geschat met behulp van gegevens die over een enkele doorlooptijd zijn verzameld.

              Laten we een voorbeeld doen. Stel dat u een vraaggeschiedenis heeft voor 1.000 artikelen gedurende 365 dagen en dat (voor de eenvoud) alle artikelen een doorlooptijd van 45 dagen hebben. Volg voor elk artikel de volgende stappen om het voor het wagenpark bereikte serviceniveau te schatten:

              Stap 1: Zet de meest recente 45 dagen aan vraag opzij ('houd uit') (of het aantal dagen dat het dichtst bij uw typische doorlooptijden ligt). Bereken hun som, wat de meest recente waarde is van de werkelijke doorlooptijdvraag. Dit is de grondwaarheid die wordt gebruikt om het bereikte serviceniveau in te schatten.

              Stap 2: Gebruik de voorafgaande 320 dagen aan vraaggeschiedenis om te voorspellen hoeveel voorraad nodig is om een reeks serviceniveaudoelen te bereiken, bijvoorbeeld 90%, 95%, 97% en 99%.

              Stap 3: Controleer of de waargenomen doorlooptijdvraag kleiner is dan of gelijk is aan het bestelpunt. Als dat zo is, tel dit dan als een overwinning; reken het anders als een verlies. Als het bestelpunt bijvoorbeeld 15 eenheden is, maar de meest recente doorlooptijdvraag 10 eenheden is, dan is dit een overwinning, aangezien het bestelpunt hoog genoeg is om een doorlooptijdvraag van 10 te dekken zonder enig tekort. Als de meest recente doorlooptijdvraag echter 18 eenheden is, zou er sprake zijn van een voorraaduitval en zouden 3 eenheden worden nabesteld of als verloren verkoop worden geteld.

              Stap 4: Tel voor alle items en alle serviceniveaudoelen het percentage tests voor elk serviceniveaudoel dat tot een overwinning heeft geleid. Dit is het behaalde serviceniveau. Als het doel 90% was en 853 van de 1.000 eenheden winnen, dan is het bereikte serviceniveau 85.3%.

              Voorbeeld

              Overweeg een voorbeeld uit de echte wereld. De gegevens zijn dagelijkse vraaggeschiedenissen van 590 medische artikelen die worden gebruikt in een internationaal bekende kliniek. Voor de eenvoud gaan we ervan uit dat elk artikel een levertijd heeft van 45 dagen. We evalueren beoogde serviceniveaus van 70%, 90%, 95% en 99%.
              We vergelijken twee vraagmodellen. Het "Normale" model gaat ervan uit dat de dagelijkse vraag een normale ("klokvormige") verdeling heeft. Dit is de klassieke aanname die wordt gebruikt in de meeste inleidende leerboeken over voorraadbeheer en in veel softwareproducten. Hoe klassiek het ook mag zijn, het is vaak een ongepast model van de vraag naar reserveonderdelen of voorraden. Het “Probability Forecast”-model houdt expliciet rekening met de intermitterende aard van de vraag.

              Bijlage 1 toont de resultaten. Kolom J toont de werkelijke vraag over de laatste 45 waarnemingen. De berekende bestelpunten voor het geavanceerde model worden weergegeven in kolommen LO. De berekende bestelpunten voor het model Normaal worden niet weergegeven. De kolommen QT en VY bevatten de resultaten van de tests om na te gaan of de bestelpunten hoog genoeg waren om de doorlooptijdvereisten in kolom J aan te kunnen.

              De uiteindelijke resultaten (gele cellen) laten een duidelijk verschil zien tussen de vraagmodellen Normal en Probability (Advanced). Beiden hebben het 70%-serviceniveaudoel goed bereikt, maar het schatten van hogere serviceniveaus is een meer delicate berekening en het waarschijnlijkheidsmodel doet het veel beter. Het veronderstelde 99%-serviceniveau van het Normal-model bleek bijvoorbeeld slechts 94.4% te zijn, terwijl het Probability-model het doel bereikte met een 98.5% bereikt serviceniveau.

              Implicaties

              Met de meer nauwkeurige methode werd het beoogde serviceniveau bereikt, terwijl dat met de minder nauwkeurige methode niet het geval was. Als de minder nauwkeurige methode wordt gebruikt, zullen echte en kostbare zakelijke beslissingen worden genomen in de valse veronderstelling dat een hoger serviceniveau zal worden bereikt. Als er bijvoorbeeld een Service Level Agreement (SLA) is gebaseerd op deze resultaten en een 99%-serviceniveau is vastgelegd, is de kans dat de leverancier een voorraad oploopt vijf keer groter dan gepland (beloofd serviceniveau = 99%- of 1%-voorraadrisico vs. serviceniveau bereikt = 94.5% of 5.5% stock out risico)! Dit betekent dat boetes vijf keer vaker worden opgelegd dan verwacht.

              Stel dat planners wisten dat het beoogde serviceniveau niet zou worden gehaald, maar vast kwamen te zitten met een onnauwkeurig model. Ze zouden nog steeds een manier nodig hebben om de voorraad te vergroten en het gewenste serviceniveau te bereiken. Wat zouden ze kunnen kiezen om te doen? We hebben situaties waargenomen waarin de planner een hoger doel voor het serviceniveau invoert dan nodig is om het systeem te "misleiden" om het vereiste serviceniveau te leveren. In het bovenstaande voorbeeld moest het Normal-model een 99.99%-serviceniveau hebben ingevoerd voordat het een doelserviceniveau van 99% kon bereiken. Deze wijziging resulteerde in het bereiken van een 99%-service, maar meer dan een verdubbeling van de voorraadinvestering in vergelijking met het geavanceerde model.

              Het implementeren van een nauwkeurigheidstest op serviceniveau

              Bij Smart Software hebben we veel van onze klanten aangemoedigd om de test van de nauwkeurigheid van het serviceniveau uit te voeren als een manier voor hen om onze claims en die van andere leveranciers te beoordelen tijdens het softwareselectieproces. Het niet halen van de service level target heeft uiterst kostbare implicaties, resulterend in substantiële over- of ondervoorraden. Test dus de nauwkeurigheid van het serviceniveau voordat u een oplossing implementeert om situaties te identificeren waarin de modellering mislukt. Ga er niet vanuit dat u het serviceniveau bereikt dat u besluit te targeten (of dat het systeem aanbeveelt). Als u een Excel-spreadsheet wilt aanvragen die dient als sjabloon voor een nauwkeurigheidstest op serviceniveau, e-mailt u uw contactgegevens naar info@smartcorp.com en voert u "Nauwkeurigheidssjabloon" in de onderwerpregel in.

              Laat een reactie achter

              gerelateerde berichten

              How Are We Doing? KPI’s and KPP’s

              Hoe gaat het met ons? KPI's en KPP's

              Het dagelijkse voorraadbeheer kan u bezig houden. Maar je weet dat je af en toe je hoofd omhoog moet brengen om te zien waar je naartoe gaat. Daarvoor moet uw inventarissoftware u statistieken tonen – en niet slechts één, maar een volledige set statistieken of KPI's – Key Performance Indicators.

              Confused about AI and Machine Learning?

              Verward over AI en Machine Learning?

              Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

              recente berichten

              • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
                In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
              • 5 Ways to Improve Supply Chain Decision Speed5 manieren om de snelheid van beslissingen in de toeleveringsketen te verbeteren
                De belofte van een digitale supply chain heeft de manier waarop bedrijven opereren getransformeerd. In de kern kan het snelle, datagestuurde beslissingen nemen en tegelijkertijd kwaliteit en efficiëntie in de hele bedrijfsvoering garanderen. Het gaat echter niet alleen om toegang tot meer data. Organisaties hebben de juiste tools en platforms nodig om die data om te zetten in bruikbare inzichten. Dit is waar besluitvorming cruciaal wordt, vooral in een landschap waar nieuwe digitale supply chain-oplossingen en AI-gestuurde platforms u kunnen ondersteunen bij het stroomlijnen van veel processen binnen de beslissingsmatrix. […]
              • Two employees checking inventory in temporary storage in a distribution warehouse.12 Oorzaken van Overstocking en Praktische Oplossingen
                Effectief voorraadbeheer is cruciaal voor het behouden van een gezonde balans en het verzekeren dat middelen optimaal worden toegewezen. Hier is een diepgaande verkenning van de belangrijkste oorzaken van overstocking, hun implicaties en mogelijke oplossingen. […]
              • FAQ Mastering Smart IP&O for Better Inventory ManagementFAQ: Slimme IP&O voor beter voorraadbeheer.
                Effectief supply chain- en voorraadbeheer zijn essentieel voor het bereiken van operationele efficiëntie en klanttevredenheid. Deze blog biedt duidelijke en beknopte antwoorden op enkele basisvragen en andere veelvoorkomende vragen van onze Smart IP&O-klanten, en biedt praktische inzichten om typische uitdagingen te overwinnen en uw voorraadbeheerpraktijken te verbeteren. Met de focus op deze belangrijke gebieden helpen we u complexe voorraadproblemen om te zetten in strategische, beheersbare acties die kosten verlagen en de algehele prestaties verbeteren met Smart IP&O. […]
              • 7 Key Demand Planning Trends Shaping the Future7 belangrijke trends in vraagplanning die de toekomst vormgeven
                Vraagplanning gaat verder dan alleen het voorspellen van productbehoeften; het gaat erom ervoor te zorgen dat uw bedrijf nauwkeurig, efficiënt en kosteneffectief aan de vraag van klanten voldoet. De nieuwste technologie voor vraagplanning pakt belangrijke uitdagingen aan, zoals nauwkeurigheid van voorspellingen, voorraadbeheer en marktresponsiviteit. In deze blog introduceren we kritieke trends voor vraagplanning, waaronder datagestuurde inzichten, probabilistische voorspellingen, consensusplanning, voorspellende analyses, scenariomodellering, realtime zichtbaarheid en multilevel voorspellingen. Deze trends helpen u om voorop te blijven lopen, uw toeleveringsketen te optimaliseren, kosten te verlagen en de klanttevredenheid te verbeteren, waardoor uw bedrijf op de lange termijn succesvol wordt. […]

                Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

                • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
                  In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
                • Innovating the OEM Aftermarket with AI-Driven Inventory Optimization XLInnovatie van de OEM-aftermarket met AI-gestuurde voorraadoptimalisatie
                  De aftermarketsector biedt OEM's een beslissend voordeel door een stabiele inkomstenstroom te bieden en de loyaliteit van klanten te bevorderen door de betrouwbare en tijdige levering van serviceonderdelen. Het beheren van inventaris en het voorspellen van de vraag in de aftermarket gaat echter gepaard met uitdagingen, waaronder onvoorspelbare vraagpatronen, enorme productassortimenten en de noodzaak van snelle doorlooptijden. Traditionele methoden schieten vaak tekort vanwege de complexiteit en variabiliteit van de vraag in de aftermarket. De nieuwste technologieën kunnen grote datasets analyseren om de toekomstige vraag nauwkeuriger te voorspellen en voorraadniveaus te optimaliseren, wat leidt tot betere service en lagere kosten. […]
                • Future-Proofing Utilities. Advanced Analytics for Supply Chain OptimizationToekomstbestendige hulpprogramma's: geavanceerde analyses voor optimalisatie van de supply chain
                  Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
                • Centering Act Spare Parts Timing Pricing and ReliabilityCentreringswet: timing, prijzen en betrouwbaarheid van reserveonderdelen
                  In dit artikel begeleiden we u bij het opstellen van een voorraadplan voor reserveonderdelen, waarbij prioriteit wordt gegeven aan beschikbaarheidsstatistieken zoals serviceniveaus en vulpercentages, terwijl de kostenefficiëntie wordt gewaarborgd. We zullen ons concentreren op een benadering van voorraadplanning genaamd Service Level-Driven Inventory Optimization. Vervolgens bespreken we hoe u kunt bepalen welke onderdelen u in uw inventaris moet opnemen en welke onderdelen mogelijk niet nodig zijn. Ten slotte onderzoeken we manieren om uw op serviceniveau gebaseerde voorraadplan consistent te verbeteren. […]

                  Word geen slachtoffer van uw prognosemodellen

                  De slimme voorspeller

                   Het nastreven van best practices op het gebied van vraagplanning,

                  prognoses en voorraadoptimalisatie

                  Quants en financiële meltdowns

                  Ik besteed veel van mijn tijd aan het ontwikkelen van nieuwe kwantitatieve methoden voor statistische prognoses, vraagvoorspellingen en voorraadoptimalisatie. Voor mij is dit een boeiende manier om een bijdrage te leveren aan de samenleving. Maar ik weet dat de meest voorzichtige manier om aan de ontwikkeling van algoritmen te doen, is door een beetje aan de kant te gaan staan en een sceptische blik te werpen op mijn eigen werk.

                  De noodzaak van dit scepticisme werd mij onlangs duidelijk gemaakt toen ik het boek van Scott Patterson las The Quants: hoe een nieuw ras van wiskundige suizen Wall Street veroverde en bijna vernietigde (Kroon publiceren, 2010). Dit boek besprak de "quants" wiens complexe financiële modellen grotendeels verantwoordelijk waren voor de financiële ineenstorting in 2007. Terwijl ik verder las en dacht: "Wat was er mis met deze jongens?" Ik begon me af te vragen of wij supply chain quants schuldig waren aan een aantal van dezelfde zonden.

                  Modellen versus instincten

                  Over het algemeen is het supply chain-veld achtergebleven bij het gebruik van statistische modellen. Mijn universiteitscollega's en ik zijn daar mee bezig, maar we hebben nog een lange weg te gaan. Sommige toeleveringsketens zijn technisch behoorlijk geavanceerd, maar veel, misschien meer, worden in wezen net zo goed door onderbuikgevoel als door cijfers beheerd. Is dit vermijden van analyse veiliger dan te vertrouwen op modellen?

                  Wat het onderbuikgevoel gevaarlijk maakt, is dat het zo amorf is. Iedereen die lang in een baan werkt, ontwikkelt instincten, maar een lang leven is niet hetzelfde als wijsheid. Het is mogelijk om tijdens een lange carrière alle verkeerde lessen te leren. Het is ook mogelijk de kans te missen om de juiste lessen te leren, omdat bepaalde informatieve scenario's zich misschien nooit zullen voordoen in iemands carrière. Het is ook mogelijk om goede dagen en slechte dagen te hebben; zelfs goeroes kunnen het verpesten. Onderbuikgevoel is ook antiproductief, aangezien alle beslissingen door dat ene onderbuikgevoel moeten gaan, wat een knelpunt voor de onderneming wordt. En Golden Guts bereiken uiteindelijk hun Golden Years en nemen hun Golden Watch en gaan weg in een Golden Sunset; op dat moment is alle expertise die aanwezig was de deur uitgelopen.

                  Modellen hebben daarentegen bepaalde voordelen. Ten opzichte van buikgevoel zijn modellen:

                  • Expliciet: de theorie van de supply chain-operatie wordt voor iedereen zichtbaar gemaakt.
                  • Adaptief: omdat de theorie zichtbaar is, kan deze worden beoordeeld, bekritiseerd, getoetst aan gegevens en verder ontwikkeld.
                  • Consistent: modellen kunnen min of meer waar zijn, maar ze zijn niet onderhevig aan dagelijkse variabiliteit.
                  • Alomvattend: modellen kunnen in ieder geval in potentie een breed scala aan empirische ervaring verzamelen, inclusief scenario's die nooit zijn gezien tijdens iemands carrière.
                  • Leerzaam: Modellen zijn verzamelingen van relaties tussen variabelen. Als de 'ingewanden' van het model zichtbaar worden gemaakt, kunnen gebruikers meer te weten komen over die relaties.

                  Modelfout

                  Ondanks al hun deugden kunnen modellen echter ook ongelijk hebben. In feite is dat een gegeven. Een constructieve manier om hiermee te leven is gecodeerd in het beroemde aforisme van Dr. George Box, een van de beste modelbouwers van de laatste halve eeuw: “All models are wrong. Sommige zijn nuttig.”

                  De modellen van de financiële quants waren verkeerd omdat ze te simpel waren. Ze begonnen met een quasi-religieus geloof in de efficiëntie van markten en ontwikkelden statistische modellen die bepaalde veronderstellingen maakten die waarschijnlijker waren voor de fysieke wereld dan voor de financiële wereld. Onder deze waren normale verdelingen van veranderingen in activaprijzen en onafhankelijkheid van gebeurtenissen in verschillende hoeken van de markt. Ze gingen ook uit van menselijke rationaliteit.

                  Het zou een beetje verontrustend moeten zijn dat de aannames van normale distributie en onafhankelijkheid ook ten grondslag liggen aan veel van de modellen in supply chain-software. In feite zijn er alternatieve modellen van supply chain-dynamiek waarvoor deze vereenvoudigende aannames niet nodig zijn, dus dit is een onnodig risico dat wordt gelopen door veel, misschien wel de meeste, gebruikers van supply chain-software.

                  Maar zelfs met meer robuuste en realistische modelaannames valt niet te ontkennen dat modelfouten een constant risico vormen. Dus, kun je het slachtoffer worden van je modellen? Natuurlijk kan je dat.

                  Zelfbescherming: kijk naar de gegevens

                  Elke supply chain professional die modellen gebruikt, loopt dus het modelrisico. Maar in tegenstelling tot beslissingen op basis van onderbuikgevoel, kunnen beslissingen op basis van modelberekeningen worden blootgelegd en vergeleken met resultaten uit de echte wereld. Herhaalde controle is de beste manier om modelfouten te voorkomen, omdat niet alleen wordt getest of het model realistisch is, maar ook wordt aangegeven wanneer het tijd is om het model bij te werken.

                  Zoals hierboven opgemerkt, is een model een reeks functionele relaties tussen sleutelvariabelen. Die relaties hebben parameters die het model afstemmen op de huidige operationele context. Supply chain-modellen zijn bijvoorbeeld vaak gedeeltelijk afhankelijk van schattingen van de volatiliteit van de vraag. Historische vraaggegevens worden gebruikt om numerieke waarden voor deze parameters te berekenen. Als de volatiliteit van de vraag verandert, raakt het model achterhaald en levert het waarschijnlijk ongeschikte aanbevelingen op. Daarom vereist een goede praktijk frequente updates van modelparameters.

                  Zelfs als parameterwaarden actueel zijn, kunnen er nog steeds problemen zijn als gevolg van onjuiste functionele relaties. Denk bijvoorbeeld aan de relatie tussen het gemiddelde en de standaarddeviatie van de vraag naar reserveonderdelen. Over het algemeen geldt: hoe groter de gemiddelde vraag, hoe groter de volatiliteit van de vraag, gemeten aan de hand van de standaarddeviatie.

                  Overweeg nu vereenvoudigde "old school"-modellen die de vraag naar reserveonderdelen beschrijven als een Poisson-proces. Het Poisson-proces is zeer nuttig en relatief eenvoudig, dus het komt vaak voor in Statistics 101-klassen. Vanwege hun relatieve eenvoud zijn Poisson-modellen de witte ratten van supply chain-analyses voor reserveonderdelen, dwz mensen doen computerexperimenten en theorie-ontwikkeling op basis van het gedrag van Poisson-vraagmodellen. Voor Poisson-modellen is de standaarddeviatie van de vraag gelijk aan de vierkantswortel van het gemiddelde. Wanneer we echter naar de werkelijke vraaggegevens van onze klanten kijken, ontdekken we dat de werkelijke relatie tussen het gemiddelde en de standaarddeviatie van de vraag beter kan worden beschreven door een meer algemene machtswetrelatie. Het eenvoudige model kan dus nauwkeurige schattingen van gemiddelde en standaarddeviatie gebruiken, maar hun relatie nog steeds niet nauwkeurig weergeven. Dit leidt op zijn beurt tot onjuiste aanbevelingen over bestelpunten voor reserveonderdelen. Het controleren van echte gegevens is het beste tegengif tegen arrogante aannames.

                   

                  Wat nu te doen

                  Ik heb niet het gevoel dat de supply chain-modellen van vandaag op het punt staan om het soort ineenstorting te creëren dat we zagen in het begin van de Grote Recessie. Maar degenen onder ons die supply chain-kwants zijn, moeten meer professionele volwassenheid tonen dan onze financiële collega's. We moeten niet verliefd worden op onze modellen en we moeten onze klanten waarschuwen voor correcte modelhygiëne.

                  Dus modelgebruikers, was regelmatig uw handen nu het griepseizoen begint en was uw modellen grondig door middel van harde gegevens om er zeker van te zijn dat de modellen waarop u vertrouwt zowel up-to-date als realistisch zijn. Beide stappen beschermen u tegen het slachtoffer worden van uw modellen en stellen u in staat hun voordelen ten opzichte van management te benutten op basis van onderbuikgevoel.

                  Bijlage: Technische tips

                  Supply chain analytics bieden verschillende soorten output. Op het gebied van prognoses en vraagplanning is de voor de hand liggende empirische controle het vergelijken van prognoses met de werkelijke vraagwaarden die zich uiteindelijk openbaren. Dit zelfde "voorspelling en dan controleren" benadering kan ook worden gebruikt bij het genereren van prognoses. Op het gebied van voorraadbeheer kunnen de modellen voortbouwen op prognoses om beleidskeuzes aan te bevelen, zoals bestelpunten en bestelhoeveelheden of min- en max-waarden. Er is een slimme manier om de juistheid van aanbevelingen van bestelpunten en min's te bevestigen. Zie onze blog De juiste prognosenauwkeurigheidsmetriek voor voorraadplanning

                   

                  Laat een reactie achter

                  gerelateerde berichten

                  How Are We Doing? KPI’s and KPP’s

                  Hoe gaat het met ons? KPI's en KPP's

                  Het dagelijkse voorraadbeheer kan u bezig houden. Maar je weet dat je af en toe je hoofd omhoog moet brengen om te zien waar je naartoe gaat. Daarvoor moet uw inventarissoftware u statistieken tonen – en niet slechts één, maar een volledige set statistieken of KPI's – Key Performance Indicators.

                  Confused about AI and Machine Learning?

                  Verward over AI en Machine Learning?

                  Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

                  recente berichten

                  • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
                    In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
                  • 5 Ways to Improve Supply Chain Decision Speed5 manieren om de snelheid van beslissingen in de toeleveringsketen te verbeteren
                    De belofte van een digitale supply chain heeft de manier waarop bedrijven opereren getransformeerd. In de kern kan het snelle, datagestuurde beslissingen nemen en tegelijkertijd kwaliteit en efficiëntie in de hele bedrijfsvoering garanderen. Het gaat echter niet alleen om toegang tot meer data. Organisaties hebben de juiste tools en platforms nodig om die data om te zetten in bruikbare inzichten. Dit is waar besluitvorming cruciaal wordt, vooral in een landschap waar nieuwe digitale supply chain-oplossingen en AI-gestuurde platforms u kunnen ondersteunen bij het stroomlijnen van veel processen binnen de beslissingsmatrix. […]
                  • Two employees checking inventory in temporary storage in a distribution warehouse.12 Oorzaken van Overstocking en Praktische Oplossingen
                    Effectief voorraadbeheer is cruciaal voor het behouden van een gezonde balans en het verzekeren dat middelen optimaal worden toegewezen. Hier is een diepgaande verkenning van de belangrijkste oorzaken van overstocking, hun implicaties en mogelijke oplossingen. […]
                  • FAQ Mastering Smart IP&O for Better Inventory ManagementFAQ: Slimme IP&O voor beter voorraadbeheer.
                    Effectief supply chain- en voorraadbeheer zijn essentieel voor het bereiken van operationele efficiëntie en klanttevredenheid. Deze blog biedt duidelijke en beknopte antwoorden op enkele basisvragen en andere veelvoorkomende vragen van onze Smart IP&O-klanten, en biedt praktische inzichten om typische uitdagingen te overwinnen en uw voorraadbeheerpraktijken te verbeteren. Met de focus op deze belangrijke gebieden helpen we u complexe voorraadproblemen om te zetten in strategische, beheersbare acties die kosten verlagen en de algehele prestaties verbeteren met Smart IP&O. […]
                  • 7 Key Demand Planning Trends Shaping the Future7 belangrijke trends in vraagplanning die de toekomst vormgeven
                    Vraagplanning gaat verder dan alleen het voorspellen van productbehoeften; het gaat erom ervoor te zorgen dat uw bedrijf nauwkeurig, efficiënt en kosteneffectief aan de vraag van klanten voldoet. De nieuwste technologie voor vraagplanning pakt belangrijke uitdagingen aan, zoals nauwkeurigheid van voorspellingen, voorraadbeheer en marktresponsiviteit. In deze blog introduceren we kritieke trends voor vraagplanning, waaronder datagestuurde inzichten, probabilistische voorspellingen, consensusplanning, voorspellende analyses, scenariomodellering, realtime zichtbaarheid en multilevel voorspellingen. Deze trends helpen u om voorop te blijven lopen, uw toeleveringsketen te optimaliseren, kosten te verlagen en de klanttevredenheid te verbeteren, waardoor uw bedrijf op de lange termijn succesvol wordt. […]

                    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

                    • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
                      In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
                    • Innovating the OEM Aftermarket with AI-Driven Inventory Optimization XLInnovatie van de OEM-aftermarket met AI-gestuurde voorraadoptimalisatie
                      De aftermarketsector biedt OEM's een beslissend voordeel door een stabiele inkomstenstroom te bieden en de loyaliteit van klanten te bevorderen door de betrouwbare en tijdige levering van serviceonderdelen. Het beheren van inventaris en het voorspellen van de vraag in de aftermarket gaat echter gepaard met uitdagingen, waaronder onvoorspelbare vraagpatronen, enorme productassortimenten en de noodzaak van snelle doorlooptijden. Traditionele methoden schieten vaak tekort vanwege de complexiteit en variabiliteit van de vraag in de aftermarket. De nieuwste technologieën kunnen grote datasets analyseren om de toekomstige vraag nauwkeuriger te voorspellen en voorraadniveaus te optimaliseren, wat leidt tot betere service en lagere kosten. […]
                    • Future-Proofing Utilities. Advanced Analytics for Supply Chain OptimizationToekomstbestendige hulpprogramma's: geavanceerde analyses voor optimalisatie van de supply chain
                      Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
                    • Centering Act Spare Parts Timing Pricing and ReliabilityCentreringswet: timing, prijzen en betrouwbaarheid van reserveonderdelen
                      In dit artikel begeleiden we u bij het opstellen van een voorraadplan voor reserveonderdelen, waarbij prioriteit wordt gegeven aan beschikbaarheidsstatistieken zoals serviceniveaus en vulpercentages, terwijl de kostenefficiëntie wordt gewaarborgd. We zullen ons concentreren op een benadering van voorraadplanning genaamd Service Level-Driven Inventory Optimization. Vervolgens bespreken we hoe u kunt bepalen welke onderdelen u in uw inventaris moet opnemen en welke onderdelen mogelijk niet nodig zijn. Ten slotte onderzoeken we manieren om uw op serviceniveau gebaseerde voorraadplan consistent te verbeteren. […]

                      Hoe u kunt zien dat u niet echt een beleid voor voorraadplanning en -prognoses heeft

                      De slimme voorspeller

                       Het nastreven van best practices op het gebied van vraagplanning,

                      prognoses en voorraadoptimalisatie

                      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.

                       

                      Laat een reactie achter

                      gerelateerde berichten

                      How Are We Doing? KPI’s and KPP’s

                      Hoe gaat het met ons? KPI's en KPP's

                      Het dagelijkse voorraadbeheer kan u bezig houden. Maar je weet dat je af en toe je hoofd omhoog moet brengen om te zien waar je naartoe gaat. Daarvoor moet uw inventarissoftware u statistieken tonen – en niet slechts één, maar een volledige set statistieken of KPI's – Key Performance Indicators.

                      Confused about AI and Machine Learning?

                      Verward over AI en Machine Learning?

                      Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

                      recente berichten

                      • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
                        In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
                      • 5 Ways to Improve Supply Chain Decision Speed5 manieren om de snelheid van beslissingen in de toeleveringsketen te verbeteren
                        De belofte van een digitale supply chain heeft de manier waarop bedrijven opereren getransformeerd. In de kern kan het snelle, datagestuurde beslissingen nemen en tegelijkertijd kwaliteit en efficiëntie in de hele bedrijfsvoering garanderen. Het gaat echter niet alleen om toegang tot meer data. Organisaties hebben de juiste tools en platforms nodig om die data om te zetten in bruikbare inzichten. Dit is waar besluitvorming cruciaal wordt, vooral in een landschap waar nieuwe digitale supply chain-oplossingen en AI-gestuurde platforms u kunnen ondersteunen bij het stroomlijnen van veel processen binnen de beslissingsmatrix. […]
                      • Two employees checking inventory in temporary storage in a distribution warehouse.12 Oorzaken van Overstocking en Praktische Oplossingen
                        Effectief voorraadbeheer is cruciaal voor het behouden van een gezonde balans en het verzekeren dat middelen optimaal worden toegewezen. Hier is een diepgaande verkenning van de belangrijkste oorzaken van overstocking, hun implicaties en mogelijke oplossingen. […]
                      • FAQ Mastering Smart IP&O for Better Inventory ManagementFAQ: Slimme IP&O voor beter voorraadbeheer.
                        Effectief supply chain- en voorraadbeheer zijn essentieel voor het bereiken van operationele efficiëntie en klanttevredenheid. Deze blog biedt duidelijke en beknopte antwoorden op enkele basisvragen en andere veelvoorkomende vragen van onze Smart IP&O-klanten, en biedt praktische inzichten om typische uitdagingen te overwinnen en uw voorraadbeheerpraktijken te verbeteren. Met de focus op deze belangrijke gebieden helpen we u complexe voorraadproblemen om te zetten in strategische, beheersbare acties die kosten verlagen en de algehele prestaties verbeteren met Smart IP&O. […]
                      • 7 Key Demand Planning Trends Shaping the Future7 belangrijke trends in vraagplanning die de toekomst vormgeven
                        Vraagplanning gaat verder dan alleen het voorspellen van productbehoeften; het gaat erom ervoor te zorgen dat uw bedrijf nauwkeurig, efficiënt en kosteneffectief aan de vraag van klanten voldoet. De nieuwste technologie voor vraagplanning pakt belangrijke uitdagingen aan, zoals nauwkeurigheid van voorspellingen, voorraadbeheer en marktresponsiviteit. In deze blog introduceren we kritieke trends voor vraagplanning, waaronder datagestuurde inzichten, probabilistische voorspellingen, consensusplanning, voorspellende analyses, scenariomodellering, realtime zichtbaarheid en multilevel voorspellingen. Deze trends helpen u om voorop te blijven lopen, uw toeleveringsketen te optimaliseren, kosten te verlagen en de klanttevredenheid te verbeteren, waardoor uw bedrijf op de lange termijn succesvol wordt. […]

                        Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

                        • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
                          In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
                        • Innovating the OEM Aftermarket with AI-Driven Inventory Optimization XLInnovatie van de OEM-aftermarket met AI-gestuurde voorraadoptimalisatie
                          De aftermarketsector biedt OEM's een beslissend voordeel door een stabiele inkomstenstroom te bieden en de loyaliteit van klanten te bevorderen door de betrouwbare en tijdige levering van serviceonderdelen. Het beheren van inventaris en het voorspellen van de vraag in de aftermarket gaat echter gepaard met uitdagingen, waaronder onvoorspelbare vraagpatronen, enorme productassortimenten en de noodzaak van snelle doorlooptijden. Traditionele methoden schieten vaak tekort vanwege de complexiteit en variabiliteit van de vraag in de aftermarket. De nieuwste technologieën kunnen grote datasets analyseren om de toekomstige vraag nauwkeuriger te voorspellen en voorraadniveaus te optimaliseren, wat leidt tot betere service en lagere kosten. […]
                        • Future-Proofing Utilities. Advanced Analytics for Supply Chain OptimizationToekomstbestendige hulpprogramma's: geavanceerde analyses voor optimalisatie van de supply chain
                          Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
                        • Centering Act Spare Parts Timing Pricing and ReliabilityCentreringswet: timing, prijzen en betrouwbaarheid van reserveonderdelen
                          In dit artikel begeleiden we u bij het opstellen van een voorraadplan voor reserveonderdelen, waarbij prioriteit wordt gegeven aan beschikbaarheidsstatistieken zoals serviceniveaus en vulpercentages, terwijl de kostenefficiëntie wordt gewaarborgd. We zullen ons concentreren op een benadering van voorraadplanning genaamd Service Level-Driven Inventory Optimization. Vervolgens bespreken we hoe u kunt bepalen welke onderdelen u in uw inventaris moet opnemen en welke onderdelen mogelijk niet nodig zijn. Ten slotte onderzoeken we manieren om uw op serviceniveau gebaseerde voorraadplan consistent te verbeteren. […]