Waar of niet waar: de prognose is niet van belang voor het voorraadbeheer van reserveonderdelen.

Op het eerste gezicht lijkt deze verklaring duidelijk onjuist. Prognoses zijn immers cruciaal voor het plannen van de voorraadniveaus, toch?

Het hangt ervan af wat je onder ‘voorspelling’ verstaat. Als u een ouderwetse prognose met één cijfer bedoelt (“de vraag naar artikel CX218b zal volgende week 3 eenheden bedragen en de week erna 6 eenheden”), dan nee. Als je de betekenis van voorspelling verruimt tot een kansverdeling die rekening houdt met onzekerheden in zowel vraag als aanbod, dan ja.

De belangrijkste realiteit is dat voor veel artikelen, vooral reserve- en serviceonderdelen, een onvoorspelbare, periodieke vraag bestaat. (De doorlooptijden van leveranciers kunnen ook grillig zijn, vooral wanneer onderdelen afkomstig zijn van een OEM met een achterstand.) We hebben vastgesteld dat hoewel fabrikanten en distributeurs doorgaans een intermitterende vraag ervaren naar slechts 20% of meer van hun artikelen, het percentage voor op MRO gebaseerde bedrijven groeit naar 80%+. Dit betekent dat historische gegevens vaak periodes van nulvraag laten zien, afgewisseld met willekeurige perioden van niet-nulvraag. Soms zijn deze niet-nuleisen zo laag als 1 of 2 eenheden, terwijl ze op andere momenten onverwacht oplopen tot hoeveelheden die vele malen groter zijn dan het gemiddelde.

Dit is niet het soort gegevens waar uw collega-'vraagplanners' in de detailhandel, consumentenproducten en voedingsmiddelen en dranken doorgaans mee te maken krijgen. Die mensen hebben meestal te maken met grotere hoeveelheden en hebben verhoudingsgewijs minder willekeur. En ze kunnen surfen op voorspellingsverbeterende functies zoals trends en stabiele seizoenspatronen. In plaats daarvan is het gebruik van reserveonderdelen veel willekeuriger, wat het planningsproces in de war brengt, zelfs in de minderheid van de gevallen waarin seizoensvariaties waarneembaar zijn.

Op het gebied van de intermitterende vraag zal de best beschikbare voorspelling aanzienlijk afwijken van de werkelijke vraag. In tegenstelling tot consumentenproducten met een gemiddeld tot hoog volume en een gemiddelde frequentie, kan de voorspelling van een serviceonderdeel de plank misslaan met honderden procentpunten. Een voorspelling van gemiddeld één of twee eenheden zal altijd mislukken als de werkelijke vraag nul is. Zelfs met geavanceerde business intelligence- of machine learning-algoritmen zal de fout bij het voorspellen van de niet-nuleisen nog steeds aanzienlijk zijn.

Misschien vanwege de moeilijkheid van statistische prognoses op het gebied van de inventarisatie, is voorraadplanning in de praktijk vaak afhankelijk van intuïtie en plannerkennis. Helaas schaalt deze aanpak niet over tienduizenden onderdelen. Intuïtie kan gewoon niet omgaan met het volledige scala aan vraag- en doorlooptijdmogelijkheden, laat staan nauwkeurig de waarschijnlijkheid van elk mogelijk scenario inschatten. Zelfs als uw bedrijf een of twee uitzonderlijke intuïtieve voorspellers heeft, betekent personeelspensionering en reorganisatie van de productlijnen dat er in de toekomst niet meer op intuïtieve prognoses kan worden vertrouwd.

De oplossing ligt in het verleggen van de focus van traditionele prognoses naar het voorspellen van de kansen voor elk potentieel vraag- en doorlooptijdscenario. Deze verschuiving transformeert het gesprek van een onrealistisch ‘één nummerplan’ naar een reeks getallen met bijbehorende waarschijnlijkheden. Door de kansen voor elke vraag en doorlooptijd te voorspellen, kunt u de voorraadniveaus beter afstemmen op de risicotolerantie voor elke groep onderdelen.

Software die vraag- en doorlooptijdscenario's genereert en dit proces tienduizenden keren herhaalt, kan nauwkeurig simuleren hoe het huidige voorraadbeleid zal presteren in vergelijking met dit beleid. Als de prestaties in de simulatie tekortschieten en er wordt voorspeld dat u vaker voorraad zult hebben dan u prettig vindt, of als u met een overschot aan voorraad blijft zitten, maakt het uitvoeren van 'wat als'-scenario's aanpassingen aan het beleid mogelijk. U kunt vervolgens voorspellen hoe dit herziene beleid het zal doen tegen willekeurige eisen en doorlooptijden. U kunt dit proces iteratief uitvoeren en verfijnen bij elk nieuw 'wat-als'-scenario, of u kunt steunen op door het systeem voorgeschreven beleid dat optimaal een balans vindt tussen risico's en kosten.

Dus als u service- en reserveonderdeleninventarisaties plant, hoeft u zich geen zorgen meer te maken over het voorspellen van de vraag op de manier waarop traditionele retail- en CPG-vraagplanners dat doen. Concentreer u in plaats daarvan op hoe uw voorraadbeleid bestand is tegen de willekeur van de toekomst, en pas het aan op basis van uw risicotolerantie. Hiervoor heeft u de juiste set beslissingsondersteunende software nodig, en dit is hoe Smart Software u kan helpen.

Geven MRO-bedrijven echt prioriteit aan het verminderen van de overtollige voorraad reserveonderdelen? Vanuit organisatorisch oogpunt blijkt uit onze ervaring dat dit niet noodzakelijk het geval is. Discussies in de bestuurskamer gaan doorgaans over het uitbreiden van wagenparken, het verwerven van nieuwe klanten, het voldoen aan Service Level Agreements (SLA's), het moderniseren van de infrastructuur en het maximaliseren van de uptime. In bedrijfstakken waar activa die worden ondersteund door reserveonderdelen honderden miljoenen kosten of aanzienlijke inkomsten genereren (bijvoorbeeld de mijnbouw of de olie- en gassector), doet de waarde van de voorraad nauwelijks de wenkbrauwen fronsen en hebben organisaties de neiging grote hoeveelheden buitensporige voorraden over het hoofd te zien.

Denk eens aan een openbaar vervoersbedrijf. In de meeste grote steden zullen de jaarlijkse operationele budgetten de $3 miljard overschrijden. De kapitaaluitgaven voor treinen, metro's en infrastructuur kunnen jaarlijks honderden miljoenen bedragen. Bijgevolg zal een voorraad reserveonderdelen ter waarde van $150 miljoen wellicht niet de aandacht trekken van de CFO of algemeen directeur, aangezien deze een klein percentage van de balans vertegenwoordigt. Bovendien moeten in op MRO gebaseerde industrieën veel onderdelen de machineparken tien jaar of langer ondersteunen, waardoor extra voorraden een noodzakelijke troef zijn. In sommige sectoren, zoals nutsbedrijven, kan het aanhouden van extra voorraden zelfs gestimuleerd worden om ervoor te zorgen dat de apparatuur in goede staat blijft.

We hebben zorgen over overtollige voorraden zien ontstaan wanneer de magazijnruimte beperkt is. Ik herinner me dat ik aan het begin van mijn carrière getuige was van het spoorwegemplacement van een openbaar vervoersbedrijf, gevuld met verroeste assen met een waarde van meer dan $100.000 per stuk. Mij werd verteld dat de assen moesten worden blootgesteld aan de elementen vanwege onvoldoende magazijnruimte. De opportuniteitskosten die verband houden met de ruimte die wordt ingenomen door extra voorraad worden een overweging wanneer de magazijncapaciteit is uitgeput. De belangrijkste overweging die alle andere beslissingen overtroeft, is hoe de voorraad een hoog serviceniveau voor interne en externe klanten garandeert. Voorraadplanners maken zich veel meer zorgen over terugslag als gevolg van voorraadtekorten dan over overaankopen. Wanneer een ontbrekend onderdeel leidt tot een SLA-schending of het stilleggen van de productielijn, wat resulteert in miljoenen aan boetes en onherstelbare productie-output, is dat begrijpelijk.

Vermogensintensieve bedrijven missen één groot punt. Dat is de extra voorraad isoleert niet tegen stockouts; het draagt eraan bij. Hoe meer eigen risico u heeft, hoe lager uw algehele serviceniveau, omdat het geld dat nodig is om onderdelen te kopen eindig is, en geld uitgegeven aan overtollige voorraad betekent dat er geen contant geld beschikbaar is voor de onderdelen die het nodig hebben. Zelfs door de overheid gefinancierde MRO-bedrijven, zoals nutsbedrijven en transportbedrijven, erkennen nu meer dan ooit de noodzaak om de uitgaven te optimaliseren. Zoals een materiaalmanager deelde: “We kunnen problemen met zakken met contant geld uit Washington niet langer oplossen.” Ze moeten dus meer doen met minder, en zorgen voor een optimale toewijzing over de tienduizenden onderdelen die ze beheren.

Dit is waar state-of-the-art voorraadoptimalisatiesoftware van pas komt, die de benodigde voorraad voor gerichte serviceniveaus voorspelt, identificeert wanneer voorraadniveaus negatieve rendementen opleveren en herschikkingen aanbeveelt voor verbeterde algehele serviceniveaus. Smart Software helpt al tientallen jaren activa-intensieve MRO-gebaseerde bedrijven bij het optimaliseren van de bestelniveaus voor elk onderdeel. Bel ons voor meer informatie. 

Wat is er anders aan voorraadplanning voor onderhoud, reparatie en bewerkingen (MRO) vergeleken met voorraadplanning in productie- en distributieomgevingen? Kortom, het is de aard van de vraagpatronen in combinatie met het gebrek aan bruikbare bedrijfskennis.

Vraagpatronen

Fabrikanten en distributeurs hebben de neiging zich te concentreren op de topverkopers die het grootste deel van hun omzet genereren. Er is doorgaans een grote vraag naar deze artikelen, die relatief eenvoudig te voorspellen zijn met traditionele tijdreeksmodellen die inspelen op voorspelbare trends en/of seizoensinvloeden. Daarentegen hebben MRO-planners bijna altijd te maken met een intermitterende vraag, die schaarser, willekeuriger en moeilijker te voorspellen is. Bovendien zijn de fundamentele hoeveelheden van belang verschillend. MRO-planners geven uiteindelijk het meeste om de ‘wanneer’-vraag: wanneer gaat er iets kapot? Terwijl de anderen zich concentreren op de “hoeveel” vraag van verkochte eenheden.

Zakelijke kennis

Productie- en distributieplanners kunnen vaak rekenen op het verzamelen van klant- en verkoopfeedback, die kan worden gecombineerd met statistische methoden om de nauwkeurigheid van de prognoses te verbeteren. Aan de andere kant zijn lagers, tandwielen, verbruiksartikelen en repareerbare onderdelen zelden bereid hun mening te delen. Met MRO is bedrijfskennis over welke onderdelen nodig zijn en wanneer niet betrouwbaar (behalve gepland onderhoud wanneer verbruiksartikelen in grotere volumes worden vervangen). Het succes van de MRO-voorraadplanning gaat dus slechts zo ver als het vermogen van hun waarschijnlijkheidsmodellen om toekomstig gebruik te voorspellen. En omdat de vraag zo wisselend is, kunnen ze met traditionele benaderingen niet voorbij Go komen.

Methoden voor MRO

In de praktijk is het gebruikelijk dat MRO- en activa-intensieve bedrijven hun voorraden beheren door hun toevlucht te nemen tot statische Min/Max-niveaus op basis van subjectieve veelvouden van gemiddeld gebruik, aangevuld met incidentele handmatige aanpassingen op basis van onderbuikgevoelens. Het proces wordt een slechte mix van statisch en reactief, met als resultaat dat er veel tijd en geld wordt verspild aan het versnellen.

Er zijn alternatieve planningsmethoden die meer op wiskunde en data zijn gebaseerd, hoewel deze stijl van plannen bij MRO minder gebruikelijk is dan in de andere domeinen. Er zijn twee toonaangevende benaderingen voor het modelleren van defecten aan onderdelen en machines: modellen gebaseerd op de betrouwbaarheidstheorie en modellen voor ‘conditiegebaseerd onderhoud’ gebaseerd op realtime monitoring.

Betrouwbaarheidsmodellen

Betrouwbaarheidsmodellen zijn de eenvoudigste van de twee en vereisen minder gegevens. Ze gaan ervan uit dat alle artikelen van hetzelfde type, bijvoorbeeld een bepaald reserveonderdeel, statistisch gelijkwaardig zijn. Hun belangrijkste onderdeel is een ‘gevarenfunctie’, die het risico op falen in het volgende korte tijdsinterval beschrijft. De gevarenfunctie kan worden vertaald in iets dat beter geschikt is voor besluitvorming: de ‘overlevingsfunctie’, wat de waarschijnlijkheid is dat het item nog steeds werkt na X gebruiksduur (waarbij X kan worden uitgedrukt in dagen, maanden, kilometers, gebruik, enz.). Figuur 1 toont een constante gevaarfunctie en de bijbehorende overlevingsfunctie.

Figuur 1: Constante gevarenfunctie en zijn overlevingsfunctie

Een gevarenfunctie die niet verandert, houdt in dat alleen willekeurige ongelukken een storing veroorzaken. Een gevaarfunctie die in de loop van de tijd toeneemt, impliceert daarentegen dat het artikel versleten is. En een afnemende gevaarfunctie impliceert dat een item zich vestigt. Figuur 2 toont een toenemende gevaarfunctie en de bijbehorende overlevingsfunctie.

Figuur 2: Toenemende gevarenfunctie en zijn overlevingsfunctie

Betrouwbaarheidsmodellen worden vaak gebruikt voor goedkope onderdelen, zoals mechanische bevestigingsmiddelen, waarvan de vervanging misschien niet moeilijk of duur is (maar toch essentieel kan zijn).

Conditiegebaseerd onderhoud

Modellen gebaseerd op real-time monitoring worden gebruikt ter ondersteuning van condition-based onderhoud (CBM) voor dure zaken als straalmotoren. Deze modellen gebruiken gegevens van sensoren die in de items zelf zijn ingebed. Dergelijke gegevens zijn doorgaans complex en bedrijfseigen, evenals de waarschijnlijkheidsmodellen die door de gegevens worden ondersteund. Het voordeel van real-time monitoring is dat je problemen kunt zien aankomen, dat wil zeggen dat de verslechtering zichtbaar wordt gemaakt en dat voorspellingen kunnen voorspellen wanneer het item de rode lijn zal bereiken en daarom uit het speelveld moet worden gehaald. Dit maakt geïndividualiseerd, proactief onderhoud of vervanging van het artikel mogelijk.

Figuur 3 illustreert het soort gegevens dat in CBM wordt gebruikt. Elke keer dat het systeem wordt gebruikt, is er een bijdrage aan de cumulatieve slijtage ervan. (Houd er echter rekening mee dat gebruik soms de staat van het apparaat kan verbeteren, bijvoorbeeld wanneer regen een machine koel houdt). U kunt de algemene trend naar boven zien richting een rode lijn, waarna het apparaat onderhoud nodig heeft. U kunt de cumulatieve slijtage extrapoleren om in te schatten wanneer deze de rode lijn zal bereiken en dienovereenkomstig plannen.

Figuur 3: Ter illustratie van real-time monitoring voor conditiegebaseerd onderhoud

Voor zover ik weet, maakt niemand zulke modellen van klanten met eindproducten om te voorspellen wanneer en hoeveel ze de volgende keer zullen bestellen, misschien omdat de klanten er bezwaar tegen zouden hebben om voortdurend hersenmonitors te dragen. Maar CBM, met zijn complexe monitoring en modellering, wint aan populariteit voor systemen die niet kunnen falen, zoals straalmotoren. Ondertussen hebben klassieke betrouwbaarheidsmodellen nog steeds veel waarde voor het beheer van grote vloten met goedkopere maar nog steeds essentiële artikelen.

Smart's aanpak
De bovengenoemde op condities gebaseerde onderhouds- en betrouwbaarheidsbenaderingen vereisen een buitensporige last voor het verzamelen en opschonen van gegevens die veel MRO-bedrijven niet aankunnen. Voor die bedrijven biedt Smart een aanpak waarbij geen betrouwbaarheidsmodellen hoeven te worden ontwikkeld. In plaats daarvan exploiteert het gebruiksgegevens op een andere manier. Het maakt gebruik van op waarschijnlijkheid gebaseerde modellen van zowel gebruik als doorlooptijden van leveranciers om duizenden mogelijke scenario's voor doorlooptijden van bevoorrading en vraag te simuleren. Het resultaat is een nauwkeurige verdeling van de vraag en de doorlooptijden voor elk verbruiksonderdeel, die kan worden benut om de optimale voorraadparameters te bepalen. Figuur 4 toont een simulatie die begint met een scenario voor de vraag naar reserveonderdelen (bovenste grafiek) en vervolgens een scenario oplevert van voorhanden aanbod voor bepaalde keuzes van Min/Max-waarden (onderste lijn). Key Performance Indicators (KPI's) kunnen worden geschat door de resultaten van veel van dergelijke simulaties te middelen.

Figuur 4: Een voorbeeld van een simulatie van de vraag naar reserveonderdelen en de voorhanden voorraad

U kunt hier lezen over de aanpak van Smart bij het voorspellen van reserveonderdelen: https://smartcorp.com/wp-content/uploads/2019/10/Probabilistic-Forecasting-for-Intermittent-Demand.pdf

Het beheer van reserveonderdelen brengt tal van uitdagingen met zich mee, zoals onverwachte storingen, veranderende schema's en inconsistente vraagpatronen. Traditionele prognosemethoden en handmatige benaderingen zijn niet effectief in het omgaan met deze complexiteit. Om deze uitdagingen het hoofd te bieden, schetst deze blog de belangrijkste strategieën die prioriteit geven aan serviceniveaus, probabilistische methoden gebruiken om bestelpunten te berekenen, het voorraadbeleid regelmatig aanpassen en een speciaal planningsproces implementeren om overmatige voorraad te voorkomen. Verken deze strategieën om de inventaris van reserveonderdelen te optimaliseren en de operationele efficiëntie te verbeteren.

Onder aan de streep vooraf

1. Voorraadbeheer is Risicomanagement.

2. Kan risico's niet goed of op schaal beheren subjectieve planning - Noodzaak om service versus kosten te kennen.

3. Dat is het niet variabiliteit van vraag en aanbod dat is het probleem – het is hoe je ermee omgaat.

4. Reserveonderdelen hebben periodieke vraag naar dus traditionele methoden werken niet.

5.Vuistregel benaderingen houden geen rekening met de variabiliteit van de vraag en wijzen voorraad verkeerd toe.

6.Gebruik Service Level Driven Planning  (afwegingen tussen service en kosten) om voorraadbeslissingen te stimuleren.

7.Probabilistisch benaderingen zoals Bootstrapping nauwkeurige schattingen van bestelpunten opleveren.

8.Onderdelen classificeren en wijs doelen op serviceniveau toe per klasse.

9.Kalibreer vaak opnieuw - duizenden onderdelen hebben oude, verouderde bestelpunten.

10.Herstelbare onderdelen speciale behandeling nodig hebben.

Concentreer u op de echte grondoorzaken

Intermittent Demand

• Langzaam bewegend, onregelmatig of sporadisch met een groot percentage nulwaarden.
• Waarden die niet gelijk zijn aan nul worden willekeurig gemengd – spikes zijn groot en gevarieerd.
• Is niet klokvormig (de vraag is niet normaal verdeeld rond het gemiddelde.)
• Ten minste 70% van de onderdelen van een typisch nutsbedrijf wordt met tussenpozen gevraagd.

Normale vraag

• Zeer weinig periodes zonder vraag (uitzondering zijn seizoensgebonden onderdelen.)
• Vertoont vaak trend-, seizoens- of cyclische patronen.
• Lagere niveaus van vraagvariabiliteit.
• Is klokvormig (de vraag is normaal verdeeld rond het gemiddelde.)

Ga niet af op gemiddelden

• OK voor het bepalen van typisch gebruik gedurende langere tijd.
• Voorspelt vaak meer "nauwkeurig" dan sommige geavanceerde methoden.
• Maar... onvoldoende om te bepalen wat je in voorraad moet hebben.

Buffer niet met veelvouden van gemiddelden

Voorbeeld: twee even belangrijke onderdelen, dus laten we ze hetzelfde behandelen.
We zullen meer bestellen wanneer Voorraad ≤ 2 x Gem. Levertijd Vraag.

Gebruik Service Level-afwegingscurven om de veiligheidsvoorraad te berekenen

Standaard Normale Kansen

OK voor normale vraag. Werkt niet met periodieke vraag!

Gebruik geen normale (klokvormige) verdelingen

• U krijgt de afwegingscurve verkeerd:

- u richt zich bijvoorbeeld op 95% maar bereikt 85%.

- u richt zich bijvoorbeeld op 99% maar bereikt 91%.

• Dit is een enorme misser met kostbare implicaties:

– U slaat vaker een voorraad op dan verwacht.

– U begint met het toevoegen van subjectieve buffers ter compensatie en vervolgens met overstock.

– Gebrek aan vertrouwen/twijfelen aan output verlamt de planning.

Waarom traditionele methoden mislukken bij intermitterende vraag: 

Traditionele methoden zijn niet ontworpen om kernproblemen in het beheer van reserveonderdelen aan te pakken.

Behoefte: Kansverdeling (niet klokvormig) van vraag over variabele doorlooptijd.

• Get: Voorspelling van gemiddeld vraag in elke maand, geen totaal over de doorlooptijd.
• Get: vastgeschroefd model van variabiliteit, meestal het normale model, meestal verkeerd.

Behoefte: blootstelling van afwegingen tussen beschikbaarheid van artikelen en voorraadkosten.

• Krijg: niets van dit alles; krijg in plaats daarvan veel inconsistente, ad-hocbeslissingen.

Gebruik statistische bootstrapping om de verdeling te voorspellen:

Benut vervolgens de distributie om het voorraadbeleid te optimaliseren.

Hoe werkt Bootstrapping?

24 maanden historische vraaggegevens.

Bootstrap-scenario's voor een doorlooptijd van 3 maanden.

Bootstrapping bereikt het doel van het serviceniveau met een nauwkeurigheid van bijna 100%!

• Nationale opslagoperatie.

Taak: voorraadniveaus voorspellen voor 12.000 periodiek gevraagde SKU's op serviceniveaus 95% en 99%

Resultaten:

Op serviceniveau 95% was 95.23% niet op voorraad.

Op serviceniveau 99% was 98.66% niet op voorraad.

Dit betekent dat u kunt vertrouwen op output om verwachtingen te scheppen en met vertrouwen gerichte voorraadaanpassingen door te voeren die de voorraad verlagen en de service verbeteren.

Stel doelserviceniveaus in op basis van bestelfrequentie en -omvang

Herbestelpunten regelmatig opnieuw kalibreren

• Statische ROP's veroorzaken overschotten en tekorten.
• Naarmate de doorlooptijd toeneemt, neemt ook de ROP toe en vice versa.
• Naarmate het gebruik afneemt, moet de ROP dat ook doen en vice versa.
• Hoe langer u wacht met herijken, hoe groter de onbalans.
• Bergen onderdelen te vroeg of te laat besteld.
• Verspilt de tijd van kopers door de verkeerde bestellingen te plaatsen.
• Wekt wantrouwen in systemen en dwingt gegevenssilo's af.

Doe plannen draaibaar (Onderdelen repareren) Anders

Overzicht

1. Voorraadbeheer is Risicomanagement.

2. Kan risico's niet goed of op schaal beheren subjectieve planning - Noodzaak om service versus kosten te kennen.

3. Dat is het niet variabiliteit van vraag en aanbod dat is het probleem – het is hoe je ermee omgaat.

4. Reserveonderdelen hebben periodieke vraag naar dus traditionele methoden werken niet.

5.Vuistregel benaderingen houden geen rekening met de variabiliteit van de vraag en wijzen voorraad verkeerd toe.

6.Gebruik Service Level Driven Planning  (afwegingen tussen service en kosten) om voorraadbeslissingen te stimuleren.

7.Probabilistisch benaderingen zoals Bootstrapping nauwkeurige schattingen van bestelpunten opleveren.

8.Onderdelen classificeren en wijs doelen op serviceniveau toe per klasse.

9.Kalibreer vaak opnieuw - duizenden onderdelen hebben oude, verouderde bestelpunten.

10.Herstelbare onderdelen speciale behandeling nodig hebben.

Wist je dat het Benjamin Franklin was die de bliksemafleider uitvond om gebouwen te beschermen tegen blikseminslag? Nu hoeven we ons niet elke dag zorgen te maken over blikseminslagen, maar in het onvoorspelbare zakenklimaat van vandaag moeten we ons wel zorgen maken over verstoringen in de toeleveringsketen, lange doorlooptijden, stijgende rentetarieven en een volatiele vraag. Met al deze uitdagingen is het voor organisaties nog nooit zo belangrijk geweest om het gebruik van onderdelen en voorraadniveaus nauwkeurig te voorspellen en het bevoorradingsbeleid, zoals bestelpunten, veiligheidsvoorraden en bestelhoeveelheden, te optimaliseren. In deze blog onderzoeken we hoe bedrijven gebruik kunnen maken van innovatieve oplossingen, zoals voorraadoptimalisatie en software voor het voorspellen van onderdelen die gebruikmaken van machine learning-algoritmen, probabilistische prognoses en analyses om voorop te blijven lopen en hun toeleveringsketens te beschermen tegen onverwachte schokken.

Planningsoplossingen voor reserveonderdelen
Optimalisatie van reserveonderdelen is een belangrijk aspect van supply chain management voor veel industrieën. Het omvat het beheer van de inventaris van reserveonderdelen om ervoor te zorgen dat ze beschikbaar zijn wanneer dat nodig is, zonder overtollige voorraad die kapitaal en ruimte in beslag kan nemen. Het optimaliseren van de inventaris van reserveonderdelen is een complex proces dat een grondige kennis van gebruikspatronen, doorlooptijden van leveranciers en de kritieke waarde van elk onderdeel voor het bedrijf vereist.

In deze blog zal onze primaire nadruk liggen op het cruciale aspect van voorraadoptimalisatie en vraagvoorspelling. Andere hieronder beschreven benaderingen voor het optimaliseren van reserveonderdelen, zoals voorspellend onderhoud en 3D-printen, Master Data Management en gezamenlijke planning, moeten echter worden onderzocht en waar nodig worden toegepast.

1. Voorspellend onderhoud: Voorspellende analyses gebruiken om te anticiperen wanneer een onderdeel waarschijnlijk defect raakt en het proactief te vervangen, in plaats van te wachten tot het kapot gaat. Deze aanpak kan bedrijven helpen downtime en onderhoudskosten te verminderen en de algehele effectiviteit van apparatuur te verbeteren.
2. 3d printen: Dankzij de vooruitgang in de 3D-printtechnologie kunnen bedrijven reserveonderdelen op aanvraag produceren, waardoor er minder voorraad nodig is. Dit bespaart niet alleen ruimte en kosten, maar zorgt er ook voor dat onderdelen beschikbaar zijn wanneer dat nodig is.
3. Beheer van stamgegevens: Gegevensbeheerplatforms zorgen ervoor dat onderdeelgegevens correct worden geïdentificeerd, gecatalogiseerd, opgeschoond en georganiseerd. Maar al te vaak hebben MRO-organisaties hetzelfde onderdeelnummer onder verschillende SKU's. Deze dubbele onderdelen dienen hetzelfde doel, maar hebben verschillende SKU-nummers nodig om naleving van de regelgeving of veiligheid te garanderen. Een onderdeel dat wordt gebruikt ter ondersteuning van een overheidscontract, kan bijvoorbeeld nodig zijn van een Amerikaanse fabrikant om te blijven voldoen aan de "Buy America"-regelgeving. Het is van cruciaal belang dat deze onderdeelnummers worden geïdentificeerd en, indien mogelijk, worden geconsolideerd in één SKU om voorraadinvesteringen binnen de perken te houden.
4. Gezamenlijke planning: Door samen te werken met leveranciers en klanten om gegevens, prognoses en vraagplanning te delen, kunnen bedrijven doorlooptijden verkorten, de nauwkeurigheid verbeteren en voorraadniveaus verlagen. Prognoses spelen een essentiële rol in samenwerking, aangezien het delen van inzichten over aankopen, vraag en koopgedrag ervoor zorgt dat leveranciers over de informatie beschikken die ze nodig hebben om ervoor te zorgen dat de voorraad voor klanten beschikbaar is.

Inventory Optimization
Abraham Lincoln werd ooit als volgt geciteerd: "Geef me zes uur om een boom om te hakken, en ik zal de eerste vier uur besteden aan het slijpen van de bijl"? Lincoln wist dat voorbereiding en optimalisatie de sleutel tot succes waren, net zoals organisaties over de juiste tools moeten beschikken, zoals software voor voorraadoptimalisatie, om hun toeleveringsketen te optimaliseren en voorop te blijven lopen in de markt. Met software voor voorraadoptimalisatie kunnen organisaties hun prognosenauwkeurigheid verbeteren, voorraadkosten verlagen, serviceniveaus verbeteren en doorlooptijden verkorten. Lincoln wist dat het slijpen van de bijl nodig was om de klus effectief te klaren zonder overmatige inspanning. Voorraadoptimalisatie zorgt ervoor dat voorraaddollars effectief worden toegewezen aan duizenden onderdelen, waardoor serviceniveaus worden gegarandeerd en overtollige voorraad wordt geminimaliseerd.

Reserveonderdelen spelen een doorslaggevende rol bij het handhaven van de operationele efficiëntie, en het ontbreken van kritieke onderdelen kan leiden tot uitvaltijd en verminderde productiviteit. Door de sporadische aard van de vraag naar reserveonderdelen is het moeilijk te voorspellen wanneer een specifiek onderdeel nodig zal zijn, wat resulteert in het risico van over- of onderbevoorrading, die beide kosten kunnen opleveren voor de organisatie. Bovendien brengt het beheren van doorlooptijden voor reserveonderdelen zijn eigen uitdagingen met zich mee. Sommige onderdelen kunnen lange levertijden hebben, waardoor het nodig is om voldoende voorraad aan te houden om tekorten te voorkomen. Het meenemen van overtollige voorraad kan echter kostbaar zijn en kapitaal en opslagruimte in beslag nemen.

Gezien de talloze uitdagingen waarmee materiaalbeheerafdelingen en planners van reserveonderdelen worden geconfronteerd, is het plannen van de vraag, voorraadniveaus en aanvulling van reserveonderdelen zonder een effectieve oplossing voor voorraadoptimalisatie vergelijkbaar met een poging om een boom om te hakken met een zeer botte bijl! Hoe scherper de bijl, hoe beter uw organisatie deze uitdagingen het hoofd kan bieden.

De bijl van Smart Software is de scherpste
Slimme software voor voorraadoptimalisatie en vraagplanning maakt gebruik van een unieke empirische probabilistische prognosebenadering die resulteert in nauwkeurige prognoses van voorraadbehoeften, zelfs wanneer de vraag met tussenpozen is. Aangezien bijna 90% aan reserve- en serviceonderdelen met tussenpozen is, is een nauwkeurige oplossing vereist om aan dit soort vraag te voldoen. De oplossing van Smart werd gepatenteerd in 2001 en aanvullende innovaties werden onlangs gepatenteerd in mei 2023 (aankondigingen volgen binnenkort!). De oplossing werd bekroond als finalist in de APICS Technological Innovation Category voor zijn rol bij het helpen transformeren van de resource management-industrie.

De rol van intermitterende vraag
Intermitterende vraag komt niet overeen met een simpele normale of klokvormige verdeling die het onmogelijk maakt om nauwkeurig te voorspellen met traditionele, op afvlakking gebaseerde prognosemethoden. Onderdelen en items met intermitterende vraag – ook wel bekend als klonterige, volatiele, variabele of onvoorspelbare vraag – hebben veel nul- of laagvolumewaarden afgewisseld met willekeurige pieken in de vraag die vaak vele malen groter zijn dan het gemiddelde. Dit probleem doet zich vooral voor bij bedrijven die grote voorraden van service- en reserveonderdelen beheren in sectoren zoals luchtvaart, ruimtevaart, energie- en watervoorziening en nutsbedrijven, automobielindustrie, beheer van zware activa, hightech, evenals in MRO (Maintenance, Repair, en revisie).

Scenario analyse
De gepatenteerde en bekroonde technologie van Smart genereert snel tienduizenden mogelijke scenario's van toekomstige vraagreeksen en cumulatieve vraagwaarden over de doorlooptijd van een artikel. Deze scenario's zijn statistisch vergelijkbaar met de geobserveerde gegevens van het artikel en ze leggen de relevante details vast van de intermitterende vraag zonder te vertrouwen op de aannames die gewoonlijk worden gedaan over de aard van vraagverdelingen door traditionele prognosemethoden. Het resultaat is een uiterst nauwkeurige voorspelling van de volledige verdeling van de cumulatieve vraag over de doorlooptijd van een artikel. Het komt erop neer dat bedrijven met de informatie die deze vraagdistributies bieden, eenvoudig veiligheidsvoorraad en voorraadvereisten op serviceniveau kunnen plannen voor duizenden periodiek gevraagde artikelen met een nauwkeurigheid van bijna 100%.

Benefits
Door innovatieve oplossingen van Smart Software te implementeren, zoals SmartForecasts voor statistische prognoses, Demand Planner voor consensusplanning van onderdelen en Inventory Optimization voor het ontwikkelen van nauwkeurige aanvullingsfactoren zoals min/max en veiligheidsvoorraadniveaus, krijgen vooruitstrevende leidinggevenden en planners betere controle over hun bedrijfsvoering van de organisatie. Het zal resulteren in de volgende voordelen:

1. Verbeterde prognosenauwkeurigheid: Nauwkeurige vraagprognoses zijn van fundamenteel belang voor elke organisatie die zich bezighoudt met voorraadbeheer van reserveonderdelen. Voorraadoptimalisatiesoftware maakt gebruik van geavanceerde algoritmen om historische gebruikspatronen te analyseren, trends te identificeren en toekomstige vraag met een hoge mate van nauwkeurigheid te voorspellen. Met dit niveau van precisie bij prognoses kunnen organisaties het risico van over- of onderbevoorrading van hun reserveonderdelenvoorraad vermijden.
2. Lagere voorraadkosten: Een grote uitdaging waarmee leiders in de toeleveringsketen worden geconfronteerd bij het beheer van de voorraad van reserveonderdelen, zijn de kosten die gepaard gaan met het te allen tijde aanhouden van een optimale voorraad reserveonderdelen. Door voorraadniveaus te optimaliseren met behulp van moderne technologiesystemen zoals kunstmatige intelligentie (AI), machine learning (ML) en voorspellende analyses, kunnen organisaties de transportkosten verlagen en er tegelijkertijd voor zorgen dat ze voldoende voorraden beschikbaar hebben wanneer dat nodig is.
3. Verbeterde serviceniveaus: Als het gaat om reparatie- en onderhoudsdiensten, is tijd geld! Downtime als gevolg van de onbeschikbaarheid van kritieke reserveonderdelen kan leiden tot verloren productiviteit en inkomsten voor bedrijven in verschillende sectoren, zoals fabrieken, energieopwekkingsfaciliteiten of datacenters die IT-infrastructuurapparatuur beheren. Het optimaliseren van uw reserveonderdelenvoorraad zorgt ervoor dat u altijd de juiste hoeveelheid bij de hand hebt, waardoor de uitvaltijd die wordt veroorzaakt door het wachten op leveringen van leveranciers wordt verminderd.
4. Kortere doorlooptijden: Een ander voordeel dat voortvloeit uit nauwkeurige vraagprognoses door middel van moderne magazijntechnologieën, is een kortere doorlooptijd bij levering, wat leidt tot een betere klanttevredenheid, aangezien klanten hun bestellingen sneller zullen ontvangen dan voorheen, waardoor de merkloyaliteit wordt verbeterd. Daarom creëert de toepassing van nieuwe strategieën die worden aangestuurd door AI/ML-tools waarde binnen supply chain-operaties, wat leidt tot meer efficiëntie, niet alleen beperkte reductiekosten, maar ook stroomlijning van processen met betrekking tot onder andere productieplanning en logistieke transportplanning

Conclusie
Door gebruik te maken van software voor voorraadoptimalisatie en vraagplanning kunnen organisaties verschillende uitdagingen overwinnen, zoals verstoringen in de toeleveringsketen, stijgende rentetarieven en volatiele vraag. Hierdoor kunnen ze de kosten verlagen die gepaard gaan met overtollige opslagruimte en verouderde inventarisitems. Door gebruik te maken van geavanceerde algoritmen, verbetert software voor voorraadoptimalisatie de nauwkeurigheid van prognoses, waardoor organisaties kunnen voorkomen dat ze te veel of te weinig voorraad hebben in hun voorraad reserveonderdelen. Bovendien helpt het de voorraadkosten te verlagen door niveaus te optimaliseren en technologieën zoals kunstmatige intelligentie (AI), machine learning (ML) en voorspellende analyses te gebruiken. Verbeterde serviceniveaus worden bereikt doordat organisaties de juiste hoeveelheid reserveonderdelen direct beschikbaar hebben, waardoor downtime als gevolg van het wachten op leveringen wordt verminderd. Bovendien leidt nauwkeurige vraagprognose tot kortere doorlooptijden, waardoor de klanttevredenheid toeneemt en merkloyaliteit wordt bevorderd. Het toepassen van dergelijke strategieën, aangestuurd door AI/ML-tools, verlaagt niet alleen de kosten, maar stroomlijnt ook processen, waaronder productieplanning en logistieke transportplanning, waardoor uiteindelijk de efficiëntiewinst binnen de toeleveringsketen toeneemt.

Ik wed dat uw onderhouds- en reparatieteams het goed zouden vinden om een grotere voorraad te lopen sommige reserveonderdelen als ze wisten dat de besparingen op voorraadvermindering zouden worden gebruikt om de voorraadinvestering effectiever te spreiden ander onderdelen en verhoogt het algehele serviceniveau.

Ik verdubbel dat uw Finance-team, ondanks dat het altijd wordt uitgedaagd met het verlagen van de kosten, een gezonde voorraadverhoging zou ondersteunen als ze duidelijk konden zien dat de inkomsten profiteren van een hogere uptime, minder versnellingen en verbeteringen op het serviceniveau duidelijk opwegen tegen de extra voorraadkosten en risico.

A ruilcurve voor reserveonderdelen stelt planningsteams voor serviceonderdelen in staat om de risico's en kosten van elke voorraadbeslissing correct te communiceren. Het is essentieel voor de planning van onderdelen en de enige manier om voorraadparameters proactief en nauwkeurig aan te passen voor elk onderdeel. Zonder dit "plannen" planners, in alle opzichten, met oogkleppen op, omdat ze niet in staat zullen zijn om de echte afwegingen te communiceren die verband houden met opslagbeslissingen.

Als bijvoorbeeld een voorgestelde verhoging van de min/max-niveaus van een belangrijke productgroep van serviceonderdelen wordt aanbevolen, hoe weet u dan of de verhoging te hoog of te laag of precies goed is? Hoe kun je de verandering voor duizenden reserveonderdelen verfijnen? Je wilt niet en je kunt het niet. Uw voorraadbeslissingen zullen afhangen van reactieve, onderbuikgevoelens en algemene beslissingen, waardoor de serviceniveaus eronder lijden en de voorraadkosten de pan uit rijzen.

Dus, wat is eigenlijk een afwegingscurve voor reserveonderdelen?

Het is een op feiten gebaseerde, numerieke voorspelling die beschrijft hoe veranderingen in voorraadniveaus de voorraadwaarde, bewaarkosten en serviceniveaus zullen beïnvloeden. Voor elke eenheidswijziging in voorraadniveau zijn er kosten en baten. De uitruilcurve voor reserveonderdelen identificeert deze kosten en baten voor verschillende voorraadniveaus. Hiermee kunnen planners het voorraadniveau ontdekken dat de kosten en baten voor elk afzonderlijk item het beste in evenwicht houdt.

Hier zijn twee vereenvoudigde voorbeelden. In afbeelding 1 laat de ruilcurve voor reserveonderdelen zien hoe het serviceniveau (waarschijnlijkheid dat er geen voorraad is) verandert afhankelijk van het bestelniveau. Hoe hoger het bestelniveau, hoe lager het voorraadrisico. Het is van cruciaal belang om te weten hoeveel service u krijgt gezien de voorraadinvestering. Hier kunt u misschien rechtvaardigen dat een voorraadtoename van een bestelpunt van 35 naar 45 de investering van 10 extra voorraadeenheden meer dan waard is, omdat het serviceniveau springt van iets minder dan 70% naar 90%, waardoor uw voorraadrisico voor het reserveonderdeel afneemt van 30% tot 10%!

​

Afbeelding 1: kosten versus serviceniveau

Afbeelding 2: serviceniveau versus voorraadomvang

In dit voorbeeld (Afbeelding 2) legt de afwegingscurve een veelvoorkomend probleem bloot met de inventaris van reserveonderdelen. Vaak zijn de voorraadniveaus zo hoog dat ze een negatief rendement opleveren. Na een bepaalde voorraadhoeveelheid koopt elke extra voorraadeenheid niet meer voordeel in de vorm van een hoger serviceniveau. Voorraadverminderingen kunnen worden gerechtvaardigd wanneer duidelijk is dat het voorraadniveau het punt van afnemende opbrengsten ver voorbij is. Een nauwkeurige afwegingscurve zal het punt blootleggen waar het niet langer voordelig is om voorraad toe te voegen.

Door gebruik te maken van #probabilistischevoorspelling om de planning van onderdelen te stimuleren, kunt u deze afwegingen nauwkeurig communiceren, dit op schaal doen voor honderdduizenden onderdelen, slechte voorraadbeslissingen vermijden en serviceniveaus en kosten in evenwicht brengen. Bij Smart Software zijn we gespecialiseerd in het helpen van planners van reserveonderdelen, directeuren van materiaalbeheer en financiële leidinggevenden die MRO, reserveonderdelen en aftermarket-onderdelen beheren om deze relaties te begrijpen en te exploiteren.