Een inleiding op probabilistische prognoses

De slimme voorspeller

Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Als je op de hoogte blijft van het nieuws over supply chain-analyse, u komt vaker de uitdrukking "probabilistische prognoses" tegen. Als deze zin raadselachtig is, lees dan verder.

U weet waarschijnlijk al wat 'voorspelling' betekent. En je weet waarschijnlijk ook dat er veel verschillende manieren lijken te zijn om het te doen. En je hebt waarschijnlijk scherpe kleine zinnen gehoord als 'elke voorspelling is verkeerd'. Dus je weet dat een soort van wiskundige zou kunnen berekenen dat "de voorspelling is dat u volgende maand 100 eenheden zult verkopen", en dan zou u 110 eenheden kunnen verkopen, in welk geval u een 10%-voorspellingsfout heeft.

Je weet misschien niet dat wat ik zojuist heb beschreven een bepaald soort voorspelling is, een 'puntvoorspelling'. Een puntenvoorspelling wordt zo genoemd omdat deze uit slechts een enkel getal bestaat (dwz één punt op de getallenlijn, als je je de getallenlijn herinnert uit je jeugd).

Punt voorspellingen hebben één deugd: ze zijn eenvoudig. Ze hebben ook een fout: ze geven aanleiding tot snauwende uitspraken als 'elke voorspelling is verkeerd'. Dat wil zeggen, in de meeste realistische gevallen is het onwaarschijnlijk dat de werkelijke waarde exact gelijk zal zijn aan de voorspelling. (Wat niet zo erg is als de voorspelling dichtbij genoeg is.)

Dit brengt ons bij 'probabilistische voorspellingen'. Deze aanpak is een stap verder, want in plaats van een voorspelling met één cijfer (punt) te produceren, levert het een kansverdeling op voor de voorspelling. En in tegenstelling tot traditionele extrapolatieve modellen die puur op historische gegevens vertrouwen, hebben probabilistische voorspellingen de mogelijkheid om toekomstige waarden te simuleren die niet verankerd zijn in het verleden.

"Waarschijnlijkheidsverdeling" is een verbiedende uitdrukking, die wat mysterieuze wiskunde oproept waar je misschien van hebt gehoord maar nooit hebt bestudeerd. Gelukkig hebben de meeste volwassenen genoeg levenservaring om het concept intuïtief te begrijpen. Wanneer afgebroken, is het vrij eenvoudig te begrijpen.

Stel je de simpele handeling voor van het opgooien van twee munten. Je zou dit onschuldig plezier kunnen noemen, maar ik noem het een 'probabilistisch experiment'. Het totale aantal kop dat op de twee munten verschijnt, is nul, één of twee. Het opgooien van twee munten is een 'willekeurig experiment'. Het resulterende aantal koppen is een "willekeurige variabele". Het heeft een "kansverdeling", wat niets meer is dan een tabel van hoe waarschijnlijk het is dat de willekeurige variabele een van zijn mogelijke waarden zal blijken te hebben. De kans om twee kop te krijgen als de munten eerlijk zijn, is ¼, net als de kans op geen kop. De kans op één kop is ½.

Dezelfde benadering kan een interessantere willekeurige variabele beschrijven, zoals de dagelijkse vraag naar een reserveonderdeel. Figuur 2 toont een dergelijke kansverdeling. Het werd berekend door drie jaar dagelijkse vraaggegevens te verzamelen over een bepaald onderdeel dat wordt gebruikt in een wetenschappelijk instrument dat aan ziekenhuizen wordt verkocht.

Figuur 1: De kansverdeling van de dagelijkse vraag naar een bepaald reserveonderdeel

De verdeling in figuur 1 kan worden gezien als een probabilistische voorspelling van de vraag op één dag. Voor dit specifieke onderdeel zien we dat de voorspelling zeer waarschijnlijk nul zal zijn (97% kans), maar soms voor een handvol eenheden, en eens in de drie jaar twintig eenheden. Hoewel de meest waarschijnlijke voorspelling nul is, zou je er een paar bij de hand willen houden als dit onderdeel van cruciaal belang zou zijn ("... bij gebrek aan een spijker ...")

Laten we deze informatie nu gebruiken om een meer gecompliceerde probabilistische voorspelling te maken. Stel dat je drie eenheden bij de hand hebt. Hoeveel dagen duurt het voordat je er geen hebt? Er zijn veel mogelijke antwoorden, variërend van een enkele dag (als u onmiddellijk een vraag krijgt voor drie of meer) tot een zeer groot aantal (aangezien 97% dagen geen vraag ziet). De analyse van deze vraag is een beetje ingewikkeld vanwege de vele manieren waarop deze situatie zich kan voordoen, maar het uiteindelijke antwoord dat het meest informatief is, is een kansverdeling. Het blijkt dat het aantal dagen totdat er geen eenheden meer in voorraad zijn de verdeling heeft zoals weergegeven in figuur 2.

Figuur 2: Verdeling van het aantal dagen totdat alle drie de units op zijn

Het gemiddelde aantal dagen is 74, wat een puntvoorspelling zou zijn, maar er is veel variatie rond het gemiddelde. Vanuit het perspectief van voorraadbeheer valt op dat er een kans van 25% is dat alle units na 32 dagen op zijn. Dus als u besluit om meer te bestellen terwijl er nog maar drie in het schap liggen, zou het goed zijn als de leverancier ze u bezorgt voordat er een maand is verstreken. Als ze dat niet konden, zou je een kans van 75% hebben om de voorraad op te slaan - niet goed voor een cruciaal onderdeel.

De analyse achter figuur 2 omvatte het maken van enkele aannames die handig waren, maar niet nodig als ze niet waar waren. De resultaten kwamen van een methode genaamd "Monte Carlo-simulatie", waarin we beginnen met drie eenheden, een willekeurige vraag kiezen uit de verdeling in figuur 1, deze aftrekken van de huidige voorraad en doorgaan totdat de voorraad op is, waarbij wordt geregistreerd hoeveel dagen gingen voorbij voordat je op was. Herhaling van dit proces 100.000 keer geproduceerd Figuur 2.

Toepassingen van Monte Carlo-simulatie strekken zich uit tot problemen met een nog grotere reikwijdte dan het bovenstaande voorbeeld "wanneer zijn we op". Vooral belangrijk zijn Monte Carlo-voorspellingen van de toekomstige vraag. Hoewel het gebruikelijke voorspellingsresultaat een reeks puntvoorspellingen is (bijvoorbeeld de verwachte vraag per eenheid in de komende twaalf maanden), weten we dat er een aantal manieren zijn waarop de werkelijke vraag zich zou kunnen voordoen. Simulatie zou kunnen worden gebruikt om bijvoorbeeld duizend mogelijke sets van 365 dagelijkse vraagbehoeften te produceren.

Deze reeks vraagscenario's zou het scala aan mogelijke situaties waarmee een voorraadsysteem het hoofd zou moeten bieden, vollediger blootleggen. Dit gebruik van simulatie wordt "stresstesten" genoemd, omdat het een systeem blootstelt aan een reeks gevarieerde maar realistische scenario's, waaronder enkele vervelende. Die scenario's worden vervolgens ingevoerd in wiskundige modellen van het systeem om te zien hoe goed het zal omgaan, zoals weerspiegeld in key performance indicators (KPI's). Hoeveel stockouts zijn er bijvoorbeeld in die duizend gesimuleerde jaren van werking in het slechtste jaar? het gemiddelde jaar? het beste jaar? Wat is in feite de volledige kansverdeling van het aantal stockouts in een jaar, en wat is de verdeling van hun omvang?

Figuren 3 en 4 illustreren probabilistische modellering van een voorraadbeheersysteem dat stockouts omzet in backorders. Het gesimuleerde systeem gebruikt een Min/Max-regelbeleid met Min = 10 eenheden en Max = 20 eenheden.

Figuur 3 toont een gesimuleerd jaar van dagelijkse operaties in vier plots. De eerste grafiek toont een bepaald patroon van willekeurige dagelijkse vraag waarin de gemiddelde vraag gestaag toeneemt van maandag tot vrijdag, maar in het weekend verdwijnt. De tweede grafiek toont het aantal eenheden dat elke dag voorhanden is. Merk op dat er tijdens dit gesimuleerde jaar een tiental keren is dat de voorraad negatief wordt, wat wijst op stockouts. De derde grafiek toont de omvang en timing van aanvullingsorders. De vierde grafiek toont de omvang en timing van backorders. De informatie in deze plots kan worden vertaald in schattingen van voorraadinvesteringen, gemiddelde eenheden voorhanden, houdkosten, bestelkosten en tekortkosten.

Figuur 3: Een gesimuleerd jaar van werking van het voorraadsysteem

Figuur 3 toont één van duizend gesimuleerde jaren. Elk jaar zal verschillende dagelijkse eisen hebben, wat resulteert in verschillende waarden van statistieken, zoals beschikbare eenheden en de verschillende componenten van de bedrijfskosten. Figuur 4 geeft de verdeling weer van 1.000 gesimuleerde waarden van vier KPI's. Door 1000 jaar ingebeelde werking te simuleren, wordt het bereik van mogelijke resultaten blootgelegd, zodat planners niet alleen rekening kunnen houden met gemiddelde resultaten, maar ook de best-case en worst-case-waarden kunnen zien.

Figuur 4: Verdelingen van vier KPI's op basis van 1.000 simulaties

Monte Carlo-simulatie is een benadering met weinig wiskunde en hoge resultaten voor probabilistische prognoses: zeer praktisch en gemakkelijk uit te leggen. Geavanceerde probabilistische voorspellingsmethoden die door Smart Software worden gebruikt, breiden uit op de standaard Monte Carlo-simulatie en leveren uiterst nauwkeurige schattingen van de vereiste voorraadniveaus op.

gerelateerde berichten

Call an Audible to Proactively Counter Supply Chain Noise

Bel een Audible om proactief ruis in de supply chain tegen te gaan

U kent de situatie: u berekent de beste manier om elk voorraadartikel te beheren door de juiste reorder points en replenishment targets te berekenen, en vervolgens de gemiddelde vraag te verhogen of te verlagen, of de volatiliteit van de vraag te veranderen, of de lead times van leveranciers te veranderen, of uw eigen kosten te veranderen.

Managing the Inventory of Promoted Items

Beheer van de inventaris van gepromote artikelen

In een eerder bericht besprak ik een van de neteligere problemen waarmee vraagplanners soms worden geconfronteerd: het werken met gegevens over productvraag die worden gekenmerkt door wat statistici scheefheid noemen - een situatie die kostbare voorraadinvesteringen kan vergen. Dit soort problematische gegevens is te vinden in verschillende scenario's. In ten minste één geval, de combinatie van intermitterende vraag en zeer effectieve verkoopacties, leent het probleem zich voor een effectieve oplossing.

Top 3 Most Common Inventory Control Policies

Top 3 meest voorkomende voorraadbeheerbeleid

Om de juiste beslissing te nemen, moet u weten hoe vraagprognose voorraadbeheer ondersteunt, welk beleid u wilt gebruiken en berekening van de input die dit beleid aanstuurt. Het proces van het bestellen van aanvullende voorraad is zo duur en omslachtig dat u ook het aantal inkooporders dat u moet genereren wilt minimaliseren.

recente berichten

Het 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 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. […]
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: 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 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

Het 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. […]
Innovatie 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. […]
Toekomstbestendige 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. […]
Centreringswet: 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. […]

Blog Categorieën

Goudlokje Voorraadniveaus

Misschien herinner je je het verhaal van Goudlokje uit je jeugd lang geleden. Soms was de pap te heet, soms te koud, maar een keer was het precies goed. Nu we volwassen zijn, kunnen we dat sprookje vertalen in een professioneel principe voor voorraadplanning: er kan te weinig of te veel voorraad zijn en er is een bepaald Goudlokje-niveau dat "precies goed" is. Deze blog gaat over het vinden van die sweet spot.

Bekijk dit voorbeeld om onze fabel over de toeleveringsketen te illustreren. Stelt u zich eens voor dat u serviceonderdelen verkoopt om de systemen van uw klanten draaiende te houden. U biedt een bepaald serviceonderdeel aan dat u $100 kost om te maken, maar dat wordt verkocht voor een opslag van 20%. Je kunt $20 verdienen met elke eenheid die je verkoopt, maar je mag niet de hele $20 houden vanwege de voorraadkosten die je draagt om het onderdeel te kunnen verkopen. Er zijn onderhoudskosten om het onderdeel in goede staat te houden terwijl het op voorraad is en bestelkosten om eenheden die u verkoopt aan te vullen. Ten slotte verliest u soms inkomsten uit verloren verkopen als gevolg van stockouts.

Deze bedrijfskosten kunnen rechtstreeks verband houden met de manier waarop u het onderdeel in voorraad beheert. Neem voor ons voorbeeld aan dat u een (Q,R) voorraadbeleid gebruikt, waarbij Q de hoeveelheid voor de aanvullingsorder is en R het bestelpunt is. Neem verder aan dat de reden dat u geen $30 per eenheid maakt, is dat u concurrenten heeft en dat klanten het onderdeel van hen zullen krijgen als ze het niet van u kunnen krijgen.

Zowel uw omzet als uw kosten zijn op complexe manieren afhankelijk van uw keuzes voor Q en R. Deze zullen bepalen hoeveel u bestelt, wanneer en dus hoe vaak u bestelt, hoe vaak uw voorraad op is en dus hoeveel verkopen u verliest, en hoeveel contant geld dat u vastlegt in de inventaris. Het is onmogelijk om deze relaties op basis van giswerk uit te rekenen, maar moderne software kan de relaties zichtbaar maken en de dollarcijfers berekenen die u nodig hebt om uw keuze van waarden voor Q en R te sturen. Het doet dit door gedetailleerde, op feiten gebaseerde, probabilistische simulaties uit te voeren die kosten en prestaties voorspellen door middel van een groot aantal realistische vraagscenario's.

Met deze resultaten in de hand, kunt u de marge berekenen die is gekoppeld aan (Q,R) waarden met behulp van de eenvoudige formule

Marge = (Vraag - Verloren omzet) x Winst per verkochte eenheid - Bestelkosten - Aanhoudingskosten.

In deze formule zijn gederfde verkopen, bestelkosten en bewaarkosten afhankelijk van bestelpunt R en bestelhoeveelheid Q.

Afbeelding 1 toont het resultaat van simulaties die Q vaststelden op 25 eenheden en R varieerden van 10 tot 30 in stappen van 5. Hoewel de curve bovenaan vrij vlak is, zou u het meeste geld verdienen door een voorraad van ongeveer 25 eenheden aan te houden ( wat overeenkomt met instelling R = 20). Meer voorraad, ondanks een hoger serviceniveau en minder verloren verkopen, zou iets minder geld opleveren (en veel meer geld opleveren), en minder voorraad zou veel minder opleveren.

Figuur 1: Aantonen dat er te weinig of te veel voorraad aanwezig kan zijn

Zonder te vertrouwen op de inventarissimulatiesoftware, zouden we niet kunnen ontdekken:

a) dat het mogelijk is om te weinig en te veel inventaris te dragen
b) wat het beste voorraadniveau is?
c) hoe er te komen door de juiste keuzes van bestelpunt R en bestelhoeveelheid Q.

Zonder een expliciet begrip van het bovenstaande, zullen bedrijven dagelijkse voorraadbeslissingen nemen op basis van onderbuikgevoel en op middeling gebaseerde vuistregels. De hier beschreven afwegingen worden niet blootgelegd en de resulterende mix van voorraad levert een veel lager rendement op, waardoor honderdduizenden tot miljoenen per jaar aan gederfde winst verloren gaan. Dus wees als Goudlokje. Met de juiste systemen en softwaretools kunt u het ook precies goed krijgen!

gerelateerde berichten

Dagelijkse vraagscenario's

In deze videoblog leggen we uit hoe tijdreeksvoorspellingen naar voren zijn gekomen als een cruciaal hulpmiddel, vooral op dagelijks niveau, waarmee Smart Software sinds de oprichting ruim veertig jaar geleden pionierde. De evolutie van bedrijfspraktijken van jaarlijkse naar meer verfijnde temporele stappen zoals maandelijkse en nu dagelijkse data-analyse illustreert een significante verschuiving in operationele strategieën.

Onregelmatige operaties

Deze blog gaat over ‘onregelmatige handelingen’. Smart Software is bezig met het aanpassen van onze producten om u te helpen omgaan met uw eigen onregelmatige werkzaamheden. Dit is een voorproefje.

Finding Your Spot on the Inventory Tradeoff Curve

Vind uw plek op de voorraadafwegingscurve

Deze videoblog bevat essentiële inzichten voor degenen die werken met de complexiteit van voorraadbeheer. De sessie richt zich op het vinden van het juiste evenwicht binnen de voorraadafwegingscurve en nodigt kijkers uit om het diepgewortelde belang van dit evenwicht te begrijpen.

De omzet verhogen door de beschikbaarheid van reserveonderdelen te vergroten

De slimme voorspeller

Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Laten we beginnen met in te zien dat een hogere omzet een goede zaak voor u is, en dat het vergroten van de beschikbaarheid van de reserveonderdelen die u levert een goede zaak is voor uw klanten.

Maar laten we ook erkennen dat een toenemende beschikbaarheid van artikelen niet noodzakelijkerwijs leidt tot hogere inkomsten. Als u verkeerd plant en uiteindelijk overtollige voorraad aanhoudt, kan het netto-effect goed zijn voor uw klanten, maar zeker slecht voor u. Er moet een goede manier zijn om dit tot een win-win te maken, als het maar kan worden herkend.

Om hier de juiste beslissing te nemen, moet u systematisch over het probleem nadenken. Dat vereist dat u probabilistische modellen van het voorraadbeheerproces gebruikt.

Een scenario

Laten we eens kijken naar een specifiek, realistisch scenario. Heel wat factoren zijn van invloed op de resultaten:

Het artikel: een specifiek reserveonderdeel voor een klein volume.
Vraaggemiddelde: gemiddeld 0,1 eenheden per dag (dus zeer "intermitterend")
Standaardafwijking van de vraag: 0,35 eenheden per dag (dus zeer variabel of "oververspreid").
Gemiddelde doorlooptijd leverancier: 5 dagen.
Eenheidsprijs: $100.
Bewaarkosten per jaar als % van eenheidskosten: 10%.
Bestelkosten per PO-snede: $25.
Gevolgen stockout: omzetverlies (dus een competitieve markt, geen backorders).
Tekortkosten per verloren verkoop: $100.
Doelstelling serviceniveau: 85% (dus 15% kans op een stockout in elke aanvullingscyclus).
Voorraadbeheerbeleid: Periodieke beoordeling/Order-up-to (ook wel at (T,S)-beleid genoemd)

Voorraadbeheerbeleid

Een woord over het voorraadbeheerbeleid. Het (T,S)-beleid is een van de vele die in de praktijk gebruikelijk zijn. Hoewel er andere, efficiëntere beleidsregels zijn (ze wachten bijvoorbeeld niet tot T dagen zijn verstreken voordat ze de voorraad aanpassen), is (T,S) een van de eenvoudigste en daarom behoorlijk populair. Het werkt als volgt: elke T dagen controleer je hoeveel eenheden je op voorraad hebt, zeg X eenheden. Vervolgens bestelt u SX-eenheden, die verschijnen na de doorlooptijd van de leverancier (in dit geval 5 dagen). De T in (T,S) is het "bestelinterval", het aantal dagen tussen bestellingen; de S is het "order-up-to-niveau", het aantal eenheden dat u bij de hand wilt hebben aan het begin van elke aanvullingscyclus.

Om het meeste uit dit beleid te halen, moet u verstandig waarden van T en S kiezen. Verstandig kiezen betekent dat u niet kunt winnen door te raden of door eenvoudige vuistregels te gebruiken, zoals "Houd een gemiddelde van 3 x de gemiddelde vraag bij de hand." Slechte keuzes van T en S schaden zowel uw klanten als uw bedrijfsresultaten. En te lang vasthouden aan keuzes die ooit goed waren, kan resulteren in slechte prestaties als een van de bovenstaande factoren aanzienlijk verandert, dus de waarden van T en S moeten zo nu en dan opnieuw worden berekend.

De slimme manier om de juiste waarden van T en S te kiezen, is door probabilistische modellen te gebruiken die zijn gecodeerd in geavanceerde software. Het gebruik van software is essentieel wanneer u moet opschalen en waarden van T en S moet kiezen die geschikt zijn voor niet één item, maar voor honderden of duizenden.

Analyse van scenario

Laten we eens kijken hoe we in dit scenario geld kunnen verdienen. Wat is het voordeel? Als er geen kosten zouden zijn, zou deze post gemiddeld $3.650 per jaar kunnen genereren: 0,1 eenheden/dag x 365 dagen x $100/eenheid. Daarvan worden de bedrijfskosten afgetrokken, bestaande uit voorraad-, bestel- en tekortkosten. Elk van deze zal afhangen van uw keuzes van T en S.

De software geeft specifieke getallen: het instellen van T = 321 dagen en S = 40 eenheden resulteert in gemiddelde jaarlijkse bedrijfskosten van $604, wat een verwachte marge oplevert van $3.650 – $604 = $3.046. Zie tabel 1, linkerkolom. Dit gebruik van software wordt 'voorspellende analyse' genoemd omdat het input van het systeemontwerp vertaalt in schattingen van een belangrijke prestatie-indicator, marge.

Bedenk nu of u het beter kunt doen. Het doel van het serviceniveau in dit scenario is 85%, wat een enigszins ontspannen standaard is die geen aandacht zal trekken. Wat als u uw klanten een 99%-serviceniveau zou kunnen bieden? Dat klinkt als een duidelijk concurrentievoordeel, maar zou het uw marge verminderen? Niet als je de waarden van T en S goed aanpast.

Door T = 216 dagen en S = 35 eenheden in te stellen, worden de gemiddelde jaarlijkse bedrijfskosten verlaagd tot $551 en wordt de verwachte marge verhoogd tot $3.650 – $551 = $3.099. Zie tabel 1, rechterkolom. Dit is de win-win die we wilden: hogere klanttevredenheid en ongeveer 2% meer omzet. Dit gebruik van de software wordt "gevoeligheidsanalyse" genoemd omdat het laat zien hoe gevoelig de marge is voor de keuze van het serviceniveaudoel.

Software kan u ook helpen de complexe, willekeurige dynamiek van voorraadbewegingen te visualiseren. Een bijproduct van de analyse die tabel 1 vulde, zijn grafieken die de willekeurige paden laten zien die door de voorraad worden afgelegd terwijl deze afneemt gedurende een aanvullingscyclus. Figuur 1 toont een selectie van 100 willekeurige scenario's voor het scenario waarin de service level target 99% is. In de figuur resulteerde slechts 1 van de 100 scenario's in een stockout, wat de juistheid van de keuze voor order-up-to-level bevestigt.

Overzicht

Het beheer van voorraden reserveonderdelen wordt vaak lukraak gedaan met behulp van onderbuikgevoel, gewoonte of verouderde vuistregel. Op deze manier doorgaan is geen betrouwbaar en reproduceerbaar pad naar een hogere marge of hogere klanttevredenheid. Waarschijnlijkheidstheorie, gedestilleerd tot waarschijnlijkheidsmodellen en vervolgens gecodeerd in geavanceerde software, vormt de basis voor coherente, efficiënte richtlijnen voor het beheren van reserveonderdelen op basis van feiten: vraagkenmerken, doorlooptijden, serviceniveaudoelen, kosten en andere factoren. De hier geanalyseerde scenario's illustreren dat het mogelijk is om zowel een hoger serviceniveau als een hogere marge te realiseren. Een groot aantal scenario's die hier niet worden weergegeven, biedt manieren om hogere serviceniveaus te bereiken, maar marge te verliezen. Gebruik de software.

gerelateerde berichten

Bel een Audible om proactief ruis in de supply chain tegen te gaan

Beheer van de inventaris van gepromote artikelen

Top 3 meest voorkomende voorraadbeheerbeleid

recente berichten

Het 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 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. […]
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: 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 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

Het 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. […]
Innovatie 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. […]
Toekomstbestendige 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. […]
Centreringswet: 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. […]

Blog Categorieën

Maximaliseer machine-uptime met probabilistische modellering

De slimme voorspeller

Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Twee voorraadproblemen

Als je zowel dingen maakt als verkoopt, bezit je twee voorraadproblemen. Bedrijven die dingen verkopen, moeten zich onophoudelijk concentreren op het hebben van voldoende productvoorraad om aan de vraag van de klant te voldoen. Fabrikanten en activa-intensieve industrieën zoals energieopwekking, openbaar vervoer, mijnbouw en raffinage hebben een extra voorraadprobleem: voldoende reserveonderdelen hebben om hun machines draaiende te houden. In deze technische samenvatting worden de basisprincipes van twee probabilistische modellen van machinestoringen besproken. Het relateert ook de beschikbaarheid van machines aan de toereikendheid van de voorraad reserveonderdelen.

Modellering van het falen van een machine die wordt behandeld als een "zwarte doos"

Net zoals de vraag naar producten inherent willekeurig is, geldt dat ook voor de timing van machinestoringen. Evenzo, net zoals probabilistische modellering de juiste manier is om met willekeurige vraag om te gaan, is het ook de juiste manier om met willekeurige storingen om te gaan.

Modellen van machinestoringen hebben twee componenten. De eerste gaat over de willekeurige duur van uptime. De tweede gaat over de willekeurige duur van downtime.

Het veld van betrouwbaarheid theorie biedt verschillende standaard waarschijnlijkheidsmodellen die de willekeurige tijd beschrijven tot het uitvallen van een machine zonder rekening te houden met de reden voor het uitvallen. Het eenvoudigste model van uptime is de exponentiële verdeling. Dit model zegt dat de gevaar tarief, dwz de kans op falen in het volgende moment, is constant, ongeacht hoe lang het systeem in werking is. Het exponentiële model is goed in het modelleren van bepaalde soorten systemen, met name elektronica, maar het is niet universeel toepasbaar.

Download de whitepaper

De volgende stap omhoog in modelcomplexiteit is de Weibull model (uitgesproken als "WHY-bull"). De Weibull-verdeling maakt het mogelijk dat het risico van falen in de loop van de tijd verandert, ofwel afneemt na een inbrandperiode, ofwel vaker toeneemt naarmate slijtage zich ophoopt. De exponentiële verdeling is een speciaal geval van de Weibull-verdeling waarin de risicograad niet toeneemt of afneemt.

Figuur 1: Drie verschillende Weibull-overlevingscurven

Figuur 1 illustreert de waarschijnlijkheid van het Weibull-model dat een machine nog steeds draait als functie van hoe lang deze al draait. Er zijn drie curven die overeenkomen met constante, afnemende en toenemende risicopercentages. Om voor de hand liggende redenen worden deze genoemd overlevingscurven omdat ze de overlevingskans voor verschillende tijdsperioden uitzetten (maar ze worden ook wel betrouwbaarheidscurven). De zwarte curve die hoog begint en snel daalt (β=3) geeft een machine weer die met de jaren verslijt. De lichtste curve in het midden snel (β=1) toont de exponentiële verdeling. De medium-donkere curve (β=0,5) is er een die een hoog percentage vroege risico's heeft, maar beter wordt met de leeftijd.

Er is natuurlijk nog een ander fenomeen dat in de analyse moet worden meegenomen: downtime. Het modelleren van downtime is waar voorraadtheorie in beeld komt. Downtime wordt gemodelleerd door een combinatie van twee verschillende distributies. Als er een reserveonderdeel beschikbaar is om het defecte onderdeel te vervangen, kan de downtime erg kort zijn, bijvoorbeeld één dag. Maar als er geen reserve op voorraad is, kan de downtime behoorlijk lang zijn. Zelfs als de reserve snel kan worden verkregen, kan het enkele dagen of een week duren voordat de machine kan worden gerepareerd. Als het reserveonderdeel door een verre leverancier moet worden vervaardigd en over zee moet worden vervoerd en vervolgens per spoor moet worden vervoerd naar uw fabriek, kan de uitvaltijd weken of maanden zijn. Dit alles betekent dat het bijhouden van een goede inventaris van reserveonderdelen erg belangrijk is om de productie op gang te houden.

Bij dit geaggregeerde type analyse wordt de machine behandeld als een zwarte doos die werkt of niet. Hoewel de details worden genegeerd van welk onderdeel het heeft begeven en wanneer, is een dergelijk model nuttig voor het inschatten van de pool van machines die nodig is om met grote waarschijnlijkheid een minimaal niveau van productiecapaciteit te handhaven.

De binominale verdeling is het waarschijnlijkheidsmodel dat relevant is voor dit probleem. De binominale is hetzelfde model dat bijvoorbeeld de verdeling beschrijft van het aantal "koppen" dat resulteert uit twintig worpen van een munt. In het machinebetrouwbaarheidsprobleem komen de machines overeen met munten, en een resultaat van koppen komt overeen met het hebben van een werkende machine.

Als voorbeeld, als

de kans dat een bepaalde machine op een bepaalde dag draait, is 90%
machinestoringen zijn onafhankelijk (bijv. geen overstroming of tornado om ze allemaal in één keer weg te vagen)
je hebt minimaal een kans van 95% nodig dat er op een bepaalde dag minstens 5 machines draaien

dan schrijft het binominale model zeven machines voor om je doel te bereiken.

Modellering van machinestoringen op basis van componentstoringen

Het Weibull-model kan ook worden gebruikt om het falen van een enkel onderdeel te beschrijven. Elke realistisch complexe productiemachine heeft echter meerdere onderdelen en heeft daarom meerdere faalwijzen. Dit betekent dat het berekenen van de tijd totdat de machine uitvalt een analyse vereist van een "race naar mislukking", waarbij elk onderdeel strijdt om de "eer" om als eerste te falen.

Als we de redelijke aanname maken dat onderdelen onafhankelijk van elkaar falen, wijst de standaardkanstheorie de weg naar het combineren van de modellen van het falen van individuele onderdelen tot een algemeen model van machinefalen. De tijd tot het eerste van vele onderdelen faalt heeft een poly-Weibull verdeling. Op dit punt kan de analyse echter behoorlijk ingewikkeld worden, en de beste stap zou kunnen zijn om over te schakelen van analyse-per-vergelijking naar analyse-per-simulatie.

Machinestoring simuleren op basis van de details van defecte onderdelen

Simulatieanalyse kreeg zijn moderne start als een spin-off van het Manhattan-project om de eerste atoombom te bouwen. De methode wordt ook vaak genoemd Monte Carlo simulatie naar het grootste gokcentrum ter wereld vroeger (vandaag zou het "Macau-simulatie" zijn).

Een simulatiemodel zet de logica van de opeenvolging van willekeurige gebeurtenissen om in overeenkomstige computercode. Vervolgens gebruikt het door de computer gegenereerde (pseudo-)willekeurige getallen als brandstof om het simulatiemodel aan te drijven. De faaltijd van elk onderdeel wordt bijvoorbeeld gemaakt door te putten uit de specifieke Weibull-faaltijdverdeling. Dan begint de vroegste van die storingstijden met de volgende episode van machinestilstand.

simulation of machine uptime over one year of operation

Afbeelding 2: een simulatie van de bedrijfstijd van een machine gedurende een jaar

Figuur 2 toont de resultaten van een simulatie van de uptime van een enkele machine. Machines doorlopen afwisselende periodes van uptime en downtime. In deze simulatie wordt aangenomen dat uptime een exponentiële verdeling heeft met een gemiddelde duur (MTBF = Mean Time Before Failure) van 30 dagen. Downtime heeft een 50:50 verdeling tussen 1 dag als er een reserve beschikbaar is en 30 dagen als dat niet het geval is. In de simulatie weergegeven in figuur 2 werkt de machine gedurende 85% van de dagen in één jaar in bedrijf.

Een geschatte formule voor machine-uptime

Hoewel Monte Carlo-simulatie nauwkeurigere resultaten kan opleveren, doet een eenvoudiger algebraïsch model het goed als benadering en maakt het gemakkelijker om te zien hoe de belangrijkste variabelen zich verhouden.

Definieer de volgende sleutelvariabelen:

MTBF = Mean Time Before Failure (dagen)
Pa = waarschijnlijkheid dat er een reserveonderdeel beschikbaar is wanneer dat nodig is
MDTshort = Mean Down Time als er een reserve beschikbaar is wanneer dat nodig is
MDTlong = Mean Down Time als er geen reserve beschikbaar is wanneer dat nodig is
Uptime = Percentage dagen dat de machine in bedrijf is.

Dan is er een eenvoudige benadering voor de Uptime:

Uptime ≈ 100 x MTBF/(MTBF + MDTkort x Pa + MDTlang x (1-Pa)). (Vergelijking 1)

Vergelijking 1 vertelt ons dat de uptime afhangt van de beschikbaarheid van een reserve. Als er altijd een reserve is (Pa=1), bereikt de uptime een piekwaarde van ongeveer 100 x MTBF/(MTBF + MDTshort). Als er nooit een reserve beschikbaar is (Pa=0), bereikt de uptime de laagste waarde van ongeveer 100 x MTBF/(MTBF + MDTlong). Wanneer de reparatietijd ongeveer net zo lang is als de normale tijd tussen storingen, zakt de uptime naar een onaanvaardbaar niveau in de buurt van 50%. Als er altijd een reserve beschikbaar is, kan de uptime de 100% benaderen.

Het relateren van machinestilstand aan de inventaris van reserveonderdelen

Het minimaliseren van uitvaltijd vereist een meervoudig initiatief met intensieve training van de machinist, gebruik van hoogwaardige grondstoffen, effectief preventief onderhoud en adequate reserveonderdelen. De eerste drie stellen de voorwaarden voor goede resultaten. De laatste gaat over onvoorziene omstandigheden.

Inventory Planning for Manufacturers MRO SAAS

Als een machine eenmaal uitvalt, vliegt het geld de deur uit en is er een premie om het snel weer op gang te krijgen. Deze scène kan zich op twee manieren afspelen. De goede heeft een reserveonderdeel klaarliggen, zodat de uitvaltijd tot een minimum kan worden beperkt. De slechte heeft geen reserveonderdelen beschikbaar, dus er is een strijd om de levering van het benodigde onderdeel te bespoedigen. In dit geval moet de fabrikant zowel de kosten van verloren productie als de kosten van versnelde verzending dragen, als dat al een optie is.

Als het voorraadsysteem goed is ontworpen, zal de beschikbaarheid van reserveonderdelen geen grote belemmering vormen voor de inzetbaarheid van de machine. Met het ontwerp van een voorraadsysteem bedoel ik de resultaten van verschillende keuzes: of het tekortbeleid een nabestellingsbeleid of een verliesbeleid is, of de inventarisatiecyclus periodiek of continu is, en welke bestelpunten en bestelhoeveelheden worden vastgesteld.

Wanneer voorraadbeleid voor producten wordt ontworpen, worden ze beoordeeld aan de hand van verschillende criteria. Serviceniveau is het percentage van de bevoorradingsperioden dat verstrijkt zonder dat er sprake is van voorraaduitval. Fill Rate is het percentage bestelde eenheden dat direct uit voorraad wordt geleverd. Het gemiddelde voorraadniveau is het typische aantal beschikbare eenheden.

Geen van deze is precies de maatstaf die nodig is voor de opslag van reserveonderdelen, hoewel ze allemaal gerelateerd zijn. De benodigde maatstaf is Artikelbeschikbaarheid, het percentage dagen waarin er ten minste één reserve klaar is voor gebruik. Hogere serviceniveaus, opvullingspercentages en voorraadniveaus impliceren allemaal een hoge itembeschikbaarheid en er zijn manieren om van de ene naar de andere om te schakelen. (Wanneer meerdere machines dezelfde voorraad reserveonderdelen delen, wordt voorraadbeschikbaarheid vervangen door de waarschijnlijkheidsverdeling van het aantal reserveonderdelen op een bepaalde dag. We laten dat complexere probleem voor een andere dag liggen.)

Het is duidelijk dat het aanhouden van een goede voorraad reserveonderdelen de kosten van machinestilstand vermindert. Natuurlijk zorgt het aanhouden van een goede voorraad reserveonderdelen voor eigen voorraad- en bestelkosten. Dit is het tweede voorraadprobleem van de fabrikant. Zoals bij elke beslissing met betrekking tot inventaris, is het belangrijk om de juiste balans te vinden tussen deze twee concurrerende kostenplaatsen. Zien dit artikel over probabilistische prognoses voor intermitterende vraag voor begeleiding bij het vinden van dat evenwicht.

gerelateerde berichten

Bel een Audible om proactief ruis in de supply chain tegen te gaan

Beheer van de inventaris van gepromote artikelen

Top 3 meest voorkomende voorraadbeheerbeleid

recente berichten

Het 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 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. […]
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: 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 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

Het 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. […]
Innovatie 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. […]
Toekomstbestendige 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. […]
Centreringswet: 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. […]

Blog Categorieën

Engineering op bestelling bij Kratos Space - beschikbaarheid van onderdelen een strategisch voordeel maken

Invoering

De Kratos Space-groep binnen National Security-technologie-innovator Kratos Defense & Security Solutions, Inc., produceert COTS-software en componentproducten voor ruimtecommunicatie, op maat gemaakte producten voor individuele klanten, evenals complete oplossingen voor satelliet- en grondsegmenten. Hun markt is een zeer veeleisende markt die vaak op maat gemaakte systemen vereist met uitzonderlijke prestaties en snelle leveringscycli. Kirk Smith, vice-president van Business Systems Innovation, ging met ons zitten om uit te leggen hoe onderdelenbeheer en planning centraal zijn komen te staan in hun operationele uitmuntendheid, waarbij ze talloze aangepaste projecten per jaar ondersteunen.

De uitdaging:

Engineering-to-order in de wereld van Kratos betekent dat traditionele prognoses van afgewerkte goederen u niet zullen helpen bij het plannen van de toekomst. In de op maat gemaakte markt biedt het verleden geen bruikbare voorspelling voor de toekomst, zelfs niet binnen de gerichte technologiegebieden van de Space Group. U weet gewoon niet van tevoren wat uw volgende klant van een systeem op maat gaat vragen. Dit is problematisch voor de contractfabrikanten (CM's) van het bedrijf die belangrijke assemblages op een lager niveau produceren - ze weten niet wat ze kunnen verwachten en zullen zonder enig advies niet in staat zijn om de vereiste onderdelen vooraf te bestellen en op voorraad te houden. Korte prognosehorizon en lange doorlooptijden van componenten maken concurrerend bieden op nieuwe projecten moeilijk, waarbij de levertijd cruciaal is.

Een concurrentievoordeel benutten

"Met oplossingen op maat en op maat is de nummer 1 reden dat we winnen, dat we zeer uitdagende problemen voor onze klanten oplossen", zegt Smith. Maar een goede tweede is een strategisch voordeel: het vermogen om die op maat gemaakte systemen snel te leveren. Kratos heeft een reeks eerder ontworpen en geconstrueerde bouwstenen (chassis- en bordniveau-assemblages) die kunnen worden toegepast op nieuw ontworpen oplossingen. Dit versnelt het ontwerp, maar omdat deze bouwstenen op maat zijn gemaakt voor elke klant, is het problematisch om ze op voorraad te hebben voor toekomstige verkopen - er zijn veel varianten. Als Kratos een manier zou kunnen vinden om hun board- en componentniveau-vereisten effectief te voorspellen, zouden ze in staat zijn om de end-to-end productietijd te verkorten, onderdeeltekorten die de levering vertragen tot een minimum te beperken en excessen te voorkomen die verouderde voorraad creëren.

De oplossing:

Kratos volgde een hybride planningsaanpak, waarbij de verkoopplanning door zijn business development-team werd gecombineerd met statistische prognoses van Smart Software. Smith legde het proces uit:

Deel 1 – Jaarlijkse prognose op het CM-gebouwde assemblageniveau:

Gebruik Smart om een voortschrijdende prognose van het assemblageniveau voor 12 maanden voor de CM te maken.
Vergelijk dit met de Business Development Opportunity Forecast
Combineer de inzichten van Smart met de Opportunity Forecast
Lever de resulterende aangepaste assemblageprognose aan de CM voor omzet- en capaciteitsplanning.

Deel 2 – Bieden van prognoses op componentniveau aan contractfabrikanten:

Voer prognose op assemblageniveau in de ERP-stuklijstfunctie, waardoor de vraag op componentniveau naar alle onderdelen explodeert.
De vraag aggregeren op onderdeelnummer, prognoses op componentniveau genereren.
Bied prognoses aan CM-inkoop zodat ze kunnen bepalen wanneer ze vooruit moeten kopen of bestellingen moeten verhogen om volumeprijsonderbrekingen vast te leggen. Wanneer ze een kans zien, nemen ze contact op met Kratos, krijgen toestemming en verhogen het aantal aankopen, met als gevolg dat de materiaalkosten en doorlooptijden worden verlaagd.
Ook vermindert het verstrekken van jaarlijkse prognoses de terugkoopdruk van de CM's - Kratos is verplicht om ongebruikte componenten terug te kopen, maar nu zien de CM's kansen op componentniveau en de waarde van het aanhouden van voorraden.

Resultaten:

In de afgelopen drie jaar heeft deze aanpak Kratos in staat gesteld de materiaalkosten te verlagen. Bovendien kan Kratos samenwerken met zijn contractfabrikanten om het voorraadrisico te verminderen en kortere leveringsverplichtingen te realiseren. Door te werken met componenten met een doorlooptijd van maximaal zes maanden, zijn ze in staat om met vertrouwen leveringsdata voor de klant voor te stellen en te halen.

Jon Good, General Manager bij contractfabrikant NeoTech, deelde hun ervaring. “We gebruiken de slimme voorspelling van Kratos' Space-groep om te helpen profiteren van prijsverlagingen voor materiaal bij grotere hoeveelheden die anders niet zichtbaar zouden zijn in ons huidige bedrijfsmodel. Dit stelt ons in staat om de materiaalkosten te verlagen, wat zich op de lange termijn vertaalt in lagere prijzen voor Kratos.”

Goed voegde eraan toe dat een ander gebruik is om het waarschijnlijke materiaalverbruik over een langere periode te voorspellen dan alleen zichtbaar zou zijn bij openstaande bestellingen. “Dit stelt ons in staat om de positie van onze beschikbare voorraad realistischer te begrijpen in termen van overmaat. Deze twee voordelen stellen NEOTech in staat om slimmere beslissingen te nemen met betrekking tot inkoop en voorraadbeheer, terwijl het tegelijkertijd dagen en weken bespaart aan de voorkant van het proces en het eindproduct zo snel mogelijk aan Kratos levert.”

Vooruitkijkend ziet Smith nog meer mogelijkheden om samen te werken met Kratos Space CM's om hun toeleveringsketen en bijbehorende kosten te stroomlijnen. "Het komt erop neer", zegt Smith, "dat we nu effectiever kunnen communiceren met onze CM-partners, ondanks het gebrek aan voorspelbaarheid in ons bedrijf, en tegelijkertijd de materiaalkosten kunnen verlagen en de doorlooptijden kunnen verkorten."

De voordelen van kansvoorspelling

}

De slimme voorspeller

Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

De meeste vraagprognoses zijn gedeeltelijk of onvolledig: ze bieden slechts één enkel getal: de meest waarschijnlijke waarde van de toekomstige vraag. Dit wordt een puntvoorspelling genoemd. Gewoonlijk schat de puntvoorspelling de gemiddelde waarde van de toekomstige vraag.

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

Het gemiddelde is niet het antwoord

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

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

Verder gaan dan het gemiddelde: waarschijnlijkheidsvoorspellingen

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

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

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

Bonus: toepassing op voorraadbeheer

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

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

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

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

gerelateerde berichten

recente berichten

Het 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 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. […]
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: 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 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

Het 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. […]
Innovatie 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. […]
Toekomstbestendige 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. […]
Centreringswet: 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. […]