Taiichi Ohno van Toyota wordt gecrediteerd voor het uitvinden van Just-In-Time (JIT) -productie in de jaren vijftig. JIT zorgt ervoor dat een fabrikant alleen produceert wat nodig is, alleen wanneer nodig en alleen in de benodigde hoeveelheid. Die innovatie heeft sindsdien grote gevolgen gehad, sommige goed, sommige minder.

Een recent artikel in de New York Times "How the World Ran out of Everything" beschrijft enkele van de "mindere" effecten. JIT heeft bijvoorbeeld de voorraadkosten zeer laag gehouden, waardoor het rendement op activa is verbeterd. Dit wordt op zijn beurt beloond door Wall Street, dus veel bedrijven hebben de afgelopen decennia hun voorraden drastisch verminderd. Gefocust als ze waren op financiën, negeerden veel bedrijven de risico's die inherent zijn aan het verminderen van voorraden tot het punt dat 'mager' begon te grenzen aan 'uitgemergeld'. Gecombineerd met de toegenomen globalisering en nieuwe risico's van leveringsonderbrekingen, zijn de voorraden in overvloed toegenomen.

Sommige industrieën zijn te ver gegaan, waardoor ze blootstaan aan disruptie. In een competitie om de laagste kosten te krijgen, hebben bedrijven onbedoeld hun risico geconcentreerd, onderbroken door tekorten aan grondstoffen of componenten en soms gedwongen om assemblagelijnen stop te zetten. Wall Street kijkt niet goed naar productiestops.

We weten allemaal dat willekeurige gebeurtenissen het probleem hebben vergroot. De eerste daarvan was de Covid-pandemie. Aangezien de pandemie de fabrieksactiviteiten heeft belemmerd en wanorde heeft veroorzaakt in de wereldwijde scheepvaart, worden veel economieën over de hele wereld gekweld door tekorten aan een enorm scala aan goederen – van computerchips tot hout tot kleding.

De schade wordt nog groter als er meer onverwachte dingen fout gaan. De blokkade van het Suezkanaal is een goed voorbeeld, het blokkeren van de belangrijkste handelsroute tussen Europa en Azië. Onlangs hebben cyberaanvallen een nieuwe laag van verstoring toegevoegd.

De reactie creëert zijn eigen problemen, net zoals de cyberaanval op de koloniale pijpleiding gastekorten veroorzaakte door paniekaankopen. Leveranciers beginnen langzamer dan normaal met het uitvoeren van bestellingen. Fabrikanten en distributeurs keren de koers om en vergroten hun voorraden en diversifiëren hun leveranciers om toekomstige voorraden te voorkomen. Het simpelweg uitbreiden van magazijnen biedt misschien niet de oplossing, en de noodzaak om te bepalen hoeveel voorraad moet worden aangehouden, wordt elke dag urgenter.

Software voor voorraadoptimalisatie wordt meestal gebruikt om de analytische resultaten te verkrijgen die u nodig heeft om uw dagelijkse activiteiten uit te voeren, zoals bestelpunten (ook bekend als Mins) en bestelhoeveelheden. Deze gespecialiseerde software helpt u bij het vinden van de optimale balans tussen voorraadkosten en artikelbeschikbaarheid tijdens routinewerkzaamheden.

Voorraadoptimalisatiesoftware kan ook worden gebruikt om 'wat-als'-analyses uit te voeren op scenario's die wijzigingen in uw huidige bedrijfsomgeving beschrijven. Wat-als-analyse (ook wel "gevoeligheidsanalyse" genoemd) stelt u in staat uw denken te verheffen van tactisch naar strategisch. Het helpt u zich voor te stellen hoe u uw activiteiten moet aanpassen om u aan te passen aan mogelijke veranderingen in uw werkomgeving. Deze veranderingen kunnen negatieve druk zijn die van buitenaf op u wordt uitgeoefend, of ze kunnen het gevolg zijn van uw eigen positieve acties. In deze blog geven we een voorbeeld van hoe je “wat-analyse” kunt uitvoeren op doorlooptijden en bestelhoeveelheden. De resultaten van de analyse kunnen door het bedrijf worden gebruikt om de impact van deze wijzigingen op de voorraadkosten en de serviceniveauprestaties te beoordelen.

Hoe leveranciers uw bewegingsvrijheid beperken

Toen we met onze klanten de gegevensinvoer bespraken die nodig is voor voorraadoptimalisatiesoftware, merkten we dat leveranciers een prominente invloed hebben op hun activiteiten. Belangrijke onderwerpen als delen laten we voorlopig buiten beschouwing vraag prognoses met leveranciers en het uitwerken van reacties op verstoringen in de toeleveringsketen, zoals orkaan Matthew vorig jaar in het zuidoosten van de VS. In plaats daarvan richten we ons op twee meer gebruikelijke manieren waarop leveranciers de voorraadkosten van producenten beïnvloeden: doorlooptijden voor aanvulling en beperkingen op bestelhoeveelheden.

De doorlooptijd voor aanvulling is het aantal dagen dat verstrijkt tussen het bereiken of overschrijden van een bestelpunt door de voorraad en het verschijnen van aanvullingseenheden op voorraad. Een deel van de doorlooptijd is intern bij de producent, misschien als gevolg van trage reacties op een inkoopafdeling. De rest van de doorlooptijd is aan de leverancier. In deze discussie gaan we ervan uit dat de bijdrage van leveranciers aan doorlooptijden kan veranderen, ten goede of ten kwade. (Maar dezelfde resultaten kunnen van toepassing zijn op veranderingen in de bijdragen van producenten aan doorlooptijden.)

De beperkingen op bestelhoeveelheden die we beschouwen zijn bestelminima en bestelveelvouden. Misschien wilt u 3 eenheden van een artikel bestellen, maar de leverancier kan een minimale bestelgrootte van 6 eenheden opleggen, dus uw bestelling van 3 eenheden zou een bestelling van 6 eenheden moeten worden. Of misschien wilt u 21 eenheden bestellen, wat handig de minimale bestelgrootte van 6 eenheden overschrijdt, maar als de leverancier ook een veelvoud van 6 heeft, wat betekent dat elke bestelling een veelvoud van 6 eenheden moet zijn, dan moet uw bestelling van 21 eenheden worden verhoogd tot 24 eenheden.

Scenario-analyses

Om het gebruik van voorraadoptimalisatiesoftware voor wat-als-analyse te illustreren, onderzoeken we twee reeksen scenario's. In de eerste set variëren de doorlooptijden van -20% tot +20% van hun waarden in een basisscenario. In de tweede set worden de resultaten eerst berekend zonder leveranciersbeperkingen, vervolgens met alleen bestelminima en ten slotte met een combinatie van bestelminima en bestelveelvouden. Voor de berekeningen gebruiken we Smart Inventory Optimization software.

Het basisscenario maakt gebruik van real-world gegevens over 2.852 reserveonderdelen die worden beheerd door een vooruitstrevend openbaar vervoersbedrijf. Deze onderdelen hebben een zeer heterogene mix van attributen. Hun kosten per eenheid variëren van $1 tot $23.105, en hun doorlooptijden variëren tussen 1 dag en 300 dagen. Gedurende 24 maanden varieerde de gemiddelde vraag van minder dan 1 eenheid per maand tot 1.508 eenheden per maand, met variatiecoëfficiënten variërend van een beheersbare 10% tot een enge 2.171%. Bovendien is het leveranciersbeeld ook erg complex, met 293 unieke leveranciers die elk gemiddeld ongeveer 10 onderdelen leveren. Deze heterogeniteit houdt in dat een real-world optimalisatie zou kiezen tussen items en leveranciers. Voor de eenvoud van uiteenzetting en om basisinzichten te ontwikkelen, behandelen onze wat-als-scenario's in dit voorbeeld echter elk artikel en elke leverancier gelijk. Evenzo gingen we er in de basislijn van uit dat de bewaarkosten gelijk waren aan 20% van de dollarwaarde van een artikel en dat elke aanvullingsorder vaste kosten had van $40.

We hebben twee wat-als-experimenten uitgevoerd. In de eerste werd gekeken naar de effecten van veranderende doorlooptijden. De tweede onderzocht de effecten van het invoeren van beperkingen op bestelhoeveelheden. In elk experiment hebben we de effecten van de wijzigingen op twee operationele statistieken vastgelegd: gemiddeld aantal eenheden op voorraad en gemiddeld aantal bestellingen per jaar. Deze beïnvloedden op hun beurt vier financiële maatstaven: gemiddelde dollarwaarde van voorraad, gemiddelde voorraadkosten, gemiddelde bestelkosten en de som van de laatste twee, de totale bedrijfskosten van de voorraad.

In alle scenario's werden bestelpunten berekend om een waarschijnlijkheid van 95% te bereiken om stockouts te vermijden in afwachting van aanvulling. Bestelhoeveelheden, bij afwezigheid van leveranciersbeperkingen, werden berekend als wat we "haalbare EOQ" noemen. EOQ is de klassieke "economische bestelhoeveelheid" die wordt geleerd in inventaris 101; het wordt berekend op basis van de gemiddelde vraag, bewaarkosten en bestelkosten. Haalbare EOQ voegt een extra overweging toe: voorraaddynamiek. Als het bestelpunt erg laag is, is het mogelijk dat de EOQ te klein is om een stabiel, positief voorraadniveau te behouden. In deze gevallen verhoogt de haalbare EOQ de bestelhoeveelheid boven de EOQ om ervoor te zorgen dat de gemiddelde voorraad niet negatief wordt.

Effecten van veranderende doorlooptijden

Tabel 1 toont de resultaten van het wijzigen van de doorlooptijden. Rondom het basisscenario hebben we de doorlooptijd van elk artikel gewijzigd met -20%, -10%, +10% en +20%.

Het is geen verrassing dat het verkorten van de doorlooptijden het vereiste voorraadniveau verlaagde en het verhogen ervan het tegenovergestelde deed. Zowel het gemiddelde aantal eenheden als de bijbehorende dollarwaarde gedroeg zich zoals verwacht. Wat misschien verrassend is, is dat de effecten enigszins gedempt waren, dat wil zeggen dat een verandering van X procent in doorlooptijd een respons van minder dan X procent opleverde. Een verkorting van de doorlooptijd in 20% zorgde bijvoorbeeld voor slechts een vermindering van 7,9% in de voorhanden voorraad en slechts een vermindering van 12,0% in de dollarwaarde van die eenheden. Bovendien zijn de effecten van verlagingen en verhogingen asymmetrisch: een toename van de doorlooptijd met 20% leidde tot een toename van slechts 7,3% in eenheden (versus 7,9%) en slechts een stijging van de voorraadwaarde met 9,6% (versus 12.0%).

Vergelijkbare verzwakte en asymmetrische resultaten aangehouden voor bedrijfskosten. Een verkorting van de doorlooptijd in 20% verlaagde de totale bedrijfskosten met 7.0%, maar een toename in doorlooptijd in 20% veroorzaakte slechts een stijging van de bedrijfskosten met 5.1%.

Overweeg nu de implicaties van deze resultaten voor de praktijk. In een competitieve wereld zijn kostenbesparingen in de orde van grootte van 10% of zelfs 5% aanzienlijk. Dit betekent dat inspanningen om doorlooptijden te verkorten belangrijke voordelen kunnen hebben. Dit betekent op zijn beurt dat inspanningen om inkoopprocessen te stroomlijnen de moeite waard kunnen zijn. Evenzo is er reden om leveranciers te betrekken bij het verkorten van hun deel van de doorlooptijd, mogelijk door de besparingen te delen om hen te stimuleren.

Tabel 1: Effecten van veranderende doorlooptijden

Effect van beperkingen op bestelhoeveelheid

Tabel 2 toont het effect van het opleggen van leveranciersbeperkingen op bestelhoeveelheden. In het basisscenario zijn er geen beperkingen, dwz het bestelminimum is 0 en het bestelveelvoud is 1, wat inhoudt dat elke bestelhoeveelheid acceptabel is voor leveranciers. Weg van het basisscenario, hebben we eerst gekeken naar het opleggen van een bestelminimum van 5 eenheden voor alle artikelen, en vervolgens een bestelveelvoud van 5 toe te voegen voor alle artikelen.

Het forceren van bestellingen om groter te zijn dan ze anders zouden zijn, had de verwachte impact op het gemiddelde aantal beschikbare eenheden, door het met 0,9% te verhogen met alleen een minimumbestelling en met 3,4% met zowel een minimum als een veelvoud. De overeenkomstige veranderingen in de dollarwaarde van de inventaris waren dramatischer: 22.4% en 23.3%. Dit verschil in de grootte van het responspercentage is waarschijnlijk terug te voeren op het grote aantal vervangende onderdelen met een laag volume/hoge kosten dat door het openbaar vervoerbedrijf wordt beheerd.

Een andere verrassing was de netto verlaging van de bedrijfskosten toen leveranciersbeperkingen werden opgelegd. Terwijl de voorraadkosten stegen met 22,4% en 23,3% in de twee wat-als-scenario's, lieten de grotere bestelhoeveelheden minder bestellingen per jaar toe, wat resulteerde in een compenserende verlaging van de bestelkosten van respectievelijk -24,4% en -32,7%. De netto-effecten op de bedrijfskosten waren toen verlagingen van 3,7% en 7,9%.

Over het algemeen wordt verwacht dat het opleggen van beperkingen aan acties van producenten de prestaties vermindert. De resultaten in deze scenario's waren dus contra-intuïtief. De echte boodschap hier is echter dat het gebruik van EOQ, of zelfs verbeterde EOQ, om een bestelhoeveelheid in te stellen geen optimale resultaten oplevert. Paradoxaal genoeg lijken de door ons onderzochte beperkingen van de bestelhoeveelheid de bestelhoeveelheden dichter bij het optimale niveau te hebben gebracht.

Tabel 2: Effect van beperkingen op bestelhoeveelheid

Conclusies

De hier getoonde wat-als-analyses leiden niet tot universele conclusies. Als u bijvoorbeeld de veronderstelde kosten per bestelling wijzigt van $40 naar een kleiner aantal, kan dit aantonen dat de leveranciersbeperkingen de voorraadkosten van de producent hebben verhoogd in plaats van verlaagd.

Bij het uitvoeren van wat-als-analyses in echte situaties, zouden gebruikers natuurlijk scenario's maken op een lager detailniveau. Ze kunnen bijvoorbeeld het effect van wijzigingen in de doorlooptijden van leveranciers per leverancier evalueren om diegene te vinden die de hoogste potentiële uitbetalingen zouden opleveren. Of ze kunnen ervoor zorgen dat bestelminima, als ze al voor alle artikelen bestaan, met een bepaald percentage veranderen in plaats van met een vast bedrag, wat misschien wat realistischer is.

De belangrijkste conclusie is dat software voor voorraadoptimalisatie kan worden gebruikt in de "wat-als-modus" om strategische kwesties te onderzoeken, naast het gebruikelijke gebruik om bestelpunten, veiligheidsvoorraden, bestelhoeveelheden en voorraadoverdrachten te berekenen.

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.

Waarom willekeurige Service Level Targets kiezen? Leer hoe u automatisch de optimale Targets @scale kunt selecteren om de totale kosten voor uw bedrijf te minimaliseren.

Er zijn onvermijdelijke afwegingen tussen voorraadkosten en artikelbeschikbaarheid. De app Smart Inventory Optimization (SIO) berekent alle belangrijke statistieken om die afwegingen bloot te leggen. U kunt "wat als"-experimenten proberen, zoals "Wat gebeurt er met tekortkosten als we het bestelpunt verhogen van 5 naar 10?". Beter nog, u kunt SIO het optimale bedrijfsbeleid laten vinden, bijvoorbeeld de laagste kostencombinatie van bestelpunt en bestelhoeveelheid die een 95%-serviceniveau garandeert.