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.

Voorraadplanning vanuit het perspectief van een natuurkundige

In een perfecte wereld zou Just In Time (JIT) de geschikte oplossing zijn voor voorraadbeheer. Als je precies kunt voorspellen wat je nodig hebt en waar je het nodig hebt en je leveranciers kunnen krijgen wat je nodig hebt zonder vertraging, dan hoef je lokaal niet veel voorraad aan te houden. Maar zoals het gezegde luidt van de beroemde bokser Mike Tyson: "iedereen heeft een plan totdat ze in de mond worden geslagen." En de laatste klap in de mond voor de wereldwijde toeleveringsketen was de blokkade van het Suezkanaal van vorige week die $9.6B in de handel tegenhield en naar schatting $6.7M per minuut kostte[1]. Verstoringen als gevolg van deze en soortgelijke gebeurtenissen moeten worden gemodelleerd en in uw planning worden verantwoord.

De veronderstelling dat je precies kunt toekomst voorspellen bleek uit de wetten van Isaac Newton. Sinds de jaren 1920, met de introductie van de kwantumfysica, werd onzekerheid fundamenteel voor ons begrip van de natuur. Onzekerheid is ingebouwd in de fundamentele realiteit. Zo moet het ook worden ingebouwd in processen voor vraag- en aanbodplanning. Maar al te vaak worden Black Swan-evenementen, zoals de blokkade van het Suezkanaal, vaak gezien als anomalieën en als gevolg daarvan worden ze buiten beschouwing gelaten bij de planning. Het is niet genoeg om achteraf terug te kijken en te verkondigen dat het had kunnen worden verwacht. Er moet iets worden gedaan om het optreden van andere dergelijke gebeurtenissen in de toekomst aan te pakken en de voorraadniveaus dienovereenkomstig te plannen.

We moeten verder gaan dan het denken van "dunne staartverdeling", waarbij extreme uitkomsten worden verdisconteerd, en plannen maken voor "dikke staarten". Dus hoe voeren we een real-world JIT-plan uit als het gaat om het plannen van inventaris? Om dit te doen, is de eerste stap het inschatten van de realistische doorlooptijd om een artikel te verkrijgen. Schatting is echter moeilijk vanwege de onzekerheid over de doorlooptijd. Met behulp van actuele doorlooptijden van leveranciers in uw bedrijfsdatabase en externe gegevens, kunt u een verdeling van mogelijke toekomstige doorlooptijden en eisen binnen die doorlooptijden ontwikkelen. Probabilistische prognoses stelt u in staat om rekening te houden met verstoringen en ongebruikelijke gebeurtenissen door uw schattingen niet te beperken tot wat uitsluitend is waargenomen op basis van uw eigen kortetermijngegevens over vraag en doorlooptijd. U kunt voor elke gebeurtenis mogelijke uitkomsten met bijbehorende kansen genereren.

Zodra u een schatting heeft van de doorlooptijd en vraagverdeling, kunt u dat doen specificeer het serviceniveau je moet hebben voor dat onderdeel. Het gebruik van oplossingen zoals Slimme voorraadoptimalisatie (SIO), kunt u vol vertrouwen bevoorraden op basis van het beoogde voorraadrisico met minimale voorraadkosten. U kunt ook overwegen om de oplossing optimale serviceniveaudoelen te laten voorschrijven door de kosten van extra voorraad versus de kosten van voorraaduitval te beoordelen.

​Terwijl de wereld zijn adem inhoudt om te zien hoe het nieuwe coronavirus (2019-nCOV) zich zal ontwikkelen, kruisen we onze vingers voor al diegenen die momenteel in quarantaine of onder behandeling zijn en bidden dat gezondheidsautoriteiten over de hele wereld binnenkort de overhand zullen krijgen .

Deze korte opmerking gaat over een manier waarop uw bedrijf een plan kan ontwikkelen om zich aan te passen aan een van de mogelijke gevolgen van het virus: plotselinge toename van de tijd die nodig is om voorraadaanvulling van leveranciers te krijgen. Toeleveringsketens over de hele wereld worden verstoord. Als dit jou overkomt, hoe kun je dan systematisch reageren?

Reageren op langere doorlooptijden

Dit is een probleem dat kan worden opgelost met behulp van geavanceerde supply chain-analyses. Waarschijnlijk hebt u deze technologie al gebruikt om goede keuzes te maken voor de controleparameters die worden gebruikt bij het beheer van al uw voorraaditems, bijvoorbeeld waarden voor Min en Max of bestelpunt en bestelhoeveelheid. De specifieke technische vraag die hier aan de orde komt, is hoe een toename van de doorlooptijd van aanvullingen kan worden omgezet in veranderingen in die controleparameters.

Over het algemeen vereisen langere doorlooptijden dikkere voorraden als u een hoog niveau van klantenservice wilt behouden. Deze algemene regel vertaalt zich in grotere waarden van Min en/of Max. Hoeveel groter hangt kritisch af van welke nieuwe, langere doorlooptijdwaarden zullen verschijnen en hun waarschijnlijkheid van voorkomen.

Hoewel veel planningssoftwaresystemen uitgaan van een vaste doorlooptijd, is de realiteit dat bijna alle doorlooptijden een zekere mate van willekeur hebben. Door te negeren dat willekeur het risico op stockout vergroot, is het belangrijk om een goede schatting te hebben van de waarschijnlijkheidsverdeling van doorlooptijden. In normale tijden kunnen uw transactiegegevens worden gebruikt om die relatie in te schatten. Maar plotselinge verstoringen zoals 2019-nCOV creëren ongekende situaties waarin u weloverwogen moet raden welke nieuwe vertragingen u zult zien en hoe waarschijnlijk die zijn. We gaan er hier van uit dat u zich een aantal van dergelijke scenario's kunt voorstellen en wilt uitzoeken hoe u er het beste op kunt reageren.

Een voorbeeld met behulp van geavanceerde software

Overweeg een hypothetisch voorbeeld om dit soort prospectieve planning te illustreren. Eén item, een reserveonderdeel, heeft een vast patroon van doorlooptijden voor aanvulling, met vertragingen van 5, 10 en 15 dagen met respectievelijk 15%-, 70%- en 15%-kansen. Gezien deze verdeling en een willekeurige vraag van gemiddeld één eenheid per 5 dagen, doen waarden van Min = 5 en Max = 10 het goed. Figuur 1 toont een simulatie van 10 jaar dagelijks gebruik onder dit scenario. Het opvullingspercentage en het serviceniveau zijn hoog, en stockouts komen niet vaak voor.

Stel nu dat verstoringen in de supply chain zorgen voor een minder gunstige verdeling van de doorlooptijd, met een 50:50 mix van 15 en 30 dagen. Figuur 2 laat zien hoe slecht de huidige waarden van Min en Max presteren in dit nieuwe scenario. Het vulpercentage en het serviceniveau kelderen als gevolg van frequente stockouts. Bedrijfskosten meer dan verdrievoudigd door boetes voor backorders. Alleen voorraadinvesteringen (de gemiddelde dollarwaarde van de voorraad in het schap) lijken beter te worden, maar dit gebeurt alleen omdat er zo vaak backorders zijn met niets meer op het schap. De verschuiving naar langere doorlooptijden vraagt duidelijk om nieuwe hogere waarden van Min en Max.

Afbeelding 3 laat zien hoe het systeem presteert wanneer de Min wordt verhoogd van 5 naar 10 en de Max van 10 naar 15. Deze wijziging compenseert de langere doorlooptijden en herstelt de eerdere hoge niveaus van opvullingspercentage en serviceniveau. Voorraadinvesteringen zijn noodzakelijkerwijs groter, maar de bedrijfskosten zijn in feite lager dan voorheen.

Overzicht

Veranderingen in de normale bedrijfsomstandigheden vereisen aanpassingen in de manier waarop voorraaditems worden beheerd. Een van die grote veranderingen die op deze datum opdoemt, is de potentiële impact van het 2019-nCOV Corona-virus op de toeleveringsketens, met verwachte langere bevoorradingstijden.

Wijzigingen in doorlooptijden vereisen wijzigingen in voorraadbeheerparameters zoals min's en max's. Deze wijzigingen zijn moeilijk met enig vertrouwen door te voeren met puur giswerk. Maar met enige inschatting van de toename van doorlooptijden, kunt u geavanceerde software gebruiken om met enig vertrouwen te leren hoe u deze aanpassingen kunt maken.

Deze notitie illustreert dit punt aan de hand van simulaties van de dagelijkse werking van een voorraadbeheersysteem.

Figuur 1 Simulatie van normale operaties met behulp van huidige bevoorradingsdoorlooptijden, Min en Max

Figuur 2 Simulatie van abnormale operaties met langere doorlooptijden en huidige Min en Max

Figuur 3 Simulatie van abnormale operaties met langere doorlooptijden en herziene Min en Max

Stoppen met alles kopen, van paperclips tot software? Nee. Je zou een beetje slim moeten zijn over hoe je het gaat uitrijden.

Zelfs in normale tijden suggereert een goede voorraadhygiëne dat u uw voorraadcontroleparameters continu bijwerkt: bestelpunten, bestelhoeveelheden, veiligheidsvoorraden, mins, maxes, doorlooptijden. Daarnaast moet u uw voorraadstrategieën bijwerken, zoals het aanpassen van de beoogde serviceniveaus of opvullingspercentages voor elk item dat u in uw bezit heeft. Dat is het 'zou moeten'.

Maar in normale tijden is het gemakkelijk genoeg om die aanpassingen te laten glijden en je op andere dingen te concentreren. Dan, wanneer het eerste vleugje recessie in de lucht hangt, raak je misschien in paniek en kom je in actie op een manier die het moeilijker maakt om de down-times te overleven. Je kunt er beslissend uitzien door in wezen vast te lopen of zelfs sommige dingen af te sluiten, maar je loopt het risico om nu beslissend over te komen en later dwaas.

Het is beter om de balans op te maken van uw gehele huidige inventarisatie en die afstemming uit te voeren voordat het echt slecht wordt. Het komt vaak genoeg voor dat voorraadparameters, zoals bestelpunten, op hun huidige niveau worden ingesteld door iemand die ergens in het verre verleden al lang weg is, om de een of andere reden die niemand zich herinnert. Na verloop van tijd veranderen de omstandigheden, maar het systeem past zich niet aan. Het begin van een mogelijke recessie is dus een geschikt moment om uw voorraadoptimalisatiesoftware uit te voeren om uw activiteiten af te stemmen.

Het kan zijn dat u voldoende slib uit uw huidige systeem kunt verwijderen om een deel of al het slechte nieuws te compenseren. Uw leveranciers vullen bestellingen bijvoorbeeld sneller aan dan uw software denkt, zodat u voorraden kunt verkleinen zonder het risico te lopen dat er meer voorraad ontstaat door bestelpunten opnieuw te berekenen. Als u vindt dat u voorraden moet verminderen en uw klanten moet vragen om lagere opvullingspercentages te accepteren, moet u uw voorraadoptimalisatiesoftware gebruiken om de beste items te identificeren die u op het hakblok kunt plaatsen, in plaats van bijvoorbeeld het opvullingspercentage van elk item met 5% aan te passen. Als u duizenden of tienduizenden inventarisitems heeft, is dat soort lasergerichte aanpassing misschien niet menselijk mogelijk zonder goede softwareondersteuning. Maar met goede softwareondersteuning is het te doen en nuttig.

Voordat u op de paniekknop drukt, moet u alle inefficiëntie uit uw huidige activiteiten persen. Als u, zoals gebruikelijk, goede software heeft maar uw mensen slechts een fractie van de mogelijkheden ervan gebruiken, repareer dat dan en haal meer uit de investering. Als u geen moderne voorraadoptimalisatie heeft, neem dan een anticyclische beslissing en koop er wat.

Als u meer wilt lezen over vraagplanning, prognoses en het vinden van nieuwe zakelijke kansen in een economische recessie, lees dan dit Journal of Business Forecasting-artikel van het Institute of Business Forecasting (IBF) hier of blijf onze lezen nieuwe artikelen