Er is een oud grapje: "Er zijn twee soorten mensen - zij die geloven dat er twee soorten mensen zijn, en zij die dat niet doen." We kunnen die grap aanpassen: "Er zijn twee soorten mensen - zij die weten dat er drie soorten supply chain-analyse zijn, en zij die deze blog nog niet hebben gelezen."

De drie typen supply chain-analyse zijn 'beschrijvend', 'voorspellend' en 'voorschrijvend'. Elk speelt een andere rol bij het helpen bij het beheren van uw voorraad. Met moderne supply chain-software kunt u alle drie benutten.

Beschrijvende analyses

Beschrijvende analyses zijn het spul van dashboards. Ze vertellen je "wat er nu gebeurt." In deze categorie zijn samenvattingscijfers opgenomen zoals dollars die momenteel in voorraad zijn geïnvesteerd, het huidige niveau van klantenservice en opvullingspercentage, en gemiddelde doorlooptijden van leveranciers. Deze statistieken zijn handig om uw activiteiten bij te houden, vooral wanneer u wijzigingen daarin van maand tot maand bijhoudt. U zult elke dag op hen vertrouwen. Ze vereisen nauwkeurige bedrijfsdatabases, statistisch verwerkt.

Voorspellende analyse

Voorspellende analyses manifesteren zich meestal als prognoses van de vraag, vaak opgesplitst per product en locatie en soms ook per klant. Deze statistieken geven vroegtijdige waarschuwingen, zodat u productie, personeel en inkoop van grondstoffen kunt versnellen om aan de vraag te voldoen. Ze bieden ook voorspellingen van het effect van wijzigingen in het bedrijfsbeleid, bijvoorbeeld: wat gebeurt er als we onze bestelhoeveelheid voor product X verhogen van 20 naar 25 eenheden? U kunt periodiek, misschien wekelijks of maandelijks, vertrouwen op Predictive Analytics wanneer u opkijkt van wat er nu gebeurt om te zien wat er daarna zal gebeuren. Predictive Analytics gebruikt beschrijvende analyse als basis, maar voegt meer mogelijkheden toe. Predictive Analytics voor vraagprognoses vereist geavanceerde statistische verwerking om kenmerken van de productvraag zoals trend, seizoensinvloeden en verandering van regime. Predictive Analytics voor voorraadbeheer gebruikt prognoses van de vraag als invoer in modellen van de werking van voorraadbeleid, die op hun beurt schattingen geven van belangrijke prestatiestatistieken zoals serviceniveaus, opvullingspercentages, en werkingskosten.

Prescriptieve analyses

Prescriptieve analyses gaan niet over wat er nu gebeurt of wat er daarna gaat gebeuren, maar over wat u vervolgens zou moeten doen, dwz ze bevelen beslissingen aan die gericht zijn op het maximaliseren van de prestaties van het inventarisatiesysteem. U kunt op Prescriptive Analytics vertrouwen om uw gehele voorraadbeleid zo goed mogelijk vorm te geven. Prescriptive Analytics gebruikt Predictive Analytics als basis en voegt vervolgens optimalisatiemogelijkheden toe. Prescriptive Analytics-software kan bijvoorbeeld automatisch de beste keuzes maken voor toekomstige waarden van min's en max's voor duizenden inventarisitems. Hier kan 'beste' de waarde van Min en Max voor elk artikel betekenen die de bedrijfskosten minimaliseert (de som van kosten voor vasthouden, bestellen en tekorten) terwijl een 90%-minimum voor het opvullingspercentage van artikelen wordt gehandhaafd.

Voorbeeld

Onderstaande figuur laat zien hoe supply chain analytics de voorraadbeheerder kan helpen. De kolommen tonen drie voorspelde Key Performance Indicators (KPI's): serviceniveau, voorraadinvestering en bedrijfskosten (holdingkosten + bestelkosten + tekortkosten).

 Afbeelding 1: de drie soorten analyses die worden gebruikt om planningsscenario's te evalueren

De rijen tonen vier alternatieve voorraadbeleidslijnen, uitgedrukt als scenario's. Het “Live” scenario rapporteert over de waarden van de KPI's op 1 juli 2018. Het “99% All” scenario wijzigt het huidige beleid door het serviceniveau van alle artikelen te verhogen naar 99%. Het scenario "75 verdieping/99 plafond" verhoogt serviceniveaus die te laag zijn tot 75% en verlaagt zeer hoge (dwz dure) serviceniveaus tot 95%. Het scenario "Optimalisatie" schrijft artikelspecifieke serviceniveaus voor die de totale bedrijfskosten minimaliseren.

Het scenario “Live 01-07-2018” is een voorbeeld van beschrijvende analyse. Het toont de huidige basislijnprestaties. De software stelt de gebruiker vervolgens in staat wijzigingen in het voorraadbeleid uit te proberen door nieuwe "Wat als"-scenario's te creëren die vervolgens kunnen worden omgezet in benoemde scenario's voor verdere overweging. De volgende twee scenario's zijn voorbeelden van Predictive Analytics. Ze beoordelen allebei de gevolgen van hun aanbevolen beleid voor voorraadbeheer, dwz de aanbevolen waarden van Min en Max voor alle artikelen. Het scenario 'Optimalisatie' is een voorbeeld van Prescriptive Analytics omdat het een beste compromisbeleid aanbeveelt.

Overweeg hoe de drie alternatieve scenario's zich verhouden tot het "Live" basisscenario. Het scenario "99% All" verhoogt de beschikbaarheidsstatistieken van artikelen, waardoor het serviceniveau stijgt van 88% naar 99%. Hierdoor neemt de totale inventarisinvestering echter toe van $3 miljoen tot ongeveer $4 miljoen. Het scenario '75 vloer/99 plafond' daarentegen verhoogt zowel het serviceniveau als vermindert het contante geld dat vastzit in de voorraad met ongeveer $300.000. Ten slotte bereikt het scenario "Optimalisatie" een 80%-serviceniveau, een verlaging ten opzichte van de huidige 88%, maar het verlaagt de voorraadwaarde met meer dan $2 miljoen en verlaagt de bedrijfskosten met meer dan $400.000 per jaar. Van hieruit konden managers verdere opties uitproberen, zoals het teruggeven van een deel van de $2 miljoen besparingen om een hoger gemiddeld serviceniveau te bereiken.

Overzicht

Moderne softwarepakketten voor voorraadplanning en voorraadoptimalisatie zouden drie soorten supply chain-analyses moeten bieden: beschrijvend, voorspellend en prescriptief. Dankzij hun combinatie kunnen voorraadbeheerders hun activiteiten volgen (Beschrijvend), voorspellen waar hun activiteiten in de toekomst zullen zijn (Predictive) en hun voorraadbeleid optimaliseren om te anticiperen op toekomstige omstandigheden (Prescriptief).

Overzicht

Een doel stellen serviceniveau of opvullingspercentage is een strategische beslissing over voorraadrisicobeheer. Het kiezen van serviceniveaus kan moeilijk zijn. Relevante factoren zijn onder meer het huidige serviceniveau, doorlooptijden voor bevoorrading, kostenbeperkingen, de pijn die u en uw klanten door tekorten wordt toegebracht, en uw concurrentiepositie. Het stellen van doelen wordt vaak het best benaderd als een samenwerking tussen operations, sales en finance. Voorraadoptimalisatiesoftware is een essentieel hulpmiddel in het proces.

Keuzes op serviceniveau

Serviceniveau is de kans dat er geen tekorten ontstaan tussen het moment dat u meer voorraad bestelt en het moment dat deze in het schap ligt. Het redelijke bereik van serviceniveaus loopt van ongeveer 70% tot 99%. Niveaus onder 70% kunnen erop wijzen dat u niet om uw klanten geeft of ze niet aankan. Niveaus van 100% zijn bijna nooit geschikt en duiden meestal op een enorm opgeblazen inventaris.

Factoren die van invloed zijn op de keuze van het serviceniveau

Verschillende factoren zijn van invloed op de keuze van het serviceniveau voor een voorraadartikel. Hier zijn enkele van de belangrijkste.

Huidige serviceniveaus:
Een redelijke plaats om te beginnen is om erachter te komen wat uw huidige serviceniveaus zijn voor elk item en in het algemeen. Als je al in goede conditie bent, wordt het gemakkelijker om een reeds goede oplossing aan te passen. Als u er nu slecht aan toe bent, kan het moeilijker zijn om serviceniveaus in te stellen. Verrassend genoeg hebben maar weinig bedrijven gegevens over deze belangrijke maatstaf voor hun hele voorraaditems. Wat vaak gebeurt, is dat herordeningspunten willens en wetens groeien uit keuzes die in de prehistorie van het bedrijf zijn gemaakt en zelden, soms nooit, systematisch worden herzien en bijgewerkt. Aangezien bestelpunten een belangrijke bepalende factor zijn voor serviceniveaus, volgt hieruit dat serviceniveaus "gewoon gebeuren". Voorraadoptimalisatiesoftware kan uw huidige bestelpunten en doorlooptijden omzetten in solide schattingen van uw huidige serviceniveaus. Deze analyse onthult vaak een subset van items met een te hoog of te laag serviceniveau, in welk geval u advies heeft over welke items respectievelijk naar beneden of naar boven moeten worden bijgesteld.

Bevoorradingstermijnen:
Sommige bedrijven passen de serviceniveaus daarop aan aanvulling levertijden. Als het lang duurt om een artikel te maken of te kopen, dan duurt het ook lang om van een tekort te herstellen. Dienovereenkomstig verhogen ze de serviceniveaus voor artikelen met een lange doorlooptijd en verlagen ze deze voor artikelen waarvoor de achterstand kort zal zijn.

Kostenbeperkingen:
Voorraadoptimalisatiesoftware kan de goedkoopste manieren vinden om hoge serviceniveaudoelen te halen, maar agressieve doelen impliceren onvermijdelijk hogere kosten. Het kan zijn dat de kosten uw keuze van serviceniveaudoelen beperken. Kosten zijn er in verschillende smaken. "Voorraadinvestering" is de dollarwaarde van de voorraad. "Bedrijfskosten" omvatten zowel voorraadkosten als bestelkosten. Beperkingen op voorraadinvesteringen worden vaak opgelegd aan voorraadmanagers en impliceren altijd plafonds op serviceniveaudoelstellingen; software kan deze relaties expliciet maken, maar neemt de noodzaak van keuze niet weg. Je hoort minder vaak over plafonds voor bedrijfskosten, maar ze zijn altijd op zijn minst een secundaire factor die pleit voor lagere serviceniveaus.

Tekort kosten:
Tekortkosten zijn afhankelijk van het feit of uw tekortbeleid vraagt om nabestellingen of verloren verkopen. In beide gevallen werken tekortkosten de voorraadinvesteringen en bedrijfskosten tegen door te pleiten voor hogere serviceniveaus. Deze kosten worden niet altijd uitgedrukt in dollars, zoals in het geval van medische/chirurgische benodigdheden, waar tekortkosten worden uitgedrukt in morbiditeit en mortaliteit.

Concurrentie:
Hoe dichter uw bedrijf bij het domineren van de markt is, hoe meer u de serviceniveaus kunt verlagen om geld te besparen. Te ver terugvallen brengt echter risico's met zich mee: het moedigt potentiële klanten aan om ergens anders te zoeken en het moedigt concurrenten aan. Omgekeerd kan een hoge productbeschikbaarheid de positie van een kleine speler ver versterken.

Gezamenlijke targeting

Voorraadmanagers kunnen degenen zijn die belast zijn met het stellen van serviceniveaudoelen, maar het kan het beste zijn om samen te werken met andere functies bij het maken van deze oproepen. De financiële afdeling kan al vroeg in het proces eventuele "rode lijnen" delen, en zij zouden de taak moeten krijgen om de bewaar- en bestelkosten te schatten. Verkoop kan helpen bij het inschatten van tekortkosten door de waarschijnlijke reacties van klanten op achterstanden of verloren verkopen uit te leggen.

De rol van software voor voorraadoptimalisatie en planning

Zonder voorraadoptimalisatiesoftware is het stellen van serviceniveaudoelen puur giswerk: het is onmogelijk om te weten hoe een bepaald doel zal uitpakken in termen van voorraadinvesteringen, bedrijfskosten, tekortkosten. De software kan de gedetailleerde, kwantitatieve afwegingscurven berekenen die nodig zijn om weloverwogen keuzes te maken of zelfs het beoogde serviceniveau aan te bevelen dat resulteert in de laagste totale kosten, rekening houdend met bewaarkosten, bestelkosten en voorraadkosten. Niet alle softwareoplossingen zijn echter hetzelfde. U kunt een door de gebruiker gedefinieerd 99%-serviceniveau in uw voorraadplanningssysteem invoeren of het systeem kan een doelservice aanbevelen, maar dit betekent niet dat u dat vermelde serviceniveau daadwerkelijk bereikt. Sterker nog, u komt er misschien niet eens in de buurt en bereikt een veel lager serviceniveau. We hebben situaties waargenomen waarin een beoogd serviceniveau van 99% daadwerkelijk een serviceniveau van slechts 82% bereikte! Alle beslissingen die worden genomen als gevolg van het doelwit zullen resulteren in een onbedoelde verkeerde toewijzing van voorraad, zeer kostbare gevolgen en veel uitleg. Lees dus zeker ons volgende blogartikel over hoe u de nauwkeurigheid van uw serviceniveauprognose kunt meten, zodat u deze kostbare fout niet maakt.

"Biljoenen records van miljoenen mensen... Het vinden van de nuttige en juiste informatie, het begrijpen van de kwaliteit ervan en het tijdig en kosteneffectief produceren van betrouwbare geanalyseerde gegevens zijn allemaal kritieke kwesties."

Smart Software Senior Vice President for Research Tom Willemain had onlangs de gelegenheid om te praten met Dr. Mohsen Hamoudia, President van de Internationaal Instituut van Voorspellers (IIF), om actuele problemen met en kansen voor big data-analyse te bespreken. Het IIF informeert praktijkmensen over trends en onderzoeksontwikkelingen op het gebied van prognoses via gedrukte en online publicaties en het organiseren van professionele conferenties.

Dr. Hamoudia begint, bij wijze van inleiding:

In alle sectoren neemt de beschikbaarheid van gegevens explosief toe in volume, variëteit en snelheid. Big data-analyse speelt een belangrijke rol bij het identificeren van de gegevens die het belangrijkst zijn voor het bedrijf.

Ik neem het voorbeeld van de informatie- en communicatietechnologie (ICT)-sector. We zien een letterlijk exponentiële groei in de hoeveelheid data die beschikbaar is voor telecombedrijven, Over-the-top (OTT) onafhankelijke contentdistributeurs, overheid, toezichthouders en andere organisaties.

Over de hele wereld zijn we getuige van petabytes aan gegevens: biljoenen records van miljoenen mensen - allemaal afkomstig uit meerdere bronnen. Onder deze bronnen: internetverbindingen, verkoop, klantcontactcentra, sociale media, mobiele en vaste telefoongegevens. Het vinden van de nuttige en juiste informatie, het begrijpen van de kwaliteit ervan en het tijdig en kosteneffectief produceren van betrouwbare, geanalyseerde gegevens zijn allemaal kritieke kwesties. ICT-bedrijven zoeken steeds vaker naar bruikbare inzichten in hun data. Hoe ze hun klantenbestand en loyaliteitsprogramma's kunnen vergroten? Hoe kunnen ze de Quality of Service (QoS) verbeteren en het klantverloop verminderen? Met de juiste big data-analyseplatforms kunnen ze concurrerender en efficiënter zijn, waardoor de bedrijfsvoering, klantenservice en risicobeheer worden verbeterd. Het voorspellen en voorspellen van klanttrends en richtingen zijn essentieel voor telecom.

Voorspellingsvaardigheden, waaronder wiskunde, statistiek en econometrie, vormen een van de belangrijkste "blokken" van vereiste vaardigheden bij het beheren van Big Data. Sommige voorspellingsactiviteiten maken natuurlijk deel uit van het big data-debat.

In de detailhandel komen prognoses dagelijks aan de orde vraag naar over duizenden producten. Financiële prognoses, of het nu gaat om klantgedrag of financiële datareeksen, genereren enorme online datasets. Zoals opgemerkt door Robert Fildes, Distinguished Professor aan de Universiteit van Lancaster, is de academische prognosegemeenschap tot nu toe nog niet grondig betrokken - op enkele uitzonderingen na. Hal Varian van Google heeft gekeken naar een deel van het werk dat David Hendry en Jennifer Castle, aan de Universiteit van Oxford, hebben ondernomen om grote datasets te doorzoeken op datacongruente, betekenisvolle modellen. Stock en Watson hebben ook hun eigen benaderingen ontwikkeld voor grote macrogegevenssets. Maar ondanks de poging, tijdens het symposium over prognoses vorig jaar in Seoel, om het thema big data en zijn prognosetoepassingen te verkennen, zijn er nog maar weinig overtuigende toepassingen van het gebruik van online data voor echte prognoseproblemen.

V. Men hoort tegenwoordig veel over 'voorspellende analyses', maar de uitdrukking wordt zelden in verband gebracht met prognoses. Bent u het ermee eens dat prognoses de kern vormen van voorspellende analyses? Heb je een verklaring waarom de link verbroken is? Heeft u ideeën over hoe u prognoses opnieuw in het gesprek kunt inbrengen?

De resultaten van prognoses (het 'wat') worden nu misschien als minder belangrijk ervaren dan het 'hoe'. Bijgevolg is het vertrouwen dat gebruikers stellen in traditionele prognoses afgenomen. Wie stelt inderdaad de juistheid of relevantie van prognoses ter discussie door a posteriori de realiteit versus de prognose te vergelijken - om te pleiten voor de effectiviteit van methododiges en daarmee voor het opbouwen van geloofwaardigheid?

Met de huidige perceptie van "voorspellende analyses" is er waarschijnlijk meer ruimte in de publieke verbeelding voor de "hoe"-kant van de dingen, en daarom een geloofwaardiger verhaal om te vertellen aan partners, investeerders of klanten.

V. Het lijkt erop dat er bijna geen verband bestaat tussen traditionele prognoses en mobiele technologie (smartphones, tabletcomputers). Klopt dit, of migreren sommige bedrijven prognoses naar mobiele apparaten? Ziet u een pad voorwaarts waarin traditionele prognosealgoritmen routinematig op mobiele apparaten zouden staan?

Allereerst wil ik uw lezers graag uitnodigen om ons nieuwste nummer van Foresight te lezen. In een uitstekend artikel over dit onderwerp, "Forecasting In the Pocket: Mobile Devices Can Improve Collaboration", wordt uitgelegd dat "de toenemende populariteit van PDA's, smartphones, tabletcomputers en andere mobiele apparaten nieuwe mogelijkheden opent voor communicatie en samenwerking bij zakelijke prognoses." De auteurs vertellen ons: "Mobiele prognosetoepassingen (m-forecasting) kunnen benaderingen van samenwerking tussen detailhandelaren en leveranciers stroomlijnen, en zo bijdragen aan de verstrekking en uitwisseling van productinformatie, vooral omdat prognoses sterk verbonden zijn met kennis van de lokale context."

Aan de kant van ICT & OTT vinden bijvoorbeeld een groot aantal voorspellende projecten plaats, zoals die van Google+ en Facebook, dankzij de opname van de "gebruikerslocatie" -gegevens in de IT-systemen van OTT. Naar mijn mening, en wat ik zie in sommige sectoren zoals retail en logistiek, is dat traditionele forecasting en mobiele forecasting (m-forecasting) complementair zijn. Dit laatste zou kunnen worden gezien als een bottom-up prognosebenadering die de top-down prognoseresultaten al dan niet zal bevestigen.

V. Sommige mensen beweren dat big data de vervanging van prognoses door "sense and react"-systemen zal vergemakkelijken. Hoe zou u 'voelen en reageren' in de praktijk uitleggen en zijn er toepassingsgebieden waarvan u denkt dat het wel of niet zal aanslaan?

Het lijkt mij dat "sense and react" volledig gericht is op het kortetermijnperspectief. Prognoses breiden dit uit door tegemoet te komen aan behoeften voor een variabele horizon: korte en middellange termijn.

Als neveneffect van ATAWAD (Anytime, Anywhere, Any Device) zijn de besluitvormingscriteria meer dan ooit “korte termijn”. Big data is een detectiesysteem voor "zwakke signalen", dat de bijna realtime detectie van zakelijke kansen mogelijk maakt die met traditionele IT-systemen onopgemerkt zouden blijven. Er zijn niet echt voorkeurs- of niet-prioritaire toepassingen hiervoor, de vraag is meer aan de "wanneer" -kant.

Big data is relevant als je onder de oppervlakte kijkt in moeilijke economische tijden, maar ik ben er minder zeker van of het de moeite waard is in een “normale” economische periode. Om af te sluiten op dit punt: ik zal graag een voorbeeld zien van hoe nauwkeurig prognoses zijn die zijn gebaseerd op "voelen en reageren" versus prognoses op basis van traditionele modellen.

V. Ik stel een aantal grote vragen. In hoeverre ziet u de IIF-gemeenschap deze discussies en resultaten vormgeven? Hoe kunnen lezers deelnemen aan de dialoog?

We verwachten een toenemende beschikbaarheid en een toenemend gebruik van enorme hoeveelheden gegevens in veel sectoren, zoals energie, transport, gezondheidszorg, financiën, telecommunicatie en toerisme.

Veel van de IIF-leden houden zich bezig met verschillende aspecten van de big data-beweging. Het IIF doet wat werk in de voorspellingsactiviteiten die natuurlijk deel uitmaken van het big data-debat. Meer in het algemeen neemt het IIF actief deel aan en biedt het een forum voor de discussie over prognoses in de rest van de wereld.

Het thema van ons laatste International Symposium on Forecasting (ISF) in Seoul was “Forecasting with Big Data” en enkele presentaties hadden betrekking op gezondheidszorg en telecommunicatie. Er is zojuist een relevante workshop georganiseerd door de Europese Centrale Bank (ECB). Als er op deze modellen wordt geprofiteerd, hebben ze het potentieel om het economisch beleid van Europa vrij snel te beïnvloeden.

Lezers kunnen deelnemen aan de dialoog door artikelen bij te dragen aan de publicaties van het IIF (The International Journal of Forecasting, Foresight and Het orakel). Foresight is bijvoorbeeld een stem van onschatbare waarde om academici en praktijkmensen samen te brengen in een voortdurende discussie.

Lezers kunnen ook papers presenteren op de jaarlijkse conferentie (de eerder genoemde ISF). Ze kunnen ook specifieke workshops voorstellen en organiseren voor specifieke toepassingen van big data, zoals de workshop die zojuist door de ECB in Frankfurt is georganiseerd. Een andere mogelijkheid is om de leden van IIF uit te nodigen voor het bijwonen van bijeenkomsten die te maken hebben met prognoses met big data. Al deze kansen vormen goede platforms om te netwerken en samen te werken.

Mohsen Hamoudia, PhD, is de voorzitter van het International Institute of Forecasters. Hij is ook Head of Strategy for Large Projects (Parijs) voor Orange Business Services (het voormalige France Telecom).

Thomas Willemain, PhD, was medeoprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselear Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.

Tijdens onze reizen door de industriële scene merken we dat veel bedrijven meer aandacht besteden aan inventarisatiebeurten dan zou moeten. We willen een deel van deze aandacht verleggen naar meer consequente prestatiestatistieken.

Denk aan de definitie: Turns = Jaarlijkse dollarkosten van verkochte goederen / Gemiddelde dollarwaarde van voorraad. Als je in een jaar $1 miljoen spullen verkoopt en elke dag gemiddeld $100.000 aan spullen op de plank hebt liggen, heb je een indrukwekkende 10 beurten (Walmart draait rond de 8). Vermoedelijk duidt het hebben van hoge Turns op efficiënt beheer, en het houden van uw Turns hoger dan die van concurrenten duidt op concurrentievoordeel.

Maar zoals gebeurt met de meeste prestatiestatistieken, is er meer aan de hand. Turns kunnen erg opvallend zijn voor de CFO, maar ze kunnen een keurslijf zijn voor de COO. Dit komt omdat beurten niet direct verband houden met klantenservice; in feite kunnen hoge beurten synoniem zijn met lage serviceniveaus en opvullingspercentages. S&OP-consultant Darrin Oliver noemt Turns zijn 'pet peeve metric' omdat 'de klant niets om Turns geeft'.

Stel dat u niet tevreden bent met uw huidige Turns-waarde. Wat kun je doen om het aantal te verhogen? Aangezien Turns een verhouding is, kunt u deze verhogen door de teller (verkochte goederen) te verhogen of de noemer (voorraad) te verkleinen. Het verhogen van de verkoop is moeilijker omdat het de medewerking van de klant vereist. Afnemend voorraad is eenvoudiger omdat u het volledig onder controle heeft: voer gewoon kleinere aanvullingsorders uit, wat ook op korte termijn geld bespaart. Inderdaad, je kunt heel enthousiast worden en inventaris tot op het bot snijden. Je krijgt uiteindelijk een beter uitziend nummer voor Turns - en een serieus probleem met stockouts, backorders, verloren verkopen, verloren klantvriendelijkheid en verloren marktaandeel. Wie heeft er nu spijt?

Hier is een licht bewerkte versie van een verhaal over dit onderwerp, verteld door een zeer wijze beoefenaar. “In mijn andere leven draaiden ze allemaal om het verbeteren van bochten. Waarom, ik heb geen idee. Dus wees ik op de risico's die je loopt. En ze waren echt niet geïnteresseerd. Dus brachten we onze wereldwijde voorraden terug naar [een lager niveau], en braken toen dagelijks links en rechts op voorraad. Onze beurten waren geweldig, maar we verdienden geen geld, omdat we niets de deur uit konden krijgen, omdat we het niet bezaten. Hoe hoger je beurten, hoe lager je inventaris zal moeten zijn, anders krijg je gewoon een heel goede stroom. En in onze branche is dat heel, heel moeilijk om te bereiken. Dus als we redelijke beurten kunnen hebben maar nog steeds op voorraad zijn, denk ik dat dat is wat we willen doen. In een operationele wereld kan het erg frustrerend zijn om te proberen uit te leggen wat we elke dag doen en wat de risico's voor het bedrijf zijn wanneer de financiële mensen slechts naar een of twee statistieken kijken. Ze proberen het bedrijf eigenlijk in een vacuüm te plannen, en dat is erg moeilijk en erg riskant.”

Thomas Willemain, PhD, was medeoprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselear Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.

Er is een oud grapje: "Er zijn twee soorten mensen - zij die geloven dat er twee soorten mensen zijn, en zij die dat niet doen." We kunnen die grap aanpassen: "Er zijn twee soorten mensen - zij die weten dat er drie soorten supply chain-analyse zijn, en zij die deze blog nog niet hebben gelezen."

De drie typen supply chain-analyse zijn 'beschrijvend', 'voorspellend' en 'voorschrijvend'. Elk speelt een andere rol bij het helpen bij het beheren van uw voorraad. Met moderne supply chain-software kunt u alle drie benutten.

Beschrijvende analyses

Beschrijvende analyses zijn het spul van dashboards. Ze vertellen je "wat er nu gebeurt." In deze categorie zijn samenvattingscijfers opgenomen zoals dollars die momenteel in voorraad zijn geïnvesteerd, het huidige niveau van klantenservice en opvullingspercentage, en gemiddelde doorlooptijden van leveranciers. Deze statistieken zijn handig om uw activiteiten bij te houden, vooral wanneer u wijzigingen daarin van maand tot maand bijhoudt. U zult elke dag op hen vertrouwen. Ze vereisen nauwkeurige bedrijfsdatabases, statistisch verwerkt.

Voorspellende analyse

Voorspellende analyses manifesteren zich meestal als prognoses van de vraag, vaak opgesplitst per product en locatie en soms ook per klant. Deze statistieken geven vroegtijdige waarschuwingen, zodat u productie, personeel en inkoop van grondstoffen kunt versnellen om aan de vraag te voldoen. Ze bieden ook voorspellingen van het effect van wijzigingen in het bedrijfsbeleid, bijvoorbeeld: wat gebeurt er als we onze bestelhoeveelheid voor product X verhogen van 20 naar 25 eenheden? U kunt periodiek, misschien wekelijks of maandelijks, vertrouwen op Predictive Analytics wanneer u opkijkt van wat er nu gebeurt om te zien wat er daarna zal gebeuren. Predictive Analytics gebruikt beschrijvende analyse als basis, maar voegt meer mogelijkheden toe. Predictive Analytics voor vraagprognoses vereist geavanceerde statistische verwerking om kenmerken van de productvraag zoals trend, seizoensinvloeden en verandering van regime. Predictive Analytics voor voorraadbeheer gebruikt prognoses van de vraag als invoer in modellen van de werking van voorraadbeleid, die op hun beurt schattingen geven van belangrijke prestatiestatistieken zoals serviceniveaus, opvullingspercentages, en werkingskosten.

Prescriptieve analyses

Prescriptieve analyses gaan niet over wat er nu gebeurt of wat er daarna gaat gebeuren, maar over wat u vervolgens zou moeten doen, dwz ze bevelen beslissingen aan die gericht zijn op het maximaliseren van de prestaties van het inventarisatiesysteem. U kunt op Prescriptive Analytics vertrouwen om uw gehele voorraadbeleid zo goed mogelijk vorm te geven. Prescriptive Analytics gebruikt Predictive Analytics als basis en voegt vervolgens optimalisatiemogelijkheden toe. Prescriptive Analytics-software kan bijvoorbeeld automatisch de beste keuzes maken voor toekomstige waarden van min's en max's voor duizenden inventarisitems. Hier kan 'beste' de waarde van Min en Max voor elk artikel betekenen die de bedrijfskosten minimaliseert (de som van kosten voor vasthouden, bestellen en tekorten) terwijl een 90%-minimum voor het opvullingspercentage van artikelen wordt gehandhaafd.

Voorbeeld

Onderstaande figuur laat zien hoe supply chain analytics de voorraadbeheerder kan helpen. De kolommen tonen drie voorspelde Key Performance Indicators (KPI's): serviceniveau, voorraadinvestering en bedrijfskosten (holdingkosten + bestelkosten + tekortkosten).

 Afbeelding 1: de drie soorten analyses die worden gebruikt om planningsscenario's te evalueren

De rijen tonen vier alternatieve voorraadbeleidslijnen, uitgedrukt als scenario's. Het “Live” scenario rapporteert over de waarden van de KPI's op 1 juli 2018. Het “99% All” scenario wijzigt het huidige beleid door het serviceniveau van alle artikelen te verhogen naar 99%. Het scenario "75 verdieping/99 plafond" verhoogt serviceniveaus die te laag zijn tot 75% en verlaagt zeer hoge (dwz dure) serviceniveaus tot 95%. Het scenario "Optimalisatie" schrijft artikelspecifieke serviceniveaus voor die de totale bedrijfskosten minimaliseren.

Het scenario “Live 01-07-2018” is een voorbeeld van beschrijvende analyse. Het toont de huidige basislijnprestaties. De software stelt de gebruiker vervolgens in staat wijzigingen in het voorraadbeleid uit te proberen door nieuwe "Wat als"-scenario's te creëren die vervolgens kunnen worden omgezet in benoemde scenario's voor verdere overweging. De volgende twee scenario's zijn voorbeelden van Predictive Analytics. Ze beoordelen allebei de gevolgen van hun aanbevolen beleid voor voorraadbeheer, dwz de aanbevolen waarden van Min en Max voor alle artikelen. Het scenario 'Optimalisatie' is een voorbeeld van Prescriptive Analytics omdat het een beste compromisbeleid aanbeveelt.

Overweeg hoe de drie alternatieve scenario's zich verhouden tot het "Live" basisscenario. Het scenario "99% All" verhoogt de beschikbaarheidsstatistieken van artikelen, waardoor het serviceniveau stijgt van 88% naar 99%. Hierdoor neemt de totale inventarisinvestering echter toe van $3 miljoen tot ongeveer $4 miljoen. Het scenario '75 vloer/99 plafond' daarentegen verhoogt zowel het serviceniveau als vermindert het contante geld dat vastzit in de voorraad met ongeveer $300.000. Ten slotte bereikt het scenario "Optimalisatie" een 80%-serviceniveau, een verlaging ten opzichte van de huidige 88%, maar het verlaagt de voorraadwaarde met meer dan $2 miljoen en verlaagt de bedrijfskosten met meer dan $400.000 per jaar. Van hieruit konden managers verdere opties uitproberen, zoals het teruggeven van een deel van de $2 miljoen besparingen om een hoger gemiddeld serviceniveau te bereiken.

Overzicht

Moderne softwarepakketten voor voorraadplanning en voorraadoptimalisatie zouden drie soorten supply chain-analyses moeten bieden: beschrijvend, voorspellend en prescriptief. Dankzij hun combinatie kunnen voorraadbeheerders hun activiteiten volgen (Beschrijvend), voorspellen waar hun activiteiten in de toekomst zullen zijn (Predictive) en hun voorraadbeleid optimaliseren om te anticiperen op toekomstige omstandigheden (Prescriptief).