Een fundamenteel aspect van supply chain management is nauwkeurige vraagvoorspelling. Sommige productitems hebben een intermitterend vraagpatroon waardoor ze vrijwel onmogelijk te voorspellen zijn met traditionele, op smoothing gebaseerde prognosemethoden. We behandelen het probleem van het voorspellen van intermitterende vraag (of onregelmatige vraag), dwz willekeurige vraag met een groot deel nulwaarden. Dit patroon is kenmerkend voor de vraag naar bedrijven die grote voorraden service- en reserveonderdelen beheren in sectoren als de luchtvaart, ruimtevaart, automobielindustrie, hightech en elektronica, maar ook in MRO (Maintenance, Repair and Overhaul).
Nauwkeurige prognoses van de vraag zijn belangrijk bij voorraadbeheer, maar de intermitterende aard van de vraag maakt prognoses bijzonder moeilijk voor de planning van serviceonderdelen. Soortgelijke problemen doen zich voor wanneer een organisatie langzaam bewegende artikelen produceert en verkoopprognoses nodig heeft voor planningsdoeleinden. Omdat prognoses van intermitterende en klonterige vraag zo onbetrouwbaar zijn, voorspellen de meeste bedrijven voorraadbehoeften voornamelijk op basis van subjectieve bedrijfskennis, voorspellen ze slechts een fractie van hun grotere voorraadvolume, gebruiken ze eenvoudige "vuistregel"-schattingen of traditionele statistische prognoses die ten onrechte aannemen een bepaald type vraagdistributie voor voorraadbeheer.
In de onderstaande artikelen leest u best practices uit de sector over het verbeteren van intermitterende vraagprognoses en het creëren van efficiëntie in de toeleveringsketen.

Belangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelen
In het huidige competitieve zakelijke landschap zijn bedrijven voortdurend op zoek naar manieren om hun operationele efficiëntie te verbeteren en meer inkomsten te genereren. Het optimaliseren van het beheer van serviceonderdelen is een vaak over het hoofd gezien aspect dat een aanzienlijke financiële impact kan hebben. Bedrijven kunnen de algehele efficiëntie verbeteren en aanzienlijke financiële opbrengsten genereren door de voorraad reserveonderdelen effectief te beheren. Dit artikel gaat in op de economische implicaties van geoptimaliseerd beheer van serviceonderdelen en hoe investeren in software voor voorraadoptimalisatie en vraagplanning een concurrentievoordeel kan opleveren.

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.

5 stappen om de financiële impact van reserveonderdelenplanning te verbeteren
In het huidige competitieve zakelijke landschap zijn bedrijven voortdurend op zoek naar manieren om hun operationele efficiëntie te verbeteren en meer inkomsten te genereren. Het optimaliseren van het beheer van serviceonderdelen is een vaak over het hoofd gezien aspect dat een aanzienlijke financiële impact kan hebben. Bedrijven kunnen de algehele efficiëntie verbeteren en aanzienlijke financiële opbrengsten genereren door de voorraad reserveonderdelen effectief te beheren. Dit artikel gaat in op de economische implicaties van geoptimaliseerd beheer van serviceonderdelen en hoe investeren in software voor voorraadoptimalisatie en vraagplanning een concurrentievoordeel kan opleveren.

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

Bereid uw reserveonderdelenplanning voor op onverwachte schokken
In het onvoorspelbare zakenklimaat van vandaag moeten we ons zorgen maken over verstoringen in de toeleveringsketen, lange doorlooptijden, stijgende rentetarieven en een volatiele vraag. Met al deze uitdagingen is het voor organisaties nog nooit zo belangrijk geweest om het gebruik van onderdelen en voorraadniveaus nauwkeurig te voorspellen en het bevoorradingsbeleid, zoals bestelpunten, veiligheidsvoorraden en bestelhoeveelheden, te optimaliseren. In deze blog onderzoeken we hoe bedrijven gebruik kunnen maken van innovatieve oplossingen, zoals voorraadoptimalisatie en software voor het voorspellen van onderdelen die gebruikmaken van machine learning-algoritmen, probabilistische prognoses en analyses om voorop te blijven lopen en hun toeleveringsketens te beschermen tegen onverwachte schokken.

Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning
Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt.
Het probleem
Sommige productitems hebben een intermitterend vraagpatroon waardoor ze vrijwel onmogelijk te voorspellen zijn met traditionele, op smoothing gebaseerde prognosemethoden. Items met intermitterende vraag – ook wel bekend als klonterige, volatiele, variabele of onvoorspelbare vraag – hebben veel nul- of laagvolumewaarden afgewisseld met willekeurige pieken in de vraag die vaak vele malen groter zijn dan het gemiddelde. Dit probleem doet zich vooral voor bij bedrijven die grote voorraden service- en reserveonderdelen beheren in sectoren als de luchtvaart, ruimtevaart, automobielindustrie, hightech en elektronica, evenals in MRO (Maintenance, Repair and Overhaul).
Intermittent demand
In deze bedrijven kan maar liefst 80% van de onderdelen en productitems een intermittent of lumpy demand hebben. Intermittent demand maakt het moeilijk om de safety stock en de voorraadvereisten voor het serviceniveau nauwkeurig in te schatten die nodig zijn voor een succesvolle planning van de supply chain. Omdat de forecastsvan intermittent en lumpy demand zo onbetrouwbaar zijn, forecasten de meeste bedrijven de voorraadbehoeften op basis van subjectieve zakelijke kennis, forecasten ze slechts een fractie van hun hogere volumevoorraad, gebruiken ze eenvoudige "vuistregel"-schattingen of traditionele statistische forecasts die ten onrechte uitgaan van een bepaald type vraagverdeling voor voorraadbeheer. Het resultaat is dat er elk jaar miljarden dollars worden verspild vanwege ofwel te hoge voorraadkosten of slechte klantenservice vanwege stock-outs.
Intermittent demand - ook bekend als lumpy, volatile, variable or unpredictable demand.
De slimme oplossing
SmartForecasts en Smart Inventory Optimization gebruiken een unieke empirische en probabilistische forecasting benadering die resulteert in nauwkeurige forecasts van voorraadvereisten waar de vraag intermittent is. De oplossing werkt vooral goed wanneer de vraag niet overeenkomt met een eenvoudige normaalverdeling. Onze gepatenteerde, met APICS bekroonde "bootstrapping"-technologie genereert snel tienduizenden mogelijke scenario's van toekomstige vraagreeksen en cumulative demand values gedurende de lead time van een artikel. Deze scenario's zijn statistisch vergelijkbaar met de waargenomen gegevens van het item, en ze leggen de relevante details van intermitterende vraag vast zonder te vertrouwen op de veronderstellingen die gewoonlijk worden gemaakt over de aard van vraagverdelingen door traditionele forecasting methoden. Het resultaat is een zeer nauwkeurige voorspelling van de volledige verdeling van de cumulative demand values over de volledige lead time van een artikel. Met de informatie die deze vraagverdelingen bieden, kunt u eenvoudig de safety stock van uw bedrijf en de voorraadbehoeften op service level plannen voor duizenden met tussenpozen gevraagde artikelen met een nauwkeurigheid van bijna 100%.
De voordelen
Bedrijven die onze krachtige intermitterende demand en planning software gebruiken, verminderen doorgaans de permanente voorraad met 20% in het eerste jaar, verhogen de beschikbaarheid van onderdelen met 10-20% en verminderen de behoefte aan en de bijbehorende kosten van noodoverslag om gaten in hun supply chain te dichten. De voorraden van reparatie- en service parts zijn echt geoptimaliseerd, wat leidt tot efficiëntere operaties, verbeteringen in de klantenservice en aanzienlijk minder geld dat vastzit in de voorraad.
Wit papier: Smart Software Gen2
In this white paper, we introduce “Gen2”, our next generation of probabilistic modeling technology that powers the Smart IP&O Platform. We recount the evolution of Smart Software’s forecasting methods and we detail how Gen2 substantially expands the capabilities that have made Gen1 so useful to so many companies. Finally, we will also give a high-level view of the probability math behind Gen2 . Fill in this form and we'll email you the paper.