Eenvoudig is goed, behalve als dat niet het geval is

In deze blog sturen we het gesprek in de richting van het transformatieve potentieel van technologie op het gebied van voorraadbeheer. De discussie draait om de beperkingen van eenvoudig denken bij het beheren van voorraadbeheerprocessen en de noodzaak van het adopteren van systematische softwareoplossingen. Dr. Tom Willemain benadrukt het contrast tussen Smart Software en de basale, zij het comfortabele, benaderingen die doorgaans door veel bedrijven worden toegepast. Deze elementaire methoden, die vaak de voorkeur genieten vanwege hun gebruiksgemak en nulkosten, worden onder de loep genomen vanwege hun tekortkomingen bij het aanpakken van de dynamische uitdagingen van voorraadbeheer.

Het belang van dit onderwerp ligt in de cruciale rol die voorraadbeheer speelt in de operationele efficiëntie van een bedrijf en de directe impact ervan op klanttevredenheid en winstgevendheid. Dr. Tom Willemain wijst op de veelvoorkomende valkuilen van het vertrouwen op te eenvoudige vuistregels, zoals het grillige kinderrijmpje dat door een bedrijf wordt gebruikt om de herschikkingspunten te bepalen, of de onderbuikgevoel-methode, die afhangt van niet-kwantificeerbare intuïtie in plaats van van gegevens. Hoewel deze benaderingen aantrekkelijk zijn in hun eenvoud, slagen ze er niet in zich aan te passen aan marktschommelingen, de betrouwbaarheid van leveranciers of veranderingen in de vraag, waardoor aanzienlijke risico's voor het bedrijf ontstaan. De video bekritiseert ook de praktijk van het vaststellen van herschikkingspunten op basis van veelvouden van de gemiddelde vraag, waarbij de minachting voor de volatiliteit van de vraag wordt benadrukt, een fundamentele overweging in de voorraadtheorie.

Concluderend pleit de presentator voor een meer geavanceerde, datagestuurde benadering van voorraadbeheer. Door gebruik te maken van geavanceerde softwareoplossingen zoals die van Smart Software, kunnen bedrijven complexe vraagpatronen nauwkeurig modelleren en voorraadregels stresstesten aan de hand van talloze toekomstscenario's. Deze wetenschappelijke methode maakt het mogelijk om bestelpunten in te stellen die rekening houden met de reële variabiliteit, waardoor het risico op voorraadtekorten en de daaraan verbonden kosten worden geminimaliseerd. De video benadrukt dat, hoewel eenvoudige heuristieken verleidelijk kunnen zijn vanwege hun gebruiksgemak, ze niet geschikt zijn voor de huidige dynamische marktomstandigheden. De presentator moedigt kijkers aan om technologische oplossingen te omarmen die professionele nauwkeurigheid en aanpassingsvermogen bieden en duurzaam zakelijk succes garanderen.

 

 

De methoden voor voorspelling

Software voor vraagplanning en statistische prognoses speelt een cruciale rol in effectief bedrijfsbeheer door functies te integreren die de nauwkeurigheid van prognoses aanzienlijk verbeteren. Een belangrijk aspect is het gebruik van op afvlakking gebaseerde of extrapolatieve modellen, waardoor bedrijven snel voorspellingen kunnen doen die uitsluitend op historische gegevens zijn gebaseerd. Deze basis, geworteld in prestaties uit het verleden, is cruciaal voor het begrijpen van trends en patronen, vooral in variabelen zoals verkoop of productvraag. Voorspellingssoftware gaat verder dan louter data-analyse door de combinatie van professioneel oordeel met statistische voorspellingen mogelijk te maken, waarbij wordt erkend dat prognoses geen one-size-fits-all proces zijn. Deze flexibiliteit stelt bedrijven in staat menselijke inzichten en sectorkennis in het voorspellingsmodel op te nemen, waardoor een genuanceerdere en nauwkeurigere voorspelling wordt gegarandeerd.

Functies zoals het voorspellen van meerdere artikelen als groep, het rekening houden met promotiegestuurde vraag en het omgaan met intermitterende vraagpatronen zijn essentiële mogelijkheden voor bedrijven die te maken hebben met uiteenlopende productportfolio's en dynamische marktomstandigheden. Een juiste implementatie van deze toepassingen geeft bedrijven de beschikking over veelzijdige prognosetools, die aanzienlijk bijdragen aan geïnformeerde besluitvorming en operationele efficiëntie.

Extrapolatieve modellen

Onze oplossingen voor vraagvoorspelling ondersteunen een verscheidenheid aan voorspellingsbenaderingen, waaronder extrapolatieve of op afvlakking gebaseerde voorspellingsmodellen, zoals exponentiële afvlakking en voortschrijdende gemiddelden. De filosofie achter deze modellen is eenvoudig: ze proberen zich herhalende patronen in de historische gegevens te detecteren, kwantificeren en in de toekomst te projecteren.

  Er zijn twee soorten patronen die in de historische gegevens kunnen worden aangetroffen:

  • Trend
  • Seizoensgebondenheid

Deze patronen worden in de volgende afbeelding geïllustreerd, samen met willekeurige gegevens.

De methoden voor voorspelling

 

Ter illustratie van trend-, seizoens- en willekeurige tijdreeksgegevens

Als het patroon een trend is, schatten extrapolatieve modellen zoals dubbele exponentiële afvlakking en lineair voortschrijdend gemiddelde het tempo van de stijging of daling van het niveau van de variabele en projecteren dat tempo naar de toekomst.

Als het patroon seizoensgebonden is, schatten modellen zoals Winters en drievoudige exponentiële afvlakking seizoensvermenigvuldigers of seizoensgebonden optellingsfactoren en passen deze vervolgens toe op projecties van het niet-seizoensgebonden deel van de gegevens.

Heel vaak, vooral bij gegevens over detailhandelsverkopen, zijn zowel trend- als seizoenspatronen betrokken. Als deze patronen stabiel zijn, kunnen ze worden benut om zeer nauwkeurige voorspellingen te doen.

Soms zijn er echter geen duidelijke patronen, zodat de plots van de gegevens op willekeurige ruis lijken. Soms zijn patronen duidelijk zichtbaar, maar ze veranderen in de loop van de tijd en er kan niet op worden vertrouwd dat ze zich herhalen. In deze gevallen proberen de extrapolatieve modellen geen patronen te kwantificeren en te projecteren. In plaats daarvan proberen ze de ruis te middelen en goede schattingen te maken van het midden van de verdeling van gegevenswaarden. Deze typische waarden worden dan de voorspellingen. Wanneer gebruikers een historisch plot met veel ups en downs zien, maken ze zich soms zorgen omdat de voorspelling deze ups en downs niet repliceert. Normaal gesproken hoeft dit geen reden tot bezorgdheid te zijn. Dit gebeurt wanneer de historische patronen niet sterk genoeg zijn om het gebruik van een voorspellingsmethode te rechtvaardigen die het patroon repliceert. U wilt er zeker van zijn dat uw prognoses niet lijden onder het “wiebeleffect” dat hierin wordt beschreven blogpost.

Het verleden als voorspeller van de toekomst

De belangrijkste aanname die inherent is aan extrapolatieve modellen is dat het verleden een goede leidraad is voor de toekomst. Deze veronderstelling kan echter mislukken. Sommige historische gegevens kunnen verouderd zijn. De gegevens kunnen bijvoorbeeld een bedrijfsomgeving beschrijven die niet meer bestaat. Of de wereld die het model vertegenwoordigt, kan binnenkort veranderen, waardoor alle gegevens overbodig worden. Vanwege dergelijke complicerende factoren zijn de risico's van extrapolatieve voorspellingen kleiner als er slechts korte tijd in de toekomst wordt voorspeld.

Extrapolatieve modellen hebben het praktische voordeel dat ze goedkoop zijn en gemakkelijk te bouwen, te onderhouden en te gebruiken. Ze vereisen alleen nauwkeurige registraties van waarden uit het verleden van de variabelen die u moet voorspellen. Naarmate de tijd verstrijkt, voegt u eenvoudigweg de nieuwste gegevenspunten toe aan de tijdreeks en maakt u een nieuwe voorspelling. De hieronder beschreven causale modellen vereisen daarentegen meer denkwerk en meer gegevens. De eenvoud van extrapolatieve modellen wordt het meest op prijs gesteld als u met een enorm voorspellingsprobleem kampt, zoals het maken van nachtelijke prognoses van de vraag naar alle 30.000 artikelen die in een magazijn op voorraad zijn.

Oordelende aanpassingen

Extrapolatieve modellen kunnen met Demand Planner volledig automatisch worden uitgevoerd, zonder dat tussenkomst vereist is. Causale modellen vereisen inhoudelijk oordeel voor een verstandige selectie van onafhankelijke variabelen. Beide soorten statistische modellen kunnen echter worden verbeterd door oordelende aanpassingen. Beiden kunnen profiteren van uw inzichten.

Zowel causale als extrapolatieve modellen zijn gebaseerd op historische gegevens. Het is echter mogelijk dat u over aanvullende informatie beschikt die niet wordt weerspiegeld in de cijfers in het historische record. U weet bijvoorbeeld misschien dat de concurrentieomstandigheden binnenkort zullen veranderen, misschien als gevolg van prijskortingen of trends in de sector, of de opkomst van nieuwe concurrenten, of de aankondiging van een nieuwe generatie van uw eigen producten. Als deze gebeurtenissen plaatsvinden tijdens de periode waarvoor u voorspellingen doet, kunnen ze de nauwkeurigheid van puur statistische voorspellingen aantasten. Met de grafische aanpassingsfunctie van Smart Demand Planner kunt u deze extra factoren in uw prognoses opnemen via het proces van grafische aanpassing op het scherm.

Houd er rekening mee dat het toepassen van gebruikersaanpassingen op de prognose een tweesnijdend zwaard is. Als het op de juiste manier wordt gebruikt, kan het de nauwkeurigheid van voorspellingen verbeteren door gebruik te maken van een rijkere reeks informatie. Als het promiscue wordt gebruikt, kan het extra ruis aan het proces toevoegen en de nauwkeurigheid verminderen. Wij raden u aan spaarzaam om te gaan met oordelende aanpassingen, maar nooit blindelings de voorspellingen van een puur statistische voorspellingsmethode te aanvaarden. Het is ook erg belangrijk om de verwachte toegevoegde waarde te meten. Dat wil zeggen de waarde die door elke incrementele stap aan het prognoseproces wordt toegevoegd. Als u bijvoorbeeld aanpassingen toepast op basis van bedrijfskennis, is het belangrijk om te meten of deze aanpassingen waarde toevoegen door de nauwkeurigheid van de prognoses te verbeteren. Smart Demand Planner ondersteunt het meten van de verwachte toegevoegde waarde door elke overwogen prognose bij te houden en de nauwkeurigheidsrapporten van de prognoses te automatiseren. U kunt statistische prognoses selecteren, de fouten ervan meten en deze vergelijken met de overschreven voorspellingen. Door dit te doen informeert u het prognoseproces, zodat in de toekomst betere beslissingen kunnen worden genomen. 

Voorspellingen op meerdere niveaus

Een andere veel voorkomende situatie betreft prognoses op meerdere niveaus, waarbij er meerdere items als groep worden voorspeld of er zelfs meerdere groepen kunnen zijn, waarbij elke groep meerdere items bevat. We zullen dit soort prognoses over het algemeen Multilevel Forecasting noemen. Het belangrijkste voorbeeld is de productlijnprognose, waarbij elk artikel lid is van een artikelfamilie en het totaal van alle artikelen in de familie een betekenisvolle hoeveelheid is.

U heeft bijvoorbeeld, zoals in de volgende afbeelding, mogelijk een lijn tractoren en u wilt verkoopprognoses voor elk type tractor en voor de gehele tractorlijn.

De methoden voor het voorspellen 2

Ter illustratie van productprognoses op meerdere niveaus

 Smart Demand Planner biedt roll-up/roll-down-prognoses. Deze functie is cruciaal voor het verkrijgen van uitgebreide prognoses van alle productartikelen en hun groepstotaal. De Roll Down/Roll Up-methode binnen deze functie biedt twee opties voor het verkrijgen van deze prognoses:

Samenvatten (Bottom-Up): Deze optie voorspelt in eerste instantie elk item afzonderlijk en voegt vervolgens de prognoses op itemniveau samen om een prognose op familieniveau te genereren.

Roll-down (van boven naar beneden): Als alternatief begint de roll-down-optie met het vormen van het historische totaal op familieniveau, voorspelt het en wijst het totaal vervolgens proportioneel toe tot op itemniveau.

Wanneer u Roll Down/Roll Up gebruikt, heeft u toegang tot het volledige scala aan prognosemethoden van Smart Demand Planner, zowel op artikel- als op familieniveau. Dit zorgt voor flexibiliteit en nauwkeurigheid bij het voorspellen, waarbij wordt voldaan aan de specifieke behoeften van uw bedrijf op verschillende hiërarchische niveaus.

Onderzoek naar prognoses heeft geen duidelijke voorwaarden geschapen die de voorkeur geven aan een top-down- of bottom-up-benadering van prognoses. De bottom-up benadering lijkt echter de voorkeur te hebben als de geschiedenis van items stabiel is en de nadruk ligt op de trends en seizoenspatronen van de individuele items. Top-down is normaal gesproken een betere keuze als sommige items een zeer luidruchtige geschiedenis hebben of als de nadruk ligt op prognoses op groepsniveau. Omdat Smart Demand Planner het snel en gemakkelijk maakt om zowel een bottom-up als een top-down benadering te proberen, moet u beide methoden proberen en de resultaten vergelijken. U kunt de functie 'Hold back on Current' van Smart Demand Planner in 'Prognose vs. Actueel' gebruiken om beide benaderingen op uw eigen gegevens te testen en te zien welke een nauwkeurigere voorspelling voor uw bedrijf oplevert. 

 

Leren van voorraadmodellen

In deze videoblog onderzoeken we de integrale rol die voorraadmodellen spelen bij het vormgeven van de besluitvormingsprocessen van professionals in verschillende sectoren. Deze modellen, of het nu tastbare computersimulaties zijn of immateriële mentale constructies, dienen als cruciale hulpmiddelen bij het beheersen van de complexiteit van moderne zakelijke omgevingen. De discussie begint met een overzicht van hoe deze modellen worden gebruikt om resultaten te voorspellen en activiteiten te stroomlijnen, waarbij de relevantie ervan in een voortdurend evoluerend marktlandschap wordt benadrukt.

De discussie onderzoekt verder hoe verschillende modellen strategische besluitvormingsprocessen duidelijk beïnvloeden. De mentale modellen die professionals door ervaring ontwikkelen, vormen bijvoorbeeld vaak een leidraad voor de eerste reacties op operationele uitdagingen. Deze modellen zijn subjectief en opgebouwd op basis van persoonlijke inzichten en ervaringen uit het verleden met vergelijkbare situaties, waardoor snelle, intuïtieve besluitvorming mogelijk is. Aan de andere kant bieden computergebaseerde modellen een objectiever raamwerk. Ze gebruiken historische gegevens en algoritmische berekeningen om toekomstige scenario's te voorspellen en bieden zo een kwantitatieve basis voor beslissingen waarbij rekening moet worden gehouden met meerdere variabelen en mogelijke uitkomsten. In dit gedeelte worden specifieke voorbeelden belicht, zoals de impact van het aanpassen van bestelhoeveelheden op voorraadkosten en bestelfrequentie of de effecten van fluctuerende doorlooptijden op serviceniveaus en klanttevredenheid.

Concluderend: terwijl mentale modellen een raamwerk bieden dat is gebaseerd op ervaring en intuïtie, bieden computermodellen een gedetailleerder en getalsmatig perspectief. Het combineren van beide typen modellen zorgt voor een robuuster besluitvormingsproces, waarbij theoretische kennis in evenwicht wordt gebracht met praktische ervaring. Deze aanpak vergroot het inzicht in de voorraaddynamiek en geeft professionals de tools in handen om zich effectief aan veranderingen aan te passen, waardoor duurzaamheid en concurrentievermogen op hun respectieve vakgebieden worden gewaarborgd.

 

 

Een vraagvoorspelling doorstaan

Voor sommige van onze klanten heeft het weer een grote invloed op de vraag. Extreme weersomstandigheden op de korte termijn, zoals branden, droogtes, hittegolven, enzovoort, kunnen op de korte termijn een aanzienlijke invloed hebben op de vraag.

Er zijn twee manieren om het weer mee te nemen in een vraagvoorspelling: indirect en direct. De indirecte route is eenvoudiger met behulp van de scenariogebaseerde aanpak van Smart Demand Planner. De directe aanpak vereist een speciaal project op maat dat aanvullende gegevens en handgemaakte modellen vereist.

Indirecte boekhouding voor het weer

Het standaardmodel ingebouwd Smart Demand Planner (SDP) houdt op vier manieren rekening met weerseffecten:

  1. Als de wereld gestaag warmer/kouder/droger/natter wordt op manieren die van invloed zijn op uw omzet, detecteert SDP deze trends automatisch en neemt deze op in de vraagscenario's die het genereert.
  2. Als uw bedrijf een regelmatig ritme heeft waarin bepaalde dagen van de week of bepaalde maanden van het jaar een consistent hogere of lager dan gemiddelde vraag hebben, detecteert SDP deze seizoensinvloeden ook automatisch en neemt deze op in zijn vraagscenario's.
  3. Vaak is het de vervloekte willekeur van het weer die de nauwkeurigheid van de voorspellingen in de weg staat. We noemen dit effect vaak ‘ruis’. Lawaai is een verzamelnaam die allerlei willekeurige problemen omvat. Naast het weer kunnen ook een geopolitieke opflakkering, de verrassende mislukking van een regionale bank of een schip dat vastloopt in het Suezkanaal voor verrassingen zorgen en de vraag naar producten vergroten. SDP beoordeelt de volatiliteit van de vraag en reproduceert deze in zijn vraagscenario's.
  4. Beheeroverschrijvingen. Meestal laten klanten SDP aan de slag om automatisch tienduizenden vraagscenario's te genereren. Maar als gebruikers de behoefte voelen om specifieke prognoses aan te passen met behulp van hun voorkennis, kan SDP dat mogelijk maken door managementoverrides.

Directe boekhouding voor het weer

Soms kan een gebruiker inhoudelijke expertise onder woorden brengen door factoren buiten zijn bedrijf (zoals rentetarieven of grondstofkosten of technologietrends) te koppelen aan zijn eigen totale omzet. In deze situaties kan Smart Software eenmalige speciale projecten verzorgen die alternatieve (“causale”) modellen bieden als aanvulling op onze standaard statistische voorspellingsmodellen. Neem contact op met uw Smart Software-vertegenwoordiger om een mogelijk causaal modelleringsproject te bespreken.

Vergeet intussen uw paraplu niet.

 

 

 

Op zoek naar problemen met uw voorraadgegevens

In deze videoblog wordt een cruciaal aspect van voorraadbeheer in de schijnwerpers gezet: de analyse en interpretatie van voorraadgegevens. De focus ligt specifiek op een dataset van een openbaar vervoersbedrijf met details over reserveonderdelen voor bussen. Met meer dan 13.700 geregistreerde onderdelen bieden de gegevens een uitstekende gelegenheid om in de complexiteit van voorraadoperaties te duiken en verbeterpunten te identificeren.

Het begrijpen en aanpakken van afwijkingen in inventarisgegevens is om verschillende redenen belangrijk. Het zorgt niet alleen voor een efficiënte werking van voorraadsystemen, maar minimaliseert ook de kosten en verbetert de servicekwaliteit. Deze videoblog onderzoekt vier fundamentele regels van voorraadbeheer en laat aan de hand van praktijkgegevens zien hoe afwijkingen van deze regels onderliggende problemen kunnen signaleren. Door aspecten als artikelkosten, doorlooptijden, voorhanden en in bestelling zijnde eenheden en de parameters die het aanvulbeleid sturen te onderzoeken, biedt de video een uitgebreid overzicht van de potentiële uitdagingen en inefficiënties die op de loer liggen in voorraadgegevens. 

We benadrukken het belang van regelmatige analyse van voorraadgegevens en hoe een dergelijke analyse kan dienen als een krachtig hulpmiddel voor voorraadbeheerders, waardoor ze problemen kunnen detecteren en corrigeren voordat ze escaleren. Het vertrouwen op verouderde benaderingen kan tot onnauwkeurigheden leiden, resulterend in overtollige voorraden of onvervulde klantverwachtingen, wat op zijn beurt aanzienlijke financiële gevolgen en inefficiënties in de bedrijfsvoering kan veroorzaken.

Door een gedetailleerd onderzoek van de dataset van het openbaar vervoersbedrijf brengt de videoblog een duidelijke boodschap over: proactieve beoordeling van inventarisgegevens is essentieel voor het handhaven van een optimale voorraadoperatie, om ervoor te zorgen dat onderdelen beschikbaar zijn wanneer dat nodig is en om onnodige uitgaven te vermijden.

Door gebruik te maken van geavanceerde voorspellende analysetools zoals Smart Inventory Planning en Optimization kunt u uw voorraadgegevens onder controle houden. Smart IP&O geeft u op elk moment beslissende vraag- en voorraadinzichten in veranderende vraagpatronen voor reserveonderdelen, waardoor uw organisatie beschikt over de informatie die nodig is voor strategische besluitvorming.