In deze blog onderzoeken we hoe organisaties uitzonderlijke efficiëntie en nauwkeurigheid kunnen bereiken met AI-gestuurde voorraadoptimalisatie. Traditionele methoden voor voorraadbeheer schieten vaak tekort vanwege hun reactieve karakter en hun afhankelijkheid van handmatige processen. Het handhaven van optimale voorraadniveaus is van fundamenteel belang om aan de vraag van de klant te voldoen en tegelijkertijd de kosten te minimaliseren. De introductie van AI-gestuurde voorraadoptimalisatie kan de last van handmatige processen aanzienlijk verminderen, waardoor supply chain-managers worden ontlast van vervelende taken. Met AI kunnen we de vraag nauwkeuriger voorspellen, overtollige voorraden verminderen, voorraadtekorten voorkomen en uiteindelijk de bedrijfsresultaten van onze organisatie verbeteren. Laten we eens kijken hoe deze aanpak niet alleen de verkoop- en operationele efficiëntie verhoogt, maar ook de klanttevredenheid verhoogt door ervoor te zorgen dat producten altijd beschikbaar zijn wanneer dat nodig is.

 

Inzichten voor verbeterde besluitvorming in voorraadbeheer

1. Verbeterde voorspellingsnauwkeurigheid Geavanceerde Machine Learning-algoritmen analyseren historische gegevens om patronen te identificeren die mensen mogelijk over het hoofd zien. Technieken als clustering, detectie van regimeveranderingen, detectie van afwijkingen en regressieanalyse bieden diepgaande inzichten in gegevens. Het meten van voorspellingsfouten is essentieel voor het verfijnen van voorspellingsmodellen; Technieken als Mean Absolute Error (MAE) en Root Mean Squared Error (RMSE) helpen bijvoorbeeld bij het kwantificeren van de nauwkeurigheid van voorspellingen. Bedrijven kunnen de nauwkeurigheid verbeteren door voortdurend prognoses te monitoren en aan te passen op basis van deze foutstatistieken. Zoals de Demand Planner bij een Hardware Retailer vermeld, “Met de verbeteringen aan onze prognoses en voorraadplanning die Smart Software mogelijk maakte, hebben we de veiligheidsvoorraad met 20% kunnen verminderen en tegelijkertijd de voorraadtekorten met 35% kunnen verminderen.”

2. Realtime gegevensanalyse State-of-the-art systemen kunnen enorme hoeveelheden gegevens in realtime verwerken, waardoor bedrijven hun voorraadniveaus dynamisch kunnen aanpassen op basis van de huidige vraagtrends en marktomstandigheden. Afwijkingsdetectiealgoritmen kunnen plotselinge pieken of dalen in de vraag automatisch identificeren en corrigeren, zodat de voorspellingen accuraat blijven. Een opmerkelijk succesverhaal komt van Smart IP&O, waarmee een bedrijf de voorraad tegen 20% kon verminderen en tegelijkertijd de serviceniveaus kon handhaven door voortdurend realtime gegevens te analyseren en de prognoses dienovereenkomstig aan te passen. FedEx Tech's Manager Materials benadrukt, “Wat het verzoek ook is, we moeten aan onze serviceverplichtingen de volgende dag voldoen. Smart stelt ons in staat om onze voorraad aan te passen om er zeker van te zijn dat we de producten en onderdelen bij de hand hebben om de serviceniveaus te bereiken die onze klanten nodig hebben.”

3. Verbeterde supply chain-efficiëntie Intelligente technologieplatforms kunnen de gehele supply chain optimaliseren, van inkoop tot distributie, door doorlooptijden te voorspellen en orderhoeveelheden te optimaliseren. Dit verkleint het risico op over- en onderbezetting. Met behulp van op prognoses gebaseerd voorraadbeheer heeft Smart Software bijvoorbeeld een fabrikant geholpen zijn toeleveringsketen te stroomlijnen, de doorlooptijden met 15% te verkorten en de algehele efficiëntie te verbeteren. De VP Operations bij Procon Pump verklaarde: “Een van de dingen die ik leuk vind aan deze nieuwe tool... is dat ik de gevolgen van beslissingen over voorraadvoorraden kan evalueren voordat ik ze implementeer.”

4. Verbeterde besluitvorming AI biedt bruikbare inzichten en aanbevelingen, waardoor managers weloverwogen beslissingen kunnen nemen. Dit omvat het identificeren van langzaam bewegende artikelen, het voorspellen van de toekomstige vraag en het optimaliseren van de voorraadniveaus. Regressieanalyse kan bijvoorbeeld de verkoop relateren aan externe variabelen zoals seizoensinvloeden of economische indicatoren, waardoor een dieper inzicht ontstaat in de vraagfactoren. Een van de klanten van Smart Software rapporteerde een aanzienlijke verbetering in de besluitvormingsprocessen, wat resulteerde in een stijging van het serviceniveau met 30% en een vermindering van de overtollige voorraad met 15%. “Smart IP&O stelde ons in staat de vraag op elke opslaglocatie te modelleren en, met behulp van serviceniveaugestuurde planning, te bepalen hoeveel we op voorraad moesten hebben om het serviceniveau te bereiken dat we nodig hebben”, aldus de Inkoopmanager bij Seneca Companies.

5. Kostenbesparing Door de voorraadniveaus te optimaliseren kunnen bedrijven de opslagkosten verlagen en verliezen als gevolg van verouderde of verlopen producten minimaliseren. AI-gestuurde systemen verminderen ook de noodzaak van handmatige voorraadcontroles, waardoor tijd en arbeidskosten worden bespaard. Dat blijkt uit een recente casestudy hoe de implementatie van Inventory Planning & Optimization (IP&O) binnen 90 dagen na de start van het project werd gerealiseerd. In de daaropvolgende zes maanden maakte IP&O het mogelijk de voorraadparameters voor enkele duizenden artikelen aan te passen, wat resulteerde in een voorraadreductie van $9,0 miljoen, terwijl het beoogde serviceniveau behouden bleef.

 

Door gebruik te maken van geavanceerde algoritmen en realtime data-analyse kunnen bedrijven optimale voorraadniveaus handhaven en de algehele prestaties van hun supply chain verbeteren. Inventory Planning & Optimization (IP&O) is een krachtig hulpmiddel dat uw organisatie kan helpen deze doelen te bereiken. Het integreren van de modernste voorraadoptimalisatie in uw organisatie kan leiden tot aanzienlijke verbeteringen op het gebied van efficiëntie, kostenreductie en klanttevredenheid.

 

 

 

Voorraadoptimalisatiesoftware die 'wat als'-analyse ondersteunt, legt de afweging tussen voorraadtekorten en extra kosten van verschillende serviceniveaudoelen bloot. Maar eerst is het belangrijk om te identificeren hoe ‘serviceniveaus’ worden geïnterpreteerd, gemeten en gerapporteerd. Dit voorkomt miscommunicatie en het valse gevoel van veiligheid dat kan ontstaan als er minder strenge definities worden gebruikt. Als u duidelijk definieert hoe het serviceniveau wordt berekend, staan alle belanghebbenden op één lijn. Dit vergemakkelijkt een betere besluitvorming.

Er zijn veel verschillen in wat bedrijven bedoelen als ze hun ‘serviceniveaus’ noemen. Dit kan variëren van bedrijf tot bedrijf en zelfs van afdeling tot afdeling binnen een bedrijf. Hier zijn twee voorbeelden:

 

1. Serviceniveau gemeten ‘vanaf de plank’ versus een door de klant opgegeven doorlooptijd.
   Serviceniveau gemeten “uit het schap” betekent het percentage bestelde eenheden dat onmiddellijk uit voorraad leverbaar is. Wanneer een klant een bestelling plaatst, wordt deze echter vaak niet direct verzonden. De klantenservice of verkoopafdeling geven aan wanneer de bestelling wordt verzonden. Als de klant akkoord gaat met de beloofde verzenddatum en de bestelling op die datum wordt verzonden, wordt aangenomen dat aan het serviceniveau is voldaan. De serviceniveaus zullen duidelijk hoger zijn als ze worden berekend over de door de klant opgegeven doorlooptijd versus ‘vanaf de plank’.

2. Serviceniveau gemeten over de vaste versus variabele, door de klant opgegeven doorlooptijd.
   Hoge serviceniveaus zijn vaak scheef omdat de door de klant opgegeven doorlooptijden later worden aangepast, zodat bijna elke bestelling “op tijd en volledig” kan worden uitgevoerd. Dit gebeurt wanneer de initiële doorlooptijd niet kan worden gehaald, maar de klant ermee instemt de bestelling later aan te nemen, en het door de klant opgegeven doorlooptijdveld dat wordt gebruikt om het serviceniveau bij te houden, wordt aangepast door de verkoopafdeling of de klantenservice.

Het verduidelijken van de manier waarop ‘serviceniveaus’ worden gedefinieerd, gemeten en gerapporteerd is essentieel voor het op één lijn brengen van organisaties en het verbeteren van de besluitvorming, wat resulteert in effectievere voorraadbeheerpraktijken.

 

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.

 

 

Wij geloven dat de ontwikkeling van digitale tweelingen van voorraadsystemen de leidende factor is op het gebied van supply chain-analyse. Deze tweelingen nemen de vorm aan van discrete gebeurtenismodellen die Monte Carlo-simulatie gebruiken om het volledige scala aan operationele risico's te genereren en te optimaliseren. We beweren ook dat wij en onze collega's bij Smart Software een grote rol hebben gespeeld bij het smeden van die voorsprong. Maar we zijn niet de enigen: er zijn een klein aantal andere softwarebedrijven over de hele wereld die bezig zijn met een inhaalslag.

Wat is de volgende stap op het gebied van supply chain-analyse? Waar ligt de volgende grens? Het kan gaan om een soort neuraal netwerkmodel van een distributiesysteem. Maar we zouden betere kansen hebben op een uitbreiding van onze toonaangevende modellen van voorraadsystemen met één echelon naar voorraadsystemen met meerdere echelons.

Figuren 1 en 2 illustreren het onderscheid tussen systemen met één en meerdere echelons. Figuur 1 toont een fabrikant die afhankelijk is van een bron om zijn voorraad reserveonderdelen of componenten aan te vullen. Wanneer er voorraadtekorten dreigen, bestelt de fabrikant aanvullingsvoorraden bij de Bron.

Figuur 1: Een inventarisatiesysteem met één echelon

 

Single-echelon-modellen bevatten niet expliciet details van de Bron. Het blijft mysterieus, een onzichtbare geest wiens enige relevante kenmerk de willekeurige tijd is die nodig is om te reageren op een aanvullingsverzoek. Belangrijk is dat er impliciet van wordt uitgegaan dat de Bron zelf nooit een voorraad opslaat. Die veronderstelling kan voor veel doeleinden ‘goed genoeg’ zijn, maar kan niet letterlijk waar zijn. Dit wordt afgehandeld door stockout-gebeurtenissen van leveranciers in de distributie van de doorlooptijd van de aanvullingen te verwerken. Het terugdringen van die veronderstelling is de reden voor multi-echelon-modellering.

Figuur 2 toont een eenvoudig inventarisatiesysteem met twee niveaus. Het verschuift domeinen van productie naar distributie. Er zijn meerdere magazijnen (WH's) afhankelijk van een distributiecentrum (DC) voor bevoorrading. Nu is de DC een expliciet onderdeel van het model. Het heeft een beperkte capaciteit om bestellingen te verwerken en vereist zijn eigen herschikkingsprotocollen. De DC krijgt zijn aanvulling van hogerop in de keten van een bron. De Bron kan de fabrikant van het inventarisitem zijn of misschien een “regionale DC” of iets dergelijks, maar – raad eens? – het is een andere geest. Net als in het single-echelonmodel heeft deze geest één zichtbaar kenmerk: de waarschijnlijkheidsverdeling van de doorlooptijd van de aanvulling. (De clou van een beroemde grap uit de natuurkunde is: “Maar mevrouw, het zijn schildpadden helemaal naar beneden.” In ons geval: “Het zijn geesten helemaal naar boven.”)

Figuur 2: Een inventarisatiesysteem met twee niveaus

 

Het probleem van procesontwerp en -optimalisatie is veel moeilijker op twee niveaus. De moeilijkheid is niet alleen de toevoeging van nog twee controleparameters voor elke WH (bijvoorbeeld een Min en een Max voor elk) plus dezelfde twee parameters voor de DC. Het lastigste deel is het modelleren van de interactie tussen de WH's. In het model met één niveau opereert elke WH in zijn eigen kleine wereld en hoort hij nooit "Sorry, we hebben geen voorraad meer" van de spookachtige Bron. Maar in een systeem met twee niveaus zijn er meerdere WH's die allemaal strijden om bevoorrading vanuit hun gedeelde DC. Deze concurrentie creëert de belangrijkste analytische moeilijkheid: de WH's kunnen niet afzonderlijk worden gemodelleerd, maar moeten tegelijkertijd worden geanalyseerd. Als één DC bijvoorbeeld tien WH's bedient, zijn er 2+10×2 = 22 voorraadbeheerparameters waarvan de waarden moeten worden berekend. In nerdtaal: het is niet triviaal om een beperkt, discreet optimalisatieprobleem met 22 variabelen en een stochastische objectieve functie op te lossen.

Als we het verkeerde systeemontwerp kiezen, ontdekken we een nieuw fenomeen dat inherent is aan systemen met meerdere niveaus, dat we informeel ‘meltdown’ of ‘catastrofe’ noemen. Bij dit fenomeen kan het DC de bevoorradingsbehoefte van de WH's niet bijhouden, waardoor er uiteindelijk voorraadtekorten op magazijnniveau ontstaan. Vervolgens putten de steeds hectischer wordende aanvullingsverzoeken van de WH de voorraad bij het DC uit, waardoor zijn eigen paniekerige verzoeken om aanvulling vanuit het regionale DC beginnen. Als het regionale DC er te lang over doet om het DC weer aan te vullen, dan ontaardt het hele systeem in een tragedie van uitputting.

Eén oplossing voor het meltdown-probleem is om het DC zo te ontwerpen dat het bijna nooit leeg raakt, maar dat kan erg duur zijn. Daarom is er in de eerste plaats een regionaal DC. Elk betaalbaar systeemontwerp heeft dus een DC die net goed genoeg is om lang mee te gaan tussen meltdowns. Dit perspectief impliceert een nieuw type Key Performance Indicator (KPI), zoals “De kans op een meltdown binnen X jaar is minder dan Y procent.”

De volgende grens zal nieuwe methoden en nieuwe maatstaven vereisen, maar zal een nieuwe manier bieden om distributiesystemen te ontwerpen en te optimaliseren. Onze skunkfabriek genereert al prototypes. Bekijk deze ruimte.