Sommige bedrijven investeren in software om hen te helpen hun voorraad te beheren, of het nu gaat om reserveonderdelen of eindproducten. Maar een verrassend aantal anderen speelt elke dag het Inventory Guessing Game, vertrouwend op een ingebeelde “Golden Gut” of op gewoon geluk om hun inventariscontroleparameters in te stellen. Maar wat voor resultaten verwacht je met die aanpak?

Hoe goed bent u in het aanvoelen van de juiste waarden? In deze blogpost wordt u uitgedaagd om de beste Min- en Max-waarden voor een notioneel voorraaditem te raden. We laten u de vraaggeschiedenis zien, geven u een paar relevante feiten, waarna u Min- en Max-waarden kunt kiezen en zien hoe goed ze zouden werken. Klaar?

De uitdaging

Figuur 1 toont de dagelijkse vraaggeschiedenis van het artikel. De gemiddelde vraag bedraagt 2 eenheden per dag. De doorlooptijd voor het aanvullen is constant 10 dagen (wat onrealistisch is maar in uw voordeel werkt). Bestellingen die niet direct uit voorraad leverbaar zijn, kunnen niet worden nabesteld en gaan verloren. U wilt minimaal een opvullingspercentage van 80% bereiken, maar niet tegen elke prijs. U wilt ook het gemiddelde aantal beschikbare eenheden minimaliseren en toch een opvullingspercentage van ten minste 80% bereiken. Welke Min- en Max-waarden zouden een 80%-opvullingspercentage opleveren met het laagste gemiddelde aantal beschikbare eenheden? [Neem uw antwoorden op, zodat u ze later kunt controleren. De oplossing staat hieronder aan het einde van het artikel.]

Berekening van de beste min- en max-waarden

De manier om de beste waarden te bepalen is door een digitale tweeling te gebruiken, ook wel een Monte Carlo-simulatie genoemd. De analyse creëert een groot aantal vraagscenario's en passeert deze door de wiskundige logica van het voorraadbeheersysteem om te zien welke waarden zullen worden overgenomen door de belangrijkste prestatie-indicatoren (KPI's).

We hebben voor dit probleem een digitale tweeling gebouwd en deze systematisch getest met 1.085 paar Min- en Max-waarden. Voor elk paar hebben we in totaal 100 keer 365 bedrijfsdagen gesimuleerd. Vervolgens hebben we het gemiddelde van de resultaten genomen om de prestaties van het Min/Max-paar te beoordelen in termen van twee KPI's: opvullingspercentage en gemiddelde voorraad.

Figuur 2 toont de resultaten. De inherente afweging tussen voorraadomvang en opvullingspercentage is duidelijk in de figuur: als je een hoger opvullingspercentage wilt, moet je een grotere voorraad accepteren. Op elk inventarisniveau is er echter een bereik aan opvullingspercentages, dus het is de bedoeling om het Min/Max-paar te vinden dat het hoogste opvullingspercentage oplevert voor een inventaris van een bepaalde grootte.

Een andere manier om Figuur 2 te interpreteren is door te focussen op de groene stippellijn die het beoogde 80%-opvullingspercentage aangeeft. Er zijn veel Min/Max-paren die in de buurt van het 80%-doel kunnen raken, maar ze verschillen qua voorraadgrootte van ongeveer 6 tot ongeveer 8 eenheden. Figuur 3 zoomt in op dat gebied van Figuur 2 en toont een behoorlijk aantal Min/Max-paren die competitief zijn.

We hebben de resultaten van alle 1.085 simulaties gesorteerd om te identificeren wat economen de efficiënte grens noemen. De efficiënte grens is de reeks meest efficiënte Min/Max-paren om de wisselwerking tussen opvullingspercentage en aanwezige eenheden te benutten. Dat wil zeggen, het is een lijst met Min/Max-paren die de goedkoopste manier bieden om elk gewenst opvullingspercentage te bereiken, niet alleen 80%. Figuur 4 toont de efficiënte grens voor dit probleem. Van links naar rechts kunt u de laagste prijs aflezen die u zou moeten betalen (gemeten aan de hand van de gemiddelde voorraadgrootte) om het beoogde opvullingspercentage te bereiken. Om bijvoorbeeld een opvullingspercentage van 90% te bereiken, zou u een gemiddelde voorraad van ongeveer 10 eenheden moeten hebben.

Figuren 2, 3 en 4 tonen resultaten voor verschillende Min/Max-paren, maar geven niet de waarden van Min en Max achter elk punt weer. Tabel 1 toont alle simulatiegegevens: de waarden van Min, Max, gemiddelde beschikbare eenheden en opvullingspercentage. Het antwoord op het raadspel is gemarkeerd in de eerste regel van de tabel: Min=7 en Max=13¹. Heb je het juiste antwoord gekregen, of iets dat in de buurt komt?²? Heb je misschien de efficiënte grens bereikt?

Conclusies

Misschien heb je geluk gehad, of misschien heb je inderdaad een Gouden Darm, maar de kans is groter dat je niet het juiste antwoord hebt gekregen, en nog waarschijnlijker dat je het niet eens hebt geprobeerd. Het vinden van het juiste antwoord is buitengewoon moeilijk zonder de digitale tweeling te gebruiken. Raden is onprofessioneel.

Een stap verder dan raden is ‘raden en zien’, waarbij u uw gok implementeert en vervolgens een tijdje (maanden?) wacht om te zien of de resultaten u bevallen. Die tactiek is op zijn minst ‘wetenschappelijk’, maar inefficiënt.

Denk nu eens aan de moeite om de beste (Min,Max) paren voor duizenden items te bepalen. Op die schaal is er zelfs nog minder reden om het inventarisraadspel te spelen. Het juiste antwoord is om het te spelen… Slim³.

¹ Dit antwoord heeft een bonus, omdat het een opvullingspercentage van iets meer dan 80% behaalt bij een lagere gemiddelde voorraadgrootte dan de Min/Max-combinatie die precies 80% bereikte. Met andere woorden: (7,13) bevindt zich op de efficiënte grens.

² Omdat deze resultaten afkomstig zijn van een simulatie in plaats van een exacte wiskundige vergelijking, is er een bepaalde foutmarge verbonden aan elk geschat opvullingspercentage en voorraadniveau. Omdat de gemiddelde resultaten echter gebaseerd waren op 100 simulaties over een periode van 365 dagen, zijn de foutmarges echter klein. Over alle experimenten heen waren de gemiddelde standaardfouten in het opvullingspercentage en de gemiddelde voorraad respectievelijk slechts 0,009% en 0,129 eenheden.

³ Mocht je dit nog niet weten: een van de oprichters van Smart Software was … Charlie Smart.

Evenwichtsoefening

Bij voorraadbeheer gaat het, net als bij alles, om het balanceren van concurrerende prioriteiten. Wilt u een lean inventaris? Ja! Wil jij kunnen zeggen “Het is op voorraad” als een klant iets wil kopen? Ja!

Maar kun je het op beide manieren hebben? Slechts tot op zekere hoogte. Als u uw voorraad te agressief aanpast, riskeert u voorraadtekorten. Als je voorraadtekorten uitroeit, creëer je een opgeblazen voorraad. U wordt gedwongen een bevredigend evenwicht te vinden tussen de twee concurrerende doelen: een beperkte voorraad en een hoge beschikbaarheid van artikelen.

Een balans bereiken

Hoe breng je dat evenwicht tot stand? Te veel voorraadplanners 'schatten' hun weg naar een of ander antwoord. Of ze bedenken een keer een slim antwoord en hopen dat het een verre houdbaarheidsdatum heeft en blijven het gebruiken terwijl ze zich op andere problemen concentreren. Helaas zullen verschuivingen in de vraag en/of veranderingen in de prestaties van leveranciers en/of verschuivingen in de prioriteiten van uw eigen bedrijf oude voorraadplannen overbodig maken en u weer terugbrengen waar u begon.

Het is onvermijdelijk dat elk plan een houdbaarheidsdatum heeft en moet worden bijgewerkt. Het is echter zeker niet de beste praktijk om de ene gok door de andere te vervangen. In plaats daarvan zou elke planningscyclus gebruik moeten maken van moderne supply chain-software om giswerk te vervangen door op feiten gebaseerde analyses met behulp van waarschijnlijkheidsberekeningen.

Ken jezelf

Het enige dat software niet kan, is een beste antwoord berekenen zonder uw prioriteiten te kennen. Hoeveel prioriteit geeft u aan lean inventory boven artikelbeschikbaarheid? Software voorspelt de voorraad- en beschikbaarheidsniveaus die worden veroorzaakt door de beslissingen die u neemt over het beheer van elk item in uw inventaris, maar alleen u kunt beslissen of een bepaalde reeks belangrijke prestatie-indicatoren consistent is met wat u wilt.

Weten wat je wilt in algemene zin is gemakkelijk: je wilt alles. Maar weten wat je voorkeur heeft bij het vergelijken van specifieke scenario's is moeilijker. Het helpt om een scala aan realiseerbare mogelijkheden te kunnen zien en na te denken over wat het beste lijkt als ze naast elkaar worden gelegd.

Zie wat het volgende is

Supply chain-software kan u inzicht geven in de afwegingscurve. Over het algemeen weet u dat een beperkte voorraad en een hoge beschikbaarheid van artikelen elkaar tegenwerken, maar het zien van artikelspecifieke afwegingscurven verscherpt uw focus.

Waarom is er een bocht? Omdat u keuzes heeft over hoe u elk item beheert. Als u bijvoorbeeld voortdurend de voorraadstatus controleert, welke waarden wijst u dan toe aan de Min en Max waarden die bepalen wanneer aanvullingen moeten worden besteld en hoeveel er moet worden besteld. De afwegingscurve ontstaat omdat het kiezen van verschillende Min- en Max-waarden leidt tot verschillende niveaus van bij de hand inventaris en verschillende niveaus van artikelbeschikbaarheid, bijvoorbeeld zoals gemeten door vulpercentage.

Een scenario voor analyse

Om deze ideeën te illustreren, gebruikte ik a digitale tweeling  om in te schatten hoe verschillende waarden van Min en Max in een bepaald scenario zouden presteren. Het scenario concentreerde zich op een fictief reserveonderdeel met een puur willekeurige vraag met een redelijk hoog niveau onderbreking (37% aan dagen zonder vraag). De doorlooptijden voor het aanvullen waren een fluitje van een cent tussen 7 en 14 dagen. De Min- en Max-waarden werden systematisch gevarieerd: Min van 20 tot 40 eenheden, Max van Min+1 eenheden tot 2xMin eenheden. Elk (Min,Max) paar werd in totaal 1000 keer gesimuleerd gedurende 365 dagen gebruik. Vervolgens werden de resultaten gemiddeld om zowel het gemiddelde aantal beschikbare eenheden als het vulpercentage te schatten, dat wil zeggen het percentage van de dagelijkse behoeften waaraan onmiddellijk werd voldaan vanaf voorraad. Als de voorraad niet beschikbaar was, werd deze nabesteld.

Resultaten

Het experiment leverde twee soorten resultaten op:

• Grafieken die de relatie tonen tussen de min- en max-waarden en twee belangrijke prestatie-indicatoren: opvullingspercentage en gemiddelde beschikbare eenheden.
• Een afwegingscurve die laat zien hoe het opvullingspercentage en de beschikbare eenheden met elkaar in evenwicht zijn.

Figuur 1 toont de beschikbare inventaris als functie van de waarden van Min en Max. Het experiment leverde handniveaus op variërend van bijna 0 tot ongeveer 40 eenheden. Over het algemeen resulteert het constant houden van Min en het verhogen van Max in meer beschikbare eenheden. De relatie met Min is complexer: Max constant houden, Min verhogen voegt eerst de voorraad toe, maar vermindert deze op een gegeven moment.

Figuur 2 toont het vulpercentage als functie van de waarden Min en Max. Het experiment leverde opvullingspercentages op variërend van bijna 0% tot 100%. Over het algemeen weerspiegelden de functionele relaties tussen het opvullingspercentage en de waarden van Min en Max die in Figuur 1.

Figuur 3 maakt het belangrijkste punt duidelijk en laat zien hoe het variëren van Min en Max tot een perverse combinatie van de belangrijkste prestatie-indicatoren leidt. Over het algemeen zijn de waarden Min en Max die de beschikbaarheid van artikelen maximaliseren (opvullingspercentage) dezelfde waarden die de voorraadkosten maximaliseren (gemiddelde beschikbare eenheden). Dit algemene patroon wordt weergegeven door de blauwe curve. De experimenten leverden ook enkele uitlopers van de blauwe curve op die verband houden met slechte keuzes voor Min en Max, in de zin dat andere keuzes deze domineren door hetzelfde opvullingspercentage te produceren met een lagere voorraad.

Conclusies

Figuur 3 maakt duidelijk dat uw keuze voor het beheer van een voorraadartikel u dwingt om voorraadkosten af te wegen tegen de beschikbaarheid van artikelen. Je kunt enkele inefficiënte combinaties van Min- en Max-waarden vermijden, maar je kunt niet aan de afweging ontsnappen.

De goede kant van deze realiteit is dat je niet hoeft te raden wat er zal gebeuren als je je huidige waarden van Min en Max naar iets anders verandert. De software vertelt u wat de verhuizing u oplevert en wat het u gaat kosten. U kunt uw Guestimator-hoed afzetten en met vertrouwen uw ding doen.

Figuur 1 Voorhanden inventaris als functie van de min- en max-waarden

Figuur 2 Vulsnelheid als functie van Min- en Max-waarden

Figuur 3 Afwegingscurve tussen opvullingspercentage en voorhanden voorraad

Ruim veertig jaar geleden bestond Smart Software uit drie vrienden die in de kelder van een kerk een bedrijf begonnen te starten. Tegenwoordig is ons team uitgebreid en opereert vanuit meerdere locaties in Massachusetts, New Hampshire en Texas, met teamleden in Engeland, Spanje, Armenië en India. Net als velen van u in uw functie hebben wij manieren gevonden om gedistribueerde teams voor ons en voor u te laten werken.

Deze notitie gaat over een ander soort teamwerk: de samenwerking tussen u en onze software die binnen handbereik plaatsvindt. Ik schrijf vaak over de software zelf en wat er ‘onder de motorkap’ gebeurt. Deze keer is mijn onderwerp hoe je het beste met de software kunt samenwerken.

Onze softwaresuite, Smart Inventory Planning and Optimization (Smart IP&O™) is in staat tot zeer gedetailleerde berekeningen van de toekomstige vraag en de voorraadcontroleparameters (bijvoorbeeld bestelpunten en bestelhoeveelheden) die die vraag het meest effectief zouden beheren. Maar om al die kracht optimaal te kunnen benutten, is uw inbreng nodig. Je moet samenwerken met de algoritmen.

Die interactie kan verschillende vormen aannemen. U kunt beginnen door simpelweg te beoordelen hoe het nu met u gaat. De rapportschrijffuncties in Smart IP&O (Smart Operational Analytics™) kunnen al uw transactiegegevens verzamelen en analyseren om uw Key Performance Indicators (KPI's) te meten, zowel financieel (bijvoorbeeld voorraadinvesteringen) als operationeel (bijvoorbeeld opvullingspercentages).

De volgende stap zou kunnen zijn om SIO (Smart Inventory Optimization™), de inventarisanalyse binnen SIP&O, te gebruiken om ‘wat-als’-spelletjes met de software te spelen. U kunt zich bijvoorbeeld afvragen: 'Wat als we de bestelhoeveelheid voor artikel 1234 verlagen van 50 naar 40?' De software vermaalt de cijfers om u te laten weten hoe dat zou uitpakken, waarna u reageert. Dit kan handig zijn, maar wat als u 50.000 items moet overwegen? Je zou wat-als-spellen willen doen voor een paar cruciale items, maar niet voor allemaal.

De echte kracht zit hem in het gebruik van de automatische optimalisatiemogelijkheden in SIO. Hier kunt u op grote schaal samenwerken met de algoritmen. Op basis van uw zakelijke oordeel kunt u “groepen” creëren, dat wil zeggen verzamelingen van items die enkele cruciale kenmerken gemeen hebben. U kunt bijvoorbeeld een groep maken voor 'kritieke reserveonderdelen voor klanten van elektriciteitsbedrijven', bestaande uit 1.200 onderdelen. Vervolgens kunt u, opnieuw op basis van uw zakelijk oordeel, specificeren welke standaard voor de beschikbaarheid van artikelen moet gelden voor alle artikelen in die groep (bijvoorbeeld: “minstens 95% kans dat de voorraad binnen een jaar niet op voorraad is”). Nu kan de software het overnemen en automatisch de beste bestelpunten en bestelhoeveelheden voor elk van deze artikelen berekenen om de gewenste artikelbeschikbaarheid tegen de laagst mogelijke totale kosten te bereiken. En dat, beste lezer, is krachtig teamwerk.

Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

Wat is en wat niet

Wat is AI en waarin verschilt het van ML? Wat doet iemand tegenwoordig als hij iets wil weten? Ze Googlen het. En als ze dat doen, begint de verwarring.

Eén bron zegt dat de neurale netmethodologie, deep learning genaamd, een subset is van machine learning, een subset van AI. Maar een andere bron zegt dat deep learning al een onderdeel is van AI, omdat het min of meer de manier nabootst waarop de menselijke geest werkt, terwijl machinaal leren dat niet probeert.

Eén bron zegt dat er twee soorten machinaal leren zijn: onder toezicht en zonder toezicht. Een ander zegt dat er vier zijn: onder toezicht, zonder toezicht, semi-onder toezicht en versterking.

Sommigen zeggen dat versterkend leren machinaal leren is; anderen noemen het AI.

Sommigen van ons, traditionalisten, noemen veel ervan ‘statistieken’, hoewel dat niet allemaal zo is.

Bij het benoemen van methoden is veel ruimte voor zowel emotie als verkoopvaardigheid. Als een softwareleverancier denkt dat je de term ‘AI’ wilt horen, kan het zijn dat hij/zij dat voor je zegt, alleen maar om je blij te maken.

Het is beter om je te concentreren op wat er uiteindelijk uitkomt

Je kunt een verwarrende hype vermijden als je je concentreert op het eindresultaat dat je krijgt van een analytische technologie, ongeacht het label ervan. Er zijn verschillende analytische taken die relevant zijn voor voorraadplanners en vraagplanners. Deze omvatten clustering, detectie van afwijkingen, detectie van regimeveranderingen en regressieanalyse. Alle vier de methoden worden gewoonlijk, maar niet altijd, geclassificeerd als methoden voor machinaal leren. Maar hun algoritmen kunnen rechtstreeks uit de klassieke statistiek komen.

Clustering

Clusteren betekent het groeperen van dingen die op elkaar lijken en het distantiëren ervan van dingen die niet op elkaar lijken. Soms is clusteren eenvoudig: om uw klanten geografisch te scheiden, sorteert u ze eenvoudigweg op staat of verkoopregio. Als het probleem niet zo voor de hand liggend is, kun je data- en clusteralgoritmen gebruiken om de klus automatisch te klaren, zelfs als je met enorme datasets te maken hebt.

Figuur 1 illustreert bijvoorbeeld een cluster van “vraagprofielen”, die in dit geval alle artikelen van een klant in negen clusters verdeelt, op basis van de vorm van hun cumulatieve vraagcurven. Cluster 1.1 linksboven bevat items waarvan de vraag is afgenomen, terwijl Cluster 3.1 linksonder items bevat waarvan de vraag is toegenomen. Clusteren kan ook op leveranciers. De keuze van het aantal clusters wordt doorgaans overgelaten aan het oordeel van de gebruiker, maar ML kan die keuze begeleiden. Een gebruiker kan de software bijvoorbeeld de opdracht geven om “mijn onderdelen in vier clusters op te splitsen”, maar het gebruik van ML kan aan het licht brengen dat er in werkelijkheid zes verschillende clusters zijn die de gebruiker moet analyseren. 

Figuur 1: Artikelen clusteren op basis van de vorm van hun cumulatieve vraag

Onregelmatigheidsdetectie

Vraagvoorspelling wordt traditioneel gedaan met behulp van tijdreeksextrapolatie. Eenvoudige exponentiële afvlakking werkt bijvoorbeeld om op elk moment het ‘midden’ van de vraagverdeling te vinden en dat niveau naar voren te projecteren. Als er in het recente verleden echter een plotselinge, eenmalige stijging of daling van de vraag heeft plaatsgevonden, kan die afwijkende waarde een aanzienlijk maar onwelkom effect hebben op de kortetermijnvoorspellingen. Net zo ernstig voor de voorraadplanning, kan de anomalie een buitensporig effect hebben op de schatting van de variabiliteit van de vraag, wat rechtstreeks doorgaat naar de berekening van de veiligheidsvoorraadvereisten.

Planners geven er misschien de voorkeur aan dergelijke afwijkingen op te sporen en te verwijderen (en misschien offline follow-up te doen om de reden voor de vreemdheid te achterhalen). Maar niemand die een grote klus te klaren heeft, zal duizenden vraagdiagrammen visueel willen scannen om uitschieters op te sporen, deze uit de vraaggeschiedenis te verwijderen en vervolgens alles opnieuw te berekenen. De menselijke intelligentie zou dat kunnen doen, maar het menselijk geduld zou spoedig ophouden. Algoritmen voor het detecteren van afwijkingen zouden het werk automatisch kunnen doen met behulp van relatief eenvoudige statistische methoden. Je zou dit ‘kunstmatige intelligentie’ kunnen noemen als je dat wilt.

Detectie van regimewijzigingen

Detectie van regimeveranderingen is als de grote broer van anomaliedetectie. Regimeverandering is een aanhoudende, in plaats van tijdelijke, verschuiving in een of meer aspecten van het karakter van een tijdreeks. Terwijl de detectie van afwijkingen zich gewoonlijk richt op plotselinge verschuivingen in de gemiddelde vraag, kan een regimeverandering verschuivingen in andere kenmerken van de vraag met zich meebrengen, zoals de volatiliteit of de verdelingsvorm ervan.  

Figuur 2 illustreert een extreem voorbeeld van regimeverandering. Rond dag 120 daalde de vraag naar dit artikel op de bodem. Het voorraadbeheerbeleid en de vraagvoorspellingen op basis van de oudere gegevens zouden aan het einde van de vraaggeschiedenis enorm afwijken van de basis.

Figuur 2: Een voorbeeld van extreme regimeverandering in een artikel met een intermitterende vraag

Ook hier kunnen statistische algoritmen worden ontwikkeld om dit probleem op te lossen, en het zou eerlijk zijn om ze ‘machine learning’ of ‘kunstmatige intelligentie’ te noemen als ze daartoe gemotiveerd zijn. Door ML of AI te gebruiken om regimeveranderingen in de vraaggeschiedenis te identificeren, kan software voor vraagplanning automatisch alleen de relevante geschiedenis gebruiken bij het voorspellen, in plaats van handmatig de hoeveelheid geschiedenis te moeten kiezen die in het model moet worden geïntroduceerd. 

Regressie analyse

Regressieanalyse relateert de ene variabele aan de andere via een vergelijking. De verkoop van kozijnen in één maand kan bijvoorbeeld worden voorspeld op basis van bouwvergunningen die een paar maanden eerder zijn afgegeven. Regressieanalyse wordt al meer dan een eeuw beschouwd als onderdeel van de statistiek, maar we kunnen zeggen dat het ‘machine learning’ is, aangezien een algoritme de precieze manier uitwerkt om kennis van de ene variabele om te zetten in een voorspelling van de waarde van een andere.

Overzicht

Het is redelijk om geïnteresseerd te zijn in wat er gebeurt op het gebied van machinaal leren en kunstmatige intelligentie. Hoewel de aandacht die aan ChatGPT en zijn concurrenten wordt besteed interessant is, is deze niet relevant voor de numerieke kant van vraagplanning of voorraadbeheer. De numerieke aspecten van ML en AI zijn potentieel relevant, maar je moet proberen de wolk van hype rond deze methoden te doorzien en je te concentreren op wat ze kunnen doen. Als u de klus kunt klaren met klassieke statistische methoden, kunt u dat misschien ook doen, en vervolgens uw optie uitoefenen om het ML-label op alles wat beweegt te plakken.

Het voorspellen van voorraadbehoeften is een gespecialiseerde variant van prognoses die zich richt op de bovenkant van het bereik van mogelijke toekomstige vraag.

Beschouw voor de eenvoud het probleem van het voorspellen van de voorraadbehoeften voor slechts één periode vooruit, bijvoorbeeld één dag vooruit. Meestal bestaat de taak van forecasting uit het schatten van het meest waarschijnlijke of gemiddelde niveau van de productvraag. Als de beschikbare voorraad echter gelijk is aan de gemiddelde vraag, bestaat er een kans van ongeveer 50% dat de vraag de voorraad overtreft en resulteert in verloren omzet en/of verloren goede wil. Het instellen van het voorraadniveau op bijvoorbeeld tien keer de gemiddelde vraag zal waarschijnlijk het probleem van voorraadtekorten elimineren, maar zal net zo zeker resulteren in oplopende voorraadkosten.

De truc van voorraadoptimalisatie is om een bevredigende balans te vinden tussen voldoende voorraad hebben om aan de meeste vraag te voldoen zonder al te veel middelen in het proces vast te leggen. Meestal is de oplossing een combinatie van zakelijk inzicht en statistieken. Het beoordelende deel is het definiëren van een acceptabel voorraadserviceniveau, zoals het direct uit voorraad voldoen aan 95% vraag. Het statistische deel is om het 95e percentiel van de vraag te schatten.

Wanneer niet omgaan met Intermittent demandkunt u het vereiste voorraadniveau vaak schatten door uit te gaan van een klokvormige (normale) vraagcurve, waarbij u zowel het midden als de breedte van de klokcurve schat, en vervolgens een standaard statistische formule gebruikt om het gewenste percentiel te schatten. Het verschil tussen het gewenste voorraadniveau en het gemiddelde vraagniveau wordt de ‘veiligheidsvoorraad’ genoemd, omdat deze beschermt tegen de mogelijkheid van voorraadtekorten.

Bij een intermitterende vraag is de klokvormige curve een zeer slechte benadering van de statistische verdeling van de vraag. In dit speciale geval maakt Smart gebruik van gepatenteerde technologie voor intermitterende vraag die is ontworpen om de marges nauwkeurig te voorspellen en een betere schatting te maken van de veiligheidsvoorraad die nodig is om het vereiste voorraadserviceniveau te bereiken.