Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie

In deze blog bespreken we de snelle en onvoorspelbare markt van vandaag en de voortdurende uitdagingen waarmee bedrijven worden geconfronteerd bij het efficiënt beheren van hun voorraad- en serviceniveaus. Het hoofdonderwerp van deze discussie, geworteld in het concept van ‘probabilistische voorraadoptimalisatie’, richt zich op de manier waarop moderne technologie kan worden ingezet om optimale service- en voorraaddoelstellingen te bereiken te midden van onzekerheid. Deze aanpak pakt niet alleen de traditionele problemen met voorraadbeheer aan, maar biedt ook een strategische voorsprong bij het omgaan met de complexiteit van vraagschommelingen en verstoringen van de toeleveringsketen.

Het begrijpen en implementeren van voorraadoptimalisatietechnologie is om verschillende redenen belangrijk. Ten eerste heeft het een directe invloed op het vermogen van een bedrijf om snel aan de eisen van de klant te voldoen, waardoor de klanttevredenheid en loyaliteit worden beïnvloed. Ten tweede houdt effectief voorraadbeheer de operationele kosten onder controle, waardoor onnodige voorraad wordt verminderd en het risico op stockouts of overstock wordt geminimaliseerd. In een tijdperk waarin de marktomstandigheden snel veranderen, kan het hebben van een robuust systeem om deze aspecten te beheren het verschil zijn tussen bloeien en alleen maar overleven.

De kern van voorraadbeheer ligt in een paradox: de noodzaak om voorbereid te zijn op de fluctuerende vraag, zonder te bezwijken voor de valkuilen van overbevoorrading, wat kan leiden tot hogere voorraadkosten, veroudering en verspilling van hulpbronnen. Omgekeerd kan een tekort aan voorraad resulteren in voorraadtekorten, omzetverlies en verminderde klanttevredenheid, wat uiteindelijk gevolgen heeft voor de reputatie en het bedrijfsresultaat van een bedrijf. De onvoorspelbare aard van de marktvraag, verergerd door mogelijke verstoringen van de toeleveringsketen en veranderend consumentengedrag, maakt deze evenwichtsoefening ingewikkelder.

Technologie speelt hier een cruciale rol. Moderne software voor voorraadoptimalisatie integreert probabilistische modellen, geavanceerde voorspellingsalgoritmen en simulatiemogelijkheden. Deze systemen helpen bedrijven snel te reageren op veranderende marktomstandigheden. Bovendien bevordert de adoptie van dergelijke technologie een cultuur van datagestuurde besluitvorming, waardoor bedrijven niet alleen maar reageren op onzekerheden, maar proactief strategieën ontwikkelen om de gevolgen ervan te verzachten.

Hier volgen korte discussies over de relevante algoritmische technologieën.

Probabilistische voorraadoptimalisatie: Traditionele benaderingen van voorraadbeheer zijn gebaseerd op deterministische modellen die uitgaan van een statische, voorspelbare wereld. Deze modellen wankelen als ze geconfronteerd worden met variabiliteit en onzekerheid. Maak kennis met probabilistische voorraadoptimalisatie, een paradigma dat de willekeur omarmt die inherent is aan supply chain-processen. Deze aanpak maakt gebruik van statistische modellen om de onzekerheden in vraag en aanbod weer te geven, waardoor bedrijven rekening kunnen houden met een volledig scala aan mogelijke uitkomsten.

Geavanceerde prognoses:  Een hoeksteen van effectieve voorraadoptimalisatie is het vermogen om nauwkeurig te anticiperen op de toekomstige vraag. Geavanceerde voorspellingstechnieken, zoals [we verkopen dit niet buiten SmartForecasts of misschien zelfs niet meer daar, dus vermeld het niet], tijdreeksanalyse en machinaal leren, extraheren exploiteerbare patronen uit historische gegevens.

Berekening van de veiligheidsvoorraad: een schild tegen onzekerheid:

Prognoses die schattingen van hun eigen onzekerheid bevatten, maken berekeningen van de veiligheidsvoorraad mogelijk. De veiligheidsvoorraad fungeert als buffer tegen de onvoorspelbaarheid van de doorlooptijden van vraag en aanbod. Het bepalen van het optimale niveau van de veiligheidsvoorraad is een cruciale uitdaging die probabilistische modellen goed kunnen aanpakken. Met de juiste veiligheidsvoorraden kunnen bedrijven een hoog serviceniveau handhaven, waardoor de productbeschikbaarheid wordt gegarandeerd zonder de last van overmatige voorraad.

Scenarioplanning: voorbereiden op meerdere toekomsten:

De toekomst is inherent onzeker en één enkele voorspelling kan nooit alle mogelijke scenario's omvatten. Geavanceerde methoden die een reeks realistische vraagscenario's creëren, zijn de essentiële vorm van probabilistische voorraadoptimalisatie. Met deze technieken kunnen bedrijven de implicaties van meerdere toekomsten onderzoeken, van best-case tot worst-case situaties. Door op deze scenario’s te anticiperen, kunnen bedrijven hun veerkracht vergroten in het licht van de marktvolatiliteit.

Met vertrouwen door de toekomst navigeren

Het onzekere landschap van de huidige zakelijke omgeving maakt een verschuiving noodzakelijk van traditionele voorraadbeheerpraktijken naar meer geavanceerde, probabilistische benaderingen. Door de principes van probabilistische voorraadoptimalisatie te omarmen, kunnen bedrijven een duurzaam evenwicht vinden tussen uitmuntende service en kostenefficiëntie. Door geavanceerde voorspellingstechnieken, strategische veiligheidsvoorraadberekeningen en scenarioplanning te integreren, ondersteund door Smart Inventory Planning and Optimization (Smart IP&O), kunnen bedrijven onzekerheid omzetten van een uitdaging in een kans. Bedrijven die deze aanpak omarmen, melden aanzienlijke verbeteringen in serviceniveaus, verlagingen van voorraadkosten en verbeterde flexibiliteit van de toeleveringsketen.

Minder kritieke artikelen die naar verwachting een serviceniveau van 99%+ zullen bereiken, vertegenwoordigen bijvoorbeeld mogelijkheden om de voorraad te verminderen. Door lagere serviceniveaus te richten op minder kritieke artikelen, zal de voorraad in de loop van de tijd “de juiste omvang” hebben voor het nieuwe evenwicht, waardoor de voorraadkosten en de waarde van de aanwezige voorraad afnemen. Een groot openbaarvervoersysteem verminderde de voorraad met ruim $4.000.000, terwijl het serviceniveau verbeterde.

Het optimaliseren van de voorraadniveaus betekent ook dat de besparingen die op één subset van artikelen worden gerealiseerd, opnieuw kunnen worden toegewezen aan een bredere portefeuille van artikelen die op voorraad zijn, waardoor inkomsten kunnen worden gerealiseerd die anders verloren zouden gaan. Een toonaangevende distributeur was in staat een breder portfolio aan onderdelen op voorraad te houden dankzij de besparingen dankzij voorraadreducties en een grotere beschikbaarheid van onderdelen door 18%.

 

 

 

Onregelmatige operaties

ACHTERGROND

De meeste blogs, webinars en whitepapers van Smart Software beschrijven het gebruik van onze software bij ‘normale werkzaamheden’. Deze gaat over ‘onregelmatige operaties’. Smart Software is bezig met het aanpassen van onze producten om u te helpen omgaan met uw eigen onregelmatige werkzaamheden. Dit is een voorproefje.

Ik hoorde de term ‘irreguliere operaties’ voor het eerst toen ik een sabbatical-tournee maakte bij de Amerikaanse Federal Aviation Administration in Washington, DC. De FAA verkort de term tot “IROPS” en gebruikt deze om situaties te beschrijven waarin weersomstandigheden, mechanische problemen of andere problemen de normale vliegtuigstroom verstoren.

Smart Inventory Optimization® (“SIO”) currently works to provide what are known as “steady state” policies for managing inventory items. That means, for instance, that SIO automatically calculates values for reorder points (ROP’s) and order quantities (OQ’s) that are meant to last for the foreseeable future. It computes these values based on simulations of daily operations that extend years into the future. If and when the unforeseeable happens, our verandering van regime detection method reacts by removing obsolete data and allowing recalculation of the ROP’s and OQ’s.

We merken vaak de toenemende snelheid van zakendoen, waardoor de duur van de “afzienbare toekomst” wordt verkort. Sommige van onze klanten hanteren nu een kortere planningshorizon, zoals de overstap van kwartaal- naar maandplannen. Eén neveneffect van deze verandering is dat IROPS meer consequenties heeft. Als een plan gebaseerd is op drie gesimuleerde jaren van dagelijkse vraag, doet één vreemde gebeurtenis, zoals een grote verrassingsbestelling, er in het grote geheel niet zoveel toe. Maar als de planningshorizon erg kort is, kan één grote verrassingsvraag een groot effect hebben op de belangrijkste prestatie-indicatoren (KPI's) die over een korter interval worden berekend – er is geen tijd voor 'uitmiddelen'. De planner kan zich genoodzaakt zien een noodbestelling te plaatsen om de verstoring op te vangen. Wanneer moet de bestelling worden geplaatst om het meeste goed te doen? Hoe groot moet het zijn?

 

SCENARIO: NORMALE OPS

Om dit concreet te maken, beschouwen we het volgende scenario. Tom's Spares, Inc. levert kritische serviceonderdelen aan zijn klanten, waaronder SKU723, een vervangende printplaat die wordt verkocht onder de handelsnaam WIDGET. De vraag naar WIDGET is wisselend, er wordt minder dan één eenheid per dag gevraagd. Tom's Spares bestelt WIDGET's bij Acme Products, waardoor het 7 of 10 dagen duurt om de aanvullingsbestellingen uit te voeren.

Tom’s Spares operates with a short inventory planning horizon of 28 days. The company operates in a competitive environment with impatient customers who only grudgingly accept backorders. Tom’s policy is to set ROP’s and OQ’s to keep inventory lean while maintaining a fill rate of at least 90%. Management monitors KPI’s on a monthly basis. In the case of WIDGETS, these KPI targets are currently met using an ROP=3 and an OQ=4, resulting in an average on hand of about 4 units and average fill rate of 96%.  Tom’s Spares has a pretty good thing going for WIDGETS.

Figuur 1 toont twee maanden WIDGET-informatie. Het paneel linksboven toont de dagelijkse vraag naar eenheden. Rechtsboven ziet u de beschikbare dagelijkse eenheden. Het paneel linksonder toont de timing en de omvang van de aanvullingsorders naar Acme Products. Rechtsonder ziet u eenheden die zijn nabesteld vanwege voorraadtekorten. In deze simulatie was de dagelijkse vraag 0 of 1, met één vraag van 2 eenheden. Voorhanden eenheden begonnen de maand op 7 en daalden nooit onder de 1, hoewel er de volgende maand een voorraadtekort was, wat resulteerde in een enkele eenheid in nabestelling. Gedurende de twee maanden werden er vier aanvullingsorders van elk vier eenheden naar Acme gestuurd, die allemaal binnenkwamen tijdens de simulatieperiode van twee maanden.

Onregelmatige handelingen bij voorraadplanning en vraagvoorspelling 01

 

GOEDE PROBLEMEN VERSTOREN NORMALE OPS

Nu voegen we wat ‘goede problemen’ toe aan het scenario: halverwege de planningsperiode ontstaat er een ongewoon grote order. Het is “goed” omdat meer vraag meer inkomsten impliceert. Maar het is een “probleem” omdat de normale parameters voor voorraadbeheer van de operatie (ROP=3, OQ=4) niet zijn gekozen om met deze situatie om te gaan. De piek in de vraag kan zo groot zijn, en zo ongunstig getimed, dat het voorraadsysteem overweldigd wordt, waardoor voorraadtekorten en de daarmee gepaard gaande nabestellingen ontstaan. Het KPI-rapport aan het management voor zo'n maand zou niet mooi zijn.

Figuur 2 toont een scenario waarin een vraagpiek van 10 eenheden optreedt op de derde dag van de planningsperiode. In dit geval zet de piek de voorraad voor de rest van de maand onder water en creëert een cascade van nabestellingen die zich uitstrekt tot de volgende maand. Met een gemiddelde van meer dan 1.000 simulaties tonen de KPI's van maand 1 een gemiddelde van 0,6 eenheden en een miserabel opvullingspercentage van 44%.

Onregelmatige handelingen bij voorraadplanning en vraagvoorspelling 02

 

TERUGVECHTEN MET ONREGELMATIGE OPERATIES

Tom's Spares kan op een onregelmatige situatie reageren met een onregelmatige verplaatsing door een noodaanvulorder aan te maken. Om het goed te doen, moeten ze nadenken over (a) wanneer ze de bestelling moeten plaatsen, (b) hoe groot de bestelling moet zijn en (c) of ze de bestelling moeten bespoedigen.

De vraag over de timing lijkt voor de hand te liggen: reageer zodra de order toekomt. Als de klant echter vroegtijdig zou waarschuwen, zou Tom's Spares vroegtijdig kunnen bestellen en in een betere positie zijn om de verstoring als gevolg van de piek te beperken. Als de communicatie tussen Tom's en de klant die de grote bestelling plaatst echter gebrekkig is, kan het zijn dat de klant Tom's later of helemaal niet op de hoogte stelt.

Ook de omvang van de speciale bestelling lijkt voor de hand liggend: bestel het benodigde aantal eenheden vooraf. Maar dat werkt het beste als Tom's Spares weet wanneer de vraagpiek zal aanbreken. Zo niet, dan is het misschien een goed idee om extra te bestellen om de duur van eventuele nabestellingen te beperken. Over het algemeen geldt dat hoe minder vroegtijdige waarschuwing wordt gegeven, hoe groter de bestelling die Tom's moet plaatsen. Deze relatie kan uiteraard worden onderzocht met simulatie.

De aankomst van de aanvulopdracht kon worden overgelaten aan de gebruikelijke bedrijfsvoering van Acme Products. In de bovenstaande simulaties was de kans even groot dat Acme binnen zeven of veertien dagen zou reageren. Voor een planningshorizon van 28 dagen kan het risico nemen om binnen 14 dagen een antwoord te krijgen vragen om problemen zijn, dus het kan voor Tom's vooral de moeite waard zijn om Acme te betalen voor versnelde verzending. Misschien van de ene op de andere dag, maar mogelijk iets goedkoper maar toch relatief snel.

We hebben nog een paar scenario's onderzocht met behulp van simulatie. Tabel 1 toont de resultaten. Scenario's 1-4 gaan ervan uit dat er op dag 3 een verrassende extra vraag van 10 eenheden arriveert, wat aanleiding geeft tot een onmiddellijke bestelling voor extra aanvulling. De omvang en doorlooptijd van de aanvulorder varieert.

Scenario 0 laat zien dat niets doen als reactie op de verrassende vraag leidt tot een verschrikkelijk 41%-opvullingspercentage voor die maand; niet getoond is dat dit resultaat de volgende maand een aanhoudend slechte prestatie inhoudt. Reguliere operaties zullen niet goed werken. De planner moet iets doen om op de afwijkende vraag te reageren.

Als u hier iets aan wilt doen, betekent dit dat u een eenmalige noodaanvullingsbestelling moet doen. De planner moet de omvang en het tijdstip van die bestelling kiezen. Scenario's 1 en 3 tonen aanvullingen van "halve grootte". Scenario's 1 en 2 geven nachtelijke aanvullingen weer, terwijl scenario's 3 en 4 een gegarandeerde respons binnen één week weergeven.

De resultaten maken duidelijk dat onmiddellijke reactie belangrijker is dan de omvang van de aanvulorder om de opvullingsgraad te herstellen. Nachtelijke aanvulling levert opvullingspercentages op in het 70%-bereik, terwijl een aanvultijd van een week het opvullingspercentage verlaagt naar het midden-50% tot midden-60%-bereik.

 

Onregelmatige handelingen bij voorraadplanning en vraagvoorspelling 03

AFHAALMAAL

Voorraadbeheersoftware breidt zich uit van de traditionele focus op normale operaties naar een extra focus op onregelmatige operaties (IROPS). Deze evolutie is mogelijk gemaakt door de ontwikkeling van nieuwe statistische methoden voor het genereren van vraagscenario's op dagelijks niveau.

We hebben één IROPS-situatie overwogen: de verrassende komst van een abnormaal grote vraag. Dagelijkse simulaties gaven inzicht in de timing en de omvang van een noodaanvullingsorder. De resultaten van een dergelijke analyse bieden inventarisplanners een kritische back-up door de resultaten van alternatieve interventies te schatten die hun ervaring hen suggereert.

 

 

Vind uw plek op de voorraadafwegingscurve

Deze videoblog bevat essentiële inzichten voor degenen die werken met de complexiteit van voorraadbeheer. De sessie richt zich op het vinden van het juiste evenwicht binnen de voorraadafwegingscurve en nodigt kijkers uit om het diepgewortelde belang van dit evenwicht te begrijpen. Als u ooit aandelen heeft moeten beheren, weet u dat dit een beetje touwtrekken is. Aan de ene kant streeft u naar minder voorraad, wat geweldig is om geld te besparen, maar uw klanten ook gerust kan stellen. Aan de andere kant overweegt u meer voorraad, wat uw klanten tevreden houdt, maar een last voor uw budget kan zijn. Om een slimme keuze te kunnen maken in dit aanhoudende getouwtrek, moet u begrijpen waar uw huidige voorraadbeslissingen u op deze afwegingscurve plaatsen. Ben je op een punt waar je de druk aankunt, of moet je verder schuifelen naar een comfortabelere plek?

Als u deze vraag niet kunt beantwoorden, betekent dit dat u nog steeds vertrouwt op verouderde methoden, waardoor u het risico loopt op overtollige voorraad of onvervulde klantbehoeften. Bekijk de video zodat u precies kunt zien waar u zich op deze curve bevindt en beter begrijpt of u op uw plaats wilt blijven of naar een meer optimale positie wilt gaan.

 

En als u besluit te verhuizen, hebben wij de tools om u te begeleiden. Dankzij de geavanceerde 'wat-als'-analyse van Smart IP&O kunnen bedrijven nauwkeurig de impact evalueren van verschillende voorraadstrategieën, zoals aanpassingen aan de veiligheidsvoorraden of veranderingen in bestelpunten, op hun evenwicht tussen opslagkosten en serviceniveaus. Door vraagscenario's en voorraadbeleid te simuleren, biedt Smart IP&O een duidelijke visualisatie van potentiële financiële resultaten en implicaties voor het serviceniveau, waardoor datagestuurde strategische beslissingen mogelijk worden. Deze krachtige tool zorgt ervoor dat bedrijven een optimaal evenwicht kunnen bereiken, waardoor overtollige voorraad en de daarmee samenhangende kosten worden geminimaliseerd en tegelijkertijd een hoog serviceniveau wordt gehandhaafd om efficiënt aan de vraag van de klant te voldoen.  

 

 

De drie soorten supply chain-analyses

In deze videoblog verkennen we de cruciale rollen van Descriptive, Predictive en Prescriptive Analytics in voorraadbeheer, waarbij we hun essentiële bijdragen aan het stimuleren van supply chain-optimalisatie benadrukken door middel van strategische vooruitziendheid en inzichtelijke data-analyse.

 

Deze analyses bevorderen een dynamisch, responsief en efficiënt ecosysteem voor voorraadbeheer door voorraadbeheerders in staat te stellen de huidige activiteiten te monitoren, te anticiperen op toekomstige ontwikkelingen en optimale antwoorden te formuleren. We laten u zien hoe Descriptive Analytics u op de hoogte houdt van de huidige activiteiten, Predictive Analytics u helpt te anticiperen op toekomstige eisen en Prescriptive Analytics uw strategische beslissingen begeleidt voor maximale efficiëntie en kosteneffectiviteit.

By the end of the video, you’ll have a solid understanding of how to leverage these analytics to enhance your inventory management strategies. These are not just tools but a new way of thinking about and approaching inventory optimization with the support of modern software.

 

 

Head to Head: welk voorraadbeleid voor serviceonderdelen is het beste?

Onze klanten hebben doorgaans gekozen voor één manier om hun voorraad serviceonderdelen te beheren. De professor in mij zou graag willen denken dat het gekozen voorraadbeleid een beredeneerde keuze was uit de weloverwogen alternatieven, maar het is waarschijnlijker dat het gewoon zo is gebeurd. Misschien had de inventarishoncho van lang geleden een favoriet en bleef die keuze hangen. Misschien gebruikte iemand een EAM- of ERP-systeem dat maar één keuze bood. Misschien zijn er enkele gissingen gedaan, gebaseerd op de toenmalige omstandigheden.

De concurrenten

Het komt maar zelden voor dat bedrijven deze keuzes op lukrake manieren maken. Maar met moderne planningssoftware voor serviceonderdelen kunt u systematischer uw keuzes maken. Dit bericht demonstreert deze stelling door objectieve vergelijkingen te maken tussen drie populaire voorraadbeleidslijnen: Bestel tot aan, Bestelpunt/Bestelhoeveelheid en Min/Max. Ik heb elk van deze beleidsmaatregelen hierin besproken videoblog.

  • Bestel tot. Dit is een periodiek beoordelingsbeleid waarbij elke T dagen de voorhanden voorraad wordt opgeteld en een bestelling van willekeurige grootte wordt geplaatst om het voorraadniveau weer op S-eenheden te brengen.
  • Q, R of bestelpunt/bestelhoeveelheid. Q, R is een continu beoordelingsbeleid waarbij de voorraad elke dag wordt opgeteld. Als er Q of minder eenheden beschikbaar zijn, wordt een bestelling van vaste grootte geplaatst voor R meer eenheden.
  • Min, Max is een ander continu beoordelingsbeleid waarbij de inventaris elke dag wordt opgeteld. Als er Min of minder eenheden beschikbaar zijn, wordt er een bestelling geplaatst om het voorraadniveau weer op Max eenheden te brengen.

Volgens de inventaristheorie worden deze keuzes gerangschikt in oplopende volgorde van effectiviteit. De eerste optie, Order Up To, is duidelijk de eenvoudigste en goedkoopste om te implementeren, maar sluit de ogen voor wat er gedurende langere tijd gebeurt. Het opleggen van een bepaald tijdsverloop tussen bestellingen maakt het in theorie minder flexibel. De twee continue beoordelingsopties houden daarentegen voortdurend in de gaten wat er gebeurt, zodat ze sneller kunnen reageren op mogelijke voorraadtekorten. De Min/Max-optie is in theorie flexibeler dan de optie die gebruikmaakt van een vast bestelaantal, omdat de omvang van de bestelling dynamisch verandert om aan de vraag te voldoen.

Dat is de theorie. Dit artikel onderzoekt bewijsmateriaal uit onderlinge vergelijkingen om de theorie te controleren en concrete cijfers te geven over de relatieve prestaties van de drie beleidsmaatregelen.

De betekenis van “Beste”

Hoe moeten we de score bijhouden in dit toernooi? Als u een regelmatige lezer bent van dit Smart Forecaster-blog, weet u dat de kern van voorraadplanning een touwtrekken is tussen twee tegengestelde doelstellingen: de voorraad beperkt houden versus de beschikbaarheidsstatistieken van artikelen, zoals het serviceniveau, hoog houden.

Om de zaken te vereenvoudigen, zullen we ‘één getal berekenen dat alles regelt’: de gemiddelde bedrijfskosten. Het winnende beleid zal het beleid zijn met het laagste gemiddelde.

Dit gemiddelde is de som van drie componenten: de kosten van het aanhouden van voorraad (“voorraadkosten”), de kosten van het bestellen van aanvullingseenheden (“bestelkosten”) en de kosten van het mislopen van een verkoop (“tekortkosten”). Om het concreet te maken zijn we uitgegaan van de volgende aannames:

  • Elk serviceonderdeel heeft een waarde van $1.000.
  • De jaarlijkse bewaarkosten bedragen 10% van de artikelwaarde, of $100 per jaar per eenheid.
  • Het verwerken van elke aanvulorder kost $20 per bestelling.
  • Elke gevraagde maar niet geleverde eenheid kost de waarde van het onderdeel, $1.000.

Voor de eenvoud zullen we naar de gemiddelde bedrijfskosten verwijzen als eenvoudigweg “de kosten”.

Uiteraard kunnen de laagste gemiddelde kosten worden bereikt door uit het bedrijf te stappen. De concurrentie vereiste dus een prestatiebeperking op het gebied van de beschikbaarheid van artikelen: elke optie moest een opvullingspercentage van minimaal 99% behalen.

De alternatieven: laat het achterwege

Een belangrijk contextelement is of stockouts resulteren in verliezen of nabestellingen. Ervan uitgaande dat het betreffende serviceonderdeel cruciaal is, zijn we ervan uitgegaan dat niet-uitgevoerde bestellingen verloren gaan, wat betekent dat een concurrent de bestelling vervult. In een MRO-omgeving betekent dit extra downtime als gevolg van voorraadtekorten.

Om de alternatieven te vergelijken, hebben we onze voorspellende modelleringsengine gebruikt om er een groot aantal uit te voeren Monte Carlo-simulaties. Elke simulatie omvatte het specificeren van de parameterwaarden van elk beleid (bijvoorbeeld de Min- en Max-waarden), het genereren van een vraagscenario, het invoeren daarvan in de logica van het beleid en het meten van de resulterende kosten, gemiddeld over 365 dagen gebruik. Door dit proces 1000 keer te herhalen en het gemiddelde te nemen van de 1000 resulterende kosten, ontstond het eindresultaat voor elke polis.  

Om de vergelijking eerlijk te maken, moest elk alternatief worden ontworpen voor de beste prestaties. Daarom doorzochten we de ‘ontwerpruimte’ van elke polis om het ontwerp met de laagste kosten te vinden. Dit vereiste het herhalen van het proces dat in de vorige paragraaf is beschreven voor veel paren parameterwaarden en het identificeren van het paar dat de verloren gemiddelde jaarlijkse bedrijfskosten opleverde.

Met behulp van de algoritmen in Smart Inventory Optimization (SIOTM) hebben we onderlinge vergelijkingen gemaakt op basis van de volgende aannames over vraag en aanbod:

  • Er werd aangenomen dat de vraag naar artikelen intermitterend en zeer variabel was, maar relatief eenvoudig omdat er geen sprake was van trends of seizoensinvloeden, zoals vaak het geval is voor serviceonderdelen. De dagelijkse gemiddelde vraag bedroeg 5 eenheden met een grote standaardafwijking van 13 eenheden. Figuur 1 toont een voorbeeld van de vraag over een jaar. We hebben gekozen voor een zeer uitdagend vraagpatroon, waarbij op sommige dagen de vraag 10 tot zelfs 20 keer zo groot is als de gemiddelde vraag.

Er werd aangenomen dat de dagelijkse vraag naar onderdelen intermitterend en zeer piekerig was.

Figuur 1: Er werd aangenomen dat de dagelijkse vraag naar onderdelen intermitterend en zeer piekerig was.

​​

  • De levertijden van leveranciers bedroegen destijds 14 dagen (75%) en anders 21 dagen. Dit weerspiegelt het feit dat er altijd onzekerheid bestaat in de toeleveringsketen.

 

En de winnaar is…

Klopte de theorie? Soort van'.

Tabel 1 toont de resultaten van de simulatie-experimenten. Voor elk van de drie concurrerende beleidsmaatregelen worden de gemiddelde jaarlijkse bedrijfskosten, de foutmarge (technisch gezien een betrouwbaarheidsinterval van ongeveer 95% voor de gemiddelde kosten) en de ogenschijnlijk beste keuzes voor parameterwaarden weergegeven.

Resultaten van de gesimuleerde vergelijkingen

Tabel 1: Resultaten van de gesimuleerde vergelijkingen

De gemiddelde kosten voor de (T,S)-polis wanneer T op 30 dagen is vastgesteld, bedroegen bijvoorbeeld $41.680. Maar de Plus/Minus houdt in dat de resultaten verenigbaar zijn met de “echte” kosten (dwz de schatting op basis van een oneindig aantal simulaties) van ergens tussen $39.890 en $43.650. De reden dat er zoveel statistische onzekerheid is, is de extreem piekerige aard van de vraag in dit voorbeeld.

Tabel 1 laat zien dat in dit voorbeeld de drie beleidsmaatregelen in lijn zijn met de verwachtingen. Nuttigere conclusies zouden echter zijn:

  1. Wat de gemiddelde kosten betreft, zijn de drie polissen opmerkelijk vergelijkbaar. Door een slimme keuze van parameterwaarden kan men goede resultaten behalen met elk van de drie beleidsmaatregelen.
  2. Niet weergegeven in Tabel 1, maar duidelijk uit de gedetailleerde simulatieresultaten, is dat slechte keuzes voor parameterwaarden rampzalig kunnen zijn voor elk beleid.
  3. Het is vermeldenswaard dat het beleid voor periodieke beoordeling (T,S) niet mocht optimaliseren ten opzichte van mogelijke waarden van T. We hebben T op 30 vastgesteld om na te bootsen wat in de praktijk gebruikelijk is, maar degenen die het beleid voor periodieke beoordeling gebruiken, moeten andere beoordelingen overwegen. periodes. Een aanvullend experiment stelde de beoordelingsperiode vast op T = 7 dagen. De gemiddelde kosten in dit scenario werden geminimaliseerd op $36.551 ± $1.668 met S = 343. Dit resultaat is beter dan dat met T = 30 dagen.
  4. We moeten voorzichtig zijn met het overgeneraliseren van deze resultaten. Ze zijn afhankelijk van de veronderstelde waarden van de drie kostenparameters (vasthouden, bestellen en tekort) en het karakter van het vraagproces.
  5. Het is mogelijk om experimenten zoals hier weergegeven automatisch uit te voeren Smart Inventory Optimization. Dit betekent dat ook jij ontwerpkeuzes op een rigoureuze manier kunt onderzoeken.