Smart Software VP Research presenteert op Business Analytics Conference, INFORMS 2022

Dr. Tom Willemain leidt INFORMS-sessie “Het inventarisatieslagveld domineren: willekeur bestrijden met willekeur.”

Belmont, Massachusetts, maart 2022 – Smart Software, Inc., leverancier van toonaangevende oplossingen voor vraagprognose, planning en voorraadoptimalisatie, heeft vandaag aangekondigd dat Tom Willemain, Vice President for Research, een presentatie zal geven op de INFORMS Business Analytics Conference, van 3-5 april 2022, in Houston, Texas.

Dr. Willemain zal een sessie presenteren over hoe de volgende generatie analytics leiders in de toeleveringsketen in productie, distributie en MRO bewapent met tools om willekeur in vraag en aanbod te bestrijden. Tijdens zijn sessie zal hij de volgende technologieën toelichten:

(1) Filtering van regimewijzigingen om gegevensrelevantie te behouden tegen plotselinge verschuivingen in de bedrijfsomgeving.

(2) Bootstrapping-methoden om grote aantallen realistische vraag- en doorlooptijdscenario's voor brandstofmodellen te genereren.

(3) Discrete simulaties van gebeurtenissen om de invoerscenario's te verwerken en de verbanden tussen managementacties en belangrijke prestatie-indicatoren bloot te leggen.

(4) Stochastische optimalisatie op basis van simulatie-experimenten om elk item af te stemmen voor de beste resultaten.

Zonder de analyses hebben voorraadeigenaren twee keuzes: vasthouden aan een rigide bedrijfsbeleid dat meestal gebaseerd is op verouderde en ongeldige vuistregels of toevlucht nemen tot subjectief, onderbuikgevoel dat misschien niet helpt en niet schaalt.

Als de toonaangevende Business Analytics-conferentie biedt INFORMS de mogelijkheid om te communiceren met 's werelds beste voorspellingsonderzoekers en praktijkmensen. De opkomst is groot genoeg om de beste uit het veld aan te trekken, maar klein genoeg om elkaar één op één te ontmoeten en te bespreken. Daarnaast bevat de conferentie inhoud van toonaangevende analyseprofessionals die topanalysetoepassingen delen en presenteren die levens redden, geld besparen en problemen oplossen.

Over Dr. Thomas Willemaine

Dr. Thomas Reed Willemain was een deskundige statistische adviseur bij de National Security Agency (NSA) bij Ft. Meade, MD, en als lid van de Adjunct Research Staff bij een aangesloten denktank, het Institute for Defense Analyses Center for Computing Sciences (IDA/CCS). Hij is emeritus hoogleraar Industrial and Systems Engineering aan het Rensselaer Polytechnic Institute, waar hij eerder faculteitsfuncties bekleedde aan de Kennedy School of Government van Harvard en het Massachusetts Institute of Technology. Hij is ook mede-oprichter en Senior Vice President/Research bij Smart Software, Inc. Hij is lid van de Association of Former Intelligence Officers, de Military Operations Research Society, de American Statistical Association en verschillende andere professionele organisaties. Willemain behaalde het BSE diploma (summa cum laude, Phi Beta Kappa) van Princeton University en de MS en Ph.D. graden van het Massachusetts Institute of Technology. Zijn andere boeken zijn onder meer: Statistical Methods for Planners, Emergency Medical Systems Analysis (met RC Larson) en 80 artikelen in peer-reviewed tijdschriften over statistiek, operationeel onderzoek, gezondheidszorg en andere onderwerpen. Voor meer informatie, e-mail: TomW@SmartCorp.com of bezoek www.TomWillemain.com.

Over Smart Software, Inc.

Smart Software, Inc., opgericht in 1981, is toonaangevend in het leveren van bedrijfsbrede oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie aan bedrijven. De oplossingen voor vraagvoorspelling en voorraadoptimalisatie van Smart Software hebben duizenden gebruikers over de hele wereld geholpen, waaronder klanten bij middelgrote ondernemingen en Fortune 500-bedrijven, zoals Disney, Arizona Public Service en Ameren. Smart Inventory Planning & Optimization geeft vraagplanners de tools om om te gaan met seizoensinvloeden in de verkoop, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en af en toe gevraagde serviceonderdelen en kapitaalgoederen. Het biedt voorraadbeheerders ook nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts, en is te vinden op het World Wide Web op www.smartcorp.com.

SmartForecasts en Smart IP&O hebben gedeponeerde handelsmerken van Smart Software, Inc. Alle andere handelsmerken zijn het eigendom van hun respectieve eigenaren.

Neem voor meer informatie contact op met Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
Telefoon: 1-800-SMART-99 (800-762-7899); FAX: 1-617-489-2748; E-mail: info@smartcorp.com

Een inleiding op probabilistische prognoses

De slimme voorspeller

Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Als je op de hoogte blijft van het nieuws over supply chain-analyse, u komt vaker de uitdrukking "probabilistische prognoses" tegen. Als deze zin raadselachtig is, lees dan verder.

U weet waarschijnlijk al wat 'voorspelling' betekent. En je weet waarschijnlijk ook dat er veel verschillende manieren lijken te zijn om het te doen. En je hebt waarschijnlijk scherpe kleine zinnen gehoord als 'elke voorspelling is verkeerd'. Dus je weet dat een soort van wiskundige zou kunnen berekenen dat "de voorspelling is dat u volgende maand 100 eenheden zult verkopen", en dan zou u 110 eenheden kunnen verkopen, in welk geval u een 10%-voorspellingsfout heeft.

Je weet misschien niet dat wat ik zojuist heb beschreven een bepaald soort voorspelling is, een 'puntvoorspelling'. Een puntenvoorspelling wordt zo genoemd omdat deze uit slechts een enkel getal bestaat (dwz één punt op de getallenlijn, als je je de getallenlijn herinnert uit je jeugd).

Punt voorspellingen hebben één deugd: ze zijn eenvoudig. Ze hebben ook een fout: ze geven aanleiding tot snauwende uitspraken als 'elke voorspelling is verkeerd'. Dat wil zeggen, in de meeste realistische gevallen is het onwaarschijnlijk dat de werkelijke waarde exact gelijk zal zijn aan de voorspelling. (Wat niet zo erg is als de voorspelling dichtbij genoeg is.)

Dit brengt ons bij 'probabilistische voorspellingen'. Deze aanpak is een stap verder, want in plaats van een voorspelling met één cijfer (punt) te produceren, levert het een kansverdeling op voor de voorspelling. En in tegenstelling tot traditionele extrapolatieve modellen die puur op historische gegevens vertrouwen, hebben probabilistische voorspellingen de mogelijkheid om toekomstige waarden te simuleren die niet verankerd zijn in het verleden.

"Waarschijnlijkheidsverdeling" is een verbiedende uitdrukking, die wat mysterieuze wiskunde oproept waar je misschien van hebt gehoord maar nooit hebt bestudeerd. Gelukkig hebben de meeste volwassenen genoeg levenservaring om het concept intuïtief te begrijpen. Wanneer afgebroken, is het vrij eenvoudig te begrijpen.

Stel je de simpele handeling voor van het opgooien van twee munten. Je zou dit onschuldig plezier kunnen noemen, maar ik noem het een 'probabilistisch experiment'. Het totale aantal kop dat op de twee munten verschijnt, is nul, één of twee. Het opgooien van twee munten is een 'willekeurig experiment'. Het resulterende aantal koppen is een "willekeurige variabele". Het heeft een "kansverdeling", wat niets meer is dan een tabel van hoe waarschijnlijk het is dat de willekeurige variabele een van zijn mogelijke waarden zal blijken te hebben. De kans om twee kop te krijgen als de munten eerlijk zijn, is ¼, net als de kans op geen kop. De kans op één kop is ½.

Dezelfde benadering kan een interessantere willekeurige variabele beschrijven, zoals de dagelijkse vraag naar een reserveonderdeel. Figuur 2 toont een dergelijke kansverdeling. Het werd berekend door drie jaar dagelijkse vraaggegevens te verzamelen over een bepaald onderdeel dat wordt gebruikt in een wetenschappelijk instrument dat aan ziekenhuizen wordt verkocht.

Figuur 1: De kansverdeling van de dagelijkse vraag naar een bepaald reserveonderdeel

De verdeling in figuur 1 kan worden gezien als een probabilistische voorspelling van de vraag op één dag. Voor dit specifieke onderdeel zien we dat de voorspelling zeer waarschijnlijk nul zal zijn (97% kans), maar soms voor een handvol eenheden, en eens in de drie jaar twintig eenheden. Hoewel de meest waarschijnlijke voorspelling nul is, zou je er een paar bij de hand willen houden als dit onderdeel van cruciaal belang zou zijn ("... bij gebrek aan een spijker ...")

Laten we deze informatie nu gebruiken om een meer gecompliceerde probabilistische voorspelling te maken. Stel dat je drie eenheden bij de hand hebt. Hoeveel dagen duurt het voordat je er geen hebt? Er zijn veel mogelijke antwoorden, variërend van een enkele dag (als u onmiddellijk een vraag krijgt voor drie of meer) tot een zeer groot aantal (aangezien 97% dagen geen vraag ziet). De analyse van deze vraag is een beetje ingewikkeld vanwege de vele manieren waarop deze situatie zich kan voordoen, maar het uiteindelijke antwoord dat het meest informatief is, is een kansverdeling. Het blijkt dat het aantal dagen totdat er geen eenheden meer in voorraad zijn de verdeling heeft zoals weergegeven in figuur 2.

Figuur 2: Verdeling van het aantal dagen totdat alle drie de units op zijn

Het gemiddelde aantal dagen is 74, wat een puntvoorspelling zou zijn, maar er is veel variatie rond het gemiddelde. Vanuit het perspectief van voorraadbeheer valt op dat er een kans van 25% is dat alle units na 32 dagen op zijn. Dus als u besluit om meer te bestellen terwijl er nog maar drie in het schap liggen, zou het goed zijn als de leverancier ze u bezorgt voordat er een maand is verstreken. Als ze dat niet konden, zou je een kans van 75% hebben om de voorraad op te slaan - niet goed voor een cruciaal onderdeel.

De analyse achter figuur 2 omvatte het maken van enkele aannames die handig waren, maar niet nodig als ze niet waar waren. De resultaten kwamen van een methode genaamd "Monte Carlo-simulatie", waarin we beginnen met drie eenheden, een willekeurige vraag kiezen uit de verdeling in figuur 1, deze aftrekken van de huidige voorraad en doorgaan totdat de voorraad op is, waarbij wordt geregistreerd hoeveel dagen gingen voorbij voordat je op was. Herhaling van dit proces 100.000 keer geproduceerd Figuur 2.

Toepassingen van Monte Carlo-simulatie strekken zich uit tot problemen met een nog grotere reikwijdte dan het bovenstaande voorbeeld "wanneer zijn we op". Vooral belangrijk zijn Monte Carlo-voorspellingen van de toekomstige vraag. Hoewel het gebruikelijke voorspellingsresultaat een reeks puntvoorspellingen is (bijvoorbeeld de verwachte vraag per eenheid in de komende twaalf maanden), weten we dat er een aantal manieren zijn waarop de werkelijke vraag zich zou kunnen voordoen. Simulatie zou kunnen worden gebruikt om bijvoorbeeld duizend mogelijke sets van 365 dagelijkse vraagbehoeften te produceren.

Deze reeks vraagscenario's zou het scala aan mogelijke situaties waarmee een voorraadsysteem het hoofd zou moeten bieden, vollediger blootleggen. Dit gebruik van simulatie wordt "stresstesten" genoemd, omdat het een systeem blootstelt aan een reeks gevarieerde maar realistische scenario's, waaronder enkele vervelende. Die scenario's worden vervolgens ingevoerd in wiskundige modellen van het systeem om te zien hoe goed het zal omgaan, zoals weerspiegeld in key performance indicators (KPI's). Hoeveel stockouts zijn er bijvoorbeeld in die duizend gesimuleerde jaren van werking in het slechtste jaar? het gemiddelde jaar? het beste jaar? Wat is in feite de volledige kansverdeling van het aantal stockouts in een jaar, en wat is de verdeling van hun omvang?

Figuren 3 en 4 illustreren probabilistische modellering van een voorraadbeheersysteem dat stockouts omzet in backorders. Het gesimuleerde systeem gebruikt een Min/Max-regelbeleid met Min = 10 eenheden en Max = 20 eenheden.

Figuur 3 toont een gesimuleerd jaar van dagelijkse operaties in vier plots. De eerste grafiek toont een bepaald patroon van willekeurige dagelijkse vraag waarin de gemiddelde vraag gestaag toeneemt van maandag tot vrijdag, maar in het weekend verdwijnt. De tweede grafiek toont het aantal eenheden dat elke dag voorhanden is. Merk op dat er tijdens dit gesimuleerde jaar een tiental keren is dat de voorraad negatief wordt, wat wijst op stockouts. De derde grafiek toont de omvang en timing van aanvullingsorders. De vierde grafiek toont de omvang en timing van backorders. De informatie in deze plots kan worden vertaald in schattingen van voorraadinvesteringen, gemiddelde eenheden voorhanden, houdkosten, bestelkosten en tekortkosten.

Figuur 3: Een gesimuleerd jaar van werking van het voorraadsysteem

Figuur 3 toont één van duizend gesimuleerde jaren. Elk jaar zal verschillende dagelijkse eisen hebben, wat resulteert in verschillende waarden van statistieken, zoals beschikbare eenheden en de verschillende componenten van de bedrijfskosten. Figuur 4 geeft de verdeling weer van 1.000 gesimuleerde waarden van vier KPI's. Door 1000 jaar ingebeelde werking te simuleren, wordt het bereik van mogelijke resultaten blootgelegd, zodat planners niet alleen rekening kunnen houden met gemiddelde resultaten, maar ook de best-case en worst-case-waarden kunnen zien.

Figuur 4: Verdelingen van vier KPI's op basis van 1.000 simulaties

Monte Carlo-simulatie is een benadering met weinig wiskunde en hoge resultaten voor probabilistische prognoses: zeer praktisch en gemakkelijk uit te leggen. Geavanceerde probabilistische voorspellingsmethoden die door Smart Software worden gebruikt, breiden uit op de standaard Monte Carlo-simulatie en leveren uiterst nauwkeurige schattingen van de vereiste voorraadniveaus op.

Laat een reactie achter

gerelateerde berichten

Maak van AI-gestuurde voorraadoptimalisatie een bondgenoot voor uw organisatie

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.

Dagelijkse vraagscenario's

In deze videoblog leggen we uit hoe tijdreeksvoorspellingen naar voren zijn gekomen als een cruciaal hulpmiddel, vooral op dagelijks niveau, waarmee Smart Software sinds de oprichting ruim veertig jaar geleden pionierde. De evolutie van bedrijfspraktijken van jaarlijkse naar meer verfijnde temporele stappen zoals maandelijkse en nu dagelijkse data-analyse illustreert een significante verschuiving in operationele strategieën.

Constructief spelen met Digital Twins

Degenen onder u die actuele onderwerpen volgen, zullen bekend zijn met de term ‘digitale tweeling’. Degenen die het te druk hebben gehad met hun werk, willen misschien verder lezen en bijpraten. Hoewel er verschillende definities van een digitale tweeling bestaan, is er één die goed werkt: een digitale tweeling is een dynamische virtuele kopie van een fysiek bezit, proces, systeem of omgeving die er hetzelfde uitziet en zich hetzelfde gedraagt als zijn tegenhanger in de echte wereld. Een digitale tweeling neemt gegevens op en repliceert processen, zodat u mogelijke prestatieresultaten en problemen kunt voorspellen die het echte product kan ondergaan.

recente berichten

Op prognoses gebaseerd voorraadbeheer voor een betere planning
Forecast-based inventory management, or MRP (Material Requirements Planning) logic, is a forward-planning method that helps businesses meet demand without overstocking or understocking. By anticipating demand and adjusting inventory levels, it maintains a balance between meeting customer needs and minimizing excess inventory costs. This approach optimizes operations, reduces waste, and enhances customer satisfaction. […]
Maak van AI-gestuurde voorraadoptimalisatie een bondgenoot voor uw organisatie
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. […]
Het belang van duidelijke definities van serviceniveaus bij voorraadbeheer
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. […]
Toekomstbestendige hulpprogramma's: geavanceerde analyses voor optimalisatie van de supply chain
Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
De kosten van spreadsheetplanning
Bedrijven die afhankelijk zijn van spreadsheets voor vraagplanning, prognoses en voorraadbeheer worden vaak beperkt door de inherente beperkingen van de spreadsheet. Dit artikel onderzoekt de nadelen van traditionele voorraadbeheerbenaderingen veroorzaakt door spreadsheets en de daarmee samenhangende kosten, en contrasteert deze met de aanzienlijke voordelen die worden behaald door het omarmen van de modernste planningstechnologieën. […]

Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

Toekomstbestendige hulpprogramma's: geavanceerde analyses voor optimalisatie van de supply chain
Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
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. […]
Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebben
MRO-organisaties bestaan in een breed scala van industrieën, waaronder openbaar vervoer, elektriciteitsbedrijven, afvalwater, waterkracht, luchtvaart en mijnbouw. Om hun werk gedaan te krijgen, gebruiken MRO-professionals Enterprise Asset Management (EAM) en Enterprise Resource Planning (ERP)-systemen. Deze systemen zijn ontworpen om veel taken uit te voeren. Gezien hun kenmerken, kosten en uitgebreide implementatievereisten wordt aangenomen dat EAM- en ERP-systemen het allemaal kunnen. In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen. […]
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. […]

Blog Categorieën

Electric Power Utility selecteert Smart Software voor voorraadoptimalisatie

Smart IP&O gaat over 90 dagen live en vermindert de voorraad in de eerste zes maanden met $9 miljoen

Belmont, Massachusetts, 2021 – Smart Software, Inc., leverancier van toonaangevende oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie, heeft vandaag de selectie, aankoop en implementatie aangekondigd van zijn vlaggenschipproduct, Smart IP&O, door een groot Amerikaans elektriciteitsbedrijf. Het platform wordt nu gebruikt om meer dan 250.000 reserveonderdelen te plannen met een waarde van meer dan $500.000.000 in het multi-echelon distributienetwerk van de Utility. Smart IP&O werd in slechts 90 dagen geïmplementeerd en wordt gecrediteerd voor het verminderen van de voorraad met $9 miljoen terwijl het serviceniveau binnen de eerste zes maanden van gebruik werd gehandhaafd. De implementatie van Smart IP&O maakt deel uit van het initiatief Strategic Supply Chain Optimization (SCO) van Utility om twintig jaar oude legacy software te vervangen. Volgende fasen van de Smart Software-implementatie zullen Smart IP&O integreren in hun IBM Maximo Asset Management-systeem. De sleutel tot de selectie en het succes van het project tot nu toe is Smart Software's bewezen staat van dienst met betrekking tot het plannen van intermitterende vraag naar reserve- en serviceonderdelen. Intermitterende of klonterige vraag wordt gekenmerkt door frequente periodes van nul vraag afgewisseld met grote pieken van niet-nul vraag die schijnbaar willekeurig optreden. Het hulpprogramma schat dat meer dan 80% van zijn onderdelen een intermitterende vraag heeft. Smart Software maakt gebruik van probabilistische prognoses die duizenden mogelijke toekomstige uitkomsten van vraag en doorlooptijden creëren. Het bewezen vermogen van de technologie om de vereiste voorraad nauwkeurig te voorspellen om het hoge serviceniveau te bereiken dat het nutsbedrijf vereist en om dit op schaal te doen, waren cruciale onderscheidende factoren. De implementatie vond plaats binnen 90 dagen na de start van het project. In de daaropvolgende zes maanden maakte Smart IP&O het mogelijk om de voorraadparameters voor enkele duizenden artikelen aan te passen, wat resulteerde in voorraadverminderingen van $9.0 miljoen terwijl de beoogde serviceniveaus werden gehandhaafd. Aanzienlijke extra besparingen – en verbetering van de serviceniveaus voor kritieke reserveonderdelen – worden verwacht in het komende jaar wanneer voorraden voor extra faciliteiten in het systeem worden gebracht. "We hebben veel zeer sterke successen behaald door klanten in activa-intensieve industrieën te helpen hun onderdelenvoorraad te optimaliseren", aldus Greg Hartunian, CEO van Smart Software. “Gecombineerd met de ondersteuning van het hulpprogramma van bovenaf, hands-on betrokkenheid van IT en het enthousiasme van gebruikers om een nieuwe aanpak te omarmen, hadden we een geweldig recept voor succes. We kijken ernaar uit om voort te bouwen op ons vroege succes om samen nog meer waarde te leveren.” Over Smart Software, Inc. Smart Software, Inc., opgericht in 1981, is een leider in het leveren van bedrijfsbrede oplossingen voor vraagprognose, planning en voorraadoptimalisatie voor bedrijven. Smart Inventory Planning & Optimization is een multi-tenant webplatform dat vraagplanners de tools geeft om seizoensinvloeden, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en periodiek gevraagde serviceonderdelen en kapitaalgoederen af te handelen. De oplossing biedt voorraadbeheerders nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts, en is te vinden op: www.smartcorp.com.

SmartForecasts en Smart IP&O zijn gedeponeerde handelsmerken van Smart Software, Inc. Alle andere handelsmerken zijn eigendom van hun respectieve eigenaren.

Neem voor meer informatie contact op met Smart Software,Inc., Four Hill Road, Belmont, MA 02478. Telefoon: 1-800-SMART-99 (800-762-7899); E-mail: info@smartcorp.com

Verbeter de prognosenauwkeurigheid door fouten te beheren

De slimme voorspeller

Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Verbeter de forecasting nauwkeurigheid, elimineer overtollige voorraad en maximaliseer service levels

In deze video vertelt Dr. Thomas Willemain, mede-oprichter en SVP Research, over het verbeteren van de nauwkeurigheid van prognoses door fouten te managen. Deze video is de eerste in onze serie over effectieve methoden om de nauwkeurigheid van prognoses te verbeteren. We beginnen met te kijken naar hoe voorspelfouten pijn veroorzaken en de daaruit voortvloeiende kosten. Vervolgens zullen we de drie meest voorkomende fouten uitleggen die we moeten vermijden en die ons kunnen helpen de omzet te verhogen en overtollige voorraad te voorkomen. Tom besluit met een overzicht van de methoden om de nauwkeurigheid van voorspellingen te verbeteren, het belang van het meten van voorspellingsfouten en de technologische mogelijkheden om deze te verbeteren.

Download de presentatie

Prognosefout kan gevolgen hebben

Overweeg één item uit vele

Product X kost $100 om te maken en levert $50 winst op per eenheid.
De verkoop van Product X zal de komende 12 maanden 1.000 per maand blijken te zijn.
Overweeg één item uit vele

Wat zijn de kosten van een prognosefout?

Als de voorspelling 10% hoog is, sluit het jaar dan af met $120.000 overtollige voorraad.
100 extra/maand x 12 maanden x $100/eenheid
Als de voorspelling 10% laag is, mis dan $60.000 winst.
100 te weinig/maand x 12 maanden x $50/eenheid

Drie fouten om te vermijden

1. Fout negeren.

Onprofessioneel, plichtsverzuim.
Wensen zal het niet zo maken.
Behandel nauwkeurigheidsbeoordeling als datawetenschap, niet als een verwijt.

2. Meer fouten tolereren dan nodig is.

Statistische prognosemethoden kunnen de nauwkeurigheid op schaal verbeteren.
Het verbeteren van gegevensinvoer kan helpen.
Het verzamelen en analyseren van prognosefoutstatistieken kan zwakke plekken identificeren.

3. Tijd en geld verspillen die te ver gaat om fouten te elimineren.

Sommige product/marktcombinaties zijn inherent moeilijker te voorspellen. Na een punt, laat ze zijn (maar wees alert op nieuwe gespecialiseerde voorspellingsmethoden).
Soms kunnen stappen die bedoeld zijn om fouten te verminderen averechts werken (bijv. aanpassing).

Laat een reactie achter

RECENTE BERICHTEN

Op prognoses gebaseerd voorraadbeheer voor een betere planning

Forecast-based inventory management, or MRP (Material Requirements Planning) logic, is a forward-planning method that helps businesses meet demand without overstocking or understocking. By anticipating demand and adjusting inventory levels, it maintains a balance between meeting customer needs and minimizing excess inventory costs. This approach optimizes operations, reduces waste, and enhances customer satisfaction.

Maak van AI-gestuurde voorraadoptimalisatie een bondgenoot voor uw organisatie

Het belang van duidelijke definities van serviceniveaus bij voorraadbeheer

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.

recente berichten

Op prognoses gebaseerd voorraadbeheer voor een betere planning
Forecast-based inventory management, or MRP (Material Requirements Planning) logic, is a forward-planning method that helps businesses meet demand without overstocking or understocking. By anticipating demand and adjusting inventory levels, it maintains a balance between meeting customer needs and minimizing excess inventory costs. This approach optimizes operations, reduces waste, and enhances customer satisfaction. […]
Maak van AI-gestuurde voorraadoptimalisatie een bondgenoot voor uw organisatie
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. […]
Het belang van duidelijke definities van serviceniveaus bij voorraadbeheer
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. […]
Toekomstbestendige hulpprogramma's: geavanceerde analyses voor optimalisatie van de supply chain
Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
De kosten van spreadsheetplanning
Bedrijven die afhankelijk zijn van spreadsheets voor vraagplanning, prognoses en voorraadbeheer worden vaak beperkt door de inherente beperkingen van de spreadsheet. Dit artikel onderzoekt de nadelen van traditionele voorraadbeheerbenaderingen veroorzaakt door spreadsheets en de daarmee samenhangende kosten, en contrasteert deze met de aanzienlijke voordelen die worden behaald door het omarmen van de modernste planningstechnologieën. […]

Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

Toekomstbestendige hulpprogramma's: geavanceerde analyses voor optimalisatie van de supply chain
Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
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. […]
Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebben
MRO-organisaties bestaan in een breed scala van industrieën, waaronder openbaar vervoer, elektriciteitsbedrijven, afvalwater, waterkracht, luchtvaart en mijnbouw. Om hun werk gedaan te krijgen, gebruiken MRO-professionals Enterprise Asset Management (EAM) en Enterprise Resource Planning (ERP)-systemen. Deze systemen zijn ontworpen om veel taken uit te voeren. Gezien hun kenmerken, kosten en uitgebreide implementatievereisten wordt aangenomen dat EAM- en ERP-systemen het allemaal kunnen. In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen. […]
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. […]

Blog Categorieën

Probabilistische versus deterministische orderplanning

De slimme voorspeller

Man met een computer in een magazijn best practices op het gebied van vraagplanning, prognoses en voorraadoptimalisatie

Denk aan het probleem van het aanvullen van de voorraad. Stel dat het betreffende voorraadartikel een reserveonderdeel is, om precies te zijn. Zowel u als uw leverancier zullen een idee willen hebben van hoeveel u gaat bestellen en wanneer. En uw ERP-systeem dringt er misschien op aan dat u ook het geheim prijsgeeft.

Deterministisch model van aanvulling

De eenvoudigste manier om een fatsoenlijk antwoord op deze vraag te krijgen, is aan te nemen dat de wereld, nou ja, eenvoudig is. In dit geval betekent eenvoudig 'niet willekeurig' of, in nerdtaal, 'deterministisch'. In het bijzonder doe je alsof de willekeurige grootte en timing van de vraag in werkelijkheid een continue druppel-druppel-druppel is van een vaste grootte die met een vast interval komt, bijvoorbeeld 2, 2, 2, 2, 2, 2... Als dit onrealistisch lijkt , het is. De echte vraag ziet er misschien meer zo uit: 0, 1, 10, 0, 1, 0, 0, 0 met veel nullen, af en toe maar willekeurige pieken.

Maar eenvoud heeft zijn deugden. Als je net doet alsof de gemiddelde vraag elke dag op rolletjes loopt, is het gemakkelijk om uit te rekenen wanneer je je volgende bestelling moet plaatsen en hoeveel eenheden je nodig hebt. Stel dat uw voorraadbeleid van het type (Q,R) is, waarbij Q een vaste bestelhoeveelheid is en R een vast bestelpunt. Wanneer de voorraad daalt tot of onder het bestelpunt R, bestelt u Q-eenheden meer. Om de fantasie compleet te maken, gaan we ervan uit dat de doorlooptijd voor aanvulling ook vast is: na L dagen zullen die Q nieuwe eenheden op de plank liggen, klaar om aan de vraag te voldoen.

Alles wat u nu nodig heeft om uw vragen te beantwoorden, is de gemiddelde vraag per dag D naar het artikel. De logica gaat als volgt:

U begint elke aanvullingscyclus met Q-eenheden bij de hand.
Je put die voorraad uit met D eenheden per dag.
U bereikt dus het bestelpunt R na (QR)/D dagen.
Je bestelt dus elke (QR)/D dagen.
Elke aanvullingscyclus duurt (QR)/D + L dagen, dus u maakt in totaal 365D/(Q-R+LD) bestellingen per jaar.
Zolang de doorlooptijd L < R/D is, zult u nooit een voorraad hebben en zal uw voorraad zo klein mogelijk zijn.

Afbeelding 1 toont de grafiek van voorhanden voorraad versus tijd voor het deterministische model. Rond Smart Software verwijzen we naar deze plot als de "Deterministische zaagtand". De voorraad begint op het niveau van de laatste bestelhoeveelheid Q. Na gestaag afnemen gedurende de uitvaltijd (QR)/D, bereikt het niveau het bestelpunt R en activeert een bestelling voor nog een Q-eenheden. Gedurende de doorlooptijd L daalt de voorraad tot precies nul, dan komt de nieuwe bestelling op magische wijze aan en begint de volgende cyclus.

Figuur 1 Deterministisch model van voorhanden voorraad

Afbeelding 1: deterministisch model van voorhanden voorraad

Dit model heeft twee voordelen. Het vereist niet meer dan algebra van de middelbare school en het combineert (bijna) alle relevante factoren om de twee gerelateerde vragen te beantwoorden: wanneer moeten we de volgende bestelling plaatsen? Hoeveel bestellingen plaatsen we in een jaar?

Probabilistisch model van aanvulling

Het is niet verrassend dat als we een deel van de fantasie uit het deterministische model halen, we meer bruikbare informatie krijgen. Het probabilistische model omvat alle rommelige willekeur in het echte probleem: de onzekerheid in zowel de timing als de omvang van de vraag, de variatie in de doorlooptijd van de aanvulling en de gevolgen van die twee factoren: de kans dat de beschikbare voorraad de nabestelling onderschrijdt punt, de kans dat er een stockout zal zijn, de variabiliteit in de tijd tot de volgende bestelling, en het variabele aantal uitgevoerde bestellingen in een jaar.

Het probabilistische model werkt door de gevolgen van onzekere vraag en variabele doorlooptijd te simuleren. Door de historische vraagpatronen van het item te analyseren (en waarnemingen uit te sluiten die zijn geregistreerd in een tijd waarin de vraag mogelijk fundamenteel anders was), creëren geavanceerde statistische methoden een onbeperkt aantal realistische vraagscenario's. Vergelijkbare analyse wordt toegepast op records van doorlooptijden van leveranciers. Door deze vraag- en aanbodscenario's te combineren met de operationele regels van een bepaald voorraadbeheerbeleid, ontstaan scenario's van het aantal beschikbare onderdelen. Uit deze scenario's kunnen we samenvattingen halen van de variërende intervallen tussen bestellingen.

Figuur 2 toont een voorbeeld van een probabilistisch scenario; de vraag is willekeurig en het artikel wordt beheerd met bestelpunt R = 10 en bestelhoeveelheid Q=20. Voorbij is de deterministische zaagtand; in plaats daarvan is er iets complexer en realistischer (de probabilistische trap). Tijdens de 90 gesimuleerde werkingsdagen werden er 9 bestellingen geplaatst en de tijd tussen de bestellingen varieerde duidelijk.

Met behulp van het probabilistische model worden de antwoorden op de twee vragen (hoe lang tussen orders en hoeveel in een jaar) uitgedrukt als kansverdelingen die de relatieve waarschijnlijkheid van verschillende scenario's weerspiegelen. Figuur 3 toont de verdeling van het aantal dagen tussen orders na tien jaar gesimuleerde werking. Hoewel het gemiddelde ongeveer 8 dagen is, varieert het werkelijke aantal sterk, van 2 tot 17.

In plaats van uw leverancier te vertellen dat u volgend jaar X bestellingen zult plaatsen, kunt u nu X ± Y bestellingen projecteren, en uw leverancier kent de opwaartse en neerwaartse risico's beter. Beter nog, u kunt de volledige distributie als het meest uitgebreide antwoord geven.

Figuur 2 Een probabilistisch scenario van voorhanden voorraad

Figuur 3: Verdeling van dagen tussen bestellingen

De willekeurige trap beklimmen naar grotere efficiëntie

Door verder te gaan dan het deterministische inventarismodel, ontstaan nieuwe mogelijkheden voor het optimaliseren van de bedrijfsvoering. Ten eerste maakt het probabilistische model een realistische beoordeling van het voorraadrisico mogelijk. Het eenvoudige model in afbeelding 1 houdt in dat er nooit een stockout is, terwijl probabilistische scenario's de mogelijkheid toestaan (hoewel er in afbeelding 2 slechts één close call was rond dag 70). Zodra het risico bekend is, kan software optimaliseren door de "ontwerpruimte" (dwz alle mogelijke waarden van R en Q) te doorzoeken om een ontwerp te vinden dat voldoet aan een doelniveau van voorraadrisico tegen minimale kosten. De waarde van het deterministische model in deze meer realistische analyse is dat het een goed startpunt biedt voor de zoektocht door de ontwerpruimte.

Overzicht

Moderne software geeft antwoord op operationele vragen met verschillende gradaties van detail. Aan de hand van het voorbeeld van de tijd tussen aanvullingsorders hebben we laten zien dat het antwoord bij benadering maar snel kan worden berekend met een eenvoudig deterministisch model. Maar het kan ook veel gedetailleerder worden weergegeven, waarbij alle variabiliteit wordt blootgelegd door een probabilistisch model. Wij beschouwen deze alternatieven als complementair. Het deterministische model bundelt alle sleutelvariabelen in een gemakkelijk te begrijpen vorm. Het probabilistische model biedt extra realisme dat professionals verwachten en ondersteunt effectief zoeken naar optimale keuzes van bestelpunt en bestelhoeveelheid.

Laat een reactie achter

gerelateerde berichten