​Demand planning and statistical forecasting software play a pivotal role in effective business management by incorporating features that significantly enhance forecasting accuracy. One key aspect involves the utilization of smoothing-based or extrapolative models, enabling businesses to quickly make predictions based solely on historical data. This foundation rooted in past performance is crucial for understanding trends and patterns, especially in variables like sales or product demand. Forecasting software goes beyond mere data analysis by allowing the blending of professional judgment with statistical forecasts, recognizing that forecasting is not a one-size-fits-all process. This flexibility enables businesses to incorporate human insights and industry knowledge into the forecasting model, ensuring a more nuanced and accurate prediction.

Features such as forecasting multiple items as a group, considering promotion-driven demand, and handling intermittent demand patterns are essential capabilities for businesses dealing with diverse product portfolios and dynamic market conditions.  Proper implementation of these applications empowers businesses with versatile forecasting tools, contributing significantly to informed decision-making and operational efficiency.

Extrapolative models

Our demand forecasting solutions support a variety of forecasting approaches including extrapolative or smoothing-based forecasting models, such as exponential smoothing and moving averages.  The philosophy behind these models is simple: they try to detect, quantify, and project into the future any repeating patterns in the historical data.

  There are two types of patterns that might be found in the historical data:

• Trend
• Seizoensgebondenheid

These patterns are illustrated in the following figure along with random data.

Illustrating trending, seasonal, and random time series data

If the pattern is a trend, then extrapolative models such as double exponential smoothing and linear moving average estimates the rate of increase or decrease in the level of the variable and project that rate into the future.

If the pattern is seasonality, then models such as Winters and triple exponential smoothing estimate either seasonal multipliers or seasonal add factors and then apply these to projections of the nonseasonal portion of the data.

Very often, especially with retail sales data, both trend and seasonal patterns are involved. If these patterns are stable, they can be exploited to give very accurate forecasts.

Sometimes, however, there are no obvious patterns, so that plots of the data look like random noise. Sometimes patterns are clearly visible, but they change over time and cannot be relied upon to repeat. In these cases, the extrapolative models don’t try to quantify and project patterns. Instead, they try to average through the noise and make good estimates of the middle of the distribution of data values. These typical values then become the forecasts.  Sometimes, when users see a historical plot with lots of ups and downs they are concerned when the forecast doesn’t replicate those ups and downs. Normally, this should not be a reason for concern.  This occurs when the historical patterns aren’t strong enough to warrant using a forecasting method that would replicate the pattern.  You want to make sure your forecasts don’t suffer from the “wiggle effect” that is described in this blog post.

Past as a predictor of the future

The key assumption implicit in extrapolative models is that the past is a good guide to the future. This assumption, however, can break down. Some of the historical data may be obsolete. For example, the data might describe a business environment that no longer exists. Or, the world that the model represents may be ready to change soon, rendering all the data obsolete. Because of such complicating factors, the risks of extrapolative forecasting are lower when forecasting only a short time into the future.

Extrapolative models have the practical advantage of being cheap and easy to build, maintain and use. They require only accurate records of past values of the variables you need to forecast. As time goes by, you simply add the latest data points to the time series and reforecast. In contrast, the causal models described below require more thinking and more data. The simplicity of extrapolative models is most appreciated when you have a massive forecasting problem, such as making overnight forecasts of demand for all 30,000 items in inventory in a warehouse.

Judgmental adjustments

Extrapolative models can be run in a fully automatic mode with Demand Planner with no intervention required. Causal models require substantive judgment for wise selection of independent variables. However, both types of statistical models can be enhanced by judgmental adjustments. Both can profit from your insights.

Both causal and extrapolative models are built on historical data. However, you may have additional information that is not reflected in the numbers found in the historical record. For instance, you may know that competitive conditions will soon change, perhaps due to price discounts, or industry trends, or the emergence of new competitors, or the announcement of a new generation of your own products. If these events occur during the period for which you are forecasting, they may well spoil the accuracy of purely statistical forecasts. Smart Demand Planner’ graphical adjustment feature lets you include these additional factors in your forecasts through the process of on- screen graphical adjustment.

Be aware that applying user adjustments to the forecast is a two-edged sword. Used appropriately, it can enhance forecast accuracy by exploiting a richer set of information. Used promiscuously, it can add additional noise to the process and reduce accuracy. We advise that you use judgmental adjustments sparingly, but that you never blindly accept the predictions of a purely statistical forecasting method.  It is also very important to measure forecast value add.  That is, the value added to the forecast process by each incremental step.  For example, if you are applying overrides based on business knowledge, it is important to measure whether those adjustments are adding value by improving forecast accuracy.  Smart Demand Planner supports measurement of forecast value add by tracking every forecast considered and automating the forecast accuracy reports. You can select statistical forecasts, measure their errors, and compare them to the overridden ones.  By doing so, you inform the forecasting process so that better decisions can be made in the future. 

Multiple-level forecasts

Another common situation involves multiple-level forecasting, where there are multiple items being forecast as a group or there may even be multiple groups, with each group containing multiple items. We will generally call this type of forecasting Multilevel Forecasting. The prime example is product line forecasting, where each item is a member of a family of items, and the total of all the items in the family is a meaningful quantity.

For example, as in the following figure, you might have a line of tractors and want forecasts of sales for each type of tractor and for the entire tractor line.

Illustrating multiple-level product forecasts

 Smart Demand Planner provides Roll Up/Roll Down Forecasting. This function is crucial for obtaining comprehensive forecasts of all product items and their group total. The Roll Down/Roll Up method within this feature offers two options for obtaining these forecasts:

Roll Up (Bottom-Up): This option initially forecasts each item individually and then aggregates the item-level forecasts to generate a family-level forecast.

Roll Down (Top-Down): Alternatively, the roll-down option starts by forming the historical total at the family level, forecasts it, and then proportionally allocates the total down to the item level.

When utilizing Roll Down/Roll Up, you have access to the full array of forecast methods provided by Smart Demand Planner at both the item and family levels. This ensures flexibility and accuracy in forecasting, catering to the specific needs of your business across different hierarchical levels.

Forecasting research has not established clear conditions favoring either the top-down or bottom-up approach to forecasting. However, the bottom-up approach seems preferable when item histories are stable, and the emphasis is on the trends and seasonal patterns of the individual items. Top-down is normally a better choice if some items have very noisy history or the emphasis is on forecasting at the group level. Since Smart Demand Planner makes it fast and easy to try both a bottom-up and a top- down approach, you should try both methods and compare the results.  You can use Smart Demand Planner’s “Hold back on Current”  feature in the “Forecast vs. Actual” to test both approaches on your own data and see which one yields a more accurate forecast for your business. 

Een voorspelling is een voorspelling over de waarde van een tijdreeksvariabele op een bepaald moment in de toekomst. U kunt bijvoorbeeld een schatting willen maken van de verkoop of vraag naar een productartikel voor volgende maand. Een tijdreeks is een reeks getallen die met gelijke tijdsintervallen zijn geregistreerd; bijvoorbeeld de maandelijks geregistreerde verkoop per eenheid.

De doelstellingen die u nastreeft wanneer u prognoses maakt, zijn afhankelijk van de aard van uw baan en uw bedrijf. Elke voorspelling is onzeker; in feite is er een reeks mogelijke waarden voor elke variabele die u voorspeld. Waarden in het midden van dit bereik hebben een grotere kans om daadwerkelijk te voorkomen, terwijl waarden aan de uiteinden van het bereik minder waarschijnlijk voorkomen. De volgende afbeelding illustreert een typische verdeling van voorspelde waarden.

Ter illustratie van een voorspelde verdeling van voorspelde waarden

Punt voorspellingen

Het meest gebruikelijke gebruik van voorspellingen is het schatten van een reeks getallen die de meest waarschijnlijke toekomstige waarden van de betreffende variabele vertegenwoordigen. Stel dat u bijvoorbeeld een verkoop- en marketingplan voor uw bedrijf ontwikkelt. Mogelijk moet u twaalf cellen in een financieel spreadsheet invullen met schattingen van de totale inkomsten van uw bedrijf in de komende twaalf maanden. Dergelijke schattingen worden puntprognoses genoemd, omdat u voor elke prognoseperiode één enkel getal (gegevenspunt) wilt. De automatische prognosefunctie van Smart Demand Planner voorziet u automatisch van deze puntprognoses.

Intervalvoorspellingen

Hoewel puntvoorspellingen handig zijn, heeft u vaak meer profijt van intervalvoorspellingen. Intervalvoorspellingen tonen het meest waarschijnlijke bereik (interval) van waarden die zich in de toekomst kunnen voordoen. Deze zijn meestal nuttiger dan puntprognoses, omdat ze de hoeveelheid onzekerheid of risico weergeven die met een voorspelling gepaard gaat. Het prognose-intervalpercentage kan worden opgegeven in de verschillende prognosedialoogvensters in de Demand Planning Software.  Met elk van de vele voorspellingsmethoden (automatisch, voortschrijdend gemiddelde, exponentiële afvlakking enzovoort) die beschikbaar zijn in Smart Demand Planner, kunt u een voorspellingsinterval instellen.

De standaardconfiguratie in Smart Demand Planner biedt 90%-voorspellingsintervallen. Interpreteer deze intervallen als het bereik waarbinnen de werkelijke waarden 90% van de tijd zullen vallen. Als de intervallen groot zijn, is er veel onzekerheid verbonden aan de puntvoorspellingen. Als de intervallen smal zijn, kunt u meer vertrouwen hebben. Als u een planningsfunctie uitvoert en op verschillende tijdstippen in de toekomst best-case- en worst-case-waarden wilt voor de variabelen die van belang zijn, kunt u voor dat doel de boven- en ondergrenzen van de prognose-intervallen gebruiken, waarbij de enkele puntschatting de meest waarschijnlijke waarde. In de vorige afbeelding strekt het voorspellingsinterval van 90% zich uit van 3,36 tot 6,64.

Bovenste percentielen

Bij voorraadbeheer kan het uw doel zijn om goede schattingen te maken van een hoog percentiel van de vraag naar een productitem. Met deze schattingen kunt u omgaan met de afweging tussen enerzijds het minimaliseren van de kosten voor het aanhouden en bestellen van voorraad, en anderzijds het minimaliseren van het aantal verloren of nabestelde verkopen als gevolg van een voorraadtekort. Om deze reden wilt u misschien het 99e percentiel of het serviceniveau van de vraag weten, aangezien de kans om dat niveau te overschrijden slechts 1% is.

Houd er bij het voorspellen van individuele variabelen met functies zoals automatische prognoses rekening mee dat de bovengrens van een 90%-voorspellingsinterval het 95e percentiel vertegenwoordigt van de voorspelde verdeling van de vraag naar die variabele. (Als u het 5e percentiel van het 95e percentiel aftrekt, blijft er een interval over met 95%-5% = 90% van de mogelijke waarden.) Dit betekent dat u de bovenste percentielen kunt schatten door de waarde van het voorspellingsinterval te wijzigen. In de figuur ‘Illustratie van een prognoseverdeling’ is het 95e percentiel 6,64.

Om het voorraadbeleid op het gewenste serviceniveau te optimaliseren of om het systeem te laten adviseren welk voorraadbeleid en serviceniveau het beste rendement oplevert, kunt u Smart Inventory Optimization overwegen. Het is ontworpen om wat-als-scenario's te ondersteunen die voorspelde afwegingen laten zien tussen verschillende voorraadbeleidslijnen, waaronder verschillende serviceniveaudoelen.

Lagere percentielen

Soms maakt u zich misschien zorgen over de onderkant van de voorspelde verdeling voor een variabele. Dergelijke gevallen doen zich vaak voor bij financiële toepassingen, waarbij een laag percentiel van een inkomstenraming een onvoorziene gebeurtenis vertegenwoordigt die financiële reserves vereist. U kunt Smart Demand Planner in dit geval gebruiken op een manier die analoog is aan het voorspellen van de bovenste percentielen. In de figuur ‘Illustratie van een prognoseverdeling’ is het 5e percentiel 3,36.

Kortom, bij voorspellen gaat het om het voorspellen van toekomstige waarden, waarbij puntvoorspellingen afzonderlijke schattingen bieden en intervalvoorspellingen die waarschijnlijke waardebereiken bieden. Smart Demand Planner automatiseert puntprognoses en stelt gebruikers in staat intervallen in te stellen, wat helpt bij het inschatten van de onzekerheid. Voor voorraadbeheer vergemakkelijkt de tool het begrijpen van de bovenste (bijvoorbeeld 99e percentiel) en lagere (bijvoorbeeld 5e percentiel) percentielen. Om het voorraadbeleid en de serviceniveaus te optimaliseren ondersteunt Smart Inventory Optimization 'wat-als'-scenario's, waardoor een effectieve besluitvorming wordt gegarandeerd over hoeveel u op voorraad moet hebben, gegeven het risico dat u bereid bent een voorraad op te geven.

In bijna elk bedrijf en elke sector hebben besluitvormers betrouwbare voorspellingen nodig van kritische variabelen, zoals omzet, inkomsten, vraag naar producten, voorraadniveaus, marktaandeel, kosten en trends in de sector.

Er zijn veel soorten mensen die deze voorspellingen doen. Sommigen zijn geavanceerde technische analisten, zoals bedrijfseconomen en statistici. Vele anderen beschouwen forecasting als een belangrijk onderdeel van hun totale werk: algemeen managers, productieplanners, voorraadbeheerspecialisten, financiële analisten, strategische planners, marktonderzoekers en product- en verkoopmanagers. Toch beschouwen anderen zichzelf zelden als voorspellers, maar moeten ze vaak voorspellingen doen op een intuïtieve, oordelende basis.

Door de manier waarop we Smart Demand Planner hebben ontworpen, heeft het alle soorten voorspellers iets te bieden. Dit ontwerp komt voort uit verschillende observaties over het voorspellingsproces. Omdat we Smart Demand Planner met deze observaties in gedachten hebben ontworpen, zijn we van mening dat de stijl en inhoud ervan uniek geschikt zijn om van uw browser een effectief prognose- en planningshulpmiddel te maken:

Voorspellen is een kunst die een mix van professioneel oordeel en objectieve, statistische analyse vereist.

Het is vaak effectief om te beginnen met een objectieve statistische voorspelling die automatisch rekening houdt met trends, seizoensinvloeden en andere patronen. Pas vervolgens aanpassingen of prognoseoverschrijvingen toe op basis van uw zakelijke oordeel. Smart Demand Planner maakt het eenvoudig om grafische en tabelvormige aanpassingen aan statistische prognoses uit te voeren.

Het prognoseproces is doorgaans iteratief.

U zult waarschijnlijk besluiten uw oorspronkelijke prognose een aantal malen te verfijnen voordat u tevreden bent. Mogelijk wilt u oudere historische gegevens uitsluiten die u niet langer relevant vindt. U kunt verschillende gewichten op het voorspellingsmodel toepassen, waarbij verschillende accenten op de meest recente gegevens worden gelegd. U kunt trenddemping toepassen om agressief trendmatige statistische voorspellingen te verhogen of te verlagen. U kunt de Machine Learning-modellen de prognoseselectie voor u laten verfijnen en automatisch het winnende model selecteren. De verwerkingssnelheid van Smart Demand Planner geeft u voldoende tijd om meerdere keren te passen en slaat meerdere versies van de prognoses op als 'momentopnamen', zodat u de nauwkeurigheid van de prognoses later kunt vergelijken.

Voorspellen vereist grafische ondersteuning.

De patronen die in de gegevens zichtbaar zijn, kunnen door een scherp oog worden gezien. De geloofwaardigheid van uw prognoses zal vaak sterk afhangen van grafische vergelijkingen die andere zakelijke belanghebbenden maken wanneer zij de historische gegevens en prognoses beoordelen. Smart Demand Planner biedt grafische weergaven van prognoses, geschiedenis en rapportage van prognoses versus werkelijke cijfers.

Voorspellingen kloppen nooit helemaal.

Omdat zelfs in het beste voorspellingsproces altijd een fout sluipt, is een van de nuttigste aanvullingen op een voorspelling een eerlijke schatting van de foutmarge.

Smart Demand Planner presenteert zowel grafische als tabelvormige samenvattingen van de nauwkeurigheid van de prognoses, gebaseerd op de zuurtest van het voorspellen van gegevens die zijn achtergehouden bij de ontwikkeling van het voorspellingsmodel. 

Prognose-intervallen of betrouwbaarheidsintervallen zijn ook erg handig. Ze beschrijven het waarschijnlijke bereik van de mogelijke vraag die naar verwachting zal optreden. Als de werkelijke vraag bijvoorbeeld meer dan 10% van de tijd buiten het 90%-betrouwbaarheidsinterval valt, is er reden om verder onderzoek te doen.  

Voorspellen vereist een match tussen methode en gegevens.

Een van de belangrijkste technische taken bij het voorspellen is het afstemmen van de keuze van de voorspellingstechniek op de aard van de gegevens. Kenmerken van een datareeks zoals trend, seizoensinvloeden of abrupte niveauverschuivingen suggereren bepaalde technieken in plaats van andere.

De automatische prognosefunctie van Smart Demand Planner maakt deze match snel, nauwkeurig en automatisch.

Prognoses maken vaak deel uit van een groter plannings- of controleproces.

Prognoses kunnen bijvoorbeeld een krachtige aanvulling zijn op op spreadsheets gebaseerde financiële analyses, waardoor rijen met cijfers naar de toekomst kunnen worden uitgebreid. Bovendien zijn nauwkeurige prognoses van de verkoop en de vraag naar producten fundamentele input voor de productieplanning en voorraadcontroleprocessen van een fabrikant. Een objectieve statistische voorspelling van toekomstige verkopen helpt altijd bij het identificeren wanneer het budget (of het verkoopplan) te onrealistisch is. Gap-analyse stelt het bedrijf in staat corrigerende maatregelen te nemen voor hun vraag- en marketingplannen om ervoor te zorgen dat ze het gebudgetteerde plan niet missen.

Prognoses moeten worden geïntegreerd in ERP-systemen
Smart Demand Planner kan zijn resultaten snel en eenvoudig overbrengen naar andere applicaties, zoals spreadsheets, databases en planningssystemen inclusief ERP-applicaties. Gebruikers kunnen voorspellingen in verschillende bestandsformaten exporteren, hetzij via download, hetzij via beveiligde FTP-bestandslocaties. Smart Demand Planner omvat API-gebaseerde integraties met een verscheidenheid aan ERP- en EAM-systemen, waaronder Epicor Kinetic en Epicor Prophet 21, Sage X3 en Sage 300, Oracle NetSuite en elk van de Dynamics 365 ERP-systemen van Microsoft. Dankzij API-gebaseerde integraties kunnen klanten prognoseresultaten op verzoek rechtstreeks terugsturen naar het ERP-systeem.

Het resultaat is een efficiëntere verkoopplanning, budgettering, productieplanning, bestellingen en voorraadplanning.

Wanneer u traditionele extrapolatieve voorspellingstechnieken moet gebruiken.

Met zoveel hype rond nieuwe Machine Learning (ML) en probabilistische voorspellingsmethoden lijken de traditionele “extrapolatieve” of “tijdreeksen” statistische voorspellingsmethoden de koude schouder te krijgen. Het is echter de moeite waard om te onthouden dat deze traditionele technieken (zoals enkele en dubbele exponentiële afvlakking, lineaire en eenvoudige voortschrijdende middeling, en Winters-modellen voor seizoensitems) vaak behoorlijk goed werken voor gegevens met een groter volume. Elke methode is goed voor waarvoor deze is ontworpen. Pas ze allemaal op de juiste manier toe, bijvoorbeeld: neem geen mes mee naar een vuurgevecht en gebruik geen drilboor als een eenvoudige handhamer voldoende is. 

Extrapolatieve methoden presteren goed wanneer de vraag een hoog volume heeft en niet te gedetailleerd is (dat wil zeggen, de vraag wordt maandelijks of driemaandelijks gespreid). Ze zijn ook erg snel en gebruiken niet zoveel computerbronnen als probabilistische en ML-methoden. Dit maakt ze zeer toegankelijk.

Zijn de traditionele methoden even nauwkeurig als nieuwere voorspellingsmethoden? Smart heeft ontdekt dat extrapolatieve methoden het zeer slecht doen als de vraag intermitterend is. Wanneer de vraag echter groter is, doen ze het slechts iets slechter dan onze nieuwe probabilistische methoden wanneer de vraag maandelijks wordt gesegmenteerd. Gezien hun toegankelijkheid, snelheid en het feit dat u prognoseoverschrijvingen gaat toepassen op basis van bedrijfskennis, zal het verschil in basislijnnauwkeurigheid hier niet materieel zijn.

Het voordeel van geavanceerdere modellen zoals de GEN2-probabilistische methoden van Smart is wanneer u patronen moet voorspellen met behulp van gedetailleerdere buckets zoals dagelijkse (of zelfs wekelijkse) gegevens. Dit komt omdat probabilistische modellen patronen van de dag van de week, de week van de maand en de maand van het jaar kunnen simuleren die met eenvoudigere technieken verloren zullen gaan. Heeft u ooit geprobeerd de dagelijkse seizoensinvloeden te voorspellen met een Wintermodel? Hier is een hint: het gaat niet werken en vereist veel techniek.

Probabilistische methoden bieden ook waarde die verder gaat dan de basisvoorspelling, omdat ze scenario's genereren die kunnen worden gebruikt bij stresstests voor voorraadbeheermodellen. Dit maakt ze geschikter om bijvoorbeeld te beoordelen hoe een verandering in het bestelpunt de voorraadkansen, opvullingspercentages en andere KPI's zal beïnvloeden. Door duizenden mogelijke aanvragen gedurende vele doorlooptijden te simuleren (die zelf in scenariovorm worden gepresenteerd), krijgt u een veel beter idee van hoe uw huidige en voorgestelde voorraadbeleid zal presteren. U kunt betere beslissingen nemen over waar u gerichte voorraadverhogingen en -verlagingen kunt doorvoeren.

Gooi dus nog niet het oude weg voor het nieuwe. Weet gewoon wanneer je een hamer nodig hebt en wanneer je een drilboor nodig hebt.

Probabilistische scenario's zijn reeksen gegevenspunten die worden gegenereerd om potentiële situaties uit de echte wereld weer te geven. In tegenstelling tot scenario's in oorlogsspellen of andere simulaties zijn dit synthetische tijdreeksen die worden gebruikt als input voor systeemmodellen of als intuïtiebouwers voor besluitvormers.

Scenario's van de toekomstige vraag naar artikelen kunnen bijvoorbeeld worden ingevoerd in Monte Carlo-simulatiemodellen van voorraadbeheersystemen, waardoor een virtueel laboratorium ontstaat waarin de gevolgen van managementbeslissingen kunnen worden onderzocht, zoals het wijzigen van bestelpunten en/of bestelhoeveelheden. Bovendien kunnen grafieken van meetgegevens, zoals voorhanden voorraad of stockouts, voorraadplanners helpen hun ‘gevoel’ voor de willekeur die inherent is aan hun activiteiten te verdiepen.

Figuur 1 toont dagelijkse vraagscenario's die zijn gegenereerd op basis van een enkele waargenomen vraagreeks die gedurende één jaar is geregistreerd. Merk op dat hetzelfde proces voor het genereren van gegevens er in detail “heel anders uit kan zien” van monster tot monster. Dit bootst het echte leven na.

Figuur 1: Een waargenomen vraagvolgorde en daarvan afgeleide vraagscenario’s.

Figuur 2 toont twee vraagscenario's en hun gevolgen voor de voorraad in een bepaald voorraadbeheersysteem. Het verschil tussen de twee voorraadgrafieken illustreert de mate waarin de willekeur in de vraag het probleem domineert. Het bovenste plot toont twee afleveringen van stockout, terwijl het onderste plot negen toont. Door het gemiddelde te nemen over vele scenario's zullen de typische waarden van Key Performance Metrics (KPI's) worden verduidelijkt, zoals het gemiddelde aantal stockouts dat is gekoppeld aan elke keuze van het bestelpunt en de bestelhoeveelheid (die respectievelijk 10 en 25 zijn in figuur 2).

Figuur 2: Twee vraagscenario's en hun gevolgen voor de voorhanden voorraad

In deze notitie beschrijven we technieken voor het maken van scenario's en geven we criteria op voor het evalueren van scenariogeneratoren.

Criteria voor scenario's

Zoals we hieronder zullen zien, zijn er verschillende manieren om scenario's te maken. Ongeacht de bron, welke criteria definiëren een ‘goed’ scenario? Er zijn vier hoofdcriteria: trouw, variëteit, hoeveelheid en kosten. Trouw vat samen hoe nauwkeurig een scenario situaties uit de echte wereld imiteert. High-fidelity betekent dat de scenario's de werkelijke gebeurtenissen nauwkeurig weerspiegelen en een solide basis vormen voor analyse en besluitvorming. Verscheidenheid beschrijft de diversiteit aan scenario's die een generator kan creëren. Een veelzijdige generator kan een breed scala aan potentiële situaties simuleren, waardoor mogelijkheden en risico's grondig kunnen worden verkend. Hoeveelheid verwijst naar het aantal scenario's dat een generator kan produceren. Een generator die een groot aantal scenario's kan creëren, levert voldoende gegevens voor analyse. Kosten houdt rekening met zowel de computer- als de menselijke hulpbronnen die nodig zijn om de scenario's te produceren. Een efficiënte scenariogenerator brengt kwaliteit in evenwicht met het gebruik van hulpbronnen, zodat de inspanning wordt gerechtvaardigd door de waarde en nauwkeurigheid van de resultaten.

Scenariogeneratie

Denk opnieuw aan een scenario als een tijdreeks. Hoe komen scenario's tot stand?

1. Gepetto's werkplaats: Deze aanpak omvat het handmatig vervaardigen van scenario's door experts. Hoewel het high-fidelity (realisme) kan opleveren, vergt het zeer veel middelen en kan het niet gemakkelijk variatie genereren, wat een groot aantal scenario's vereist.
2. Groundhog-dag: Bij deze methode wordt herhaaldelijk één enkele praktijksituatie als input gebruikt. Hoewel het per definitie realistisch en kosteneffectief is (er worden geen andere middelen gebruikt dan het vastleggen van de gegevens), mist deze aanpak variatie en kan daarom de diversiteit van scenario's uit de echte wereld niet accuraat weerspiegelen.
3. Parametrische modellen: Voorbeelden van parametrische modellen zijn de klassiekers die in de klassen van de Statistiek worden bestudeerd: Normaal, exponentieel, Poisson, enz. De vraagdiagrammen in Figuur 2 worden parametrisch gegenereerd, zijnde de kwadraten van willekeurige Poisson-variabelen. Deze modellen genereren een onbeperkt aantal goedkope scenario's met een goede variëteit, maar ze geven niet altijd de complexiteit van gegevens uit de echte wereld weer, waardoor de betrouwbaarheid mogelijk in gevaar komt. Wanneer de werkelijkheid ingewikkelder is, genereren deze modellen te vereenvoudigde scenario's.
4. Niet-parametrische tijdreeksbootstraps: Deze aanpak kan goed scoren op alle criteria: trouw, variëteit, kwantiteit en kosten. Het is een veelzijdige methode die uitblinkt in het creëren van enorme aantallen realistische scenario's. De synthetische vraaggeschiedenissen in Figuur 1 zijn eenvoudige bootstrap-voorbeelden, gebaseerd op de waargenomen waarden in de bovenste grafiek. (Zie de onderstaande links voor enkele details over het genereren van scenario's.)

Scenario's exploiteren

Scenario's bewijzen hun waarde op twee manieren: als input voor besluitvorming en als intuïtiebouwers. Wanneer vraagscenario's bijvoorbeeld worden gebruikt als input voor simulatiemodellen, maken ze stresstests en prestatieschattingen voor systeemontwerp mogelijk. Scenario's kunnen ook dienen als intuïtiebouwers voor besluitvormers of systeembeheerders. Hun visuele weergave helpt bij het ontwikkelen van inzicht in en waardering voor de risico's die gepaard gaan met het nemen van operationele beslissingen, of het nu gaat om vraagvoorspelling of voorraadbeheer.

Scenario-gebaseerde analyse is zeer computerintensief, vooral wanneer de scenario's worden gegenereerd door middel van bootstrapping. Bij Smart Software gebeurt het rekenen in de cloud. Stel je de rekenlast voor die gepaard gaat met het bepalen van bestelpunten en bestelhoeveelheden voor elk van de tienduizenden voorraadartikelen met behulp van honderden of duizenden vraagsimulaties voor elk artikel. Stel je verder voor dat de software niet alleen een specifiek voorgesteld paar van bestelpunten en bestelhoeveelheid evalueert, maar door de hele “ontwerpruimte” van paren dwaalt om het beste paar controleparameters voor elk item te vinden. Om dit praktisch te maken, profiteren we van de parallelle verwerkingskracht van de cloud. In wezen krijgt elk inventarisitem een eigen computer toegewezen die bij de berekeningen kan worden gebruikt, zodat al dat computerwerk tegelijkertijd kan plaatsvinden in plaats van opeenvolgend. Nu kunnen we losgaan en u echt de resultaten bezorgen die u nodig heeft.

Meer leren

Wie geïnteresseerd is in verdere technische details en referenties, kan hier meer informatie vinden.

Wat maakt een probabilistische voorspelling?

Probabilistische prognoses voor intermitterende vraag