Iedereen die het werk doet, weet dat het beheren van voorraden stressvol kan zijn. Veelvoorkomende stressfactoren zijn: Klanten met "speciale" verzoeken, IT-afdelingen met andere prioriteiten, wankele ERP-systemen die draaien op onnauwkeurige gegevens, grondstoftekorten, leveranciers met lange doorlooptijden in verre landen waar de productie vaak stopt om verschillende redenen en meer. Deze nota gaat in op één specifieke en altijd aanwezige bron van stress: variabiliteit in de vraag.

Iedereen heeft een prognoseprobleem

Stel dat u een grote vloot reserveonderdelen beheert. Dit kan chirurgische apparatuur zijn voor uw ziekenhuis, of reparatieonderdelen voor uw elektriciteitscentrale. Jouw missie is om de uptime te maximaliseren. Je vijand is downtime. Maar omdat storingen willekeurig toeslaan, ben je constant in de reactieve modus. U zou kunnen hopen op redding door prognosetechnologieën. Maar prognoses zijn onvermijdelijk tot op zekere hoogte onvolmaakt: het verrassingselement is altijd aanwezig. U kunt wachten tot Internet of Things (IOT)-technologie op uw apparatuur is geïmplementeerd om dreigende storingen te bewaken en te detecteren, zodat u reparaties ruim van tevoren kunt plannen. Maar u weet dat u de duizenden kleine dingen die kunnen mislukken en een groot ding onbruikbaar kan maken, niet kunt opmeten.

U besluit dus prognoses te combineren met voorraadbeheer en buffers of veiligheidsvoorraden aan te leggen om u te beschermen tegen onverwachte pieken in de vraag. Nu moet je uitrekenen hoeveel Safety stock onderhouden, wetende dat te weinig kwetsbaarheid betekent en te veel een opgeblazen gevoel.

Stel dat u voorraden gereed product beheert voor een make-to-stock-bedrijf. Uw probleem is in wezen hetzelfde als bij het beheren van serviceonderdelen: u hebt externe klanten en een onzekere vraag. Maar misschien heb je ook nog andere problemen als het gaat om het synchroniseren van meerdere leveranciers van componenten die je assembleert tot eindproducten. De leveranciers willen dat je hen vertelt hoeveel van hun spullen ze moeten maken, zodat jij jouw spullen kunt maken, maar je weet niet hoeveel van je eigen spullen je moet maken.

Stel ten slotte dat u afgewerkte goederen behandelt in een bouwbedrijf op bestelling. U zou kunnen denken dat u geen prognoseprobleem meer heeft, aangezien u pas bouwt als u wordt betaald om te bouwen. Maar je hebt wel een prognoseprobleem. Aangezien uw eindproducten kunnen worden samengesteld uit een combinatie van componenten en subassemblages, moet u een prognose van de vraag naar gereed product vertalen om een prognose van die componenten uit te werken. Anders ga je je afgewerkte product maken en ontdek je dat je een vereist onderdeel niet hebt en moet je wachten tot je alles wat je nodig hebt reactief kunt assembleren. En uw klanten zijn misschien niet bereid om te wachten.

Dus iedereen heeft een prognoseprobleem.

Wat maakt prognoses moeilijk

Prognoses kunnen snel, eenvoudig en uiterst nauwkeurig zijn - zolang de wereld maar eenvoudig is. Als de vraag naar uw product elke week 10 stuks is, maand na maand, kunt u zeer nauwkeurige prognoses maken. Maar het leven is niet helemaal zo. Als je geluk hebt en het leven is bijna zo - misschien is de wekelijkse vraag meer als {10, 9, 10, 8, 12, 10, 10 ...} - kun je nog steeds een zeer nauwkeurige prognose maken en slechts kleine aanpassingen maken aan de randen . Maar als het leven is zoals het vaker is – misschien ziet de wekelijkse vraag eruit als {0, 0, 7, 0, 0, 0, 23, 0 …} – is vraagvoorspelling inderdaad moeilijk. Het belangrijkste onderscheid is de variabiliteit van de vraag: het is het zigzaggen en zigzaggen dat de pijn veroorzaakt.

Veiligheidsvoorraad neemt het over waar prognoses ophouden

Statistische prognosemethoden vormen een belangrijk onderdeel van de oplossing. Ze laten u zoveel mogelijk voordeel halen uit de historische vraagpatronen die uw bedrijf voor elk artikel heeft geregistreerd. De taak van prognoses is om te beschrijven wat typisch is, wat de basis vormt voor het omgaan met willekeur in de vraag. Statistische voorspellingstechnieken werken door het vinden van 'grote plaatje'-kenmerken in vraagrecords, zoals trend en seizoensinvloeden, en deze vervolgens in de toekomst te projecteren. Ze gaan er allemaal impliciet van uit dat welke patronen er nu ook zijn, ze zullen blijven bestaan, dus de groei van 5% zal doorgaan en de vraag in juli zal altijd 20% hoger zijn dan de vraag in februari. Om dat punt te bereiken, gebruiken statistische prognosemethoden een vorm van middeling om de "ruis" in de vraaggeschiedenis te onderdrukken.

Maar dan valt de rest van het werk op voorraadbeheer, omdat de atypische, willekeurige component van de toekomstige vraag in de toekomst nog steeds een gedoe zal zijn. Dit onvermijdelijke niveau van onzekerheid moet worden opgevangen door de "schokbreker" die veiligheidsvoorraad wordt genoemd.

Dezelfde methoden die prognoses van trend en/of seizoensinvloeden produceren, kunnen worden gebruikt om de hoeveelheid voorspellingsfouten te schatten. Dit moet zorgvuldig worden gedaan met behulp van een methode die "holdout-analyse" wordt genoemd. Het werkt zo. Stel dat u 365 waarnemingen heeft van de dagelijkse vraag naar artikel X, met een doorlooptijd voor aanvulling van 10 dagen. U wilt weten hoeveel eenheden er over een toekomstige periode van 10 dagen zullen worden gevraagd. U kunt de eerste 305 dagen van de vraaggeschiedenis invoeren in de prognosetechniek en prognoses krijgen voor de volgende 10 dagen, dagen 306-315.

Het antwoord geeft u een schatting van de totale vraag over 10 dagen. Belangrijk is dat het u ook een schatting geeft van de variabiliteit rond die voorspelling, dwz de voorspellingsfout, het verschil tussen wat er werkelijk gebeurde in dagen 306-315 en wat was voorspeld. Nu kunt u het proces herhalen, dit keer met de eerste 306 dagen om de volgende 10 te voorspellen, de eerste 307 dagen om de volgende 10 te voorspellen, enz. U krijgt uiteindelijk 52 eerlijke schattingen van de variabiliteit van de totale vraag over een periode van 10 dagen. doorlooptijd. Stel dat 95% van die schattingen minder dan 28 eenheden zijn. Dan zouden 28 eenheden een vrij veilige veiligheidsvoorraad zijn om aan de prognose toe te voegen, aangezien u slechts 5% van de tijd tekorten zult tegenkomen.

Moderne statistische software doet deze berekeningen automatisch. Het kan ten minste één van de chronische hoofdpijn van voorraadbeheer verlichten door u te helpen omgaan met de variabiliteit in de vraag.

De meeste vraagprognoses zijn gedeeltelijk of onvolledig: ze bieden slechts één enkel getal: de meest waarschijnlijke waarde van de toekomstige vraag. Dit wordt een puntvoorspelling genoemd. Gewoonlijk schat de puntvoorspelling de gemiddelde waarde van de toekomstige vraag. Intervalprognoses geven een schatting van de mogelijke toekomstige vraag (dwz de vraag heeft een 90% kans tussen 50 – 100 eenheden). Probabilistische voorspellingen gaan een stap verder en geven aanvullende informatie. Meer weten is altijd beter dan minder weten en de probabilistische prognose levert die extra informatie die zo cruciaal is voor voorraadbeheer. Deze videoblog van Dr. Thomas Willemain legt elk type voorspelling en de voordelen van probabilistische voorspelling uit.

[inbound_button font_size=”20″ color=”#00a429″ text_color=”#ffffff” icon=”” url=”http://www.screencast.com/t/Ut4I5dOY8″ width=”” target=”_blank”]Nu kijken [/inkomende_knop]
 

Puntvoorspelling (groen) laat zien wat er het meest waarschijnlijk zal gebeuren. De Intervalvoorspelling toont het bereik (blauw) van mogelijkheden.

Waarschijnlijkheidsvoorspelling toont de waarschijnlijkheid dat elke waarde voorkomt

De meeste vraagprognoses zijn gedeeltelijk of onvolledig: ze bieden slechts één enkel getal: de meest waarschijnlijke waarde van de toekomstige vraag. Dit wordt een puntvoorspelling genoemd. Gewoonlijk schat de puntvoorspelling de gemiddelde waarde van de toekomstige vraag.

Veel nuttiger is een voorspelling van de volledige waarschijnlijkheidsverdeling van de vraag op elk toekomstig tijdstip. Dit wordt vaker waarschijnlijkheidsvoorspelling genoemd en is veel nuttiger.

Het gemiddelde is niet het antwoord

Het enige voordeel van een puntvoorspelling is de eenvoud. Als uw ERP-systeem ook eenvoudig is, vult de puntprognose het ene getal in dat het ERP-systeem nodig heeft om personeelsplanning of inkoop van grondstoffen te doen.

Het nadeel van een puntvoorspelling is dat het te simpel is. Het negeert aanvullende informatie in de vraaggeschiedenis van een artikel die u een vollediger beeld kan geven van hoe de vraag zich zou kunnen ontvouwen: een kansprognose.

Verder gaan dan het gemiddelde: waarschijnlijkheidsvoorspellingen

Terwijl de puntprognose beperkte informatie geeft, bijv. "De meest waarschijnlijke vraag volgende maand is 15 eenheden", voegt de kansprognose cruciale informatie toe, bijv. "Er is een kans van 20% dat de vraag meer dan 28 eenheden zal bedragen en een kans van 10% dat het kleiner zijn dan 5 eenheden”.

Met deze informatie kunt u risicobeoordelingen en noodplannen maken. Contingency planning is nodig omdat de kans dat de puntvoorspelling daadwerkelijk klopt meestal maar klein is. Een waarschijnlijkheidsvoorspelling kan ook zeggen: "De kans dat de vraag 15 eenheden is, is slechts 10%, ook al is dit de meest waarschijnlijke waarde." Met andere woorden, er is een kans van 90% dat de puntvoorspelling verkeerd is. Dit soort fouten is geen fout in de prognoseberekeningen: het is de realiteit van het omgaan met vraagvolatiliteit. Het zou beter een "onzekerheid" kunnen worden genoemd dan een "fout".

Een operations manager kan de extra informatie in een kansprognose zowel informeel als formeel gebruiken. Informeel, zelfs als een ERP-systeem een enkelvoudige prognose als invoer vereist, zal een verstandige manager enig idee willen hebben van de risico's die aan die puntvoorspelling zijn verbonden, dwz de foutmarge. Een voorspelling van 15 ± 1 eenheid is dus een stuk veiliger dan een voorspelling van 15 ± 10. Het ± gedeelte is een compressie van een probabilistische voorspelling. Afbeelding 1 hieronder toont de vraaggeschiedenis van een item (rode lijn), puntprognoses voor de komende 12 maanden (groene lijn) en hun foutmarges (cyaankleurige lijnen). De laagste prognose van ongeveer 3.300 eenheden komt in juni uit, maar de werkelijke vraag kan wel 800 eenheden hoger of lager zijn.

Bonus: toepassing op voorraadbeheer

Voorraadbeheer vereist dat u de beschikbaarheid van artikelen afzet tegen de voorraadkosten. Het blijkt dat het kennen van de volledige waarschijnlijkheidsverdeling van de vraag over een doorlooptijd van aanvulling essentieel is om bestelpunten (ook wel minuten genoemd) op een rationele, wetenschappelijke basis te bepalen. Figuur 2 toont een waarschijnlijkheidsprognose van de totale vraag gedurende de 33 weken durende aanvultijd voor een bepaald reserveonderdeel. Hoewel de gemiddelde doorlooptijdvraag 3 eenheden is, is de meest waarschijnlijke vraag nul en is een bestelpunt van 14 nodig om ervoor te zorgen dat de kans op voorraad slechts 1% is. Nogmaals, het gemiddelde is niet het antwoord.

Meer weten is altijd beter dan minder weten en de waarschijnlijkheidsvoorspelling geeft net dat beetje extra cruciale informatie. Software kan al meer dan 40 jaar een puntvoorspelling leveren, maar moderne software kan het beter doen en het hele plaatje weergeven.

Figuur 1: De rode lijn toont de vraaggeschiedenis van een gereed product. De groene lijn toont de puntprognoses voor de komende 12 maanden. De blauwe lijnen geven de foutmarges in de 12-puntsvoorspellingen aan.

Afbeelding 2: Een probabilistische prognose van de vraag naar een reserveonderdeel gedurende een aanvultijd van 33 weken. De meest waarschijnlijke vraag is nul, de gemiddelde vraag is 3, maar een bestelpunt van 14 eenheden is vereist om slechts 1% kans te hebben dat de voorraad op is.

Vraagplanning kost tijd en moeite. Het is de moeite waard voor zover het je daadwerkelijk helpt te maken wat je nodig hebt wanneer je het nodig hebt.

Maar het werk kan goed of slecht worden gedaan. We zien veel fabrikanten stoppen bij het eerste niveau terwijl ze gemakkelijk naar het tweede niveau kunnen gaan. En met een beetje meer moeite zouden ze helemaal naar het derde niveau kunnen gaan, door gebruik te maken van probabilistische modellering om de resultaten van de vraagplanning om te zetten in een voorraadoptimalisatieproces.

Het eerste niveau

Het eerste niveau is het maken van een vraagprognose met behulp van statistische methoden. Afbeelding 1 toont een poging op het eerste niveau: de vraaggeschiedenis van een artikel (rode lijn) en de verwachte prognose voor 12 maanden (groene lijn).

De voorspelling is kaal. Het projecteert alleen verwacht vraag negeren dat de vraag volatiel is en onvermijdelijk prognosefouten zal veroorzaken. (Dit is nog een voorbeeld van een belangrijke stelregel: “Het gemiddelde is niet het antwoord”). De voorspelling is waarschijnlijk zowel te hoog als te laag, en er is geen indicatie van voorspellingsonzekerheid bij de voorspelling. Dit betekent dat de planner geen inschatting heeft van het risico dat gepaard gaat met het nakomen van de prognose. Toch biedt deze prognose een rationele basis voor productieplanning, persoonlijke planning en inkoop van grondstoffen. Het is dus veel beter dan gissen.

Het tweede niveau

Het tweede niveau houdt expliciet rekening met de voorspelde onzekerheid. Figuur 2 toont een inspanning van het tweede niveau, bekend als een "percentielprognose".

Nu zien we een expliciete indicatie van voorspelde onzekerheid. De cyaankleurige lijn boven de groene prognoselijn vertegenwoordigt het verwachte 90e percentiel van de maandelijkse vraag. Dat wil zeggen, de vraag in elke toekomstige maand heeft een kans van 90% om op of onder de cyaanlijn te vallen. Anders gezegd, er is een kans van 10% dat de vraag elke maand de cyaanlijn overschrijdt.

Deze analyse is veel nuttiger omdat het risicobeheer ondersteunt. Als het belangrijk is om voldoende aanvoer van dit artikel te verzekeren, dan is het logisch om te produceren tot het 90e percentiel in plaats van tot de verwachte prognose. Het is tenslotte een gok of de verwachte voorspelling zal resulteren in voldoende productie om aan de maandelijkse vraag te voldoen. Deze prognose op het tweede niveau is in feite een ruwe vervanging van een zorgvuldig voorraadbeheerproces.

Afbeelding 2. Een percentielprognose, waarbij de cyaankleurige lijn het 90e percentiel van de maandelijkse vraag schat.

Gaat helemaal naar het derde niveau

Best practice is het derde niveau, dat vraagplanning gebruikt als basis voor het voltooien van een tweede taak: expliciete voorraadoptimalisatie. Figuur 3 toont de fundamentele plot voor het efficiënte beheer van ons eindproduct, ervan uitgaande dat het een productietijd van 1 maand heeft.

Afbeelding 3 toont het gebruik van probabilistische prognoses en hoeveel afname van de voorraad gereed product kan plaatsvinden gedurende een productietijd van een maand. De onzekerheid in de vraag komt tot uiting in de spreiding van de mogelijke vraag, van een dieptepunt van 0 tot een maximum van 35, waarbij 15 eenheden de meest waarschijnlijke waarde is. De verticale rode lijn bij 22 geeft het "bestelpunt" (of "min" of "triggerwaarde") aan dat overeenkomt met het behouden van de kans op voorraad in afwachting van aanvulling tot een lage 5%. Wanneer de voorraad daalt tot 22 of lager, is het tijd om meer te bestellen. Het derde niveau maakt gebruik van probabilistische vraagprognoses met volledige blootstelling aan prognoseonzekerheid om de voorraad van het eindproduct efficiënt te beheren.

Opsommen

Het voorspellen van de meest waarschijnlijke vraag naar een artikel is een nuttige eerste stap. Het brengt je halverwege waar je wilt zijn. Maar het biedt een onvolledige gids voor planning, omdat het de volatiliteit van de vraag en de verwachte onzekerheid die het creëert, negeert. Door een buffer aan de vraagprognose toe te voegen, komt u verder, omdat het risico wordt verkleind dat een sprong in de vraag u een tekort aan product zal opleveren. Dit kussen kan worden berekend door middel van probabilistische prognosebenaderingen die een hoog percentage van de verdeling van de toekomstige vraag voorspellen. En als u nog een stap verder wilt gaan, kunt u prognoses van de vraagverdeling over een doorlooptijd invoeren om bestelpunten (minuten) te berekenen om ervoor te zorgen dat u een acceptabel laag risico op voorraaduitval heeft.

Gezien wat moderne prognosetechnologie voor u kan doen, waarom zou u halverwege uw doel willen stoppen?