Waarom dagen van bevoorradingsdoelen niet werken bij het berekenen van veiligheidsvoorraden

Waarom dagen van bevoorradingsdoelen niet werken bij het berekenen van veiligheidsvoorraden

CFO's vertellen ons dat ze minder aan voorraad moeten uitgeven zonder de verkoop te beïnvloeden. Een manier om dat te doen is om af te stappen van het gebruik van een gerichte leveringsdag om bestelpunten en veiligheidsvoorraadbuffers te bepalen. Hier is hoe een bevoorradingsdagenmodel werkt:

  1. Bereken de gemiddelde vraag per dag en vermenigvuldig de vraag per dag met de doorlooptijd van de leverancier in dagen om de doorlooptijdvraag te krijgen
  2. Kies een dagen voorraadbuffer (dwz 15, 30, 45 dagen, enz.). Gebruik grotere buffers voor belangrijkere items en kleinere buffers voor minder belangrijke items.
  3. Voeg de gewenste dagen aan voorraadbuffer toe aan de vraag over de doorlooptijd om het bestelpunt te krijgen. Bestel meer als de voorhanden voorraad onder het bestelpunt daalt

Dit is wat er mis is met deze benadering:

  1. Het gemiddelde houdt geen rekening met seizoensinvloeden en trends – u zult duidelijke patronen missen, tenzij u er veel tijd aan besteedt om deze handmatig aan te passen.
  2. Het gemiddelde houdt geen rekening met hoe voorspelbaar een artikel is - u zult voorspelbare artikelen te veel in voorraad hebben en minder voorspelbare artikelen. Dit komt omdat dezelfde leveringsdagen voor verschillende artikelen een heel ander voorraadrisico opleveren.
  3. Het gemiddelde vertelt een planner niet hoe het voorraadrisico wordt beïnvloed door het voorraadniveau - u hebt geen idee of u ondervoorraad, overbevoorrading of net genoeg hebt. Je plant in wezen met oogkleppen op.

Er zijn veel andere "vuistregel"-benaderingen die even problematisch zijn. Hierin kunt u meer over hen te weten komen na

Een betere manier om de juiste hoeveelheid veiligheidsvoorraad te plannen, is gebruik te maken van waarschijnlijkheidsmodellen die precies aangeven hoeveel voorraad nodig is gezien het risico van voorraad die u bereid bent te accepteren. Hieronder ziet u een screenshot van Smart Inventory Optimization die precies dat doet. Ten eerste beschrijft het de voorspelde serviceniveaus (waarschijnlijkheid van niet bevoorraden) in verband met de huidige dagen van leveringslogica. De planner kan nu de onderdelen zien waar het voorspelde serviceniveau te laag of te duur is. Ze kunnen dan onmiddellijke correcties aanbrengen door zich te richten op de gewenste serviceniveaus en het niveau van voorraadinvesteringen. Zonder deze informatie zal een planner niet weten of de beoogde dagen veiligheidsvoorraad te veel, te weinig of precies goed zijn, wat resulteert in overvoorraden en tekorten die marktaandeel en inkomsten kosten. 

Veiligheidsvoorraden berekenen 2

 

Voorraad beheren te midden van regimeverandering

Als je de uitdrukking "regimeverandering" op het nieuws hoort, denk je meteen aan een beladen geopolitieke gebeurtenis. Statistici gebruiken de uitdrukking anders, op een manier die van groot belang is voor vraagplanning en voorraadoptimalisatie. Deze blog gaat over “regime change” in statistische zin, dat wil zeggen een grote verandering in het karakter van de vraag naar een voorraadartikel.

De vraaggeschiedenis van een artikel is de brandstof die de prognosemachines van vraagplanners aandrijft. Over het algemeen geldt: hoe meer brandstof, hoe beter, waardoor we een betere oplossing hebben voor het gemiddelde niveau, de volatiliteit, de grootte en frequentie van eventuele pieken, de vorm van elk seizoenspatroon en de grootte en richting van elke trend.

Maar er is één grote uitzondering op de regel dat "meer gegevens betere gegevens zijn." Als er een grote verschuiving in uw wereld plaatsvindt en de nieuwe vraag lijkt niet op de oude vraag, dan worden oude gegevens gevaarlijk.

Moderne software kan nauwkeurige prognoses maken van de vraag naar artikelen en verstandige keuzes voorstellen voor voorraadparameters zoals bestelpunten en bestelhoeveelheden. Maar de geldigheid van deze berekeningen hangt af van de relevantie van de gegevens die in hun berekening worden gebruikt. Oude gegevens van een oud regime weerspiegelen niet langer de huidige realiteit, dus door ze in berekeningen op te nemen, ontstaan voorspellingsfouten voor vraagplanners en ofwel overtollige voorraad of onaanvaardbare stockout-percentages voor voorraadplanners.

Dat gezegd hebbende, als je een recente regimewisseling zou doorstaan en de verouderde gegevens zou weggooien, zou je veel minder gegevens hebben om mee te werken. Dit heeft zijn eigen kosten, omdat alle schattingen die op basis van de gegevens worden berekend een grotere statistische onzekerheid zouden hebben, ook al zouden ze minder vertekend zijn. In dit geval zouden uw berekeningen meer moeten steunen op een combinatie van statistische analyse en uw eigen deskundig oordeel.

Op dit punt kunt u zich afvragen: "Hoe kan ik weten of en wanneer er een regimewisseling heeft plaatsgevonden?" Als je al een tijdje aan het werk bent en je je op je gemak voelt bij het bekijken van tijdschema's van de vraag naar items, zul je over het algemeen regimeverandering herkennen wanneer je het ziet, tenminste als het niet te subtiel is. Afbeelding 1 toont enkele praktijkvoorbeelden die voor de hand liggen.

Figuur 1 Vier voorbeelden van regimeverandering in de reële vraag naar artikelen

Afbeelding 1: Vier voorbeelden van regimeverandering in de vraag naar artikelen in de echte wereld

 

Helaas kunnen minder voor de hand liggende veranderingen toch significante effecten hebben. Bovendien hebben de meeste van onze klanten het te druk om alle items die ze beheren zelfs maar één keer per kwartaal handmatig te controleren. Als je bijvoorbeeld 100 items overschrijdt, wordt het een zware taak om al die tijdreeksen te bekijken. Gelukkig kan software goed de vraag naar tienduizenden items monitoren en u waarschuwen voor items die mogelijk uw aandacht nodig hebben. Ook dan kunt u ervoor zorgen dat de software niet alleen regimeverandering detecteert, maar ook automatisch alle gegevens uitsluit die zijn verzameld vóór de meest recente regimeverandering, indien van toepassing. Met andere woorden, u kunt zowel automatische waarschuwing voor regimeverandering als automatische bescherming tegen regimeverandering krijgen.

Zie onze vorige blog over dit onderwerp voor meer informatie over de basisprincipes van regimeverandering: https://smartcorp.com/blog/demandplanningregimechange/  

 

Een voorbeeld met getallen erin

Als u meer wilt weten, lees dan verder om een numeriek voorbeeld te zien van hoeveel regimeverandering de berekening van een bestelpunt voor een kritisch reserveonderdeel kan veranderen. Hier is een scenario om het punt te illustreren.

Scenario

  • Doel: bereken het bestelpunt dat nodig is om het risico van voorraadtekort te beheersen tijdens het wachten op aanvulling. Neem aan dat het beoogde voorraadrisico 5% is.
  • Stel dat het artikel een intermitterende dagelijkse vraag heeft, met vele dagen zonder vraag.
  • Stel dat de dagelijkse vraag een Poisson-verdeling heeft met een gemiddelde van 1,0 eenheden per dag.
  • Stel dat de doorlooptijd van de aanvulling altijd 30 dagen is.
  • De doorlooptijdvraag zal willekeurig zijn, dus het heeft een kansverdeling en het bestelpunt is de 95e percentiel van de verdeling.
  • Neem aan dat het effect van regimewisseling is dat de gemiddelde dagelijkse vraag wordt verhoogd of verlaagd.
  • Neem aan dat er een jaar aan dagelijkse gegevens beschikbaar zijn voor het schatten van de gemiddelde dagelijkse vraag per eenheid.

 

Figuur 2 Voorbeeld van verandering in gemiddelde vraag en steekproef van willekeurige dagelijkse vraag

Figuur 2 Voorbeeld van verandering in gemiddelde vraag en steekproef van willekeurige dagelijkse vraag

 

Figuur 2 toont een vorm van dit scenario. Het bovenste paneel laat zien dat de gemiddelde dagelijkse vraag na 270 dagen stijgt van 1,0 naar 1,5. Het onderste paneel toont een manier waarop de dagelijkse vraag van een jaar kan verschijnen. (Op dit moment heb je misschien het gevoel dat het berekenen van al deze dingen ingewikkeld is, zelfs voor wat een vereenvoudigd scenario blijkt te zijn. Daarom hebben we software!)

Analyse

Succesvolle berekening van het juiste bestelpunt hangt af van wanneer regimeverandering plaatsvindt en hoe groot een verandering plaatsvindt. We simuleerden regimewisselingen van verschillende groottes op verschillende tijdstippen binnen een periode van 365 dagen. Rond een basisvraag van 1,0 eenheden per dag hebben we verschuivingen in de vraag ("shift") van ±25% en ±50% bestudeerd, evenals een referentiegeval zonder verandering. We hebben het tijdstip van de wijziging ("t.break") vastgesteld op 90, 180 en 270 dagen. In elk geval hebben we twee schattingen van het bestelpunt berekend: de "ideale" waarde gegeven perfecte kennis van de gemiddelde vraag in het nieuwe regime ("ROP.true"), en de geschatte waarde van de gemiddelde vraag berekend door de regimeverandering te negeren en het gebruik van alle vraaggegevens van het afgelopen jaar (“ROP.all”).

Tabel 1 toont de schattingen van het bestelpunt berekend over 100 simulaties. Het middelste blok is het referentiegeval, waarin er geen verandering is in de dagelijkse vraag, die vast blijft op 1 eenheid per dag. Het gekleurde blok onderaan is het meest extreem stijgende scenario, waarbij de vraag stijgt tot 1,5 eenheden/dag ofwel een derde, de helft of tweederde van het jaar.

Uit deze simulaties kunnen we verschillende conclusies trekken.

ROP.true: De juiste keuze voor bestelpunt neemt toe of af volgens de verandering in de gemiddelde vraag na de regimeverandering. De relatie is niet eenvoudig lineair: de tabel omvat een 600%-bereik van vraagniveaus (0,25 tot 1,50) maar een 467%-bereik van bestelpunten (van 12 tot 56).

ROP.all: Het negeren van de regimewisseling kan leiden tot grove overschattingen van het bestelpunt wanneer de vraag daalt en tot grove onderschattingen wanneer de vraag toeneemt. Zoals we zouden verwachten, hoe later de regimewisseling, hoe erger de fout. Als de vraag bijvoorbeeld twee derde van het jaar onopgemerkt stijgt van 1,0 naar 1,5 eenheden per dag, zou het berekende bestelpunt van 43 eenheden 13 eenheden minder zijn dan het zou moeten zijn.

Een woord van waarschuwing: Tabel 1 laat zien dat het baseren van de berekeningen van bestelpunten met alleen gegevens van na een regimewisseling meestal het juiste antwoord geeft. Wat het niet laat zien, is dat de schattingen onstabiel kunnen zijn als er na de wijziging zeer weinig vraaggeschiedenis is. Daarom moet je in de praktijk wachten met reageren op de regimewisseling totdat er een behoorlijk aantal waarnemingen is verzameld in het nieuwe regime. Dit kan betekenen dat u alle vraaggeschiedenis moet gebruiken, zowel vóór als na de wijziging, totdat bijvoorbeeld 60 of 90 dagen aan geschiedenis zijn verzameld voordat de gegevens vóór de wijziging worden genegeerd.

 

Tabel 1 Correcte en geschatte bestelpunten voor verschillende scenario's voor regimeverandering

Tabel 1 Correcte en geschatte bestelpunten voor verschillende scenario's voor regimeverandering

Vraagplanning met raamcontracten

Klant als leraar

Onze klanten zijn geweldige docenten die ons altijd hebben geholpen om de kloof te overbruggen tussen de leerboektheorie en de praktische toepassing van prognoses en vraagplanning. Ons laatste stukje scholing gaat over "algemene bestellingen" en hoe deze te verantwoorden als onderdeel van het vraagplanningsproces. 

Uitbreiding van het leerboek inventarisatietheorie

De leerboekinventarisatietheorie richt zich op de drie meest gebruikte aanvullingsbeleidslijnen: (1) Periodieke herziening order-up-to-beleid, aangeduid (T, S) in de boeken (2) Continu herzieningsbeleid met vaste bestelhoeveelheid, aangeduid (R, Q) en (3) beleid voor continue beoordeling van bestelling tot en met, aangeduid met (s, S) maar gewoonlijk "Min/Max" genoemd. Onze klanten hebben erop gewezen dat hun eigenlijke bestelproces vaak gepaard gaat met veelvuldig gebruik van "algemene bestellingen". Deze blog richt zich op het opnemen van raamcontracten in het vraagplanningsproces en beschrijft hoe de voorraaddoelen dienovereenkomstig kunnen worden aangepast.

Vraagplanning met raamcontracten is anders

Raamcontracten zijn contracten met leveranciers voor vaste aanvullingshoeveelheden die met vaste tussenpozen aankomen. U kunt bijvoorbeeld met uw leverancier overeenkomen om elke 7 dagen 20 eenheden te ontvangen via een algemene bestelling in plaats van 60 tot 90 eenheden elke 28 dagen volgens het beleid voor periodieke evaluatie. Raamcontracten contrasteren zelfs nog meer met het beleid voor continue beoordeling, waarbij zowel bestelschema's als bestelhoeveelheden willekeurig zijn. Over het algemeen is het efficiënt om flexibiliteit in te bouwen in het herbevoorradingsproces, zodat u alleen bestelt wat u nodig heeft en alleen bestelt wanneer u het nodig heeft. Volgens die norm zou Min/Max het meest logisch moeten zijn en algemeen beleid het minst logisch.

De zaak voor algemeen beleid

Hoewel efficiëntie belangrijk is, is het nooit de enige overweging. Een van onze klanten, laten we ze bedrijf X noemen, legde uit hoe aantrekkelijk algemene polissen in hun omstandigheden zijn. Bedrijf X maakt hoogwaardige onderdelen voor motorfietsen en ATV's. Ze veranderen ruw staal in coole dingen. Maar ze moeten omgaan met het staal. Staal is duur. Staal is omvangrijk en zwaar. Staal wordt niet van de ene op de andere dag op speciale bestelling gemaakt. De voorraadbeheerder van bedrijf X wil geen grote maar willekeurige bestellingen plaatsen op willekeurige tijdstippen. Hij wil niet op een berg van staal passen. Zijn leveranciers willen geen bestellingen voor willekeurige hoeveelheden op willekeurige tijdstippen ontvangen. En Bedrijf X geeft er de voorkeur aan zijn betalingen te spreiden. Het resultaat: algemene bestellingen.

De fatale fout in algemeen beleid

Voor Bedrijf X zijn raamcontracten bedoeld om de aankoop van aanvullingen gelijk te maken en om onpraktische stapels staal te voorkomen voordat ze klaar zijn voor gebruik. Maar de logica achter het voorraadbeleid voor continue beoordeling is nog steeds van toepassing. Pieken in de vraag, anders welkom, zullen optreden en kunnen leiden tot stockouts. Evenzo kunnen pauzes in de vraag een vraagoverschot creëren. Naarmate de tijd verstrijkt, wordt het duidelijk dat een algemeen beleid een fatale fout heeft: alleen als de raamorders exact overeenkomen met de gemiddelde vraag, kunnen ze op hol geslagen voorraad in beide richtingen, omhoog of omlaag, vermijden. In de praktijk zal het onmogelijk zijn om de gemiddelde vraag exact te matchen. Bovendien is de gemiddelde vraag een bewegend doel en kan deze stijgen of dalen.

Raamcontracten opnemen bij vraagplanning 

Een algemeen beleid heeft wel voordelen, maar rigiditeit is de achilleshiel. Vraagplanners zullen vaak improviseren door toekomstige bestellingen aan te passen om veranderingen in de vraag aan te kunnen, maar dit is niet schaalbaar voor duizenden artikelen. Om het voorraadaanvulbeleid robuust te maken tegen willekeur in de vraag, stellen we een hybride beleid voor dat begint met algemene bestellingen, maar de flexibiliteit behoudt om automatisch (niet handmatig) extra voorraad te bestellen wanneer dat nodig is. Door de algemene polis aan te vullen met een Min/Max back-up is het mogelijk om aanpassingen te doen zonder handmatige tussenkomst. Deze combinatie zal enkele van de voordelen van raamcontracten vastleggen, terwijl de klantenservice wordt beschermd en op hol geslagen voorraad wordt vermeden.

Het ontwerpen van een vraagplanningsproces dat rekening houdt met raamcontracten, vereist de keuze uit vier besturingsparameters. Twee parameters zijn de vaste omvang en vaste timing van de algemene polis. Twee andere zijn de waarden van Min en Max. Hierdoor wordt de voorraadbeheerder geconfronteerd met een vierdimensionaal optimalisatieprobleem. Geavanceerde voorraadoptimalisatiesoftware maakt het mogelijk om keuzes voor de waarden van de vier parameters te evalueren en om onderhandelingen met leveranciers te ondersteunen bij het opstellen van raamcontracten.

 

 

Voorraad optimaliseren rond de minimale bestelhoeveelheden van leveranciers

Onlangs had ik een interessant gesprek met een voorraadbeheerder en de VP Financiën. We bespraken de voordelen van het automatisch optimaliseren van zowel bestelpunten als bestelhoeveelheden. De VP Finance was bezorgd dat ze, gezien hun grote leverancier die minimale bestelhoeveelheden vereiste, er niet van zouden kunnen profiteren. Hij zei dat zijn leveranciers alle macht in handen hadden, hem dwongen enorme minimale bestelhoeveelheden te accepteren en zijn handen vastbinden. Hoewel hij zich hier rot over voelde, zag hij een zilveren randje: hij hoefde geen planning te maken. Hij zou een grote voorraadinvestering accepteren, maar zijn klantenserviceniveau zou uitzonderlijk zijn. Misschien werd aangenomen dat de grote voorraadinvestering de kosten van het zakendoen waren.

Ik duwde terug en wees erop dat hij niet zo machteloos was als hij zich voelde. Hij had nog steeds controle over de andere helft van het inkoopproces: hoewel hij niet kon bepalen hoeveel hij moest bestellen, kon hij wel bepalen wanneer hij moest bestellen door het bestelpunt aan te passen. Met andere woorden, er is altijd ruimte voor zorgvuldige kwantitatieve analyse in voorraadbeheer, zelfs als u één hand op de rug hebt gebonden.

Een voorbeeld

Om wat cijfers achter mijn argument te plaatsen, heb ik een scenario gemaakt en het vervolgens geanalyseerd met behulp van onze methodologie om te laten zien hoe consequent het kan zijn om software voor voorraadoptimalisatie te gebruiken, zelfs in krappe situaties. In dit scenario is de vraag naar artikelen gemiddeld 2,2 eenheden per dag, maar deze varieert aanzienlijk per dag van de week. Laten we zeggen dat de denkbeeldige leverancier aandringt op een minimale bestelhoeveelheid van 500 eenheden (ver buiten proportie met de vraag) en de aanvullingsorders in drie dagen of tien dagen in gelijke verhoudingen uitvoert (vrij inconsistent). Laten we, om de schuld te verspreiden, ook aannemen dat de denkbeeldige klant van de denkbeeldige leverancier een dwaze regel gebruikt dat het bestelpunt 10% van de minimale bestelhoeveelheid moet zijn. (Waarom deze regel? Te veel bedrijven gebruiken eenvoudige/simplistische vuistregels in plaats van een goede analyse.)

We hebben dus een basisscenario waarin de bestelhoeveelheid 500 eenheden is en het bestelpunt 50 eenheden is. In dit geval is het opvulpercentage 100%, maar het gemiddelde aantal beschikbare eenheden is maar liefst 330. Als de klant het bestelpunt eenvoudigweg zou verlagen van 50 naar 15, zou het opvulpercentage nog steeds 99,5% zijn, maar de gemiddelde voorraad bij de hand zou dalen met 11% tot 295 eenheden. Met de ene hand die niet op zijn rug gebonden was, kon de voorraadbeheerder zijn voorraadinvestering met meer dan 10% verminderen, wat een merkbare overwinning zou zijn.

Overigens, als de minimale bestelhoeveelheid zou worden afgeschaft, zou de klant vrij zijn om tot een nieuwe en veel betere oplossing te komen. Door de bestelhoeveelheid in te stellen op 45 en het bestelpunt op 25 zou een opvulpercentage van 99% worden bereikt ten koste van een dagelijks voorraadniveau van slechts 35 eenheden: bijna een 90%-reductie in voorraadinvestering: een belangrijke verbetering ten opzichte van de status-quo.

naschrift

Deze berekeningen zijn mogelijk met behulp van onze software, die de anders onbekende relaties tussen de ontwerpkeuzes van het voorraadsysteem (bijv. bestelhoeveelheid en bestelpunt) en belangrijke prestatie-indicatoren (bijv. gemiddelde beschikbare eenheden en opvulpercentage) zichtbaar kan maken. Gewapend met dit vermogen om deze berekeningen uit te voeren, kunnen nu alternatieve afspraken met de leverancier worden overwogen. Wat als de leverancier, in ruil voor het betalen van een hogere prijs per eenheid, bijvoorbeeld instemt met een lagere MOQ. Door de software te gebruiken om een analyse uit te voeren van de belangrijkste prestatie-indicatoren met behulp van de "wat als"-kosten en MOQ's, zouden de kosten per eenheid en MOQ worden onthuld die nodig zouden zijn om een meer winstgevende deal te ontwikkelen. Eenmaal geïdentificeerd, hebben alle partijen er baat bij. De leverancier genereert nu een betere marge op de verkoop van zijn producten en de koper houdt aanzienlijk minder voorraad aan, wat leidt tot een verlaging van de holdingkosten die de toegevoegde kosten per eenheid in de schaduw stelt. Iedereen wint.

 

 

Het perspectief van een CFO op vraagplanning: "strategischer dan u denkt"

De slimme voorspeller

Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Bud Schultz, CPA, Vice President of Finance voor NKK Switches, presenteerde de ervaring van zijn bedrijf met vraagplanning tijdens een recent webinar. Het volgende is een korte samenvatting van de belangrijkste punten van Bud; bekijk het volledige webinar door te klikken hier.

Vraag: Vertel ons over de zakelijke en vraagplanningsuitdagingen van NKK.

NKK Switches, gevestigd in Scottsdale, Arizona, is een toonaangevende fabrikant en leverancier van elektromechanische schakelaars. Het bedrijf omvat veel verschillende soorten schakelaars: schakelaars, drukknoppen, draaiknoppen en zelfs sommige programmeerbare soorten schakelaars. We staan bekend om onze hoge kwaliteit en om ons vermogen om te voldoen aan een uitzonderlijk breed scala aan klanteisen op een turnkey (custom configuratie) basis. NKK Switches produceert op maat gemaakte oplossingen van onderdelen die uitsluitend afkomstig zijn van productiefaciliteiten in Japan en China.

Er zijn letterlijk miljoenen mogelijke switchconfiguraties en we weten nooit welke geconfigureerde oplossingen onze klanten zullen bestellen. Dit maakt onze vraag zeer intermitterend en buitengewoon moeilijk te voorspellen. Sterker nog, tot voor kort beschouwden we onze vraag als onvoorspelbaar. We werkten op basis van build-to-order, wat betekende dat bestellingen van klanten pas konden worden uitgevoerd als hun onderdelen waren geproduceerd en vervolgens door NKK tot eindproducten waren verwerkt. Dit resulteerde in lange doorlooptijden, pijnlijk voor onze klanten en een competitieve uitdaging voor onze verkooporganisatie.

Vraag: Wat verwachtte u van een verbeterd product? eis voorspelling?

Toen we begonnen met het onderzoeken van de waarde van vraagvoorspellingssoftware (SmartForecasts van Smart Software), probeerden we de beslissing te bekijken vanuit het oogpunt van Return on Investment (ROI). We hebben wat kapitaalbudgettering gedaan, aannames gedaan over mogelijke verlagingen van voorraadniveaus, lagere voorraadkosten en andere potentiële besparingen. Hoewel de kapitaalbudgetten een positief investeringsrendement opleverden, konden we op basis van die informatie niet verder. We hadden geen vertrouwen in onze aannames en waren bang dat we de veiligheidsvoorraad en voorraadniveaus die de software zou suggereren niet zouden kunnen rechtvaardigen.

Wat we niet hadden verwacht, was een uitdaging van ons moederbedrijf. In het licht van de mogelijkheden van een nieuw geïmplementeerd ERP-systeem, zouden ze een nieuwe aanpak overwegen. Als we aantoonbaar betrouwbare vraagprognoses zouden kunnen maken, zouden ze overwegen om grondstoffen in te kopen en schakelcomponenten te produceren op basis van build-to-forecast in plaats van build-to-order. Dit opende de deur naar een veel diepere impact. We hebben de werkelijke cijfers gedurende een periode van twaalf maanden afgezet tegen de prognoses en ontdekten dat onze prognoses, met name in totaal, uitzonderlijk nauwkeurig waren: de werkelijke vraag lag binnen 3% van de prognose. Toen we eenmaal de geldigheid van onze prognoses konden bewijzen, konden we doorgaan met het plan van het moederbedrijf om producten te vervaardigen op basis van die prognoses.

V: Hoe hebben nauwkeurige prognoses van productlijnen met intermitterende vraaggegevens de activiteiten van NKK getransformeerd?

Van de vele verschillende combinaties die we op bestelling produceren, kunnen afzonderlijke onderdelen van schakelaars een zeer intermitterende vraag vertonen (lange periodes met nul bestellingen en dan schijnbaar willekeurige pieken), maar we kunnen meer consistente patronen in schakelaarreeksen identificeren. Alle onderdeelnummers in een bepaalde serie hebben gemeenschappelijke componenten en grondstoffen, zoals plastic behuizing, beugels en andere hardware, goud, zilver en LED's.

Door onze productiefaciliteiten te voorzien van betrouwbare prognoses, konden we ingrijpende veranderingen doorvoeren. Onze fabrieken zouden kunnen beginnen met het inkopen van grondstoffen die in totaal uiteindelijk zouden worden gebruikt bij de productie van verschillende onderdeelnummers binnen die serie, zelfs als de specifieke te produceren onderdeelnummers onbekend waren op het moment dat de prognoses werden gemaakt. En in veel gevallen was het, ondanks de onregelmatige vraaggeschiedenisgegevens, voor de leveranciers zelfs mogelijk om specifieke onderdeelnummers te produceren op basis van de prognose.

Zodra het programma volledig is geïmplementeerd, verwachten we dat onze doorlooptijden zullen worden teruggebracht tot de helft van de tijd of zelfs minder. Kortere doorlooptijden zullen resulteren in lagere bestelpunten, resulterend in hogere serviceniveaus terwijl we onze voorraadvereisten verminderen.

Bud Schultz leidt alle financiële en boekhoudkundige functies bij NKK. Zijn achtergrond als Certified Public Accountant, advocaat, ingenieur en piloot voor de Amerikaanse luchtmacht biedt een uniek perspectief op financiën voor technische en productieactiviteiten.

Laat een reactie achter

gerelateerde berichten

Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebben

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.

De voorspelling is belangrijk, maar misschien niet zoals u denkt

De voorspelling is belangrijk, maar misschien niet zoals u denkt

Waar of niet waar: de prognose is niet van belang voor het voorraadbeheer van reserveonderdelen. Op het eerste gezicht lijkt deze verklaring duidelijk onjuist. Prognoses zijn immers cruciaal voor het plannen van de voorraadniveaus, toch? Het hangt ervan af wat je onder ‘voorspelling’ verstaat. Als u een ouderwetse prognose met één cijfer bedoelt (“de vraag naar artikel CX218b zal volgende week 3 eenheden bedragen en de week erna 6 eenheden”), dan nee. Als je de betekenis van voorspelling verruimt tot een kansverdeling die rekening houdt met onzekerheden in zowel vraag als aanbod, dan ja.

Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad

Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad

Geven MRO-bedrijven echt prioriteit aan het verminderen van de overtollige voorraad reserveonderdelen? Vanuit organisatorisch oogpunt blijkt uit onze ervaring dat dit niet noodzakelijk het geval is. Discussies in de bestuurskamer gaan doorgaans over het uitbreiden van wagenparken, het verwerven van nieuwe klanten, het voldoen aan Service Level Agreements (SLA's), het moderniseren van de infrastructuur en het maximaliseren van de uptime. In bedrijfstakken waar activa die worden ondersteund door reserveonderdelen honderden miljoenen kosten of aanzienlijke inkomsten genereren (bijvoorbeeld de mijnbouw of de olie- en gassector), doet de waarde van de voorraad nauwelijks de wenkbrauwen fronsen en hebben organisaties de neiging grote hoeveelheden buitensporige voorraden over het hoofd te zien.

recente berichten

  • Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatieOnzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie
    In this blog, we will discuss today's fast-paced and unpredictable market and the constant challenges businesses face in managing their inventory and service levels efficiently. The main subject of this discussion, rooted in the concept of "Probabilistic Inventory Optimization," focuses on how modern technology can be leveraged to achieve optimal service and inventory targets amidst uncertainty. This approach not only addresses traditional inventory management issues but also offers a strategic edge in navigating the complexities of demand fluctuations and supply chain disruptions. […]
  • Dagelijkse vraagscenario's Smart 2Dagelijkse 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. […]
  • De kosten als u niets doet met uw voorraadplanningssystemenDe 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. […]
  • Leren van voorraadmodellen Software AILeren van voorraadmodellen
    In deze videoblog wordt een cruciaal aspect van voorraadbeheer in de schijnwerpers gezet: de analyse en interpretatie van voorraadgegevens. De focus ligt specifiek op een dataset van een openbaar vervoersbedrijf met details over reserveonderdelen voor bussen. […]
  • De methoden voor het voorspellen van softwareDe methoden voor voorspelling
    Software voor vraagplanning en statistische prognoses speelt een cruciale rol in effectief bedrijfsbeheer door functies te integreren die de nauwkeurigheid van prognoses aanzienlijk verbeteren. Een belangrijk aspect is het gebruik van op afvlakking gebaseerde of extrapolatieve modellen, waardoor bedrijven snel voorspellingen kunnen doen die uitsluitend op historische gegevens zijn gebaseerd. Deze basis, geworteld in prestaties uit het verleden, is cruciaal voor het begrijpen van trends en patronen, vooral in variabelen zoals verkoop of productvraag. Voorspellingssoftware gaat verder dan louter data-analyse door de combinatie van professioneel oordeel met statistische voorspellingen mogelijk te maken, waarbij wordt erkend dat prognoses geen one-size-fits-all-proces zijn. Deze flexibiliteit stelt bedrijven in staat menselijke inzichten en sectorkennis in het voorspellingsmodel op te nemen, waardoor een genuanceerdere en nauwkeurigere voorspelling wordt gegarandeerd. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebbenWaarom 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. […]
    • Vraag naar reserveonderdelen voorspellen-een-ander-perspectief-voor-planning-service-onderdelenDe voorspelling is belangrijk, maar misschien niet zoals u denkt
      Waar of niet waar: de prognose is niet van belang voor het voorraadbeheer van reserveonderdelen. Op het eerste gezicht lijkt deze verklaring duidelijk onjuist. Prognoses zijn immers cruciaal voor het plannen van de voorraadniveaus, toch? Het hangt ervan af wat je onder ‘voorspelling’ verstaat. Als u een ouderwetse prognose met één cijfer bedoelt (“de vraag naar artikel CX218b zal volgende week 3 eenheden bedragen en de week erna 6 eenheden”), dan nee. Als je de betekenis van voorspelling verruimt tot een kansverdeling die rekening houdt met onzekerheden in zowel vraag als aanbod, dan ja. […]
    • Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraadWaarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad
      Geven MRO-bedrijven echt prioriteit aan het verminderen van de overtollige voorraad reserveonderdelen? Vanuit organisatorisch oogpunt blijkt uit onze ervaring dat dit niet noodzakelijk het geval is. Discussies in de bestuurskamer gaan doorgaans over het uitbreiden van wagenparken, het verwerven van nieuwe klanten, het voldoen aan Service Level Agreements (SLA's), het moderniseren van de infrastructuur en het maximaliseren van de uptime. In bedrijfstakken waar activa die worden ondersteund door reserveonderdelen honderden miljoenen kosten of aanzienlijke inkomsten genereren (bijvoorbeeld de mijnbouw of de olie- en gassector), doet de waarde van de voorraad nauwelijks de wenkbrauwen fronsen en hebben organisaties de neiging grote hoeveelheden buitensporige voorraden over het hoofd te zien. […]
    • Belangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelenBelangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelen
      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. […]