Leren van voorraadmodellen

In deze videoblog onderzoeken we de integrale rol die voorraadmodellen spelen bij het vormgeven van de besluitvormingsprocessen van professionals in verschillende sectoren. Deze modellen, of het nu tastbare computersimulaties zijn of immateriële mentale constructies, dienen als cruciale hulpmiddelen bij het beheersen van de complexiteit van moderne zakelijke omgevingen. De discussie begint met een overzicht van hoe deze modellen worden gebruikt om resultaten te voorspellen en activiteiten te stroomlijnen, waarbij de relevantie ervan in een voortdurend evoluerend marktlandschap wordt benadrukt.

De discussie onderzoekt verder hoe verschillende modellen strategische besluitvormingsprocessen duidelijk beïnvloeden. De mentale modellen die professionals door ervaring ontwikkelen, vormen bijvoorbeeld vaak een leidraad voor de eerste reacties op operationele uitdagingen. Deze modellen zijn subjectief en opgebouwd op basis van persoonlijke inzichten en ervaringen uit het verleden met vergelijkbare situaties, waardoor snelle, intuïtieve besluitvorming mogelijk is. Aan de andere kant bieden computergebaseerde modellen een objectiever raamwerk. Ze gebruiken historische gegevens en algoritmische berekeningen om toekomstige scenario's te voorspellen en bieden zo een kwantitatieve basis voor beslissingen waarbij rekening moet worden gehouden met meerdere variabelen en mogelijke uitkomsten. In dit gedeelte worden specifieke voorbeelden belicht, zoals de impact van het aanpassen van bestelhoeveelheden op voorraadkosten en bestelfrequentie of de effecten van fluctuerende doorlooptijden op serviceniveaus en klanttevredenheid.

Concluderend: terwijl mentale modellen een raamwerk bieden dat is gebaseerd op ervaring en intuïtie, bieden computermodellen een gedetailleerder en getalsmatig perspectief. Het combineren van beide typen modellen zorgt voor een robuuster besluitvormingsproces, waarbij theoretische kennis in evenwicht wordt gebracht met praktische ervaring. Deze aanpak vergroot het inzicht in de voorraaddynamiek en geeft professionals de tools in handen om zich effectief aan veranderingen aan te passen, waardoor duurzaamheid en concurrentievermogen op hun respectieve vakgebieden worden gewaarborgd.

 

 

De 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.

Functies zoals het voorspellen van meerdere artikelen als groep, het rekening houden met promotiegestuurde vraag en het omgaan met intermitterende vraagpatronen zijn essentiële mogelijkheden voor bedrijven die te maken hebben met uiteenlopende productportfolio's en dynamische marktomstandigheden. Een juiste implementatie van deze toepassingen geeft bedrijven de beschikking over veelzijdige prognosetools, die aanzienlijk bijdragen aan geïnformeerde besluitvorming en operationele efficiëntie.

Extrapolatieve modellen

Onze oplossingen voor vraagvoorspelling ondersteunen een verscheidenheid aan voorspellingsbenaderingen, waaronder extrapolatieve of op afvlakking gebaseerde voorspellingsmodellen, zoals exponentiële afvlakking en voortschrijdende gemiddelden. De filosofie achter deze modellen is eenvoudig: ze proberen zich herhalende patronen in de historische gegevens te detecteren, kwantificeren en in de toekomst te projecteren.

  Er zijn twee soorten patronen die in de historische gegevens kunnen worden aangetroffen:

  • Trend
  • Seizoensgebondenheid

Deze patronen worden in de volgende afbeelding geïllustreerd, samen met willekeurige gegevens.

De methoden voor voorspelling

 

Ter illustratie van trend-, seizoens- en willekeurige tijdreeksgegevens

Als het patroon een trend is, schatten extrapolatieve modellen zoals dubbele exponentiële afvlakking en lineair voortschrijdend gemiddelde het tempo van de stijging of daling van het niveau van de variabele en projecteren dat tempo naar de toekomst.

Als het patroon seizoensgebonden is, schatten modellen zoals Winters en drievoudige exponentiële afvlakking seizoensvermenigvuldigers of seizoensgebonden optellingsfactoren en passen deze vervolgens toe op projecties van het niet-seizoensgebonden deel van de gegevens.

Heel vaak, vooral bij gegevens over detailhandelsverkopen, zijn zowel trend- als seizoenspatronen betrokken. Als deze patronen stabiel zijn, kunnen ze worden benut om zeer nauwkeurige voorspellingen te doen.

Soms zijn er echter geen duidelijke patronen, zodat de plots van de gegevens op willekeurige ruis lijken. Soms zijn patronen duidelijk zichtbaar, maar ze veranderen in de loop van de tijd en er kan niet op worden vertrouwd dat ze zich herhalen. In deze gevallen proberen de extrapolatieve modellen geen patronen te kwantificeren en te projecteren. In plaats daarvan proberen ze de ruis te middelen en goede schattingen te maken van het midden van de verdeling van gegevenswaarden. Deze typische waarden worden dan de voorspellingen. Wanneer gebruikers een historisch plot met veel ups en downs zien, maken ze zich soms zorgen omdat de voorspelling deze ups en downs niet repliceert. Normaal gesproken hoeft dit geen reden tot bezorgdheid te zijn. Dit gebeurt wanneer de historische patronen niet sterk genoeg zijn om het gebruik van een voorspellingsmethode te rechtvaardigen die het patroon repliceert. U wilt er zeker van zijn dat uw prognoses niet lijden onder het “wiebeleffect” dat hierin wordt beschreven blogpost.

Het verleden als voorspeller van de toekomst

De belangrijkste aanname die inherent is aan extrapolatieve modellen is dat het verleden een goede leidraad is voor de toekomst. Deze veronderstelling kan echter mislukken. Sommige historische gegevens kunnen verouderd zijn. De gegevens kunnen bijvoorbeeld een bedrijfsomgeving beschrijven die niet meer bestaat. Of de wereld die het model vertegenwoordigt, kan binnenkort veranderen, waardoor alle gegevens overbodig worden. Vanwege dergelijke complicerende factoren zijn de risico's van extrapolatieve voorspellingen kleiner als er slechts korte tijd in de toekomst wordt voorspeld.

Extrapolatieve modellen hebben het praktische voordeel dat ze goedkoop zijn en gemakkelijk te bouwen, te onderhouden en te gebruiken. Ze vereisen alleen nauwkeurige registraties van waarden uit het verleden van de variabelen die u moet voorspellen. Naarmate de tijd verstrijkt, voegt u eenvoudigweg de nieuwste gegevenspunten toe aan de tijdreeks en maakt u een nieuwe voorspelling. De hieronder beschreven causale modellen vereisen daarentegen meer denkwerk en meer gegevens. De eenvoud van extrapolatieve modellen wordt het meest op prijs gesteld als u met een enorm voorspellingsprobleem kampt, zoals het maken van nachtelijke prognoses van de vraag naar alle 30.000 artikelen die in een magazijn op voorraad zijn.

Oordelende aanpassingen

Extrapolatieve modellen kunnen met Demand Planner volledig automatisch worden uitgevoerd, zonder dat tussenkomst vereist is. Causale modellen vereisen inhoudelijk oordeel voor een verstandige selectie van onafhankelijke variabelen. Beide soorten statistische modellen kunnen echter worden verbeterd door oordelende aanpassingen. Beiden kunnen profiteren van uw inzichten.

Zowel causale als extrapolatieve modellen zijn gebaseerd op historische gegevens. Het is echter mogelijk dat u over aanvullende informatie beschikt die niet wordt weerspiegeld in de cijfers in het historische record. U weet bijvoorbeeld misschien dat de concurrentieomstandigheden binnenkort zullen veranderen, misschien als gevolg van prijskortingen of trends in de sector, of de opkomst van nieuwe concurrenten, of de aankondiging van een nieuwe generatie van uw eigen producten. Als deze gebeurtenissen plaatsvinden tijdens de periode waarvoor u voorspellingen doet, kunnen ze de nauwkeurigheid van puur statistische voorspellingen aantasten. Met de grafische aanpassingsfunctie van Smart Demand Planner kunt u deze extra factoren in uw prognoses opnemen via het proces van grafische aanpassing op het scherm.

Houd er rekening mee dat het toepassen van gebruikersaanpassingen op de prognose een tweesnijdend zwaard is. Als het op de juiste manier wordt gebruikt, kan het de nauwkeurigheid van voorspellingen verbeteren door gebruik te maken van een rijkere reeks informatie. Als het promiscue wordt gebruikt, kan het extra ruis aan het proces toevoegen en de nauwkeurigheid verminderen. Wij raden u aan spaarzaam om te gaan met oordelende aanpassingen, maar nooit blindelings de voorspellingen van een puur statistische voorspellingsmethode te aanvaarden. Het is ook erg belangrijk om de verwachte toegevoegde waarde te meten. Dat wil zeggen de waarde die door elke incrementele stap aan het prognoseproces wordt toegevoegd. Als u bijvoorbeeld aanpassingen toepast op basis van bedrijfskennis, is het belangrijk om te meten of deze aanpassingen waarde toevoegen door de nauwkeurigheid van de prognoses te verbeteren. Smart Demand Planner ondersteunt het meten van de verwachte toegevoegde waarde door elke overwogen prognose bij te houden en de nauwkeurigheidsrapporten van de prognoses te automatiseren. U kunt statistische prognoses selecteren, de fouten ervan meten en deze vergelijken met de overschreven voorspellingen. Door dit te doen informeert u het prognoseproces, zodat in de toekomst betere beslissingen kunnen worden genomen. 

Voorspellingen op meerdere niveaus

Een andere veel voorkomende situatie betreft prognoses op meerdere niveaus, waarbij er meerdere items als groep worden voorspeld of er zelfs meerdere groepen kunnen zijn, waarbij elke groep meerdere items bevat. We zullen dit soort prognoses over het algemeen Multilevel Forecasting noemen. Het belangrijkste voorbeeld is de productlijnprognose, waarbij elk artikel lid is van een artikelfamilie en het totaal van alle artikelen in de familie een betekenisvolle hoeveelheid is.

U heeft bijvoorbeeld, zoals in de volgende afbeelding, mogelijk een lijn tractoren en u wilt verkoopprognoses voor elk type tractor en voor de gehele tractorlijn.

De methoden voor het voorspellen 2

Ter illustratie van productprognoses op meerdere niveaus

 Smart Demand Planner biedt roll-up/roll-down-prognoses. Deze functie is cruciaal voor het verkrijgen van uitgebreide prognoses van alle productartikelen en hun groepstotaal. De Roll Down/Roll Up-methode binnen deze functie biedt twee opties voor het verkrijgen van deze prognoses:

Samenvatten (Bottom-Up): Deze optie voorspelt in eerste instantie elk item afzonderlijk en voegt vervolgens de prognoses op itemniveau samen om een prognose op familieniveau te genereren.

Roll-down (van boven naar beneden): Als alternatief begint de roll-down-optie met het vormen van het historische totaal op familieniveau, voorspelt het en wijst het totaal vervolgens proportioneel toe tot op itemniveau.

Wanneer u Roll Down/Roll Up gebruikt, heeft u toegang tot het volledige scala aan prognosemethoden van Smart Demand Planner, zowel op artikel- als op familieniveau. Dit zorgt voor flexibiliteit en nauwkeurigheid bij het voorspellen, waarbij wordt voldaan aan de specifieke behoeften van uw bedrijf op verschillende hiërarchische niveaus.

Onderzoek naar prognoses heeft geen duidelijke voorwaarden geschapen die de voorkeur geven aan een top-down- of bottom-up-benadering van prognoses. De bottom-up benadering lijkt echter de voorkeur te hebben als de geschiedenis van items stabiel is en de nadruk ligt op de trends en seizoenspatronen van de individuele items. Top-down is normaal gesproken een betere keuze als sommige items een zeer luidruchtige geschiedenis hebben of als de nadruk ligt op prognoses op groepsniveau. Omdat Smart Demand Planner het snel en gemakkelijk maakt om zowel een bottom-up als een top-down benadering te proberen, moet u beide methoden proberen en de resultaten vergelijken. U kunt de functie 'Hold back on Current' van Smart Demand Planner in 'Prognose vs. Actueel' gebruiken om beide benaderingen op uw eigen gegevens te testen en te zien welke een nauwkeurigere voorspelling voor uw bedrijf oplevert. 

 

Op zoek naar problemen met uw voorraadgegevens

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. Met meer dan 13.700 geregistreerde onderdelen bieden de gegevens een uitstekende gelegenheid om in de complexiteit van voorraadoperaties te duiken en verbeterpunten te identificeren.

Het begrijpen en aanpakken van afwijkingen in inventarisgegevens is om verschillende redenen belangrijk. Het zorgt niet alleen voor een efficiënte werking van voorraadsystemen, maar minimaliseert ook de kosten en verbetert de servicekwaliteit. Deze videoblog onderzoekt vier fundamentele regels van voorraadbeheer en laat aan de hand van praktijkgegevens zien hoe afwijkingen van deze regels onderliggende problemen kunnen signaleren. Door aspecten als artikelkosten, doorlooptijden, voorhanden en in bestelling zijnde eenheden en de parameters die het aanvulbeleid sturen te onderzoeken, biedt de video een uitgebreid overzicht van de potentiële uitdagingen en inefficiënties die op de loer liggen in voorraadgegevens. 

We benadrukken het belang van regelmatige analyse van voorraadgegevens en hoe een dergelijke analyse kan dienen als een krachtig hulpmiddel voor voorraadbeheerders, waardoor ze problemen kunnen detecteren en corrigeren voordat ze escaleren. Het vertrouwen op verouderde benaderingen kan tot onnauwkeurigheden leiden, resulterend in overtollige voorraden of onvervulde klantverwachtingen, wat op zijn beurt aanzienlijke financiële gevolgen en inefficiënties in de bedrijfsvoering kan veroorzaken.

Door een gedetailleerd onderzoek van de dataset van het openbaar vervoersbedrijf brengt de videoblog een duidelijke boodschap over: proactieve beoordeling van inventarisgegevens is essentieel voor het handhaven van een optimale voorraadoperatie, om ervoor te zorgen dat onderdelen beschikbaar zijn wanneer dat nodig is en om onnodige uitgaven te vermijden.

Door gebruik te maken van geavanceerde voorspellende analysetools zoals Smart Inventory Planning en Optimization kunt u uw voorraadgegevens onder controle houden. Smart IP&O geeft u op elk moment beslissende vraag- en voorraadinzichten in veranderende vraagpatronen voor reserveonderdelen, waardoor uw organisatie beschikt over de informatie die nodig is voor strategische besluitvorming.

 

 

Kan willekeur een bondgenoot zijn in de voorspellingsstrijd?

Feynmans perspectief belicht onze reis: “In haar pogingen om zoveel mogelijk over de natuur te leren, heeft de moderne natuurkunde ontdekt dat bepaalde dingen nooit met zekerheid ‘gekend’ kunnen worden. Veel van onze kennis moet altijd onzeker blijven. Het meeste wat we kunnen weten is in termen van waarschijnlijkheden.” – Richard Feynman, The Feynman Lectures on Physics.

Wanneer we de complexe wereld van de logistiek proberen te begrijpen, speelt willekeur een cruciale rol. Dit introduceert een interessante paradox: in een realiteit waarin precisie en zekerheid worden gewaardeerd, zou de onvoorspelbare aard van vraag en aanbod daadwerkelijk als een strategische bondgenoot kunnen dienen?

De zoektocht naar nauwkeurige voorspellingen is niet alleen een academische oefening; het is een cruciaal onderdeel van operationeel succes in tal van sectoren. Voor vraagplanners die moeten anticiperen op de productvraag zijn de gevolgen van het goed of fout doen van de vraag van cruciaal belang. Daarom is het herkennen en benutten van de kracht van willekeur niet slechts een theoretische oefening; het is een noodzaak voor veerkracht en aanpassingsvermogen in een steeds veranderende omgeving.

Onzekerheid omarmen: dynamische, stochastische en Monte Carlo-methoden

Dynamische modellering: De zoektocht naar absolute precisie in voorspellingen negeert de intrinsieke onvoorspelbaarheid van de wereld. Traditionele voorspellingsmethoden, met hun rigide raamwerken, schieten tekort in het accommoderen van de dynamiek van verschijnselen in de echte wereld. Door onzekerheid te omarmen, kunnen we overgaan op flexibelere en dynamischere modellen waarin willekeur als fundamentele component is opgenomen. In tegenstelling tot hun rigide voorgangers zijn deze modellen ontworpen om te evolueren als reactie op nieuwe gegevens, waardoor veerkracht en aanpassingsvermogen worden gegarandeerd. Deze paradigmaverschuiving van een deterministische naar een probabilistische benadering stelt organisaties in staat met meer vertrouwen door onzekerheid te navigeren en weloverwogen beslissingen te nemen, zelfs in volatiele omgevingen.

Stochastische modellering leidt voorspellers door de mist van onvoorspelbaarheid met de principes van waarschijnlijkheid. In plaats van te proberen willekeur te elimineren, omarmen stochastische modellen het. Deze modellen schuwen het idee van een enkelvoudige, vooraf bepaalde toekomst, maar presenteren in plaats daarvan een reeks mogelijke uitkomsten, elk met een geschatte waarschijnlijkheid. Deze benadering biedt een genuanceerder en realistischer beeld van de toekomst, waarbij de inherente variabiliteit van systemen en processen wordt erkend. Door een spectrum van potentiële toekomsten in kaart te brengen, voorziet stochastische modellering besluitvormers van een alomvattend inzicht in onzekerheid, waardoor strategische planning mogelijk is die zowel geïnformeerd als flexibel is.

Vernoemd naar het historische centrum van toeval en fortuin, maken Monte Carlo-simulaties gebruik van de kracht van willekeur om het uitgestrekte landschap van mogelijke uitkomsten te verkennen. Deze techniek omvat het genereren van duizenden, zo niet miljoenen, scenario's door middel van willekeurige steekproeven, waarbij elk scenario een ander toekomstbeeld schetst, gebaseerd op de inherente onzekerheden van de echte wereld. Beslissers kunnen, gewapend met inzichten uit Monte Carlo-simulaties, de reikwijdte van de mogelijke gevolgen van hun beslissingen inschatten, waardoor het een instrument van onschatbare waarde is voor risicobeoordeling en strategische planning in onzekere omgevingen.

Successen in de echte wereld: het benutten van willekeur

De strategie om willekeur in de prognoses te integreren is in diverse sectoren van onschatbare waarde gebleken. Grote beleggingsondernemingen en banken vertrouwen bijvoorbeeld voortdurend op stochastische modellen om het volatiele gedrag van de aandelenmarkt het hoofd te bieden. Een opmerkelijk voorbeeld is de manier waarop hedgefondsen deze modellen gebruiken om prijsbewegingen te voorspellen en risico's te beheren, wat leidt tot meer strategische beleggingskeuzes.

Op dezelfde manier vertrouwen veel bedrijven op het gebied van supply chain management op Monte Carlo-simulaties om de onvoorspelbaarheid van de vraag aan te pakken, vooral tijdens piekseizoenen zoals de feestdagen. Door verschillende scenario's te simuleren, kunnen ze zich op een reeks uitkomsten voorbereiden en ervoor zorgen dat ze over voldoende voorraadniveaus beschikken zonder dat ze te veel middelen inzetten. Deze aanpak minimaliseert het risico op voorraadtekorten en overtollige voorraad.

Deze successen uit de praktijk benadrukken de waarde van het integreren van willekeur in voorspellingsinspanningen. In plaats van de tegenstander te zijn die vaak wordt gezien, ontpopt willekeur zich als een onmisbare bondgenoot in het ingewikkelde ballet van voorspellingen. Door methoden te hanteren die rekening houden met de inherente onzekerheid van de toekomst – ondersteund door geavanceerde tools als Smart IP&O – kunnen organisaties met vertrouwen en flexibiliteit door het onvoorspelbare navigeren. In het grote geheel van voorspellingen kan het dus verstandig zijn om het idee te omarmen dat we weliswaar geen controle hebben over de worp van de dobbelstenen, maar dat we er wel een strategie omheen kunnen bedenken.

 

 

 

De doelstellingen bij het voorspellen

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.

voorspelde 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 SoftwareMet 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.