We hebben onlangs een ontmoeting gehad met het IT-team bij een van onze klanten om de gegevensvereisten en de installatie van onze API-gebaseerde integratie te bespreken die gegevens zou halen uit hun lokale installatie van hun ERP-systeem. De IT-manager en de analist uitten allebei hun grote bezorgdheid over het verstrekken van deze gegevens en vroegen zich serieus af waarom ze überhaupt moesten worden verstrekt. Ze uitten zelfs hun bezorgdheid dat hun gegevens zouden kunnen worden doorverkocht aan hun concurrentie. Hun reactie was een grote verrassing voor ons. We hebben deze blog geschreven met hen in gedachten en om het voor anderen gemakkelijker te maken om te communiceren waarom bepaalde gegevens nodig zijn om een effectief vraagplanningsproces te ondersteunen. 

Houd er rekening mee dat als u een prognoseanalist, vraagplanner of supply chain-professional bent, het meeste van wat u hieronder zult lezen voor de hand ligt. Maar wat deze bijeenkomst me heeft geleerd, is dat wat voor de ene groep specialisten vanzelfsprekend is, dat niet zal zijn voor een andere groep specialisten op een heel ander gebied. 

De vier belangrijkste soorten gegevens die nodig zijn, zijn:  

1. Historische transacties, zoals verkooporders en verzendingen.
2. Taakgebruik transacties, zoals welke componenten nodig zijn om eindproducten te produceren
3. Voorraadoverdrachttransacties, zoals welke inventaris van de ene locatie naar de andere is verzonden.
4. Prijzen, kosten en attributen, zoals de eenheidskosten betaald aan de leverancier, de eenheidsprijs betaald door de klant en verschillende metagegevens zoals productfamilie, klasse, enz.  

Hieronder volgt een korte uitleg waarom deze gegevens nodig zijn om de implementatie van software voor vraagplanning door een bedrijf te ondersteunen.

Transactiegegevens van historische verkopen en verzendingen per klant
Denk aan wat uit de inventaris werd gehaald als de "grondstof" die nodig is voor software voor vraagplanning. Dit kan zijn wat aan wie en wanneer is verkocht of wat u aan wie en wanneer hebt verzonden. Of welke grondstoffen of halffabrikaten zijn verbruikt in werkorders en wanneer. Of wat er wanneer vanuit een distributiecentrum aan een satellietmagazijn wordt geleverd.

De geschiedenis van deze transacties wordt door de software geanalyseerd en gebruikt om statistische prognoses te produceren die waargenomen patronen extrapoleren. De gegevens worden geëvalueerd om patronen zoals trend, seizoensinvloeden, cyclische patronen bloot te leggen en om potentiële uitschieters te identificeren die zakelijke aandacht vereisen. Als deze gegevens niet algemeen toegankelijk zijn of onregelmatig worden bijgewerkt, is het bijna onmogelijk om een goede voorspelling van de toekomstige vraag te maken. Ja, je zou zakelijke kennis of onderbuikgevoel kunnen gebruiken, maar dat schaalt niet en introduceert bijna altijd vertekening in de prognose (dwz consequent te hoog of te laag voorspellen). 

Er zijn gegevens nodig op transactieniveau om nauwkeurigere prognoses op wekelijks of zelfs dagelijks niveau te ondersteunen. Als een bedrijf bijvoorbeeld het drukke seizoen ingaat, wil het misschien beginnen met wekelijkse prognoses om de productie beter af te stemmen op de vraag. Dat lukt niet zonder de transactiegegevens in een goed gestructureerd datawarehouse te hebben. 

Het kan ook zo zijn dat bepaalde soorten transacties niet in de vraaggegevens moeten worden opgenomen. Dit kan gebeuren wanneer de vraag het gevolg is van een forse korting of een andere omstandigheid waarvan het supply chain-team weet dat deze de resultaten zal vertekenen. Als de gegevens geaggregeerd worden verstrekt, is het veel moeilijker om deze uitzonderingen te scheiden. Bij Smart Software noemen we het proces om uit te zoeken welke transacties (en bijbehorende transactiekenmerken) in het vraagsignaal moeten worden meegeteld "vraagsignaalsamenstelling". Door toegang te hebben tot alle transacties kan een bedrijf zijn vraagsignaal in de loop van de tijd naar behoefte aanpassen binnen de software. Slechts het verstrekken van een deel van de gegevens resulteert in een veel rigidere vraagsamenstelling die alleen kan worden verholpen met extra implementatiewerk.

Prijzen en kosten
De prijs waarvoor u uw producten heeft verkocht en de kosten die u hebt betaald om ze (of grondstoffen) te kopen, zijn van cruciaal belang om inkomsten of kosten te kunnen voorspellen. Een belangrijk onderdeel van het vraagplanningsproces is het verkrijgen van zakelijke kennis van klanten en verkoopteams. Verkoopteams denken vaak aan de vraag per klant of productcategorie en spreken in de taal van dollars. Het is dus belangrijk om een prognose in dollars uit te drukken. Het vraagplanningssysteem kan dat niet als de prognose alleen in eenheden wordt weergegeven. 

Vaak wordt de vraagprognose gebruikt om een groter planning- en budgetteringsproces aan te sturen of op zijn minst te beïnvloeden, en de belangrijkste input voor een budget is een omzetprognose. Wanneer vraagprognoses worden gebruikt om het S&OP-proces te ondersteunen, moet de software voor vraagplanning de gemiddelde prijs over alle transacties berekenen of "tijdgefaseerde" conversies toepassen die rekening houden met de op dat moment verkochte prijs. Zonder de onbewerkte gegevens over prijsstelling en kosten kan het vraagplanningsproces nog steeds functioneren, maar zal het ernstig worden belemmerd. 

Productkenmerken, klantgegevens en locaties
Productattributen zijn nodig zodat voorspellers prognoses kunnen verzamelen voor verschillende productfamilies, groepen, goederencodes, enz. Het is handig om te weten hoeveel eenheden en de totale geprojecteerde gedollariseerde vraag voor verschillende categorieën. Zakelijke kennis over wat de vraag in de toekomst zou kunnen zijn, is vaak niet bekend op productniveau, maar wel op productfamilieniveau, klantniveau of regionaal niveau. Met de toevoeging van productkenmerken aan uw datafeed voor vraagplanning, kunt u eenvoudig prognoses "oprollen" van artikelniveau naar familieniveau. U kunt prognoses op deze niveaus omzetten in dollars en beter samenwerken aan hoe de prognose moet worden aangepast.  

Zodra de kennis is toegepast in de vorm van een prognose-override, zal de software de wijziging automatisch afstemmen op alle individuele items waaruit de groep bestaat. Zo hoeft een forecast analist niet elk onderdeel apart aan te passen. Ze kunnen op geaggregeerd niveau een wijziging aanbrengen en de software voor vraagplanning de afstemming voor hen laten doen. 

Groepering voor gemakkelijke analyse is ook van toepassing op klantkenmerken, zoals een toegewezen verkoper of de voorkeurslocatie van een klant voor verzending. En locatieattributen kunnen handig zijn, zoals toegewezen regio. Soms hebben attributen betrekking op een product- en locatiecombinatie, zoals voorkeursleverancier of toegewezen planner, die voor hetzelfde product kan verschillen, afhankelijk van het magazijn.

Een laatste opmerking over vertrouwelijkheid

Bedenk dat onze klant bezorgd was dat we hun gegevens aan een concurrent zouden verkopen. Dat zouden we nooit doen. Al tientallen jaren gebruiken we klantgegevens voor trainingsdoeleinden en om onze producten te verbeteren. We zijn nauwgezet in het beschermen van klantgegevens en het anonimiseren van alles wat bijvoorbeeld kan worden gebruikt om een punt in een blogpost te illustreren.

'Ondanks wat je in je tekenfilms op zaterdagochtend hebt gezien, kunnen olifanten niet springen, en daar is een simpele reden voor: dat hoeft niet. De meeste springerige dieren – je kangoeroes, apen en kikkers – doen het voornamelijk om weg te komen van roofdieren.” — Patrick Monahan, Science.org, 27 januari 2016.

Nu weet u waarom de grootste ERP-bedrijven geen best-of-breed-achtige oplossingen van hoge kwaliteit kunnen ontwikkelen. Dat hebben ze nooit hoeven doen, dus ze zijn nooit geëvolueerd om te innoveren buiten hun kernfocus. 

Naarmate ERP-systemen echter gemeengoed zijn geworden, werden hiaten in hun functionaliteit onmogelijk te negeren. De grotere spelers probeerden hun deel van de portemonnee van de klant te beschermen door te beloven innovatieve add-on-applicaties te ontwikkelen om alle witte ruimtes te vullen. Maar zonder die 'innovatiekracht' mislukten veel projecten en stapelden zich bergen technische schulden op.

Best-of-breed bedrijven zijn geëvolueerd om te innoveren en hebben een diepgaande functionele expertise in specifieke branches. Het resultaat is dat de beste ERP-add-ons eenvoudiger te gebruiken zijn, meer functies hebben en meer waarde bieden dan de native ERP-modules die ze vervangen. 

Als uw ERP-leverancier al een samenwerking heeft aangegaan met een innovatieve, toonaangevende add-onprovider*, bent u helemaal klaar! Maar als u alleen de basis uit uw ERP kunt halen, kies dan voor een best-of-breed add-on die op maat is geïntegreerd met het ERP. 

Een goede plek om te beginnen met zoeken is om te zoeken naar add-ons voor ERP-vraagplanning die hersens toevoegen aan de kracht van het ERP, dat wil zeggen add-ons die voorraadoptimalisatie en vraagvoorspelling ondersteunen. Maak gebruik van aanvullende tools zoals Smart's apps voor statistische prognoses, vraagplanning en voorraadoptimalisatie om prognoses en voorraadbeleid te ontwikkelen die worden teruggekoppeld naar het ERP-systeem om dagelijkse bestellingen te stimuleren. 

*App-stores zijn een licentie voor de beste in hun soort om te verkopen aan de ERP-bedrijvenbasis - zijnde beursgenoteerde partnerschappen.

Service-Level-Driven Service Parts Planning voor Microsoft Dynamics BC of F&SC is een proces in vier stappen dat verder gaat dan vereenvoudigde prognoses en vuistregels voor veiligheidsvoorraden. Het biedt planners van serviceonderdelen datagestuurde, op risico's afgestemde ondersteuning bij het nemen van beslissingen.

De wiskunde om dit planningsniveau te bepalen, bestaat eenvoudigweg niet in de D365-functionaliteit. Het vereist wiskunde en AI die duizenden keren door berekeningen gaat voor elk onderdeel en onderdeelcentrum (locaties). Wiskunde en AI zoals deze zijn uniek voor Smart. Lees verder om meer te begrijpen. 

Stap 1. Zorg ervoor dat alle belanghebbenden het eens zijn over de maatstaven die er toe doen. 

Alle deelnemers aan het planningsproces voor de inventarisatie van service-onderdelen moeten het eens zijn over de definities en welke statistieken het belangrijkst zijn voor de organisatie. Serviceniveaus beschrijf het percentage van de tijd dat u volledig aan het vereiste gebruik kunt voldoen zonder een voorraad op te lopen. Vul tarieven specificeer het percentage van het aangevraagde verbruik dat direct uit voorraad wordt gevuld. (Bekijk deze les van 4 minuten voor meer informatie over de verschillen tussen serviceniveaus en opvullingspercentage hier.) Beschikbaarheid geeft het percentage actieve reserveonderdelen weer met een voorhanden voorraad van ten minste één eenheid. Kosten vasthouden zijn de kosten op jaarbasis van het aanhouden van voorraden, rekening houdend met veroudering, belastingen, rente, opslag en andere uitgaven. Tekort kosten zijn de kosten van het opraken van de voorraad, inclusief uitvaltijd van voertuigen/apparatuur, versnellingen, verloren verkopen en meer. Bestellen kosten zijn de kosten die gepaard gaan met het plaatsen en ontvangen van aanvullingsorders.

Stap 2. Benchmark historische en voorspelde huidige serviceniveauprestaties.

Alle deelnemers aan het planningsproces voor de inventarisatie van service-onderdelen moeten een gemeenschappelijk inzicht hebben in de voorspelde toekomstige serviceniveaus, opvullingspercentages en kosten en de implicaties daarvan voor uw activiteiten met service-onderdelen. Het is van cruciaal belang om zowel historisch te meten Kritieke Prestatie Indicatoren (KPI's) en hun voorspellende equivalenten, Belangrijkste prestatievoorspellingen (KPP's). Door gebruik te maken van moderne software kunt u prestaties uit het verleden benchmarken en gebruikmaken van probabilistische prognosemethoden om toekomstige prestaties te simuleren. Vrijwel elke Demand Planning-oplossing stopt hier. Smart gaat verder stress testen uw huidige voorraadbeleid tegen alle plausibele toekomstige vraagscenario's. Het zijn deze duizenden berekeningen die onze KPP's bouwen. De nauwkeurigheid hiervan verbetert het vermogen van de D365 om de kosten van het aanhouden van te veel in evenwicht te brengen met de kosten van het niet genoeg hebben. U weet van tevoren hoe het huidige en voorgestelde voorraadbeleid waarschijnlijk zal presteren.

Stap 3. Spreek gerichte serviceniveaus af voor elk reserveonderdeel en onderneem proactieve corrigerende maatregelen wanneer wordt voorspeld dat doelen niet worden gehaald. 

Onderdelenplanners, leidinggevenden in de toeleveringsketen en de mechanische/onderhoudsteams moeten het eens worden over de gewenste serviceniveaudoelen met een volledig begrip van de wisselwerking tussen voorraadrisico en voorraadkosten. Een oproep hier is dat onze D365-klanten bijna altijd versteld staan van het verschil in voorraadniveau tussen de beschikbaarheid van 100% en 99.5%. Met de logica voor bijna 10.000 scenario's dat er bijna nooit een half procent uitvalt. U realiseert een volledig voorraadbeleid met veel lagere kosten. Je vindt de onderdelen die ondervoorraad zijn en corrigeert deze. Het evenwichtspunt is vaak een 7-12% verlaging van de voorraadkosten. 

Dit benutten van wat-als-scenario's in onze software voor onderdelenplanning kunnen management en inkopers eenvoudig alternatief voorraadbeleid vergelijken en bepalen welke het best aansluiten bij de zakelijke doelstellingen. Voor sommige onderdelen is een kleine voorraad in orde. Voor anderen hebben we die beschikbaarheid van 99.5%-onderdelen nodig. Zodra deze limieten zijn overeengekomen, gebruiken we de kracht van D365 om de voorraad te optimaliseren met behulp van D365 core ERP zoals het hoort. De planning wordt automatisch geüpload om Dynamics in te schakelen met gewijzigde bestelpunten, veiligheidsvoorraadniveaus en/of min/max-parameters. Dit ondersteunt een enkel Enterprise-centerpunt en mensen gebruiken niet meerdere systemen voor hun dagelijkse onderdelenbeheer en inkoop.

Stap 4. Maak het zo en houd het zo. 

Geef het planningsteam de kennis en tools die het nodig heeft om ervoor te zorgen dat u een overeengekomen balans vindt tussen serviceniveaus en kosten. Dit is cruciaal en belangrijk. Het is ook belangrijk om Dynamics F&SC of BC te gebruiken om uw ERP-transacties uit te voeren. Deze twee Dynamics ERP's hebben het hoogste niveau van nieuwe ERP-groei ter wereld. Het is logisch om ze te gebruiken zoals ze bedoeld zijn. Het vullen van de witte ruimte voor de wiskundige en AI-berekeningen voor Onderhoud en Onderdelenbeheer is ook logisch. Dit vereist een meer complexe en gerichte oplossing om te helpen. Smart Software Inventory Optimization voor EAM en Dynamics ERP's biedt het antwoord.    

Onthoud: Herkalibratie van uw voorraadbeleid voor serviceonderdelen is preventief onderhoud tegen zowel stockouts als overtollige voorraad. Het helpt kosten, maakt kapitaal vrij voor ander gebruik en ondersteunt best practices voor uw team. 

Breid Microsoft 365 F&SC en AX uit met Smart IP&O

Registreer u hier om een opname te zien van het Microsoft Dynamics Communities-webinar over Smart IP&O:

https://smartcorp.com/inventory-planning-with-microsoft-365-fsc-and-ax/

Microsoft Dynamics 365 F&SC en AX kunnen aanvulling beheren door te suggereren wat te bestellen en wanneer via op bestelpunten gebaseerd voorraadbeleid. Een uitdaging waarmee klanten worden geconfronteerd, is dat inspanningen om deze niveaus te handhaven zeer gedetailleerd zijn georiënteerd en dat het ERP-systeem vereist dat de gebruiker deze bestelpunten en/of prognoses handmatig specificeert. Als alternatief genereren veel organisaties handmatig voorraadbeleid met behulp van Excel-spreadsheets of andere ad-hocbenaderingen.

Deze methoden zijn tijdrovend en beide resulteren waarschijnlijk in een zekere mate van onnauwkeurigheid. Als gevolg hiervan zal de organisatie eindigen met overtollige voorraad, onnodige tekorten en een algemeen wantrouwen in hun softwaresystemen. In dit artikel zullen we de functionaliteit voor het bestellen van voorraad in AX / D365 F&SC bekijken, de beperkingen ervan uitleggen en samenvatten hoe slimme voorraadplanning en -optimalisatie kan helpen de kaspositie van een bedrijf te verbeteren. Dit wordt bereikt door verminderde voorraad, geminimaliseerde en gecontroleerde stockouts. Gebruik van Smart Software levert voorspellende functionaliteit die ontbreekt in Dynamics 365.

Microsoft Dynamics 365 F&SC en AX-aanvullingsbeleid

In de voorraadbeheermodule van AX en F&SC kunnen gebruikers voor elk voorraadartikel handmatig planningsparameters invoeren. Deze parameters omvatten bestelpunten, doorlooptijden veiligheidsvoorraad, hoeveelheden veiligheidsvoorraad, bestelcycli en bestelmodificatoren zoals door de leverancier opgelegde minimale en maximale bestelhoeveelheden en veelvouden van bestellingen. Eenmaal ingevoerd, zal het ERP-systeem de inkomende voorraad, de actuele voorraad, de uitgaande vraag en de door de gebruiker gedefinieerde prognoses en voorraadbeleid afstemmen om het leveringsplan of orderschema (dwz wat te bestellen en wanneer) te berekenen.

Er zijn 4 keuzes voor het aanvullingsbeleid in F&SC en AX: vaste bestelhoeveelheid, maximale hoeveelheid, lot-voor-lot en klantordergestuurd.

• Vaste bestelhoeveelheid en Max zijn op bestelpunten gebaseerde aanvullingsmethoden. Beide suggereren bestellingen wanneer de beschikbare voorraad het bestelpunt bereikt. Bij een vaste ROQ is de ordergrootte gespecificeerd en zal deze niet variëren totdat deze wordt gewijzigd. Bij Max variëren de bestelgroottes op basis van de voorraadpositie op het moment van bestelling, waarbij bestellingen tot aan de Max worden geplaatst.
• Lot-voor-lot is een op prognoses gebaseerde aanvullingsmethode die de totale voorspelde vraag bundelt over een door de gebruiker gedefinieerd tijdsbestek (de "lotaccumulatieperiode") en een bestelsuggestie genereert voor de totale voorspelde hoeveelheid. Dus als uw totale voorspelde vraag 100 eenheden per maand is en de accumulatieperiode van de partij 3 maanden is, dan is uw bestelsuggestie gelijk aan 300 eenheden.
• Orde gedreven is een op bestelling gebaseerde aanvullingsmethode. Het maakt geen gebruik van bestelpunten of prognoses. Zie het als een "sell one, buy one"-logica die alleen bestellingen plaatst nadat de vraag is ingevoerd.

Beperkingen

Alle F&SC / AX-aanvulinstellingen moeten handmatig worden ingevoerd of geïmporteerd via aangepaste uploads die door klanten zijn gemaakt. Er is gewoon geen manier voor gebruikers om native invoer te genereren (vooral niet optimale). Het gebrek aan geloofwaardige functionaliteit voor prognoses op eenheidsniveau en voorraadoptimalisatie binnen het ERP-systeem is de reden waarom zoveel AX- en F&SC-gebruikers gedwongen zijn te vertrouwen op spreadsheets voor planning en vervolgens handmatig de parameters in te stellen die het ERP nodig heeft. In werkelijkheid stellen de meeste planners handmatig vraagprognoses in en herbestellen.

En wanneer ze spreadsheets kunnen gebruiken, vertrouwen ze vaak op brede vuistregelmethoden die resulteren in het gebruik van vereenvoudigde statistische modellen. Eenmaal berekend in de spreadsheet moeten deze in F&SC/AX worden geladen. Ze worden vaak geladen via omslachtige bestandsimporten of handmatig ingevoerd. Vanwege de tijd en moeite die het kost om deze op te bouwen, werken bedrijven deze cijfers niet vaak bij.

Als deze eenmaal zijn ingevoerd, hebben organisaties de neiging om een reactieve benadering van veranderingen te gebruiken. De enige keer dat een koper/planner het voorraadbeleid beoordeelt, is jaarlijks of op het moment van aankopen of productie. Sommige bedrijven zullen ook reageren nadat ze problemen hebben ondervonden met te lage (of te hoge) voorraden. Om dit in AX en F&AS te beheren, is handmatige ondervraging vereist om de geschiedenis te bekijken, prognoses te berekenen, bufferposities te beoordelen en opnieuw te kalibreren.

Microsoft erkent deze beperkingen in hun kern-ERP's en begrijpt de aanzienlijke uitdagingen voor klanten. Als reactie hierop heeft Microsoft prognoses gepositioneerd onder hun AI Azure-stack. Deze methode valt buiten de kern-ERP's. Het wordt aangeboden als een toolset voor datawetenschappers om te gebruiken bij het definiëren van aangepaste complexe statistieken en berekeningen zoals een bedrijf wenst. Dit komt bovenop enkele eenvoudige basisberekeningen, aangezien het uitgangspunt zich momenteel in de opstartfase van ontwikkeling bevindt. Hoewel dit op de lange termijn winst kan opleveren, betekent deze methode momenteel dat klanten helemaal opnieuw beginnen en definiëren wat Microsoft momenteel 'experimenten' noemt om de vraagplanning te meten.

Het komt erop neer dat klanten voor grote uitdagingen staan om de Dynamics-stack zelf te krijgen om deze problemen op te lossen. Het resultaat is dat CFO's minder geld beschikbaar hebben voor wat ze nodig hebben en dat Sales Execs verkoopkansen onvervuld hebben en mogelijk omzet mislopen omdat het bedrijf de goederen die de klant wil niet kan verzenden.

Word slimmer

Zou het niet beter zijn om gewoon een best-of-breed add-on te gebruiken voor vraagplanning; en een best-of-breed oplossing voor voorraadoptimalisatie om kosten en uitvoeringsniveaus te beheren en in evenwicht te houden? Zou het niet beter zijn om dit dagelijks of wekelijks te kunnen doen om uw beslissingen zo dicht mogelijk bij de behoefte te kunnen nemen, geld te besparen en tegelijkertijd aan de verkoopvraag te voldoen?

Stel je voor dat je een bidirectionele integratie hebt met AX en F&AS, zodat dit allemaal gemakkelijk en snel werkt. Een waar:

• u kunt beleid automatisch opnieuw kalibreren in frequente planningscycli met behulp van in de praktijk bewezen, geavanceerde statistische modellen,
• u zou vraagprognoses kunnen berekenen die rekening houden met seizoens-, trend- en cyclische patronen,
• U zou automatisch optimalisatiemethoden gebruiken die het meest winstgevende voorraadbeleid en serviceniveaus voorschrijven die rekening houden met de werkelijke kosten van voorraadbeheer en voorraadonderbrekingen, waardoor u een volledig economisch beeld krijgt,
• U kunt contant geld vrijmaken voor gebruik binnen het bedrijf en uw voorraadniveaus beheren om de orderafhandeling te verbeteren terwijl u dit geld vrijmaakt.
• u zou veiligheidsvoorraden en voorraadniveaus hebben die rekening houden met de variabiliteit van vraag en aanbod, zakelijke omstandigheden en prioriteiten,
• u zou specifieke serviceniveaus kunnen targeten op productgroepen, klanten, magazijnen of een andere dimensie die u hebt geselecteerd,
• u verhoogt de algehele bedrijfswinst en balansgezondheid.

Breid Microsoft 365 F&SC en AX uit met Smart IP&O

Registreer u hier om een opname te zien van het Microsoft Dynamics Communities-webinar over Smart IP&O:

https://smartcorp.com/inventory-planning-with-microsoft-365-fsc-and-ax/

In dit artikel zullen we de functionaliteit voor het bestellen van voorraad in Epicor P21 bekijken, de beperkingen ervan uitleggen en samenvatten hoe Smart Inventory Planning & Optimization (Smart IP&O) kan helpen de voorraad te verminderen, voorraadtekorten te minimaliseren en het vertrouwen van uw organisatie in uw ERP te herstellen door robuuste voorspellende analyses, op consensus gebaseerde prognoses en wat-als-scenarioplanning.

Functies voor aanvullingsplanning binnen Epicor Prophet 21
Epicor P21 kan de aanvulling beheren door te suggereren wat te bestellen en wanneer via op bestelpunten gebaseerd of op prognoses gebaseerd voorraadbeleid. Gebruikers kunnen dit beleid extern berekenen of dynamisch binnen P21 genereren. Zodra het beleid en de prognoses zijn gespecificeerd, zal P21's Purchase Order Requirements Generator (PORG) geautomatiseerde ordersuggesties maken over wat er moet worden aangevuld en wanneer door inkomende levering, actuele voorraad, uitgaande vraag, voorraadbeleid en vraagprognoses op elkaar af te stemmen.

Epicor P21 heeft 4 aanvullingsmethoden
In het artikelonderhoudsscherm van Epicor P21 kunnen gebruikers kiezen uit een van de vier aanvullingsmethoden voor elk voorraadartikel.

1. min/max
2. Bestelpunt/Bestelhoeveelheid
3. EOQ
4. Tot

Er zijn aanvullende instellingen en configuraties voor het bepalen van doorlooptijden en het afrekenen van ordermodifiers zoals door de leverancier opgelegde minimale en maximale bestelhoeveelheden. Min/Max en Bestelpunt/Bestelhoeveelheid worden beschouwd als "statisch" beleid. EOQ en Up To worden beschouwd als "dynamisch" beleid en worden berekend binnen P21.

min/max
Het bestelpunt is gelijk aan het Min. Telkens wanneer de voorhanden voorraad onder de Min (bestelpunt) zakt, zal het PORG-rapport een bestelsuggestie creëren tot aan de Max (als de voorraad na de overtreding bijvoorbeeld 20 eenheden is en de Max 100, dan is de bestelhoeveelheid 80) . Min/Max wordt beschouwd als een statisch beleid en eenmaal ingevoerd in P21 blijft het onveranderd tenzij het door de gebruiker wordt overschreven. Gebruikers gebruiken vaak spreadsheets om de min/max-waarden te berekenen en deze van tijd tot tijd bij te werken.

Bestelpunt/Bestelhoeveelheid
Dit is hetzelfde als het Min/Max-beleid, behalve dat in plaats van tot de Max te bestellen, een bestelling wordt voorgesteld voor een vaste hoeveelheid die door de gebruiker is gedefinieerd (bestel bijvoorbeeld altijd 100 eenheden wanneer het bestelpunt wordt overschreden). OP/OQ wordt beschouwd als een statisch beleid en blijft ongewijzigd, tenzij het door de gebruiker wordt overschreven. Gebruikers gebruiken vaak spreadsheets om OP/OQ-waarden te berekenen en deze van tijd tot tijd bij te werken.

EOQ
Het EOQ-beleid is een methode op basis van bestelpunten. Het bestelpunt wordt dynamisch gegenereerd op basis van P21's prognose van vraag over doorlooptijd + vraag over de beoordelingsperiode + veiligheidsvoorraad. De bestelhoeveelheid is gebaseerd op een berekening van de economische bestelhoeveelheid die rekening houdt met bewaarkosten en bestelkosten en probeert een bestelgrootte aan te bevelen die de totale kosten minimaliseert. Wanneer de voorhanden voorraad het bestelpunt overschrijdt, zal het PORG-rapport een bestelling uitzetten die gelijk is aan de berekende EOQ.

Tot
De Up To-methode is een ander dynamisch beleid dat afhankelijk is van een bestelpunt. Het wordt op dezelfde manier berekend als de EOQ-methode met behulp van de voorspelde vraag van P21 over de doorlooptijd + vraag over beoordelingsperiode + veiligheidsvoorraad. De suggestie voor de bestelhoeveelheid is gebaseerd op alles wat nodig is om de voorraad weer aan te vullen "tot" het bestelpunt. Dit komt meestal overeen met een bestelhoeveelheid die consistent is met de doorlooptijdvraag, omdat naarmate de vraag de voorraad onder het bestelpunt drijft, bestellingen worden voorgesteld "tot" het bestelpunt.

Het itemonderhoudsscherm van P21, waar gebruikers het gewenste voorraadbeleid kunnen specificeren en andere instellingen kunnen configureren, zoals veiligheidsvoorraad en bestelmodificaties.

Beperkingen

Voorspellingsmethoden
Er zijn twee prognosemodi in P21: Basis en Geavanceerd. Elk gebruikt een reeks middelingsmethoden en vereist handmatige configuraties en door de gebruiker bepaalde classificatieregels om een vraagprognose te genereren. Geen van beide modi is ontworpen met een out-of-the-box expertsysteem dat automatisch prognoses genereert die rekening houden met onderliggende patronen zoals trend of seizoensinvloeden. Er is veel configuratie vereist die de acceptatie door de gebruiker en wijziging van de veronderstelde prognoseregels die in de initiële implementatie zijn gedefinieerd en die mogelijk niet langer relevant zijn, belemmert. Er is geen manier om de prognosenauwkeurigheid van verschillende configuraties eenvoudig te vergelijken. Is het bijvoorbeeld beter om 24 maanden geschiedenis te gebruiken of 18 maanden? Is het nauwkeuriger om aan te nemen dat een trend moet worden toegepast wanneer een item met 2% per maand groeit of moet het 10% zijn? Is het beter om aan te nemen dat het artikel seizoensgebonden is als 80% of meer van zijn vraag plaatsvindt in 6 maanden van het jaar of 4 maanden van het jaar? Dientengevolge is het gebruikelijk dat classificatieregels te breed of specifiek zijn, wat leidt tot problemen zoals het toepassen van een onjuist prognosemodel, het gebruik van te veel of te weinig geschiedenis, of het over-/onderschatten van de trend en seizoensinvloeden. Bekijk deze blogpost (binnenkort beschikbaar) voor meer informatie over hoe dit werkt

Voorspellingsbeheer en consensusplanning
P21 mist prognosebeheerfuncties waarmee organisaties op meerdere hiërarchische niveaus kunnen plannen, zoals productfamilie, regio of per klant. Prognoses moeten worden gemaakt op het laagste niveau van granulariteit (product per locatie), waar de vraag vaak te wisselvallig is om een goede prognose te krijgen. Er is geen manier om prognoses te delen, samen te werken, te beoordelen of prognoses op geaggregeerd niveau te maken en overeenstemming te bereiken over het consensusplan. Het is moeilijk om zakelijke kennis op te nemen, prognoses op hogere aggregatieniveaus te beoordelen en bij te houden of overschrijvingen de nauwkeurigheid van prognoses verbeteren of schaden. Dit maakt prognoses te eendimensionaal en afhankelijk van de initiële wiskundige configuraties.  

Intermittent Demand
Veel P21-klanten vertrouwen op statische methoden (Min/Max en OP/OQ) vanwege de prevalentie van intermitterende vraag. Ook wel bekend als "klonterig", wordt de intermitterende vraag gekenmerkt door sporadische verkopen, grote pieken in de vraag en veel perioden zonder vraag. Wanneer de vraag intermitterend is, werken traditionele methoden voor prognoses en veiligheidsvoorraden gewoon niet. Omdat distributeurs niet de luxe hebben om alleen snel bewegende producten met een consistente vraag op voorraad te hebben, hebben ze gespecialiseerde oplossingen nodig die zijn ontworpen om periodiek gevraagde artikelen effectief te plannen. 80% of meer van de onderdelen van een distributeur zullen een intermitterende vraag hebben. Het voorraadbeleid dat wordt gegenereerd met behulp van traditionele methoden, zoals die beschikbaar zijn in P21 en andere planningsapplicaties, zal resulteren in onjuiste schattingen van wat er moet worden opgeslagen om het beoogde serviceniveau te bereiken. Zoals geïllustreerd in de onderstaande grafiek, is het niet mogelijk om de pieken consistent te voorspellen. U zit vast aan een prognose die in feite een gemiddelde is van de voorgaande perioden.

Prognoses van intermitterende vraag kunnen de pieken niet voorspellen en vereisen veiligheidsvoorraadbuffers om te beschermen tegen stockouts.

Ten tweede kunt u met de veiligheidsvoorraadmethoden van P21 een doelserviceniveau instellen, maar de onderliggende logica gaat er ten onrechte van uit dat de vraag normaal verdeeld. Bij intermitterende vraag is de vraag niet “normaal” en daarom zal de schatting van de veiligheidsvoorraad verkeerd zijn. Dit is wat verkeerd betekent: bij het instellen van een serviceniveau van bijvoorbeeld 98%, is de verwachting dat 98% van de tijd dat de beschikbare voorraad 100% zal vullen met wat de klant nodig heeft uit het schap. Het gebruik van een normale verdeling om veiligheidsvoorraden te berekenen, zal resulteren in grote afwijkingen tussen het beoogde serviceniveau en het werkelijk bereikte serviceniveau. Het is niet ongebruikelijk om situaties te zien waarin het daadwerkelijke serviceniveau het doel met 10% of meer mist (dwz 95% beoogd maar slechts 85% behaalde).

In deze afbeelding ziet u de vraaggeschiedenis van een onderdeel met tussenpozen en twee distributies op basis van deze vraaggeschiedenis. De eerste distributie is gegenereerd met dezelfde "normale distributie: logica die wordt gebruikt door P21. De tweede is een gesimuleerde verdeling op basis van de probabilistische voorspelling van Smart Software. De "normale" P21-distributie beveelt aan dat er 46 eenheden nodig zijn om het 99%-serviceniveau te bereiken, maar in vergelijking met de werkelijke waarden was er veel meer voorraad nodig. Smart voorspelde nauwkeurig dat er 63 units nodig waren om het serviceniveau te halen.

Deze blog legt uit hoe u de nauwkeurigheid van het serviceniveau van uw systeem kunt testen.

Vertrouwen op spreadsheets en reactieve planning
P21-klanten vertellen ons dat ze sterk afhankelijk zijn van het gebruik van spreadsheets om voorraadbeleid en prognoses te beheren. Spreadsheets zijn niet speciaal gebouwd voor prognoses en voorraadoptimalisatie. Gebruikers zullen vaak door de gebruiker gedefinieerd bakken vuistregel methoden die vaak meer kwaad dan goed doen. Eenmaal berekend, moeten gebruikers de informatie weer invoeren in P21 via handmatige bestandsimport of zelfs handmatige invoer. De tijdrovende aard van het proces leidt ertoe dat bedrijven zelden hun voorraadbeleid berekenen - Er gaan vele maanden en soms jaren voorbij tussen massale updates, wat leidt tot een reactieve benadering van "instellen en vergeten", waarbij de enige keer dat een koper/planner het voorraadbeleid beoordeelt, is op het moment van bestelling. Wanneer het beleid wordt herzien nadat het bestelpunt al is geschonden, is het te laat. Wanneer het orderpunt te hoog wordt geacht, is handmatige ondervraging vereist om de geschiedenis te bekijken, prognoses te berekenen, bufferposities te beoordelen en opnieuw te kalibreren. Het enorme aantal bestellingen betekent dat kopers bestellingen gewoon vrijgeven in plaats van de moeite te nemen om alles te bekijken, wat leidt tot een aanzienlijke overtollige voorraad. Als het bestelpunt te laag is, is het al te laat. Er is nu een versnelling nodig om de kosten op te drijven en zelfs dan loopt u nog steeds omzet mis als de klant ergens anders heen gaat.

Beperkte wat-als-planning
Aangezien functies voor het wijzigen van bestelpunten en bestelhoeveelheden in P21 zijn ingebouwd, is het niet mogelijk om grootschalige wijzigingen aan te brengen in groepen artikelen en de voorspelde resultaten te beoordelen voordat u beslist om vast te leggen. Dit dwingt gebruikers tot een afwachtend proces als het gaat om het wijzigen van parameters. Planners zullen een wijziging aanbrengen en vervolgens de werkelijke resultaten volgen totdat ze er zeker van zijn dat de wijziging dingen heeft verbeterd. Dit op grote schaal beheren – veel planners hebben te maken met tienduizenden items – is buitengewoon tijdrovend en het eindresultaat is een zeldzame herijking van het voorraadbeleid. Dit draagt ook bij aan reactief plannen waarbij planners instellingen pas bekijken nadat er een probleem is opgetreden.

Epicor is slimmer
Epicor werkt samen met Smart Software en biedt Smart IP&O aan als een platformonafhankelijke add-on voor Prophet 21, compleet met een bidirectionele API-gebaseerde integratie. Dit stelt Epicor-klanten in staat om gebruik te maken van speciaal voor dit doel gebouwde toepassingen voor prognoses en voorraadoptimalisatie. Met Epicor Smart IP&O kunt u prognoses genereren die trends en seizoensinvloeden vastleggen zonder dat u eerst handmatige configuraties hoeft toe te passen. U kunt elke planningscyclus automatisch opnieuw kalibreren met behulp van in de praktijk bewezen, geavanceerde statistische en probabilistische modellen die zijn ontworpen om nauwkeurig te plannen voor Intermittent demand. Veiligheidsvoorraden houden nauwkeurig rekening met variabiliteit in vraag en aanbod, zakelijke omstandigheden en prioriteiten. U kunt profiteren service level gestuurde planning zodat je net genoeg voorraad hebt of gebruik maken van optimalisatie methodes die het meest winstgevende voorraadbeleid en serviceniveaus voorschrijven die rekening houden met de werkelijke kosten van voorraadbeheer. U kunt consensusvraagprognoses maken die zakelijke kennis combineren met statistieken, klant- en verkoopprognoses beter beoordelen en met een paar muisklikken vol vertrouwen prognoses en voorraadbeleid uploaden naar Epicor.

Slimme IP&O-klanten realiseren routinematig een jaarlijks rendement van 7 cijfers door minder spoed, meer verkopen en minder overtollige voorraad, terwijl ze tegelijkertijd een concurrentievoordeel behalen door zich te onderscheiden op het gebied van verbeterde klantenservice. Om een opgenomen webinar te zien, gehost door de Epicor Users Group, waarin het platform voor demand planning en voorraadoptimalisatie van Smart wordt geprofileerd, kunt u zich hier registreren: https://smartcorp.com/epicor-smart-inventory-planning-optimization/