Nu meer dan ooit

Voorraadoptimalisatie is de afgelopen maanden voor veel van onze klanten een nog hogere prioriteit geworden. Sommigen vinden hun producten in een veel grotere vraag; meer hebben het tegenovergestelde probleem. In beide gevallen dwingen gebeurtenissen zoals de Covid19-pandemie een heronderzoek van de standaard bedrijfsomstandigheden, zoals de keuze van bestelpunten en bestelhoeveelheden.

Zelfs in rustigere tijden kunnen parameters voor voorraadbeheer, zoals Mins en Maxes, verre van hun beste waarden worden ingesteld. We kunnen vragen: "Waarom is het bestelpunt voor SKU_1234 ingesteld op 20 eenheden en het bestelaantal op 35?" Die keuzes waren waarschijnlijk het verstarde resultaat van jaren van geaccumuleerde gissingen. Een beetje onderzoek kan uitwijzen dat de keuzes van 20 en 35 niet langer goed zijn afgestemd op het huidige vraagniveau, de volatiliteit van de vraag, de doorlooptijd van de leverancier en de artikelkosten.

Het knagende gevoel van "We zouden al deze keuzes moeten heroverwegen" wordt vaak gevolgd door "Oh nee, we moeten dit uitzoeken voor alle 10.000 items in voorraad?" De redder is hier geavanceerde software die het proces kunnen opschalen en het niet alleen wenselijk maar ook haalbaar maken. De software maakt gebruik van geavanceerde algoritmen om veranderingen in inventarisparameters, zoals bestelpunten, te vertalen in belangrijke prestatie-indicatoren zoals serviceniveaus en bedrijfskosten (gedefinieerd als de som van voorraadkosten, bestelkosten en tekortkosten).

Deze blog beschrijft hoe je de voordelen van voorraadoptimalisatie door 4 benaderingen te schetsen met verschillende mate van automatisering.

Vier benaderingen voor voorraadoptimalisatie

Hunt-and Peck

De eerste manier is item-specifieke "jagen en pikken" optimalisatie. Dat wil zeggen, u isoleert één voorraaditem per keer en doet 'wat als'-gissingen over hoe u dat item moet beheren. U kunt software bijvoorbeeld vragen om te evalueren wat er gebeurt als u het bestelpunt voor SKU123 wijzigt van 20 in 21 terwijl u de bestelhoeveelheid vast laat op 35. Vervolgens kunt u proberen 20 met rust te laten en 35 te verlagen naar 34. Uren later, omdat uw intuïties zijn goed, je hebt misschien een beter paar keuzes gemaakt, maar je weet niet of er een nog betere combinatie is die je niet hebt geprobeerd, en je moet misschien doorgaan naar de volgende SKU en de volgende en de volgende... Je hebt iets meer geautomatiseerd en uitgebreider nodig.

Er zijn drie manieren om de klus productiever te klaren. De eerste twee combineren je intuïtie met de efficiëntie van het behandelen van groepen gerelateerde items. De derde is een volledig automatische zoekopdracht.

Gedreven optimalisatie op serviceniveau

1. Identificeer items waarvan u wilt dat ze allemaal hetzelfde serviceniveau hebben. U beheert bijvoorbeeld honderden 'C'-items en vraagt u zich af of hun doel voor het serviceniveau 70% moet zijn, of hoger of lager.
2. Voer een potentieel doel voor het serviceniveau in en laat de software de gevolgen voorspellen in termen van investeringen in voorraaddollars en bedrijfskosten.
3. Als het u niet bevalt wat u ziet, probeer dan een ander serviceniveaudoel totdat u zich op uw gemak voelt. Hier doet de software voorspellingen op groepsniveau van de gevolgen van je keuzes, maar je bent je keuzes nog aan het verkennen.

Optimalisatie door herverdeling vanuit een benchmark

1. Identificeer items die op de een of andere manier met elkaar verband houden, zoals 'alle reserveonderdelen voor onderstellen van lightrailvoertuigen'.
2. Gebruik de software om het huidige spectrum van serviceniveaus en kosten voor de groep items te beoordelen. Gewoonlijk zult u ontdekken dat sommige artikelen schromelijk overbevoorraad zijn (zoals aangegeven door onredelijk hoge serviceniveaus) en andere schromelijk onderbevoorraad (serviceniveaus beschamend laag).
3. Gebruik de software om de wijzigingen te berekenen die nodig zijn om de hoogste serviceniveaus te verlagen en de laagste te verhogen. Door deze aanpassing worden vaak twee doelen tegelijk bereikt: verhoging van het gemiddelde serviceniveau en tegelijkertijd verlaging van de gemiddelde bedrijfskosten.

Volledig geautomatiseerde, artikelspecifieke optimalisatie

1. Identificeer items die allemaal een serviceniveau boven een bepaald minimum vereisen. Misschien wilt u bijvoorbeeld dat al uw "A" -items minimaal een 95%-serviceniveau hebben.
2. Gebruik de software om voor elk artikel de keuze van inventarisparameters te identificeren die de kosten voor het behalen of overschrijden van het serviceniveauminimum minimaliseren. De software zoekt op efficiënte wijze in de "ontwerpruimte" gedefinieerd door paren inventarisparameters (bijv. Min en Max) naar ontwerpen (bijv. Min=10, Max=23) die voldoen aan de serviceniveaubeperking. Daarvan zal het ontwerp met de laagste kosten worden geïdentificeerd.

Deze aanpak gaat het verst om de last van de planner naar het programma te verschuiven. Velen zouden er baat bij hebben om dit de standaardmanier te maken waarop ze enorme aantallen inventarisitems beheren. Voor sommige items kan het handig zijn om wat meer tijd in te steken om ervoor te zorgen dat er ook rekening wordt gehouden met aanvullende overwegingen. Een beperkte capaciteit op een inkoopafdeling kan bijvoorbeeld de oplossing van het ideaal dwingen door een afname van de frequentie van bestellingen te eisen, ondanks de prijs die wordt betaald aan hogere totale bedrijfskosten.

Vooruit gaan

Het optimaliseren van inventarisparameters is nog nooit zo belangrijk geweest, maar het leek altijd een onmogelijke droom: het was te veel werk en er waren geen goede modellen om parameterkeuzes te relateren aan belangrijke prestatie-indicatoren zoals serviceniveau en bedrijfskosten. Moderne software voor supply chain-analyse heeft het spel veranderd. Nu is de vraag niet "Waarom zouden we dat doen?" maar “Waarom doen we dat niet?” Met software kun je 'Dit is wat we willen' koppelen aan 'Maak het zo'.

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

Iedereen heeft een prognoseprobleem

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

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

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

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

Dus iedereen heeft een prognoseprobleem.

Wat maakt prognoses moeilijk

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

Veiligheidsvoorraad neemt het over waar prognoses ophouden

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

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

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

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

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