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.

 

 

Gedachten over de planning van reserveonderdelen voor het openbaar vervoer

De pandemie van Covid19 heeft ongebruikelijke druk gelegd op openbaarvervoersbedrijven. Deze stress dwingt agentschappen om opnieuw te kijken naar hun planningsprocessen voor reserveonderdelen, wat een belangrijke drijfveer is voor het waarborgen van uptime en het balanceren van de voorraadkosten van serviceonderdelen.

Deze blog richt zich op bussystemen en hun praktijken voor het beheer en de planning van reserveonderdelen. Er zijn hier echter lessen voor andere soorten openbaar vervoer, waaronder spoor en lightrail.

In 1995 publiceerde de Transportation Research Board (TRB) van de National Research Council een rapport dat nog steeds relevant is. Systeemspecifieke reservebusverhoudingen: een synthese van de transitpraktijk verklaarde:

Het doel van deze studie was het documenteren en onderzoeken van de kritieke locatiespecifieke variabelen die van invloed zijn op het aantal reservevoertuigen dat bussystemen nodig hebben om aan de maximale servicevereisten te voldoen. … Hoewel transitmanagers over het algemeen erkenden dat het juiste formaat van de vloot de operaties daadwerkelijk verbetert en de kosten verlaagt, meldden velen problemen bij het bereiken en consistent handhaven van een reserveratio van 20 procent, zoals aanbevolen door FTA… De respondenten van de enquête pleitten ervoor om meer nadruk te leggen op de ontwikkeling van verbeterde en innovatieve busonderhoudstechnieken, die hen zouden helpen de uitvaltijd te minimaliseren en de beschikbaarheid van voertuigen te verbeteren, wat uiteindelijk zou leiden tot minder reservevoertuigen en arbeids- en materiaalkosten.

Grof vereenvoudigde richtlijnen zoals "houd 20% reservebussen" zijn gemakkelijk te begrijpen en te meten, maar maskeren grovelijk meer gedetailleerde tactieken die een meer op maat gemaakt beleid kunnen bieden dat het geld van de belastingbetaler dat aan reserveonderdelen wordt uitgegeven, beter kan beheren en tegelijkertijd de hoogste niveaus van beschikbaarheid garandeert. Als de bedrijfszekerheid per bus kan worden verbeterd, zijn er minder reserveonderdelen nodig.

Een manier om elke bus vaker aan de praat te houden, is door het beheer van voorraden reserveonderdelen te verbeteren, met name door het gebruik van serviceonderdelen en het vereiste bevoorradingsbeleid nauwkeuriger te voorspellen. Hier kan modern supply chain management een belangrijke bijdrage leveren. De TRB merkte dit op in hun rapport:

Veel agentschappen zijn erin geslaagd de afhankelijkheid van overtollige reservevoertuigen te beperken. Die transitambtenaren zijn het erover eens dat verschillende factoren en initiatieven tot hun succes hebben geleid en van cruciaal belang zijn voor het succes van elk programma [inclusief] … Effectief gebruik van geavanceerde technologie om kritieke onderhoudsfuncties te beheren, inclusief de ordelijke en tijdige vervanging van onderdelen… Het niet beschikbaar hebben van service-onderdelen en andere componenten wanneer ze nodig zijn, heeft een negatieve invloed op elk onderhoudsprogramma.

Zolang managers op de hoogte zijn van de problemen en waakzaam zijn over welke hulpmiddelen voor hen beschikbaar zijn, zal de kans dat bussen 'geen voorraad hebben' sterk afnemen."

Effectief voorraadbeheer van reserveonderdelen vereist een balans tussen "genoeg hebben" en "te veel hebben". Wat moderne planningssoftware voor serviceonderdelen kan doen, is de wisselwerking tussen deze twee doelen zichtbaar maken, zodat transportmanagers op feiten gebaseerde beslissingen kunnen nemen over voorraden reserveonderdelen.

Er zijn genoeg complicaties bij het vinden van de juiste balans om verder te gaan dan simpele vuistregels zoals "houd tien dagen aan vraag bij de hand" of "bestel opnieuw wanneer u nog maar vijf stuks op voorraad hebt". Factoren die deze beslissingen sturen, zijn onder meer de gemiddelde vraag naar een onderdeel, de volatiliteit van die vraag, de gemiddelde doorlooptijd voor bevoorrading (wat een probleem kan zijn wanneer het onderdeel per slow boat uit Duitsland aankomt), de variabiliteit in doorlooptijd en verschillende kostenfactoren: aanhoudingskosten, bestelkosten en tekortkosten (bijv. verloren tarieven, verlies van publieke goodwill).

Innovatieve software voor supply chain-analyse en planning van reserveonderdelen maakt gebruik van geavanceerde probabilistische prognoses en stochastische optimalisatiemethoden om deze complexiteit te beheersen en een grotere beschikbaarheid van onderdelen tegen lagere kosten te bieden. Metro Transit in Minnesota documenteerde bijvoorbeeld een 4x hogere ROI in de eerste zes maanden na de implementatie van een nieuw systeem. Om meer te lezen over hoe openbaarvervoersbedrijven innovatieve supply chain-analyses benutten, zie:

 

 

Laat een reactie achter
gerelateerde berichten
Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie

Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie

In deze blog bespreken we de snelle en onvoorspelbare markt van vandaag en de voortdurende uitdagingen waarmee bedrijven worden geconfronteerd bij het efficiënt beheren van hun voorraad- en serviceniveaus. Het hoofdonderwerp van deze discussie, geworteld in het concept van ‘probabilistische voorraadoptimalisatie’, richt zich op de manier waarop moderne technologie kan worden ingezet om optimale service- en voorraaddoelstellingen te bereiken te midden van onzekerheid. Deze aanpak pakt niet alleen de traditionele problemen met voorraadbeheer aan, maar biedt ook een strategische voorsprong bij het omgaan met de complexiteit van vraagschommelingen en verstoringen van de toeleveringsketen.

Dagelijkse vraagscenario's

Dagelijkse 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 van spreadsheetplanning

De 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.

Blijf bij de les

 

Ik heb voor duizenden studenten gestaan. Ze zijn min of meer jong, min of meer technisch, min of meer ervaren – en min of meer geïnteresseerd. Ik heb dit gedaan als lid van de universiteitsfaculteit sinds 1972, eerst aan het Massachusetts Institute of Technology, daarna aan de Harvard University en ten slotte aan de School of Engineering aan het Rensselaer Polytechnic Institute. Tussen Harvard en RPI stopte ik tijdelijk met de academische wereld om mede-oprichter van Smart Software met Charlie Smart en Nelson Hartunian. Sindsdien ben ik ook bezig met het trainen van zakelijke gebruikers om de kracht van geavanceerde analyses voor prognoses en voorraadoptimalisatie te benutten.

Op het moment dat ik dit schrijf, ben ik net terug op mijn kantoor bij RPI, nadat ik eerstejaars studenten Technische Bedrijfskunde kennis heb laten maken met de basisconcepten van voorraadbeheer. Als ze zich aan het programma houden, zullen ze de vereiste cursussen volgen in supply chain, systeemsimulatie, statistische analyse en optimalisatie. Ik vertelde ze verhalen over hoe nuttig ze zullen zijn voor hun bedrijven als ze besluiten om carrière te maken in de wereld van de toeleveringsketen. Als ik meer tijd had gehad, had ik gezegd hoe capabel ze zullen zijn als ze afstuderen in vergelijking met veel van hun collega's in het bedrijfsleven. Deze eerstejaars zijn klaar en bereid om bij de les te blijven, ze nemen alle technieken en theorieën in zich op die we ze kunnen geven, en verbeteren hun praktische vaardigheden in zomerbanen of coop-opdrachten.

Wat ik ze niet heb verteld, is dat velen van hen zullen moeten werken om hun intensiteit te behouden als ze aan het werk zijn. Het is een trieste waarheid dat, om welke reden dan ook, veel voorraadbeoefenaars in een soort stilstand komen te zitten die het vermogen van hun bedrijf belemmert om gebruik te maken van de nieuwste technologieën, zoals cloudgebaseerde geavanceerde vraagvoorspelling en voorraadoptimalisatie. Verzamel genoeg van zulke mensen op één plek en behendigheid en verbeterde efficiëntie verdwijnen uit het raam.

Ik denk dat een van de factoren die mensen afstompt, is dat het implementatieproces vaak pijnlijk stapsgewijs en langdurig aanvoelt. Het begint vaak met een ontnuchterende inventarisatie van relevante gegevens, de juistheid en de actualiteit ervan. Dan gaat het naar een vaak lastige ontdekking dat er echt geen systematisch proces is en de daaropvolgende noodzaak om in de toekomst een goed proces te ontwerpen. Het volgende is de noodzaak om te leren een nieuwe softwaresuite te gebruiken. Die stap omvat het leren van nieuwe woordenschat, een bepaald niveau van probabilistisch denken, het vermogen om nieuwe grafieken en tabellen te interpreteren, om nog maar te zwijgen van een nieuwe software-interface. Dit alles kost tijd en moeite.

 

De nauwkeurigheid van de voorspelling geeft een statistisch verantwoorde

 

We hebben ontdekt dat een paar dingen nieuwe klanten helpen om op koers te blijven. Een daarvan is het hebben van een kampioen onder het management, een executive sponsor, die kan instaan voor het commerciële belang van een succesvolle implementatie en ervoor zorgt dat de gebruikers worden ondersteund met permanente educatie. Een tweede is het identificeren en trainen van een of twee supergebruikers met ongebruikelijke combinaties van technische en communicatieve vaardigheden. Een derde is het opbreken van de training in hapklare brokken en testen op begrip na elk stuk en dit proces herhalen totdat het duidelijk is dat de nieuwe concepten, woordenschat en proces volledig zijn opgenomen. Maar al die manoeuvres zullen op niets uitlopen zonder dat het management all-in is en klaar is om op koers te blijven. Voorraadplanningspraktijken die al vele jaren bestaan, zullen niet volledig worden vervangen gedurende een implementatieproces van drie maanden. Je moet het willen om het te krijgen.

 

 

Laat een reactie achter
gerelateerde berichten
Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie

Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie

In deze blog bespreken we de snelle en onvoorspelbare markt van vandaag en de voortdurende uitdagingen waarmee bedrijven worden geconfronteerd bij het efficiënt beheren van hun voorraad- en serviceniveaus. Het hoofdonderwerp van deze discussie, geworteld in het concept van ‘probabilistische voorraadoptimalisatie’, richt zich op de manier waarop moderne technologie kan worden ingezet om optimale service- en voorraaddoelstellingen te bereiken te midden van onzekerheid. Deze aanpak pakt niet alleen de traditionele problemen met voorraadbeheer aan, maar biedt ook een strategische voorsprong bij het omgaan met de complexiteit van vraagschommelingen en verstoringen van de toeleveringsketen.

Dagelijkse vraagscenario's

Dagelijkse 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 van spreadsheetplanning

De 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.