Smart Software and Optimum Consulting Announce Strategic Partnership

Belmont, Mass., May 2023 – Smart Software, Inventory optimization, demand planning, and forecasting software leader, and Optimum Consulting, today announced their partnership to address the supply chain planning needs of the Manufacturing, Wholesale, and Retail industries in Australia and New Zealand. Optimum Consulting will sell and deploy Smart’s next-generation cloud platform, Smart Inventory Planning & Optimization (Smart IP&O™), as an integral part of its Sales, Operations, and Inventory Planning (SIOP) practice.

Smart Software is a Microsoft Co-sell-ready partner and, over the years, has created a flawless connector to integrate tools with Microsoft Dynamics. The integration brings the cloud-based Smart IP&O (Inventory Planning and Optimization) into the latest version of Microsoft Dynamic solution. By seamlessly integrating strategic planning in Smart IP&O with operational execution in Dynamics, business users can continuously predict, respond, and plan more effectively in today’s uncertain business environment. Smart’s unique approach to planning intermittent demand is especially impactful for public utilities and transit agencies, given the prevalence of spare parts with highly sporadic, seemingly unforecastable usage.

Optimum Consulting is a Microsoft Dynamics 365 Solutions Partner who is totally committed to the Manufacturing, Wholesale, and Retail industries in Australia and New Zealand. The Team’s experts help clients build agile operating models, drive business process improvements, and turn customers into advocates by delivering end-to-end Microsoft Dynamics 365, Microsoft Power Apps, Business Intelligence & Analytics, and Managed Services Solutions.

“Smart Software helps our customers by delivering insightful business analytics for inventory modeling and forecasting that drive ordering and replenishment in the latest version of Microsoft Dynamics. With Smart IP&O, our customers gain a means to shape inventory strategy to align with the business objectives while empowering their planning teams to reduce inventory and improve service,” says  Matthew Lingard, CEO at  Optimum Consulting

“Maximizing the benefits our solutions can provide requires the expertise and perspective to consider requirements, set goals, and to develop the supporting business process that ensures adoption and benefits. These are the qualities that The New Partner brings to the table and we look forward to our joint success,”…. says Greg Hartunian, President, and CEO at Smart Software

 

Over Smart Software, Inc.

Smart Software, Inc., opgericht in 1981, is toonaangevend in het leveren van ondernemingsbrede oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie aan bedrijven. De oplossingen voor vraagvoorspelling en voorraadoptimalisatie van Smart Software hebben duizenden gebruikers over de hele wereld geholpen, waaronder klanten van middelgrote ondernemingen en Fortune 500-bedrijven, zoals Otis Elevator, Mitsubishi, Siemens, Disney, FedEx, MARS en The Home Depot. Slimme voorraadplanning en -optimalisatie geeft vraagplanners de tools om seizoensgebonden verkopen, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en periodiek gevraagde serviceonderdelen en kapitaalgoederen aan te pakken. Het biedt voorraadbeheerders ook nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts en is te vinden op het World Wide Web op www.smartcorp.com.

 

About the Partner, Inc.

Optimum Consulting is a Microsoft Dynamics 365 Solutions Partner who is totally committed to the Manufacturing, Wholesale, and Retail industries in Australia and New Zealand. The Team’s experts help clients build agile operating models, drive business process improvements, and turn customers into advocates by delivering end-to-end Microsoft Dynamics 365, Microsoft Power Apps, Business Intelligence & Analytics, and Managed Services Solutions. The Team’s functional expertise covers eCommerce, Retail, Pricing & Promotions, Customer Data Platform, Customer Journey Mapping, Customer Experience, Forecasting & Master Planning, Advanced Warehouse, and Production Planning.  Optimum Consulting’s technical capabilities span across Commerce Design and Development, Commerce Server, Point of Sale (POS) Development, Finance and Supply Chain Management (SCM) Development, Artificial Intelligence (AI) and Machine Learning (ML), Data Warehouse and Data Lake, and related Microsoft Cloud solutions.

 

 


Neem voor meer informatie contact op met Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
Telefoon: 1-800-SMART-99 (800-762-7899); FAX: 1-617-489-2748; E-mail: info@smartcorp.com

 

 

Smart Software benoemd tot Microsoft Co-sell-ready partner

Voorraadoptimalisatie en vraagplanning nu toegankelijker om Microsoft Dynamics uit te breiden

Belmont, Massachusetts, februari 2022 – Smart Software is verheugd aan te kondigen dat het is benoemd tot Microsoft Co-sell-ready partner als toonaangevende leverancier van oplossingen voor vraagplanning en voorraadoptimalisatie. Microsoft-klanten maken gebruik van Smart's web-native platform voor voorraadplanning en -optimalisatie (Smart IP&O) om consensusprognoses te ontwikkelen, de vraag te beheren en het voorraadbeleid te optimaliseren.

Door samen te verkopen met Microsoft-verkoopteams en Microsoft-partners kan het team van Smart Software een enorme gemeenschap van door Microsoft beheerde klanten bereiken om samen te werken aan verschillende kansen. Dit proces omvat het opbouwen van vraag, verkoopplanning, het delen van verkoopleads, het versnellen van partner-to-partner empowered verkoop en het leveren van door de markt geleide handel. Smart IP&O maakt gebruik van in de praktijk bewezen analyses, probabilistische modellering en de nieuwste ontwikkelingen in prognosetechnologie om de toekomstige vraag te voorspellen, een optimaal voorraadbeleid voor te schrijven en kansen voor operationele verbetering te identificeren. Gebruikers kunnen prognoseresultaten, bestelhoeveelheden en voorraadbeleid met een paar muisklikken overbrengen naar Microsoft Dynamics, waardoor extra waarde wordt opgebouwd en de levensduur van hun Microsoft-oplossingen wordt verlengd.

Greg Hartunian, CEO van Slimme software, verklaarde, “Het vermogen om dynamisch discontinuïteiten in de vraag en doorlooptijden van leveranciers te identificeren, een optimaal voorraadbeleid voor te schrijven dat de meeste winst oplevert, en de planningsfrequentie te versnellen, zijn bijzonder cruciaal en centraal in de huidige hyperfluïde toeleveringsketens. Als gevolg hiervan kunnen klanten die gebruikmaken van Smart IP&O effectief voorraadactiva gebruiken, hun activiteiten verbeteren, de kosten verlagen, de klantenservice verbeteren en de concurrentie overtreffen. We kijken ernaar uit om nauw samen te werken met Microsoft om onze gezamenlijke klanten te helpen deze belangrijke voordelen te behalen. 

 

Over Smart Software, Inc.
Smart Software, Inc., opgericht in 1981, is een leider in het leveren van bedrijfsbrede oplossingen voor vraagprognose, planning en voorraadoptimalisatie voor bedrijven. Smart Software's oplossingen voor vraagvoorspelling en voorraadoptimalisatie hebben duizenden gebruikers over de hele wereld geholpen, waaronder klanten bij middelgrote ondernemingen en Fortune 500-bedrijven, zoals Otis Elevator, Mitsubishi, Siemens, Disney, FedEx, MARS en The Home Depot. Smart Inventory Planning & Optimization geeft vraagplanners de tools om seizoensinvloeden, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en periodiek gevraagde serviceonderdelen en kapitaalgoederen af te handelen. Het biedt voorraadbeheerders ook nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts en is te vinden op het World Wide Web op: www.smartcorp.com.

 

 


Neem voor meer informatie contact op met Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
Telefoon: 1-800-SMART-99 (800-762-7899); FAX: 1-617-489-2748; E-mail: info@smartcorp.com

 

 

Een voorbeeld van op simulatie gebaseerde multi-echelon voorraadoptimalisatie

Het beheren van de inventaris in een enkele faciliteit is al moeilijk genoeg, maar het probleem wordt veel complexer wanneer er meerdere faciliteiten zijn die in meerdere echelons zijn gerangschikt. De complexiteit komt voort uit de interacties tussen de echelons, waarbij de eisen op de lagere niveaus opborrelen en eventuele tekorten op de hogere niveaus die naar beneden stromen.

Als elk van de faciliteiten afzonderlijk zou worden beheerd, zouden standaardmethoden kunnen worden gebruikt, zonder rekening te houden met interacties, om parameters voor voorraadbeheer in te stellen, zoals bestelpunten en bestelhoeveelheden. Het negeren van de interacties tussen niveaus kan echter leiden tot catastrofale storingen. Ervaring en vallen en opstaan maken het ontwerpen van stabiele systemen mogelijk, maar die stabiliteit kan worden verstoord door veranderingen in vraagpatronen of doorlooptijden of door toevoeging van nieuwe faciliteiten. Het omgaan met dergelijke veranderingen wordt enorm geholpen door geavanceerde supply chain-analyses, die een veilige "sandbox" bieden waarin voorgestelde systeemwijzigingen kunnen worden getest voordat ze worden geïmplementeerd. Deze blog illustreert dat punt.

 

Het scenario

Om enige hoop te hebben dit probleem op een nuttige manier te bespreken, zal deze blog het probleem vereenvoudigen door de hiërarchie op twee niveaus te beschouwen die is afgebeeld in figuur 1. Stel u voor dat de faciliteiten op het lagere niveau magazijnen (WH's) zijn van waaruit moet worden voldaan aan de eisen van de klant , en dat de inventarisitems bij elke WH serviceonderdelen zijn die aan een breed scala aan externe klanten worden verkocht.

 

Feit en Fantasie in Optimalisatie van multi-echelonvoorraad

Figuur 1: Algemene structuur van één type voorraadsysteem op twee niveaus

Stel je voor dat het hogere niveau zou bestaan uit één distributiecentrum (DC) dat klanten niet rechtstreeks bedient, maar wel de WH's aanvult. Neem voor de eenvoud aan dat het DC zelf wordt aangevuld vanuit een Bron die altijd voldoende voorraad heeft (of maakt) om onderdelen onmiddellijk naar het DC te verzenden, zij het met enige vertraging. (Als alternatief zouden we het systeem kunnen overwegen om winkels door één magazijn te laten bevoorraden).

Elk niveau kan worden beschreven in termen van vraagniveaus (behandeld als willekeurig), doorlooptijden (willekeurig), voorraadbeheerparameters (hier, Min- en Max-waarden) en tekortbeleid (hier, naleveringen toegestaan).

 

De analysemethode

De academische literatuur heeft vooruitgang geboekt met betrekking tot dit probleem, hoewel dit meestal ten koste gaat van vereenvoudigingen die nodig zijn om een zuiver wiskundige oplossing mogelijk te maken. Onze aanpak is hier toegankelijker en flexibeler: Monte Carlo simulatie. Dat wil zeggen, we bouwen een computerprogramma dat de logica van de systeemwerking bevat. Het programma "creëert" willekeurige vraag op WH-niveau, verwerkt de vraag volgens de logica van een gekozen voorraadbeleid en creëert vraag naar het DC door de willekeurige verzoeken om aanvulling van de WH's te bundelen. Met deze benadering kunnen we veel gesimuleerde dagen van systeemwerking observeren terwijl we letten op belangrijke gebeurtenissen zoals stockouts op beide niveaus.

 

Een voorbeeld

Om een analyse te illustreren, hebben we een systeem gesimuleerd dat bestaat uit vier WH's en één DC. De gemiddelde vraag varieerde over de WH's. Aanvulling van het DC naar een WH duurde 4 tot 7 dagen, gemiddeld 5,15 dagen. Het aanvullen van de DC van de Bron duurde 7, 14, 21 of 28 dagen, maar 90% van de tijd was ofwel 21 of 28 dagen, wat neerkomt op een gemiddelde van 21 dagen. Elke faciliteit had Min- en Max-waarden die na enkele ruwe berekeningen werden bepaald door het oordeel van analisten.

Figuur 2 toont de resultaten van een jaar gesimuleerde dagelijkse werking van dit systeem. De eerste rij in de figuur toont de dagelijkse vraag naar het item bij elke WH, waarvan werd aangenomen dat het "puur willekeurig" was, wat betekent dat het een Poisson-verdeling had. De tweede rij toont de voorhanden voorraad aan het einde van elke dag, met Min- en Max-waarden aangegeven door blauwe lijnen. De derde rij beschrijft de operaties op het DC. In tegenstelling tot de veronderstelling van veel theorieën, was de vraag naar het DC niet in de buurt van Poisson, en evenmin was de vraag vanuit het DC naar de Bron. In dit scenario waren de Min- en Max-waarden voldoende om ervoor te zorgen dat de artikelbeschikbaarheid hoog was bij elke WH en bij het DC, en er werden geen stockouts waargenomen bij een van de vijf faciliteiten.

 

Klik hier om de afbeelding te vergroten

Figuur 2 - Gesimuleerd gebruiksjaar van een systeem met vier WH's en één DC.

Figuur 2 – Gesimuleerd gebruiksjaar van een systeem met vier WH's en één DC.

 

Laten we nu het scenario variëren. Wanneer stockouts uiterst zeldzaam zijn, zoals in figuur 2, is er vaak overtollige voorraad in het systeem. Stel dat iemand suggereert dat het voorraadniveau op het DC er een beetje dik uitziet en denkt dat het een goed idee zou zijn om daar geld te besparen. Hun suggestie om de voorraad op het DC te verminderen is om de waarde van de Min op het DC te verlagen van 100 naar 50. Wat gebeurt er? Je zou kunnen raden, of je zou kunnen simuleren.

Figuur 3 toont de simulatie – het resultaat is niet mooi. Het systeem werkt een groot deel van het jaar prima, daarna raakt de voorraad van het DC op en kan het de achterstand niet meer inhalen ondanks het sturen van opeenvolgend grotere aanvullingsorders naar de bron. Drie van de vier WH's komen tegen het einde van het jaar in een doodsspiraal terecht (en WH1 volgt daarna). De simulatie heeft een gevoeligheid aan het licht gebracht die niet kan worden genegeerd en heeft een slechte beslissing gemarkeerd.

 

Klik hier om de afbeelding te vergroten

Figuur 3 - Gesimuleerde effecten van het verlagen van de Min bij de DC.

Figuur 3 – Gesimuleerde effecten van het verlagen van de Min bij de DC.

 

Nu kunnen de voorraadbeheerders terug naar de tekentafel en andere mogelijke manieren testen om de investering in voorraad op DC-niveau te verminderen. Een stap die altijd helpt, als u en uw leverancier dit samen kunnen realiseren, is om een flexibeler systeem te creëren door de doorlooptijd voor aanvullingen te verkorten. Door samen te werken met de bron om ervoor te zorgen dat het DC altijd binnen 7 of 14 dagen wordt aangevuld, wordt het systeem gestabiliseerd, zoals weergegeven in afbeelding 4.

 

Klik hier om de afbeelding te vergroten

Figuur 4 - Gesimuleerde effecten van het verkorten van de doorlooptijd voor het aanvullen van het DC.

Figuur 4 – Gesimuleerde effecten van het verkorten van de doorlooptijd voor het aanvullen van het DC.

 

Helaas is het voornemen om de voorraad op het DC te verminderen niet gehaald. De oorspronkelijke dagelijkse voorraadtelling was ongeveer 80 eenheden en blijft ongeveer 80 eenheden na verlaging van de DC's Min en drastische verbetering van de Source-to-DC doorlooptijd. Maar met het simulatiemodel kan het planningsteam andere ideeën uitproberen tot ze tot een bevredigend herontwerp komen. Of, aangezien figuur 4 laat zien dat de DC-voorraad met nul begint te flirten, zouden ze het misschien verstandig vinden om de behoefte aan gemiddeld ongeveer 80 eenheden in het DC te accepteren en in plaats daarvan te zoeken naar manieren om de voorraadinvesteringen bij de WH's te verminderen.

 

De afhaalrestaurants

  1. Multiechelon voorraadoptimalisatie (MEIO) is complex. Veel factoren werken samen om systeemgedrag te produceren dat zelfs in eenvoudige systemen met twee niveaus verrassend kan zijn.
  2. Monte Carlo-simulatie is een handig hulpmiddel voor planners die nieuwe systemen moeten ontwerpen of bestaande systemen moeten aanpassen.

 

 

 

Laat een reactie achter
gerelateerde berichten
Verward over AI en Machine Learning?

Verward over AI en Machine Learning?

Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

Centreringswet: timing, prijzen en betrouwbaarheid van reserveonderdelen

Centreringswet: timing, prijzen en betrouwbaarheid van reserveonderdelen

In dit artikel begeleiden we u bij het opstellen van een voorraadplan voor reserveonderdelen, waarbij prioriteit wordt gegeven aan beschikbaarheidsstatistieken zoals serviceniveaus en vulpercentages, terwijl de kostenefficiëntie wordt gewaarborgd. We zullen ons concentreren op een benadering van voorraadplanning genaamd Service Level-Driven Inventory Optimization. Vervolgens bespreken we hoe u kunt bepalen welke onderdelen u in uw inventaris moet opnemen en welke onderdelen mogelijk niet nodig zijn. Ten slotte onderzoeken we manieren om uw op serviceniveau gebaseerde voorraadplan consistent te verbeteren.