Goudlokje Voorraadniveaus

Misschien herinner je je het verhaal van Goudlokje uit je jeugd lang geleden. Soms was de pap te heet, soms te koud, maar een keer was het precies goed. Nu we volwassen zijn, kunnen we dat sprookje vertalen in een professioneel principe voor voorraadplanning: er kan te weinig of te veel voorraad zijn en er is een bepaald Goudlokje-niveau dat "precies goed" is. Deze blog gaat over het vinden van die sweet spot.

Bekijk dit voorbeeld om onze fabel over de toeleveringsketen te illustreren. Stelt u zich eens voor dat u serviceonderdelen verkoopt om de systemen van uw klanten draaiende te houden. U biedt een bepaald serviceonderdeel aan dat u $100 kost om te maken, maar dat wordt verkocht voor een opslag van 20%. Je kunt $20 verdienen met elke eenheid die je verkoopt, maar je mag niet de hele $20 houden vanwege de voorraadkosten die je draagt om het onderdeel te kunnen verkopen. Er zijn onderhoudskosten om het onderdeel in goede staat te houden terwijl het op voorraad is en bestelkosten om eenheden die u verkoopt aan te vullen. Ten slotte verliest u soms inkomsten uit verloren verkopen als gevolg van stockouts.  

Deze bedrijfskosten kunnen rechtstreeks verband houden met de manier waarop u het onderdeel in voorraad beheert. Neem voor ons voorbeeld aan dat u een (Q,R) voorraadbeleid gebruikt, waarbij Q de hoeveelheid voor de aanvullingsorder is en R het bestelpunt is. Neem verder aan dat de reden dat u geen $30 per eenheid maakt, is dat u concurrenten heeft en dat klanten het onderdeel van hen zullen krijgen als ze het niet van u kunnen krijgen.

Zowel uw omzet als uw kosten zijn op complexe manieren afhankelijk van uw keuzes voor Q en R. Deze zullen bepalen hoeveel u bestelt, wanneer en dus hoe vaak u bestelt, hoe vaak uw voorraad op is en dus hoeveel verkopen u verliest, en hoeveel contant geld dat u vastlegt in de inventaris. Het is onmogelijk om deze relaties op basis van giswerk uit te rekenen, maar moderne software kan de relaties zichtbaar maken en de dollarcijfers berekenen die u nodig hebt om uw keuze van waarden voor Q en R te sturen. Het doet dit door gedetailleerde, op feiten gebaseerde, probabilistische simulaties uit te voeren die kosten en prestaties voorspellen door middel van een groot aantal realistische vraagscenario's.  

Met deze resultaten in de hand, kunt u de marge berekenen die is gekoppeld aan (Q,R) waarden met behulp van de eenvoudige formule

Marge = (Vraag - Verloren omzet) x Winst per verkochte eenheid - Bestelkosten - Aanhoudingskosten.

In deze formule zijn gederfde verkopen, bestelkosten en bewaarkosten afhankelijk van bestelpunt R en bestelhoeveelheid Q.

Afbeelding 1 toont het resultaat van simulaties die Q vaststelden op 25 eenheden en R varieerden van 10 tot 30 in stappen van 5. Hoewel de curve bovenaan vrij vlak is, zou u het meeste geld verdienen door een voorraad van ongeveer 25 eenheden aan te houden ( wat overeenkomt met instelling R = 20). Meer voorraad, ondanks een hoger serviceniveau en minder verloren verkopen, zou iets minder geld opleveren (en veel meer geld opleveren), en minder voorraad zou veel minder opleveren.

 

Marges versus bedrijf op voorraadniveau

Figuur 1: Aantonen dat er te weinig of te veel voorraad aanwezig kan zijn

 

Zonder te vertrouwen op de inventarissimulatiesoftware, zouden we niet kunnen ontdekken:

  • a) dat het mogelijk is om te weinig en te veel inventaris te dragen
  • b) wat het beste voorraadniveau is?
  • c) hoe er te komen door de juiste keuzes van bestelpunt R en bestelhoeveelheid Q.

 

Zonder een expliciet begrip van het bovenstaande, zullen bedrijven dagelijkse voorraadbeslissingen nemen op basis van onderbuikgevoel en op middeling gebaseerde vuistregels. De hier beschreven afwegingen worden niet blootgelegd en de resulterende mix van voorraad levert een veel lager rendement op, waardoor honderdduizenden tot miljoenen per jaar aan gederfde winst verloren gaan. Dus wees als Goudlokje. Met de juiste systemen en softwaretools kunt u het ook precies goed 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.

Feit en Fantasie in Optimalisatie van multi-echelonvoorraad

Voor de meeste kleine tot middelgrote fabrikanten en distributeurs is voorraadoptimalisatie op één niveau of op één echelon het allernieuwste in de logistieke praktijk. Multi-echelon voorraadoptimalisatie (“MEIO”) houdt in dat het spel op een nog hoger niveau wordt gespeeld en is daarom veel minder gebruikelijk. Deze blog is de eerste van twee. Het is bedoeld om uit te leggen wat MEIO is, waarom standaard MEIO-theorieën kapot gaan en hoe probabilistische modellering door scenariosimulatie de realiteit in het MEIO-proces kan herstellen. De tweede blog laat een specifiek voorbeeld zien.

 

Definitie van voorraadoptimalisatie

Een inventarisatiesysteem is gebaseerd op een reeks ontwerpkeuzes.

De eerste keuze is het beleid om te reageren op stockouts: verlies je gewoon de verkoop aan een concurrent, of kun je de klant overtuigen om een backorder te accepteren? Het eerste komt vaker voor bij distributeurs dan bij fabrikanten, maar dit is misschien niet zo'n goede keuze, omdat klanten het antwoord kunnen dicteren.

De tweede keuze is het voorraadbeleid. Deze zijn onderverdeeld in beleid voor "doorlopende beoordeling" en "periodieke beoordeling", met verschillende opties binnen elk type. U kunt een koppeling maken naar een videozelfstudie waarin verschillende algemene voorraadbeleidsregels worden beschreven hier. Misschien is de meest efficiënte bij beoefenaars bekend als "Min/Max" en bij academici als (s, S) of "kleine S, Grote S." We gebruiken dit beleid in onderstaande scenariosimulaties. Het werkt als volgt: Wanneer de voorhanden voorraad daalt tot of onder de Min (s), wordt een bestelling geplaatst voor aanvulling. De grootte van de bestelling is het gat tussen de voorhanden voorraad en de Max (S), dus als Min 10 is, Max 25 en voorhanden is 8, dan is het tijd voor een bestelling van 25-8 = 17 eenheden.

De derde keuze is om te beslissen over de beste waarden van de 'parameters' van het voorraadbeleid, bijv. de waarden die moeten worden gebruikt voor Min en Max. Voordat u getallen aan Min en Max toewijst, moet u duidelijkheid hebben over wat "beste" voor u betekent. Gewoonlijk betekent beste keuzes die de bedrijfskosten van de voorraad minimaliseren, afhankelijk van een minimum aan artikelbeschikbaarheid, uitgedrukt als Service Level of Fill Rate. In wiskundige termen is dit een "tweedimensionaal beperkt geheeltallig optimalisatieprobleem". "Tweedimensionaal" omdat je twee getallen moet kiezen: Min en Max. "Integer" omdat Min en Max hele getallen moeten zijn. "Beperkt" omdat u minimum- en maximumwaarden moet kiezen die een voldoende hoog niveau van artikelbeschikbaarheid bieden, zoals serviceniveaus en opvulpercentages. “Optimalisatie” omdat je daar wilt komen met de laagste operationele kosten (operationele kosten combineren kosten voor vasthouden, bestellen en tekorten).

 

Multiechelon-inventarisatiesystemen

Het optimalisatieprobleem wordt moeilijker in multi-echelonsystemen. In een systeem met één echelon kan elk voorraadartikel afzonderlijk worden geanalyseerd: één paar Min/Max-waarden per SKU. Omdat er meer onderdelen zijn in een multi-echelonsysteem, is er een groter rekenprobleem.

Afbeelding 1 toont een eenvoudig systeem met twee niveaus voor het beheren van een enkele SKU. Op het lagere niveau komen de vragen binnen bij meerdere magazijnen. Wanneer die dreigen op te raken, worden ze bevoorraad vanuit een distributiecentrum (DC). Wanneer de DC zelf dreigt vol te raken, wordt deze geleverd door een externe bron, zoals de fabrikant van het artikel.

Het ontwerpprobleem hier is multidimensionaal: we hebben Min- en Max-waarden nodig voor 4 magazijnen en voor het DC, dus de optimalisatie vindt plaats in 4×2+1×2=10 dimensies. De analyse moet rekening houden met een groot aantal contextuele factoren:

  • Het gemiddelde niveau en de volatiliteit van de vraag die in elk magazijn binnenkomt.
  • Het gemiddelde en de variabiliteit van de doorlooptijden van aanvullingen vanuit het DC.
  • Het gemiddelde en de variabiliteit van de doorlooptijden voor aanvulling van de bron.
  • Het vereiste minimale serviceniveau in de magazijnen.
  • Het vereiste minimale serviceniveau op het DC.
  • De voorraad-, bestel- en tekortkosten in elk magazijn.
  • De bewaar-, bestel- en tekortkosten bij het DC.

Zoals je zou verwachten, zullen gissingen op de broekspijpen in deze situatie niet goed werken. Evenmin zal proberen het probleem te vereenvoudigen door elk echelon afzonderlijk te analyseren. Voorraden op het DC verhogen bijvoorbeeld het risico op stockouts op magazijnniveau en vice versa.

Dit probleem is duidelijk te ingewikkeld om te proberen op te lossen zonder hulp van een of ander computermodel.

 

Waarom standaard inventarisatietheorie slechte wiskunde is?

Met een beetje zoeken vind je modellen, tijdschriftartikelen en boeken over MEIO. Dit zijn waardevolle bronnen van informatie en inzicht, even getallen. Maar de meeste van hen vertrouwen op het hulpmiddel om het probleem te eenvoudig te maken om het schrijven en oplossen van vergelijkingen mogelijk te maken. Dit is de "Fantasie" waarnaar in de titel wordt verwezen.

Dit doen is een klassieke modelleringsmanoeuvre en is niet per se een slecht idee. Toen ik afstudeerde aan het MIT, leerde ik de waarde van het hebben van twee modellen: een klein, ruw model om als een soort vizier te dienen en een groter, nauwkeuriger model om betrouwbare getallen te produceren. Het kleinere model is gebaseerd op vergelijkingen en op theorie; het grotere model is gebaseerd op procedures en op gegevens, dwz een gedetailleerde systeemsimulatie. Modellen die gebaseerd zijn op eenvoudige theorieën en vergelijkingen kunnen slechte numerieke schattingen opleveren en zelfs hele verschijnselen over het hoofd zien. Daarentegen zullen modellen die gebaseerd zijn op procedures (bijv. "bestel tot de Max wanneer u de Min overschrijdt") en feiten (bijv. de laatste 3 jaar van de dagelijkse vraag naar artikelen) veel meer rekenkracht vergen, maar realistischere antwoorden geven. Gelukkig hebben we dankzij de cloud veel rekenkracht binnen handbereik.

Misschien wel de grootste modellering van "zonde" in de MEIO-literatuur is de veronderstelling dat eisen op alle echelons kunnen worden gemodelleerd als puur willekeurige Poisson-processen. Zelfs als het waar zou zijn op magazijnniveau, zou het verre van waar zijn op DC-niveau. Het Poisson-proces is de "witte rat van vraagmodellering" omdat het eenvoudig is en meer manipulatie van papier-en-potloodvergelijkingen mogelijk maakt. Omdat niet alle eisen Poisson-vormig zijn, resulteert dit in onrealistische aanbevelingen.

 

Op scenario's gebaseerde simulatie-optimalisatie

Om realisme te krijgen, moeten we dieper ingaan op de details van hoe de voorraadsystemen op elk echelon werken. Met weinig beperkingen, behalve die opgelegd door hardware, zoals de grootte van het geheugen, kunnen computerprogramma's elk niveau van complexiteit aan. Het is bijvoorbeeld niet nodig om aan te nemen dat elk van de magazijnen te maken heeft met identieke vraagstromen of dezelfde kosten heeft als alle andere.

Een computersimulatie werkt als volgt.

  1. De werkelijke vraaggeschiedenis en doorlooptijdgeschiedenis worden verzameld voor elke SKU op elke locatie.
  2. Waarden van voorraadparameters (bijv. Min en Max) worden geselecteerd voor proef.
  3. De vraag- en aanvullingsgeschiedenissen worden gebruikt om scenario's te creëren die de invoer naar het computerprogramma weergeven dat de werkingsregels van het systeem codeert.
  4. De ingangen worden gebruikt om de werking van een computermodel van het systeem aan te sturen met de gekozen parameterwaarden over een lange periode, bijvoorbeeld een jaar.
  5. Voor het gesimuleerde jaar worden key performance indicators (KPI's) berekend.
  6. Stappen 2-5 worden vele malen herhaald en de resultaten worden gemiddeld om parameterkeuzes te koppelen aan systeemprestaties.
  7.  

Voorraadoptimalisatie voegt nog een "buitenste lus" toe aan de berekeningen door systematisch te zoeken naar de mogelijke waarden van Min en Max. Van de parameterparen die voldoen aan de artikelbeschikbaarheidsbeperking, identificeert verder zoeken de Min- en Max-waarden die resulteren in de laagste bedrijfskosten.

Feit en Fantasie in Optimalisatie van multi-echelonvoorraad

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

 

Blijf op de hoogte voor onze volgende blog

BINNENKORT BESCHIKBAAR. Om een voorbeeld van een simulatie van het systeem in figuur 1 te zien, lees de tweede blog over dit onderwerp

 

 

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.

Voorraadplanning wordt interessanter

De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Taiichi Ohno van Toyota wordt gecrediteerd voor het uitvinden van Just-In-Time (JIT) -productie in de jaren vijftig. JIT zorgt ervoor dat een fabrikant alleen produceert wat nodig is, alleen wanneer nodig en alleen in de benodigde hoeveelheid. Die innovatie heeft sindsdien grote gevolgen gehad, sommige goed, sommige minder.

Een recent artikel in de New York Times "How the World Ran out of Everything" beschrijft enkele van de "mindere" effecten. JIT heeft bijvoorbeeld de voorraadkosten zeer laag gehouden, waardoor het rendement op activa is verbeterd. Dit wordt op zijn beurt beloond door Wall Street, dus veel bedrijven hebben de afgelopen decennia hun voorraden drastisch verminderd. Gefocust als ze waren op financiën, negeerden veel bedrijven de risico's die inherent zijn aan het verminderen van voorraden tot het punt dat 'mager' begon te grenzen aan 'uitgemergeld'. Gecombineerd met de toegenomen globalisering en nieuwe risico's van leveringsonderbrekingen, zijn de voorraden in overvloed toegenomen.

Sommige industrieën zijn te ver gegaan, waardoor ze blootstaan aan disruptie. In een competitie om de laagste kosten te krijgen, hebben bedrijven onbedoeld hun risico geconcentreerd, onderbroken door tekorten aan grondstoffen of componenten en soms gedwongen om assemblagelijnen stop te zetten. Wall Street kijkt niet goed naar productiestops.

We weten allemaal dat willekeurige gebeurtenissen het probleem hebben vergroot. De eerste daarvan was de Covid-pandemie. Aangezien de pandemie de fabrieksactiviteiten heeft belemmerd en wanorde heeft veroorzaakt in de wereldwijde scheepvaart, worden veel economieën over de hele wereld gekweld door tekorten aan een enorm scala aan goederen – van computerchips tot hout tot kleding.

De schade wordt nog groter als er meer onverwachte dingen fout gaan. De blokkade van het Suezkanaal is een goed voorbeeld, het blokkeren van de belangrijkste handelsroute tussen Europa en Azië. Onlangs hebben cyberaanvallen een nieuwe laag van verstoring toegevoegd.

De reactie creëert zijn eigen problemen, net zoals de cyberaanval op de koloniale pijpleiding gastekorten veroorzaakte door paniekaankopen. Leveranciers beginnen langzamer dan normaal met het uitvoeren van bestellingen. Fabrikanten en distributeurs keren de koers om en vergroten hun voorraden en diversifiëren hun leveranciers om toekomstige voorraden te voorkomen. Het simpelweg uitbreiden van magazijnen biedt misschien niet de oplossing, en de noodzaak om te bepalen hoeveel voorraad moet worden aangehouden, wordt elke dag urgenter.Manager In Magazijn Met Voorraadbeheersoftware

Dus hoe kun je een real-world plan voor JIT-inventarisatie uitvoeren te midden van al deze risico's en onzekerheden? De basis van uw reactie zijn uw bedrijfsgegevens. Onzekerheid heeft twee bronnen: vraag en aanbod. Voor beide heb je de feiten nodig.

Maak aan de aanbodzijde gebruik van de gegevens die u heeft over recente doorlooptijden van leveranciers, die de huidige turbulentie weerspiegelen. Gebruik geen gemiddelde waarden als u kansverdelingen kunt gebruiken die het volledige bereik van onvoorziene gebeurtenissen weergeven. Overweeg deze vergelijking. Leverancier A voert nu op betrouwbare wijze bestellingen uit in precies 10 dagen. Leverancier B is ook gemiddeld 10 dagen maar doet het met een 78%/22% mix van 7 en 21 dagen. Zowel A als B hebben een gemiddelde aanvullingsvertraging van 10 dagen, maar de operationele resultaten die ze opleveren zullen heel verschillend zijn. U kunt dit alleen herkennen als u waarschijnlijkheidsmodellen van voorraadprestaties gebruikt.

Aan de vraagzijde gelden soortgelijke overwegingen. Ten eerste, erken dat er mogelijk een grote verschuiving heeft plaatsgevonden in de aard van de vraag naar artikelen (statistici noemen dit een "regimeverandering"), dus verwijder uit uw analyse alle gegevens die de "goede oude tijd" vertegenwoordigen. Stop dan weer met denken in termen van gemiddelden. Hoewel de gemiddelde vraag belangrijk is, is deze geen voldoende beschrijving van het probleem waarmee u wordt geconfronteerd. Even belangrijk is de volatiliteit van de vraag. Volatiliteit is de reden dat u in de eerste plaats voorraad aanhoudt. Als de vraag volledig voorspelbaar zou zijn, zou u geen stockouts of overtollige voorraad hebben. Net zoals u de volledige waarschijnlijkheidsverdeling van doorlooptijden voor bevoorrading moet schatten, hebt u de volledige verdeling van vraagwaarden nodig.

Zodra u het bereik van variabiliteit in zowel vraag als aanbod begrijpt, kunt u met probabilistische prognoses rekening houden met verstoringen en ongebruikelijke gebeurtenissen. Software zet uw gegevens on demand en doorlooptijden om in een groot aantal scenario's die aangeven hoe uw volgende planningsperiode eruit zou kunnen zien. Op basis van die scenario's kan de software bepalen hoe uw doelen het beste kunnen worden bereikt voor statistieken als voorraadkosten en voorraadpercentages. Met behulp van oplossingen zoals Smart Inventory Optimization plant u vol vertrouwen op basis van uw beoogde voorraadrisico met minimale voorraadkosten. U kunt ook overwegen om de oplossing optimale serviceniveaudoelen te laten voorschrijven door de kosten van extra voorraad versus voorraadkosten te beoordelen.

Bij voorraadplanning kunnen we, net als in de wetenschap, niet ontsnappen aan de realiteit van onzekerheid en de impact van ongewone gebeurtenissen. We moeten dienovereenkomstig plannen: met software voor voorraadoptimalisatie kunt u het serviceniveau met de laagste kosten bepalen. Dit creëert een coherente, bedrijfsbrede inspanning die inzicht in de huidige activiteiten combineert met wiskundig correcte beoordelingen van toekomstige risico's en omstandigheden.

Voorraadplanning is "interessanter" geworden en vereist een grotere mate van risicobewustzijn en wendbaarheid. De juiste software kan daarbij helpen.

 

Laat een reactie achter

gerelateerde berichten

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.

Constructief spelen met Digital Twins

Constructief spelen met Digital Twins

Degenen onder u die actuele onderwerpen volgen, zullen bekend zijn met de term ‘digitale tweeling’. Degenen die het te druk hebben gehad met hun werk, willen misschien verder lezen en bijpraten. Hoewel er verschillende definities van een digitale tweeling bestaan, is er één die goed werkt: een digitale tweeling is een dynamische virtuele kopie van een fysiek bezit, proces, systeem of omgeving die er hetzelfde uitziet en zich hetzelfde gedraagt als zijn tegenhanger in de echte wereld. Een digitale tweeling neemt gegevens op en repliceert processen, zodat u mogelijke prestatieresultaten en problemen kunt voorspellen die het echte product kan ondergaan.

Rechtstreeks naar het brein van de baas – voorraadanalyse en rapportage

Rechtstreeks naar het brein van de baas – voorraadanalyse en rapportage

In deze blog wordt de software in de schijnwerpers gezet die rapporten voor het management maakt, de stille held die de schoonheid van furieuze berekeningen vertaalt naar bruikbare rapporten. Kijk hoe de berekeningen, op ingewikkelde wijze begeleid door planners die onze software gebruiken, naadloos samenkomen in Smart Operational Analytics (SOA)-rapporten, waarbij vijf belangrijke gebieden worden verdeeld: voorraadanalyse, voorraadprestaties, voorraadtrends, leveranciersprestaties en vraagafwijkingen.

recente berichten

  • Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatieOnzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie
    In this blog, we will discuss today's fast-paced and unpredictable market and the constant challenges businesses face in managing their inventory and service levels efficiently. The main subject of this discussion, rooted in the concept of "Probabilistic Inventory Optimization," focuses on how modern technology can be leveraged to achieve optimal service and inventory targets amidst uncertainty. This approach not only addresses traditional inventory management issues but also offers a strategic edge in navigating the complexities of demand fluctuations and supply chain disruptions. […]
  • Dagelijkse vraagscenario's Smart 2Dagelijkse 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 als u niets doet met uw voorraadplanningssystemenDe 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. […]
  • Leren van voorraadmodellen Software AILeren van voorraadmodellen
    In deze videoblog wordt een cruciaal aspect van voorraadbeheer in de schijnwerpers gezet: de analyse en interpretatie van voorraadgegevens. De focus ligt specifiek op een dataset van een openbaar vervoersbedrijf met details over reserveonderdelen voor bussen. […]
  • De methoden voor het voorspellen van softwareDe methoden voor voorspelling
    Software voor vraagplanning en statistische prognoses speelt een cruciale rol in effectief bedrijfsbeheer door functies te integreren die de nauwkeurigheid van prognoses aanzienlijk verbeteren. Een belangrijk aspect is het gebruik van op afvlakking gebaseerde of extrapolatieve modellen, waardoor bedrijven snel voorspellingen kunnen doen die uitsluitend op historische gegevens zijn gebaseerd. Deze basis, geworteld in prestaties uit het verleden, is cruciaal voor het begrijpen van trends en patronen, vooral in variabelen zoals verkoop of productvraag. Voorspellingssoftware gaat verder dan louter data-analyse door de combinatie van professioneel oordeel met statistische voorspellingen mogelijk te maken, waarbij wordt erkend dat prognoses geen one-size-fits-all-proces zijn. Deze flexibiliteit stelt bedrijven in staat menselijke inzichten en sectorkennis in het voorspellingsmodel op te nemen, waardoor een genuanceerdere en nauwkeurigere voorspelling wordt gegarandeerd. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebbenWaarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebben
      MRO-organisaties bestaan in een breed scala van industrieën, waaronder openbaar vervoer, elektriciteitsbedrijven, afvalwater, waterkracht, luchtvaart en mijnbouw. Om hun werk gedaan te krijgen, gebruiken MRO-professionals Enterprise Asset Management (EAM) en Enterprise Resource Planning (ERP)-systemen. Deze systemen zijn ontworpen om veel taken uit te voeren. Gezien hun kenmerken, kosten en uitgebreide implementatievereisten wordt aangenomen dat EAM- en ERP-systemen het allemaal kunnen. In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen. […]
    • Vraag naar reserveonderdelen voorspellen-een-ander-perspectief-voor-planning-service-onderdelenDe voorspelling is belangrijk, maar misschien niet zoals u denkt
      Waar of niet waar: de prognose is niet van belang voor het voorraadbeheer van reserveonderdelen. Op het eerste gezicht lijkt deze verklaring duidelijk onjuist. Prognoses zijn immers cruciaal voor het plannen van de voorraadniveaus, toch? Het hangt ervan af wat je onder ‘voorspelling’ verstaat. Als u een ouderwetse prognose met één cijfer bedoelt (“de vraag naar artikel CX218b zal volgende week 3 eenheden bedragen en de week erna 6 eenheden”), dan nee. Als je de betekenis van voorspelling verruimt tot een kansverdeling die rekening houdt met onzekerheden in zowel vraag als aanbod, dan ja. […]
    • Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraadWaarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad
      Geven MRO-bedrijven echt prioriteit aan het verminderen van de overtollige voorraad reserveonderdelen? Vanuit organisatorisch oogpunt blijkt uit onze ervaring dat dit niet noodzakelijk het geval is. Discussies in de bestuurskamer gaan doorgaans over het uitbreiden van wagenparken, het verwerven van nieuwe klanten, het voldoen aan Service Level Agreements (SLA's), het moderniseren van de infrastructuur en het maximaliseren van de uptime. In bedrijfstakken waar activa die worden ondersteund door reserveonderdelen honderden miljoenen kosten of aanzienlijke inkomsten genereren (bijvoorbeeld de mijnbouw of de olie- en gassector), doet de waarde van de voorraad nauwelijks de wenkbrauwen fronsen en hebben organisaties de neiging grote hoeveelheden buitensporige voorraden over het hoofd te zien. […]
    • Belangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelenBelangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelen
      In het huidige competitieve zakelijke landschap zijn bedrijven voortdurend op zoek naar manieren om hun operationele efficiëntie te verbeteren en meer inkomsten te genereren. Het optimaliseren van het beheer van serviceonderdelen is een vaak over het hoofd gezien aspect dat een aanzienlijke financiële impact kan hebben. Bedrijven kunnen de algehele efficiëntie verbeteren en aanzienlijke financiële opbrengsten genereren door de voorraad reserveonderdelen effectief te beheren. Dit artikel gaat in op de economische implicaties van geoptimaliseerd beheer van serviceonderdelen en hoe investeren in software voor voorraadoptimalisatie en vraagplanning een concurrentievoordeel kan opleveren. […]

      Probabilistische versus deterministische orderplanning

      De slimme voorspeller

      Man met een computer in een magazijn best practices op het gebied van vraagplanning, prognoses en voorraadoptimalisatie

      Denk aan het probleem van het aanvullen van de voorraad. Stel dat het betreffende voorraadartikel een reserveonderdeel is, om precies te zijn. Zowel u als uw leverancier zullen een idee willen hebben van hoeveel u gaat bestellen en wanneer. En uw ERP-systeem dringt er misschien op aan dat u ook het geheim prijsgeeft.

      Deterministisch model van aanvulling

      De eenvoudigste manier om een fatsoenlijk antwoord op deze vraag te krijgen, is aan te nemen dat de wereld, nou ja, eenvoudig is. In dit geval betekent eenvoudig 'niet willekeurig' of, in nerdtaal, 'deterministisch'. In het bijzonder doe je alsof de willekeurige grootte en timing van de vraag in werkelijkheid een continue druppel-druppel-druppel is van een vaste grootte die met een vast interval komt, bijvoorbeeld 2, 2, 2, 2, 2, 2... Als dit onrealistisch lijkt , het is. De echte vraag ziet er misschien meer zo uit: 0, 1, 10, 0, 1, 0, 0, 0 met veel nullen, af en toe maar willekeurige pieken.

      Maar eenvoud heeft zijn deugden. Als je net doet alsof de gemiddelde vraag elke dag op rolletjes loopt, is het gemakkelijk om uit te rekenen wanneer je je volgende bestelling moet plaatsen en hoeveel eenheden je nodig hebt. Stel dat uw voorraadbeleid van het type (Q,R) is, waarbij Q een vaste bestelhoeveelheid is en R een vast bestelpunt. Wanneer de voorraad daalt tot of onder het bestelpunt R, bestelt u Q-eenheden meer. Om de fantasie compleet te maken, gaan we ervan uit dat de doorlooptijd voor aanvulling ook vast is: na L dagen zullen die Q nieuwe eenheden op de plank liggen, klaar om aan de vraag te voldoen.

      Alles wat u nu nodig heeft om uw vragen te beantwoorden, is de gemiddelde vraag per dag D naar het artikel. De logica gaat als volgt:

      1. U begint elke aanvullingscyclus met Q-eenheden bij de hand.
      2. Je put die voorraad uit met D eenheden per dag.
      3. U bereikt dus het bestelpunt R na (QR)/D dagen.
      4. Je bestelt dus elke (QR)/D dagen.
      5. Elke aanvullingscyclus duurt (QR)/D + L dagen, dus u maakt in totaal 365D/(Q-R+LD) bestellingen per jaar.
      6. Zolang de doorlooptijd L < R/D is, zult u nooit een voorraad hebben en zal uw voorraad zo klein mogelijk zijn.

      Afbeelding 1 toont de grafiek van voorhanden voorraad versus tijd voor het deterministische model. Rond Smart Software verwijzen we naar deze plot als de "Deterministische zaagtand". De voorraad begint op het niveau van de laatste bestelhoeveelheid Q. Na gestaag afnemen gedurende de uitvaltijd (QR)/D, bereikt het niveau het bestelpunt R en activeert een bestelling voor nog een Q-eenheden. Gedurende de doorlooptijd L daalt de voorraad tot precies nul, dan komt de nieuwe bestelling op magische wijze aan en begint de volgende cyclus.

      Figuur 1 Deterministisch model van voorhanden voorraad

      Afbeelding 1: deterministisch model van voorhanden voorraad

       

      Dit model heeft twee voordelen. Het vereist niet meer dan algebra van de middelbare school en het combineert (bijna) alle relevante factoren om de twee gerelateerde vragen te beantwoorden: wanneer moeten we de volgende bestelling plaatsen? Hoeveel bestellingen plaatsen we in een jaar?

      Probabilistisch model van aanvulling

      Het is niet verrassend dat als we een deel van de fantasie uit het deterministische model halen, we meer bruikbare informatie krijgen. Het probabilistische model omvat alle rommelige willekeur in het echte probleem: de onzekerheid in zowel de timing als de omvang van de vraag, de variatie in de doorlooptijd van de aanvulling en de gevolgen van die twee factoren: de kans dat de beschikbare voorraad de nabestelling onderschrijdt punt, de kans dat er een stockout zal zijn, de variabiliteit in de tijd tot de volgende bestelling, en het variabele aantal uitgevoerde bestellingen in een jaar.

      Het probabilistische model werkt door de gevolgen van onzekere vraag en variabele doorlooptijd te simuleren. Door de historische vraagpatronen van het item te analyseren (en waarnemingen uit te sluiten die zijn geregistreerd in een tijd waarin de vraag mogelijk fundamenteel anders was), creëren geavanceerde statistische methoden een onbeperkt aantal realistische vraagscenario's. Vergelijkbare analyse wordt toegepast op records van doorlooptijden van leveranciers. Door deze vraag- en aanbodscenario's te combineren met de operationele regels van een bepaald voorraadbeheerbeleid, ontstaan scenario's van het aantal beschikbare onderdelen. Uit deze scenario's kunnen we samenvattingen halen van de variërende intervallen tussen bestellingen.

      Figuur 2 toont een voorbeeld van een probabilistisch scenario; de vraag is willekeurig en het artikel wordt beheerd met bestelpunt R = 10 en bestelhoeveelheid Q=20. Voorbij is de deterministische zaagtand; in plaats daarvan is er iets complexer en realistischer (de probabilistische trap). Tijdens de 90 gesimuleerde werkingsdagen werden er 9 bestellingen geplaatst en de tijd tussen de bestellingen varieerde duidelijk.

      Met behulp van het probabilistische model worden de antwoorden op de twee vragen (hoe lang tussen orders en hoeveel in een jaar) uitgedrukt als kansverdelingen die de relatieve waarschijnlijkheid van verschillende scenario's weerspiegelen. Figuur 3 toont de verdeling van het aantal dagen tussen orders na tien jaar gesimuleerde werking. Hoewel het gemiddelde ongeveer 8 dagen is, varieert het werkelijke aantal sterk, van 2 tot 17.

      In plaats van uw leverancier te vertellen dat u volgend jaar X bestellingen zult plaatsen, kunt u nu X ± Y bestellingen projecteren, en uw leverancier kent de opwaartse en neerwaartse risico's beter. Beter nog, u kunt de volledige distributie als het meest uitgebreide antwoord geven.

      Figuur 2 Een probabilistisch scenario van voorhanden voorraad

      Figuur 2 Een probabilistisch scenario van voorhanden voorraad

       

      Figuur 3 Verdeling van dagen tussen bestellingen

      Figuur 3: Verdeling van dagen tussen bestellingen

       

      De willekeurige trap beklimmen naar grotere efficiëntie

      Door verder te gaan dan het deterministische inventarismodel, ontstaan nieuwe mogelijkheden voor het optimaliseren van de bedrijfsvoering. Ten eerste maakt het probabilistische model een realistische beoordeling van het voorraadrisico mogelijk. Het eenvoudige model in afbeelding 1 houdt in dat er nooit een stockout is, terwijl probabilistische scenario's de mogelijkheid toestaan (hoewel er in afbeelding 2 slechts één close call was rond dag 70). Zodra het risico bekend is, kan software optimaliseren door de "ontwerpruimte" (dwz alle mogelijke waarden van R en Q) te doorzoeken om een ontwerp te vinden dat voldoet aan een doelniveau van voorraadrisico tegen minimale kosten. De waarde van het deterministische model in deze meer realistische analyse is dat het een goed startpunt biedt voor de zoektocht door de ontwerpruimte.

      Overzicht

      Moderne software geeft antwoord op operationele vragen met verschillende gradaties van detail. Aan de hand van het voorbeeld van de tijd tussen aanvullingsorders hebben we laten zien dat het antwoord bij benadering maar snel kan worden berekend met een eenvoudig deterministisch model. Maar het kan ook veel gedetailleerder worden weergegeven, waarbij alle variabiliteit wordt blootgelegd door een probabilistisch model. Wij beschouwen deze alternatieven als complementair. Het deterministische model bundelt alle sleutelvariabelen in een gemakkelijk te begrijpen vorm. Het probabilistische model biedt extra realisme dat professionals verwachten en ondersteunt effectief zoeken naar optimale keuzes van bestelpunt en bestelhoeveelheid.

       

      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.

      De omzet verhogen door de beschikbaarheid van reserveonderdelen te vergroten

      De slimme voorspeller

       Het nastreven van best practices op het gebied van vraagplanning,

      prognoses en voorraadoptimalisatie

      Laten we beginnen met in te zien dat een hogere omzet een goede zaak voor u is, en dat het vergroten van de beschikbaarheid van de reserveonderdelen die u levert een goede zaak is voor uw klanten.

      Maar laten we ook erkennen dat een toenemende beschikbaarheid van artikelen niet noodzakelijkerwijs leidt tot hogere inkomsten. Als u verkeerd plant en uiteindelijk overtollige voorraad aanhoudt, kan het netto-effect goed zijn voor uw klanten, maar zeker slecht voor u. Er moet een goede manier zijn om dit tot een win-win te maken, als het maar kan worden herkend.

      Om hier de juiste beslissing te nemen, moet u systematisch over het probleem nadenken. Dat vereist dat u probabilistische modellen van het voorraadbeheerproces gebruikt.

       

      Een scenario

      Laten we eens kijken naar een specifiek, realistisch scenario. Heel wat factoren zijn van invloed op de resultaten:

      • Het artikel: een specifiek reserveonderdeel voor een klein volume.
      • Vraaggemiddelde: gemiddeld 0,1 eenheden per dag (dus zeer "intermitterend")
      • Standaardafwijking van de vraag: 0,35 eenheden per dag (dus zeer variabel of "oververspreid").
      • Gemiddelde doorlooptijd leverancier: 5 dagen.
      • Eenheidsprijs: $100.
      • Bewaarkosten per jaar als % van eenheidskosten: 10%.
      • Bestelkosten per PO-snede: $25.
      • Gevolgen stockout: omzetverlies (dus een competitieve markt, geen backorders).
      • Tekortkosten per verloren verkoop: $100.
      • Doelstelling serviceniveau: 85% (dus 15% kans op een stockout in elke aanvullingscyclus).
      • Voorraadbeheerbeleid: Periodieke beoordeling/Order-up-to (ook wel at (T,S)-beleid genoemd)

       

      Voorraadbeheerbeleid

      Een woord over het voorraadbeheerbeleid. Het (T,S)-beleid is een van de vele die in de praktijk gebruikelijk zijn. Hoewel er andere, efficiëntere beleidsregels zijn (ze wachten bijvoorbeeld niet tot T dagen zijn verstreken voordat ze de voorraad aanpassen), is (T,S) een van de eenvoudigste en daarom behoorlijk populair. Het werkt als volgt: elke T dagen controleer je hoeveel eenheden je op voorraad hebt, zeg X eenheden. Vervolgens bestelt u SX-eenheden, die verschijnen na de doorlooptijd van de leverancier (in dit geval 5 dagen). De T in (T,S) is het "bestelinterval", het aantal dagen tussen bestellingen; de S is het "order-up-to-niveau", het aantal eenheden dat u bij de hand wilt hebben aan het begin van elke aanvullingscyclus.

      Om het meeste uit dit beleid te halen, moet u verstandig waarden van T en S kiezen. Verstandig kiezen betekent dat u niet kunt winnen door te raden of door eenvoudige vuistregels te gebruiken, zoals "Houd een gemiddelde van 3 x de gemiddelde vraag bij de hand." Slechte keuzes van T en S schaden zowel uw klanten als uw bedrijfsresultaten. En te lang vasthouden aan keuzes die ooit goed waren, kan resulteren in slechte prestaties als een van de bovenstaande factoren aanzienlijk verandert, dus de waarden van T en S moeten zo nu en dan opnieuw worden berekend.

      De slimme manier om de juiste waarden van T en S te kiezen, is door probabilistische modellen te gebruiken die zijn gecodeerd in geavanceerde software. Het gebruik van software is essentieel wanneer u moet opschalen en waarden van T en S moet kiezen die geschikt zijn voor niet één item, maar voor honderden of duizenden.

       

      Analyse van scenario

      Laten we eens kijken hoe we in dit scenario geld kunnen verdienen. Wat is het voordeel? Als er geen kosten zouden zijn, zou deze post gemiddeld $3.650 per jaar kunnen genereren: 0,1 eenheden/dag x 365 dagen x $100/eenheid. Daarvan worden de bedrijfskosten afgetrokken, bestaande uit voorraad-, bestel- en tekortkosten. Elk van deze zal afhangen van uw keuzes van T en S.

      De software geeft specifieke getallen: het instellen van T = 321 dagen en S = 40 eenheden resulteert in gemiddelde jaarlijkse bedrijfskosten van $604, wat een verwachte marge oplevert van $3.650 – $604 = $3.046. Zie tabel 1, linkerkolom. Dit gebruik van software wordt 'voorspellende analyse' genoemd omdat het input van het systeemontwerp vertaalt in schattingen van een belangrijke prestatie-indicator, marge.

      Bedenk nu of u het beter kunt doen. Het doel van het serviceniveau in dit scenario is 85%, wat een enigszins ontspannen standaard is die geen aandacht zal trekken. Wat als u uw klanten een 99%-serviceniveau zou kunnen bieden? Dat klinkt als een duidelijk concurrentievoordeel, maar zou het uw marge verminderen? Niet als je de waarden van T en S goed aanpast.

      Door T = 216 dagen en S = 35 eenheden in te stellen, worden de gemiddelde jaarlijkse bedrijfskosten verlaagd tot $551 en wordt de verwachte marge verhoogd tot $3.650 – $551 = $3.099. Zie tabel 1, rechterkolom. Dit is de win-win die we wilden: hogere klanttevredenheid en ongeveer 2% meer omzet. Dit gebruik van de software wordt "gevoeligheidsanalyse" genoemd omdat het laat zien hoe gevoelig de marge is voor de keuze van het serviceniveaudoel.

      Software kan u ook helpen de complexe, willekeurige dynamiek van voorraadbewegingen te visualiseren. Een bijproduct van de analyse die tabel 1 vulde, zijn grafieken die de willekeurige paden laten zien die door de voorraad worden afgelegd terwijl deze afneemt gedurende een aanvullingscyclus. Figuur 1 toont een selectie van 100 willekeurige scenario's voor het scenario waarin de service level target 99% is. In de figuur resulteerde slechts 1 van de 100 scenario's in een stockout, wat de juistheid van de keuze voor order-up-to-level bevestigt.

       

      Overzicht

      Het beheer van voorraden reserveonderdelen wordt vaak lukraak gedaan met behulp van onderbuikgevoel, gewoonte of verouderde vuistregel. Op deze manier doorgaan is geen betrouwbaar en reproduceerbaar pad naar een hogere marge of hogere klanttevredenheid. Waarschijnlijkheidstheorie, gedestilleerd tot waarschijnlijkheidsmodellen en vervolgens gecodeerd in geavanceerde software, vormt de basis voor coherente, efficiënte richtlijnen voor het beheren van reserveonderdelen op basis van feiten: vraagkenmerken, doorlooptijden, serviceniveaudoelen, kosten en andere factoren. De hier geanalyseerde scenario's illustreren dat het mogelijk is om zowel een hoger serviceniveau als een hogere marge te realiseren. Een groot aantal scenario's die hier niet worden weergegeven, biedt manieren om hogere serviceniveaus te bereiken, maar marge te verliezen. Gebruik de software.

      Scenario's met verschillende serviceniveaudoelen

      Voorraad bij de hand tijdens één aanvulcyclus

       

       

      Laat een reactie achter

      gerelateerde berichten

      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.

      Constructief spelen met Digital Twins

      Constructief spelen met Digital Twins

      Degenen onder u die actuele onderwerpen volgen, zullen bekend zijn met de term ‘digitale tweeling’. Degenen die het te druk hebben gehad met hun werk, willen misschien verder lezen en bijpraten. Hoewel er verschillende definities van een digitale tweeling bestaan, is er één die goed werkt: een digitale tweeling is een dynamische virtuele kopie van een fysiek bezit, proces, systeem of omgeving die er hetzelfde uitziet en zich hetzelfde gedraagt als zijn tegenhanger in de echte wereld. Een digitale tweeling neemt gegevens op en repliceert processen, zodat u mogelijke prestatieresultaten en problemen kunt voorspellen die het echte product kan ondergaan.

      Rechtstreeks naar het brein van de baas – voorraadanalyse en rapportage

      Rechtstreeks naar het brein van de baas – voorraadanalyse en rapportage

      In deze blog wordt de software in de schijnwerpers gezet die rapporten voor het management maakt, de stille held die de schoonheid van furieuze berekeningen vertaalt naar bruikbare rapporten. Kijk hoe de berekeningen, op ingewikkelde wijze begeleid door planners die onze software gebruiken, naadloos samenkomen in Smart Operational Analytics (SOA)-rapporten, waarbij vijf belangrijke gebieden worden verdeeld: voorraadanalyse, voorraadprestaties, voorraadtrends, leveranciersprestaties en vraagafwijkingen.

      recente berichten

      • Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatieOnzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie
        In this blog, we will discuss today's fast-paced and unpredictable market and the constant challenges businesses face in managing their inventory and service levels efficiently. The main subject of this discussion, rooted in the concept of "Probabilistic Inventory Optimization," focuses on how modern technology can be leveraged to achieve optimal service and inventory targets amidst uncertainty. This approach not only addresses traditional inventory management issues but also offers a strategic edge in navigating the complexities of demand fluctuations and supply chain disruptions. […]
      • Dagelijkse vraagscenario's Smart 2Dagelijkse 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 als u niets doet met uw voorraadplanningssystemenDe 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. […]
      • Leren van voorraadmodellen Software AILeren van voorraadmodellen
        In deze videoblog wordt een cruciaal aspect van voorraadbeheer in de schijnwerpers gezet: de analyse en interpretatie van voorraadgegevens. De focus ligt specifiek op een dataset van een openbaar vervoersbedrijf met details over reserveonderdelen voor bussen. […]
      • De methoden voor het voorspellen van softwareDe methoden voor voorspelling
        Software voor vraagplanning en statistische prognoses speelt een cruciale rol in effectief bedrijfsbeheer door functies te integreren die de nauwkeurigheid van prognoses aanzienlijk verbeteren. Een belangrijk aspect is het gebruik van op afvlakking gebaseerde of extrapolatieve modellen, waardoor bedrijven snel voorspellingen kunnen doen die uitsluitend op historische gegevens zijn gebaseerd. Deze basis, geworteld in prestaties uit het verleden, is cruciaal voor het begrijpen van trends en patronen, vooral in variabelen zoals verkoop of productvraag. Voorspellingssoftware gaat verder dan louter data-analyse door de combinatie van professioneel oordeel met statistische voorspellingen mogelijk te maken, waarbij wordt erkend dat prognoses geen one-size-fits-all-proces zijn. Deze flexibiliteit stelt bedrijven in staat menselijke inzichten en sectorkennis in het voorspellingsmodel op te nemen, waardoor een genuanceerdere en nauwkeurigere voorspelling wordt gegarandeerd. […]

        Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

        • Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebbenWaarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebben
          MRO-organisaties bestaan in een breed scala van industrieën, waaronder openbaar vervoer, elektriciteitsbedrijven, afvalwater, waterkracht, luchtvaart en mijnbouw. Om hun werk gedaan te krijgen, gebruiken MRO-professionals Enterprise Asset Management (EAM) en Enterprise Resource Planning (ERP)-systemen. Deze systemen zijn ontworpen om veel taken uit te voeren. Gezien hun kenmerken, kosten en uitgebreide implementatievereisten wordt aangenomen dat EAM- en ERP-systemen het allemaal kunnen. In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen. […]
        • Vraag naar reserveonderdelen voorspellen-een-ander-perspectief-voor-planning-service-onderdelenDe voorspelling is belangrijk, maar misschien niet zoals u denkt
          Waar of niet waar: de prognose is niet van belang voor het voorraadbeheer van reserveonderdelen. Op het eerste gezicht lijkt deze verklaring duidelijk onjuist. Prognoses zijn immers cruciaal voor het plannen van de voorraadniveaus, toch? Het hangt ervan af wat je onder ‘voorspelling’ verstaat. Als u een ouderwetse prognose met één cijfer bedoelt (“de vraag naar artikel CX218b zal volgende week 3 eenheden bedragen en de week erna 6 eenheden”), dan nee. Als je de betekenis van voorspelling verruimt tot een kansverdeling die rekening houdt met onzekerheden in zowel vraag als aanbod, dan ja. […]
        • Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraadWaarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad
          Geven MRO-bedrijven echt prioriteit aan het verminderen van de overtollige voorraad reserveonderdelen? Vanuit organisatorisch oogpunt blijkt uit onze ervaring dat dit niet noodzakelijk het geval is. Discussies in de bestuurskamer gaan doorgaans over het uitbreiden van wagenparken, het verwerven van nieuwe klanten, het voldoen aan Service Level Agreements (SLA's), het moderniseren van de infrastructuur en het maximaliseren van de uptime. In bedrijfstakken waar activa die worden ondersteund door reserveonderdelen honderden miljoenen kosten of aanzienlijke inkomsten genereren (bijvoorbeeld de mijnbouw of de olie- en gassector), doet de waarde van de voorraad nauwelijks de wenkbrauwen fronsen en hebben organisaties de neiging grote hoeveelheden buitensporige voorraden over het hoofd te zien. […]
        • Belangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelenBelangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelen
          In het huidige competitieve zakelijke landschap zijn bedrijven voortdurend op zoek naar manieren om hun operationele efficiëntie te verbeteren en meer inkomsten te genereren. Het optimaliseren van het beheer van serviceonderdelen is een vaak over het hoofd gezien aspect dat een aanzienlijke financiële impact kan hebben. Bedrijven kunnen de algehele efficiëntie verbeteren en aanzienlijke financiële opbrengsten genereren door de voorraad reserveonderdelen effectief te beheren. Dit artikel gaat in op de economische implicaties van geoptimaliseerd beheer van serviceonderdelen en hoe investeren in software voor voorraadoptimalisatie en vraagplanning een concurrentievoordeel kan opleveren. […]