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.

De belangrijkste realiteit is dat voor veel artikelen, vooral reserve- en serviceonderdelen, een onvoorspelbare, periodieke vraag bestaat. (De doorlooptijden van leveranciers kunnen ook grillig zijn, vooral wanneer onderdelen afkomstig zijn van een OEM met een achterstand.) We hebben vastgesteld dat hoewel fabrikanten en distributeurs doorgaans een intermitterende vraag ervaren naar slechts 20% of meer van hun artikelen, het percentage voor op MRO gebaseerde bedrijven groeit naar 80%+. Dit betekent dat historische gegevens vaak periodes van nulvraag laten zien, afgewisseld met willekeurige perioden van niet-nulvraag. Soms zijn deze niet-nuleisen zo laag als 1 of 2 eenheden, terwijl ze op andere momenten onverwacht oplopen tot hoeveelheden die vele malen groter zijn dan het gemiddelde.

Dit is niet het soort gegevens waar uw collega-'vraagplanners' in de detailhandel, consumentenproducten en voedingsmiddelen en dranken doorgaans mee te maken krijgen. Die mensen hebben meestal te maken met grotere hoeveelheden en hebben verhoudingsgewijs minder willekeur. En ze kunnen surfen op voorspellingsverbeterende functies zoals trends en stabiele seizoenspatronen. In plaats daarvan is het gebruik van reserveonderdelen veel willekeuriger, wat het planningsproces in de war brengt, zelfs in de minderheid van de gevallen waarin seizoensvariaties waarneembaar zijn.

Op het gebied van de intermitterende vraag zal de best beschikbare voorspelling aanzienlijk afwijken van de werkelijke vraag. In tegenstelling tot consumentenproducten met een gemiddeld tot hoog volume en een gemiddelde frequentie, kan de voorspelling van een serviceonderdeel de plank misslaan met honderden procentpunten. Een voorspelling van gemiddeld één of twee eenheden zal altijd mislukken als de werkelijke vraag nul is. Zelfs met geavanceerde business intelligence- of machine learning-algoritmen zal de fout bij het voorspellen van de niet-nuleisen nog steeds aanzienlijk zijn.

Misschien vanwege de moeilijkheid van statistische prognoses op het gebied van de inventarisatie, is voorraadplanning in de praktijk vaak afhankelijk van intuïtie en plannerkennis. Helaas schaalt deze aanpak niet over tienduizenden onderdelen. Intuïtie kan gewoon niet omgaan met het volledige scala aan vraag- en doorlooptijdmogelijkheden, laat staan nauwkeurig de waarschijnlijkheid van elk mogelijk scenario inschatten. Zelfs als uw bedrijf een of twee uitzonderlijke intuïtieve voorspellers heeft, betekent personeelspensionering en reorganisatie van de productlijnen dat er in de toekomst niet meer op intuïtieve prognoses kan worden vertrouwd.

De oplossing ligt in het verleggen van de focus van traditionele prognoses naar het voorspellen van de kansen voor elk potentieel vraag- en doorlooptijdscenario. Deze verschuiving transformeert het gesprek van een onrealistisch ‘één nummerplan’ naar een reeks getallen met bijbehorende waarschijnlijkheden. Door de kansen voor elke vraag en doorlooptijd te voorspellen, kunt u de voorraadniveaus beter afstemmen op de risicotolerantie voor elke groep onderdelen.

Software die vraag- en doorlooptijdscenario's genereert en dit proces tienduizenden keren herhaalt, kan nauwkeurig simuleren hoe het huidige voorraadbeleid zal presteren in vergelijking met dit beleid. Als de prestaties in de simulatie tekortschieten en er wordt voorspeld dat u vaker voorraad zult hebben dan u prettig vindt, of als u met een overschot aan voorraad blijft zitten, maakt het uitvoeren van 'wat als'-scenario's aanpassingen aan het beleid mogelijk. U kunt vervolgens voorspellen hoe dit herziene beleid het zal doen tegen willekeurige eisen en doorlooptijden. U kunt dit proces iteratief uitvoeren en verfijnen bij elk nieuw 'wat-als'-scenario, of u kunt steunen op door het systeem voorgeschreven beleid dat optimaal een balans vindt tussen risico's en kosten.

Dus als u service- en reserveonderdeleninventarisaties plant, hoeft u zich geen zorgen meer te maken over het voorspellen van de vraag op de manier waarop traditionele retail- en CPG-vraagplanners dat doen. Concentreer u in plaats daarvan op hoe uw voorraadbeleid bestand is tegen de willekeur van de toekomst, en pas het aan op basis van uw risicotolerantie. Hiervoor heeft u de juiste set beslissingsondersteunende software nodig, en dit is hoe Smart Software u kan helpen.

Voor te veel bedrijven wordt een cruciaal stukje data-feitenonderzoek – het meten van vraagonzekerheid – afgehandeld met eenvoudige maar onnauwkeurige vuistregels. Vraagplanners berekenen bijvoorbeeld vaak de veiligheidsvoorraad op basis van een door de gebruiker gedefinieerd veelvoud van de voorspelling of het historische gemiddelde. Of ze kunnen hun ERP configureren om meer te bestellen wanneer de beschikbare voorraad gedurende de doorlooptijd twee keer de gemiddelde vraag bereikt voor belangrijke artikelen en 1,5 keer voor minder belangrijke artikelen. Dit is een grote fout met kostbare gevolgen.

De keuze uit meerdere wordt uiteindelijk een raadspel. Dit komt omdat geen mens precies kan berekenen hoeveel voorraad hij moet opslaan, rekening houdend met alle onzekerheden. Veelvouden van de gemiddelde doorlooptijdvraag zijn eenvoudig te gebruiken, maar u kunt nooit weten of het gebruikte veelvoud te groot of te klein is totdat het te laat is. En als je het eenmaal weet, is alle informatie veranderd, dus je moet opnieuw raden en dan afwachten hoe de laatste gok uitpakt. Met elke nieuwe dag heeft u nieuwe vraag, nieuwe details over doorlooptijden en zijn de kosten mogelijk veranderd. De gok van gisteren, ongeacht hoe goed opgeleid, is vandaag niet langer relevant. Bij een goede voorraadplanning mag geen sprake zijn van giswerk op het gebied van inventaris en prognoses. Beslissingen moeten worden genomen op basis van onvolledige informatie, maar gissen is niet de juiste keuze.

Weten hoeveel u moet bufferen vereist een op feiten gebaseerde statistische analyse die nauwkeurig vragen kan beantwoorden zoals:

• Hoeveel extra voorraad is er nodig om de serviceniveaus van 5% te verbeteren
• Wat de klap op tijdige levering zal zijn als de voorraad met 5% wordt verminderd
• Welk serviceniveaudoel is het meest winstgevend.
• Hoe wordt het voorraadrisico beïnvloed door de willekeurige doorlooptijden waarmee we worden geconfronteerd?

Intuïtie kan deze vragen niet beantwoorden, strekt zich niet uit over duizenden onderdelen en heeft het vaak bij het verkeerde eind. Data, waarschijnlijkheidsberekeningen en moderne software zijn veel effectiever. Het is niet de weg naar duurzame uitmuntendheid.

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.

Denk eens aan een openbaar vervoersbedrijf. In de meeste grote steden zullen de jaarlijkse operationele budgetten de $3 miljard overschrijden. De kapitaaluitgaven voor treinen, metro's en infrastructuur kunnen jaarlijks honderden miljoenen bedragen. Bijgevolg zal een voorraad reserveonderdelen ter waarde van $150 miljoen wellicht niet de aandacht trekken van de CFO of algemeen directeur, aangezien deze een klein percentage van de balans vertegenwoordigt. Bovendien moeten in op MRO gebaseerde industrieën veel onderdelen de machineparken tien jaar of langer ondersteunen, waardoor extra voorraden een noodzakelijke troef zijn. In sommige sectoren, zoals nutsbedrijven, kan het aanhouden van extra voorraden zelfs gestimuleerd worden om ervoor te zorgen dat de apparatuur in goede staat blijft.

We hebben zorgen over overtollige voorraden zien ontstaan wanneer de magazijnruimte beperkt is. Ik herinner me dat ik aan het begin van mijn carrière getuige was van het spoorwegemplacement van een openbaar vervoersbedrijf, gevuld met verroeste assen met een waarde van meer dan $100.000 per stuk. Mij werd verteld dat de assen moesten worden blootgesteld aan de elementen vanwege onvoldoende magazijnruimte. De opportuniteitskosten die verband houden met de ruimte die wordt ingenomen door extra voorraad worden een overweging wanneer de magazijncapaciteit is uitgeput. De belangrijkste overweging die alle andere beslissingen overtroeft, is hoe de voorraad een hoog serviceniveau voor interne en externe klanten garandeert. Voorraadplanners maken zich veel meer zorgen over terugslag als gevolg van voorraadtekorten dan over overaankopen. Wanneer een ontbrekend onderdeel leidt tot een SLA-schending of het stilleggen van de productielijn, wat resulteert in miljoenen aan boetes en onherstelbare productie-output, is dat begrijpelijk.

Vermogensintensieve bedrijven missen één groot punt. Dat is de extra voorraad isoleert niet tegen stockouts; het draagt eraan bij. Hoe meer eigen risico u heeft, hoe lager uw algehele serviceniveau, omdat het geld dat nodig is om onderdelen te kopen eindig is, en geld uitgegeven aan overtollige voorraad betekent dat er geen contant geld beschikbaar is voor de onderdelen die het nodig hebben. Zelfs door de overheid gefinancierde MRO-bedrijven, zoals nutsbedrijven en transportbedrijven, erkennen nu meer dan ooit de noodzaak om de uitgaven te optimaliseren. Zoals een materiaalmanager deelde: “We kunnen problemen met zakken met contant geld uit Washington niet langer oplossen.” Ze moeten dus meer doen met minder, en zorgen voor een optimale toewijzing over de tienduizenden onderdelen die ze beheren.

Dit is waar state-of-the-art voorraadoptimalisatiesoftware van pas komt, die de benodigde voorraad voor gerichte serviceniveaus voorspelt, identificeert wanneer voorraadniveaus negatieve rendementen opleveren en herschikkingen aanbeveelt voor verbeterde algehele serviceniveaus. Smart Software helpt al tientallen jaren activa-intensieve MRO-gebaseerde bedrijven bij het optimaliseren van de bestelniveaus voor elk onderdeel. Bel ons voor meer informatie. 

Evenwichtsoefening

Bij voorraadbeheer gaat het, net als bij alles, om het balanceren van concurrerende prioriteiten. Wilt u een lean inventaris? Ja! Wil jij kunnen zeggen “Het is op voorraad” als een klant iets wil kopen? Ja!

Maar kun je het op beide manieren hebben? Slechts tot op zekere hoogte. Als u uw voorraad te agressief aanpast, riskeert u voorraadtekorten. Als je voorraadtekorten uitroeit, creëer je een opgeblazen voorraad. U wordt gedwongen een bevredigend evenwicht te vinden tussen de twee concurrerende doelen: een beperkte voorraad en een hoge beschikbaarheid van artikelen.

Een balans bereiken

Hoe breng je dat evenwicht tot stand? Te veel voorraadplanners 'schatten' hun weg naar een of ander antwoord. Of ze bedenken een keer een slim antwoord en hopen dat het een verre houdbaarheidsdatum heeft en blijven het gebruiken terwijl ze zich op andere problemen concentreren. Helaas zullen verschuivingen in de vraag en/of veranderingen in de prestaties van leveranciers en/of verschuivingen in de prioriteiten van uw eigen bedrijf oude voorraadplannen overbodig maken en u weer terugbrengen waar u begon.

Het is onvermijdelijk dat elk plan een houdbaarheidsdatum heeft en moet worden bijgewerkt. Het is echter zeker niet de beste praktijk om de ene gok door de andere te vervangen. In plaats daarvan zou elke planningscyclus gebruik moeten maken van moderne supply chain-software om giswerk te vervangen door op feiten gebaseerde analyses met behulp van waarschijnlijkheidsberekeningen.

Ken jezelf

Het enige dat software niet kan, is een beste antwoord berekenen zonder uw prioriteiten te kennen. Hoeveel prioriteit geeft u aan lean inventory boven artikelbeschikbaarheid? Software voorspelt de voorraad- en beschikbaarheidsniveaus die worden veroorzaakt door de beslissingen die u neemt over het beheer van elk item in uw inventaris, maar alleen u kunt beslissen of een bepaalde reeks belangrijke prestatie-indicatoren consistent is met wat u wilt.

Weten wat je wilt in algemene zin is gemakkelijk: je wilt alles. Maar weten wat je voorkeur heeft bij het vergelijken van specifieke scenario's is moeilijker. Het helpt om een scala aan realiseerbare mogelijkheden te kunnen zien en na te denken over wat het beste lijkt als ze naast elkaar worden gelegd.

Zie wat het volgende is

Supply chain-software kan u inzicht geven in de afwegingscurve. Over het algemeen weet u dat een beperkte voorraad en een hoge beschikbaarheid van artikelen elkaar tegenwerken, maar het zien van artikelspecifieke afwegingscurven verscherpt uw focus.

Waarom is er een bocht? Omdat u keuzes heeft over hoe u elk item beheert. Als u bijvoorbeeld voortdurend de voorraadstatus controleert, welke waarden wijst u dan toe aan de Min en Max waarden die bepalen wanneer aanvullingen moeten worden besteld en hoeveel er moet worden besteld. De afwegingscurve ontstaat omdat het kiezen van verschillende Min- en Max-waarden leidt tot verschillende niveaus van bij de hand inventaris en verschillende niveaus van artikelbeschikbaarheid, bijvoorbeeld zoals gemeten door vulpercentage.

Een scenario voor analyse

Om deze ideeën te illustreren, gebruikte ik a digitale tweeling  om in te schatten hoe verschillende waarden van Min en Max in een bepaald scenario zouden presteren. Het scenario concentreerde zich op een fictief reserveonderdeel met een puur willekeurige vraag met een redelijk hoog niveau onderbreking (37% aan dagen zonder vraag). De doorlooptijden voor het aanvullen waren een fluitje van een cent tussen 7 en 14 dagen. De Min- en Max-waarden werden systematisch gevarieerd: Min van 20 tot 40 eenheden, Max van Min+1 eenheden tot 2xMin eenheden. Elk (Min,Max) paar werd in totaal 1000 keer gesimuleerd gedurende 365 dagen gebruik. Vervolgens werden de resultaten gemiddeld om zowel het gemiddelde aantal beschikbare eenheden als het vulpercentage te schatten, dat wil zeggen het percentage van de dagelijkse behoeften waaraan onmiddellijk werd voldaan vanaf voorraad. Als de voorraad niet beschikbaar was, werd deze nabesteld.

Resultaten

Het experiment leverde twee soorten resultaten op:

• Grafieken die de relatie tonen tussen de min- en max-waarden en twee belangrijke prestatie-indicatoren: opvullingspercentage en gemiddelde beschikbare eenheden.
• Een afwegingscurve die laat zien hoe het opvullingspercentage en de beschikbare eenheden met elkaar in evenwicht zijn.

Figuur 1 toont de beschikbare inventaris als functie van de waarden van Min en Max. Het experiment leverde handniveaus op variërend van bijna 0 tot ongeveer 40 eenheden. Over het algemeen resulteert het constant houden van Min en het verhogen van Max in meer beschikbare eenheden. De relatie met Min is complexer: Max constant houden, Min verhogen voegt eerst de voorraad toe, maar vermindert deze op een gegeven moment.

Figuur 2 toont het vulpercentage als functie van de waarden Min en Max. Het experiment leverde opvullingspercentages op variërend van bijna 0% tot 100%. Over het algemeen weerspiegelden de functionele relaties tussen het opvullingspercentage en de waarden van Min en Max die in Figuur 1.

Figuur 3 maakt het belangrijkste punt duidelijk en laat zien hoe het variëren van Min en Max tot een perverse combinatie van de belangrijkste prestatie-indicatoren leidt. Over het algemeen zijn de waarden Min en Max die de beschikbaarheid van artikelen maximaliseren (opvullingspercentage) dezelfde waarden die de voorraadkosten maximaliseren (gemiddelde beschikbare eenheden). Dit algemene patroon wordt weergegeven door de blauwe curve. De experimenten leverden ook enkele uitlopers van de blauwe curve op die verband houden met slechte keuzes voor Min en Max, in de zin dat andere keuzes deze domineren door hetzelfde opvullingspercentage te produceren met een lagere voorraad.

Conclusies

Figuur 3 maakt duidelijk dat uw keuze voor het beheer van een voorraadartikel u dwingt om voorraadkosten af te wegen tegen de beschikbaarheid van artikelen. Je kunt enkele inefficiënte combinaties van Min- en Max-waarden vermijden, maar je kunt niet aan de afweging ontsnappen.

De goede kant van deze realiteit is dat je niet hoeft te raden wat er zal gebeuren als je je huidige waarden van Min en Max naar iets anders verandert. De software vertelt u wat de verhuizing u oplevert en wat het u gaat kosten. U kunt uw Guestimator-hoed afzetten en met vertrouwen uw ding doen.

Figuur 1 Voorhanden inventaris als functie van de min- en max-waarden

Figuur 2 Vulsnelheid als functie van Min- en Max-waarden

Figuur 3 Afwegingscurve tussen opvullingspercentage en voorhanden voorraad

Het meten van de nauwkeurigheid van prognoses is een onmiskenbaar belangrijk onderdeel van het vraagplanningsproces. Deze voorspellingsscorekaart zou kunnen worden opgebouwd op basis van een van de twee contrasterende gezichtspunten voor het berekenen van metrieken. Vanuit het foutperspectief wordt de vraag gesteld: “Hoe ver lag de voorspelling van de werkelijkheid?” Vanuit het nauwkeurigheidsperspectief wordt de vraag gesteld: “Hoe dicht lag de voorspelling bij de werkelijkheid?” Beide zijn geldig, maar foutstatistieken bieden meer informatie.

Nauwkeurigheid wordt weergegeven als een percentage tussen nul en 100, terwijl foutpercentages bij nul beginnen maar geen bovengrens hebben. Rapporten van MAPE (gemiddelde absolute procentuele fout) of andere foutstatistieken kunnen de titel 'voorspellingsnauwkeurigheid'-rapporten krijgen, waardoor het onderscheid vervaagt. Het kan dus zijn dat u wilt weten hoe u vanuit het foutenperspectief kunt overstappen naar het nauwkeurigheidsperspectief dat uw bedrijf omarmt. In deze blog wordt aan de hand van enkele voorbeelden beschreven hoe.

Nauwkeurigheidsgegevens worden zo berekend dat wanneer de werkelijke waarde gelijk is aan de voorspelling, de nauwkeurigheid 100% is en wanneer de voorspelling het dubbele of de helft is van de werkelijke, de nauwkeurigheid 0% is. Rapporten waarin de voorspelling met de werkelijkheid wordt vergeleken, bevatten vaak het volgende:

• De daadwerkelijke
• De prognose
• Eenheidsfout = Prognose – Werkelijk
• Absolute fout = Absolute waarde van eenheidsfout
• Absolute %-fout = Abs-fout / Werkelijk, als een %
• Nauwkeurigheid % = 100% – Absolute %-fout

Bekijk een paar voorbeelden die het verschil in aanpak illustreren. Stel dat de Werkelijke = 8 en de voorspelling is 10.

Eenheidsfout is 10 – 8 = 2

Absolute %-fout = 2/8, als % = 0,25 * 100 = 25%

Nauwkeurigheid = 100% – 25% = 75%.

Laten we nu zeggen dat de werkelijke waarde 8 is en de voorspelling 24.

Eenheidsfout is 24– 8 = 16

Absolute %-fout = 16/8 als % = 2 * 100 = 200%

Nauwkeurigheid = 100% – 200% = negatief is ingesteld op 0%.

In het eerste voorbeeld leveren nauwkeurigheidsmetingen dezelfde informatie op als foutmetingen, aangezien de voorspelling en de werkelijke situatie al relatief dicht bij elkaar liggen. Maar als de fout meer dan het dubbele is van de werkelijke, komen de nauwkeurigheidsmetingen uit op nul. Het geeft wel correct aan dat de voorspelling helemaal niet accuraat was. Maar het tweede voorbeeld is nauwkeuriger dan een derde, waarbij de werkelijke waarde 8 is en de voorspelling 200. Dat is een onderscheid dat een nauwkeurigheidsbereik van 0 tot 100% niet registreert. In dit laatste voorbeeld:

Eenheidsfout is 200 – 8 = 192

Absolute %-fout = 192/8, als % = 24 * 100 = 2,400%

Nauwkeurigheid = 100% – 2.400% = negatief is ingesteld op 0%.

Foutstatistieken blijven informatie verschaffen over hoe ver de voorspelling afwijkt van de werkelijke en geven aantoonbaar een betere weergave van de nauwkeurigheid van de voorspelling.

Wij moedigen aan om het foutperspectief te hanteren. U hoopt eenvoudigweg op een klein foutpercentage dat aangeeft dat de voorspelling niet ver van de werkelijkheid ligt, in plaats van te hopen op een groot nauwkeurigheidspercentage dat aangeeft dat de voorspelling dicht bij de werkelijkheid ligt. Deze mentaliteitsverandering biedt dezelfde inzichten en elimineert vervormingen.