1. Ingebouwde ERP-functionaliteit is ingebakken in Order Management.
Overweeg wat wordt bedoeld met "vraagbeheer", "vraagplanning" en "voorspelling". Deze voorwaarden impliceren bepaalde standaardfuncties voor samenwerking, statistische analyse en rapportage ter ondersteuning van een professioneel vraagplanningsproces. In de meeste ERP-systemen bestaat 'vraagbeheer' echter uit het uitvoeren van MRP en het afstemmen van vraag en aanbod met als doel het plaatsen van bestellingen, oftewel 'orderbeheer'. Het heeft weinig te maken met vraagplanning, een discreet proces dat gericht is op het ontwikkelen van de best mogelijke voorspellingen van de toekomstige vraag door statistische analyse te combineren met zakelijke kennis van evenementen, promoties en informatie over het verkoopteam. De meeste ERP-systemen bieden weinig statistische mogelijkheden en als ze worden aangeboden, heeft de gebruiker de keuze uit een paar statistische methoden die hij handmatig moet toepassen vanuit een vervolgkeuzelijst of zelf moet programmeren. Het is ingebakken in het orderbeheerproces, waardoor de gebruiker mogelijk kan zien hoe de prognose van invloed kan zijn op de voorraad. Er is echter geen enkele mogelijkheid om de prognose te beheren, de kwaliteit van de prognose te verbeteren, beheeronderdrukkingen toe te passen en te volgen, samen te werken, de nauwkeurigheid van de prognose te meten en bij te houden “voorspelbare toegevoegde waarde.”
2. ERP-planningsmethoden zijn vaak gebaseerd op simplistische vuistregels.
ERP-systemen bieden altijd min, max, veiligheidsvoorraad, bestelpunt, bestelhoeveelheid en prognoses om bevoorradingsbeslissingen te stimuleren. Maar hoe zit het met de onderliggende methoden die worden gebruikt om deze belangrijke drijfveren te berekenen? In bijna alle gevallen zijn de aangeboden methoden niets meer dan vuistregel benaderingen die geen rekening houden met de variabiliteit van vraag of leverancier. Sommige bieden wel "targeting op serviceniveau", maar vertrouwen ten onrechte op de aanname van een normale verdeling ("klokvormige curve"), wat betekent dat de vereiste veiligheidsvoorraden en bestelpunten die door het systeem worden aanbevolen om het serviceniveaudoel te bereiken, vlak zullen zijn verkeerd uit als uw gegevens niet passen in het ideale theoretische model, wat vaak erg onrealistisch is. Dergelijke te vereenvoudigde berekeningen doen meestal meer kwaad dan goed.
3. Waarschijnlijk gebruik je spreadsheets nog minimaal 2 jaar na aanschaf.
Als u een nieuwe ERP-oplossing zou implementeren, zouden uw oude gegevens meestal vastlopen. Alle systeemeigen ERP-functionaliteiten voor prognoses, het instellen van voorraadbeleid zoals min/max, enz. kunnen dus niet worden gebruikt en u zult gedwongen worden om gedurende ten minste twee jaar terug te grijpen op omslachtige en foutgevoelige spreadsheets (een jaar om te implementeren). op zijn vroegst en nog een jaar om ten minste 12 maanden geschiedenis te verzamelen). Nauwelijks een digitale transformatie. Het gebruik van een best-of-breed oplossing voorkomt dit probleem. U kunt gegevens uit uw oude ERP-systeem laden en uw ERP-implementatie niet verstoren. Dit betekent dat u op dag 1 van ERP-go-live uw nieuwe ERP-systeem kunt vullen met betere invoer voor vraagprognoses, veiligheidsvoorraden, bestelpunten en min/max-instellingen.
4. ERP is niet ontworpen om alles te doen
De "Doe alles in ERP/One-Vendor"-mentaliteit was een marketingboodschap die werd gepromoot door ERP-bedrijven, met name SAP, om u, de klant, 100% van uw IT-budget bij hen te laten uitgeven. Die marketingboodschap is door analistengroepen, IT-firma's en systeemintegrators aan de gebruikers nagepraat, waarbij rationele stemmen werden overstemd die vroegen: "Waarom wil je zo afhankelijk zijn van één bedrijf dat je inferieure technologie voor prognoses en voorraadplanning gebruikt?" ” Het enorme aantal IT-storingen en de enorme implementatiekosten hebben ertoe geleid dat veel bedrijven hun benadering van ERP hebben heroverwogen. Met de komst van gespecialiseerde planning-apps die in de cloud zijn geboren zonder IT-footprint, is de juiste keuze een "dunne" ERP gericht op de basisprincipes - boekhouding, orderbeheer, financiën - maar ondersteund door gespecialiseerde planning-apps.
De expertise van ERP-consultants ligt in hoe hun systeem is ontworpen om bepaalde bedrijfsprocessen te automatiseren en hoe het systeem kan worden geconfigureerd of aangepast. Hun adviseurs zijn geen specialisten in de juiste aanpak van voorraadplanning, prognoses en voorraadplanning. Dus als u probeert te begrijpen welke aanpak voor vraagplanning geschikt is voor uw bedrijf, hoe moet u dan goed bufferen (bijv. "Moeten we min/max of op prognoses gebaseerde aanvulling doen?" "Moeten we voorspellingsmethode X gebruiken?"), zul je het over het algemeen niet vinden en als je dat wel doet, zal die bron vrij dun verspreid zijn.
gerelateerde berichten

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
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.

Hoe u voorraadvereisten kunt voorspellen
Het voorspellen van voorraadbehoeften is een gespecialiseerde variant van prognoses die zich richt op de bovenkant van het bereik van mogelijke toekomstige vraag. Traditionele methoden zijn vaak gebaseerd op klokvormige vraagcurves, maar dit is niet altijd accuraat. In dit artikel duiken we in de complexiteit van deze praktijk, vooral als het gaat om de intermitterende vraag.