Geef overtollige voorraad niet de schuld van "slechte" verkoop-/klantprognoses

Verkoopprognoses zijn vaak onnauwkeurig, simpelweg omdat het verkoopteam gedwongen wordt een cijfer te geven, ook al weten ze niet echt wat de vraag van hun klanten zal zijn. Laat de verkoopteams verkopen. Doe geen moeite om het spel te spelen van het veinzen van acceptatie van deze voorspellingen als beide partijen (verkoop en toeleveringsketen) weten dat het vaak niets meer is dan een WAG. Doe dit in plaats daarvan:

Accepteer variabiliteit in de vraag als een feit van het leven. Ontwikkel een planningsproces dat dat wel doet een betere baan houdt rekening met de variabiliteit van de vraag.

Maak afspraken over een niveau van voorraadrisico dat acceptabel is voor groepen artikelen.

Zodra het voorraadrisico is overeengekomen, gebruikt u software om een nauwkeurige schatting te maken van de veiligheidsvoorraad die nodig is om de variabiliteit in de vraag tegen te gaan.

Ontvang een buy-in. Klanten moeten bereid zijn een hogere prijs per eenheid te betalen om extreem hoge serviceniveaus te kunnen leveren. Verkopers moeten accepteren dat bepaalde items meer kans hebben op backorders als ze prioriteit geven aan voorraadinvesteringen in andere items.

Het gebruik van een consensus #safetystock-proces zorgt ervoor dat u goed buffert en de juiste verwachtingen schept bij verkoop, klanten, financiën en toeleveringsketen.

Wanneer u dit doet, verlost u alle partijen van het voorspellingsspel dat ze in de eerste plaats niet konden spelen. U krijgt betere resultaten, zoals hogere serviceniveaus met lagere voorraadkosten. En met veel minder vingerwijzen.

Een praktische gids voor het opzetten van een professioneel prognoseproces

Veel bedrijven die hun prognoseproces willen verbeteren, weten niet waar ze moeten beginnen. Het kan verwarrend zijn om te worstelen met het leren van nieuwe statistische methoden, ervoor zorgen dat gegevens correct zijn gestructureerd en bijgewerkt, het eens worden over wie "eigenaar" is van de prognose, definiëren wat eigendom betekent en meetnauwkeurigheid. Na meer dan veertig jaar oefenen hebben we deze blog geschreven om de belangrijkste focus te schetsen en om u aan te moedigen om het in het begin simpel te houden.

1. Objectiviteit. Begrijp en communiceer eerst dat het proces van vraagplanning en -prognose een oefening in objectiviteit is. De focus ligt op het verkrijgen van input uit verschillende bronnen (stakeholders, klanten, functioneel beheerders, databases, leveranciers, enz.) en het bepalen of die input waarde toevoegt. Als u bijvoorbeeld een statistische prognose overschrijft en 20% aan de projectie toevoegt, moet u er niet zomaar van uitgaan dat u het automatisch goed had. Wees in plaats daarvan objectief en controleer of die opheffing de prognosenauwkeurigheid heeft vergroot of verkleind. Als u merkt dat uw overrides de zaken erger hebben gemaakt, heeft u iets gewonnen: dit informeert het proces en u weet dat u in de toekomst override-beslissingen beter kunt onderzoeken.

2. Teamwerk. Erken dat prognoses en vraagplanning teamsporten zijn. Maak afspraken over wie het team zal aanvoeren. De kapitein is verantwoordelijk voor het maken van de statistische basisprognoses en het toezicht houden op het vraagplanningsproces. Maar de resultaten zijn afhankelijk van het feit of iedereen in het team een positieve bijdrage levert, gegevens verstrekt, alternatieve methoden voorstelt, aannames in twijfel trekt en aanbevolen acties uitvoert. De uiteindelijke resultaten zijn eigendom van het bedrijf en elke afzonderlijke belanghebbende.

3. Meting. Fixeer u niet op benchmarks voor de nauwkeurigheid van prognoses in de branche. Elke SKU heeft zijn eigen niveau van "voorspelbaarheid", en u kunt een aantal moeilijke items beheren. Creëer in plaats daarvan uw eigen benchmarks op basis van een reeks steeds geavanceerdere prognosemethoden. Geavanceerde statistische prognoses lijken in het begin misschien ontmoedigend ingewikkeld, dus begin eenvoudig met een basismethode, zoals het voorspellen van de historische gemiddelde vraag. Meet vervolgens hoe dicht die simpele voorspelling de werkelijk waargenomen vraag benadert. Werk van daaruit verder naar technieken die te maken hebben met complicaties zoals trend en seizoensinvloeden. Meet de voortgang met behulp van nauwkeurigheidsstatistieken die door uw software zijn berekend, zoals de gemiddelde absolute procentuele fout (MAPE). Hierdoor kan uw bedrijf elke prognosecyclus een beetje beter worden.

4. Tempo. Richt u vervolgens op het maken van prognoses tot een op zichzelf staand proces dat niet wordt gecombineerd met het complexe proces van voorraadoptimalisatie. Voorraadbeheer is gebaseerd op een solide vraagvoorspelling, maar is gericht op andere onderwerpen: wat te kopen, wanneer te kopen, minimale bestelhoeveelheden, veiligheidsvoorraden, voorraadniveaus, doorlooptijden van leveranciers, enz. Laat voorraadbeheer later verder gaan . Bouw eerst "voorspellingskracht" op door het voorspellingsproces te creëren, te herzien en te ontwikkelen om een regelmatige cadans te hebben. Wanneer uw proces voldoende volwassen is, kunt u de toenemende snelheid van het bedrijfsleven bijbenen door het tempo van uw prognoseproces te verhogen tot ten minste een maandelijks tempo.

Opmerkingen

Het herzien van het prognoseproces van een bedrijf kan een grote stap zijn. Soms gebeurt het als er personeelsverloop is, soms als er een nieuw ERP-systeem is, soms als er nieuwe prognosesoftware is. Wat de overhaaste gebeurtenis ook is, deze verandering is een kans om het proces dat je eerder had te heroverwegen en te verfijnen. Maar proberen de hele olifant in één keer op te eten is een vergissing. In deze blog hebben we enkele discrete stappen uiteengezet die u kunt nemen om een succesvolle evolutie naar een beter prognoseproces te maken.

Soorten prognoseproblemen die we helpen oplossen

Hier zijn voorbeelden van prognoseproblemen die SmartForecasts kan oplossen, samen met de soorten bedrijfsgegevens die representatief zijn voor elk.

Een item voorspellen op basis van het patroon

Welke omzet kunt u, gegeven de volgende zes kwartaalverkoopcijfers, verwachten voor het derde en vierde kwartaal van 2023?

Verkoop per kwartaal

SmartForecasts biedt u vele manieren om dit probleem aan te pakken. U kunt uw eigen statistische prognoses maken met een van de zes verschillende Exponential smoothing en Moving average methoden. Of, zoals de meeste niet-technische voorspellers, kunt u de tijdbesparende automatische opdracht gebruiken, die is geprogrammeerd om automatisch de meest nauwkeurige methode voor uw gegevens te selecteren en te gebruiken. Ten slotte kunt u, om uw zakelijke oordeel in het prognoseproces op te nemen, elk statistisch prognoseresultaat grafisch aanpassen met behulp van SmartForecasts' "oogbol" aanpassing mogelijkheden.

Een item voorspellen op basis van zijn relatie met andere variabelen.

Gezien de volgende historische relatie tussen de verkoop per eenheid en het aantal vertegenwoordigers, welke verkoopniveaus kunt u verwachten wanneer de geplande toename van het verkooppersoneel plaatsvindt in de laatste twee kwartalen van 2023?

Verkoop en verkoopvertegenwoordigers per kwartaal

U kunt een vraag als deze beantwoorden met behulp van het krachtige SmartForecasts Regressie commando, speciaal ontworpen om prognosetoepassingen te vergemakkelijken die oplossingen voor regressieanalyse vereisen. Regressiemodellen met een vrijwel onbeperkt aantal onafhankelijke/voorspellersvariabelen zijn mogelijk, hoewel de meeste bruikbare regressiemodellen slechts een handvol voorspellers gebruiken.

Gelijktijdig een aantal productitems en hun totaal voorspellen

Gegeven de volgende totale verkoop voor alle overhemden en de verdeling van de verkoop per kleur, wat zal de individuele en totale verkoop zijn in de komende zes maanden?

Maandelijkse verkoop van overhemden per kleur

De unieke Group Forecasting-functies van SmartForecasts voorspellen automatisch en gelijktijdig nauw verwante tijdreeksen, zoals deze artikelen in dezelfde productgroep. Dit bespaart veel tijd en levert prognoseresultaten op, niet alleen voor de afzonderlijke artikelen, maar ook voor het totaal. "Eyeball"-aanpassingen op zowel item- als groepsniveau zijn eenvoudig te maken. U kunt snel prognoses maken voor productgroepen met honderden of zelfs duizenden artikelen.

Automatisch duizenden items voorspellen

Wat kunt u verwachten van de vraag in de komende zes maanden voor elk van de 5.000 SKU's, gegeven het volgende record van productvraag op SKU-niveau?

Maandelijkse productvraag per SKU (Stock Keeping Unit)

In slechts een paar minuten kan de krachtige automatische selectie van SmartForecasts een prognosetaak van deze omvang uitvoeren, de gegevens over de productvraag lezen, automatisch statistische prognoses voor elke SKU maken en het resultaat opslaan. De resultaten zijn vervolgens klaar voor export naar uw ERP-systeem met behulp van een van onze API-gebaseerde connectoren of via bestandsexport. Eenmaal ingesteld, worden er automatisch elke planningscyclus prognoses gemaakt zonder tussenkomst van de gebruiker.

Voorspelling van de vraag die meestal nul is

Een apart en vooral uitdagend type data om te voorspellen is periodieke vraag, die meestal nul is, maar op willekeurige tijdstippen omhoog springt naar willekeurige waarden die niet gelijk zijn aan nul. Dit patroon is typerend voor de vraag naar langzaam in beweging items, zoals service-onderdelen of groot ticket kapitaalgoederen.

Kijk bijvoorbeeld eens naar het volgende voorbeeld van de vraag naar serviceonderdelen voor vliegtuigen. Let op het overwicht van nulwaarden met niet-nulwaarden vermengd, vaak in bursts.

SmartForecasts heeft een unieke methode die speciaal is ontworpen voor dit soort data: de functie Intermittent Demand forecasting. Aangezien intermitterende vraag het vaakst ontstaat in de context van voorraadbeheer, richt deze functie zich op het voorspellen van het bereik van waarschijnlijke waarden voor de totale vraag gedurende een doorlooptijd, bijvoorbeeld de cumulatieve vraag over de periode van 23 juni tot 23 augustus in het bovenstaande voorbeeld .

Voorspellen van voorraadbehoeften

Het voorspellen van voorraadvereisten is een gespecialiseerde variant van prognoses die zich richt op de bovenkant van het bereik van mogelijke toekomstige waarden.

Overweeg voor de eenvoud het probleem van het voorspellen van voorraadbehoeften voor slechts één periode vooruit, bijvoorbeeld één dag vooruit. Gewoonlijk is de prognosetaak het schatten van het meest waarschijnlijke of gemiddelde niveau van de productvraag. Als de beschikbare voorraad echter gelijk is aan de gemiddelde vraag, is er een kans van ongeveer 50% dat de vraag de voorraad overtreft, wat resulteert in omzetverlies en/of goodwill. Het voorraadniveau instellen op bijvoorbeeld tien keer de gemiddelde vraag zal waarschijnlijk het probleem van stockouts elimineren, maar zal net zo zeker resulteren in opgeblazen voorraadkosten.

De truc van voorraadoptimalisatie is om een bevredigende balans te vinden tussen voldoende voorraad hebben om aan de meeste vraag te voldoen zonder al te veel middelen in het proces vast te leggen. Meestal is de oplossing een combinatie van zakelijk inzicht en statistieken. Het beoordelende deel is het definiëren van een acceptabel voorraadserviceniveau, zoals het direct uit voorraad voldoen aan 95% vraag. Het statistische deel is om het 95e percentiel van de vraag te schatten.

Wanneer niet omgaan met Intermittent demand, schat SmartForecasts het vereiste voorraadniveau door uit te gaan van een klokvormige (normale) vraagcurve, zowel het midden als de breedte van de klokcurve te schatten en vervolgens een standaard statistische formule te gebruiken om het gewenste percentiel te schatten. Het verschil tussen het gewenste voorraadniveau en het gemiddelde niveau van de vraag wordt de veiligheidsvoorraad genoemd omdat het beschermt tegen de mogelijkheid van stockouts.

Bij intermitterende vraag is de klokvormige curve een slechte benadering van de statistische verdeling van de vraag. In dit speciale geval gebruikt SmartForecasts gepatenteerde intermitterende vraagvoorspellingstechnologie om het vereiste voorraadserviceniveau te schatten.

Drie manieren om de nauwkeurigheid van prognoses te schatten

Nauwkeurigheid van prognoses is een belangrijke maatstaf om de kwaliteit van uw vraagplanningsproces te beoordelen. (Het is niet de enige. Anderen omvatten tijdigheid en kosten; zie 5 Tips voor vraagplanning voor het berekenen van prognoseonzekerheid.) Zodra u prognoses heeft, zijn er een aantal manieren om hun nauwkeurigheid samen te vatten, meestal aangeduid met obscure drie- of vierletterige acroniemen zoals MAPE, RMSE en MAE. Zien Vier handige manieren om prognosefouten te meten voor meer informatie.

Een minder besproken maar meer fundamentele kwestie is hoe computationele experimenten worden georganiseerd voor het berekenen van voorspellingsfouten. Deze post vergelijkt de drie belangrijkste experimentele ontwerpen. Een van hen is ouderwets en komt in wezen neer op valsspelen. Een andere is de gouden standaard. Een derde is een handig hulpmiddel dat de gouden standaard nabootst en kan het beste worden gezien als een voorspelling van hoe de gouden standaard zal uitpakken. Figuur 1 is een schematische weergave van de drie methoden.

Afbeelding 1: Drie manieren om prognosefouten te beoordelen

Het bovenste paneel van figuur 1 geeft de manier weer waarop voorspellingsfouten werden beoordeeld in het begin van de jaren '80 voordat we de stand van de techniek verplaatsten naar het schema in het middelste paneel. Vroeger werden prognoses beoordeeld op dezelfde gegevens die werden gebruikt om de prognoses te berekenen. Nadat een model aan de gegevens was aangepast, waren de berekende fouten niet voor modelvoorspellingen maar voor model past bij. Het verschil is dat prognoses voor toekomstige waarden zijn, terwijl aanpassingen voor gelijktijdige waarden zijn. Stel dat het voorspellingsmodel een eenvoudig voortschrijdend gemiddelde is van de drie meest recente waarnemingen. Op tijdstip 3 berekent het model het gemiddelde van waarnemingen 1, 2 en 3. Dit gemiddelde wordt dan vergeleken met de waargenomen waarde op tijdstip 3. We noemen dit vals spelen omdat de waargenomen waarde op tijdstip 3 een stem kreeg over wat de voorspelling zou moeten zijn op tijdstip 3. Een echte prognosebeoordeling zou het gemiddelde van de eerste drie waarnemingen vergelijken met de waarde van de volgende, vierde, observatie. Anders blijft de voorspeller achter met een te optimistische beoordeling van de nauwkeurigheid van de voorspelling.

Het onderste paneel van figuur 1 toont de beste manier om de nauwkeurigheid van prognoses te beoordelen. In dit schema worden alle historische vraaggegevens gebruikt om in een model te passen, dat vervolgens wordt gebruikt om toekomstige, onbekende vraagwaarden te voorspellen. Uiteindelijk ontvouwt de toekomst zich, onthullen de werkelijke toekomstige waarden zich en kunnen werkelijke voorspellingsfouten worden berekend. Dit is de gouden standaard. Deze informatie wordt ingevuld in het rapport 'Prognoses versus actuals' in onze software.

Het middelste paneel toont een handige tussenmaat. Het probleem met de gouden standaard is dat u moet wachten om erachter te komen hoe goed de door u gekozen prognosemethoden presteren. Deze vertraging helpt niet wanneer u op dit moment moet kiezen welke prognosemethode u voor elk item wilt gebruiken. Het geeft ook geen tijdige inschatting van de prognoseonzekerheid die u zult ervaren, wat belangrijk is voor risicobeheer zoals het afdekken van prognoses. De middenweg is gebaseerd op hold-out-analyse, die de meest recente waarnemingen uitsluit (“holds out”) en de voorspellingsmethode vraagt zijn werk te doen zonder die grondwaarheden te kennen. Vervolgens kunnen de prognoses op basis van de verkorte vraaggeschiedenis worden vergeleken met de uitgestelde werkelijke waarden om een eerlijke beoordeling van de prognosefout te krijgen.

Een inleiding op probabilistische prognoses

De slimme voorspeller

Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Als je op de hoogte blijft van het nieuws over supply chain-analyse, u komt vaker de uitdrukking "probabilistische prognoses" tegen. Als deze zin raadselachtig is, lees dan verder.

U weet waarschijnlijk al wat 'voorspelling' betekent. En je weet waarschijnlijk ook dat er veel verschillende manieren lijken te zijn om het te doen. En je hebt waarschijnlijk scherpe kleine zinnen gehoord als 'elke voorspelling is verkeerd'. Dus je weet dat een soort van wiskundige zou kunnen berekenen dat "de voorspelling is dat u volgende maand 100 eenheden zult verkopen", en dan zou u 110 eenheden kunnen verkopen, in welk geval u een 10%-voorspellingsfout heeft.

Je weet misschien niet dat wat ik zojuist heb beschreven een bepaald soort voorspelling is, een 'puntvoorspelling'. Een puntenvoorspelling wordt zo genoemd omdat deze uit slechts een enkel getal bestaat (dwz één punt op de getallenlijn, als je je de getallenlijn herinnert uit je jeugd).

Punt voorspellingen hebben één deugd: ze zijn eenvoudig. Ze hebben ook een fout: ze geven aanleiding tot snauwende uitspraken als 'elke voorspelling is verkeerd'. Dat wil zeggen, in de meeste realistische gevallen is het onwaarschijnlijk dat de werkelijke waarde exact gelijk zal zijn aan de voorspelling. (Wat niet zo erg is als de voorspelling dichtbij genoeg is.)

Dit brengt ons bij 'probabilistische voorspellingen'. Deze aanpak is een stap verder, want in plaats van een voorspelling met één cijfer (punt) te produceren, levert het een kansverdeling op voor de voorspelling. En in tegenstelling tot traditionele extrapolatieve modellen die puur op historische gegevens vertrouwen, hebben probabilistische voorspellingen de mogelijkheid om toekomstige waarden te simuleren die niet verankerd zijn in het verleden.

"Waarschijnlijkheidsverdeling" is een verbiedende uitdrukking, die wat mysterieuze wiskunde oproept waar je misschien van hebt gehoord maar nooit hebt bestudeerd. Gelukkig hebben de meeste volwassenen genoeg levenservaring om het concept intuïtief te begrijpen. Wanneer afgebroken, is het vrij eenvoudig te begrijpen.

Stel je de simpele handeling voor van het opgooien van twee munten. Je zou dit onschuldig plezier kunnen noemen, maar ik noem het een 'probabilistisch experiment'. Het totale aantal kop dat op de twee munten verschijnt, is nul, één of twee. Het opgooien van twee munten is een 'willekeurig experiment'. Het resulterende aantal koppen is een "willekeurige variabele". Het heeft een "kansverdeling", wat niets meer is dan een tabel van hoe waarschijnlijk het is dat de willekeurige variabele een van zijn mogelijke waarden zal blijken te hebben. De kans om twee kop te krijgen als de munten eerlijk zijn, is ¼, net als de kans op geen kop. De kans op één kop is ½.

Dezelfde benadering kan een interessantere willekeurige variabele beschrijven, zoals de dagelijkse vraag naar een reserveonderdeel. Figuur 2 toont een dergelijke kansverdeling. Het werd berekend door drie jaar dagelijkse vraaggegevens te verzamelen over een bepaald onderdeel dat wordt gebruikt in een wetenschappelijk instrument dat aan ziekenhuizen wordt verkocht.

Figuur 1: De kansverdeling van de dagelijkse vraag naar een bepaald reserveonderdeel

De verdeling in figuur 1 kan worden gezien als een probabilistische voorspelling van de vraag op één dag. Voor dit specifieke onderdeel zien we dat de voorspelling zeer waarschijnlijk nul zal zijn (97% kans), maar soms voor een handvol eenheden, en eens in de drie jaar twintig eenheden. Hoewel de meest waarschijnlijke voorspelling nul is, zou je er een paar bij de hand willen houden als dit onderdeel van cruciaal belang zou zijn ("... bij gebrek aan een spijker ...")

Laten we deze informatie nu gebruiken om een meer gecompliceerde probabilistische voorspelling te maken. Stel dat je drie eenheden bij de hand hebt. Hoeveel dagen duurt het voordat je er geen hebt? Er zijn veel mogelijke antwoorden, variërend van een enkele dag (als u onmiddellijk een vraag krijgt voor drie of meer) tot een zeer groot aantal (aangezien 97% dagen geen vraag ziet). De analyse van deze vraag is een beetje ingewikkeld vanwege de vele manieren waarop deze situatie zich kan voordoen, maar het uiteindelijke antwoord dat het meest informatief is, is een kansverdeling. Het blijkt dat het aantal dagen totdat er geen eenheden meer in voorraad zijn de verdeling heeft zoals weergegeven in figuur 2.

Figuur 2: Verdeling van het aantal dagen totdat alle drie de units op zijn

Het gemiddelde aantal dagen is 74, wat een puntvoorspelling zou zijn, maar er is veel variatie rond het gemiddelde. Vanuit het perspectief van voorraadbeheer valt op dat er een kans van 25% is dat alle units na 32 dagen op zijn. Dus als u besluit om meer te bestellen terwijl er nog maar drie in het schap liggen, zou het goed zijn als de leverancier ze u bezorgt voordat er een maand is verstreken. Als ze dat niet konden, zou je een kans van 75% hebben om de voorraad op te slaan - niet goed voor een cruciaal onderdeel.

De analyse achter figuur 2 omvatte het maken van enkele aannames die handig waren, maar niet nodig als ze niet waar waren. De resultaten kwamen van een methode genaamd "Monte Carlo-simulatie", waarin we beginnen met drie eenheden, een willekeurige vraag kiezen uit de verdeling in figuur 1, deze aftrekken van de huidige voorraad en doorgaan totdat de voorraad op is, waarbij wordt geregistreerd hoeveel dagen gingen voorbij voordat je op was. Herhaling van dit proces 100.000 keer geproduceerd Figuur 2.

Toepassingen van Monte Carlo-simulatie strekken zich uit tot problemen met een nog grotere reikwijdte dan het bovenstaande voorbeeld "wanneer zijn we op". Vooral belangrijk zijn Monte Carlo-voorspellingen van de toekomstige vraag. Hoewel het gebruikelijke voorspellingsresultaat een reeks puntvoorspellingen is (bijvoorbeeld de verwachte vraag per eenheid in de komende twaalf maanden), weten we dat er een aantal manieren zijn waarop de werkelijke vraag zich zou kunnen voordoen. Simulatie zou kunnen worden gebruikt om bijvoorbeeld duizend mogelijke sets van 365 dagelijkse vraagbehoeften te produceren.

Deze reeks vraagscenario's zou het scala aan mogelijke situaties waarmee een voorraadsysteem het hoofd zou moeten bieden, vollediger blootleggen. Dit gebruik van simulatie wordt "stresstesten" genoemd, omdat het een systeem blootstelt aan een reeks gevarieerde maar realistische scenario's, waaronder enkele vervelende. Die scenario's worden vervolgens ingevoerd in wiskundige modellen van het systeem om te zien hoe goed het zal omgaan, zoals weerspiegeld in key performance indicators (KPI's). Hoeveel stockouts zijn er bijvoorbeeld in die duizend gesimuleerde jaren van werking in het slechtste jaar? het gemiddelde jaar? het beste jaar? Wat is in feite de volledige kansverdeling van het aantal stockouts in een jaar, en wat is de verdeling van hun omvang?

Figuren 3 en 4 illustreren probabilistische modellering van een voorraadbeheersysteem dat stockouts omzet in backorders. Het gesimuleerde systeem gebruikt een Min/Max-regelbeleid met Min = 10 eenheden en Max = 20 eenheden.

Figuur 3 toont een gesimuleerd jaar van dagelijkse operaties in vier plots. De eerste grafiek toont een bepaald patroon van willekeurige dagelijkse vraag waarin de gemiddelde vraag gestaag toeneemt van maandag tot vrijdag, maar in het weekend verdwijnt. De tweede grafiek toont het aantal eenheden dat elke dag voorhanden is. Merk op dat er tijdens dit gesimuleerde jaar een tiental keren is dat de voorraad negatief wordt, wat wijst op stockouts. De derde grafiek toont de omvang en timing van aanvullingsorders. De vierde grafiek toont de omvang en timing van backorders. De informatie in deze plots kan worden vertaald in schattingen van voorraadinvesteringen, gemiddelde eenheden voorhanden, houdkosten, bestelkosten en tekortkosten.

Figuur 3: Een gesimuleerd jaar van werking van het voorraadsysteem

Figuur 3 toont één van duizend gesimuleerde jaren. Elk jaar zal verschillende dagelijkse eisen hebben, wat resulteert in verschillende waarden van statistieken, zoals beschikbare eenheden en de verschillende componenten van de bedrijfskosten. Figuur 4 geeft de verdeling weer van 1.000 gesimuleerde waarden van vier KPI's. Door 1000 jaar ingebeelde werking te simuleren, wordt het bereik van mogelijke resultaten blootgelegd, zodat planners niet alleen rekening kunnen houden met gemiddelde resultaten, maar ook de best-case en worst-case-waarden kunnen zien.

Figuur 4: Verdelingen van vier KPI's op basis van 1.000 simulaties

Monte Carlo-simulatie is een benadering met weinig wiskunde en hoge resultaten voor probabilistische prognoses: zeer praktisch en gemakkelijk uit te leggen. Geavanceerde probabilistische voorspellingsmethoden die door Smart Software worden gebruikt, breiden uit op de standaard Monte Carlo-simulatie en leveren uiterst nauwkeurige schattingen van de vereiste voorraadniveaus op.

Laat een reactie achter

gerelateerde berichten

Smart Software kondigt patent van de volgende generatie aan

Smart Software is verheugd de toekenning van US Patent 11,656,887 aan te kondigen. Het patent leidt “technische oplossingen voor het analyseren van historische vraaggegevens van middelen in een technologieplatform om het beheer van een geautomatiseerd proces in het platform te vergemakkelijken.

Hebben uw statistische prognoses last van het wiggle-effect?

Wat is het wiggle-effect? Het is wanneer uw statistische prognose de ups en downs die zijn waargenomen in uw vraaggeschiedenis onjuist voorspelt terwijl er echt geen patroon is. Het is belangrijk om ervoor te zorgen dat uw prognoses niet schommelen, tenzij er een echt patroon is. Hier is een transcriptie van een recente klant waar dit probleem werd besproken:

Hoe om te gaan met statistische prognoses van nul

Een statistische voorspelling van nul kan veel verwarring veroorzaken bij voorspellers, vooral wanneer de historische vraag niet nul is. Natuurlijk, het is duidelijk dat de vraag naar beneden neigt, maar moet deze naar nul evolueren?

recente 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. […]
Zes best practices voor vraagplanning waar u twee keer over moet nadenken
Op elk gebied, inclusief voorspellingen, wordt volkswijsheid verzameld die zich uiteindelijk voordoet als ‘best practices’. Deze best practices zijn vaak verstandig, althans gedeeltelijk, maar missen vaak context en zijn mogelijk niet geschikt voor bepaalde klanten, sectoren of bedrijfssituaties. Er zit vaak een addertje onder het gras: een ‘ja, maar’. Deze opmerking gaat over zes doorgaans juiste voorspellingen, die niettemin hun kanttekeningen plaatsen. […]
Uitleggen wat 'serviceniveau' betekent in uw voorraadoptimalisatiesoftware
Navigeren door de fijne kneepjes van voorraadaanbevelingen kan vaak leiden tot vragen over de juistheid en betekenis ervan. Een recent onderzoek van een van onze klanten leidde tot een verhelderende discussie over de nuances van serviceniveaus en bestelpunten. Tijdens een teamvergadering hebben we ongebruikelijke hiaten vastgesteld tussen onze Smart-suggested reorder points (ROP) op een 99%-serviceniveau en de huidige ROP van de klant. In dit bericht ontrafelen we het concept van een "99%-serviceniveau" en de implicaties ervan voor voorraadoptimalisatie, waarbij we licht werpen op hoe timing en onmiddellijke voorraadbeschikbaarheid een cruciale rol spelen bij het voldoen aan de verwachtingen van de klant en concurrerend blijven in diverse industrieën. […]

Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

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. […]
5 stappen om de financiële impact van reserveonderdelenplanning te verbeteren
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. […]
Bottom Line-strategieën voor de planning van reserveonderdelen
Het beheer van reserveonderdelen brengt tal van uitdagingen met zich mee, zoals onverwachte storingen, veranderende schema's en inconsistente vraagpatronen. Traditionele prognosemethoden en handmatige benaderingen zijn niet effectief in het omgaan met deze complexiteit. Om deze uitdagingen het hoofd te bieden, schetst deze blog de belangrijkste strategieën die prioriteit geven aan serviceniveaus, probabilistische methoden gebruiken om bestelpunten te berekenen, het voorraadbeleid regelmatig aanpassen en een speciaal planningsproces implementeren om overmatige voorraad te voorkomen. Verken deze strategieën om de inventaris van reserveonderdelen te optimaliseren en de operationele efficiëntie te verbeteren. […]
Bereid uw reserveonderdelenplanning voor op onverwachte schokken
In het onvoorspelbare zakenklimaat van vandaag moeten we ons zorgen maken over verstoringen in de toeleveringsketen, lange doorlooptijden, stijgende rentetarieven en een volatiele vraag. Met al deze uitdagingen is het voor organisaties nog nooit zo belangrijk geweest om het gebruik van onderdelen en voorraadniveaus nauwkeurig te voorspellen en het bevoorradingsbeleid, zoals bestelpunten, veiligheidsvoorraden en bestelhoeveelheden, te optimaliseren. In deze blog onderzoeken we hoe bedrijven gebruik kunnen maken van innovatieve oplossingen, zoals voorraadoptimalisatie en software voor het voorspellen van onderdelen die gebruikmaken van machine learning-algoritmen, probabilistische prognoses en analyses om voorop te blijven lopen en hun toeleveringsketens te beschermen tegen onverwachte schokken. […]