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.
gerelateerde berichten
Hoe gaat het met ons? KPI's en KPP's
Het dagelijkse voorraadbeheer kan u bezig houden. Maar je weet dat je af en toe je hoofd omhoog moet brengen om te zien waar je naartoe gaat. Daarvoor moet uw inventarissoftware u statistieken tonen – en niet slechts één, maar een volledige set statistieken of KPI's – Key Performance Indicators.
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.
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.
recente berichten
Dagelijkse vraagscenario'sIn 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 spreadsheetplanningBedrijven 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 voorraadmodellenIn 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 voorspellingSoftware 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. […]
Slimme software gepresenteerd op Epicor Insights 2024Smart Software zal dit jaar aanwezig zijn op het Epicor Insights-evenement in Nashville. Als u van plan bent dit jaar aanwezig te zijn, bezoek dan stand #13 of #501 en leer meer over Epicor Smart Inventory Planning and Optimization. . […]
Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO
Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebbenMRO-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. […]
De voorspelling is belangrijk, maar misschien niet zoals u denktWaar 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 voorraadGeven 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 reserveonderdelenIn 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. […]
