Service-Level-Driven Service Parts Planning voor Microsoft Dynamics BC of F&SC is een proces in vier stappen dat verder gaat dan vereenvoudigde prognoses en vuistregels voor veiligheidsvoorraden. Het biedt planners van serviceonderdelen datagestuurde, op risico's afgestemde ondersteuning bij het nemen van beslissingen.

De wiskunde om dit planningsniveau te bepalen, bestaat eenvoudigweg niet in de D365-functionaliteit. Het vereist wiskunde en AI die duizenden keren door berekeningen gaat voor elk onderdeel en onderdeelcentrum (locaties). Wiskunde en AI zoals deze zijn uniek voor Smart. Lees verder om meer te begrijpen. 

Stap 1. Zorg ervoor dat alle belanghebbenden het eens zijn over de maatstaven die er toe doen. 

Alle deelnemers aan het planningsproces voor de inventarisatie van service-onderdelen moeten het eens zijn over de definities en welke statistieken het belangrijkst zijn voor de organisatie. Serviceniveaus beschrijf het percentage van de tijd dat u volledig aan het vereiste gebruik kunt voldoen zonder een voorraad op te lopen. Vul tarieven specificeer het percentage van het aangevraagde verbruik dat direct uit voorraad wordt gevuld. (Bekijk deze les van 4 minuten voor meer informatie over de verschillen tussen serviceniveaus en opvullingspercentage hier.) Beschikbaarheid geeft het percentage actieve reserveonderdelen weer met een voorhanden voorraad van ten minste één eenheid. Kosten vasthouden zijn de kosten op jaarbasis van het aanhouden van voorraden, rekening houdend met veroudering, belastingen, rente, opslag en andere uitgaven. Tekort kosten zijn de kosten van het opraken van de voorraad, inclusief uitvaltijd van voertuigen/apparatuur, versnellingen, verloren verkopen en meer. Bestellen kosten zijn de kosten die gepaard gaan met het plaatsen en ontvangen van aanvullingsorders.

Stap 2. Benchmark historische en voorspelde huidige serviceniveauprestaties.

Alle deelnemers aan het planningsproces voor de inventarisatie van service-onderdelen moeten een gemeenschappelijk inzicht hebben in de voorspelde toekomstige serviceniveaus, opvullingspercentages en kosten en de implicaties daarvan voor uw activiteiten met service-onderdelen. Het is van cruciaal belang om zowel historisch te meten Kritieke Prestatie Indicatoren (KPI's) en hun voorspellende equivalenten, Belangrijkste prestatievoorspellingen (KPP's). Door gebruik te maken van moderne software kunt u prestaties uit het verleden benchmarken en gebruikmaken van probabilistische prognosemethoden om toekomstige prestaties te simuleren. Vrijwel elke Demand Planning-oplossing stopt hier. Smart gaat verder stress testen uw huidige voorraadbeleid tegen alle plausibele toekomstige vraagscenario's. Het zijn deze duizenden berekeningen die onze KPP's bouwen. De nauwkeurigheid hiervan verbetert het vermogen van de D365 om de kosten van het aanhouden van te veel in evenwicht te brengen met de kosten van het niet genoeg hebben. U weet van tevoren hoe het huidige en voorgestelde voorraadbeleid waarschijnlijk zal presteren.

Stap 3. Spreek gerichte serviceniveaus af voor elk reserveonderdeel en onderneem proactieve corrigerende maatregelen wanneer wordt voorspeld dat doelen niet worden gehaald. 

Onderdelenplanners, leidinggevenden in de toeleveringsketen en de mechanische/onderhoudsteams moeten het eens worden over de gewenste serviceniveaudoelen met een volledig begrip van de wisselwerking tussen voorraadrisico en voorraadkosten. Een oproep hier is dat onze D365-klanten bijna altijd versteld staan van het verschil in voorraadniveau tussen de beschikbaarheid van 100% en 99.5%. Met de logica voor bijna 10.000 scenario's dat er bijna nooit een half procent uitvalt. U realiseert een volledig voorraadbeleid met veel lagere kosten. Je vindt de onderdelen die ondervoorraad zijn en corrigeert deze. Het evenwichtspunt is vaak een 7-12% verlaging van de voorraadkosten. 

Dit benutten van wat-als-scenario's in onze software voor onderdelenplanning kunnen management en inkopers eenvoudig alternatief voorraadbeleid vergelijken en bepalen welke het best aansluiten bij de zakelijke doelstellingen. Voor sommige onderdelen is een kleine voorraad in orde. Voor anderen hebben we die beschikbaarheid van 99.5%-onderdelen nodig. Zodra deze limieten zijn overeengekomen, gebruiken we de kracht van D365 om de voorraad te optimaliseren met behulp van D365 core ERP zoals het hoort. De planning wordt automatisch geüpload om Dynamics in te schakelen met gewijzigde bestelpunten, veiligheidsvoorraadniveaus en/of min/max-parameters. Dit ondersteunt een enkel Enterprise-centerpunt en mensen gebruiken niet meerdere systemen voor hun dagelijkse onderdelenbeheer en inkoop.

Stap 4. Maak het zo en houd het zo. 

Geef het planningsteam de kennis en tools die het nodig heeft om ervoor te zorgen dat u een overeengekomen balans vindt tussen serviceniveaus en kosten. Dit is cruciaal en belangrijk. Het is ook belangrijk om Dynamics F&SC of BC te gebruiken om uw ERP-transacties uit te voeren. Deze twee Dynamics ERP's hebben het hoogste niveau van nieuwe ERP-groei ter wereld. Het is logisch om ze te gebruiken zoals ze bedoeld zijn. Het vullen van de witte ruimte voor de wiskundige en AI-berekeningen voor Onderhoud en Onderdelenbeheer is ook logisch. Dit vereist een meer complexe en gerichte oplossing om te helpen. Smart Software Inventory Optimization voor EAM en Dynamics ERP's biedt het antwoord.    

Onthoud: Herkalibratie van uw voorraadbeleid voor serviceonderdelen is preventief onderhoud tegen zowel stockouts als overtollige voorraad. Het helpt kosten, maakt kapitaal vrij voor ander gebruik en ondersteunt best practices voor uw team. 

Breid Microsoft 365 F&SC en AX uit met Smart IP&O

Registreer u hier om een opname te zien van het Microsoft Dynamics Communities-webinar over Smart IP&O:

https://smartcorp.com/inventory-planning-with-microsoft-365-fsc-and-ax/

"Ongeacht hoeveel moeite er wordt gestoken in het opleiden van voorspellers en het ontwikkelen van uitgebreide ondersteuningssystemen voor prognoses, besluitvormers zullen de voorspellingen wijzigen of negeren als ze ze niet vertrouwen." — Dilek Onkal, International Journal of Forecasting 38:3 (juli-september 2022), p.802.

De hierboven geciteerde woorden trokken mijn aandacht en leidden tot dit bericht. Degenen met een nerdachtige overtuiging, zoals uw blogger, zijn geneigd prognoses als een statistisch probleem te beschouwen. Hoewel dat duidelijk waar is, begrijpen degenen van een bepaalde leeftijd, zoals uw blogger, dat prognoses ook een sociale activiteit zijn en daarom een grote menselijke component heeft.

Wie vertrouw je?

Vertrouwen is altijd tweerichtingsverkeer, maar laten we aan de kant van de vraagvoorspeller blijven. Welke kenmerken van en acties van voorspellers en vraagplanners bouwen vertrouwen op in hun werk? De hierboven geciteerde professor Onkal besprak academisch onderzoek over dit onderwerp dat teruggaat tot 2006. Ze vatte de resultaten samen van praktijkonderzoeken die belangrijke vertrouwensfactoren identificeerden met betrekking tot de kenmerken van de voorspeller, het prognoseproces en de communicatie over prognoses.

Voorspeller kenmerken

De sleutel tot het opbouwen van vertrouwen onder de gebruikers van prognoses is de perceptie van de competentie en objectiviteit van de voorspeller en vraagplanner. Competentie heeft een wiskundige component, maar veel managers verwarren computervaardigheden met analytische vaardigheden, dus gebruikers van prognosesoftware kunnen deze hindernis meestal nemen. Aangezien de twee echter niet hetzelfde zijn, loont het om de training van uw leverancier op u te nemen en niet alleen de wiskunde maar ook het jargon van uw prognosesoftware te leren. Vertrouwen kan mijns inziens ook worden vergroot door kennis te tonen van de business van het bedrijf.

Objectiviteit is ook een sleutel tot betrouwbaarheid. Het kan ongemakkelijk zijn voor de voorspeller om af en toe in afdelingsruzies terecht te komen, maar die komen naar boven en moeten met tact worden behandeld. Ruzies? Nou, silo's bestaan en kantelen in verschillende richtingen. Verkoopafdelingen geven de voorkeur aan hogere vraagprognoses die de productie verhogen, zodat ze nooit hoeven te zeggen: "Sorry, we zijn vers van dat." Voorraadbeheerders zijn op hun hoede voor prognoses met een hoge vraag, omdat "overmatig enthousiasme" ervoor kan zorgen dat ze de zak vasthouden en op een opgeblazen voorraad zitten.

Soms wordt de voorspeller een de facto scheidsrechter, en moet in deze rol openlijke tekenen van objectiviteit vertonen. Dat kan betekenen dat eerst moet worden erkend dat bij elke managementbeslissing goede dingen moeten worden afgewogen tegen andere goede dingen, bijvoorbeeld productbeschikbaarheid versus gestroomlijnde operaties, en dat de partijen vervolgens moeten worden geholpen om een pijnlijke maar aanvaardbare balans te vinden door de verbanden tussen operationele beslissingen en de belangrijkste prestatiestatistieken aan het licht te brengen. die belangrijk zijn voor mensen als Chief Financial Officers.

Het prognoseproces

Het prognoseproces kan worden beschouwd als drie fasen: gegevensinvoer, berekeningen en uitvoer. In elke fase kunnen acties worden ondernomen om het vertrouwen te vergroten.

Wat betreft ingangen:

Het vertrouwen kan worden vergroot als duidelijk relevante invoer op zijn minst wordt erkend als deze niet direct in berekeningen wordt gebruikt. Factoren zoals het sentiment op sociale media en het onderbuikgevoel van regionale verkoopmanagers kunnen dus legitieme onderdelen zijn van een consensusproces voor prognoses. Objectiviteit vereist echter dat deze vermeende winstvoorspellers objectief worden getoetst. Een professioneel prognoseproces kan bijvoorbeeld heel goed een subjectieve aanpassing van statistische prognoses omvatten, maar moet dan ook beoordelen of de aanpassingen uiteindelijk de nauwkeurigheid verbeteren en niet alleen dat sommige mensen zich gehoord voelen.

Wat betreft de tweede fase, berekeningen:

De voorspeller zal worden vertrouwd in de mate dat hij in staat is om meer dan één manier te gebruiken om prognoses te berekenen en vervolgens een goede reden kan verwoorden waarom hij voor de uiteindelijk gebruikte methode heeft gekozen. Daarnaast moet de voorspeller in toegankelijke taal kunnen uitleggen hoe zelfs ingewikkelde technieken hun werk doen. Het is moeilijk om vertrouwen te stellen in een 'black box'-methode die zo ondoorzichtig is dat hij ondoorgrondelijk is. Het belang van verklaarbaarheid wordt nog versterkt door het feit dat de leidinggevende van de voorspeller op zijn beurt in staat moet zijn om de keuze van de gebruikte techniek te verantwoorden. hun leidinggevende.

Exponentiële afvlakking gebruikt bijvoorbeeld deze vergelijking: S(t) = αX(t)+(1-α)S(t-1). Veel voorspellers zijn bekend met deze vergelijking, maar veel voorspellingsgebruikers niet. Er is een verhaal dat de vergelijking verklaart in termen van het gemiddelde van irrelevante "ruis" in de vraaggeschiedenis van een artikel en de noodzaak om een balans te vinden tussen het wegwerken van ruis en het vermogen om te reageren op plotselinge verschuivingen in het niveau van de vraag. De voorspeller die dat verhaal kan vertellen, zal geloofwaardiger zijn. (Mijn eigen versie van dat verhaal gebruikt uitdrukkingen uit de sport, dwz "hoofdvervalsingen" en "jukes". Het vinden van folkachtige analogen die geschikt zijn voor uw specifieke publiek, loont altijd.)

Een laatste punt: best practice vereist dat elke voorspelling vergezeld gaat van een eerlijke beoordeling van de onzekerheid ervan. Een voorspeller die vertrouwen probeert op te bouwen door te specifiek te zijn ("Verkoop volgend kwartaal zal 12.184 eenheden zijn") zal altijd falen. Een voorspeller die zegt: "De verkoop in het volgende kwartaal heeft een kans dat de 90% tussen de 12.000 en 12.300 eenheden valt", zal zowel vaker correct zijn als ook nuttiger voor besluitvormers. Per slot van rekening is prognoses in wezen een taak van risicobeheer, dus de besluitvormer is er het beste mee gediend als hij de risico's kent.

Prognose communicatie:

Overweeg ten slotte de derde fase, communicatie van prognoseresultaten. Onderzoek wijst uit dat voortdurende communicatie met prognosegebruikers vertrouwen opbouwt. Het vermijdt die afschuwelijke, leeglopende momenten waarop een mooi opgemaakt rapport wordt neergeschoten vanwege een fatale fout die had kunnen worden voorzien: "Dit is niet goed omdat je geen rekening hebt gehouden met X, Y of Z" of "We wilden echt u om resultaten opgerold te presenteren naar de top van de producthiërarchieën (of per verkoopregio of per productlijn of…)”.

Zelfs als iedereen op één lijn zit met wat er wordt verwacht, wordt het vertrouwen vergroot door resultaten te presenteren met behulp van goed gemaakte grafische afbeeldingen, met enorme numerieke tabellen als back-up, maar niet als de belangrijkste manier om resultaten te communiceren. Mijn ervaring is dat, net als een apparaat om vergaderingen te controleren, een grafiek meestal veel beter is dan een grote numerieke tabel. Bij een grafiek is ieders aandacht op hetzelfde gericht en zijn veel aspecten van de analyse direct (en letterlijk) zichtbaar. Bij een resultatentabel valt de deelnemerstafel vaak uiteen in nevengesprekken waarin elke stem zich richt op verschillende delen van de tafel.

Onkal vat het onderzoek als volgt samen: "Take-aways voor degenen die prognoses maken en degenen die ze gebruiken, komen samen rond duidelijkheid van communicatie en percepties van competentie en integriteit."

Waar vertrouw je op?

Er is een verwante dimensie van vertrouwen: niet wie vertrouw je, maar wat vertrouw je? Hiermee bedoel ik zowel data als software….  Lees hier het 2e deel van deze Blog “Wat vertrouw je”.  https://smartcorp.com/forecasting/the-role-of-trust-in-the-demand-forecasting-process-part-2-what/

Hoe lang moet het duren voordat een vraagprognose wordt berekend met behulp van statistische methoden? Deze vraag wordt vaak gesteld door klanten en prospects. Het antwoord hangt er echt van af. Voorspellingsresultaten voor een enkel item kunnen in een oogwenk worden berekend, in slechts enkele honderdsten van een seconde, maar soms kan het zelfs vijf seconden duren. Om de verschillen te begrijpen, is het belangrijk om te begrijpen dat er meer bij komt kijken dan alleen de rekenkundige berekeningen zelf door te spitten. Hier zijn zes factoren die de snelheid van uw prognose-engine beïnvloeden.

1) Prognosemethode.  Traditionele tijdreeks-extrapolatieve technieken (zoals exponentiële afvlakking en voortschrijdend-gemiddeldemethoden) zijn, mits slim gecodeerd, razendsnel. De automatische prognose-engine Smart Forecast, die gebruikmaakt van deze technieken en onze software voor vraagplanning en voorraadoptimalisatie aandrijft, kan bijvoorbeeld in 1 seconde statistische prognoses voor 1000 artikelen genereren! Extrapolatieve methoden produceren een verwachte voorspelling en een samenvattende maatstaf voor de voorspellingsonzekerheid. Complexere modellen in ons platform die probabilistische vraagscenario's genereren, duren echter veel langer bij dezelfde computerbronnen. Dit komt deels omdat ze een veel groter outputvolume creëren, meestal duizenden plausibele toekomstige vraagreeksen. Meer tijd, ja, maar geen tijdverspilling, aangezien deze resultaten veel vollediger zijn en de basis vormen voor downstream-optimalisatie van voorraadbeheerparameters.

2) Computerbronnen.  Hoe meer bronnen u naar de berekening gooit, hoe sneller het zal zijn. Middelen kosten echter geld en het is misschien niet economisch om in deze middelen te investeren. Om bijvoorbeeld bepaalde soorten op machine learning gebaseerde prognoses te laten werken, moet het systeem multithread-berekeningen over meerdere servers uitvoeren om snel resultaten te leveren. Zorg er dus voor dat u de veronderstelde rekenresources en bijbehorende kosten begrijpt. Onze berekeningen vinden plaats in de Amazon Web Services-cloud, dus het is mogelijk om desgewenst voor een groot deel van de parallelle berekeningen te betalen.

3) Aantal tijdreeksen.  Moet u slechts een paar honderd artikelen op één locatie of vele duizenden artikelen op tientallen locaties voorspellen? Hoe groter het aantal combinaties van SKU x Locatie, hoe langer de benodigde tijd. Het is echter mogelijk om de tijd om vraagprognoses te krijgen te verkorten door een betere vraagclassificatie. Het is bijvoorbeeld niet belangrijk om elke combinatie van SKU x Locatie te voorspellen. Moderne software voor vraagplanning kan de gegevens eerst subsetten op basis van volume-/frequentieclassificaties voordat de prognose-engine wordt uitgevoerd. We hebben situaties waargenomen waarin meer dan een miljoen combinaties van SKU x Locatie bestonden, maar waar slechts tien procent vraag naar had in de voorgaande twaalf maanden.

4) Historisch emmeren. Maakt u prognoses met behulp van dagelijkse, wekelijkse of maandelijkse tijdsintervallen? Hoe gedetailleerder de bucketing, hoe meer tijd het kost om statistische prognoses te berekenen. Veel bedrijven zullen zich afvragen: "Waarom zou iemand dagelijks prognoses willen maken?" State-of-the-art software voor vraagvoorspelling kan echter gebruikmaken van dagelijkse gegevens om gelijktijdige dag-van-week- en week-van-maandpatronen te detecteren die anders zouden worden verdoezeld met traditionele maandelijkse vraagbuckets. En de snelheid van zaken blijft toenemen, wat de concurrentiekracht van het traditionele maandelijkse planningstempo bedreigt.

5) Hoeveelheid geschiedenis. Beperkt u het model door alleen de meest recente vraaghistorie in te voeren, of voert u alle beschikbare historie in de vraagvoorspellingssoftware? Hoe meer historie u het model voedt, hoe meer gegevens er moeten worden geanalyseerd en hoe langer het gaat duren.

6) Aanvullende analytische verwerking.  Tot nu toe hebben we ons voorgesteld om de vraaggeschiedenis van items in te voeren en prognoses te krijgen. Maar het proces kan ook aanvullende analytische stappen omvatten die de resultaten kunnen verbeteren. Voorbeelden zijn onder meer:

a) Uitbijterdetectie en -verwijdering om de vervorming te minimaliseren die wordt veroorzaakt door eenmalige gebeurtenissen zoals stormschade.

b) Machine learning dat beslist hoeveel geschiedenis moet worden gebruikt voor elk item door verandering van regime te detecteren.

c) Causale modellering die identificeert hoe veranderingen in vraagbepalende factoren (zoals prijs, rentevoet, klantensentiment, enz.) de toekomstige vraag beïnvloeden.

d) Melding van uitzonderingen die data-analyse gebruikt om ongebruikelijke situaties te identificeren die nadere beoordeling door het management verdienen.

De rest van het verhaal. Het is ook van cruciaal belang om te begrijpen dat de tijd om een antwoord te krijgen meer inhoudt dan de snelheid van het voorspellen van berekeningen per se. Gegevens moeten in het geheugen worden geladen voordat de berekening kan beginnen. Zodra de prognoses zijn berekend, moet uw browser de resultaten laden zodat ze op het scherm kunnen worden weergegeven zodat u ermee kunt werken. Als u een product opnieuw voorspelt, kunt u ervoor kiezen om de resultaten op te slaan. Als u werkt met producthiërarchieën (het samenvoegen van artikelprognoses tot productfamilies, families tot productlijnen, enz.), zal de nieuwe prognose de hiërarchie beïnvloeden en moet alles op elkaar worden afgestemd. Dit kost allemaal tijd.

Snel genoeg voor jou? Wanneer u software evalueert om te zien of aan uw behoefte aan snelheid zal worden voldaan, kan dit allemaal worden getest als onderdeel van een proof of concept of proef aangeboden door leveranciers van software voor vraagplanning. Test het uit, en zorg ervoor dat de berekenen, laden en opslaan tijden zijn acceptabel gezien de hoeveelheid gegevens en prognosemethoden die u wilt gebruiken om uw proces te ondersteunen.

 Wat is het wiggle-effect? 

Het is wanneer uw statistische prognose de ups en downs die in uw vraaggeschiedenis zijn waargenomen, 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:

Klant: “De prognose volgt niet de patronen die ik in de historie zie. Waarom niet?" 

Smart: “Als je goed kijkt, zijn de ups en downs die je ziet geen patronen. Het is echt lawaai.”  

Klant: "Maar als we de hoogtepunten niet voorspellen, slaan we de voorraad op."

Smart: “Als de voorspelling zou 'wiebelen', zou die veel minder nauwkeurig zijn. Het systeem voorspelt welk patroon dan ook, in dit geval een zeer lichte opwaartse trend. We bufferen het lawaai met veiligheidsvoorraden. De wiggles worden gebruikt om de veiligheidsvoorraden in te stellen.”

Klant: “Oké. Logisch nu.” 

De wiggle ziet er geruststellend uit, maar in dit geval resulteert het in een onjuiste vraagprognose. De ups en downs vinden niet echt elke maand op hetzelfde tijdstip plaats. Een betere statistische voorspelling wordt weergegeven in lichtgroen.

Microsoft Dynamics 365 F&SC en AX kunnen aanvulling beheren door te suggereren wat te bestellen en wanneer via op bestelpunten gebaseerd voorraadbeleid. Een uitdaging waarmee klanten worden geconfronteerd, is dat inspanningen om deze niveaus te handhaven zeer gedetailleerd zijn georiënteerd en dat het ERP-systeem vereist dat de gebruiker deze bestelpunten en/of prognoses handmatig specificeert. Als alternatief genereren veel organisaties handmatig voorraadbeleid met behulp van Excel-spreadsheets of andere ad-hocbenaderingen.

Deze methoden zijn tijdrovend en beide resulteren waarschijnlijk in een zekere mate van onnauwkeurigheid. Als gevolg hiervan zal de organisatie eindigen met overtollige voorraad, onnodige tekorten en een algemeen wantrouwen in hun softwaresystemen. In dit artikel zullen we de functionaliteit voor het bestellen van voorraad in AX / D365 F&SC bekijken, de beperkingen ervan uitleggen en samenvatten hoe slimme voorraadplanning en -optimalisatie kan helpen de kaspositie van een bedrijf te verbeteren. Dit wordt bereikt door verminderde voorraad, geminimaliseerde en gecontroleerde stockouts. Gebruik van Smart Software levert voorspellende functionaliteit die ontbreekt in Dynamics 365.

Microsoft Dynamics 365 F&SC en AX-aanvullingsbeleid

In de voorraadbeheermodule van AX en F&SC kunnen gebruikers voor elk voorraadartikel handmatig planningsparameters invoeren. Deze parameters omvatten bestelpunten, doorlooptijden veiligheidsvoorraad, hoeveelheden veiligheidsvoorraad, bestelcycli en bestelmodificatoren zoals door de leverancier opgelegde minimale en maximale bestelhoeveelheden en veelvouden van bestellingen. Eenmaal ingevoerd, zal het ERP-systeem de inkomende voorraad, de actuele voorraad, de uitgaande vraag en de door de gebruiker gedefinieerde prognoses en voorraadbeleid afstemmen om het leveringsplan of orderschema (dwz wat te bestellen en wanneer) te berekenen.

Er zijn 4 keuzes voor het aanvullingsbeleid in F&SC en AX: vaste bestelhoeveelheid, maximale hoeveelheid, lot-voor-lot en klantordergestuurd.

• Vaste bestelhoeveelheid en Max zijn op bestelpunten gebaseerde aanvullingsmethoden. Beide suggereren bestellingen wanneer de beschikbare voorraad het bestelpunt bereikt. Bij een vaste ROQ is de ordergrootte gespecificeerd en zal deze niet variëren totdat deze wordt gewijzigd. Bij Max variëren de bestelgroottes op basis van de voorraadpositie op het moment van bestelling, waarbij bestellingen tot aan de Max worden geplaatst.
• Lot-voor-lot is een op prognoses gebaseerde aanvullingsmethode die de totale voorspelde vraag bundelt over een door de gebruiker gedefinieerd tijdsbestek (de "lotaccumulatieperiode") en een bestelsuggestie genereert voor de totale voorspelde hoeveelheid. Dus als uw totale voorspelde vraag 100 eenheden per maand is en de accumulatieperiode van de partij 3 maanden is, dan is uw bestelsuggestie gelijk aan 300 eenheden.
• Orde gedreven is een op bestelling gebaseerde aanvullingsmethode. Het maakt geen gebruik van bestelpunten of prognoses. Zie het als een "sell one, buy one"-logica die alleen bestellingen plaatst nadat de vraag is ingevoerd.

Beperkingen

Alle F&SC / AX-aanvulinstellingen moeten handmatig worden ingevoerd of geïmporteerd via aangepaste uploads die door klanten zijn gemaakt. Er is gewoon geen manier voor gebruikers om native invoer te genereren (vooral niet optimale). Het gebrek aan geloofwaardige functionaliteit voor prognoses op eenheidsniveau en voorraadoptimalisatie binnen het ERP-systeem is de reden waarom zoveel AX- en F&SC-gebruikers gedwongen zijn te vertrouwen op spreadsheets voor planning en vervolgens handmatig de parameters in te stellen die het ERP nodig heeft. In werkelijkheid stellen de meeste planners handmatig vraagprognoses in en herbestellen.

En wanneer ze spreadsheets kunnen gebruiken, vertrouwen ze vaak op brede vuistregelmethoden die resulteren in het gebruik van vereenvoudigde statistische modellen. Eenmaal berekend in de spreadsheet moeten deze in F&SC/AX worden geladen. Ze worden vaak geladen via omslachtige bestandsimporten of handmatig ingevoerd. Vanwege de tijd en moeite die het kost om deze op te bouwen, werken bedrijven deze cijfers niet vaak bij.

Als deze eenmaal zijn ingevoerd, hebben organisaties de neiging om een reactieve benadering van veranderingen te gebruiken. De enige keer dat een koper/planner het voorraadbeleid beoordeelt, is jaarlijks of op het moment van aankopen of productie. Sommige bedrijven zullen ook reageren nadat ze problemen hebben ondervonden met te lage (of te hoge) voorraden. Om dit in AX en F&AS te beheren, is handmatige ondervraging vereist om de geschiedenis te bekijken, prognoses te berekenen, bufferposities te beoordelen en opnieuw te kalibreren.

Microsoft erkent deze beperkingen in hun kern-ERP's en begrijpt de aanzienlijke uitdagingen voor klanten. Als reactie hierop heeft Microsoft prognoses gepositioneerd onder hun AI Azure-stack. Deze methode valt buiten de kern-ERP's. Het wordt aangeboden als een toolset voor datawetenschappers om te gebruiken bij het definiëren van aangepaste complexe statistieken en berekeningen zoals een bedrijf wenst. Dit komt bovenop enkele eenvoudige basisberekeningen, aangezien het uitgangspunt zich momenteel in de opstartfase van ontwikkeling bevindt. Hoewel dit op de lange termijn winst kan opleveren, betekent deze methode momenteel dat klanten helemaal opnieuw beginnen en definiëren wat Microsoft momenteel 'experimenten' noemt om de vraagplanning te meten.

Het komt erop neer dat klanten voor grote uitdagingen staan om de Dynamics-stack zelf te krijgen om deze problemen op te lossen. Het resultaat is dat CFO's minder geld beschikbaar hebben voor wat ze nodig hebben en dat Sales Execs verkoopkansen onvervuld hebben en mogelijk omzet mislopen omdat het bedrijf de goederen die de klant wil niet kan verzenden.

Word slimmer

Zou het niet beter zijn om gewoon een best-of-breed add-on te gebruiken voor vraagplanning; en een best-of-breed oplossing voor voorraadoptimalisatie om kosten en uitvoeringsniveaus te beheren en in evenwicht te houden? Zou het niet beter zijn om dit dagelijks of wekelijks te kunnen doen om uw beslissingen zo dicht mogelijk bij de behoefte te kunnen nemen, geld te besparen en tegelijkertijd aan de verkoopvraag te voldoen?

Stel je voor dat je een bidirectionele integratie hebt met AX en F&AS, zodat dit allemaal gemakkelijk en snel werkt. Een waar:

• u kunt beleid automatisch opnieuw kalibreren in frequente planningscycli met behulp van in de praktijk bewezen, geavanceerde statistische modellen,
• u zou vraagprognoses kunnen berekenen die rekening houden met seizoens-, trend- en cyclische patronen,
• U zou automatisch optimalisatiemethoden gebruiken die het meest winstgevende voorraadbeleid en serviceniveaus voorschrijven die rekening houden met de werkelijke kosten van voorraadbeheer en voorraadonderbrekingen, waardoor u een volledig economisch beeld krijgt,
• U kunt contant geld vrijmaken voor gebruik binnen het bedrijf en uw voorraadniveaus beheren om de orderafhandeling te verbeteren terwijl u dit geld vrijmaakt.
• u zou veiligheidsvoorraden en voorraadniveaus hebben die rekening houden met de variabiliteit van vraag en aanbod, zakelijke omstandigheden en prioriteiten,
• u zou specifieke serviceniveaus kunnen targeten op productgroepen, klanten, magazijnen of een andere dimensie die u hebt geselecteerd,
• u verhoogt de algehele bedrijfswinst en balansgezondheid.

Breid Microsoft 365 F&SC en AX uit met Smart IP&O

Registreer u hier om een opname te zien van het Microsoft Dynamics Communities-webinar over Smart IP&O:

https://smartcorp.com/inventory-planning-with-microsoft-365-fsc-and-ax/