In dit artikel zullen we de functionaliteit voor 'voorgestelde bestellingen' in Epicor BisTrack bekijken, de beperkingen ervan uitleggen en samenvatten hoe Smart Inventory Planning & Optimization (Smart IP&O) kan helpen de voorraad te verminderen en voorraadtekorten te minimaliseren door de afwegingen tussen voorraadrisico's nauwkeurig te beoordelen. en voorraadkosten.

Automatisering van bevoorrading in Epicor BisTrack
Epicor BisTrack's “Suggested Ordering” kan de aanvulling beheren door voor te stellen wat te bestellen en wanneer, via op punten gebaseerd beleid voor herbestelling, zoals min-max en/of handmatig gespecificeerde leveringsweken. BisTrack bevat een aantal basisfunctionaliteiten om deze parameters te berekenen op basis van gemiddeld gebruik of omzet, doorlooptijd van leveranciers en/of door de gebruiker gedefinieerde seizoensaanpassingen. Als alternatief kunnen nabestelpunten volledig handmatig worden opgegeven. BisTrack presenteert de gebruiker vervolgens een lijst met voorgestelde bestellingen door inkomend aanbod, huidige voorraad, uitgaande vraag en voorraadbeleid op elkaar af te stemmen.

Hoe Epicor BisTrack “Aanbevolen bestelling” werkt
Om een lijst met voorgestelde bestellingen te krijgen, specificeren gebruikers de methoden achter de suggesties, inclusief locaties waarvoor ze bestellingen moeten plaatsen en hoe ze het voorraadbeleid kunnen bepalen dat bepaalt wanneer een suggestie wordt gedaan en in welke hoeveelheid.

Eerst wordt het veld “methode” gespecificeerd uit de volgende opties om te bepalen welk soort suggestie wordt gegenereerd en voor welke locatie(s):

Aankoop – Aanbevelingen voor inkooporders genereren.

1. Gecentraliseerd voor alle vestigingen – Genereert suggesties voor één locatie die inkopen doet voor alle andere locaties.
2. Per individueel filiaal – Genereert suggesties voor meerdere locaties (leveranciers verzenden rechtstreeks naar elk filiaal).
3. Per bronvertakking – Genereert suggesties voor een bronvertakking die materiaal zal overbrengen naar vertakkingen die deze bedient (“hub en sprak”).
4. Individuele vestigingen met overdrachten – Genereert suggesties voor een individuele vestiging die materiaal zal overdragen naar vestigingen die zij bedient (“hub and spoke”, waarbij de “hub” geen bronfiliaal hoeft te zijn).

Vervaardiging – Genereer werkordersuggesties voor gefabriceerde goederen.

1. Per productietak.
2. Per individuele vestiging.

Overdracht van brontak – Genereer overdrachtssuggesties van een bepaalde vestiging naar andere vestigingen.

Vervolgens wordt de “bestelling voorstellen aan” gespecificeerd uit de volgende opties:

1. Minimum – Stelt bestellingen voor “tot” de minimale beschikbare hoeveelheid (“min”). Voor elk artikel waarvan de voorraad minder is dan de minimumhoeveelheid, zal BisTrack een bestelsuggestie voorstellen om aan te vullen tot dit aantal.
2. Maximaal wanneer minder dan min – Stelt bestellingen voor “tot” een maximale voorhanden hoeveelheid wanneer de minimale voorhanden hoeveelheid wordt overschreden (bijvoorbeeld een min-max voorraadbeleid).

3. Gebaseerd op dekking (gebruik) – Stelt bestellingen voor op basis van dekking voor een door de gebruiker gedefinieerd aantal leveringsweken met betrekking tot een opgegeven doorlooptijd. Intern gegeven gebruik Afhankelijk van de vraag zal BisTrack bestellingen aanbevelen waarbij het aanbod kleiner is dan de gewenste dekking om het verschil te dekken.

4. Gebaseerd op meer dan (verkoop) – Stelt bestellingen voor op basis van dekking voor een door de gebruiker gedefinieerd aantal leveringsweken met betrekking tot een opgegeven doorlooptijd. Gegeven verkooporders Afhankelijk van de vraag zal BisTrack bestellingen aanbevelen waarbij het aanbod kleiner is dan de gewenste dekking om het verschil te dekken.

5. Alleen maximum – Stelt bestellingen voor “tot” een maximale voorhanden hoeveelheid waarbij het aanbod minder is dan dit maximum.

Ten slotte kunnen gebruikers, als BisTrack de drempels voor herbestellingen kan bepalen, aanvullende voorraaddekking specificeren als buffervoorraad, doorlooptijden, hoeveel maanden historische vraag er rekening mee moet houden, en kunnen ze ook handmatig periode-voor-periode wegingsschema's definiëren om de seizoensinvloeden te benaderen. De gebruiker krijgt een lijst met voorgestelde bestellingen op basis van de gedefinieerde criteria. Een inkoper kan vervolgens met één klik op de knop inkooporders voor leveranciers genereren.

Beperkingen

Vuistregelmethoden

Hoewel BisTrack organisaties in staat stelt automatisch bestelpunten te genereren, zijn deze methoden gebaseerd op eenvoudige gemiddelden die geen rekening houden met seizoensinvloeden, trends of de volatiliteit in de vraag naar een artikel. Gemiddelden zullen altijd achterblijven bij deze patronen en zijn niet in staat trends te volgen. Overweeg een zeer seizoensgebonden product zoals een sneeuwschep. Als we een gemiddelde nemen van de vraag in de zomer/herfst wanneer we het winterseizoen naderen, in plaats van vooruit te kijken, dan zullen de aanbevelingen gebaseerd zijn op de langzamere periodes in plaats van te anticiperen op de komende vraag. Zelfs als we de geschiedenis van een heel jaar of langer in ogenschouw nemen, zullen de aanbevelingen zonder handmatige tussenkomst overcompenseren tijdens de langzamere maanden en het drukke seizoen onderschatten.

Vuistregelmethoden falen ook als ze worden gebruikt als buffer tegen de variabiliteit van vraag en aanbod. De gemiddelde vraag gedurende de doorlooptijd kan bijvoorbeeld 20 eenheden bedragen. Een planner wil echter vaak meer dan 20 eenheden op voorraad hebben om te voorkomen dat de voorraad uitvalt als de doorlooptijden langer zijn dan verwacht of de vraag hoger is dan gemiddeld. Met BisTrack kunnen gebruikers de bestelpunten specificeren op basis van veelvouden van de gemiddelden. Omdat de veelvouden echter geen rekening houden met de mate van voorspelbaarheid en variabiliteit in de vraag, zult u altijd voorspelbare artikelen overbevoorraden en onvoorspelbare artikelen te weinig hebben. Lees dit artikel voor meer informatie over waarom veelvouden van het gemiddelde falen als het gaat om het ontwikkelen van het juiste bestelpunt.

Handmatige invoer
Over de eerder genoemde seizoensinvloeden gesproken: BisTrack biedt de gebruiker de mogelijkheid om deze te benaderen door het gebruik van handmatig ingevoerde “gewichten” voor elke periode. Dit dwingt de gebruiker om voor elk item te beslissen hoe dat seizoenspatroon eruit ziet. Zelfs daarbuiten moet de gebruiker dicteren hoeveel extra weken aan voorraad hij moet meenemen om voorraadtekorten tegen te gaan. en moet specificeren rond welke doorlooptijd moet worden gepland. Is 2 weken extra aanvoer voldoende? Is 3 genoeg? Of is dat teveel? Er is geen manier om dit te weten zonder te raden, en wat logisch is voor één item is misschien niet de juiste aanpak voor alle items.

Intermittent Demand
Veel BisTrack-klanten kunnen bepaalde items als “onvoorspelbaar” beschouwen vanwege de periodieke of ‘klonterige’ aard van hun vraag. Met andere woorden, artikelen die worden gekenmerkt door een sporadische vraag, grote pieken in de vraag en periodes van weinig of helemaal geen vraag. Traditionele methoden – en vooral de vuistregels – zullen niet werken voor dit soort items. Twee extra weken aanvoer voor een zeer voorspelbaar, stabiel artikel kunnen bijvoorbeeld veel te veel zijn; voor een artikel met een zeer volatiele vraag is dezelfde regel mogelijk niet voldoende. Zonder een betrouwbare manier om deze volatiliteit voor elk item objectief te beoordelen, blijven kopers gissen wanneer ze moeten kopen en hoeveel.

Terugkeren naar spreadsheets
De realiteit is dat de meeste BisTrack-gebruikers de neiging hebben om het grootste deel van hun planning offline, in Excel, te doen. Spreadsheets zijn niet speciaal ontworpen voor prognoses en voorraadoptimalisatie. Gebruikers zullen vaak door de gebruiker gedefinieerd bakken vuistregel methoden die vaak meer kwaad dan goed doen. Eenmaal berekend, moeten gebruikers de informatie handmatig opnieuw in BisTrack invoeren. Het tijdrovende karakter van het proces brengt bedrijven ertoe zelden hun voorraadbeleid berekenen - Er gaan vele maanden en soms jaren voorbij tussen de massa-updates, wat leidt tot een reactieve aanpak van ‘instellen en vergeten’, waarbij de enige keer dat een koper/planner het voorraadbeleid beoordeelt, is op het moment van de bestelling. Wanneer beleid wordt herzien nadat het orderpunt al is geschonden, is het te laat. Wanneer het bestelpunt te hoog wordt geacht, is handmatige ondervraging vereist om de geschiedenis te bekijken, voorspellingen te berekenen, bufferposities te beoordelen en opnieuw te kalibreren. Het enorme volume aan bestellingen betekent dat kopers bestellingen gewoon vrijgeven in plaats van de tijd te nemen om alles te beoordelen, wat leidt tot een aanzienlijke overtollige voorraad. Als het bestelpunt te laag is, is het al te laat. Er kan nu een spoedactie nodig zijn, waardoor de kosten omhoog gaan, ervan uitgaande dat de klant niet zomaar ergens anders heen gaat.

Epicor is slimmer
Epicor werkt samen met Smart Software en biedt Smart IP&O aan als een platformonafhankelijke add-on voor zijn ERP-oplossingen, waaronder BisTrack, een gespecialiseerde ERP voor de hout-, hardware- en bouwmaterialenindustrie. De Smart IP&O-oplossing wordt compleet geleverd met een bidirectionele integratie met BisTrack. Hierdoor kunnen klanten van Epicor gebruik maken van speciaal voor dit doel gebouwde, beste voorraadoptimalisatietoepassingen. Met Epicor Smart IP&O kunt u prognoses genereren die trends en seizoensinvloeden vastleggen zonder handmatige configuraties. U kunt het voorraadbeleid automatisch opnieuw kalibreren met behulp van in de praktijk bewezen, geavanceerde statistische en probabilistische modellen die zijn ontworpen om nauwkeurig te plannen Intermittent demand. Veiligheidsvoorraden houden nauwkeurig rekening met variabiliteit in vraag en aanbod, zakelijke omstandigheden en prioriteiten. U kunt profiteren service level gestuurde planning zodat je net genoeg voorraad hebt of gebruik maken van optimalisatie methodes die het meest winstgevende voorraadbeleid en serviceniveaus voorschrijven, waarbij rekening wordt gehouden met de werkelijke kosten van het aanhouden van voorraad. U kunt grondstoffenaankopen ondersteunen met nauwkeurige vraagvoorspellingen over langere horizonten, en 'wat-als'-scenario's uitvoeren om alternatieve strategieën te beoordelen voordat het plan wordt uitgevoerd.

Slimme IP&O-klanten realiseren routinematig een jaarlijks rendement van zeven cijfers door verminderde snelheid, hogere verkopen en minder overtollige voorraden, terwijl ze tegelijkertijd een concurrentievoordeel verwerven door zich te onderscheiden door verbeterde klantenservice. Om een opgenomen webinar te zien, gehost door de Epicor Users Group, waarin het Demand Planning en Inventory Optimization-platform van Smart wordt geprofileerd, registreer u dan hier.

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.