Eenvoudig is goed, behalve als dat niet het geval is

In deze blog sturen we het gesprek in de richting van het transformatieve potentieel van technologie op het gebied van voorraadbeheer. De discussie draait om de beperkingen van eenvoudig denken bij het beheren van voorraadbeheerprocessen en de noodzaak van het adopteren van systematische softwareoplossingen. Dr. Tom Willemain benadrukt het contrast tussen Smart Software en de basale, zij het comfortabele, benaderingen die doorgaans door veel bedrijven worden toegepast. Deze elementaire methoden, die vaak de voorkeur genieten vanwege hun gebruiksgemak en nulkosten, worden onder de loep genomen vanwege hun tekortkomingen bij het aanpakken van de dynamische uitdagingen van voorraadbeheer.

Het belang van dit onderwerp ligt in de cruciale rol die voorraadbeheer speelt in de operationele efficiëntie van een bedrijf en de directe impact ervan op klanttevredenheid en winstgevendheid. Dr. Tom Willemain wijst op de veelvoorkomende valkuilen van het vertrouwen op te eenvoudige vuistregels, zoals het grillige kinderrijmpje dat door een bedrijf wordt gebruikt om de herschikkingspunten te bepalen, of de onderbuikgevoel-methode, die afhangt van niet-kwantificeerbare intuïtie in plaats van van gegevens. Hoewel deze benaderingen aantrekkelijk zijn in hun eenvoud, slagen ze er niet in zich aan te passen aan marktschommelingen, de betrouwbaarheid van leveranciers of veranderingen in de vraag, waardoor aanzienlijke risico's voor het bedrijf ontstaan. De video bekritiseert ook de praktijk van het vaststellen van herschikkingspunten op basis van veelvouden van de gemiddelde vraag, waarbij de minachting voor de volatiliteit van de vraag wordt benadrukt, een fundamentele overweging in de voorraadtheorie.

Concluderend pleit de presentator voor een meer geavanceerde, datagestuurde benadering van voorraadbeheer. Door gebruik te maken van geavanceerde softwareoplossingen zoals die van Smart Software, kunnen bedrijven complexe vraagpatronen nauwkeurig modelleren en voorraadregels stresstesten aan de hand van talloze toekomstscenario's. Deze wetenschappelijke methode maakt het mogelijk om bestelpunten in te stellen die rekening houden met de reële variabiliteit, waardoor het risico op voorraadtekorten en de daaraan verbonden kosten worden geminimaliseerd. De video benadrukt dat, hoewel eenvoudige heuristieken verleidelijk kunnen zijn vanwege hun gebruiksgemak, ze niet geschikt zijn voor de huidige dynamische marktomstandigheden. De presentator moedigt kijkers aan om technologische oplossingen te omarmen die professionele nauwkeurigheid en aanpassingsvermogen bieden en duurzaam zakelijk succes garanderen.

 

 

Gebruikmaken van Epicor Kinetic Planning BOM's met Smart IP&O voor nauwkeurige prognoses

In een zeer configureerbare productieomgeving kan het voorspellen van eindproducten een complexe en lastige taak worden. Het aantal mogelijke eindproducten schiet omhoog als veel componenten uitwisselbaar zijn. Een traditionele MRP zou ons dwingen om elk eindproduct te voorspellen, wat onrealistisch of zelfs onmogelijk kan zijn. Verschillende toonaangevende oplossingen introduceren het concept van de “Planning BOM”, waarmee prognoses op een hoger niveau in het productieproces kunnen worden gebruikt. In dit artikel bespreken we deze functionaliteit in Epicor Kinetic en hoe u hiervan kunt profiteren met Epicor Smart Inventory Planning and Optimization (Smart IP&O) om uw vraag voor te blijven in het licht van deze complexiteit.

Waarom heb ik een planningsstuklijst nodig?

Traditioneel zou elk eindproduct of elke SKU een strak gedefinieerde stuklijst hebben. Als we dat product op voorraad hebben en rond de voorspelde vraag willen plannen, zullen we de vraag naar die producten voorspellen en vervolgens MRP invoeren om deze voorspelde vraag via de stuklijst van het niveau van het eindproduct naar de componenten te blazen.

Veel bedrijven bieden echter zeer configureerbare producten aan waarbij klanten opties kunnen selecteren voor het product dat ze kopen. Denk bijvoorbeeld eens aan de laatste keer dat u een mobiele telefoon kocht. Je hebt een merk en model gekozen, maar van daaruit kreeg je waarschijnlijk opties voorgeschoteld: welk schermformaat wil je? Hoeveel opslagruimte wil je? Welke kleur heeft jouw voorkeur? Als dat bedrijf deze mobiele telefoons binnen een redelijke termijn klaar en beschikbaar wil hebben om naar u te verzenden, anticiperen ze plotseling niet langer alleen maar op de vraag naar dat model; ze moeten dat model voorspellen voor elk type schermformaat, voor alle opslagcapaciteiten, voor alle kleuren, en ook voor alle mogelijke combinaties daarvan! Voor sommige fabrikanten kunnen deze configuraties honderden of duizenden mogelijke voltooide goede permutaties opleveren.

Er kunnen zoveel aanpassingen mogelijk zijn dat de vraag op het niveau van het eindproduct in traditionele zin volkomen onvoorspelbaar is. Duizenden van deze mobiele telefoons kunnen elk jaar worden verkocht, maar voor elke mogelijke configuratie kan de vraag extreem laag en sporadisch zijn – misschien worden bepaalde combinaties één keer verkocht en nooit meer.

Dit dwingt deze bedrijven vaak om bestelpunten en veiligheidsvoorraadniveaus vooral op componentniveau te plannen, terwijl ze grotendeels reageren op de sterke vraag op het niveau van eindproducten via MRP. Hoewel dit een geldige aanpak is, ontbreekt het aan een systematische manier om voorspellingen te doen die rekening kunnen houden met verwachte toekomstige activiteiten, zoals promoties, aanstaande projecten of verkoopkansen. Voorspellen op het 'geconfigureerde' niveau is feitelijk onmogelijk, en het is ook niet haalbaar om deze prognoseaannames op componentniveau te verweven.

Planning BOM uitgelegd Hier komen Planning BOM's om de hoek kijken. Misschien werkt het verkoopteam aan een grote B2B-mogelijkheid voor dat model, of is er een geplande promotie voor Cyber Monday. Hoewel het niet realistisch is om met deze aannames voor elke mogelijke configuratie te werken, is het op modelniveau wel heel goed te doen – en enorm waardevol.

De Planningsstuklijst kan een prognose op een hoger niveau gebruiken en vervolgens de vraag naar beneden blazen op basis van vooraf gedefinieerde verhoudingen voor de mogelijke componenten ervan. De fabrikant van mobiele telefoons weet bijvoorbeeld misschien dat de meeste mensen kiezen voor 128 GB opslagruimte, en dat veel minder mensen kiezen voor upgrades naar 256 GB of 512 GB. Met de planningsstuklijst kan de organisatie (bijvoorbeeld) 60% van de vraag terugbrengen naar de 128GB-optie, 30% naar de 256GB-optie en 10% naar de 512GB-optie. Ze zouden hetzelfde kunnen doen voor schermformaten, kleuren of andere beschikbare aanpassingen.

Het bedrijf kan zijn prognose nu op dit modelniveau richten, waarbij de planningsstuklijst de componentenmix bepaalt. Het is duidelijk dat het definiëren van deze verhoudingen enige aandacht vergt, maar het plannen van stuklijsten stelt bedrijven in staat te voorspellen wat anders onvoorspelbaar zou zijn.

Het belang van een goede voorspelling

Natuurlijk hebben we nog steeds een goede voorspelling nodig om in Epicor Kinetic te laden. Zoals uitgelegd in dit artikel, kan Epicor Kinetic weliswaar een voorspelling importeren, maar kan het er vaak geen genereren, en als dat wel het geval is, zijn er vaak een groot aantal moeilijk te gebruiken configuraties nodig die niet vaak opnieuw worden bezocht, wat resulteert in onnauwkeurige prognoses. . Het is daarom aan het bedrijf om met zijn eigen sets prognoses te komen, vaak handmatig geproduceerd in Excel. Handmatige prognoses brengen over het algemeen een aantal uitdagingen met zich mee, waaronder maar niet beperkt tot:

  • Het onvermogen om vraagpatronen zoals seizoensinvloeden of trends te identificeren.
  • Overmatig vertrouwen op klant- of verkoopprognoses.
  • Gebrek aan nauwkeurigheid of prestatieregistratie.

Hoe goed de MRP ook is geconfigureerd met uw zorgvuldig overwogen planningsstuklijsten, een slechte prognose betekent een slechte MRP-output en wantrouwen in het systeem: garbage in, garbage out. Als we verdergaan met het voorbeeld van het ‘mobiele telefoonbedrijf’, zonder een systematische manier om de belangrijkste vraagpatronen en/of domeinkennis in de prognose vast te leggen, kan MRP dit nooit zien.

 

Slimme IP&O: een allesomvattende oplossing

Smart IP&O ondersteunt planning op alle niveaus van uw stuklijst, hoewel het “uitblazen” wordt afgehandeld via MRP binnen Epicor Kinetic. Dit is de methode die we gebruiken voor onze Epicor Kinetic-klanten, die eenvoudig en effectief is:

  • Smart Demand Planner: Het platform bevat een speciaal gebouwde prognosetoepassing genaamd Smart Demand Planner die u gaat gebruiken om de vraag naar uw vervaardigde producten (meestal eindproducten) te voorspellen. Het genereert statistische prognoses, stelt planners in staat aanpassingen aan te brengen en/of andere prognoses in te passen (zoals verkoop- of klantprognoses) en houdt de nauwkeurigheid bij. De output hiervan is een prognose die wordt ingevoerd in de prognoseinvoer in Epicor Kinetic, waar MRP deze zal ophalen. MRP zal vervolgens gebruik maken van de vraag op het niveau van het eindproduct en ook de materiaalvereisten via de stuklijst uitblazen, zodat de vraag ook op lagere niveaus wordt onderkend.
  • Smart Inventory Optimization: U gebruikt tegelijkertijd Smart Inventory Optimization om min-/max-/veiligheidsniveaus in te stellen voor zowel alle eindproducten die u op voorraad maakt (indien van toepassing; sommige van onze klanten werken puur op bestelling op basis van een vaste vraag), als voor onbewerkte goederen materialen. De sleutel hier is dat Smart op grondstofniveau de vraag naar werkgebruik, doorlooptijden van leveranciers, enz. zal benutten om deze parameters te optimaliseren, terwijl tegelijkertijd verkooporders/verzendingen worden gebruikt als vraag op het niveau van het eindproduct. Smart verwerkt deze meerdere inputs van de vraag op elegante wijze via de bidirectionele integratie met Epicor Kinetic.

Wanneer MRP wordt uitgevoerd, worden vraag en aanbod (wat wederom de vraag naar grondstoffen omvat die voortvloeit uit de voltooide goede prognose) geneutraliseerd met de min/max/veiligheidsniveaus die u hebt vastgesteld om PO- en werksuggesties voor te stellen.

 

Breid Epicor Kinetic uit met Smart IP&O

Smart IP&O is ontworpen om uw Epicor Kinetic-systeem uit te breiden met vele geïntegreerde oplossingen voor vraagplanning en voorraadoptimalisatie. Het kan bijvoorbeeld automatisch statistische prognoses genereren voor grote aantallen artikelen, maakt intuïtieve prognoseaanpassingen mogelijk, houdt de nauwkeurigheid van prognoses bij en stelt u uiteindelijk in staat echte op consensus gebaseerde prognoses te genereren om beter te kunnen anticiperen op de behoeften van uw klanten.

Dankzij de zeer flexibele producthiërarchieën is Smart IP&O perfect geschikt voor prognoses op het niveau van de Planning BOM, zodat u belangrijke patronen kunt vastleggen en bedrijfskennis kunt integreren op de niveaus die er het meest toe doen. Bovendien kunt u op elk niveau van uw stuklijst optimale veiligheidsvoorraden analyseren en inzetten.

Door gebruik te maken van de Planning BOM-mogelijkheden van Epicor Kinetic naast de geavanceerde functies voor prognoses en voorraadoptimalisatie van Smart IP&O, zorgt u ervoor dat u efficiënt en nauwkeurig aan de vraag kunt voldoen, ongeacht de complexiteit van uw productconfiguraties. Deze synergie verbetert niet alleen de nauwkeurigheid van de prognoses, maar versterkt ook de algehele operationele efficiëntie, waardoor u voorop kunt blijven lopen in een concurrerende markt.

 

 

Dagelijkse vraagscenario's

In 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.

Aanvankelijk, in de jaren tachtig, werd de gebruikelijke praktijk van het gebruik van jaarlijkse gegevens voor prognoses en de introductie van maandelijkse gegevens als innovatief beschouwd. Deze periode markeerde het begin van een trend in de richting van het verhogen van de resolutie van data-analyse, waardoor bedrijven snellere verschuivingen in de marktdynamiek kunnen opvangen en hierop kunnen reageren. Naarmate we verder kwamen in de jaren 2000, was de norm van maandelijkse data-analyse ingeburgerd, maar de 'cool kids' – vernieuwers aan de rand van business analytics – begonnen te experimenteren met wekelijkse data. Deze verschuiving werd gedreven door de noodzaak om de bedrijfsactiviteiten te synchroniseren met de steeds volatielere marktomstandigheden en het consumentengedrag dat snellere reacties vergde dan maandelijkse cycli konden bieden. Tegenwoordig, in de jaren 2020, is de grens weliswaar nog steeds gebruikelijk, maar is de grens opnieuw verschoven, dit keer naar dagelijkse data-analyse, waarbij sommige pioniers zich zelfs aan uuranalyses wagen.

De echte kracht van dagelijkse data-analyse ligt in het vermogen om een gedetailleerd beeld te geven van de bedrijfsvoering, waarbij dagelijkse schommelingen worden vastgelegd die door maandelijkse of wekelijkse gegevens over het hoofd kunnen worden gezien. De complexiteit van dagelijkse gegevens vereist echter geavanceerde analytische benaderingen om betekenisvolle inzichten te verkrijgen. Op dit niveau vereist het begrijpen van de vraag het worstelen met concepten als wisselvalligheid, seizoensinvloeden, trends en volatiliteit. Intermittentie, of het optreden van dagen zonder vraag, wordt duidelijker bij een dagelijkse granulariteit en vereist gespecialiseerde voorspellingstechnieken zoals de methode van Croston voor nauwkeurige voorspellingen. Seizoensgebondenheid op dagelijks niveau kan meerdere patronen aan het licht brengen, zoals hogere verkopen in het weekend of op feestdagen, die maandelijkse gegevens zouden maskeren. Trends kunnen worden waargenomen als stijgingen of dalingen van de vraag op de korte termijn, waardoor flexibele aanpassingsstrategieën nodig zijn. Ten slotte wordt de volatiliteit op dagelijks niveau geaccentueerd, wat significantere schommelingen in de vraag laat zien dan uit maandelijkse of wekelijkse analyses blijkt, wat van invloed kan zijn op de voorraadbeheerstrategieën en de behoefte aan buffervoorraden. Dit niveau van complexiteit onderstreept de behoefte aan geavanceerde analytische hulpmiddelen en expertise op het gebied van dagelijkse data-analyse.

Kortom, de evolutie van minder frequente naar dagelijkse tijdreeksvoorspellingen markeert een substantiële verschuiving in de manier waarop bedrijven data-analyse benaderen. Deze transitie weerspiegelt niet alleen het steeds snellere tempo van het bedrijfsleven, maar onderstreept ook de behoefte aan tools die een grotere granulariteit van de gegevens aankunnen. De toewijding van Smart Software aan het verfijnen van de analytische mogelijkheden voor het beheren van dagelijkse gegevens benadrukt de bredere beweging van de sector naar meer dynamische, responsieve en datagestuurde besluitvorming. Deze verschuiving gaat niet alleen over het bijhouden van de tijd, maar over het benutten van gedetailleerde inzichten om concurrentievoordelen te creëren in een steeds veranderende zakelijke omgeving.

 

De kosten van spreadsheetplanning

Bedrijven 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.

Spreadsheets zijn weliswaar flexibel vanwege hun oneindige aanpasbaarheid, maar zijn in wezen handmatig van aard en vereisen aanzienlijk gegevensbeheer, menselijke inbreng en toezicht. Dit vergroot het risico op fouten, van eenvoudige fouten bij het invoeren van gegevens tot complexe formulefouten, die trapsgewijze effecten veroorzaken die de voorspellingen negatief beïnvloeden. Bovendien zijn spreadsheetgebaseerde processen, ondanks de vooruitgang op het gebied van samenwerkingsfuncties die meerdere gebruikers in staat stellen om met een gemeenschappelijk blad te communiceren, vaak in silo's ondergebracht. De houder van het spreadsheet houdt de gegevens vast. Wanneer dit gebeurt, ontstaan er veel bronnen van datawaarheid. Zonder het vertrouwen van een overeengekomen, zuivere en automatisch bijgewerkte gegevensbron beschikken organisaties niet over de noodzakelijke basis waarop voorspellende modellen, prognoses en analyses kunnen worden gebouwd.

Geavanceerde planningssystemen zoals Smart IP&O zijn daarentegen ontworpen om deze beperkingen te overwinnen. Dergelijke systemen zijn gebouwd om automatisch gegevens op te nemen via API of bestanden van ERP- en EAM-systemen, die gegevens te transformeren met behulp van ingebouwde ETL-tools en grote hoeveelheden gegevens efficiënt te verwerken. Hierdoor kunnen bedrijven complexe inventarisatie- en prognosetaken met grotere nauwkeurigheid en minder handmatige inspanning beheren, omdat de gegevensverzameling, aggregatie en transformatie al zijn voltooid. De overstap naar geavanceerde planningssystemen is om verschillende redenen essentieel voor het optimaliseren van resources.

Spreadsheets hebben ook een schaalprobleem. Hoe groter het bedrijf groeit, hoe groter het aantal spreadsheets, werkmappen en formules wordt. Het resultaat is een strak verweven en rigide geheel van onderlinge afhankelijkheden die log en inefficiënt worden. Gebruikers zullen moeite hebben met het omgaan met de toegenomen belasting en complexiteit, met trage verwerkingstijden en het onvermogen om grote datasets te beheren, en zullen te maken krijgen met uitdagingen bij het samenwerken tussen teams en afdelingen.

Aan de andere kant zijn geavanceerde planningssystemen voor voorraadoptimalisatie, vraagplanning en voorraadbeheer schaalbaar, ontworpen om met het bedrijf mee te groeien en zich aan te passen aan de veranderende behoeften. Deze schaalbaarheid zorgt ervoor dat bedrijven hun voorraad en prognoses effectief kunnen blijven beheren, ongeacht de omvang of complexiteit van hun activiteiten. Door over te stappen op systemen als Smart IP&O kunnen bedrijven niet alleen de nauwkeurigheid van hun voorraadbeheer en prognoses verbeteren, maar ook een concurrentievoordeel op de markt verwerven door beter te kunnen reageren op veranderingen in de vraag en efficiënter te kunnen opereren.

Voordelen van inspringen: Een elektriciteitsbedrijf had moeite om de beschikbaarheid van serviceonderdelen op peil te houden zonder een overschot aan voorraden te creëren voor meer dan 250.000 onderdelen in een divers netwerk van energieopwekkings- en distributiefaciliteiten. Het verving hun twintig jaar oude planningsproces, dat intensief gebruik maakte van spreadsheets, met Smart IP&O en een realtime integratie met hun EAM-systeem. Vóór Smart konden ze de Min/Max- en Veiligheidsvoorraadniveaus slechts zelden wijzigen. Als ze dat deden, was dat vrijwel altijd omdat er een probleem was opgetreden dat aanleiding gaf tot de beoordeling. De methoden die werden gebruikt om de kousparameters te wijzigen, waren sterk afhankelijk van het onderbuikgevoel en de gemiddelden van het historische gebruik. Het hulpprogramma maakte gebruik van de wat-als-scenario's van Smart om digitale tweelingen van alternatief voorraadbeleid te creëren en simuleerde hoe elk scenario zou presteren op belangrijke prestatie-indicatoren zoals voorraadwaarde, serviceniveaus, opvullingspercentages en tekortkosten. De software identificeerde gerichte Min/Max-verhogingen en -verlagingen die in hun EAM-systeem werden geïmplementeerd, waardoor de aanvulling van hun reserveonderdelen optimaal werd gestimuleerd. Het resultaat: een aanzienlijke voorraadreductie van $9 miljoen, waardoor contant geld en waardevolle magazijnruimte vrijkwamen, terwijl de beoogde serviceniveaus van 99%+ behouden bleven.

Prognosenauwkeurigheid beheren: Voorspellingsfouten zijn een onvermijdelijk onderdeel van voorraadbeheer, maar de meeste bedrijven houden dit niet bij. Zoals Peter Drucker zei: “Je kunt niet verbeteren wat je niet meet.” Een mondiaal hightech productiebedrijf dat een op spreadsheets gebaseerd voorspellingsproces gebruikte, moest handmatig zijn basisvoorspellingen opstellen en de nauwkeurigheid van de prognoses rapporteren. Gezien de werkdruk en de geïsoleerde processen van de planners werkten ze hun rapporten niet vaak bij, en als ze dat wel deden, moesten de resultaten handmatig worden gedistribueerd. Het bedrijf beschikte niet over een manier om te weten hoe nauwkeurig een bepaalde voorspelling was en kon de werkelijke fouten niet met enig vertrouwen per groep of onderdeel vermelden. Ze wisten ook niet of hun voorspellingen beter presteerden dan een controlemethode. Nadat Smart IP&O live ging, automatiseerde de module Demand Planning dit voor hen. Smart Demand Planner voorspelt nu automatisch de vraag elke planningscyclus opnieuw met behulp van ML-methoden en slaat nauwkeurigheidsrapporten op voor elke Part X-locatie. Alle aanpassingen die op de prognoses worden toegepast, kunnen nu automatisch worden vergeleken met de basislijn om de toegevoegde waarde van de prognose te meten – dwz of de extra inspanning om die wijzigingen door te voeren de nauwkeurigheid heeft verbeterd. Nu de mogelijkheid bestaat om de statistische basisprognoses te automatiseren en nauwkeurigheidsrapporten te produceren, beschikt dit bedrijf over een solide basis om het voorspellingsproces en de daaruit voortvloeiende voorspellingsnauwkeurigheid te verbeteren.

Doe het goed en houd het goed:  Een andere klant in de aftermarket-onderdelensector gebruikt de prognoseoplossingen van Smart sinds 2005 – bijna 20 jaar! Ze werden geconfronteerd met uitdagingen bij het voorspellen van de vraag naar onderdelen die met tussenpozen zouden worden verkocht ter ondersteuning van hun auto-aftermarket-activiteiten. Door hun op spreadsheets gebaseerde aanpak en handmatige uploads naar SAP te vervangen door statistische prognoses van de vraag en de veiligheidsvoorraad van SmartForecasts, konden ze het aantal backorders en omzetverlies aanzienlijk terugdringen, waarbij de opvullingspercentages binnen slechts drie maanden verbeterden van 93% naar 96%. De sleutel tot hun succes was het gebruik van Smart's gepatenteerde methode voor het voorspellen van de intermitterende vraag. De “Smart-Willemain” bootstrap-methode genereerde nauwkeurige schattingen van de cumulatieve vraag gedurende de doorlooptijd, waardoor een betere zichtbaarheid van de mogelijke vraag werd verzekerd.

Prognoses koppelen aan het voorraadplan: Geavanceerde planningssystemen ondersteunen op prognoses gebaseerd voorraadbeheer, wat een proactieve aanpak is die vertrouwt op vraagprognoses en simulaties om mogelijke uitkomsten en de bijbehorende kansen te voorspellen. Deze gegevens worden gebruikt om de optimale voorraadniveaus te bepalen. Op scenario's gebaseerde of probabilistische prognoses staan in contrast met de meer reactieve aard van op spreadsheets gebaseerde methoden. Een oude klant in de stoffensector, die voorheen te maken kreeg met overvoorraden en voorraadtekorten als gevolg van de intermitterende vraag naar duizenden SKU's. Ze konden op geen enkele manier weten wat de risico's van hun stock-out waren en konden dus niet proactief het beleid aanpassen om de risico's te beperken, anders dan het maken van zeer ruwe aannames die de neiging hadden om grove overvoorraden te hebben. Ze adopteerden de software voor vraag- en voorraadplanning van Smart Software om simulaties van de vraag te genereren die de optimale minimale voorraadwaarden en bestelhoeveelheden identificeerden, waardoor de productbeschikbaarheid voor onmiddellijke verzending behouden bleef, wat de voordelen van een op prognoses gebaseerde benadering van voorraadbeheer benadrukte.

Betere samenwerking:  Het delen van prognoses met belangrijke leveranciers helpt de levering te garanderen. Kratos Space, onderdeel van Kratos Defense & Security Solutions, Inc., maakte gebruik van slimme voorspellingen om hun contractfabrikanten beter inzicht te geven in de toekomstige vraag. Ze gebruikten de prognoses om toezeggingen te doen over toekomstige aankopen, waardoor de CM de materiaalkosten en doorlooptijden voor engineered-to-order-systemen kon verlagen. Deze samenwerking laat zien hoe geavanceerde voorspellingstechnieken kunnen leiden tot aanzienlijke samenwerking in de supply chain die voor beide partijen efficiëntie en kostenbesparingen oplevert.

 

Leren van voorraadmodellen

In deze videoblog onderzoeken we de integrale rol die voorraadmodellen spelen bij het vormgeven van de besluitvormingsprocessen van professionals in verschillende sectoren. Deze modellen, of het nu tastbare computersimulaties zijn of immateriële mentale constructies, dienen als cruciale hulpmiddelen bij het beheersen van de complexiteit van moderne zakelijke omgevingen. De discussie begint met een overzicht van hoe deze modellen worden gebruikt om resultaten te voorspellen en activiteiten te stroomlijnen, waarbij de relevantie ervan in een voortdurend evoluerend marktlandschap wordt benadrukt.

De discussie onderzoekt verder hoe verschillende modellen strategische besluitvormingsprocessen duidelijk beïnvloeden. De mentale modellen die professionals door ervaring ontwikkelen, vormen bijvoorbeeld vaak een leidraad voor de eerste reacties op operationele uitdagingen. Deze modellen zijn subjectief en opgebouwd op basis van persoonlijke inzichten en ervaringen uit het verleden met vergelijkbare situaties, waardoor snelle, intuïtieve besluitvorming mogelijk is. Aan de andere kant bieden computergebaseerde modellen een objectiever raamwerk. Ze gebruiken historische gegevens en algoritmische berekeningen om toekomstige scenario's te voorspellen en bieden zo een kwantitatieve basis voor beslissingen waarbij rekening moet worden gehouden met meerdere variabelen en mogelijke uitkomsten. In dit gedeelte worden specifieke voorbeelden belicht, zoals de impact van het aanpassen van bestelhoeveelheden op voorraadkosten en bestelfrequentie of de effecten van fluctuerende doorlooptijden op serviceniveaus en klanttevredenheid.

Concluderend: terwijl mentale modellen een raamwerk bieden dat is gebaseerd op ervaring en intuïtie, bieden computermodellen een gedetailleerder en getalsmatig perspectief. Het combineren van beide typen modellen zorgt voor een robuuster besluitvormingsproces, waarbij theoretische kennis in evenwicht wordt gebracht met praktische ervaring. Deze aanpak vergroot het inzicht in de voorraaddynamiek en geeft professionals de tools in handen om zich effectief aan veranderingen aan te passen, waardoor duurzaamheid en concurrentievermogen op hun respectieve vakgebieden worden gewaarborgd.