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.

Laten we beginnen met in te zien dat een hogere omzet een goede zaak voor u is, en dat het vergroten van de beschikbaarheid van de reserveonderdelen die u levert een goede zaak is voor uw klanten.

Maar laten we ook erkennen dat een toenemende beschikbaarheid van artikelen niet noodzakelijkerwijs leidt tot hogere inkomsten. Als u verkeerd plant en uiteindelijk overtollige voorraad aanhoudt, kan het netto-effect goed zijn voor uw klanten, maar zeker slecht voor u. Er moet een goede manier zijn om dit tot een win-win te maken, als het maar kan worden herkend.

Om hier de juiste beslissing te nemen, moet u systematisch over het probleem nadenken. Dat vereist dat u probabilistische modellen van het voorraadbeheerproces gebruikt.

Een scenario

Laten we eens kijken naar een specifiek, realistisch scenario. Heel wat factoren zijn van invloed op de resultaten:

• Het artikel: een specifiek reserveonderdeel voor een klein volume.
• Vraaggemiddelde: gemiddeld 0,1 eenheden per dag (dus zeer "intermitterend")
• Standaardafwijking van de vraag: 0,35 eenheden per dag (dus zeer variabel of "oververspreid").
• Gemiddelde doorlooptijd leverancier: 5 dagen.
• Eenheidsprijs: $100.
• Bewaarkosten per jaar als % van eenheidskosten: 10%.
• Bestelkosten per PO-snede: $25.
• Gevolgen stockout: omzetverlies (dus een competitieve markt, geen backorders).
• Tekortkosten per verloren verkoop: $100.
• Doelstelling serviceniveau: 85% (dus 15% kans op een stockout in elke aanvullingscyclus).
• Voorraadbeheerbeleid: Periodieke beoordeling/Order-up-to (ook wel at (T,S)-beleid genoemd)

Voorraadbeheerbeleid

Een woord over het voorraadbeheerbeleid. Het (T,S)-beleid is een van de vele die in de praktijk gebruikelijk zijn. Hoewel er andere, efficiëntere beleidsregels zijn (ze wachten bijvoorbeeld niet tot T dagen zijn verstreken voordat ze de voorraad aanpassen), is (T,S) een van de eenvoudigste en daarom behoorlijk populair. Het werkt als volgt: elke T dagen controleer je hoeveel eenheden je op voorraad hebt, zeg X eenheden. Vervolgens bestelt u SX-eenheden, die verschijnen na de doorlooptijd van de leverancier (in dit geval 5 dagen). De T in (T,S) is het "bestelinterval", het aantal dagen tussen bestellingen; de S is het "order-up-to-niveau", het aantal eenheden dat u bij de hand wilt hebben aan het begin van elke aanvullingscyclus.

Om het meeste uit dit beleid te halen, moet u verstandig waarden van T en S kiezen. Verstandig kiezen betekent dat u niet kunt winnen door te raden of door eenvoudige vuistregels te gebruiken, zoals "Houd een gemiddelde van 3 x de gemiddelde vraag bij de hand." Slechte keuzes van T en S schaden zowel uw klanten als uw bedrijfsresultaten. En te lang vasthouden aan keuzes die ooit goed waren, kan resulteren in slechte prestaties als een van de bovenstaande factoren aanzienlijk verandert, dus de waarden van T en S moeten zo nu en dan opnieuw worden berekend.

De slimme manier om de juiste waarden van T en S te kiezen, is door probabilistische modellen te gebruiken die zijn gecodeerd in geavanceerde software. Het gebruik van software is essentieel wanneer u moet opschalen en waarden van T en S moet kiezen die geschikt zijn voor niet één item, maar voor honderden of duizenden.

Analyse van scenario

Laten we eens kijken hoe we in dit scenario geld kunnen verdienen. Wat is het voordeel? Als er geen kosten zouden zijn, zou deze post gemiddeld $3.650 per jaar kunnen genereren: 0,1 eenheden/dag x 365 dagen x $100/eenheid. Daarvan worden de bedrijfskosten afgetrokken, bestaande uit voorraad-, bestel- en tekortkosten. Elk van deze zal afhangen van uw keuzes van T en S.

De software geeft specifieke getallen: het instellen van T = 321 dagen en S = 40 eenheden resulteert in gemiddelde jaarlijkse bedrijfskosten van $604, wat een verwachte marge oplevert van $3.650 – $604 = $3.046. Zie tabel 1, linkerkolom. Dit gebruik van software wordt 'voorspellende analyse' genoemd omdat het input van het systeemontwerp vertaalt in schattingen van een belangrijke prestatie-indicator, marge.

Bedenk nu of u het beter kunt doen. Het doel van het serviceniveau in dit scenario is 85%, wat een enigszins ontspannen standaard is die geen aandacht zal trekken. Wat als u uw klanten een 99%-serviceniveau zou kunnen bieden? Dat klinkt als een duidelijk concurrentievoordeel, maar zou het uw marge verminderen? Niet als je de waarden van T en S goed aanpast.

Door T = 216 dagen en S = 35 eenheden in te stellen, worden de gemiddelde jaarlijkse bedrijfskosten verlaagd tot $551 en wordt de verwachte marge verhoogd tot $3.650 – $551 = $3.099. Zie tabel 1, rechterkolom. Dit is de win-win die we wilden: hogere klanttevredenheid en ongeveer 2% meer omzet. Dit gebruik van de software wordt "gevoeligheidsanalyse" genoemd omdat het laat zien hoe gevoelig de marge is voor de keuze van het serviceniveaudoel.

Software kan u ook helpen de complexe, willekeurige dynamiek van voorraadbewegingen te visualiseren. Een bijproduct van de analyse die tabel 1 vulde, zijn grafieken die de willekeurige paden laten zien die door de voorraad worden afgelegd terwijl deze afneemt gedurende een aanvullingscyclus. Figuur 1 toont een selectie van 100 willekeurige scenario's voor het scenario waarin de service level target 99% is. In de figuur resulteerde slechts 1 van de 100 scenario's in een stockout, wat de juistheid van de keuze voor order-up-to-level bevestigt.

Overzicht

Het beheer van voorraden reserveonderdelen wordt vaak lukraak gedaan met behulp van onderbuikgevoel, gewoonte of verouderde vuistregel. Op deze manier doorgaan is geen betrouwbaar en reproduceerbaar pad naar een hogere marge of hogere klanttevredenheid. Waarschijnlijkheidstheorie, gedestilleerd tot waarschijnlijkheidsmodellen en vervolgens gecodeerd in geavanceerde software, vormt de basis voor coherente, efficiënte richtlijnen voor het beheren van reserveonderdelen op basis van feiten: vraagkenmerken, doorlooptijden, serviceniveaudoelen, kosten en andere factoren. De hier geanalyseerde scenario's illustreren dat het mogelijk is om zowel een hoger serviceniveau als een hogere marge te realiseren. Een groot aantal scenario's die hier niet worden weergegeven, biedt manieren om hogere serviceniveaus te bereiken, maar marge te verliezen. Gebruik de software.

Voorraadplanning vanuit het perspectief van een natuurkundige

In een perfecte wereld zou Just In Time (JIT) de geschikte oplossing zijn voor voorraadbeheer. Als je precies kunt voorspellen wat je nodig hebt en waar je het nodig hebt en je leveranciers kunnen krijgen wat je nodig hebt zonder vertraging, dan hoef je lokaal niet veel voorraad aan te houden. Maar zoals het gezegde luidt van de beroemde bokser Mike Tyson: "iedereen heeft een plan totdat ze in de mond worden geslagen." En de laatste klap in de mond voor de wereldwijde toeleveringsketen was de blokkade van het Suezkanaal van vorige week die $9.6B in de handel tegenhield en naar schatting $6.7M per minuut kostte[1]. Verstoringen als gevolg van deze en soortgelijke gebeurtenissen moeten worden gemodelleerd en in uw planning worden verantwoord.

De veronderstelling dat je precies kunt toekomst voorspellen bleek uit de wetten van Isaac Newton. Sinds de jaren 1920, met de introductie van de kwantumfysica, werd onzekerheid fundamenteel voor ons begrip van de natuur. Onzekerheid is ingebouwd in de fundamentele realiteit. Zo moet het ook worden ingebouwd in processen voor vraag- en aanbodplanning. Maar al te vaak worden Black Swan-evenementen, zoals de blokkade van het Suezkanaal, vaak gezien als anomalieën en als gevolg daarvan worden ze buiten beschouwing gelaten bij de planning. Het is niet genoeg om achteraf terug te kijken en te verkondigen dat het had kunnen worden verwacht. Er moet iets worden gedaan om het optreden van andere dergelijke gebeurtenissen in de toekomst aan te pakken en de voorraadniveaus dienovereenkomstig te plannen.

We moeten verder gaan dan het denken van "dunne staartverdeling", waarbij extreme uitkomsten worden verdisconteerd, en plannen maken voor "dikke staarten". Dus hoe voeren we een real-world JIT-plan uit als het gaat om het plannen van inventaris? Om dit te doen, is de eerste stap het inschatten van de realistische doorlooptijd om een artikel te verkrijgen. Schatting is echter moeilijk vanwege de onzekerheid over de doorlooptijd. Met behulp van actuele doorlooptijden van leveranciers in uw bedrijfsdatabase en externe gegevens, kunt u een verdeling van mogelijke toekomstige doorlooptijden en eisen binnen die doorlooptijden ontwikkelen. Probabilistische prognoses stelt u in staat om rekening te houden met verstoringen en ongebruikelijke gebeurtenissen door uw schattingen niet te beperken tot wat uitsluitend is waargenomen op basis van uw eigen kortetermijngegevens over vraag en doorlooptijd. U kunt voor elke gebeurtenis mogelijke uitkomsten met bijbehorende kansen genereren.

Zodra u een schatting heeft van de doorlooptijd en vraagverdeling, kunt u dat doen specificeer het serviceniveau je moet hebben voor dat onderdeel. Het gebruik van oplossingen zoals Slimme voorraadoptimalisatie (SIO), kunt u vol vertrouwen bevoorraden op basis van het beoogde voorraadrisico met minimale voorraadkosten. U kunt ook overwegen om de oplossing optimale serviceniveaudoelen te laten voorschrijven door de kosten van extra voorraad versus de kosten van voorraaduitval te beoordelen.