Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

Wat is en wat niet

Wat is AI en waarin verschilt het van ML? Wat doet iemand tegenwoordig als hij iets wil weten? Ze Googlen het. En als ze dat doen, begint de verwarring.

Eén bron zegt dat de neurale netmethodologie, deep learning genaamd, een subset is van machine learning, een subset van AI. Maar een andere bron zegt dat deep learning al een onderdeel is van AI, omdat het min of meer de manier nabootst waarop de menselijke geest werkt, terwijl machinaal leren dat niet probeert.

Eén bron zegt dat er twee soorten machinaal leren zijn: onder toezicht en zonder toezicht. Een ander zegt dat er vier zijn: onder toezicht, zonder toezicht, semi-onder toezicht en versterking.

Sommigen zeggen dat versterkend leren machinaal leren is; anderen noemen het AI.

Sommigen van ons, traditionalisten, noemen veel ervan ‘statistieken’, hoewel dat niet allemaal zo is.

Bij het benoemen van methoden is veel ruimte voor zowel emotie als verkoopvaardigheid. Als een softwareleverancier denkt dat je de term ‘AI’ wilt horen, kan het zijn dat hij/zij dat voor je zegt, alleen maar om je blij te maken.

Het is beter om je te concentreren op wat er uiteindelijk uitkomt

Je kunt een verwarrende hype vermijden als je je concentreert op het eindresultaat dat je krijgt van een analytische technologie, ongeacht het label ervan. Er zijn verschillende analytische taken die relevant zijn voor voorraadplanners en vraagplanners. Deze omvatten clustering, detectie van afwijkingen, detectie van regimeveranderingen en regressieanalyse. Alle vier de methoden worden gewoonlijk, maar niet altijd, geclassificeerd als methoden voor machinaal leren. Maar hun algoritmen kunnen rechtstreeks uit de klassieke statistiek komen.

Clustering

Clusteren betekent het groeperen van dingen die op elkaar lijken en het distantiëren ervan van dingen die niet op elkaar lijken. Soms is clusteren eenvoudig: om uw klanten geografisch te scheiden, sorteert u ze eenvoudigweg op staat of verkoopregio. Als het probleem niet zo voor de hand liggend is, kun je data- en clusteralgoritmen gebruiken om de klus automatisch te klaren, zelfs als je met enorme datasets te maken hebt.

Figuur 1 illustreert bijvoorbeeld een cluster van “vraagprofielen”, die in dit geval alle artikelen van een klant in negen clusters verdeelt, op basis van de vorm van hun cumulatieve vraagcurven. Cluster 1.1 linksboven bevat items waarvan de vraag is afgenomen, terwijl Cluster 3.1 linksonder items bevat waarvan de vraag is toegenomen. Clusteren kan ook op leveranciers. De keuze van het aantal clusters wordt doorgaans overgelaten aan het oordeel van de gebruiker, maar ML kan die keuze begeleiden. Een gebruiker kan de software bijvoorbeeld de opdracht geven om “mijn onderdelen in vier clusters op te splitsen”, maar het gebruik van ML kan aan het licht brengen dat er in werkelijkheid zes verschillende clusters zijn die de gebruiker moet analyseren. 

Figuur 1: Artikelen clusteren op basis van de vorm van hun cumulatieve vraag

Onregelmatigheidsdetectie

Vraagvoorspelling wordt traditioneel gedaan met behulp van tijdreeksextrapolatie. Eenvoudige exponentiële afvlakking werkt bijvoorbeeld om op elk moment het ‘midden’ van de vraagverdeling te vinden en dat niveau naar voren te projecteren. Als er in het recente verleden echter een plotselinge, eenmalige stijging of daling van de vraag heeft plaatsgevonden, kan die afwijkende waarde een aanzienlijk maar onwelkom effect hebben op de kortetermijnvoorspellingen. Net zo ernstig voor de voorraadplanning, kan de anomalie een buitensporig effect hebben op de schatting van de variabiliteit van de vraag, wat rechtstreeks doorgaat naar de berekening van de veiligheidsvoorraadvereisten.

Planners geven er misschien de voorkeur aan dergelijke afwijkingen op te sporen en te verwijderen (en misschien offline follow-up te doen om de reden voor de vreemdheid te achterhalen). Maar niemand die een grote klus te klaren heeft, zal duizenden vraagdiagrammen visueel willen scannen om uitschieters op te sporen, deze uit de vraaggeschiedenis te verwijderen en vervolgens alles opnieuw te berekenen. De menselijke intelligentie zou dat kunnen doen, maar het menselijk geduld zou spoedig ophouden. Algoritmen voor het detecteren van afwijkingen zouden het werk automatisch kunnen doen met behulp van relatief eenvoudige statistische methoden. Je zou dit ‘kunstmatige intelligentie’ kunnen noemen als je dat wilt.

Detectie van regimewijzigingen

Detectie van regimeveranderingen is als de grote broer van anomaliedetectie. Regimeverandering is een aanhoudende, in plaats van tijdelijke, verschuiving in een of meer aspecten van het karakter van een tijdreeks. Terwijl de detectie van afwijkingen zich gewoonlijk richt op plotselinge verschuivingen in de gemiddelde vraag, kan een regimeverandering verschuivingen in andere kenmerken van de vraag met zich meebrengen, zoals de volatiliteit of de verdelingsvorm ervan.  

Figuur 2 illustreert een extreem voorbeeld van regimeverandering. Rond dag 120 daalde de vraag naar dit artikel op de bodem. Het voorraadbeheerbeleid en de vraagvoorspellingen op basis van de oudere gegevens zouden aan het einde van de vraaggeschiedenis enorm afwijken van de basis.

Figuur 2: Een voorbeeld van extreme regimeverandering in een artikel met een intermitterende vraag

Ook hier kunnen statistische algoritmen worden ontwikkeld om dit probleem op te lossen, en het zou eerlijk zijn om ze ‘machine learning’ of ‘kunstmatige intelligentie’ te noemen als ze daartoe gemotiveerd zijn. Door ML of AI te gebruiken om regimeveranderingen in de vraaggeschiedenis te identificeren, kan software voor vraagplanning automatisch alleen de relevante geschiedenis gebruiken bij het voorspellen, in plaats van handmatig de hoeveelheid geschiedenis te moeten kiezen die in het model moet worden geïntroduceerd. 

Regressie analyse

Regressieanalyse relateert de ene variabele aan de andere via een vergelijking. De verkoop van kozijnen in één maand kan bijvoorbeeld worden voorspeld op basis van bouwvergunningen die een paar maanden eerder zijn afgegeven. Regressieanalyse wordt al meer dan een eeuw beschouwd als onderdeel van de statistiek, maar we kunnen zeggen dat het ‘machine learning’ is, aangezien een algoritme de precieze manier uitwerkt om kennis van de ene variabele om te zetten in een voorspelling van de waarde van een andere.

Overzicht

Het is redelijk om geïnteresseerd te zijn in wat er gebeurt op het gebied van machinaal leren en kunstmatige intelligentie. Hoewel de aandacht die aan ChatGPT en zijn concurrenten wordt besteed interessant is, is deze niet relevant voor de numerieke kant van vraagplanning of voorraadbeheer. De numerieke aspecten van ML en AI zijn potentieel relevant, maar je moet proberen de wolk van hype rond deze methoden te doorzien en je te concentreren op wat ze kunnen doen. Als u de klus kunt klaren met klassieke statistische methoden, kunt u dat misschien ook doen, en vervolgens uw optie uitoefenen om het ML-label op alles wat beweegt te plakken.

Net zoals de beroemde astronoom Copernicus ons begrip van de astronomie transformeerde door de zon in het centrum van ons universum te plaatsen, nodigen wij u vandaag uit om uw benadering van voorraadbeheer opnieuw centraal te stellen. En ook al is dit advies niet zo verhelderend, het zal uw bedrijf helpen voorkomen dat u verstrikt raakt in de aantrekkingskracht van voorraadproblemen – voortdurend heen en weer geslingerd tussen voorraadtekorten, overtollige zwaartekracht en de onverwachte kosmische kosten van het bespoedigen van goederen.

In dit artikel begeleiden we u bij het opstellen van een voorraadplan voor reserveonderdelen, waarbij prioriteit wordt gegeven aan beschikbaarheidsstatistieken zoals serviceniveaus en vulpercentages, terwijl de kostenefficiëntie wordt gewaarborgd. We zullen ons concentreren op een benadering van voorraadplanning genaamd Service Level-Driven Inventory Optimization. Vervolgens bespreken we hoe u kunt bepalen welke onderdelen u in uw inventaris moet opnemen en welke onderdelen mogelijk niet nodig zijn. Ten slotte onderzoeken we manieren om uw op serviceniveau gebaseerde voorraadplan consistent te verbeteren.

In servicegerichte bedrijven zijn de gevolgen van voorraadtekorten vaak zeer groot. Het bereiken van een hoog serviceniveau is afhankelijk van de beschikbaarheid van de juiste onderdelen op het juiste moment. Het hebben van de juiste onderdelen is echter niet de enige factor. Uw Supply Chain-team moet voor elk onderdeel een consensusinventarisatieplan ontwikkelen en dit vervolgens voortdurend bijwerken om realtime veranderingen in vraag, aanbod en financiële prioriteiten weer te geven.

Voorraadbeheer met serviceniveaugestuurde planning combineert de mogelijkheid om duizenden items te plannen met strategische modellering op hoog niveau. Dit vereist het aanpakken van de kernproblemen waarmee voorraadmanagers worden geconfronteerd:

• Gebrek aan controle over het aanbod en de bijbehorende doorlooptijden.
• Onvoorspelbare intermitterende vraag.
• Conflicterende prioriteiten tussen onderhouds-/mechanische teams en materiaalbeheer.
• Reactieve ‘afwachtende’ benadering van planning.
• Verkeerd toegewezen voorraad, waardoor voorraadtekorten en overschotten ontstaan.
• Gebrek aan vertrouwen in systemen en processen.

De sleutel tot optimaal beheer van serviceonderdelen is het vinden van de balans tussen het bieden van uitstekende service en het beheersen van de kosten. Om dit te doen, moeten we de kosten van stockout vergelijken met de kosten van het aanhouden van extra voorraad reserveonderdelen. De kosten van een stockout zullen hoger zijn voor kritieke of noodreserveonderdelen, wanneer er een serviceniveauovereenkomst is met externe klanten, voor onderdelen die in meerdere activa worden gebruikt, voor onderdelen met langere doorlooptijden van leveranciers, en voor onderdelen met één enkele leverancier. De voorraadkosten kunnen worden beoordeeld door rekening te houden met de eenheidskosten, de rentetarieven, de magazijnruimte die zal worden verbruikt en de kans op veroudering (onderdelen die worden gebruikt in een wagenpark dat binnenkort met pensioen gaat, hebben bijvoorbeeld een hoger risico op veroudering).

Om te bepalen hoeveel voorraad er voor elk onderdeel op de plank moet worden gelegd, is het van cruciaal belang om consensus te bereiken over de gewenste sleutelgegevens die de afwegingen blootleggen die het bedrijf moet maken om de gewenste KPI's te bereiken. Deze KPI's omvatten serviceniveaus die u vertellen hoe vaak u aan de gebruiksbehoeften voldoet zonder dat u tekortschiet in de voorraad, vulpercentages die u vertellen welk percentage van de vraag is gevuld, en bestelkosten geven een gedetailleerd overzicht van de kosten die u maakt wanneer u aanvullingsorders plaatst en ontvangt. Je hebt ook holdingkosten, die uitgaven omvatten zoals veroudering, belastingen en opslag, en tekortkosten die betrekking hebben op uitgaven die worden gemaakt wanneer er voorraadtekorten optreden.

An MRO business or Aftermarket Parts Planning team might desire a 99% service level across all parts – i.e., the minimum stockout risk that they are willing to accept is 1%. But what if the amount of inventory needed to support that service level is too expensive? To make an informed decision on whether there is going to be a return on that additional inventory investment, you’ll need to know the stockout costs and compare that to the inventory costs. To get stockout costs, multiply two key elements: the cost per stockout and the projected number of stockouts. To get inventory value, multiply the units required by the unit cost of each part. Then determine the annual holding costs (typically 25-35% of the unit cost). Choose the option that yields a total lower cost. In other words, if the benefit associated with adding more stock (reduced shortage costs) outweighs the cost (higher inventory holding costs), then go for it. A thorough understanding of these metrics and the associated tradeoffs serves as the compass for decision-making.

Moderne software helpt bij dit proces doordat u een groot aantal toekomstscenario's kunt simuleren. Door dit te doen, kunt u beoordelen hoe goed uw huidige voorraadbevoorradingsstrategieën waarschijnlijk zullen presteren in het licht van verschillende vraag- en aanbodpatronen. Als er iets tekortschiet of misgaat, is het tijd om uw aanpak opnieuw te kalibreren, waarbij u rekening houdt met actuele gegevens over de gebruiksgeschiedenis, doorlooptijden van leveranciers en kosten om zowel voorraad- als overvoorraadsituaties te voorkomen.

Verbeter uw op serviceniveau gebaseerde voorraadplan op consistente wijze.

Concluderend is het van cruciaal belang om uw serviceniveaugestuurde plan voortdurend te beoordelen. Door systematisch prestatiescenario's op te stellen en te verfijnen, kunt u belangrijke meetgegevens en doelen definiëren, de verwachte prestaties benchmarken en de berekening van het voorraadbeleid voor alle artikelen automatiseren. Dit iteratieve proces omvat het monitoren, herzien en herhalen van elke planningscyclus.

De diepgang van uw analyse binnen dit voorraadbeleid is afhankelijk van de gegevens waarover u beschikt en de configuratiemogelijkheden van uw planningssysteem. Om optimale resultaten te bereiken, is het noodzakelijk om voortdurende gegevensanalyses uit te voeren. Dit impliceert dat een handmatige benadering van dataonderzoek doorgaans onvoldoende is voor de behoeften van de meeste organisaties.

Bezoek de volgende blogs voor informatie over hoe Smart Software u kan helpen de doelstellingen van uw servicetoeleveringsketen te bereiken met servicegestuurde planning en meer.

–   “Uitleggen wat serviceniveau betekent in uw voorraadoptimalisatiesoftware”  Aanbevelingen voor kous kunnen verwarrend zijn, vooral als ze botsen met de behoeften in de echte wereld. In dit bericht leggen we uit wat dat 99%-serviceniveau betekent en waarom het cruciaal is om de voorraad effectief te beheren en klanten tevreden te houden in het huidige competitieve landschap.

– “Servicegestuurde planning voor bedrijven met serviceonderdelenService-level-driven serviceonderdelenplanning is een proces in vier stappen dat verder gaat dan vereenvoudigde prognoses en vuistregels voor veiligheidsvoorraden. Het biedt planners van serviceonderdelen datagestuurde, risico-aangepaste beslissingsondersteuning.

–   “Hoe u een doelserviceniveau kiest.Dit is een strategische beslissing over voorraadrisicobeheer, waarbij rekening wordt gehouden met de huidige serviceniveaus en opvullingspercentages, de doorlooptijden van de bevoorrading en de afwegingen tussen kapitaal-, voorraad- en opportuniteitskosten. Leer benaderingen die kunnen helpen.

–   “De juiste voorspellingsnauwkeurigheid voor voorraadplanning.”  Het feit dat u een serviceniveaudoel stelt, betekent niet dat u dit ook daadwerkelijk zult bereiken. Als u geïnteresseerd bent in het optimaliseren van de voorraadniveaus, concentreer u dan op de nauwkeurigheid van de projectie van het serviceniveau. Leren hoe.

Het voorspellen van voorraadbehoeften is een gespecialiseerde variant van prognoses die zich richt op de bovenkant van het bereik van mogelijke toekomstige vraag.

Beschouw voor de eenvoud het probleem van het voorspellen van de voorraadbehoeften voor slechts één periode vooruit, bijvoorbeeld één dag vooruit. Meestal bestaat de taak van forecasting uit het schatten van het meest waarschijnlijke of gemiddelde niveau van de productvraag. Als de beschikbare voorraad echter gelijk is aan de gemiddelde vraag, bestaat er een kans van ongeveer 50% dat de vraag de voorraad overtreft en resulteert in verloren omzet en/of verloren goede wil. Het instellen van het voorraadniveau op bijvoorbeeld tien keer de gemiddelde vraag zal waarschijnlijk het probleem van voorraadtekorten elimineren, maar zal net zo zeker resulteren in oplopende voorraadkosten.

De truc van voorraadoptimalisatie is om een bevredigende balans te vinden tussen voldoende voorraad hebben om aan de meeste vraag te voldoen zonder al te veel middelen in het proces vast te leggen. Meestal is de oplossing een combinatie van zakelijk inzicht en statistieken. Het beoordelende deel is het definiëren van een acceptabel voorraadserviceniveau, zoals het direct uit voorraad voldoen aan 95% vraag. Het statistische deel is om het 95e percentiel van de vraag te schatten.

Wanneer niet omgaan met Intermittent demandkunt u het vereiste voorraadniveau vaak schatten door uit te gaan van een klokvormige (normale) vraagcurve, waarbij u zowel het midden als de breedte van de klokcurve schat, en vervolgens een standaard statistische formule gebruikt om het gewenste percentiel te schatten. Het verschil tussen het gewenste voorraadniveau en het gemiddelde vraagniveau wordt de ‘veiligheidsvoorraad’ genoemd, omdat deze beschermt tegen de mogelijkheid van voorraadtekorten.

Bij een intermitterende vraag is de klokvormige curve een zeer slechte benadering van de statistische verdeling van de vraag. In dit speciale geval maakt Smart gebruik van gepatenteerde technologie voor intermitterende vraag die is ontworpen om de marges nauwkeurig te voorspellen en een betere schatting te maken van de veiligheidsvoorraad die nodig is om het vereiste voorraadserviceniveau te bereiken.

In het huidige competitieve zakelijke landschap zijn bedrijven voortdurend op zoek naar manieren om hun operationele efficiëntie te verbeteren en meer inkomsten te genereren. Het optimaliseren van het beheer van serviceonderdelen is een vaak over het hoofd gezien aspect dat een aanzienlijke financiële impact kan hebben. Bedrijven kunnen de algehele efficiëntie verbeteren en aanzienlijke financiële opbrengsten genereren door de voorraad reserveonderdelen effectief te beheren. Dit artikel gaat in op de economische implicaties van geoptimaliseerd beheer van serviceonderdelen en hoe investeren in software voor voorraadoptimalisatie en vraagplanning een concurrentievoordeel kan opleveren.

Het belang van een geoptimaliseerde planning van serviceonderdelen:

Geoptimaliseerd beheer van serviceonderdelen speelt een cruciale rol bij het beperken van voorraadrisico's en het waarborgen van de beschikbaarheid van kritieke reserveonderdelen. Hoewel subjectieve planning op kleine schaal kan werken, wordt het onvoldoende bij het beheer van grote voorraden van af en toe gevraagde reserveonderdelen. Traditionele prognosebenaderingen houden simpelweg geen rekening met de extreme variabiliteit in de vraag en frequente periodes van nulvraag die zo gewoon zijn bij reserveonderdelen. Dit resulteert in grote misallocaties van voorraden, hogere kosten en slechte serviceniveaus.

De sleutel tot geoptimaliseerd beheer van serviceonderdelen ligt in het begrijpen van de wisselwerking tussen service en kosten. Software voor voorraadoptimalisatie en vraagplanning, mogelijk gemaakt door probabilistische prognoses en machine learning-algoritmen, kan bedrijven helpen de kosten versus baten van elke voorraadbeslissing beter te begrijpen en voorraad als een concurrentievoordeel te gebruiken. Door binnen enkele seconden nauwkeurige vraagprognoses en een optimaal voorraadbeleid zoals Min/Max, veiligheidsvoorraadniveaus en bestelpunten te genereren, kunnen bedrijven weten hoeveel te veel is en wanneer ze meer moeten toevoegen. Door voorraad als een concurrentievoordeel te hanteren, kunnen bedrijven hun serviceniveau verhogen en de kosten verlagen.

Verbeter het financiële resultaat van de planning van reserveonderdelen

1. Nauwkeurige prognoses zijn cruciaal om de voorraadplanning te optimaliseren en effectief aan de vraag van de klant te voldoen. State-of-the-art software voor vraagplanning voorspelt nauwkeurig de voorraadvereisten, zelfs voor intermitterende vraagpatronen. Door prognoses te automatiseren, kunnen bedrijven tijd, geld en middelen besparen en tegelijkertijd de nauwkeurigheid verbeteren.
2. Voldoen aan de vraag van de klant is een cruciaal aspect van het beheer van serviceonderdelen. Bedrijven kunnen de klanttevredenheid en -loyaliteit vergroten en hun kansen vergroten om toekomstige contracten binnen te halen voor de activa-intensieve apparatuur die ze verkopen door ervoor te zorgen dat reserveonderdelen beschikbaar zijn wanneer dat nodig is. Door effectieve vraagplanning en voorraadoptimalisatie kunnen organisaties doorlooptijden verkorten, voorraadtekorten minimaliseren en serviceniveaus handhaven, waardoor de financiële impact van alle beslissingen wordt verbeterd.
3. Financiële voordelen kunnen worden behaald door een geoptimaliseerde planning van serviceonderdelen, inclusief de vermindering van voorraad- en productkosten. Overtollige opslag en verouderde inventaris kunnen een aanzienlijke kostenpost zijn voor organisaties. Door best-of-breed voorraadoptimalisatiesoftware te implementeren, kunnen bedrijven kosteneffectieve oplossingen vinden, het serviceniveau verhogen en de kosten verlagen. Dit leidt tot verbeterde voorraadomzet, lagere transportkosten en hogere winstgevendheid.
4. Inkoopplanning is een ander essentieel aspect van het beheer van serviceonderdelen. Organisaties kunnen voorraadniveaus optimaliseren, doorlooptijden verkorten en voorraadtekorten voorkomen door inkoop en de bijbehorende orderhoeveelheden af te stemmen op nauwkeurige vraagprognoses. Er kunnen bijvoorbeeld nauwkeurige prognoses worden gedeeld met leveranciers, zodat algemene inkoopverplichtingen kunnen worden aangegaan. Dit geeft de leverancier omzetzekerheid en kan in ruil daarvoor meer voorraad aanhouden, waardoor de doorlooptijden worden verkort.
5. Intermitterende vraagplanning is een bijzondere uitdaging bij het beheer van reserveonderdelen. Conventionele vuistregels schieten tekort in het effectief omgaan met vraagvariabiliteit. Dit komt omdat traditionele benaderingen ervan uitgaan dat de vraag normaal verdeeld is, terwijl dat in werkelijkheid allesbehalve normaal is. Reserveonderdelen vragen om willekeurige uitbarstingen van grote vraag die worden afgewisseld met perioden van nul vraag. De oplossing van Smart Software bevat geavanceerde statistische modellen en machine learning-algoritmen om historische vraagpatronen te analyseren, waardoor een nauwkeurige planning voor intermitterende vraag mogelijk wordt. Bedrijven kunnen de voorraadkosten aanzienlijk verlagen en de efficiëntie verbeteren door deze uitdaging aan te gaan.

Bewijs van klanten van Smart Software:

Door te investeren in de software voor voorraadoptimalisatie en vraagplanning van Smart Software kunnen bedrijven kostenbesparingen realiseren, de klantenservice naar een hoger niveau tillen en de operationele efficiëntie verbeteren. Door nauwkeurige vraagprognoses, geoptimaliseerd voorraadbeheer en gestroomlijnde inkoopprocessen kunnen organisaties financiële besparingen realiseren, effectief voldoen aan de eisen van klanten en de algehele bedrijfsprestaties verbeteren.

• Metro-North Railroad (MNR) ervoer een 8%-vermindering van de onderdelenvoorraad, bereikte een recordhoog klantenserviceniveau van 98,7% en verminderde de voorraadgroei voor nieuwe apparatuur van een verwachte 10% tot slechts 6%. Slimme software speelde een cruciale rol bij het identificeren van meerjarige behoeften aan serviceonderdelen, het verkorten van administratieve doorlooptijden, het opstellen van plannen voor voorraadvermindering voor wagenparken die buiten gebruik worden gesteld en het identificeren van inactieve inventaris voor verwijdering. MNR bespaarde kosten, maximaliseerde verwijderingsvoordelen, verbeterde serviceniveaus en verwierf nauwkeurige inzichten voor weloverwogen besluitvorming, wat uiteindelijk hun bedrijfsresultaten en klanttevredenheid verbeterde.
• Seneca Companies, marktleider op het gebied van petroleumservices voor de auto-industrie, heeft Smart Software gebruikt om de vraag van klanten te modelleren, de voorraadprestaties te controleren en aanvulling te stimuleren. Buitendiensttechnici omarmden het gebruik ervan en de totale inventarisinvestering daalde met meer dan 25%, van $11 miljoen naar $8 miljoen, terwijl de first-time fix rates van 90%+ behouden bleven.
• Een toonaangevend elektriciteitsbedrijf implementeerde Smart IP&O in slechts 3 maanden en gebruikte de software vervolgens om de bestelpunten en bestelhoeveelheden voor meer dan 250.000 reserveonderdelen te optimaliseren. Tijdens de eerste fase van de implementatie hielp het platform het nutsbedrijf om de voorraad met $9.000.000 te verminderen met behoud van serviceniveaus. De implementatie was onderdeel van het strategische optimalisatie-initiatief van het bedrijf.

Optimalisatie van de planning van serviceonderdelen voor concurrentievoordeel

Geoptimaliseerd beheer van serviceonderdelen is cruciaal voor bedrijven die de efficiëntie willen verbeteren, kosten willen verlagen en de beschikbaarheid van noodzakelijke reserveonderdelen willen waarborgen. Organisaties kunnen op dit gebied aanzienlijke waarde ontsluiten door te investeren in de software voor voorraadoptimalisatie en vraagplanning van Smart Software. Bedrijven kunnen betere financiële prestaties behalen en een concurrentievoordeel behalen in hun respectievelijke markten door verbeterde data-analyse, automatisering en voorraadplanning.

Smart Software is ontworpen voor de moderne markt, die volatiel is en altijd verandert. Het kan SKU-proliferatie, langere toeleveringsketens, minder voorspelbare doorlooptijden en meer intermitterende en minder voorspelbare vraagpatronen aan. Het kan ook worden geïntegreerd met vrijwel elke ERP-oplossing op de markt, door in de praktijk bewezen naadloze verbindingen of door een eenvoudig import-/exportproces te gebruiken dat wordt ondersteund door het datamodel en de dataverwerkingsengine van Smart Software. Door slimme software te gebruiken, kunnen bedrijven voorraad als een concurrentievoordeel gebruiken, de klanttevredenheid verbeteren, het serviceniveau verhogen, de kosten verlagen en aanzienlijk geld besparen.

Overzicht

De geavanceerde supply chain-analyse van Smart Software maakt gebruik van meerdere geavanceerde methoden. Twee van de belangrijkste zijn "statistische bootstrapping" en "Monte Carlo-simulatie". Omdat er bij beide veel willekeurige getallen rondvliegen, raken mensen soms in de war over wat wat is en waar ze goed voor zijn. Vandaar deze notitie. Waar het op neerkomt: statistische bootstrapping genereert vraagscenario's voor prognoses. Monte Carlo-simulatie gebruikt de scenario's voor voorraadoptimalisatie.

Opstarten

Bootstrapping, ook wel "resampling" genoemd, is een methode van computationele statistieken die we gebruiken om vraagscenario's voor prognoses te creëren. De essentie van het prognoseprobleem is het blootleggen van mogelijke toekomsten waarmee uw bedrijf te maken kan krijgen, zodat u kunt uitzoeken hoe u bedrijfsrisico's kunt beheersen. Traditionele prognosemethoden richten zich op het berekenen van de "meest waarschijnlijke" toekomst, maar ze geven niet het volledige risicobeeld weer. Bootstrapping biedt een onbeperkt aantal realistische wat-als-scenario's.

Bootstrapping doet dit zonder onrealistische aannames te doen over de vraag, dwz dat deze niet intermitterend is, of dat deze een klokvormige verdeling van groottes heeft. Die aannames zijn krukken om de wiskunde eenvoudiger te maken, maar de bootstrap is een procedure, geen vergelijking, dus dergelijke vereenvoudigingen zijn niet nodig.

Voor het eenvoudigste vraagtype, dat een stabiele willekeur is zonder seizoensgebondenheid of trend, is bootstrapping doodeenvoudig. Om een redelijk idee te krijgen van wat een enkele toekomstige vraagwaarde zou kunnen zijn, kiest u willekeurig een van de historische eisen. Om een vraagscenario te creëren, maakt u meerdere willekeurige selecties uit het verleden en rijgt u ze aan elkaar. Klaar. Het is mogelijk om wat meer realisme toe te voegen door de gevraagde waarden te "jitteren", dwz een beetje extra willekeur aan elke waarde toe te voegen of af te trekken, maar zelfs dat is eenvoudig.

Figuur 1 toont een eenvoudige bootstrap. De eerste regel is een korte reeks historische vraag naar een SKU. De volgende regels tonen scenario's van toekomstige vraag die zijn gemaakt door willekeurig waarden uit de vraaggeschiedenis te selecteren. De volgende drie eisen kunnen bijvoorbeeld zijn (0, 14, 6), of (2, 3, 5), enz.

Afbeelding 1: voorbeeld van vraagscenario's gegenereerd door een eenvoudige bootstrap

Bewerkingen met een hogere frequentie, zoals dagelijkse prognoses, brengen complexere vraagpatronen met zich mee, zoals dubbele seizoensgebondenheid (bijv. dag van de week en maand van het jaar) en/of trend. Dit daagde ons uit om een nieuwe generatie bootstrapping-algoritmen uit te vinden. We hebben onlangs een Amerikaans patent gewonnen voor deze doorbraak, maar de essentie is zoals hierboven beschreven.

Monte Carlo simulatie

Monte Carlo staat bekend om zijn casino's, die net als bootstrapping het idee van willekeur oproepen. Monte Carlo-methoden gaan ver terug, maar de moderne impuls kwam met de noodzaak om wat harige berekeningen te maken over waar neutronen zouden vliegen als een A-bom ontploft.

De essentie van Monte Carlo-analyse is deze: “Ons probleem is te ingewikkeld om te analyseren met vergelijkingen van papier en potlood. Dus, laten we een computerprogramma schrijven dat de individuele stappen van het proces codeert, de willekeurige elementen erin stoppen (bijvoorbeeld welke kant een neutron op schiet), het opwinden en kijken hoe het gaat. Aangezien er veel willekeur is, laten we het programma een ontelbaar aantal keren uitvoeren en het gemiddelde van de resultaten nemen.”

Als we deze benadering toepassen op voorraadbeheer, hebben we een andere reeks willekeurig voorkomende gebeurtenissen: een vraag van een bepaalde omvang komt bijvoorbeeld op een willekeurige dag binnen, een aanvulling van een bepaalde omvang arriveert na een willekeurige doorlooptijd, we snijden een aanvullings-PO van een bepaalde maat wanneer de voorraad daalt tot of onder een bepaald bestelpunt. We coderen de logica die deze gebeurtenissen met elkaar in verband brengt in een programma. We voeden het met een willekeurige vraagvolgorde (zie bootstrapping hierboven), voeren het programma een tijdje uit, laten we zeggen een jaar dagelijkse bewerkingen, berekenen prestatiestatistieken zoals Fill Rate en Average On Hand-inventaris, en "gooi de dobbelstenen" door het opnieuw uit te voeren het programma vele malen en het gemiddelde van de resultaten van vele gesimuleerde jaren. Het resultaat is een goede inschatting van wat er gebeurt als we belangrijke managementbeslissingen nemen: “Als we het bestelpunt op 10 eenheden zetten en de bestelhoeveelheid op 15 eenheden, kunnen we een serviceniveau verwachten van 89% en een gemiddelde beschikbaarheid van 21 eenheden.” Wat de simulatie voor ons doet, is het blootleggen van de gevolgen van managementbeslissingen op basis van realistische vraagscenario's en solide wiskunde. Het giswerk is weg.

Figuur 2 toont enkele van de innerlijke werkingen van een Monte Carlo-simulatie van een voorraadsysteem in vier panelen. Het systeem gebruikt een Min/Max voorraadbeheerbeleid met Min=10 en Max=25. Nabestellingen zijn niet toegestaan: u heeft het goed of u verliest het bedrijf. Doorlooptijden voor aanvulling zijn meestal 7 dagen, maar soms ook 14. Deze simulatie duurde een jaar.

Het eerste paneel toont een complex willekeurig vraagscenario waarin er geen vraag is in het weekend, maar de vraag over het algemeen elke dag toeneemt van maandag tot en met vrijdag. Het tweede paneel toont het willekeurige aantal beschikbare eenheden, dat ebt en vloeit met elke aanvullingscyclus. Het derde paneel toont de willekeurige groottes en tijdstippen van aanvullingsorders die binnenkomen van de leverancier. Het laatste paneel toont de onbevredigde vraag die de klantrelaties in gevaar brengt. Dit soort detail kan erg handig zijn om inzicht te krijgen in de dynamiek van een voorraadsysteem.

Figuur 2: Details van een Monte Carlo-simulatie

Figuur 2 toont slechts een van de talloze manieren waarop het jaar zou kunnen verlopen. Over het algemeen willen we de resultaten van vele gesimuleerde jaren middelen. Niemand zou tenslotte een munt opgooien om te beslissen of het een eerlijke munt was. Figuur 3 laat zien hoe vier key performance metrics (KPI's) van jaar tot jaar variëren voor dit systeem. Sommige statistieken zijn relatief stabiel in simulaties (Fill Rate), maar andere laten meer relatieve variabiliteit zien (Operating Cost = Holding Cost + Ordering Cost + Shortage Cost). Als we de grafieken bekijken, kunnen we schatten dat de keuzes van Min=10, Max=25 leiden tot gemiddelde bedrijfskosten van ongeveer $3.000 per jaar, een opvullingspercentage van ongeveer 90%, een serviceniveau van ongeveer 75% en een gemiddelde aan Hand van ongeveer 10

Figuur 3: Variatie in KPI's berekend over 1000 gesimuleerde jaren

Het is nu zelfs mogelijk om een managementvraag van een hoger niveau te beantwoorden. We kunnen verder gaan dan "Wat gebeurt er als ik zus-en-zo doe?" naar “Wat is de best wat ik kan doen om een opvullingspercentage van ten minste 90% voor dit item te bereiken tegen de laagst mogelijke kosten?” De wiskundige  achter deze sprong zit nog een andere sleuteltechnologie genaamd "stochastische optimalisatie", maar we stoppen hier voor nu. Het volstaat te zeggen dat de SIO&P-software van Smart de "ontwerpruimte" van min- en max-waarden kan doorzoeken om automatisch de beste keuze te vinden.