Probabilistische versus deterministische orderplanning

De slimme voorspeller

Man met een computer in een magazijn best practices op het gebied van vraagplanning, prognoses en voorraadoptimalisatie

Denk aan het probleem van het aanvullen van de voorraad. Stel dat het betreffende voorraadartikel een reserveonderdeel is, om precies te zijn. Zowel u als uw leverancier zullen een idee willen hebben van hoeveel u gaat bestellen en wanneer. En uw ERP-systeem dringt er misschien op aan dat u ook het geheim prijsgeeft.

Deterministisch model van aanvulling

De eenvoudigste manier om een fatsoenlijk antwoord op deze vraag te krijgen, is aan te nemen dat de wereld, nou ja, eenvoudig is. In dit geval betekent eenvoudig 'niet willekeurig' of, in nerdtaal, 'deterministisch'. In het bijzonder doe je alsof de willekeurige grootte en timing van de vraag in werkelijkheid een continue druppel-druppel-druppel is van een vaste grootte die met een vast interval komt, bijvoorbeeld 2, 2, 2, 2, 2, 2... Als dit onrealistisch lijkt , het is. De echte vraag ziet er misschien meer zo uit: 0, 1, 10, 0, 1, 0, 0, 0 met veel nullen, af en toe maar willekeurige pieken.

Maar eenvoud heeft zijn deugden. Als je net doet alsof de gemiddelde vraag elke dag op rolletjes loopt, is het gemakkelijk om uit te rekenen wanneer je je volgende bestelling moet plaatsen en hoeveel eenheden je nodig hebt. Stel dat uw voorraadbeleid van het type (Q,R) is, waarbij Q een vaste bestelhoeveelheid is en R een vast bestelpunt. Wanneer de voorraad daalt tot of onder het bestelpunt R, bestelt u Q-eenheden meer. Om de fantasie compleet te maken, gaan we ervan uit dat de doorlooptijd voor aanvulling ook vast is: na L dagen zullen die Q nieuwe eenheden op de plank liggen, klaar om aan de vraag te voldoen.

Alles wat u nu nodig heeft om uw vragen te beantwoorden, is de gemiddelde vraag per dag D naar het artikel. De logica gaat als volgt:

  1. U begint elke aanvullingscyclus met Q-eenheden bij de hand.
  2. Je put die voorraad uit met D eenheden per dag.
  3. U bereikt dus het bestelpunt R na (QR)/D dagen.
  4. Je bestelt dus elke (QR)/D dagen.
  5. Elke aanvullingscyclus duurt (QR)/D + L dagen, dus u maakt in totaal 365D/(Q-R+LD) bestellingen per jaar.
  6. Zolang de doorlooptijd L < R/D is, zult u nooit een voorraad hebben en zal uw voorraad zo klein mogelijk zijn.

Afbeelding 1 toont de grafiek van voorhanden voorraad versus tijd voor het deterministische model. Rond Smart Software verwijzen we naar deze plot als de "Deterministische zaagtand". De voorraad begint op het niveau van de laatste bestelhoeveelheid Q. Na gestaag afnemen gedurende de uitvaltijd (QR)/D, bereikt het niveau het bestelpunt R en activeert een bestelling voor nog een Q-eenheden. Gedurende de doorlooptijd L daalt de voorraad tot precies nul, dan komt de nieuwe bestelling op magische wijze aan en begint de volgende cyclus.

Figuur 1 Deterministisch model van voorhanden voorraad

Afbeelding 1: deterministisch model van voorhanden voorraad

 

Dit model heeft twee voordelen. Het vereist niet meer dan algebra van de middelbare school en het combineert (bijna) alle relevante factoren om de twee gerelateerde vragen te beantwoorden: wanneer moeten we de volgende bestelling plaatsen? Hoeveel bestellingen plaatsen we in een jaar?

Probabilistisch model van aanvulling

Het is niet verrassend dat als we een deel van de fantasie uit het deterministische model halen, we meer bruikbare informatie krijgen. Het probabilistische model omvat alle rommelige willekeur in het echte probleem: de onzekerheid in zowel de timing als de omvang van de vraag, de variatie in de doorlooptijd van de aanvulling en de gevolgen van die twee factoren: de kans dat de beschikbare voorraad de nabestelling onderschrijdt punt, de kans dat er een stockout zal zijn, de variabiliteit in de tijd tot de volgende bestelling, en het variabele aantal uitgevoerde bestellingen in een jaar.

Het probabilistische model werkt door de gevolgen van onzekere vraag en variabele doorlooptijd te simuleren. Door de historische vraagpatronen van het item te analyseren (en waarnemingen uit te sluiten die zijn geregistreerd in een tijd waarin de vraag mogelijk fundamenteel anders was), creëren geavanceerde statistische methoden een onbeperkt aantal realistische vraagscenario's. Vergelijkbare analyse wordt toegepast op records van doorlooptijden van leveranciers. Door deze vraag- en aanbodscenario's te combineren met de operationele regels van een bepaald voorraadbeheerbeleid, ontstaan scenario's van het aantal beschikbare onderdelen. Uit deze scenario's kunnen we samenvattingen halen van de variërende intervallen tussen bestellingen.

Figuur 2 toont een voorbeeld van een probabilistisch scenario; de vraag is willekeurig en het artikel wordt beheerd met bestelpunt R = 10 en bestelhoeveelheid Q=20. Voorbij is de deterministische zaagtand; in plaats daarvan is er iets complexer en realistischer (de probabilistische trap). Tijdens de 90 gesimuleerde werkingsdagen werden er 9 bestellingen geplaatst en de tijd tussen de bestellingen varieerde duidelijk.

Met behulp van het probabilistische model worden de antwoorden op de twee vragen (hoe lang tussen orders en hoeveel in een jaar) uitgedrukt als kansverdelingen die de relatieve waarschijnlijkheid van verschillende scenario's weerspiegelen. Figuur 3 toont de verdeling van het aantal dagen tussen orders na tien jaar gesimuleerde werking. Hoewel het gemiddelde ongeveer 8 dagen is, varieert het werkelijke aantal sterk, van 2 tot 17.

In plaats van uw leverancier te vertellen dat u volgend jaar X bestellingen zult plaatsen, kunt u nu X ± Y bestellingen projecteren, en uw leverancier kent de opwaartse en neerwaartse risico's beter. Beter nog, u kunt de volledige distributie als het meest uitgebreide antwoord geven.

Figuur 2 Een probabilistisch scenario van voorhanden voorraad

Figuur 2 Een probabilistisch scenario van voorhanden voorraad

 

Figuur 3 Verdeling van dagen tussen bestellingen

Figuur 3: Verdeling van dagen tussen bestellingen

 

De willekeurige trap beklimmen naar grotere efficiëntie

Door verder te gaan dan het deterministische inventarismodel, ontstaan nieuwe mogelijkheden voor het optimaliseren van de bedrijfsvoering. Ten eerste maakt het probabilistische model een realistische beoordeling van het voorraadrisico mogelijk. Het eenvoudige model in afbeelding 1 houdt in dat er nooit een stockout is, terwijl probabilistische scenario's de mogelijkheid toestaan (hoewel er in afbeelding 2 slechts één close call was rond dag 70). Zodra het risico bekend is, kan software optimaliseren door de "ontwerpruimte" (dwz alle mogelijke waarden van R en Q) te doorzoeken om een ontwerp te vinden dat voldoet aan een doelniveau van voorraadrisico tegen minimale kosten. De waarde van het deterministische model in deze meer realistische analyse is dat het een goed startpunt biedt voor de zoektocht door de ontwerpruimte.

Overzicht

Moderne software geeft antwoord op operationele vragen met verschillende gradaties van detail. Aan de hand van het voorbeeld van de tijd tussen aanvullingsorders hebben we laten zien dat het antwoord bij benadering maar snel kan worden berekend met een eenvoudig deterministisch model. Maar het kan ook veel gedetailleerder worden weergegeven, waarbij alle variabiliteit wordt blootgelegd door een probabilistisch model. Wij beschouwen deze alternatieven als complementair. Het deterministische model bundelt alle sleutelvariabelen in een gemakkelijk te begrijpen vorm. Het probabilistische model biedt extra realisme dat professionals verwachten en ondersteunt effectief zoeken naar optimale keuzes van bestelpunt en bestelhoeveelheid.

 

Laat een reactie achter
gerelateerde berichten
Gebruikmaken van Epicor Kinetic Planning BOM's met Smart IP&O voor nauwkeurige prognoses

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

In deze blog onderzoeken we hoe het gebruik van Epicor Kinetic Planning BOM's met Smart IP&O uw benadering van forecasting in een zeer configureerbare productieomgeving kan transformeren. Ontdek hoe Smart, een geavanceerde AI-gestuurde oplossing voor vraagplanning en voorraadoptimalisatie, de complexiteit van het voorspellen van de vraag naar eindproducten kan vereenvoudigen, vooral als het om verwisselbare componenten gaat. Ontdek hoe het plannen van stuklijsten en geavanceerde prognosetechnieken bedrijven in staat stelt nauwkeuriger te anticiperen op de behoeften van klanten, waardoor de operationele efficiëntie wordt gewaarborgd en een voorsprong behouden in een concurrerende markt.

De volgende grens in Supply Chain Analytics

De volgende grens in Supply Chain Analytics

Wij geloven dat de ontwikkeling van digitale tweelingen van voorraadsystemen de leidende factor op het gebied van supply chain-analyse is. Deze tweelingen nemen de vorm aan van discrete gebeurtenismodellen die Monte Carlo-simulatie gebruiken om het volledige scala aan operationele risico's te genereren en te optimaliseren. We beweren ook dat wij en onze collega's bij Smart Software een grote rol hebben gespeeld bij het smeden van die voorsprong.

Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie

Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie

In deze blog bespreken we de snelle en onvoorspelbare markt van vandaag en de voortdurende uitdagingen waarmee bedrijven worden geconfronteerd bij het efficiënt beheren van hun voorraad- en serviceniveaus. Het hoofdonderwerp van deze discussie, geworteld in het concept van ‘probabilistische voorraadoptimalisatie’, richt zich op de manier waarop moderne technologie kan worden ingezet om optimale service- en voorraaddoelstellingen te bereiken te midden van onzekerheid. Deze aanpak pakt niet alleen de traditionele problemen met voorraadbeheer aan, maar biedt ook een strategische voorsprong bij het omgaan met de complexiteit van vraagschommelingen en verstoringen van de toeleveringsketen.

Vier manieren om voorraad te optimaliseren

De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Nu meer dan ooit

Voorraadoptimalisatie is de afgelopen maanden voor veel van onze klanten een nog hogere prioriteit geworden. Sommigen vinden hun producten in een veel grotere vraag; meer hebben het tegenovergestelde probleem. In beide gevallen dwingen gebeurtenissen zoals de Covid19-pandemie een heronderzoek van de standaard bedrijfsomstandigheden, zoals de keuze van bestelpunten en bestelhoeveelheden.

Zelfs in rustigere tijden kunnen parameters voor voorraadbeheer, zoals Mins en Maxes, verre van hun beste waarden worden ingesteld. We kunnen vragen: "Waarom is het bestelpunt voor SKU_1234 ingesteld op 20 eenheden en het bestelaantal op 35?" Die keuzes waren waarschijnlijk het verstarde resultaat van jaren van geaccumuleerde gissingen. Een beetje onderzoek kan uitwijzen dat de keuzes van 20 en 35 niet langer goed zijn afgestemd op het huidige vraagniveau, de volatiliteit van de vraag, de doorlooptijd van de leverancier en de artikelkosten.

Het knagende gevoel van "We zouden al deze keuzes moeten heroverwegen" wordt vaak gevolgd door "Oh nee, we moeten dit uitzoeken voor alle 10.000 items in voorraad?" De redder is hier geavanceerde software die het proces kunnen opschalen en het niet alleen wenselijk maar ook haalbaar maken. De software maakt gebruik van geavanceerde algoritmen om veranderingen in inventarisparameters, zoals bestelpunten, te vertalen in belangrijke prestatie-indicatoren zoals serviceniveaus en bedrijfskosten (gedefinieerd als de som van voorraadkosten, bestelkosten en tekortkosten).

Deze blog beschrijft hoe je de voordelen van voorraadoptimalisatie door 4 benaderingen te schetsen met verschillende mate van automatisering.

Vier benaderingen voor voorraadoptimalisatie

 

Hunt-and Peck

De eerste manier is item-specifieke "jagen en pikken" optimalisatie. Dat wil zeggen, u isoleert één voorraaditem per keer en doet 'wat als'-gissingen over hoe u dat item moet beheren. U kunt software bijvoorbeeld vragen om te evalueren wat er gebeurt als u het bestelpunt voor SKU123 wijzigt van 20 in 21 terwijl u de bestelhoeveelheid vast laat op 35. Vervolgens kunt u proberen 20 met rust te laten en 35 te verlagen naar 34. Uren later, omdat uw intuïties zijn goed, je hebt misschien een beter paar keuzes gemaakt, maar je weet niet of er een nog betere combinatie is die je niet hebt geprobeerd, en je moet misschien doorgaan naar de volgende SKU en de volgende en de volgende... Je hebt iets meer geautomatiseerd en uitgebreider nodig.

Er zijn drie manieren om de klus productiever te klaren. De eerste twee combineren je intuïtie met de efficiëntie van het behandelen van groepen gerelateerde items. De derde is een volledig automatische zoekopdracht.

Gedreven optimalisatie op serviceniveau

  1. Identificeer items waarvan u wilt dat ze allemaal hetzelfde serviceniveau hebben. U beheert bijvoorbeeld honderden 'C'-items en vraagt u zich af of hun doel voor het serviceniveau 70% moet zijn, of hoger of lager.
  2. Voer een potentieel doel voor het serviceniveau in en laat de software de gevolgen voorspellen in termen van investeringen in voorraaddollars en bedrijfskosten.
  3. Als het u niet bevalt wat u ziet, probeer dan een ander serviceniveaudoel totdat u zich op uw gemak voelt. Hier doet de software voorspellingen op groepsniveau van de gevolgen van je keuzes, maar je bent je keuzes nog aan het verkennen.

Optimalisatie door herverdeling vanuit een benchmark

  1. Identificeer items die op de een of andere manier met elkaar verband houden, zoals 'alle reserveonderdelen voor onderstellen van lightrailvoertuigen'.
  2. Gebruik de software om het huidige spectrum van serviceniveaus en kosten voor de groep items te beoordelen. Gewoonlijk zult u ontdekken dat sommige artikelen schromelijk overbevoorraad zijn (zoals aangegeven door onredelijk hoge serviceniveaus) en andere schromelijk onderbevoorraad (serviceniveaus beschamend laag).
  3. Gebruik de software om de wijzigingen te berekenen die nodig zijn om de hoogste serviceniveaus te verlagen en de laagste te verhogen. Door deze aanpassing worden vaak twee doelen tegelijk bereikt: verhoging van het gemiddelde serviceniveau en tegelijkertijd verlaging van de gemiddelde bedrijfskosten.

Volledig geautomatiseerde, artikelspecifieke optimalisatie

  1. Identificeer items die allemaal een serviceniveau boven een bepaald minimum vereisen. Misschien wilt u bijvoorbeeld dat al uw "A" -items minimaal een 95%-serviceniveau hebben.
  2. Gebruik de software om voor elk artikel de keuze van inventarisparameters te identificeren die de kosten voor het behalen of overschrijden van het serviceniveauminimum minimaliseren. De software zoekt op efficiënte wijze in de "ontwerpruimte" gedefinieerd door paren inventarisparameters (bijv. Min en Max) naar ontwerpen (bijv. Min=10, Max=23) die voldoen aan de serviceniveaubeperking. Daarvan zal het ontwerp met de laagste kosten worden geïdentificeerd.

Deze aanpak gaat het verst om de last van de planner naar het programma te verschuiven. Velen zouden er baat bij hebben om dit de standaardmanier te maken waarop ze enorme aantallen inventarisitems beheren. Voor sommige items kan het handig zijn om wat meer tijd in te steken om ervoor te zorgen dat er ook rekening wordt gehouden met aanvullende overwegingen. Een beperkte capaciteit op een inkoopafdeling kan bijvoorbeeld de oplossing van het ideaal dwingen door een afname van de frequentie van bestellingen te eisen, ondanks de prijs die wordt betaald aan hogere totale bedrijfskosten.

Vooruit gaan

Het optimaliseren van inventarisparameters is nog nooit zo belangrijk geweest, maar het leek altijd een onmogelijke droom: het was te veel werk en er waren geen goede modellen om parameterkeuzes te relateren aan belangrijke prestatie-indicatoren zoals serviceniveau en bedrijfskosten. Moderne software voor supply chain-analyse heeft het spel veranderd. Nu is de vraag niet "Waarom zouden we dat doen?" maar “Waarom doen we dat niet?” Met software kun je 'Dit is wat we willen' koppelen aan 'Maak het zo'.

 

 

 

 

Volume- en kleurvakken in een magazijn

 

Laat een reactie achter
gerelateerde berichten
Gebruikmaken van Epicor Kinetic Planning BOM's met Smart IP&O voor nauwkeurige prognoses

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

In deze blog onderzoeken we hoe het gebruik van Epicor Kinetic Planning BOM's met Smart IP&O uw benadering van forecasting in een zeer configureerbare productieomgeving kan transformeren. Ontdek hoe Smart, een geavanceerde AI-gestuurde oplossing voor vraagplanning en voorraadoptimalisatie, de complexiteit van het voorspellen van de vraag naar eindproducten kan vereenvoudigen, vooral als het om verwisselbare componenten gaat. Ontdek hoe het plannen van stuklijsten en geavanceerde prognosetechnieken bedrijven in staat stelt nauwkeuriger te anticiperen op de behoeften van klanten, waardoor de operationele efficiëntie wordt gewaarborgd en een voorsprong behouden in een concurrerende markt.

De volgende grens in Supply Chain Analytics

De volgende grens in Supply Chain Analytics

Wij geloven dat de ontwikkeling van digitale tweelingen van voorraadsystemen de leidende factor op het gebied van supply chain-analyse is. Deze tweelingen nemen de vorm aan van discrete gebeurtenismodellen die Monte Carlo-simulatie gebruiken om het volledige scala aan operationele risico's te genereren en te optimaliseren. We beweren ook dat wij en onze collega's bij Smart Software een grote rol hebben gespeeld bij het smeden van die voorsprong.

Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie

Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie

In deze blog bespreken we de snelle en onvoorspelbare markt van vandaag en de voortdurende uitdagingen waarmee bedrijven worden geconfronteerd bij het efficiënt beheren van hun voorraad- en serviceniveaus. Het hoofdonderwerp van deze discussie, geworteld in het concept van ‘probabilistische voorraadoptimalisatie’, richt zich op de manier waarop moderne technologie kan worden ingezet om optimale service- en voorraaddoelstellingen te bereiken te midden van onzekerheid. Deze aanpak pakt niet alleen de traditionele problemen met voorraadbeheer aan, maar biedt ook een strategische voorsprong bij het omgaan met de complexiteit van vraagschommelingen en verstoringen van de toeleveringsketen.

recente berichten

  • Simple Inventory Optimization is Good Except When It Isn’t FHDEenvoudig is goed, behalve als dat niet het geval is
    In this blog, we are steering the conversation towards the transformative potential of technology in inventory management. The discussion centers around the limitations of simple thinking in managing inventory control processes and the necessity of adopting systematic software solutions. […]
  • Gebruikmaken van Epicor Kinetic Planning BOM's met slimme IP&O om nauwkeurig HD te voorspellenGebruikmaken van Epicor Kinetic Planning BOM's met Smart IP&O voor nauwkeurige prognoses
    In deze blog onderzoeken we hoe het gebruik van Epicor Kinetic Planning BOM's met Smart IP&O uw benadering van forecasting in een zeer configureerbare productieomgeving kan transformeren. Ontdek hoe Smart, een geavanceerde AI-gestuurde oplossing voor vraagplanning en voorraadoptimalisatie, de complexiteit van het voorspellen van de vraag naar eindproducten kan vereenvoudigen, vooral als het om verwisselbare componenten gaat. Ontdek hoe het plannen van stuklijsten en geavanceerde prognosetechnieken bedrijven in staat stelt nauwkeuriger te anticiperen op de behoeften van klanten, waardoor de operationele efficiëntie wordt gewaarborgd en een voorsprong behouden in een concurrerende markt. […]
  • Twee multi-echelon inventarisoptimalisatie Neuraal netwerk AIDe volgende grens in Supply Chain Analytics
    Wij geloven dat de ontwikkeling van digitale tweelingen van voorraadsystemen de leidende factor op het gebied van supply chain-analyse is. Deze tweelingen nemen de vorm aan van discrete gebeurtenismodellen die Monte Carlo-simulatie gebruiken om het volledige scala aan operationele risico's te genereren en te optimaliseren. We beweren ook dat wij en onze collega's bij Smart Software een grote rol hebben gespeeld bij het smeden van die voorsprong. […]
  • SMART sluit zich aan bij EPICOREpicor verwerft slimme software voor AI-aangedreven technologieën voor voorraadplanning en -optimalisatie
    De overname brengt twee bedrijven samen die nauw op elkaar zijn afgestemd om organisaties te helpen op het juiste moment tot de juiste inzichten te komen en actie te ondernemen om de bedrijfsprestaties te maximaliseren. . […]
  • Onzekerheid overwinnen met technologie voor service- en voorraadoptimalisatieOnzekerheid overwinnen met technologie voor service- en voorraadoptimalisatie
    In deze blog bespreken we de snelle en onvoorspelbare markt van vandaag en de voortdurende uitdagingen waarmee bedrijven worden geconfronteerd bij het efficiënt beheren van hun voorraad- en serviceniveaus. Het hoofdonderwerp van deze discussie, geworteld in het concept van 'probabilistische voorraadoptimalisatie', richt zich op de manier waarop moderne technologie kan worden ingezet om optimale service- en voorraaddoelstellingen te bereiken te midden van onzekerheid. Deze aanpak pakt niet alleen traditionele problemen met voorraadbeheer aan, maar biedt ook een strategische voorsprong bij het omgaan met de complexiteit van vraagschommelingen en verstoringen van de toeleveringsketen. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebbenWaarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebben
      MRO-organisaties bestaan in een breed scala van industrieën, waaronder openbaar vervoer, elektriciteitsbedrijven, afvalwater, waterkracht, luchtvaart en mijnbouw. Om hun werk gedaan te krijgen, gebruiken MRO-professionals Enterprise Asset Management (EAM) en Enterprise Resource Planning (ERP)-systemen. Deze systemen zijn ontworpen om veel taken uit te voeren. Gezien hun kenmerken, kosten en uitgebreide implementatievereisten wordt aangenomen dat EAM- en ERP-systemen het allemaal kunnen. In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen. […]
    • Vraag naar reserveonderdelen voorspellen-een-ander-perspectief-voor-planning-service-onderdelenDe voorspelling is belangrijk, maar misschien niet zoals u denkt
      Waar of niet waar: de prognose is niet van belang voor het voorraadbeheer van reserveonderdelen. Op het eerste gezicht lijkt deze verklaring duidelijk onjuist. Prognoses zijn immers cruciaal voor het plannen van de voorraadniveaus, toch? Het hangt ervan af wat je onder ‘voorspelling’ verstaat. Als u een ouderwetse prognose met één cijfer bedoelt (“de vraag naar artikel CX218b zal volgende week 3 eenheden bedragen en de week erna 6 eenheden”), dan nee. Als je de betekenis van voorspelling verruimt tot een kansverdeling die rekening houdt met onzekerheden in zowel vraag als aanbod, dan ja. […]
    • Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraadWaarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad
      Geven MRO-bedrijven echt prioriteit aan het verminderen van de overtollige voorraad reserveonderdelen? Vanuit organisatorisch oogpunt blijkt uit onze ervaring dat dit niet noodzakelijk het geval is. Discussies in de bestuurskamer gaan doorgaans over het uitbreiden van wagenparken, het verwerven van nieuwe klanten, het voldoen aan Service Level Agreements (SLA's), het moderniseren van de infrastructuur en het maximaliseren van de uptime. In bedrijfstakken waar activa die worden ondersteund door reserveonderdelen honderden miljoenen kosten of aanzienlijke inkomsten genereren (bijvoorbeeld de mijnbouw of de olie- en gassector), doet de waarde van de voorraad nauwelijks de wenkbrauwen fronsen en hebben organisaties de neiging grote hoeveelheden buitensporige voorraden over het hoofd te zien. […]
    • Belangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelenBelangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelen
      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. […]

      Voorraadoptimalisatie heeft de afgelopen maanden voor veel van onze klanten een nog hogere prioriteit gekregen. Sommigen merken dat er veel meer vraag naar hun producten is. Cloud computing-bedrijven met unieke server- en hardwareonderdelen, e-commerce, online retailers, leveranciers van thuis- en kantoorbenodigdheden, meubilair op locatie, energiebedrijven, intensief onderhoud van bedrijfsmiddelen of opslag voor watervoorzieningsbedrijven hebben hun activiteit tijdens de pandemie opgevoerd. Garages die auto-onderdelen en vrachtwagenonderdelen verkopen, farmaceutische producten, producenten van gezondheidszorg of medische benodigdheden en leveranciers van veiligheidsproducten hebben te maken met een toenemende vraag. Bezorgservicebedrijven, schoonmaakdiensten, slijterijen en magazijnen voor conserven of potten, woonwinkels, tuinleveranciers, tuinonderhoudsbedrijven, hardware-, keuken- en bakbenodigdhedenwinkels, leveranciers van woonmeubelen met een grote vraag worden geconfronteerd met voorraadtekorten, lange doorlooptijden, voorraad tekortkosten, hogere bedrijfskosten en bestelkosten.