Intermitterende, klonterige of ongelijkmatige vraag - met name voor artikelen met een lage vraag, zoals service en reserveonderdelen - is bijzonder moeilijk te voorspellen met enige nauwkeurigheid. De eigen probabilistische prognoses van Smart Software zijn aanzienlijk verbeterd nauwkeurigheid op serviceniveau. Als een van deze scenario's op uw bedrijf van toepassing is, zal probabilistische prognoses u helpen uw bedrijfsresultaten te verbeteren.

• Heeft u een intermitterende of onregelmatige vraag met grote, onregelmatige pieken die vele malen groter zijn dan de gemiddelde vraag?
• Is het moeilijk om zakelijke informatie te verkrijgen over wanneer de vraag waarschijnlijk weer zal stijgen?
• Loopt u zakelijke kansen mis omdat u de vraag en de voorraadvereisten voor bepaalde onvoorspelbare producten niet nauwkeurig kunt voorspellen?
• Moet u veel artikelen op voorraad houden, zelfs als er niet vaak naar wordt gevraagd, om u te onderscheiden van de concurrentie door een hoog serviceniveau te bieden?
• Moet u onnodig grote investeringen in voorraad doen om onverwachte bestellingen en materiaalbehoeften te dekken?
• Moet u ondanks lange doorlooptijden van leveranciers direct aan klanten leveren?

Als je ja hebt geantwoord op sommige of alle bovenstaande vragen, ben je niet de enige. Intermitterende vraag - ook wel bekend als onregelmatige, sporadische, klonterige of langzaam bewegende vraag - treft industrieën van alle soorten en maten: sectoren van kapitaalgoederen en apparatuur, auto's, luchtvaart, openbaar vervoer, industriële gereedschappen, speciale chemicaliën, nutsbedrijven en hightech, om er een paar op te noemen. En het maakt het voorspellen en plannen van de vraag buitengewoon moeilijk. Het kan veel meer zijn dan hoofdpijn; het kan een probleem van meerdere miljoenen dollars zijn, vooral voor MRO-bedrijven en anderen die reserve- en serviceonderdelen beheren en distribueren.

Het identificeren van intermitterende vraaggegevens is niet moeilijk. Het bevat doorgaans een groot percentage nulwaarden, met willekeurige waarden die niet gelijk zijn aan nul. Maar weinig prognoseoplossingen hebben bevredigende resultaten opgeleverd, zelfs in dit tijdperk van Big Data-analyse, voorspellende analyse, machinaal leren en kunstmatige intelligentie.

DOWNLOAD HET ARTIKEL

Traditionele benaderingen en hun afhankelijkheid van een veronderstelde vraagverdeling

Traditionele statistische prognosemethoden, zoals exponentiële afvlakking en voortschrijdende gemiddelden, werken goed wanneer de gegevens over de vraag naar producten normaal of vloeiend zijn, maar geven geen nauwkeurige resultaten met intermitterende gegevens. Veel geautomatiseerde prognosetools werken niet omdat ze werken door patronen in vraaggeschiedenisgegevens te identificeren, zoals trend en seizoensinvloeden. Maar met intermitterende vraaggegevens zijn patronen bijzonder moeilijk te herkennen. Deze methoden hebben ook de neiging om de speciale rol van nulwaarden bij het analyseren en voorspellen van de vraag te negeren. Toch kunnen sommige conventionele statistische prognosemethoden geloofwaardige prognoses van de gemiddeld vraag per periode. Wanneer de vraag echter met tussenpozen is, is een prognose van de gemiddelde vraag lang niet voldoende voor voorraadplanning. Nauwkeurige schattingen van de volledige distributie (dwz complete set) van alle mogelijke doorlooptijdvraagwaarden zijn nodig. Zonder dit produceren deze methoden misleidende invoer voor modellen voor voorraadbeheer - met kostbare gevolgen.

Om bestelpunten, order-up-to-niveaus en veiligheidsvoorraden voor voorraadplanning te produceren, zijn veel prognosebenaderingen gebaseerd op aannames over de vraag en de doorlooptijdverdeling. Sommigen gaan ervan uit dat de waarschijnlijkheidsverdeling van de totale vraag naar een bepaald productitem over een doorlooptijd (doorlooptijdvraag) zal lijken op een normale, klassieke klokvormige curve. Andere benaderingen kunnen berusten op een Poisson-verdeling of een andere distributie uit een leerboek. Bij intermitterende vraag is een one-size-fits-all-benadering problematisch omdat de daadwerkelijke verdeling vaak niet overeenkomt met de veronderstelde verdeling. Wanneer dit gebeurt, zullen schattingen van de buffervoorraad verkeerd zijn. Dit is met name het geval bij het beheer van reserveonderdelen (tabel 1).

Voor elk artikel dat met tussenpozen wordt gevraagd, kan het belang van een nauwkeurige voorspelling van de volledige verdeling van alle mogelijke doorlooptijdvraagwaarden - niet slechts één getal dat de gemiddelde of meest waarschijnlijke vraag per periode weergeeft - niet genoeg worden benadrukt. Deze prognoses zijn belangrijke input voor de modellen voor voorraadbeheer die correcte procedures aanbevelen voor de timing en omvang van aanvullingsorders (bestelpunten en bestelhoeveelheden). Ze zijn met name essentieel in omgevingen met reserveonderdelen, waar ze nodig zijn om de inventarisvereisten van het klantenserviceniveau nauwkeurig in te schatten (bijvoorbeeld een waarschijnlijkheid van 95 of 99 procent dat een artikel niet op voorraad is) om gedurende een doorlooptijd aan de totale vraag te voldoen. Voorraadplanningsafdelingen moeten erop kunnen vertrouwen dat wanneer ze een gewenst serviceniveau nastreven, ze dat doel zullen bereiken. Als het prognosemodel consequent een ander serviceniveau oplevert dan beoogd, wordt de voorraad verkeerd beheerd en neemt het vertrouwen in het systeem af.

Geconfronteerd met deze uitdaging vertrouwen veel organisaties op solliciteren vuistregel gebaseerd op benaderingen om de voorraadniveaus te bepalen of zullen oordeelkundige aanpassingen toepassen op hun statistische prognoses, waarvan ze hopen dat ze toekomstige activiteiten nauwkeuriger zullen voorspellen op basis van zakelijke ervaringen uit het verleden. Maar er zijn ook verschillende problemen met deze benaderingen.

Vuistregelbenaderingen negeren variabiliteit in vraag en doorlooptijd. Ze worden ook niet bijgewerkt voor veranderingen in vraagpatronen en bieden geen kritische informatie informatie over ruilen over de relatie tussen serviceniveaus en voorraadkosten.

Oordelende prognoses zijn niet haalbaar wanneer het gaat om grote aantallen (duizenden en tienduizenden) items. Bovendien geven de meeste oordelende prognoses een schatting op basis van één getal in plaats van een voorspelling van de volledige verdeling van doorlooptijdvraagwaarden. Ten slotte is het gemakkelijk om onbedoeld maar onjuist een neerwaartse (of opwaartse) trend in de vraag te voorspellen, op basis van verwachtingen, wat resulteert in ondervoorraad (of overbevoorrading).

Hoe werkt probabilistische vraagvoorspelling in de praktijk?

Hoewel de volledige architectuur van deze technologie aanvullende eigendomskenmerken bevat, demonstreert een eenvoudig voorbeeld van de aanpak het nut van de techniek. Zie tabel 1.

Tabel 1. Maandelijkse vraagwaarden voor een serviceonderdeel.

De 24 maandelijkse vraagwaarden voor een serviceonderdeelitem zijn typerend voor periodieke vraag. Stel dat u prognoses nodig heeft van de totale vraag naar dit artikel in de komende drie maanden, omdat uw onderdelenleverancier drie maanden nodig heeft om een bestelling uit te voeren om de voorraad aan te vullen. De probabilistische benadering is om monsters te nemen van de 24 maandelijkse waarden, met vervanging, drie keer, waardoor een scenario ontstaat van de totale vraag gedurende de doorlooptijd van drie maanden.

Figuur 1. De resultaten van 25.000 scenario's.

U kunt willekeurig maanden 6, 12 en 4 selecteren, wat u vraagwaarden geeft van respectievelijk 0, 6 en 3 voor een totale doorlooptijdvraag (in eenheden) van 0 + 6 + 3 = 9. Vervolgens herhaalt u dit proces , misschien willekeurig maanden 19, 8 en 14 selecteren, wat een doorlooptijdvraag geeft van 0 + 32 + 0 = 32 eenheden. Door dit proces voort te zetten, kunt u een statistisch nauwkeurig beeld krijgen van de volledige verdeling van mogelijke doorlooptijdvraagwaarden voor dit artikel. Afbeelding 1 toont de resultaten van 25.000 van dergelijke scenario's, wat aangeeft (in dit voorbeeld) dat de meest waarschijnlijke waarde voor de doorlooptijdvraag nul is, maar dat de doorlooptijdvraag wel 70 of meer eenheden kan zijn. Het weerspiegelt ook de reële mogelijkheid dat vraagwaarden die niet gelijk zijn aan nul voor het deelitem die in de toekomst voorkomen, kunnen verschillen van die in het verleden.

Met de high-speed rekenbronnen die vandaag beschikbaar zijn in de cloud, kunnen probabilistische prognosemethoden snelle en realistische prognoses geven van de totale doorlooptijdvraag voor duizenden of tienduizenden periodiek gevraagde productitems. Deze prognoses kunnen vervolgens rechtstreeks in modellen voor voorraadbeheer worden ingevoerd om ervoor te zorgen dat er voldoende voorraad beschikbaar is om aan de vraag van de klant te voldoen. Dit zorgt er ook voor dat er niet meer voorraad wordt aangehouden dan nodig is, waardoor de kosten worden geminimaliseerd.

Een in de praktijk bewezen methode die werkt

Klanten die de technologie hebben geïmplementeerd, hebben ontdekt dat het de nauwkeurigheid van de klantenservice verhoogt en de voorraadkosten aanzienlijk verlaagt.

De opslagoperatie van een landelijke hardwaredetailhandelaar voorspelde voorraadbehoeften voor 12.000 periodiek gevraagde SKU's met een serviceniveau van 95 en 99 procent. De prognoseresultaten waren bijna 100 procent nauwkeurig. Bij het serviceniveau van 95 procent was 95,23 procent van de artikelen niet op voorraad (95 procent zou perfect zijn geweest). Bij het serviceniveau van 99 procent was 98,66 procent van de artikelen niet op voorraad (99 procent zou perfect zijn geweest).

De vliegtuigonderhoudsoperatie van een wereldwijd bedrijf behaalde vergelijkbare prognoseresultaten op serviceniveau met 6.000 SKU's. Potentiële jaarlijkse besparingen op voorraadkosten werden geschat op $3 miljoen. De aftermarket-business unit van een leverancier uit de auto-industrie, waarvan tweederde van de 7.000 SKU's een sterk wisselende vraag vertoont, voorspelde ook $3 miljoen aan jaarlijkse kostenbesparingen.

Dat de uitdaging van het voorspellen van de intermitterende vraag naar producten inderdaad is gehaald, is goed nieuws voor fabrikanten, distributeurs en onderdelen/MRO-bedrijven. Met cloud computing is de in de praktijk bewezen probabilistische methode van Smart Software nu toegankelijk voor niet-statistici en kan deze op schaal worden toegepast op tienduizenden onderdelen. Vraaggegevens die ooit onvoorspelbaar waren, vormen niet langer een obstakel voor het bereiken van de hoogste klantenserviceniveaus met de laagst mogelijke investering in voorraad.

DOWNLOAD HET ARTIKEL

Service Level Driven Planning (SLDP) is een benadering van voorraadplanning. Het schrijft optimale doelen voor het serviceniveau voor, identificeert en communiceert continu afwegingen tussen service en kosten die aan de basis liggen van alle verstandige voorraadbeslissingen. Wanneer een organisatie deze relatie begrijpt, kunnen ze communiceren waar ze risico lopen en waar niet, en kunnen ze effectief omgaan met hun inventarismiddelen. SLDP helpt voorraadonevenwichtigheden bloot te leggen en maakt weloverwogen beslissingen mogelijk over hoe deze het beste kunnen worden gecorrigeerd. Om SLDP te implementeren, moet u verder kijken dan traditionele planningsbenaderingen, zoals willekeurige targeting op serviceniveau (al mijn A-items moeten serviceniveau 99% krijgen, B-items 95%, C-items 80%, enz.) precies voorspellen wat er gaat gebeuren en wanneer. SLDP ontvouwt zich in 4 stappen: Benchmark, Collaborate, Plan en Track.

Stap 1. Benchmarkprestaties

Alle deelnemers aan het voorraadplannings- en investeringsproces moeten een gemeenschappelijk begrip hebben van hoe het huidige beleid presteert binnen een overeengekomen reeks inventarisstatistieken. Metrieken moeten historisch bereikte serviceniveaus en opvullingspercentages, levertijd aan klanten, doorlooptijdprestaties van leveranciers, voorraadrotaties en voorraadinvesteringen omvatten. Zodra deze statistieken zijn gebenchmarkt en er dagelijks over kan worden gerapporteerd, beschikt de organisatie over de informatie die zij nodig heeft om prioriteit te geven aan planningsinspanningen. Als de voorraad bijvoorbeeld is toegenomen, maar de serviceniveaus niet, zou dit erop wijzen dat de voorraad niet correct is verdeeld over de SKU's. Rapporten moeten met muisklikken worden gegenereerd, zodat planners zich kunnen concentreren op analyse in plaats van tijdrovende rapportgeneratie. Prestaties uit het verleden zijn geen garantie voor toekomstige prestaties, aangezien variabiliteit in de vraag, kosten, prioriteiten en doorlooptijden altijd veranderen. SLDP maakt dus voorspellende benchmarking mogelijk die inschat welke prestaties in de toekomst waarschijnlijk zullen zijn. Software voor voorraadoptimalisatie gebruiken waarschijnlijkheidsvoorspelling kan worden gebruikt om een realistisch bereik van potentiële behoeften en bevoorradingscycli in te schatten, waarbij u uw planningsparameters stresstests uitvoert om te ontdekken hoe vaak en welke artikelen u op voorraad en overschotten kunt verwachten.

Stap 2. "Wat als" planning en samenwerking

"Wat als" voorraadmodellering en samenwerking vormen de kern van SLDP. De historische en voorspellende benchmarks moeten eerst worden gedeeld met alle relevante belanghebbenden, waaronder verkoop, financiën en bedrijfsvoering. Er moeten inspanningen worden geleverd om de volgende vragen te beantwoorden:

– Zijn zowel de huidige prestaties als de investering acceptabel?
– Zo nee, hoe moeten deze worden verbeterd?
– Welke SKU's zullen waarschijnlijk als volgende worden geëist en in welke hoeveelheden?
– Waar zijn we bereid meer risico te nemen?
– Waar moet het voorraadrisico worden geminimaliseerd?
– Wat zijn de specifieke voorraadkosten?
– Aan welke bedrijfsregels en beperkingen moeten we ons houden (klantenserviceniveau-overeenkomsten, voorraaddrempels, enz.)

Zodra de bovenstaande vragen zijn beantwoord, kan nieuw voorraadplanningsbeleid worden ontwikkeld. Voorraadoptimalisatiesoftware kan alle kosten in verband met voorraadbeheer met elkaar verzoenen, inclusief voorraadkosten, om de juiste set planningsparameters (min/max, veiligheidsvoorraad, bestelpunten, enz.) en voorgeschreven serviceniveaus te genereren. Het optimale beleid kan worden vergeleken met het huidige beleid en aangepast op basis van randvoorwaarden en bedrijfsregels. Bepaalde artikelen kunnen bijvoorbeeld gericht zijn op een nagestreefd serviceniveau om te voldoen aan een klantenserviceovereenkomst. Er kunnen verschillende 'wat als'-scenario's voor voorraadplanning worden ontwikkeld en gedeeld met de belangrijkste belanghebbenden. U kunt bijvoorbeeld modelleren hoe kortere doorlooptijden de voorraadkosten beïnvloeden. Zodra er consensus is bereikt en de risico's en kosten duidelijk zijn gecommuniceerd, kan het gewijzigde beleid worden geüpload naar het ERP-systeem om voorraadaanvulling te stimuleren.

Stap 3. Voortdurend plannen en beheren per uitzondering

SLDP maakt voortdurend nieuwe prognoses van geoptimaliseerde planningsparameters op basis van veranderende eisen, doorlooptijden, kosten en andere factoren. Dit betekent dat serviceniveaus en voorraadwaarde kunnen veranderen. Het voorgeschreven serviceniveau van 95% kan bijvoorbeeld in de volgende planningsperiode worden verhoogd naar 99% als de voorraadkosten voor dat artikel plotseling stijgen. Dit geldt ook als u ervoor kiest om willekeurig een bepaald serviceniveau te targeten of planningsparameters vast te leggen op een specifieke eenheidshoeveelheid. Een beoogd serviceniveau van 95% kan bijvoorbeeld vandaag $1.000 in voorraad vereisen, maar $2.000 volgende maand als de doorlooptijden pieken. Evenzo kan een bestelpunt van 10 eenheden vandaag 95%-service krijgen en volgende maand alleen 85%-service als reactie op de toegenomen vraagvariabiliteit. Voorraadoptimalisatiesoftware identificeert welke artikelen naar verwachting significante veranderingen in serviceniveau en/of voorraadwaarde zullen hebben en welke artikelen niet volgens het consensusplan worden besteld. Er worden automatisch uitzonderingslijsten gemaakt, waardoor u deze items gemakkelijk kunt bekijken en kunt beslissen hoe u ze in de toekomst wilt beheren. Prescriptieve analyses kunnen helpen vaststellen of de hoofdoorzaak van de verandering een vraagafwijking, een verandering in de algehele variabiliteit van de vraag, een verandering in de doorlooptijd of een verandering in de kosten is, zodat u het beleid dienovereenkomstig kunt verfijnen.

Stap 4. Houd de lopende prestaties bij

SLDP-processen meten regelmatig historische en huidige operationele prestaties. De resultaten moeten worden gecontroleerd om ervoor te zorgen dat de serviceniveaus verbeteren en de voorraadniveaus afnemen in vergelijking met de historische benchmarks bepaald in stap 1. Meetstatistieken bijhouden zoals beurten, geaggregeerde en artikelspecifieke serviceniveaus, opvullingspercentages, out-of-stocks en leveranciers doorlooptijd prestaties. Deel resultaten binnen de hele organisatie en identificeer de hoofdoorzaken van operationele inefficiënties. SLDP-processen maken het bijhouden van prestaties gemakkelijk door tools te bieden die automatisch de benodigde rapporten genereren in plaats van deze last op planners te leggen om ze in Excel te beheren. Hierdoor kan de organisatie operationele problemen ontdekken die van invloed zijn op de prestaties en feedback geven over wat werkt en wat moet worden verbeterd.

Conclusie

Het SLDP-raamwerk is een manier om het voorraadplanningsproces te rationaliseren en een aanzienlijk economisch rendement te genereren. Het organiserende principe is dat klantenserviceniveaus en inventariskosten in verband met het gekozen beleid moeten worden begrepen, gevolgd en voortdurend verfijnd. Het gebruik van voorraadoptimalisatiesoftware helpt ervoor te zorgen dat u het goedkoopste serviceniveau kunt identificeren. Dit creëert een coherente, bedrijfsbrede inspanning die inzicht in de huidige activiteiten combineert met wetenschappelijke beoordelingen van toekomstige risico's en omstandigheden. Het wordt gerealiseerd door een combinatie van uitvoerende visie, inhoudelijke expertise van het personeel en de kracht van moderne software voor voorraadplanning en -optimalisatie.

Bekijk hoe Smart Inventory Optimization Service Level Driven Planning ondersteunt en download het productblad hier: https://smartcorp.com/inventory-optimization/

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'.