Hoe u de juiste prognosemethode selecteert met Epicor Smart IPO

Smart Software is pleased to introduce our new series of educational webinars, offered exclusively for Epicor Users. In this webinar, Erik Subatis, Enterprise Solution Engineer at Smart Software, will reveal the statistical models Epicor Smart IP&O uses to forecast and how the automatic “best pick” system works. While automatic modeling is invaluable for large-scale forecasting, occasionally, these forecasts don’t reflect our expectations and/or business knowledge. Understanding how and when to override the model selection can be a valuable tool in a forecaster’s toolbox. Finally, the presentation will conclude by showing how to increase profitability with software-enhanced inventory planning processes in a Live Demo.

Attending this webinar, you will learn about the statistical models Smart IP&O uses to forecast and how to catch the exceptions so you can make the most of your forecasting tool.

WEBINAR REGISTRATIEFORMULIER

 

Meld u dan aan om het webinar bij te wonen. Als je geïnteresseerd bent maar niet kunt komen, schrijf je dan toch in - we zullen onze sessie opnemen en je een link naar de herhaling sturen.

We hopen dat je erbij kunt zijn!

 

SmartForecasts en Smart IP&O zijn gedeponeerde handelsmerken van Smart Software, Inc. Alle andere handelsmerken zijn eigendom van hun respectieve eigenaren.


Neem voor meer informatie contact op met Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
Telefoon: 1-800-SMART-99 (800-762-7899); E-mail: info@smartcorp.com

 

Probabilistische prognoses voor intermitterende vraag

De slimme voorspeller

  Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

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.

Samenwerking met versnellingen en statistische prognosemodellering

 

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.

met tussenpozen gevraagde spreadsheet met productitems

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.

Hoe werkt de nieuwe methode voor het voorspellen van intermitterende vraag?

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.

Magazijn of opslag krijgt voorraadoptimalisatie

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.

 

Plaats stukken met de hand om een pijl te bouwen

DOWNLOAD HET ARTIKEL

Laat een reactie achter

gerelateerde berichten

Hebben uw statistische prognoses last van het wiggle-effect?

Hebben uw statistische prognoses last van het wiggle-effect?

Wat is het wiggle-effect? Het is wanneer uw statistische prognose de ups en downs die zijn waargenomen in uw vraaggeschiedenis onjuist voorspelt terwijl er echt geen patroon is. Het is belangrijk om ervoor te zorgen dat uw prognoses niet schommelen, tenzij er een echt patroon is. Hier is een transcriptie van een recente klant waar dit probleem werd besproken:

Hoe om te gaan met statistische prognoses van nul

Hoe om te gaan met statistische prognoses van nul

Een statistische voorspelling van nul kan veel verwarring veroorzaken bij voorspellers, vooral wanneer de historische vraag niet nul is. Natuurlijk, het is duidelijk dat de vraag naar beneden neigt, maar moet deze naar nul evolueren?

recente berichten

  • Zakenman en zakenvrouw lezen en analyseren van spreadsheetDe top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen
    We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
  • Stijl zakengroep in klassieke zakenpakken met verrekijkers en telescopen reproduceren verschillende voorspellingsmethodenHoe voorspellingsresultaten te interpreteren en te manipuleren met verschillende voorspellingsmethoden
    Deze blog legt uit hoe elk voorspellingsmodel werkt met behulp van tijdgrafieken van historische en voorspellingsgegevens. Het schetst hoe te kiezen welk model te gebruiken. De onderstaande voorbeelden tonen dezelfde geschiedenis, in rood, voorspeld met elke methode, in donkergroen, vergeleken met de Slim gekozen winnende methode, in lichtgroen. […]
  • Fabrieksarbeider-ingenieur die in de fabriek werkt met behulp van een tabletcomputer om de waterleiding van de onderhoudsketel in de fabriek te controleren.Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning
    Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
  • Wat te doen als een statistische prognose geen steek houdtWat te doen als een statistische prognose geen steek houdt
    Soms slaat een statistische prognose gewoon nergens op. Elke voorspeller is er geweest. Ze kunnen dubbel controleren of de gegevens correct zijn ingevoerd of de modelinstellingen bekijken, maar ze blijven zich afvragen waarom de prognose er zo anders uitziet dan de vraaggeschiedenis. Wanneer de incidentele voorspelling nergens op slaat, kan dit het vertrouwen in het hele statistische prognoseproces aantasten. […]
  • Portret van fabrieksarbeider vrouw met blauwe veiligheidshelm houdt tablet vast en staat in de werkplaats voor reserveonderdelen. Concept van vertrouwen in het werken met software voor het plannen van reserveonderdelen.Het plannen van reserveonderdelen is niet zo moeilijk als u denkt
    Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • Zakenman en zakenvrouw lezen en analyseren van spreadsheetDe top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen
      We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
    • Fabrieksarbeider-ingenieur die in de fabriek werkt met behulp van een tabletcomputer om de waterleiding van de onderhoudsketel in de fabriek te controleren.Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning
      Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
    • Portret van fabrieksarbeider vrouw met blauwe veiligheidshelm houdt tablet vast en staat in de werkplaats voor reserveonderdelen. Concept van vertrouwen in het werken met software voor het plannen van reserveonderdelen.Het plannen van reserveonderdelen is niet zo moeilijk als u denkt
      Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
    • Werknemer in een magazijn voor auto-onderdelen met software voor voorraadplanningServicegestuurde planning voor bedrijven met serviceonderdelen
      Planning van serviceonderdelen op basis van serviceniveau is een proces in vier stappen dat verder gaat dan vereenvoudigde prognoses en vuistregels voor veiligheidsvoorraden. Het biedt planners van serviceonderdelen datagestuurde, op risico's afgestemde ondersteuning bij het nemen van beslissingen. […]

      Smart Software lanceert slimme voorraadoptimalisatie en demand planning voor Prophet 21
      Smart Software, een leider in enterprise demand planning, consensus forecasting en voorraadoptimalisatie-oplossingen, kondigt de release aan van Smart Inventory Planning and Optimization (Smart IP&O) voor Prophet 21 (P21). Het bedrijf zal de oplossing demonstreren op de Connect 2022, P21's jaarlijkse gebruikersgroepconferentie van 29 augustus - 31 augustus. Met Smart IP&O kunnen Prophet 21-gebruikers nu:  
      • Voer wereldwijde wat als-scenario's uit voor duizenden onderdelen die door Smart voorgeschreven, door de gebruiker gedefinieerde en P21 berekende voorraadbeleidsregels vergelijken voor de belangrijkste prestatievoorspellingen van serviceniveaus, opvulpercentages, tekortkosten, voorraadwaarde en meer.
       
      • Maak gebruik van Smart's voorgeschreven voorraadbeleid en serviceniveau-aanbevelingen die optimaal de meest winstgevende resultaten opleveren voor elk onderdeel, rekening houdend met voorspelde houdkosten, bestelkosten en tekortkosten.
       
      • Voorspel nauwkeurig alle vraagpatronen, inclusief intermitterende vraag die veel voorkomt bij distributiebedrijven. Smart's gepatenteerde probabilistische modelleringsmotor genereert duizenden toekomstige vraagscenario's die de vraag en het voorraadbeleid nauwkeuriger voorspellen.
       
      • Ontwikkel consensusprognoses waarin statistische, door P21 gegenereerde prognoses, verkoop- en klantprognoses worden vergeleken. Smart's Demand Planning-werkbank maakt grafische en tabelvormige visualisaties van alle beschouwde prognoses mogelijk en ondersteunt geautomatiseerde consensusprognoses en nauwkeurigheidsmetingen.
       
      • Maak gebruik van de bidirectionele integratie van Smart IP&O met P21 die het gemeenschappelijke datamodel van Smart voortdurend bijwerkt met planningsgegevens en on-demand prognoses en voorraadbeleid terugschrijft.
        “Smart IP&O breidt een reeds feature-rijke P21 uit met onderscheidende technologie voor prognoses en voorraadoptimalisatie. Onze gezamenlijke klanten zullen nu in staat zijn om inventaris effectiever te gebruiken om een competitieve gracht rond hun bedrijf op te bouwen, de verkoop te maximaliseren en beter te presteren dan de concurrentie”, aldus Greg Hartunian, Smart Software CEO. “De toeleveringsketens van vandaag hebben veel betere capaciteiten nodig om het hoofd te bieden aan de extreme vraag en aanbodvariabiliteit waarmee bedrijven tegenwoordig worden geconfronteerd. We kijken ernaar uit om onze Epicor P21-klanten uit te rusten met de tools om dit effectief, nauwkeurig en op grote schaal te doen.”   Over Smart Software, Inc. Smart Software, Inc., opgericht in 1981, is een Epicor Platinum Partner en toonaangevende leverancier van oplossingen voor vraagplanning, prognoses, voorraadoptimalisatie en analyse. Ons webplatform, Smart IP&O, maakt gebruik van probabilistische prognosemodellering, machine learning en collaboratieve vraagplanning om de voorraadniveaus te optimaliseren en de nauwkeurigheid van de prognoses te vergroten. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts. Ga voor meer informatie naar www.smartcorp.com.  
      Smart Software presenteert op Epicor Insights 2022

      Smart Software President en CEO presenteert Epicor Insights 2022-sessies over het creëren van concurrentievoordeel met slimme voorraadplanning en -optimalisatie

       

      Belmont, MA, mei 2022 – Smart Software, Inc., leverancier van toonaangevende oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie, heeft vandaag aangekondigd dat het zal presenteren op Epicor Insights 2022.

      Greg Hartunian, CEO van Smart Software, zal twee sessies presenteren en Epicor Smart Inventory Planning and Optimization toelichten tijdens het Epicor Insights-evenement van dit jaar in Nashville, TN. Greg zal laten zien hoe planningsteams in staat kunnen worden gesteld om de voorraad te verminderen, de serviceniveaus te verbeteren en de operationele efficiëntie te verhogen.

      • De presentatie van de Prophet 21 is gepland op woensdag 25 mei, 11.30 - 12:15 uur (CST) 

      Profeet 21 Smart Software presenteert op Epicor Insights 2022

      Smart Software Kinetic 21 Session Greg CEO

      • De Kinetic-presentatie is gepland op woensdag 25 mei, 14.30 – 15.20 uur (CST) 

      Kinetic Smart Software presenteert op Epicor Insights 2022

       

      Als u van plan bent dit jaar deel te nemen, neem dan deel aan een van de onderstaande sessies en leer meer over slimme voorraadplanning en -optimalisatie, aangezien we waardevolle functies in onze oplossingen benadrukken. Epicor Insights 2022 brengt meer dan 2.000 gebruikers van Epicor's branchespecifieke ERP-oplossingen voor de productie-, distributie- en dienstverlenende sector samen. Ga voor meer informatie naar INZICHTEN 2022.

      Insights-team aan het werk

      Smart Software is een Epicor Platinum Partner en toonaangevende leverancier van oplossingen voor vraagplanning, prognoses, voorraadoptimalisatie en analyse. Ons webplatform, Smart IP&O, maakt gebruik van probabilistische prognosemodellering, machine learning en collaboratieve vraagplanning om de voorraadniveaus te optimaliseren en de nauwkeurigheid van de prognoses te vergroten. Je gebruikt Smart IP&O om nauwkeurige prognoses en optimaal voorraadbeleid te creëren die geautomatiseerde bestellingen in Epicor stimuleren. Het platform omvat bidirectionele integraties met zowel Epicor ERP als Prophet 21.

       

      Over Smart Software, Inc.
      Smart Software, Inc., opgericht in 1981, is een leider in het leveren van bedrijfsbrede oplossingen voor vraagprognose, planning en voorraadoptimalisatie voor bedrijven. Smart Software's oplossingen voor vraagvoorspelling en voorraadoptimalisatie hebben duizenden gebruikers over de hele wereld geholpen, waaronder klanten bij middelgrote ondernemingen en Fortune 500-bedrijven, zoals Otis Elevator, Mitsubishi, Siemens, Disney, FedEx, MARS en The Home Depot. Smart Inventory Planning & Optimization geeft vraagplanners de tools om seizoensinvloeden, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en periodiek gevraagde serviceonderdelen en kapitaalgoederen af te handelen. Het biedt voorraadbeheerders ook nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts en is te vinden op het World Wide Web op: www.smartcorp.com.

       


      Neem voor meer informatie contact op met Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
      Telefoon: 1-800-SMART-99 (800-762-7899); FAX: 1-617-489-2748; E-mail: info@smartcorp.com

       

       

      Stimuleer operationele efficiëntie en verhoog operationele uitmuntendheid

      Smart Software introduceert met genoegen onze nieuwe reeks educatieve webinars, exclusief aangeboden voor Epicor-gebruikers. Greg Hartunian, CEO van Smart Software, zal een webinar van 45 minuten leiden, gericht op specifieke benaderingen van vraagvoorspelling en voorraadplanning, waarmee u de winstgevendheid kunt vergroten, de serviceniveaus kunt verbeteren en de voorraadkosten kunt verlagen. De presentatie schetst de uitdagingen die gepaard gaan met traditionele voorraadplanning en vraagprognoseprocessen en hoe nieuwe probabilistische prognose- en optimalisatiemethoden een groot verschil zullen maken voor uw bedrijfsresultaten. Ten slotte wordt de presentatie afgesloten door te laten zien hoe u de winstgevendheid kunt vergroten met software-verbeterde voorraadplanningsprocessen in een Live Demo.

      WEBINAR REGISTRATIEFORMULIER

       

      Meld u dan aan om het webinar bij te wonen. Als je geïnteresseerd bent maar niet kunt komen, schrijf je dan toch in - we zullen onze sessie opnemen en je een link naar de herhaling sturen.

      We hopen dat je erbij kunt zijn!

       

      SmartForecasts en Smart IP&O zijn gedeponeerde handelsmerken van Smart Software, Inc. Alle andere handelsmerken zijn eigendom van hun respectieve eigenaren.


      Neem voor meer informatie contact op met Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
      Telefoon: 1-800-SMART-99 (800-762-7899); E-mail: info@smartcorp.com