In dit artikel zullen we de functionaliteit voor 'voorgestelde bestellingen' in Epicor BisTrack bekijken, de beperkingen ervan uitleggen en samenvatten hoe Smart Inventory Planning & Optimization (Smart IP&O) kan helpen de voorraad te verminderen en voorraadtekorten te minimaliseren door de afwegingen tussen voorraadrisico's nauwkeurig te beoordelen. en voorraadkosten.

Automatisering van bevoorrading in Epicor BisTrack
Epicor BisTrack's “Suggested Ordering” kan de aanvulling beheren door voor te stellen wat te bestellen en wanneer, via op punten gebaseerd beleid voor herbestelling, zoals min-max en/of handmatig gespecificeerde leveringsweken. BisTrack bevat een aantal basisfunctionaliteiten om deze parameters te berekenen op basis van gemiddeld gebruik of omzet, doorlooptijd van leveranciers en/of door de gebruiker gedefinieerde seizoensaanpassingen. Als alternatief kunnen nabestelpunten volledig handmatig worden opgegeven. BisTrack presenteert de gebruiker vervolgens een lijst met voorgestelde bestellingen door inkomend aanbod, huidige voorraad, uitgaande vraag en voorraadbeleid op elkaar af te stemmen.

Hoe Epicor BisTrack “Aanbevolen bestelling” werkt
Om een lijst met voorgestelde bestellingen te krijgen, specificeren gebruikers de methoden achter de suggesties, inclusief locaties waarvoor ze bestellingen moeten plaatsen en hoe ze het voorraadbeleid kunnen bepalen dat bepaalt wanneer een suggestie wordt gedaan en in welke hoeveelheid.

Eerst wordt het veld “methode” gespecificeerd uit de volgende opties om te bepalen welk soort suggestie wordt gegenereerd en voor welke locatie(s):

Aankoop – Aanbevelingen voor inkooporders genereren.

1. Gecentraliseerd voor alle vestigingen – Genereert suggesties voor één locatie die inkopen doet voor alle andere locaties.
2. Per individueel filiaal – Genereert suggesties voor meerdere locaties (leveranciers verzenden rechtstreeks naar elk filiaal).
3. Per bronvertakking – Genereert suggesties voor een bronvertakking die materiaal zal overbrengen naar vertakkingen die deze bedient (“hub en sprak”).
4. Individuele vestigingen met overdrachten – Genereert suggesties voor een individuele vestiging die materiaal zal overdragen naar vestigingen die zij bedient (“hub and spoke”, waarbij de “hub” geen bronfiliaal hoeft te zijn).

Vervaardiging – Genereer werkordersuggesties voor gefabriceerde goederen.

1. Per productietak.
2. Per individuele vestiging.

Overdracht van brontak – Genereer overdrachtssuggesties van een bepaalde vestiging naar andere vestigingen.

Vervolgens wordt de “bestelling voorstellen aan” gespecificeerd uit de volgende opties:

1. Minimum – Stelt bestellingen voor “tot” de minimale beschikbare hoeveelheid (“min”). Voor elk artikel waarvan de voorraad minder is dan de minimumhoeveelheid, zal BisTrack een bestelsuggestie voorstellen om aan te vullen tot dit aantal.
2. Maximaal wanneer minder dan min – Stelt bestellingen voor “tot” een maximale voorhanden hoeveelheid wanneer de minimale voorhanden hoeveelheid wordt overschreden (bijvoorbeeld een min-max voorraadbeleid).

3. Gebaseerd op dekking (gebruik) – Stelt bestellingen voor op basis van dekking voor een door de gebruiker gedefinieerd aantal leveringsweken met betrekking tot een opgegeven doorlooptijd. Intern gegeven gebruik Afhankelijk van de vraag zal BisTrack bestellingen aanbevelen waarbij het aanbod kleiner is dan de gewenste dekking om het verschil te dekken.

4. Gebaseerd op meer dan (verkoop) – Stelt bestellingen voor op basis van dekking voor een door de gebruiker gedefinieerd aantal leveringsweken met betrekking tot een opgegeven doorlooptijd. Gegeven verkooporders Afhankelijk van de vraag zal BisTrack bestellingen aanbevelen waarbij het aanbod kleiner is dan de gewenste dekking om het verschil te dekken.

5. Alleen maximum – Stelt bestellingen voor “tot” een maximale voorhanden hoeveelheid waarbij het aanbod minder is dan dit maximum.

Ten slotte kunnen gebruikers, als BisTrack de drempels voor herbestellingen kan bepalen, aanvullende voorraaddekking specificeren als buffervoorraad, doorlooptijden, hoeveel maanden historische vraag er rekening mee moet houden, en kunnen ze ook handmatig periode-voor-periode wegingsschema's definiëren om de seizoensinvloeden te benaderen. De gebruiker krijgt een lijst met voorgestelde bestellingen op basis van de gedefinieerde criteria. Een inkoper kan vervolgens met één klik op de knop inkooporders voor leveranciers genereren.

Beperkingen

Vuistregelmethoden

Hoewel BisTrack organisaties in staat stelt automatisch bestelpunten te genereren, zijn deze methoden gebaseerd op eenvoudige gemiddelden die geen rekening houden met seizoensinvloeden, trends of de volatiliteit in de vraag naar een artikel. Gemiddelden zullen altijd achterblijven bij deze patronen en zijn niet in staat trends te volgen. Overweeg een zeer seizoensgebonden product zoals een sneeuwschep. Als we een gemiddelde nemen van de vraag in de zomer/herfst wanneer we het winterseizoen naderen, in plaats van vooruit te kijken, dan zullen de aanbevelingen gebaseerd zijn op de langzamere periodes in plaats van te anticiperen op de komende vraag. Zelfs als we de geschiedenis van een heel jaar of langer in ogenschouw nemen, zullen de aanbevelingen zonder handmatige tussenkomst overcompenseren tijdens de langzamere maanden en het drukke seizoen onderschatten.

Vuistregelmethoden falen ook als ze worden gebruikt als buffer tegen de variabiliteit van vraag en aanbod. De gemiddelde vraag gedurende de doorlooptijd kan bijvoorbeeld 20 eenheden bedragen. Een planner wil echter vaak meer dan 20 eenheden op voorraad hebben om te voorkomen dat de voorraad uitvalt als de doorlooptijden langer zijn dan verwacht of de vraag hoger is dan gemiddeld. Met BisTrack kunnen gebruikers de bestelpunten specificeren op basis van veelvouden van de gemiddelden. Omdat de veelvouden echter geen rekening houden met de mate van voorspelbaarheid en variabiliteit in de vraag, zult u altijd voorspelbare artikelen overbevoorraden en onvoorspelbare artikelen te weinig hebben. Lees dit artikel voor meer informatie over waarom veelvouden van het gemiddelde falen als het gaat om het ontwikkelen van het juiste bestelpunt.

Handmatige invoer
Over de eerder genoemde seizoensinvloeden gesproken: BisTrack biedt de gebruiker de mogelijkheid om deze te benaderen door het gebruik van handmatig ingevoerde “gewichten” voor elke periode. Dit dwingt de gebruiker om voor elk item te beslissen hoe dat seizoenspatroon eruit ziet. Zelfs daarbuiten moet de gebruiker dicteren hoeveel extra weken aan voorraad hij moet meenemen om voorraadtekorten tegen te gaan. en moet specificeren rond welke doorlooptijd moet worden gepland. Is 2 weken extra aanvoer voldoende? Is 3 genoeg? Of is dat teveel? Er is geen manier om dit te weten zonder te raden, en wat logisch is voor één item is misschien niet de juiste aanpak voor alle items.

Intermittent Demand
Veel BisTrack-klanten kunnen bepaalde items als “onvoorspelbaar” beschouwen vanwege de periodieke of ‘klonterige’ aard van hun vraag. Met andere woorden, artikelen die worden gekenmerkt door een sporadische vraag, grote pieken in de vraag en periodes van weinig of helemaal geen vraag. Traditionele methoden – en vooral de vuistregels – zullen niet werken voor dit soort items. Twee extra weken aanvoer voor een zeer voorspelbaar, stabiel artikel kunnen bijvoorbeeld veel te veel zijn; voor een artikel met een zeer volatiele vraag is dezelfde regel mogelijk niet voldoende. Zonder een betrouwbare manier om deze volatiliteit voor elk item objectief te beoordelen, blijven kopers gissen wanneer ze moeten kopen en hoeveel.

Terugkeren naar spreadsheets
De realiteit is dat de meeste BisTrack-gebruikers de neiging hebben om het grootste deel van hun planning offline, in Excel, te doen. Spreadsheets zijn niet speciaal ontworpen voor prognoses en voorraadoptimalisatie. Gebruikers zullen vaak door de gebruiker gedefinieerd bakken vuistregel methoden die vaak meer kwaad dan goed doen. Eenmaal berekend, moeten gebruikers de informatie handmatig opnieuw in BisTrack invoeren. Het tijdrovende karakter van het proces brengt bedrijven ertoe zelden hun voorraadbeleid berekenen - Er gaan vele maanden en soms jaren voorbij tussen de massa-updates, wat leidt tot een reactieve aanpak van ‘instellen en vergeten’, waarbij de enige keer dat een koper/planner het voorraadbeleid beoordeelt, is op het moment van de bestelling. Wanneer beleid wordt herzien nadat het orderpunt al is geschonden, is het te laat. Wanneer het bestelpunt te hoog wordt geacht, is handmatige ondervraging vereist om de geschiedenis te bekijken, voorspellingen te berekenen, bufferposities te beoordelen en opnieuw te kalibreren. Het enorme volume aan bestellingen betekent dat kopers bestellingen gewoon vrijgeven in plaats van de tijd te nemen om alles te beoordelen, wat leidt tot een aanzienlijke overtollige voorraad. Als het bestelpunt te laag is, is het al te laat. Er kan nu een spoedactie nodig zijn, waardoor de kosten omhoog gaan, ervan uitgaande dat de klant niet zomaar ergens anders heen gaat.

Epicor is slimmer
Epicor werkt samen met Smart Software en biedt Smart IP&O aan als een platformonafhankelijke add-on voor zijn ERP-oplossingen, waaronder BisTrack, een gespecialiseerde ERP voor de hout-, hardware- en bouwmaterialenindustrie. De Smart IP&O-oplossing wordt compleet geleverd met een bidirectionele integratie met BisTrack. Hierdoor kunnen klanten van Epicor gebruik maken van speciaal voor dit doel gebouwde, beste voorraadoptimalisatietoepassingen. Met Epicor Smart IP&O kunt u prognoses genereren die trends en seizoensinvloeden vastleggen zonder handmatige configuraties. U kunt het voorraadbeleid automatisch opnieuw kalibreren met behulp van in de praktijk bewezen, geavanceerde statistische en probabilistische modellen die zijn ontworpen om nauwkeurig te plannen Intermittent demand. Veiligheidsvoorraden houden nauwkeurig rekening met variabiliteit in vraag en aanbod, zakelijke omstandigheden en prioriteiten. U kunt profiteren service level gestuurde planning zodat je net genoeg voorraad hebt of gebruik maken van optimalisatie methodes die het meest winstgevende voorraadbeleid en serviceniveaus voorschrijven, waarbij rekening wordt gehouden met de werkelijke kosten van het aanhouden van voorraad. U kunt grondstoffenaankopen ondersteunen met nauwkeurige vraagvoorspellingen over langere horizonten, en 'wat-als'-scenario's uitvoeren om alternatieve strategieën te beoordelen voordat het plan wordt uitgevoerd.

Slimme IP&O-klanten realiseren routinematig een jaarlijks rendement van zeven cijfers door verminderde snelheid, hogere verkopen en minder overtollige voorraden, terwijl ze tegelijkertijd een concurrentievoordeel verwerven door zich te onderscheiden door verbeterde klantenservice. Om een opgenomen webinar te zien, gehost door de Epicor Users Group, waarin het Demand Planning en Inventory Optimization-platform van Smart wordt geprofileerd, registreer u dan hier.

Het meten van de nauwkeurigheid van prognoses is een onmiskenbaar belangrijk onderdeel van het vraagplanningsproces. Deze voorspellingsscorekaart zou kunnen worden opgebouwd op basis van een van de twee contrasterende gezichtspunten voor het berekenen van metrieken. Vanuit het foutperspectief wordt de vraag gesteld: “Hoe ver lag de voorspelling van de werkelijkheid?” Vanuit het nauwkeurigheidsperspectief wordt de vraag gesteld: “Hoe dicht lag de voorspelling bij de werkelijkheid?” Beide zijn geldig, maar foutstatistieken bieden meer informatie.

Nauwkeurigheid wordt weergegeven als een percentage tussen nul en 100, terwijl foutpercentages bij nul beginnen maar geen bovengrens hebben. Rapporten van MAPE (gemiddelde absolute procentuele fout) of andere foutstatistieken kunnen de titel 'voorspellingsnauwkeurigheid'-rapporten krijgen, waardoor het onderscheid vervaagt. Het kan dus zijn dat u wilt weten hoe u vanuit het foutenperspectief kunt overstappen naar het nauwkeurigheidsperspectief dat uw bedrijf omarmt. In deze blog wordt aan de hand van enkele voorbeelden beschreven hoe.

Nauwkeurigheidsgegevens worden zo berekend dat wanneer de werkelijke waarde gelijk is aan de voorspelling, de nauwkeurigheid 100% is en wanneer de voorspelling het dubbele of de helft is van de werkelijke, de nauwkeurigheid 0% is. Rapporten waarin de voorspelling met de werkelijkheid wordt vergeleken, bevatten vaak het volgende:

• De daadwerkelijke
• De prognose
• Eenheidsfout = Prognose – Werkelijk
• Absolute fout = Absolute waarde van eenheidsfout
• Absolute %-fout = Abs-fout / Werkelijk, als een %
• Nauwkeurigheid % = 100% – Absolute %-fout

Bekijk een paar voorbeelden die het verschil in aanpak illustreren. Stel dat de Werkelijke = 8 en de voorspelling is 10.

Eenheidsfout is 10 – 8 = 2

Absolute %-fout = 2/8, als % = 0,25 * 100 = 25%

Nauwkeurigheid = 100% – 25% = 75%.

Laten we nu zeggen dat de werkelijke waarde 8 is en de voorspelling 24.

Eenheidsfout is 24– 8 = 16

Absolute %-fout = 16/8 als % = 2 * 100 = 200%

Nauwkeurigheid = 100% – 200% = negatief is ingesteld op 0%.

In het eerste voorbeeld leveren nauwkeurigheidsmetingen dezelfde informatie op als foutmetingen, aangezien de voorspelling en de werkelijke situatie al relatief dicht bij elkaar liggen. Maar als de fout meer dan het dubbele is van de werkelijke, komen de nauwkeurigheidsmetingen uit op nul. Het geeft wel correct aan dat de voorspelling helemaal niet accuraat was. Maar het tweede voorbeeld is nauwkeuriger dan een derde, waarbij de werkelijke waarde 8 is en de voorspelling 200. Dat is een onderscheid dat een nauwkeurigheidsbereik van 0 tot 100% niet registreert. In dit laatste voorbeeld:

Eenheidsfout is 200 – 8 = 192

Absolute %-fout = 192/8, als % = 24 * 100 = 2,400%

Nauwkeurigheid = 100% – 2.400% = negatief is ingesteld op 0%.

Foutstatistieken blijven informatie verschaffen over hoe ver de voorspelling afwijkt van de werkelijke en geven aantoonbaar een betere weergave van de nauwkeurigheid van de voorspelling.

Wij moedigen aan om het foutperspectief te hanteren. U hoopt eenvoudigweg op een klein foutpercentage dat aangeeft dat de voorspelling niet ver van de werkelijkheid ligt, in plaats van te hopen op een groot nauwkeurigheidspercentage dat aangeeft dat de voorspelling dicht bij de werkelijkheid ligt. Deze mentaliteitsverandering biedt dezelfde inzichten en elimineert vervormingen.

Automatische prognoses zijn de populairste en meest gebruikte functie van SmartForecasts en Smart Demand Planner. Automatische prognoses maken is eenvoudig. Maar de eenvoud van Automatic Forecasting maskeert een krachtige interactie van een aantal zeer effectieve prognosemethoden. In deze blog bespreken we een deel van de theorie achter deze kernfunctie. We richten ons op automatische prognoses, deels vanwege de populariteit ervan en deels omdat veel andere prognosemethoden vergelijkbare resultaten opleveren. Kennis van automatische prognoses wordt onmiddellijk overgedragen naar eenvoudig voortschrijdend gemiddelde, lineair voortschrijdend gemiddelde, enkele exponentiële afvlakking, dubbele exponentiële afvlakking, Winters' exponentiële afvlakking en promoprognoses.

Prognose toernooi

Automatische prognoses werken door een toernooi uit te voeren met een reeks concurrerende methoden. Omdat personal computers en cloud computing snel zijn, en omdat we zeer efficiënte algoritmen hebben gecodeerd in de automatische voorspellingsengine van SmartForecasts, is het praktisch om een puur empirische benadering te volgen om te beslissen welke extrapolatieve voorspellingsmethode moet worden gebruikt. Dit betekent dat u het zich kunt veroorloven om een aantal benaderingen uit te proberen en vervolgens degene te behouden die het beste presteert bij het voorspellen van de betreffende gegevensreeks. SmartForecasts automatiseert dit proces volledig voor u door de verschillende voorspellingsmethoden uit te proberen in een gesimuleerd voorspellingstoernooi. De winnaar van het toernooi is de methode die het dichtst bij het voorspellen van nieuwe gegevenswaarden van oude komt. Nauwkeurigheid wordt gemeten aan de hand van de gemiddelde absolute fout (dat wil zeggen de gemiddelde fout, waarbij eventuele mintekens worden genegeerd). Het gemiddelde wordt berekend over een reeks voorspellingen, die elk een deel van de gegevens gebruiken, in een proces dat bekend staat als glijdende simulatie.

Glijdende simulatie

De glijdende simulatie veegt herhaaldelijk door steeds langere delen van de historische gegevens, waarbij in elk geval het gewenste aantal perioden in uw prognosehorizon wordt voorspeld. Stel dat er 36 historische gegevenswaarden zijn en dat u zes perioden vooruit moet voorspellen. Stel je voor dat je de voorspellingsnauwkeurigheid van een bepaalde methode, bijvoorbeeld een voortschrijdend gemiddelde van vier waarnemingen, wilt beoordelen op de gegevensreeks die voorhanden is.

Op een gegeven moment in de glijdende simulatie worden de eerste 24 punten (alleen) gebruikt om de 25e tot en met 30e historische gegevenswaarden te voorspellen, die we tijdelijk als onbekend beschouwen. We zeggen dat de punten 25-30 buiten de analyse worden gehouden. Het berekenen van de absolute waarden van de verschillen tussen de zes prognoses en de overeenkomstige werkelijke historische waarden levert één exemplaar op van elk een 1-staps, 2-staps, 3-staps, 4-staps, 5-staps en 6-staps vooruit absolute voorspelling fout. Als u dit proces herhaalt met de eerste 25 punten, krijgt u meer voorbeelden van 1-staps, 2-staps, 3-staps vooruit-fouten, enzovoort. Het gemiddelde van alle absolute foutschattingen die op deze manier zijn verkregen, geeft een samenvatting van de nauwkeurigheid in één getal.

Methoden die worden gebruikt bij automatische prognoses

Normaal gesproken zijn er zes extrapolatieve voorspellingsmethoden die meedoen aan het automatische voorspellingstoernooi:

• Eenvoudig voortschrijdend gemiddelde
• Lineair voortschrijdend gemiddelde
• Enkele exponentiële afvlakking
• Dubbele exponentiële afvlakking
• Additieve versie van Winters' exponentiële afvlakking
• Multiplicatieve versie van Winters' exponentiële afvlakking

De laatste twee methoden zijn geschikt voor seizoenreeksen; ze worden echter automatisch uitgesloten van het toernooi als er minder dan twee volledige seizoensgegevenscycli zijn (bijvoorbeeld minder dan 24 periodes met maandelijkse gegevens of acht periodes met driemaandelijkse gegevens).

Deze zes klassieke, op afvlakking gebaseerde methoden hebben bewezen gemakkelijk te begrijpen, gemakkelijk te berekenen en nauwkeurig te zijn. Je kunt elk van deze methoden uitsluiten van het toernooi als je een voorkeur hebt voor sommige deelnemers en niet voor andere.

1. Voorspellen is een kunst die een combinatie van professioneel oordeel en objectieve statistische analyse vereist. Succesvolle vraagprognoses vereisen een basisvoorspelling die gebruikmaakt van statistische prognosemethoden. Eenmaal vastgesteld, kan het proces zich richten op hoe u statistische prognoses het beste kunt aanpassen op basis van uw eigen inzichten en zakelijke kennis.

2. Het prognoseproces is meestal iteratief. Het kan zijn dat u uw aanvankelijke prognose een aantal keer moet verfijnen voordat u tevreden bent. Het is belangrijk om snel en eenvoudig alternatieve prognoses te kunnen genereren en vergelijken. Het volgen van de nauwkeurigheid van deze prognoses in de loop van de tijd, inclusief alternatieven die niet werden gebruikt, helpt het proces te informeren en te verbeteren.

3. De geloofwaardigheid van prognoses hangt sterk af van grafische vergelijkingen met historische gegevens. Een beeld zegt meer dan duizend woorden, dus geef prognoses altijd weer via direct beschikbare grafische displays met ondersteunende numerieke rapporten.

4. Een van de belangrijkste technische taken bij prognoses is om de keuze van de prognosetechniek af te stemmen op de aard van de gegevens. Effectieve vraagvoorspellingsprocessen maken gebruik van mogelijkheden die de juiste methode identificeren om te gebruiken. Kenmerken van een datareeks zoals trend, seizoensinvloeden of abrupte niveauverschuivingen suggereren bepaalde technieken in plaats van andere. Een automatische selectie, die automatisch de juiste prognosemethode selecteert en gebruikt, bespaart tijd en zorgt ervoor dat uw basisvoorspelling zo nauwkeurig mogelijk is.

5. Succesvolle vraagvoorspellingsprocessen werken samen met andere bedrijfsprocessen. Prognoses kunnen bijvoorbeeld een essentiële eerste stap zijn in financiële analyse. Bovendien zijn nauwkeurige prognoses voor verkoop en productvraag fundamentele input voor de processen voor productieplanning en voorraadbeheer van een productiebedrijf.

6. Een goed planningsproces erkent dat prognoses nooit precies kloppen. Omdat zelfs in het beste prognoseproces een fout sluipt, zijn eerlijke schattingen van de foutmarge en prognosebias een van de nuttigste aanvullingen op een prognose.

Wat is al die heisa rond de term 'probabilistische prognoses'? Is het gewoon een recentere marketingterm die sommige softwareleveranciers en consultants hebben bedacht om innovatie te veinzen? Is er een echt tastbaar verschil in vergelijking met voorgaande "best passende" technieken? Zijn toch niet alle voorspellingen probabilistisch?

Om deze vraag te beantwoorden, is het nuttig om na te denken over wat de voorspelling u werkelijk vertelt in termen van kansen. Een "goede" voorspelling moet onbevooroordeeld zijn en daarom een 50/50 waarschijnlijkheid opleveren die hoger of lager is dan de werkelijke. Een "slechte" voorspelling zal subjectieve buffers inbouwen (of de voorspelling kunstmatig verlagen) en resulteren in een hoge of lage vraag. Overweeg een verkoper die opzettelijk zijn prognose verlaagt door geen verkopen te rapporteren die hij verwacht te sluiten als 'conservatief'. Hun voorspellingen zullen een negatieve voorspellingsbias hebben, aangezien de werkelijke waarden bijna altijd hoger zullen zijn dan wat ze voorspelden. Overweeg aan de andere kant een klant die een opgeblazen prognose aan zijn fabrikant geeft. Bezorgd over stockouts, overschatten ze de vraag om hun aanbod zeker te stellen. Hun voorspelling zal een positieve bias hebben, aangezien de werkelijke waarden bijna altijd lager zullen zijn dan wat ze voorspelden. 

Dit soort ééncijferige voorspellingen die hierboven zijn beschreven, zijn problematisch. We verwijzen naar deze voorspellingen als "puntvoorspellingen", omdat ze één punt (of een reeks punten in de tijd) vertegenwoordigen op een plot van wat er in de toekomst zou kunnen gebeuren. Ze geven geen volledig beeld, want om effectieve zakelijke beslissingen te nemen, zoals het bepalen hoeveel voorraad er moet worden opgeslagen of het aantal werknemers dat beschikbaar moet zijn om aan de vraag te voldoen, is gedetailleerde informatie vereist over hoeveel lager of hoger de werkelijke waarde zal zijn! Met andere woorden, u hebt de kansen nodig voor elke mogelijke uitkomst die zich kan voordoen. Dus op zichzelf is de puntvoorspelling niet probabilistisch.   

Om een probabilistische voorspelling te krijgen, moet u de verdeling van mogelijke eisen rond die voorspelling kennen. Zodra u dit hebt berekend, wordt de voorspelling 'probabilistisch'. Hoe prognosesystemen en beoefenaars zoals vraagplanners, voorraadanalisten, materiaalmanagers en CFO's deze waarschijnlijkheden bepalen, is de kern van de vraag: "wat maakt een prognose probabilistisch?"     

Normale verdelingen
De meeste prognoses en de systemen/software die ze produceren, beginnen met een voorspelling van de vraag. Vervolgens berekenen ze het bereik van mogelijke eisen rond die voorspelling door onjuiste theoretische aannames te doen over de verdeling. Als u ooit een "betrouwbaarheidsinterval" in uw voorspellingssoftware hebt gebruikt, is dit gebaseerd op een kansverdeling rond de voorspelling. De manier waarop dit vraagbereik wordt bepaald, is door uit te gaan van een bepaald type distributie. Meestal betekent dit dat we uitgaan van een klokvormige verdeling, ook wel bekend als een normale verdeling. Wanneer de vraag intermitterend is, kunnen sommige systemen voor voorraadoptimalisatie en vraagvoorspelling aannemen dat de vraag Poisson-vormig is. 

Nadat de prognose is gemaakt, wordt de veronderstelde verdeling rond de vraagprognose gegooid en hebt u uw schatting van kansen voor elke mogelijke vraag - dat wil zeggen, een "probabilistische prognose". Deze schattingen van de vraag en de bijbehorende waarschijnlijkheden kunnen vervolgens worden gebruikt om desgewenst extreme waarden of iets daartussenin te bepalen. De extreme waarden in de bovenste percentielen van de distributie (dwz 92%, 95%, 99%, enz.) worden meestal gebruikt als invoer voor voorraadbeheermodellen. Bestelpunten voor kritieke reserveonderdelen in een elektriciteitsbedrijf kunnen bijvoorbeeld worden gepland op basis van een 99.5%-serviceniveau of zelfs hoger. Terwijl een niet-kritiek serviceonderdeel kan worden gepland op een 85%- of 90%-serviceniveau.

Het probleem met het maken van aannames over de verdeling is dat je deze kansen verkeerd zult interpreteren. Als de vraag bijvoorbeeld niet normaal verdeeld is, maar u een klokvormige/normale curve op de voorspelling afdwingt, hoe kan het dan dat de kansen onjuist zijn. In het bijzonder wilt u misschien het voorraadniveau weten dat nodig is om een 99%-kans te bereiken dat de voorraad niet opraakt en de normale distributie zal u vertellen om 200 eenheden in voorraad te hebben. Maar als je het vergelijkt met de daadwerkelijke vraag, kom je erachter dat 200 eenheden slechts in 40/50 waarnemingen volledig aan de vraag voldeden. Dus in plaats van een 99%-serviceniveau te krijgen, behaalde u alleen een 80%-serviceniveau! Dit is een gigantische misser die het gevolg is van het proberen een vierkante pin in een rond gat te passen. De misser zou ertoe hebben geleid dat u een onjuiste voorraadvermindering had genomen.

Empirisch geschatte verdelingen zijn slim
Om een slimme (lees nauwkeurige) probabilistische voorspelling te maken, moet u eerst de verdeling van de vraag empirisch schatten zonder enige naïeve aannames over de vorm van de verdeling. Smart Software doet dit door tienduizenden gesimuleerde vraag- en doorlooptijdscenario's uit te voeren. Onze oplossing maakt gebruik van gepatenteerde technieken die Monte Carlo-simulatie, statistische bootstrapping en andere methoden bevatten. De scenario's zijn ontworpen om reële onzekerheid en willekeur van zowel vraag als doorlooptijden te simuleren. Actuele historische waarnemingen worden gebruikt als de primaire invoer, maar de oplossing geeft u de mogelijkheid om ook te simuleren van niet-waargenomen waarden. Alleen al omdat 100 eenheden de historische piekvraag was, wil dat nog niet zeggen dat u in de toekomst gegarandeerd op 100 piekt. Nadat de scenario's zijn voltooid, weet u de exacte waarschijnlijkheid voor elke uitkomst. De "punt"-voorspelling wordt dan het middelpunt van die verdeling. Elke toekomstige periode in de tijd wordt uitgedrukt in termen van de kansverdeling die bij die periode hoort.

Leiders in probabilistische prognoses
Smart Software, Inc. was twintig jaar geleden het eerste bedrijf dat ooit statistische bootstrapping introduceerde als onderdeel van een commercieel verkrijgbaar softwaresysteem voor vraagvoorspelling. We kregen er destijds een Amerikaans patent voor en werden finalist genoemd in de APICS Corporate Awards of Excellence for Technological Innovation. Ons NSF gesponsord onderzoek die tot deze en andere ontdekkingen leidden, speelden een belangrijke rol bij het bevorderen van prognoses en voorraadoptimalisatie. Wij zetten ons in voor voortdurende innovatie, en dat kunt u ook vind hier meer informatie over ons meest recente patent.