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 voorspelling er zo anders uitziet dan de vraaggeschiedenis. Wanneer de incidentele voorspelling nergens op slaat, kan dit het vertrouwen in het hele statistische prognoseproces aantasten.

Deze blog zal een leek helpen begrijpen wat de slimme statistische modellen zijn en hoe ze automatisch worden gekozen. Er wordt ingegaan op hoe die keuze soms mislukt, hoe u kunt weten of dat zo is en wat u kunt doen om ervoor te zorgen dat de prognoses altijd gerechtvaardigd kunnen worden. Het is belangrijk om te weten wat u kunt verwachten en hoe u de uitzonderingen kunt opvangen, zodat u kunt vertrouwen op uw prognosesysteem.

Hoe methoden automatisch worden gekozen

De criteria om automatisch één statistische methode uit een set te kiezen, zijn gebaseerd op welke methode het dichtst bij het correct voorspellen van de achtergehouden geschiedenis kwam. De eerdere geschiedenis wordt aan elke methode doorgegeven en het resultaat wordt vergeleken met de werkelijke waarden om de methode te vinden die er het dichtst bij in de buurt kwam. Die automatisch gekozen methode krijgt dan alle geschiedenis om de voorspelling te produceren. Bekijk deze blog voor meer informatie over de modelselectie https://smartcorp.com/uncategorized/statistical-forecasting-how-automatic-method-selection-works/

Voor de meeste tijdreeksen kan dit proces trends, seizoensgebondenheid en gemiddeld volume nauwkeurig vastleggen. Maar soms komt een gekozen methode wiskundig het dichtst in de buurt van het voorspellen van de achtergehouden geschiedenis, maar projecteert deze niet op een logische manier. Dat betekent dat de door het systeem geselecteerde methode niet de beste is en voor sommigen "moeilijk te voorspellen"

Moeilijk te voorspellen items

Moeilijk te voorspellen items kunnen grote, onvoorspelbare pieken in de vraag hebben, of meestal geen vraag maar willekeurige onregelmatige pieken, of ongebruikelijke recente activiteit. Ruis in de gegevens dwaalt soms willekeurig omhoog of omlaag, en de geautomatiseerde best-pick-methode kan een op hol geslagen trend of een nulpunt voorspellen. Het zal het slechter doen dan gezond verstand en in een klein percentage van een redelijk gevarieerde groep items. U moet deze gevallen dus identificeren en reageren door de prognose te negeren of de invoer van de prognose te wijzigen.

Hoe de uitzonderingen te vinden

De beste werkwijze is om de voorspelde items te filteren of te sorteren om de items te identificeren waarvan de som van de prognose voor het volgende jaar aanzienlijk afwijkt van de overeenkomstige geschiedenis van vorig jaar. De prognosesom kan veel lager zijn dan de historie of andersom. Gebruik de meegeleverde statistieken om deze items te identificeren; vervolgens kunt u ervoor kiezen om overschrijvingen toe te passen op de prognose of de prognose-instellingen te wijzigen.

Hoe de uitzonderingen op te lossen

Wanneer de voorspelling vreemd lijkt, zal een middelingsmethode, zoals Single Exponential Smoothing of zelfs een eenvoudig gemiddelde met behulp van Freestyle, vaak een redelijkere voorspelling opleveren. Als de trend mogelijk geldig is, kunt u alleen seizoensmethoden verwijderen om een onjuist seizoensresultaat te voorkomen. Of doe het tegenovergestelde en gebruik alleen seizoensmethoden als seizoensgebondenheid wordt verwacht maar niet was geprojecteerd in de standaardprognose. U kunt de wat-als-functies gebruiken om een onbeperkt aantal prognoses te maken, te evalueren en te vergelijken en de instellingen verder te verfijnen totdat u vertrouwd bent met de prognose.

Het opschonen van de geschiedenis, met of zonder wijziging van de automatische methodeselectie, is ook effectief bij het produceren van redelijke voorspellingen. U kunt prognoseparameters insluiten om de hoeveelheid geschiedenis die wordt gebruikt om die items te voorspellen of het aantal perioden dat aan het algoritme is doorgegeven, te verminderen, zodat eerdere, verouderde geschiedenis niet langer in aanmerking wordt genomen. U kunt pieken of dalen in de vraaggeschiedenis bewerken die bekende afwijkingen zijn, zodat ze de uitkomst niet beïnvloeden. U kunt ook samenwerken met het Smart-team om automatische detectie en verwijdering van uitschieters te implementeren, zodat gegevens voordat ze worden voorspeld al zijn opgeschoond van deze afwijkingen.

Als de vraag echt intermitterend is, wordt het bijna onmogelijk om "nauwkeurig" per periode te voorspellen. Als een level-loading-gemiddelde niet acceptabel is, kan het effectief zijn om het artikel af te handelen door een voorraadbeleid in te stellen met een doorlooptijdprognose. U kunt er ook voor kiezen om 'hetzelfde als vorig jaar'-modellen te gebruiken die, hoewel ze niet gevoelig zijn voor nauwkeurigheid, algemeen worden geaccepteerd door het bedrijf gezien de alternatieve prognoses.

Ten slotte, als het item zo recent is geïntroduceerd dat de algoritmen niet genoeg input hebben om nauwkeurig te voorspellen, is een eenvoudige gemiddelde of handmatige voorspelling wellicht het beste. U kunt nieuwe items identificeren door te filteren op het aantal historische perioden.

Handmatige selectie van methoden

Zodra u rijen hebt geïdentificeerd waar de prognose niet logisch is voor het menselijk oog, kunt u een kleinere subset van alle methoden kiezen om de prognoserun toe te laten en te vergelijken met de geschiedenis. Met Smart kunt u een beperkte set methoden gebruiken voor slechts één prognoserun of de beperkte set insluiten om te gebruiken voor alle prognoseruns in de toekomst. Verschillende methoden zullen de geschiedenis op verschillende manieren in de toekomst projecteren. Als u een idee heeft van hoe elk werkt, kunt u kiezen welke u wilt toestaan.

Vertrouw op uw prognosetool

Hoe meer u Slimme periode-over-periode gebruikt om uw beslissingen over hoe te voorspellen en welke historische gegevens u in overweging moet nemen, vast te leggen, hoe minder vaak u uitzonderingen zult tegenkomen, zoals beschreven in deze blog. Het invoeren van prognoseparameters is een beheersbare taak wanneer u begint met kritieke items of items met een hoge impact. Zelfs als u geen handmatige beslissingen over prognosemethoden insluit, wordt de prognose elke periode opnieuw uitgevoerd met nieuwe gegevens. Dus een item met een oneven resultaat vandaag kan in de loop van de tijd gemakkelijk voorspelbaar worden.

Service-Level-Driven Service Parts Planning voor Microsoft Dynamics BC of F&SC 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.

De wiskunde om dit planningsniveau te bepalen, bestaat eenvoudigweg niet in de D365-functionaliteit. Het vereist wiskunde en AI die duizenden keren door berekeningen gaat voor elk onderdeel en onderdeelcentrum (locaties). Wiskunde en AI zoals deze zijn uniek voor Smart. Lees verder om meer te begrijpen. 

Stap 1. Zorg ervoor dat alle belanghebbenden het eens zijn over de maatstaven die er toe doen. 

Alle deelnemers aan het planningsproces voor de inventarisatie van service-onderdelen moeten het eens zijn over de definities en welke statistieken het belangrijkst zijn voor de organisatie. Serviceniveaus beschrijf het percentage van de tijd dat u volledig aan het vereiste gebruik kunt voldoen zonder een voorraad op te lopen. Vul tarieven specificeer het percentage van het aangevraagde verbruik dat direct uit voorraad wordt gevuld. (Bekijk deze les van 4 minuten voor meer informatie over de verschillen tussen serviceniveaus en opvullingspercentage hier.) Beschikbaarheid geeft het percentage actieve reserveonderdelen weer met een voorhanden voorraad van ten minste één eenheid. Kosten vasthouden zijn de kosten op jaarbasis van het aanhouden van voorraden, rekening houdend met veroudering, belastingen, rente, opslag en andere uitgaven. Tekort kosten zijn de kosten van het opraken van de voorraad, inclusief uitvaltijd van voertuigen/apparatuur, versnellingen, verloren verkopen en meer. Bestellen kosten zijn de kosten die gepaard gaan met het plaatsen en ontvangen van aanvullingsorders.

Stap 2. Benchmark historische en voorspelde huidige serviceniveauprestaties.

Alle deelnemers aan het planningsproces voor de inventarisatie van service-onderdelen moeten een gemeenschappelijk inzicht hebben in de voorspelde toekomstige serviceniveaus, opvullingspercentages en kosten en de implicaties daarvan voor uw activiteiten met service-onderdelen. Het is van cruciaal belang om zowel historisch te meten Kritieke Prestatie Indicatoren (KPI's) en hun voorspellende equivalenten, Belangrijkste prestatievoorspellingen (KPP's). Door gebruik te maken van moderne software kunt u prestaties uit het verleden benchmarken en gebruikmaken van probabilistische prognosemethoden om toekomstige prestaties te simuleren. Vrijwel elke Demand Planning-oplossing stopt hier. Smart gaat verder stress testen uw huidige voorraadbeleid tegen alle plausibele toekomstige vraagscenario's. Het zijn deze duizenden berekeningen die onze KPP's bouwen. De nauwkeurigheid hiervan verbetert het vermogen van de D365 om de kosten van het aanhouden van te veel in evenwicht te brengen met de kosten van het niet genoeg hebben. U weet van tevoren hoe het huidige en voorgestelde voorraadbeleid waarschijnlijk zal presteren.

Stap 3. Spreek gerichte serviceniveaus af voor elk reserveonderdeel en onderneem proactieve corrigerende maatregelen wanneer wordt voorspeld dat doelen niet worden gehaald. 

Onderdelenplanners, leidinggevenden in de toeleveringsketen en de mechanische/onderhoudsteams moeten het eens worden over de gewenste serviceniveaudoelen met een volledig begrip van de wisselwerking tussen voorraadrisico en voorraadkosten. Een oproep hier is dat onze D365-klanten bijna altijd versteld staan van het verschil in voorraadniveau tussen de beschikbaarheid van 100% en 99.5%. Met de logica voor bijna 10.000 scenario's dat er bijna nooit een half procent uitvalt. U realiseert een volledig voorraadbeleid met veel lagere kosten. Je vindt de onderdelen die ondervoorraad zijn en corrigeert deze. Het evenwichtspunt is vaak een 7-12% verlaging van de voorraadkosten. 

Dit benutten van wat-als-scenario's in onze software voor onderdelenplanning kunnen management en inkopers eenvoudig alternatief voorraadbeleid vergelijken en bepalen welke het best aansluiten bij de zakelijke doelstellingen. Voor sommige onderdelen is een kleine voorraad in orde. Voor anderen hebben we die beschikbaarheid van 99.5%-onderdelen nodig. Zodra deze limieten zijn overeengekomen, gebruiken we de kracht van D365 om de voorraad te optimaliseren met behulp van D365 core ERP zoals het hoort. De planning wordt automatisch geüpload om Dynamics in te schakelen met gewijzigde bestelpunten, veiligheidsvoorraadniveaus en/of min/max-parameters. Dit ondersteunt een enkel Enterprise-centerpunt en mensen gebruiken niet meerdere systemen voor hun dagelijkse onderdelenbeheer en inkoop.

Stap 4. Maak het zo en houd het zo. 

Geef het planningsteam de kennis en tools die het nodig heeft om ervoor te zorgen dat u een overeengekomen balans vindt tussen serviceniveaus en kosten. Dit is cruciaal en belangrijk. Het is ook belangrijk om Dynamics F&SC of BC te gebruiken om uw ERP-transacties uit te voeren. Deze twee Dynamics ERP's hebben het hoogste niveau van nieuwe ERP-groei ter wereld. Het is logisch om ze te gebruiken zoals ze bedoeld zijn. Het vullen van de witte ruimte voor de wiskundige en AI-berekeningen voor Onderhoud en Onderdelenbeheer is ook logisch. Dit vereist een meer complexe en gerichte oplossing om te helpen. Smart Software Inventory Optimization voor EAM en Dynamics ERP's biedt het antwoord.    

Onthoud: Herkalibratie van uw voorraadbeleid voor serviceonderdelen is preventief onderhoud tegen zowel stockouts als overtollige voorraad. Het helpt kosten, maakt kapitaal vrij voor ander gebruik en ondersteunt best practices voor uw team. 

Breid Microsoft 365 F&SC en AX uit met Smart IP&O

Registreer u hier om een opname te zien van het Microsoft Dynamics Communities-webinar over Smart IP&O:

https://smartcorp.com/inventory-planning-with-microsoft-365-fsc-and-ax/

Smart IP&O biedt geautomatiseerde statistische prognoses die de juiste prognosemethode selecteren die de gegevens het beste voorspelt. Het doet dit voor elke tijdreeks in de dataset. Deze blog zal leken helpen begrijpen hoe de voorspellingsmethoden automatisch worden gekozen.

Smart stelt vele methoden beschikbaar, waaronder enkele en dubbele exponentiële afvlakking, lineair en eenvoudig voortschrijdend gemiddelde, en Winters-modellen. Elk model is ontworpen om een ander soort patroon vast te leggen. De criteria om automatisch één statistische methode uit een reeks keuzes te kiezen, zijn gebaseerd op welke methode het dichtst bij het correct voorspellen van de achtergehouden geschiedenis kwam.

Eerdere vraaggeschiedenis wordt aan elke methode doorgegeven en het resultaat wordt vergeleken met de werkelijke waarden om de methode te vinden die er in het algemeen het dichtst bij kwam. Die "winnende" automatisch gekozen methode krijgt dan alle geschiedenis voor dat item om de prognose te produceren.

De algehele aard van het vraagpatroon voor het item wordt vastgelegd door verschillende delen van de geschiedenis vast te houden, zodat een incidentele uitbijter de keuze van de methode niet onnodig beïnvloedt. U kunt het visualiseren met behulp van het onderstaande diagram, waarin elke rij een 3-periodevoorspelling in de uitgehouden geschiedenis vertegenwoordigt, gebaseerd op verschillende hoeveelheden van de rode eerdere geschiedenis. De varianties van elke pass worden samen gemiddeld om de algemene rangschikking van de methode ten opzichte van alle andere methoden te bepalen.

Voor de meeste tijdreeksen kan dit proces nauwkeurig trends, seizoensinvloeden en gemiddeld volume vastleggen. Maar soms komt een gekozen methode wiskundig het dichtst in de buurt van het voorspellen van de achtergehouden geschiedenis, maar projecteert deze niet op een logische manier.

Gebruikers kunnen dit corrigeren door de uitzonderingsrapporten en filterfuncties van het systeem te gebruiken om items te identificeren die een beoordeling verdienen. Vervolgens kunnen ze de automatische prognosemethoden configureren waarmee ze voor dat item in aanmerking willen komen.

Microsoft Dynamics 365 F&SC en AX kunnen aanvulling beheren door te suggereren wat te bestellen en wanneer via op bestelpunten gebaseerd voorraadbeleid. Een uitdaging waarmee klanten worden geconfronteerd, is dat inspanningen om deze niveaus te handhaven zeer gedetailleerd zijn georiënteerd en dat het ERP-systeem vereist dat de gebruiker deze bestelpunten en/of prognoses handmatig specificeert. Als alternatief genereren veel organisaties handmatig voorraadbeleid met behulp van Excel-spreadsheets of andere ad-hocbenaderingen.

Deze methoden zijn tijdrovend en beide resulteren waarschijnlijk in een zekere mate van onnauwkeurigheid. Als gevolg hiervan zal de organisatie eindigen met overtollige voorraad, onnodige tekorten en een algemeen wantrouwen in hun softwaresystemen. In dit artikel zullen we de functionaliteit voor het bestellen van voorraad in AX / D365 F&SC bekijken, de beperkingen ervan uitleggen en samenvatten hoe slimme voorraadplanning en -optimalisatie kan helpen de kaspositie van een bedrijf te verbeteren. Dit wordt bereikt door verminderde voorraad, geminimaliseerde en gecontroleerde stockouts. Gebruik van Smart Software levert voorspellende functionaliteit die ontbreekt in Dynamics 365.

Microsoft Dynamics 365 F&SC en AX-aanvullingsbeleid

In de voorraadbeheermodule van AX en F&SC kunnen gebruikers voor elk voorraadartikel handmatig planningsparameters invoeren. Deze parameters omvatten bestelpunten, doorlooptijden veiligheidsvoorraad, hoeveelheden veiligheidsvoorraad, bestelcycli en bestelmodificatoren zoals door de leverancier opgelegde minimale en maximale bestelhoeveelheden en veelvouden van bestellingen. Eenmaal ingevoerd, zal het ERP-systeem de inkomende voorraad, de actuele voorraad, de uitgaande vraag en de door de gebruiker gedefinieerde prognoses en voorraadbeleid afstemmen om het leveringsplan of orderschema (dwz wat te bestellen en wanneer) te berekenen.

Er zijn 4 keuzes voor het aanvullingsbeleid in F&SC en AX: vaste bestelhoeveelheid, maximale hoeveelheid, lot-voor-lot en klantordergestuurd.

• Vaste bestelhoeveelheid en Max zijn op bestelpunten gebaseerde aanvullingsmethoden. Beide suggereren bestellingen wanneer de beschikbare voorraad het bestelpunt bereikt. Bij een vaste ROQ is de ordergrootte gespecificeerd en zal deze niet variëren totdat deze wordt gewijzigd. Bij Max variëren de bestelgroottes op basis van de voorraadpositie op het moment van bestelling, waarbij bestellingen tot aan de Max worden geplaatst.
• Lot-voor-lot is een op prognoses gebaseerde aanvullingsmethode die de totale voorspelde vraag bundelt over een door de gebruiker gedefinieerd tijdsbestek (de "lotaccumulatieperiode") en een bestelsuggestie genereert voor de totale voorspelde hoeveelheid. Dus als uw totale voorspelde vraag 100 eenheden per maand is en de accumulatieperiode van de partij 3 maanden is, dan is uw bestelsuggestie gelijk aan 300 eenheden.
• Orde gedreven is een op bestelling gebaseerde aanvullingsmethode. Het maakt geen gebruik van bestelpunten of prognoses. Zie het als een "sell one, buy one"-logica die alleen bestellingen plaatst nadat de vraag is ingevoerd.

Beperkingen

Alle F&SC / AX-aanvulinstellingen moeten handmatig worden ingevoerd of geïmporteerd via aangepaste uploads die door klanten zijn gemaakt. Er is gewoon geen manier voor gebruikers om native invoer te genereren (vooral niet optimale). Het gebrek aan geloofwaardige functionaliteit voor prognoses op eenheidsniveau en voorraadoptimalisatie binnen het ERP-systeem is de reden waarom zoveel AX- en F&SC-gebruikers gedwongen zijn te vertrouwen op spreadsheets voor planning en vervolgens handmatig de parameters in te stellen die het ERP nodig heeft. In werkelijkheid stellen de meeste planners handmatig vraagprognoses in en herbestellen.

En wanneer ze spreadsheets kunnen gebruiken, vertrouwen ze vaak op brede vuistregelmethoden die resulteren in het gebruik van vereenvoudigde statistische modellen. Eenmaal berekend in de spreadsheet moeten deze in F&SC/AX worden geladen. Ze worden vaak geladen via omslachtige bestandsimporten of handmatig ingevoerd. Vanwege de tijd en moeite die het kost om deze op te bouwen, werken bedrijven deze cijfers niet vaak bij.

Als deze eenmaal zijn ingevoerd, hebben organisaties de neiging om een reactieve benadering van veranderingen te gebruiken. De enige keer dat een koper/planner het voorraadbeleid beoordeelt, is jaarlijks of op het moment van aankopen of productie. Sommige bedrijven zullen ook reageren nadat ze problemen hebben ondervonden met te lage (of te hoge) voorraden. Om dit in AX en F&AS te beheren, is handmatige ondervraging vereist om de geschiedenis te bekijken, prognoses te berekenen, bufferposities te beoordelen en opnieuw te kalibreren.

Microsoft erkent deze beperkingen in hun kern-ERP's en begrijpt de aanzienlijke uitdagingen voor klanten. Als reactie hierop heeft Microsoft prognoses gepositioneerd onder hun AI Azure-stack. Deze methode valt buiten de kern-ERP's. Het wordt aangeboden als een toolset voor datawetenschappers om te gebruiken bij het definiëren van aangepaste complexe statistieken en berekeningen zoals een bedrijf wenst. Dit komt bovenop enkele eenvoudige basisberekeningen, aangezien het uitgangspunt zich momenteel in de opstartfase van ontwikkeling bevindt. Hoewel dit op de lange termijn winst kan opleveren, betekent deze methode momenteel dat klanten helemaal opnieuw beginnen en definiëren wat Microsoft momenteel 'experimenten' noemt om de vraagplanning te meten.

Het komt erop neer dat klanten voor grote uitdagingen staan om de Dynamics-stack zelf te krijgen om deze problemen op te lossen. Het resultaat is dat CFO's minder geld beschikbaar hebben voor wat ze nodig hebben en dat Sales Execs verkoopkansen onvervuld hebben en mogelijk omzet mislopen omdat het bedrijf de goederen die de klant wil niet kan verzenden.

Word slimmer

Zou het niet beter zijn om gewoon een best-of-breed add-on te gebruiken voor vraagplanning; en een best-of-breed oplossing voor voorraadoptimalisatie om kosten en uitvoeringsniveaus te beheren en in evenwicht te houden? Zou het niet beter zijn om dit dagelijks of wekelijks te kunnen doen om uw beslissingen zo dicht mogelijk bij de behoefte te kunnen nemen, geld te besparen en tegelijkertijd aan de verkoopvraag te voldoen?

Stel je voor dat je een bidirectionele integratie hebt met AX en F&AS, zodat dit allemaal gemakkelijk en snel werkt. Een waar:

• u kunt beleid automatisch opnieuw kalibreren in frequente planningscycli met behulp van in de praktijk bewezen, geavanceerde statistische modellen,
• u zou vraagprognoses kunnen berekenen die rekening houden met seizoens-, trend- en cyclische patronen,
• U zou automatisch optimalisatiemethoden gebruiken die het meest winstgevende voorraadbeleid en serviceniveaus voorschrijven die rekening houden met de werkelijke kosten van voorraadbeheer en voorraadonderbrekingen, waardoor u een volledig economisch beeld krijgt,
• U kunt contant geld vrijmaken voor gebruik binnen het bedrijf en uw voorraadniveaus beheren om de orderafhandeling te verbeteren terwijl u dit geld vrijmaakt.
• u zou veiligheidsvoorraden en voorraadniveaus hebben die rekening houden met de variabiliteit van vraag en aanbod, zakelijke omstandigheden en prioriteiten,
• u zou specifieke serviceniveaus kunnen targeten op productgroepen, klanten, magazijnen of een andere dimensie die u hebt geselecteerd,
• u verhoogt de algehele bedrijfswinst en balansgezondheid.

Breid Microsoft 365 F&SC en AX uit met Smart IP&O

Registreer u hier om een opname te zien van het Microsoft Dynamics Communities-webinar over Smart IP&O:

https://smartcorp.com/inventory-planning-with-microsoft-365-fsc-and-ax/

In dit artikel zullen we de functionaliteit voor het bestellen van voorraad in Epicor P21 bekijken, de beperkingen ervan uitleggen en samenvatten hoe Smart Inventory Planning & Optimization (Smart IP&O) kan helpen de voorraad te verminderen, voorraadtekorten te minimaliseren en het vertrouwen van uw organisatie in uw ERP te herstellen door robuuste voorspellende analyses, op consensus gebaseerde prognoses en wat-als-scenarioplanning.

Functies voor aanvullingsplanning binnen Epicor Prophet 21
Epicor P21 kan de aanvulling beheren door te suggereren wat te bestellen en wanneer via op bestelpunten gebaseerd of op prognoses gebaseerd voorraadbeleid. Gebruikers kunnen dit beleid extern berekenen of dynamisch binnen P21 genereren. Zodra het beleid en de prognoses zijn gespecificeerd, zal P21's Purchase Order Requirements Generator (PORG) geautomatiseerde ordersuggesties maken over wat er moet worden aangevuld en wanneer door inkomende levering, actuele voorraad, uitgaande vraag, voorraadbeleid en vraagprognoses op elkaar af te stemmen.

Epicor P21 heeft 4 aanvullingsmethoden
In het artikelonderhoudsscherm van Epicor P21 kunnen gebruikers kiezen uit een van de vier aanvullingsmethoden voor elk voorraadartikel.

1. min/max
2. Bestelpunt/Bestelhoeveelheid
3. EOQ
4. Tot

Er zijn aanvullende instellingen en configuraties voor het bepalen van doorlooptijden en het afrekenen van ordermodifiers zoals door de leverancier opgelegde minimale en maximale bestelhoeveelheden. Min/Max en Bestelpunt/Bestelhoeveelheid worden beschouwd als "statisch" beleid. EOQ en Up To worden beschouwd als "dynamisch" beleid en worden berekend binnen P21.

min/max
Het bestelpunt is gelijk aan het Min. Telkens wanneer de voorhanden voorraad onder de Min (bestelpunt) zakt, zal het PORG-rapport een bestelsuggestie creëren tot aan de Max (als de voorraad na de overtreding bijvoorbeeld 20 eenheden is en de Max 100, dan is de bestelhoeveelheid 80) . Min/Max wordt beschouwd als een statisch beleid en eenmaal ingevoerd in P21 blijft het onveranderd tenzij het door de gebruiker wordt overschreven. Gebruikers gebruiken vaak spreadsheets om de min/max-waarden te berekenen en deze van tijd tot tijd bij te werken.

Bestelpunt/Bestelhoeveelheid
Dit is hetzelfde als het Min/Max-beleid, behalve dat in plaats van tot de Max te bestellen, een bestelling wordt voorgesteld voor een vaste hoeveelheid die door de gebruiker is gedefinieerd (bestel bijvoorbeeld altijd 100 eenheden wanneer het bestelpunt wordt overschreden). OP/OQ wordt beschouwd als een statisch beleid en blijft ongewijzigd, tenzij het door de gebruiker wordt overschreven. Gebruikers gebruiken vaak spreadsheets om OP/OQ-waarden te berekenen en deze van tijd tot tijd bij te werken.

EOQ
Het EOQ-beleid is een methode op basis van bestelpunten. Het bestelpunt wordt dynamisch gegenereerd op basis van P21's prognose van vraag over doorlooptijd + vraag over de beoordelingsperiode + veiligheidsvoorraad. De bestelhoeveelheid is gebaseerd op een berekening van de economische bestelhoeveelheid die rekening houdt met bewaarkosten en bestelkosten en probeert een bestelgrootte aan te bevelen die de totale kosten minimaliseert. Wanneer de voorhanden voorraad het bestelpunt overschrijdt, zal het PORG-rapport een bestelling uitzetten die gelijk is aan de berekende EOQ.

Tot
De Up To-methode is een ander dynamisch beleid dat afhankelijk is van een bestelpunt. Het wordt op dezelfde manier berekend als de EOQ-methode met behulp van de voorspelde vraag van P21 over de doorlooptijd + vraag over beoordelingsperiode + veiligheidsvoorraad. De suggestie voor de bestelhoeveelheid is gebaseerd op alles wat nodig is om de voorraad weer aan te vullen "tot" het bestelpunt. Dit komt meestal overeen met een bestelhoeveelheid die consistent is met de doorlooptijdvraag, omdat naarmate de vraag de voorraad onder het bestelpunt drijft, bestellingen worden voorgesteld "tot" het bestelpunt.

Het itemonderhoudsscherm van P21, waar gebruikers het gewenste voorraadbeleid kunnen specificeren en andere instellingen kunnen configureren, zoals veiligheidsvoorraad en bestelmodificaties.

Beperkingen

Voorspellingsmethoden
Er zijn twee prognosemodi in P21: Basis en Geavanceerd. Elk gebruikt een reeks middelingsmethoden en vereist handmatige configuraties en door de gebruiker bepaalde classificatieregels om een vraagprognose te genereren. Geen van beide modi is ontworpen met een out-of-the-box expertsysteem dat automatisch prognoses genereert die rekening houden met onderliggende patronen zoals trend of seizoensinvloeden. Er is veel configuratie vereist die de acceptatie door de gebruiker en wijziging van de veronderstelde prognoseregels die in de initiële implementatie zijn gedefinieerd en die mogelijk niet langer relevant zijn, belemmert. Er is geen manier om de prognosenauwkeurigheid van verschillende configuraties eenvoudig te vergelijken. Is het bijvoorbeeld beter om 24 maanden geschiedenis te gebruiken of 18 maanden? Is het nauwkeuriger om aan te nemen dat een trend moet worden toegepast wanneer een item met 2% per maand groeit of moet het 10% zijn? Is het beter om aan te nemen dat het artikel seizoensgebonden is als 80% of meer van zijn vraag plaatsvindt in 6 maanden van het jaar of 4 maanden van het jaar? Dientengevolge is het gebruikelijk dat classificatieregels te breed of specifiek zijn, wat leidt tot problemen zoals het toepassen van een onjuist prognosemodel, het gebruik van te veel of te weinig geschiedenis, of het over-/onderschatten van de trend en seizoensinvloeden. Bekijk deze blogpost (binnenkort beschikbaar) voor meer informatie over hoe dit werkt

Voorspellingsbeheer en consensusplanning
P21 mist prognosebeheerfuncties waarmee organisaties op meerdere hiërarchische niveaus kunnen plannen, zoals productfamilie, regio of per klant. Prognoses moeten worden gemaakt op het laagste niveau van granulariteit (product per locatie), waar de vraag vaak te wisselvallig is om een goede prognose te krijgen. Er is geen manier om prognoses te delen, samen te werken, te beoordelen of prognoses op geaggregeerd niveau te maken en overeenstemming te bereiken over het consensusplan. Het is moeilijk om zakelijke kennis op te nemen, prognoses op hogere aggregatieniveaus te beoordelen en bij te houden of overschrijvingen de nauwkeurigheid van prognoses verbeteren of schaden. Dit maakt prognoses te eendimensionaal en afhankelijk van de initiële wiskundige configuraties.  

Intermittent Demand
Veel P21-klanten vertrouwen op statische methoden (Min/Max en OP/OQ) vanwege de prevalentie van intermitterende vraag. Ook wel bekend als "klonterig", wordt de intermitterende vraag gekenmerkt door sporadische verkopen, grote pieken in de vraag en veel perioden zonder vraag. Wanneer de vraag intermitterend is, werken traditionele methoden voor prognoses en veiligheidsvoorraden gewoon niet. Omdat distributeurs niet de luxe hebben om alleen snel bewegende producten met een consistente vraag op voorraad te hebben, hebben ze gespecialiseerde oplossingen nodig die zijn ontworpen om periodiek gevraagde artikelen effectief te plannen. 80% of meer van de onderdelen van een distributeur zullen een intermitterende vraag hebben. Het voorraadbeleid dat wordt gegenereerd met behulp van traditionele methoden, zoals die beschikbaar zijn in P21 en andere planningsapplicaties, zal resulteren in onjuiste schattingen van wat er moet worden opgeslagen om het beoogde serviceniveau te bereiken. Zoals geïllustreerd in de onderstaande grafiek, is het niet mogelijk om de pieken consistent te voorspellen. U zit vast aan een prognose die in feite een gemiddelde is van de voorgaande perioden.

Prognoses van intermitterende vraag kunnen de pieken niet voorspellen en vereisen veiligheidsvoorraadbuffers om te beschermen tegen stockouts.

Ten tweede kunt u met de veiligheidsvoorraadmethoden van P21 een doelserviceniveau instellen, maar de onderliggende logica gaat er ten onrechte van uit dat de vraag normaal verdeeld. Bij intermitterende vraag is de vraag niet “normaal” en daarom zal de schatting van de veiligheidsvoorraad verkeerd zijn. Dit is wat verkeerd betekent: bij het instellen van een serviceniveau van bijvoorbeeld 98%, is de verwachting dat 98% van de tijd dat de beschikbare voorraad 100% zal vullen met wat de klant nodig heeft uit het schap. Het gebruik van een normale verdeling om veiligheidsvoorraden te berekenen, zal resulteren in grote afwijkingen tussen het beoogde serviceniveau en het werkelijk bereikte serviceniveau. Het is niet ongebruikelijk om situaties te zien waarin het daadwerkelijke serviceniveau het doel met 10% of meer mist (dwz 95% beoogd maar slechts 85% behaalde).

In deze afbeelding ziet u de vraaggeschiedenis van een onderdeel met tussenpozen en twee distributies op basis van deze vraaggeschiedenis. De eerste distributie is gegenereerd met dezelfde "normale distributie: logica die wordt gebruikt door P21. De tweede is een gesimuleerde verdeling op basis van de probabilistische voorspelling van Smart Software. De "normale" P21-distributie beveelt aan dat er 46 eenheden nodig zijn om het 99%-serviceniveau te bereiken, maar in vergelijking met de werkelijke waarden was er veel meer voorraad nodig. Smart voorspelde nauwkeurig dat er 63 units nodig waren om het serviceniveau te halen.

Deze blog legt uit hoe u de nauwkeurigheid van het serviceniveau van uw systeem kunt testen.

Vertrouwen op spreadsheets en reactieve planning
P21-klanten vertellen ons dat ze sterk afhankelijk zijn van het gebruik van spreadsheets om voorraadbeleid en prognoses te beheren. Spreadsheets zijn niet speciaal gebouwd 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 weer invoeren in P21 via handmatige bestandsimport of zelfs handmatige invoer. De tijdrovende aard van het proces leidt ertoe dat bedrijven zelden hun voorraadbeleid berekenen - Er gaan vele maanden en soms jaren voorbij tussen massale updates, wat leidt tot een reactieve benadering van "instellen en vergeten", waarbij de enige keer dat een koper/planner het voorraadbeleid beoordeelt, is op het moment van bestelling. Wanneer het beleid wordt herzien nadat het bestelpunt al is geschonden, is het te laat. Wanneer het orderpunt te hoog wordt geacht, is handmatige ondervraging vereist om de geschiedenis te bekijken, prognoses te berekenen, bufferposities te beoordelen en opnieuw te kalibreren. Het enorme aantal bestellingen betekent dat kopers bestellingen gewoon vrijgeven in plaats van de moeite te nemen om alles te bekijken, wat leidt tot een aanzienlijke overtollige voorraad. Als het bestelpunt te laag is, is het al te laat. Er is nu een versnelling nodig om de kosten op te drijven en zelfs dan loopt u nog steeds omzet mis als de klant ergens anders heen gaat.

Beperkte wat-als-planning
Aangezien functies voor het wijzigen van bestelpunten en bestelhoeveelheden in P21 zijn ingebouwd, is het niet mogelijk om grootschalige wijzigingen aan te brengen in groepen artikelen en de voorspelde resultaten te beoordelen voordat u beslist om vast te leggen. Dit dwingt gebruikers tot een afwachtend proces als het gaat om het wijzigen van parameters. Planners zullen een wijziging aanbrengen en vervolgens de werkelijke resultaten volgen totdat ze er zeker van zijn dat de wijziging dingen heeft verbeterd. Dit op grote schaal beheren – veel planners hebben te maken met tienduizenden items – is buitengewoon tijdrovend en het eindresultaat is een zeldzame herijking van het voorraadbeleid. Dit draagt ook bij aan reactief plannen waarbij planners instellingen pas bekijken nadat er een probleem is opgetreden.

Epicor is slimmer
Epicor werkt samen met Smart Software en biedt Smart IP&O aan als een platformonafhankelijke add-on voor Prophet 21, compleet met een bidirectionele API-gebaseerde integratie. Dit stelt Epicor-klanten in staat om gebruik te maken van speciaal voor dit doel gebouwde toepassingen voor prognoses en voorraadoptimalisatie. Met Epicor Smart IP&O kunt u prognoses genereren die trends en seizoensinvloeden vastleggen zonder dat u eerst handmatige configuraties hoeft toe te passen. U kunt elke planningscyclus automatisch opnieuw kalibreren met behulp van in de praktijk bewezen, geavanceerde statistische en probabilistische modellen die zijn ontworpen om nauwkeurig te plannen voor 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 die rekening houden met de werkelijke kosten van voorraadbeheer. U kunt consensusvraagprognoses maken die zakelijke kennis combineren met statistieken, klant- en verkoopprognoses beter beoordelen en met een paar muisklikken vol vertrouwen prognoses en voorraadbeleid uploaden naar Epicor.

Slimme IP&O-klanten realiseren routinematig een jaarlijks rendement van 7 cijfers door minder spoed, meer verkopen en minder overtollige voorraad, terwijl ze tegelijkertijd een concurrentievoordeel behalen door zich te onderscheiden op het gebied van verbeterde klantenservice. Om een opgenomen webinar te zien, gehost door de Epicor Users Group, waarin het platform voor demand planning en voorraadoptimalisatie van Smart wordt geprofileerd, kunt u zich hier registreren: https://smartcorp.com/epicor-smart-inventory-planning-optimization/