Hoe lang moet het duren voordat een vraagprognose wordt berekend met behulp van statistische methoden? Deze vraag wordt vaak gesteld door klanten en prospects. Het antwoord hangt er echt van af. Voorspellingsresultaten voor een enkel item kunnen in een oogwenk worden berekend, in slechts enkele honderdsten van een seconde, maar soms kan het zelfs vijf seconden duren. Om de verschillen te begrijpen, is het belangrijk om te begrijpen dat er meer bij komt kijken dan alleen de rekenkundige berekeningen zelf door te spitten. Hier zijn zes factoren die de snelheid van uw prognose-engine beïnvloeden.

1) Prognosemethode.  Traditionele tijdreeks-extrapolatieve technieken (zoals exponentiële afvlakking en voortschrijdend-gemiddeldemethoden) zijn, mits slim gecodeerd, razendsnel. De automatische prognose-engine Smart Forecast, die gebruikmaakt van deze technieken en onze software voor vraagplanning en voorraadoptimalisatie aandrijft, kan bijvoorbeeld in 1 seconde statistische prognoses voor 1000 artikelen genereren! Extrapolatieve methoden produceren een verwachte voorspelling en een samenvattende maatstaf voor de voorspellingsonzekerheid. Complexere modellen in ons platform die probabilistische vraagscenario's genereren, duren echter veel langer bij dezelfde computerbronnen. Dit komt deels omdat ze een veel groter outputvolume creëren, meestal duizenden plausibele toekomstige vraagreeksen. Meer tijd, ja, maar geen tijdverspilling, aangezien deze resultaten veel vollediger zijn en de basis vormen voor downstream-optimalisatie van voorraadbeheerparameters.

2) Computerbronnen.  Hoe meer bronnen u naar de berekening gooit, hoe sneller het zal zijn. Middelen kosten echter geld en het is misschien niet economisch om in deze middelen te investeren. Om bijvoorbeeld bepaalde soorten op machine learning gebaseerde prognoses te laten werken, moet het systeem multithread-berekeningen over meerdere servers uitvoeren om snel resultaten te leveren. Zorg er dus voor dat u de veronderstelde rekenresources en bijbehorende kosten begrijpt. Onze berekeningen vinden plaats in de Amazon Web Services-cloud, dus het is mogelijk om desgewenst voor een groot deel van de parallelle berekeningen te betalen.

3) Aantal tijdreeksen.  Moet u slechts een paar honderd artikelen op één locatie of vele duizenden artikelen op tientallen locaties voorspellen? Hoe groter het aantal combinaties van SKU x Locatie, hoe langer de benodigde tijd. Het is echter mogelijk om de tijd om vraagprognoses te krijgen te verkorten door een betere vraagclassificatie. Het is bijvoorbeeld niet belangrijk om elke combinatie van SKU x Locatie te voorspellen. Moderne software voor vraagplanning kan de gegevens eerst subsetten op basis van volume-/frequentieclassificaties voordat de prognose-engine wordt uitgevoerd. We hebben situaties waargenomen waarin meer dan een miljoen combinaties van SKU x Locatie bestonden, maar waar slechts tien procent vraag naar had in de voorgaande twaalf maanden.

4) Historisch emmeren. Maakt u prognoses met behulp van dagelijkse, wekelijkse of maandelijkse tijdsintervallen? Hoe gedetailleerder de bucketing, hoe meer tijd het kost om statistische prognoses te berekenen. Veel bedrijven zullen zich afvragen: "Waarom zou iemand dagelijks prognoses willen maken?" State-of-the-art software voor vraagvoorspelling kan echter gebruikmaken van dagelijkse gegevens om gelijktijdige dag-van-week- en week-van-maandpatronen te detecteren die anders zouden worden verdoezeld met traditionele maandelijkse vraagbuckets. En de snelheid van zaken blijft toenemen, wat de concurrentiekracht van het traditionele maandelijkse planningstempo bedreigt.

5) Hoeveelheid geschiedenis. Beperkt u het model door alleen de meest recente vraaghistorie in te voeren, of voert u alle beschikbare historie in de vraagvoorspellingssoftware? Hoe meer historie u het model voedt, hoe meer gegevens er moeten worden geanalyseerd en hoe langer het gaat duren.

6) Aanvullende analytische verwerking.  Tot nu toe hebben we ons voorgesteld om de vraaggeschiedenis van items in te voeren en prognoses te krijgen. Maar het proces kan ook aanvullende analytische stappen omvatten die de resultaten kunnen verbeteren. Voorbeelden zijn onder meer:

a) Uitbijterdetectie en -verwijdering om de vervorming te minimaliseren die wordt veroorzaakt door eenmalige gebeurtenissen zoals stormschade.

b) Machine learning dat beslist hoeveel geschiedenis moet worden gebruikt voor elk item door verandering van regime te detecteren.

c) Causale modellering die identificeert hoe veranderingen in vraagbepalende factoren (zoals prijs, rentevoet, klantensentiment, enz.) de toekomstige vraag beïnvloeden.

d) Melding van uitzonderingen die data-analyse gebruikt om ongebruikelijke situaties te identificeren die nadere beoordeling door het management verdienen.

De rest van het verhaal. Het is ook van cruciaal belang om te begrijpen dat de tijd om een antwoord te krijgen meer inhoudt dan de snelheid van het voorspellen van berekeningen per se. Gegevens moeten in het geheugen worden geladen voordat de berekening kan beginnen. Zodra de prognoses zijn berekend, moet uw browser de resultaten laden zodat ze op het scherm kunnen worden weergegeven zodat u ermee kunt werken. Als u een product opnieuw voorspelt, kunt u ervoor kiezen om de resultaten op te slaan. Als u werkt met producthiërarchieën (het samenvoegen van artikelprognoses tot productfamilies, families tot productlijnen, enz.), zal de nieuwe prognose de hiërarchie beïnvloeden en moet alles op elkaar worden afgestemd. Dit kost allemaal tijd.

Snel genoeg voor jou? Wanneer u software evalueert om te zien of aan uw behoefte aan snelheid zal worden voldaan, kan dit allemaal worden getest als onderdeel van een proof of concept of proef aangeboden door leveranciers van software voor vraagplanning. Test het uit, en zorg ervoor dat de berekenen, laden en opslaan tijden zijn acceptabel gezien de hoeveelheid gegevens en prognosemethoden die u wilt gebruiken om uw proces te ondersteunen.

 Wat is het wiggle-effect? 

Het is wanneer uw statistische prognose de ups en downs die in uw vraaggeschiedenis zijn waargenomen, 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:

Klant: “De prognose volgt niet de patronen die ik in de historie zie. Waarom niet?" 

Smart: “Als je goed kijkt, zijn de ups en downs die je ziet geen patronen. Het is echt lawaai.”  

Klant: "Maar als we de hoogtepunten niet voorspellen, slaan we de voorraad op."

Smart: “Als de voorspelling zou 'wiebelen', zou die veel minder nauwkeurig zijn. Het systeem voorspelt welk patroon dan ook, in dit geval een zeer lichte opwaartse trend. We bufferen het lawaai met veiligheidsvoorraden. De wiggles worden gebruikt om de veiligheidsvoorraden in te stellen.”

Klant: “Oké. Logisch nu.” 

De wiggle ziet er geruststellend uit, maar in dit geval resulteert het in een onjuiste vraagprognose. De ups en downs vinden niet echt elke maand op hetzelfde tijdstip plaats. Een betere statistische voorspelling wordt weergegeven in lichtgroen.

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/

Microsoft Dynamics 365 BC en NAV kunnen aanvulling beheren door te suggereren wat te bestellen en wanneer via op bestelpunten gebaseerd voorraadbeleid. Het probleem is dat het ERP-systeem vereist dat de gebruiker deze bestelpunten en/of prognoses handmatig opgeeft. Als gevolg hiervan maken de meeste organisaties prognoses en genereren ze voorraadbeleid met de hand in Excel-spreadsheets of gebruiken ze andere ad-hocbenaderingen. Bij slechte invoer zullen automatische bestelsuggesties onnauwkeurig zijn, en op zijn beurt zal de organisatie eindigen met overtollige voorraad, onnodige tekorten en een algemeen wantrouwen jegens hun softwaresystemen. In dit artikel bespreken we de voorraadbestelfunctionaliteit in BC & NAV, leggen we de beperkingen ervan uit en vatten we samen hoe slimme voorraadplanning en -optimalisatie kan helpen de voorraad te verminderen, voorraadtekorten te minimaliseren en het vertrouwen van uw organisatie in uw ERP te herstellen door de robuuste voorspellende functionaliteit te bieden die ontbreekt in Dynamics 365.

Aanvulbeleid voor Microsoft Dynamics 365 BC en NAV

In de voorraadbeheermodule van NAV en BC 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 opties voor het aanvullingsbeleid in NAV & BC: vaste bestelhoeveelheid, maximale hoeveelheid, lot-voor-lot en bestelling.

• 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.
• Bestellen 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 aanvullingsinstellingen voor BC en NAV moeten handmatig worden ingevoerd of geïmporteerd uit externe bronnen. Er is gewoon geen manier voor gebruikers om native invoer te genereren (vooral niet optimale). Het gebrek aan geloofwaardige functionaliteit voor prognoses en voorraadoptimalisatie binnen het ERP-systeem is de reden waarom zoveel NAV- en BC-gebruikers gedwongen zijn te vertrouwen op spreadsheets. Planners moeten vraagprognoses en bestelparameters handmatig instellen. Ze vertrouwen vaak op door de gebruiker gedefinieerde vuistregelmethoden of verouderde en te vereenvoudigde statistische modellen. Eenmaal berekend, moeten ze de informatie weer in hun systeem invoeren, vaak via omslachtige bestandsimporten of zelfs handmatige invoer. Bedrijven berekenen hun beleid niet vaak omdat het tijdrovend en foutgevoelig is. We zijn zelfs situaties tegengekomen waarin de bestelpunten al jaren niet zijn bijgewerkt. Veel organisaties hebben ook de neiging om een reactieve "instellen en vergeten"-benadering te gebruiken, waarbij de enige keer dat een koper/planner het voorraadbeleid beoordeelt, is op het moment van de bestelling, nadat het bestelpunt al is geschonden.

Als 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. Meestal betekent de enorme omvang van de bestellingen dat kopers het gewoon vrijgeven, waardoor er een aanzienlijke overtollige voorraad ontstaat. En als het bestelpunt te laag is, dan is het al te laat. Een versnelling is vereist om een stockout te voorkomen en als u niet kunt versnellen, verliest u omzet.

Word slimmer

Zou het niet beter zijn om gewoon een best-of-breed add-on te gebruiken voor vraagplanning en voorraadoptimalisatie met een API-gebaseerde bidirectionele integratie? Op deze manier kunt u elke planningscyclus automatisch opnieuw kalibreren met behulp van in de praktijk bewezen, geavanceerde statistische modellen. U zou vraagprognoses kunnen berekenen die rekening houden met seizoens-, trend- en cyclische patronen. Veiligheidsvoorraden zouden rekening houden met variabiliteit in vraag en aanbod, bedrijfsomstandigheden en prioriteiten. U zou zich kunnen richten op specifieke serviceniveaus, zodat u net voldoende voorraad heeft. U kunt zelfs gebruikmaken van optimalisatiemethoden die het meest winstgevende voorraadbeleid en serviceniveaus voorschrijven die rekening houden met de werkelijke kosten van voorraadbeheer. Met een paar muisklikken kunt u het bevoorradingsbeleid van NAV en BC op aanvraag bijwerken. Dit betekent een betere orderuitvoering in NAV en BC, waardoor uw bestaande investering in uw ERP-systeem wordt gemaximaliseerd.

Slimme IP&O-klanten helpen klanten routinematig om een jaarlijks rendement van 7 cijfers te realiseren door minder snelheid, meer verkopen en minder overtollige voorraad, terwijl ze tegelijkertijd een concurrentievoordeel behalen door zich te onderscheiden op het gebied van verbeterde klantenservice.

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

https://smartcorp.com/inventory-planning-with-microsoft-dynamics-nav/

Breid de Forecasting & Min/Max Planning van Epicor Kinetic uit met Smart IP&O  
Epicor Kinetic kan de aanvulling beheren door te suggereren wat te bestellen en wanneer via op bestelpunten gebaseerd voorraadbeleid. Gebruikers kunnen deze bestelpunten handmatig specificeren of een dagelijks gemiddelde van de vraag gebruiken om het beleid dynamisch te berekenen. Als het beleid niet correct is, zullen de automatische bestelsuggesties onnauwkeurig zijn, en op zijn beurt zal de organisatie eindigen met overtollige voorraad, onnodige tekorten en een algemeen wantrouwen jegens hun softwaresystemen. In dit artikel zullen we de functionaliteit voor het bestellen van voorraad in Epicor Kinetic bekijken, de beperkingen ervan uitleggen en samenvatten hoe Smart Inventory Planning & Optimization (Smart IP&O) kan helpen om de voorraad te verminderen, stockouts te minimaliseren en het vertrouwen van uw organisatie in uw ERP te herstellen door de robuuste voorspellende functionaliteit die ontbreekt in ERP-systemen.

Epicor Kinetic (en Epicor ERP 10) aanvullingsbeleid
In het artikelonderhoudsscherm van Epicor Kinetic kunnen gebruikers planningsparameters invoeren voor elk voorraadartikel. Deze omvatten Min voorhanden, Max voorhanden, doorlooptijden voor veiligheidsvoorraad en ordermodificatoren zoals door de leverancier opgelegde minimale en maximale bestelhoeveelheden en veelvouden van bestellingen. Kinetic verzoent het binnenkomende aanbod, de actuele voorraad, de uitgaande vraag, het voorraadbeleid en de vraagprognoses (die moeten worden geïmporteerd) om het leveringsplan te vereffenen. Het tijdgefaseerde aanvullingsonderzoek van Epicor geeft aan wat er wanneer kan worden besteld, terwijl de Buyers Workbench gebruikers in staat stelt inkooporders samen te stellen.

Epicor's Min/Max/Safety-logica en prognoses die worden ingevoerd in het scherm "forecast entry" zorgen voor aanvulling. Hier is hoe het werkt:

• Het bestelpunt is gelijk aan Min + Veiligheid. Dit betekent dat wanneer de beschikbare voorraad onder het bestelpunt zakt, er een bestelsuggestie wordt gemaakt. Als vraagprognoses worden geïmporteerd via het scherm "prognose invoer" van Epicor, zal het bestelpunt rekening houden met de voorspelde vraag over de doorlooptijd en is gelijk aan Min + Veiligheid + doorlooptijdprognose
• Als "herbestellen naar Max" is geselecteerd, genereert Epicor een bestelhoeveelheid tot aan de Max. Indien niet geselecteerd, bestelt Epicor de "Min Order Qty" als MOQ kleiner is dan de voorspelde hoeveelheid over de time fence. Anders bestelt het de voorspelde vraag over de opgegeven periode. In de werkbank van de inkoper kan de inkoper desgewenst de werkelijke bestelhoeveelheid wijzigen.

Beperkingen
Epicor's Min/Max/Safety is gebaseerd op een gemiddelde dagelijkse vraag. Het is gemakkelijk in te stellen en te begrijpen. Het kan ook effectief zijn als u niet veel vraaggeschiedenis heeft. U moet echter prognoses maken en extern aanpassen voor seizoensinvloeden, trends en andere patronen. Ten slotte negeren veelvouden van gemiddelden ook de belangrijke rol van variatie in vraag of aanbod en dit kan resulteren in verkeerd toegewezen voorraad, zoals geïllustreerd in de onderstaande afbeelding: 

In dit voorbeeld hebben twee even belangrijke artikelen dezelfde gemiddelde vraag (2.000 per maand) en wordt de veiligheidsvoorraad bepaald door de doorlooptijdvraag te verdubbelen, wat resulteert in een bestelpunt van 4.000. Omdat de multiple de rol van variabiliteit in de vraag negeert, resulteert artikel A in een aanzienlijke overstock en artikel B resulteert in aanzienlijke stockouts.

Zoals ontworpen, zou Min de verwachte vraag gedurende de doorlooptijd moeten vasthouden en zou Safety een buffer moeten hebben. Deze velden worden echter vaak heel verschillend gebruikt tussen items zonder een uniform beleid; soms voeren gebruikers zelfs een minimum- en veiligheidsvoorraad in, ook al wordt het artikel voorspeld, waardoor de vraag in feite wordt overschat! Dit genereert bestelsuggesties voordat het nodig is, wat resulteert in overstocks.  

Spreadsheetplanning
Veel bedrijven wenden zich tot spreadsheets wanneer ze geconfronteerd worden met uitdagingen bij het bepalen van het beleid in hun ERP-systeem. Deze spreadsheets zijn vaak afhankelijk van door de gebruiker gedefinieerd vuistregel methoden die vaak meer kwaad dan goed doen. Eenmaal berekend, moeten ze de informatie weer invoeren in Epicor, 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 of zelfs jaren voorbij tussen massale updates die leiden 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 gewoon bestellingen 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 omzet mis als de klant 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 Epicor Kinetic en Prophet 21 met API-gebaseerde integraties. Dit stelt Epicor-klanten in staat om gebruik te maken van de beste toepassingen voor prognoses en voorraadoptimalisatie. Met Epicor Smart IP&O kunt u elke planningscyclus automatisch opnieuw kalibreren met behulp van in de praktijk bewezen, geavanceerde statistische en probabilistische modellen. U kunt vraagprognoses berekenen die rekening houden met seizoens-, trend- en cyclische patronen. Veiligheidsvoorraden houden rekening met variabiliteit in vraag en aanbod, bedrijfsomstandigheden 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 service levels voorschrijven die rekening houden met de werkelijke kosten van voorraadbeheer. U kunt consensus demand forecasts maken die zakelijke kennis combineren met statistieken, klant- en sales forecasts beter beoordelen en met een paar muisklikken vol vertrouwen forecasts 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/