6 dingen die u wel en niet moet doen bij het plannen van reserveonderdelen

Het beheren van voorraden reserveonderdelen kan onmogelijk aanvoelen. Je weet niet wat er kapot gaat en wanneer. Feedback van mechanische afdelingen en onderhoudsteams is vaak onnauwkeurig. Geplande onderhoudsschema's worden vaak verschoven, waardoor ze allesbehalve 'gepland' zijn. Gebruikspatronen (dwz vraagpatronen) zijn meestal extreem intermitterend, dwz de vraag springt willekeurig tussen nul en iets anders, vaak een verrassend groot aantal. Intermittentie, gecombineerd met het ontbreken van significante trend- of seizoenspatronen, maken traditionele tijdreeksvoorspellingsmethoden onnauwkeurig. Het grote aantal combinaties per locatie maakt het onmogelijk om handmatig prognoses voor afzonderlijke onderdelen te maken of zelfs maar te bekijken. Gezien al deze uitdagingen leek het ons nuttig om een aantal do's (en de bijbehorende don'ts) op een rij te zetten.

  1. Gebruik probabilistische methoden om herbestelpunten en min/max-niveaus te berekenen
    Beslagbeslissingen baseren op gemiddeld dagelijks gebruik is niet het juiste antwoord. Evenmin is vertrouwen op traditionele prognosemethoden zoals exponentiële afvlakkingsmodellen. Geen van beide benaderingen werkt wanneer de vraag intermitterend is, omdat ze niet goed rekening houden met de volatiliteit van de vraag. Probabilistische methoden die duizenden mogelijke vraagscenario's simuleren, werken het best. Ze geven een realistische schatting van de vraagverdeling en kunnen alle nullen en willekeurige niet-nullen aan. Dit zorgt ervoor dat het voorraadniveau de juiste maat heeft om het gewenste serviceniveau te bereiken.
     
  2. Gebruik serviceniveaus in plaats van vuistregels om de voorraadniveaus te bepalen
    Veel onderdelenplanningsorganisaties vertrouwen op veelvouden van de dagelijkse vraag en andere vuistregels om het voorraadbeleid te bepalen. Bestelpunten zijn bijvoorbeeld vaak gebaseerd op het verdubbelen van de gemiddelde vraag over de doorlooptijd of het toepassen van een ander veelvoud, afhankelijk van het belang van het artikel. Gemiddelden houden echter geen rekening met hoe vluchtig (of luidruchtig) een onderdeel is en zullen leiden tot overbevoorrading van minder luidruchtige onderdelen en onderbevoorrading van meer luidruchtige onderdelen.
     
  3. Bereken het voorraadbeleid regelmatig opnieuw
    Alleen omdat de vraag met tussenpozen is, wil nog niet zeggen dat er in de loop van de tijd niets verandert. Maar na interviews met honderden bedrijven die de inventaris van reserveonderdelen beheren, ontdekken we dat minder dan 10% het voorraadbeleid maandelijks herberekent. Velen herberekenen het voorraadbeleid pas als er een 'probleem' is. Op duizenden onderdelen zal het gebruik gegarandeerd stijgen of dalen op ten minste enkele van de onderdelen. Doorlooptijden van leveranciers kunnen ook veranderen. Het gebruik van een verouderd bestelpunt zorgt ervoor dat bestellingen te vroeg of te laat worden geactiveerd, waardoor er veel problemen ontstaan. Elke planningscyclus opnieuw berekenen van beleid zorgt ervoor dat de voorraad de juiste maat heeft. Wees niet reactief en wacht tot er zich een probleem voordoet alvorens te overwegen of de Min of Max moet worden aangepast. Tegen die tijd is het te laat - het is alsof u wacht tot uw remmen het begeven voordat u een reparatie uitvoert. Maak je geen zorgen over de moeite die het kost om min/max-waarden voor grote aantallen SKU's opnieuw te berekenen: moderne software doet dit automatisch. Herinneren: Herijking van uw voorraadbeleid is preventief onderhoud tegen voorraaduitval!
     
  4. Krijg buy-in op gerichte serviceniveaus
    Voorraad is duur en moet de juiste omvang hebben op basis van het vinden van een balans tussen de bereidheid van de organisatie om voorraden aan te leggen en haar bereidheid om budget te reserveren voor reserveonderdelen. Te vaak nemen planners geïsoleerde beslissingen op basis van pijnvermijding of verzoeken van onderhoudstechnici, zonder na te denken over hoe uitgaven aan het ene onderdeel van invloed zijn op het vermogen van de organisatie om aan een ander onderdeel uit te geven. Overtollige voorraad aan de ene kant schaadt de serviceniveaus aan andere onderdelen door het voorraadbudget onevenredig op te slokken. Zorg ervoor dat de doelstellingen op het gebied van serviceniveau en de bijbehorende voorraad worden nageleefd kosten om de serviceniveaus te bereiken worden begrepen en overeengekomen.
     
  5. Voer een apart planningsproces uit voor repareerbare onderdelen
    Sommige onderdelen zijn erg duur om te vervangen, dus het verdient de voorkeur om ze voor reparatie naar reparatiefaciliteiten of terug naar de OEM te sturen. Rekening houden met de willekeur aan de aanbodzijde van wanneer repareerbare onderdelen worden geretourneerd, en weten of u moet wachten op een reparatie of een extra reserve moet kopen, zijn van cruciaal belang om de beschikbaarheid van artikelen te garanderen zonder een te grote voorraad. Dit vereist gespecialiseerde berichtgeving en het gebruik van probabilistische modellen. Behandel repareerbare onderdelen bij het plannen niet als verbruiksonderdelen.
     
  6. Tel wat er wordt gekocht tegen het budget, niet alleen wat er wordt verbruikt
    Veel organisaties zullen de totale aankoop van onderdelen toewijzen aan een afzonderlijk bedrijfsbudget en het budget van het mechanische of onderhoudsteam dekken voor onderdelen die worden gebruikt. In de meeste MRO-organisaties, vooral in het openbaar vervoer en nutsbedrijven, bepalen de reparatieteams wat er wordt gekocht. Als wat wordt gekocht niet meetelt voor hun budget, zullen ze te veel kopen om ervoor te zorgen dat er nooit een kans op voorraad is. Ze hebben letterlijk geen stimulans om het goed te doen, dus er zullen tientallen miljoenen overtollige voorraad worden gekocht. Als wat wordt ingekocht in de begroting wordt weerspiegeld, zal er veel meer aandacht worden besteed aan het inkopen van alleen dat wat echt nodig is. Dat erkennen overtollige voorraad schaadt de service door de organisatie te beroven van geld dat anders zou kunnen worden gebruikt voor onderdelen die niet op voorraad zijn, is een belangrijke stap op weg naar een verantwoorde voorraadinkoop.

Software voor planning van reserveonderdelen

De prognosesoftware voor serviceonderdelen van Smart IP&O maakt gebruik van een uniek empirisch probabilistische voorspelling nadering die is ontworpen voor intermitterende vraag. Voor verbruikbare reserveonderdelen genereert onze gepatenteerde en APICS-bekroonde methode snel tienduizenden vraagscenario's zonder te vertrouwen op de aannames over de aard van vraagverdelingen die impliciet zijn in traditionele prognosemethoden. Het resultaat zijn zeer nauwkeurige schattingen van veiligheidsvoorraad, bestelpunten en serviceniveaus, wat leidt tot hogere serviceniveaus en lagere voorraadkosten. Voor repareerbare reserveonderdelen, Smart's Reparatie- en retourmodule simuleert nauwkeurig de processen van uitval en reparatie van onderdelen. Het voorspelt downtime, serviceniveaus en voorraadkosten in verband met de huidige roterende pool van reserveonderdelen. Planners weten hoeveel reserveonderdelen ze op voorraad moeten hebben om aan de serviceniveau-eisen op korte en lange termijn te voldoen en, in operationele omstandigheden, of ze moeten wachten tot reparaties zijn voltooid en weer in gebruik moeten worden genomen of dat ze extra servicereserveonderdelen van leveranciers moeten kopen, waardoor onnodige aankopen en reparaties worden vermeden. stilstand van apparatuur.

Neem contact met ons op voor meer informatie over hoe deze functionaliteit onze klanten in de sectoren MRO, buitendienst, nutsvoorzieningen, mijnbouw en openbaar vervoer heeft geholpen hun voorraad te optimaliseren. U kunt de whitepaper hier ook downloaden.

 

 

Whitepaper: wat u moet weten over het voorspellen en plannen van service parts

 

Dit document beschrijft de gepatenteerde methodologie van Smart Software voor het voorspellen van de vraag, safety stocks en bestelpunten voor artikelen zoals service parts en componenten met een wisselende vraag, en geeft verschillende voorbeelden van klantensucces.

 

    Waarom dagen van bevoorradingsdoelen niet werken bij het berekenen van veiligheidsvoorraden

    Waarom dagen van bevoorradingsdoelen niet werken bij het berekenen van veiligheidsvoorraden

    CFO's vertellen ons dat ze minder aan voorraad moeten uitgeven zonder de verkoop te beïnvloeden. Een manier om dat te doen is om af te stappen van het gebruik van een gerichte leveringsdag om bestelpunten en veiligheidsvoorraadbuffers te bepalen. Hier is hoe een bevoorradingsdagenmodel werkt:

    1. Bereken de gemiddelde vraag per dag en vermenigvuldig de vraag per dag met de doorlooptijd van de leverancier in dagen om de doorlooptijdvraag te krijgen
    2. Kies een dagen voorraadbuffer (dwz 15, 30, 45 dagen, enz.). Gebruik grotere buffers voor belangrijkere items en kleinere buffers voor minder belangrijke items.
    3. Voeg de gewenste dagen aan voorraadbuffer toe aan de vraag over de doorlooptijd om het bestelpunt te krijgen. Bestel meer als de voorhanden voorraad onder het bestelpunt daalt

    Dit is wat er mis is met deze benadering:

    1. Het gemiddelde houdt geen rekening met seizoensinvloeden en trends – u zult duidelijke patronen missen, tenzij u er veel tijd aan besteedt om deze handmatig aan te passen.
    2. Het gemiddelde houdt geen rekening met hoe voorspelbaar een artikel is - u zult voorspelbare artikelen te veel in voorraad hebben en minder voorspelbare artikelen. Dit komt omdat dezelfde leveringsdagen voor verschillende artikelen een heel ander voorraadrisico opleveren.
    3. Het gemiddelde vertelt een planner niet hoe het voorraadrisico wordt beïnvloed door het voorraadniveau - u hebt geen idee of u ondervoorraad, overbevoorrading of net genoeg hebt. Je plant in wezen met oogkleppen op.

    Er zijn veel andere "vuistregel"-benaderingen die even problematisch zijn. Hierin kunt u meer over hen te weten komen na

    Een betere manier om de juiste hoeveelheid veiligheidsvoorraad te plannen, is gebruik te maken van waarschijnlijkheidsmodellen die precies aangeven hoeveel voorraad nodig is gezien het risico van voorraad die u bereid bent te accepteren. Hieronder ziet u een screenshot van Smart Inventory Optimization die precies dat doet. Ten eerste beschrijft het de voorspelde serviceniveaus (waarschijnlijkheid van niet bevoorraden) in verband met de huidige dagen van leveringslogica. De planner kan nu de onderdelen zien waar het voorspelde serviceniveau te laag of te duur is. Ze kunnen dan onmiddellijke correcties aanbrengen door zich te richten op de gewenste serviceniveaus en het niveau van voorraadinvesteringen. Zonder deze informatie zal een planner niet weten of de beoogde dagen veiligheidsvoorraad te veel, te weinig of precies goed zijn, wat resulteert in overvoorraden en tekorten die marktaandeel en inkomsten kosten. 

    Computing Safety Stocks 2

     

    Planning van serviceonderdelen: planning voor verbruiksonderdelen versus repareerbare onderdelen

    Bij het bepalen van de juiste opslagparameters voor reserveonderdelen en serviceonderdelen, is het belangrijk om onderscheid te maken tussen verbruiksartikelen en repareerbare serviceonderdelen. Deze verschillen worden vaak over het hoofd gezien door service software voor onderdelenplanning en kan onjuist zijn schattingen van wat er moet worden opgeslagen. Er zijn verschillende benaderingen vereist bij het plannen van verbruiksartikelen versus repareerbare reserveonderdelen.

    Laten we eerst deze twee soorten reserveonderdelen definiëren.

    • Verbruiksartikelen zijn reserveonderdelen in de apparatuur die worden vervangen in plaats van gerepareerd wanneer ze defect raken. Voorbeelden van verbruiksartikelen zijn batterijen, oliefilters, schroeven en remblokken. Verbruiksbare reserveonderdelen zijn doorgaans goedkopere onderdelen waarvoor vervanging goedkoper is dan reparatie of reparatie is misschien niet mogelijk.
    • Herstelbare onderdelen zijn onderdelen die kunnen worden gerepareerd en weer in gebruik kunnen worden genomen nadat ze defect zijn geraakt door oorzaken zoals slijtage, schade of corrosie. Repareerbare serviceonderdelen zijn meestal duurder dan verbruiksonderdelen, dus reparatie heeft meestal de voorkeur boven vervanging. Voorbeelden van repareerbare onderdelen zijn tractiemotoren in treinwagons, straalmotoren en kopieermachines.

    Traditionele software voor het plannen van reserveonderdelen voldoet niet

    Traditionele software voor het plannen van onderdelen is niet goed aangepast om met de willekeur aan zowel de vraagzijde als de aanbodzijde van MRO-activiteiten om te gaan.

    Willekeurigheid aan de vraagzijde
    Planning voor verbruikbare reserveonderdelen vereist berekening van parameters voor voorraadbeheer (zoals bestelpunten en bestelhoeveelheden, min- en max-niveaus en veiligheidsvoorraden). Het plannen van het beheer van repareerbare serviceonderdelen vereist berekening van het juiste aantal reserveonderdelen. In beide gevallen moet de analyse gebaseerd zijn op waarschijnlijkheidsmodellen van het willekeurig gebruik van verbruiksgoederen of het willekeurig uitvallen van herstelbare onderdelen. Voor meer dan 90% van deze onderdelen is dit willekeurig de vraag is "met tussenpozen" (soms "klonterig" of "alles behalve normaal verdeeld" genoemd). Traditionele prognosemethoden voor reserveonderdelen zijn niet ontwikkeld om met een wisselende vraag om te gaan. Vertrouwen op traditionele methoden leidt tot kostbare planningsfouten. Voor verbruiksgoederen betekent dit vermijdbare voorraden, buitensporige transportkosten en meer verouderde voorraden. Voor repareerbare onderdelen betekent dit buitensporige uitvaltijd van apparatuur en de daarmee gepaard gaande kosten van onbetrouwbare prestaties en verstoring van de bedrijfsvoering.

    Willekeurigheid aan de aanbodzijde
    Bij het plannen van verbruikbare reserveonderdelen moet rekening worden gehouden met willekeur bij het aanvullen doorlooptijden van leveranciers. Bij het plannen van repareerbare onderdelen moet rekening worden gehouden met willekeur in reparatie- en retourprocessen, of deze nu intern worden uitgevoerd of worden uitbesteed. Planners die deze items beheren, negeren vaak bruikbare bedrijfsgegevens. In plaats daarvan kunnen ze hun vingers kruisen en hopen dat alles goed komt, of ze kunnen een beroep doen op hun instinct om "hoorbare geluiden te roepen" en dan hopen dat alles goed komt. Hopen en raden kunnen niet op tegen goede kansmodellering. Het verspilt jaarlijks miljoenen aan onnodige kapitaalinvesteringen en vermijdbare uitvaltijd van apparatuur.

    Software voor planning van reserveonderdelen

    De prognosesoftware voor serviceonderdelen van Smart IP&O maakt gebruik van een uniek empirisch probabilistische voorspelling nadering die is ontworpen voor intermitterende vraag. Voor verbruikbare reserveonderdelen genereert onze gepatenteerde en APICS-bekroonde methode snel tienduizenden vraagscenario's zonder te vertrouwen op de aannames over de aard van vraagverdelingen die impliciet zijn in traditionele prognosemethoden. Het resultaat zijn zeer nauwkeurige schattingen van veiligheidsvoorraad, bestelpunten en serviceniveaus, wat leidt tot hogere serviceniveaus en lagere voorraadkosten. Voor repareerbare reserveonderdelen, Smart's Reparatie- en retourmodule simuleert nauwkeurig de processen van uitval en reparatie van onderdelen. Het voorspelt downtime, serviceniveaus en voorraadkosten in verband met de huidige roterende pool van reserveonderdelen. Planners weten hoeveel reserveonderdelen ze op voorraad moeten hebben om aan de serviceniveau-eisen op korte en lange termijn te voldoen en, in operationele omstandigheden, of ze moeten wachten tot reparaties zijn voltooid en weer in gebruik moeten worden genomen of dat ze extra servicereserveonderdelen van leveranciers moeten kopen, waardoor onnodige aankopen en reparaties worden vermeden. stilstand van apparatuur.

    Neem contact met ons op voor meer informatie over hoe deze functionaliteit onze klanten in de sectoren MRO, buitendienst, nutsvoorzieningen, mijnbouw en openbaar vervoer heeft geholpen hun voorraad te optimaliseren. U kunt de whitepaper hier ook downloaden.

     

     

    Whitepaper: wat u moet weten over het voorspellen en plannen van service parts

     

    Dit document beschrijft de gepatenteerde methodologie van Smart Software voor het voorspellen van de vraag, safety stocks en bestelpunten voor artikelen zoals service parts en componenten met een wisselende vraag, en geeft verschillende voorbeelden van klantensucces.

     

      Vier veelgemaakte fouten bij het plannen van aanvullingsdoelen

      Of u nu 'Min/Max' of 'bestelpunt' en 'bestelhoeveelheid' gebruikt om te bepalen wanneer en hoeveel u moet bijvullen, uw aanpak kan enorme efficiëntie opleveren of juist niet. Belangrijkste fouten om te vermijden:

       

      1. Niet regelmatig opnieuw kalibreren
      2. Min/Max alleen bekijken als er een probleem is
      3. Het gebruik van prognosemethoden voldoet niet aan de taak
      4. Ervan uitgaande dat gegevens te traag of onvoorspelbaar zijn om er toe te doen

       

      We hebben meer dan 150.000 combinaties van SKU x locatie. Onze vraag is intermitterend. Omdat het langzaam gaat, hoeven we onze bestelpunten niet vaak opnieuw te berekenen. We doen dit misschien één keer per jaar, maar we bekijken de bestelpunten wanneer er een probleem is.” - Materiaalbeheerder.

       

      Deze reactieve benadering zal leiden tot miljoenen overtollige voorraden, voorraadtekorten en veel tijdverspilling bij het beoordelen van gegevens wanneer 'er iets misgaat'. Toch heb ik in de loop der jaren van zoveel voorraadprofessionals ditzelfde afzien gehoord. Het is duidelijk dat we meer moeten doen om te delen waarom dit denken zo problematisch is.

      Het is waar dat voor veel onderdelen een herberekening van de bestelpunten met up-to-date historische gegevens en doorlooptijden niet veel zal veranderen, vooral als patronen zoals trend of seizoensinvloeden niet aanwezig zijn. Veel onderdelen hebben echter baat bij een herberekening, vooral als de doorlooptijden of de recente vraag zijn veranderd. Bovendien neemt de kans op een significante wijziging die een herberekening noodzakelijk maakt, toe naarmate u langer wacht. Ten slotte hebben die maanden zonder eisen ook invloed op de kansen en mogen niet ronduit worden genegeerd. Het belangrijkste punt is echter dat het onmogelijk is om te weten wat er wel of niet zal veranderen in uw prognose, dus het is beter om regelmatig opnieuw te kalibreren.

       

        Planning Replenishment Targets Software calculate

      Deze opvallende casus uit gegevens uit de echte wereld illustreert een scenario waarin regelmatige en geautomatiseerde herkalibratie uitblinkt: de voordelen van snelle reacties op veranderende vraagpatronen zoals deze tellen snel op. In het bovenstaande voorbeeld vertegenwoordigt de X-as dagen en vertegenwoordigt de Y-as de vraag. Als u enkele maanden zou moeten wachten tussen het opnieuw kalibreren van uw bestelpunten, zou u ongetwijfeld veel te vroeg bestellen. Door uw bestelpunt veel vaker opnieuw te kalibreren, vangt u de verandering in de vraag op, waardoor u veel nauwkeuriger kunt bestellen.

       

      In plaats van te wachten tot u een probleem hebt, kunt u alle onderdelen elke planningscyclus minstens één keer per maand opnieuw kalibreren. Hierdoor wordt gebruik gemaakt van de nieuwste gegevens en wordt het voorraadbeleid proactief aangepast, waardoor problemen worden vermeden die handmatige controles en voorraadtekorten of -overschotten zouden veroorzaken.

      De aard van uw (potentieel gevarieerde) gegevens moet ook worden gekoppeld aan de juiste prognosetools. Als records voor sommige onderdelen trend- of seizoenspatronen laten zien, kan het gebruik van targetingprognosemethoden om deze patronen te accommoderen een groot verschil maken. Evenzo, als de gegevens frequente nulwaarden laten zien (intermitterende vraag), kunnen voorspellingsmethoden die niet rond dit speciale geval zijn gebouwd, gemakkelijk onbetrouwbare resultaten opleveren.

      Automatiseer, herkalibreer en bekijk uitzonderingen. Speciaal gebouwde software doet dit automatisch. Zie het op een andere manier: is het beter om eenmaal per jaar een hoop geld in uw 401K te storten of "dollarkostengemiddelde" door het hele jaar door kleinere, even grote bedragen te storten. Het regelmatig opnieuw kalibreren van beleid zal in de loop van de tijd een maximaal rendement opleveren, net zoals dollar cost avering dat zal doen voor uw beleggingsportefeuille.

      Hoe vaak herijkt u uw voorraadbeleid opnieuw? Waarom?

       

       

      Een inleiding op probabilistische prognoses

      De slimme voorspeller

       Het nastreven van best practices op het gebied van vraagplanning,

      prognoses en voorraadoptimalisatie

      Als je op de hoogte blijft van het nieuws over supply chain-analyse, u komt vaker de uitdrukking "probabilistische prognoses" tegen. Als deze zin raadselachtig is, lees dan verder.

      U weet waarschijnlijk al wat 'voorspelling' betekent. En je weet waarschijnlijk ook dat er veel verschillende manieren lijken te zijn om het te doen. En je hebt waarschijnlijk scherpe kleine zinnen gehoord als 'elke voorspelling is verkeerd'. Dus je weet dat een soort van wiskundige zou kunnen berekenen dat "de voorspelling is dat u volgende maand 100 eenheden zult verkopen", en dan zou u 110 eenheden kunnen verkopen, in welk geval u een 10%-voorspellingsfout heeft.

      Je weet misschien niet dat wat ik zojuist heb beschreven een bepaald soort voorspelling is, een 'puntvoorspelling'. Een puntenvoorspelling wordt zo genoemd omdat deze uit slechts een enkel getal bestaat (dwz één punt op de getallenlijn, als je je de getallenlijn herinnert uit je jeugd).

      Punt voorspellingen hebben één deugd: ze zijn eenvoudig. Ze hebben ook een fout: ze geven aanleiding tot snauwende uitspraken als 'elke voorspelling is verkeerd'. Dat wil zeggen, in de meeste realistische gevallen is het onwaarschijnlijk dat de werkelijke waarde exact gelijk zal zijn aan de voorspelling. (Wat niet zo erg is als de voorspelling dichtbij genoeg is.)

      Dit brengt ons bij 'probabilistische voorspellingen'. Deze aanpak is een stap verder, want in plaats van een voorspelling met één cijfer (punt) te produceren, levert het een kansverdeling op voor de voorspelling. En in tegenstelling tot traditionele extrapolatieve modellen die puur op historische gegevens vertrouwen, hebben probabilistische voorspellingen de mogelijkheid om toekomstige waarden te simuleren die niet verankerd zijn in het verleden.

      "Waarschijnlijkheidsverdeling" is een verbiedende uitdrukking, die wat mysterieuze wiskunde oproept waar je misschien van hebt gehoord maar nooit hebt bestudeerd. Gelukkig hebben de meeste volwassenen genoeg levenservaring om het concept intuïtief te begrijpen. Wanneer afgebroken, is het vrij eenvoudig te begrijpen.

      Stel je de simpele handeling voor van het opgooien van twee munten. Je zou dit onschuldig plezier kunnen noemen, maar ik noem het een 'probabilistisch experiment'. Het totale aantal kop dat op de twee munten verschijnt, is nul, één of twee. Het opgooien van twee munten is een 'willekeurig experiment'. Het resulterende aantal koppen is een "willekeurige variabele". Het heeft een "kansverdeling", wat niets meer is dan een tabel van hoe waarschijnlijk het is dat de willekeurige variabele een van zijn mogelijke waarden zal blijken te hebben. De kans om twee kop te krijgen als de munten eerlijk zijn, is ¼, net als de kans op geen kop. De kans op één kop is ½.

      Dezelfde benadering kan een interessantere willekeurige variabele beschrijven, zoals de dagelijkse vraag naar een reserveonderdeel. Figuur 2 toont een dergelijke kansverdeling. Het werd berekend door drie jaar dagelijkse vraaggegevens te verzamelen over een bepaald onderdeel dat wordt gebruikt in een wetenschappelijk instrument dat aan ziekenhuizen wordt verkocht.

       

      Probabilistic demand forecast 1

      Figuur 1: De kansverdeling van de dagelijkse vraag naar een bepaald reserveonderdeel

       

      De verdeling in figuur 1 kan worden gezien als een probabilistische voorspelling van de vraag op één dag. Voor dit specifieke onderdeel zien we dat de voorspelling zeer waarschijnlijk nul zal zijn (97% kans), maar soms voor een handvol eenheden, en eens in de drie jaar twintig eenheden. Hoewel de meest waarschijnlijke voorspelling nul is, zou je er een paar bij de hand willen houden als dit onderdeel van cruciaal belang zou zijn ("... bij gebrek aan een spijker ...")

      Laten we deze informatie nu gebruiken om een meer gecompliceerde probabilistische voorspelling te maken. Stel dat je drie eenheden bij de hand hebt. Hoeveel dagen duurt het voordat je er geen hebt? Er zijn veel mogelijke antwoorden, variërend van een enkele dag (als u onmiddellijk een vraag krijgt voor drie of meer) tot een zeer groot aantal (aangezien 97% dagen geen vraag ziet). De analyse van deze vraag is een beetje ingewikkeld vanwege de vele manieren waarop deze situatie zich kan voordoen, maar het uiteindelijke antwoord dat het meest informatief is, is een kansverdeling. Het blijkt dat het aantal dagen totdat er geen eenheden meer in voorraad zijn de verdeling heeft zoals weergegeven in figuur 2.

      Probabilistic demand forecast 2

      Figuur 2: Verdeling van het aantal dagen totdat alle drie de units op zijn

       

      Het gemiddelde aantal dagen is 74, wat een puntvoorspelling zou zijn, maar er is veel variatie rond het gemiddelde. Vanuit het perspectief van voorraadbeheer valt op dat er een kans van 25% is dat alle units na 32 dagen op zijn. Dus als u besluit om meer te bestellen terwijl er nog maar drie in het schap liggen, zou het goed zijn als de leverancier ze u bezorgt voordat er een maand is verstreken. Als ze dat niet konden, zou je een kans van 75% hebben om de voorraad op te slaan - niet goed voor een cruciaal onderdeel.

      De analyse achter figuur 2 omvatte het maken van enkele aannames die handig waren, maar niet nodig als ze niet waar waren. De resultaten kwamen van een methode genaamd "Monte Carlo-simulatie", waarin we beginnen met drie eenheden, een willekeurige vraag kiezen uit de verdeling in figuur 1, deze aftrekken van de huidige voorraad en doorgaan totdat de voorraad op is, waarbij wordt geregistreerd hoeveel dagen gingen voorbij voordat je op was. Herhaling van dit proces 100.000 keer geproduceerd Figuur 2.

      Toepassingen van Monte Carlo-simulatie strekken zich uit tot problemen met een nog grotere reikwijdte dan het bovenstaande voorbeeld "wanneer zijn we op". Vooral belangrijk zijn Monte Carlo-voorspellingen van de toekomstige vraag. Hoewel het gebruikelijke voorspellingsresultaat een reeks puntvoorspellingen is (bijvoorbeeld de verwachte vraag per eenheid in de komende twaalf maanden), weten we dat er een aantal manieren zijn waarop de werkelijke vraag zich zou kunnen voordoen. Simulatie zou kunnen worden gebruikt om bijvoorbeeld duizend mogelijke sets van 365 dagelijkse vraagbehoeften te produceren.

      Deze reeks vraagscenario's zou het scala aan mogelijke situaties waarmee een voorraadsysteem het hoofd zou moeten bieden, vollediger blootleggen. Dit gebruik van simulatie wordt "stresstesten" genoemd, omdat het een systeem blootstelt aan een reeks gevarieerde maar realistische scenario's, waaronder enkele vervelende. Die scenario's worden vervolgens ingevoerd in wiskundige modellen van het systeem om te zien hoe goed het zal omgaan, zoals weerspiegeld in key performance indicators (KPI's). Hoeveel stockouts zijn er bijvoorbeeld in die duizend gesimuleerde jaren van werking in het slechtste jaar? het gemiddelde jaar? het beste jaar? Wat is in feite de volledige kansverdeling van het aantal stockouts in een jaar, en wat is de verdeling van hun omvang?

      Figuren 3 en 4 illustreren probabilistische modellering van een voorraadbeheersysteem dat stockouts omzet in backorders. Het gesimuleerde systeem gebruikt een Min/Max-regelbeleid met Min = 10 eenheden en Max = 20 eenheden.

      Figuur 3 toont een gesimuleerd jaar van dagelijkse operaties in vier plots. De eerste grafiek toont een bepaald patroon van willekeurige dagelijkse vraag waarin de gemiddelde vraag gestaag toeneemt van maandag tot vrijdag, maar in het weekend verdwijnt. De tweede grafiek toont het aantal eenheden dat elke dag voorhanden is. Merk op dat er tijdens dit gesimuleerde jaar een tiental keren is dat de voorraad negatief wordt, wat wijst op stockouts. De derde grafiek toont de omvang en timing van aanvullingsorders. De vierde grafiek toont de omvang en timing van backorders. De informatie in deze plots kan worden vertaald in schattingen van voorraadinvesteringen, gemiddelde eenheden voorhanden, houdkosten, bestelkosten en tekortkosten.

      Probabilistic demand forecast 3

      Figuur 3: Een gesimuleerd jaar van werking van het voorraadsysteem

       

      Figuur 3 toont één van duizend gesimuleerde jaren. Elk jaar zal verschillende dagelijkse eisen hebben, wat resulteert in verschillende waarden van statistieken, zoals beschikbare eenheden en de verschillende componenten van de bedrijfskosten. Figuur 4 geeft de verdeling weer van 1.000 gesimuleerde waarden van vier KPI's. Door 1000 jaar ingebeelde werking te simuleren, wordt het bereik van mogelijke resultaten blootgelegd, zodat planners niet alleen rekening kunnen houden met gemiddelde resultaten, maar ook de best-case en worst-case-waarden kunnen zien.

      Probabilistic demand forecast 4

      Figuur 4: Verdelingen van vier KPI's op basis van 1.000 simulaties

       

      Monte Carlo-simulatie is een benadering met weinig wiskunde en hoge resultaten voor probabilistische prognoses: zeer praktisch en gemakkelijk uit te leggen. Geavanceerde probabilistische voorspellingsmethoden die door Smart Software worden gebruikt, breiden uit op de standaard Monte Carlo-simulatie en leveren uiterst nauwkeurige schattingen van de vereiste voorraadniveaus op.

       

      Laat een reactie achter

      gerelateerde berichten

      Call an Audible to Proactively Counter Supply Chain Noise

      Bel een Audible om proactief ruis in de supply chain tegen te gaan

      U kent de situatie: u berekent de beste manier om elk voorraadartikel te beheren door de juiste reorder points en replenishment targets te berekenen, en vervolgens de gemiddelde vraag te verhogen of te verlagen, of de volatiliteit van de vraag te veranderen, of de lead times van leveranciers te veranderen, of uw eigen kosten te veranderen.

      Managing the Inventory of Promoted Items

      Beheer van de inventaris van gepromote artikelen

      In een eerder bericht besprak ik een van de neteligere problemen waarmee vraagplanners soms worden geconfronteerd: het werken met gegevens over productvraag die worden gekenmerkt door wat statistici scheefheid noemen - een situatie die kostbare voorraadinvesteringen kan vergen. Dit soort problematische gegevens is te vinden in verschillende scenario's. In ten minste één geval, de combinatie van intermitterende vraag en zeer effectieve verkoopacties, leent het probleem zich voor een effectieve oplossing.

      Top 3 Most Common Inventory Control Policies

      Top 3 meest voorkomende voorraadbeheerbeleid

      Om de juiste beslissing te nemen, moet u weten hoe vraagprognose voorraadbeheer ondersteunt, welk beleid u wilt gebruiken en berekening van de input die dit beleid aanstuurt. Het proces van het bestellen van aanvullende voorraad is zo duur en omslachtig dat u ook het aantal inkooporders dat u moet genereren wilt minimaliseren.

      recente berichten

      • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
        In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
      • 5 Ways to Improve Supply Chain Decision Speed5 manieren om de snelheid van beslissingen in de toeleveringsketen te verbeteren
        De belofte van een digitale supply chain heeft de manier waarop bedrijven opereren getransformeerd. In de kern kan het snelle, datagestuurde beslissingen nemen en tegelijkertijd kwaliteit en efficiëntie in de hele bedrijfsvoering garanderen. Het gaat echter niet alleen om toegang tot meer data. Organisaties hebben de juiste tools en platforms nodig om die data om te zetten in bruikbare inzichten. Dit is waar besluitvorming cruciaal wordt, vooral in een landschap waar nieuwe digitale supply chain-oplossingen en AI-gestuurde platforms u kunnen ondersteunen bij het stroomlijnen van veel processen binnen de beslissingsmatrix. […]
      • Two employees checking inventory in temporary storage in a distribution warehouse.12 Oorzaken van Overstocking en Praktische Oplossingen
        Effectief voorraadbeheer is cruciaal voor het behouden van een gezonde balans en het verzekeren dat middelen optimaal worden toegewezen. Hier is een diepgaande verkenning van de belangrijkste oorzaken van overstocking, hun implicaties en mogelijke oplossingen. […]
      • FAQ Mastering Smart IP&O for Better Inventory ManagementFAQ: Slimme IP&O voor beter voorraadbeheer.
        Effectief supply chain- en voorraadbeheer zijn essentieel voor het bereiken van operationele efficiëntie en klanttevredenheid. Deze blog biedt duidelijke en beknopte antwoorden op enkele basisvragen en andere veelvoorkomende vragen van onze Smart IP&O-klanten, en biedt praktische inzichten om typische uitdagingen te overwinnen en uw voorraadbeheerpraktijken te verbeteren. Met de focus op deze belangrijke gebieden helpen we u complexe voorraadproblemen om te zetten in strategische, beheersbare acties die kosten verlagen en de algehele prestaties verbeteren met Smart IP&O. […]
      • 7 Key Demand Planning Trends Shaping the Future7 belangrijke trends in vraagplanning die de toekomst vormgeven
        Vraagplanning gaat verder dan alleen het voorspellen van productbehoeften; het gaat erom ervoor te zorgen dat uw bedrijf nauwkeurig, efficiënt en kosteneffectief aan de vraag van klanten voldoet. De nieuwste technologie voor vraagplanning pakt belangrijke uitdagingen aan, zoals nauwkeurigheid van voorspellingen, voorraadbeheer en marktresponsiviteit. In deze blog introduceren we kritieke trends voor vraagplanning, waaronder datagestuurde inzichten, probabilistische voorspellingen, consensusplanning, voorspellende analyses, scenariomodellering, realtime zichtbaarheid en multilevel voorspellingen. Deze trends helpen u om voorop te blijven lopen, uw toeleveringsketen te optimaliseren, kosten te verlagen en de klanttevredenheid te verbeteren, waardoor uw bedrijf op de lange termijn succesvol wordt. […]

        Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

        • Managing Spare Parts Inventory: Best PracticesHet beheren van de voorraad reserveonderdelen: beste praktijken
          In this blog, we’ll explore several effective strategies for managing spare parts inventory, emphasizing the importance of optimizing stock levels, maintaining service levels, and using smart tools to aid in decision-making. Managing spare parts inventory is a critical component for businesses that depend on equipment uptime and service reliability. Unlike regular inventory items, spare parts often have unpredictable demand patterns, making them more challenging to manage effectively. An efficient spare parts inventory management system helps prevent stockouts that can lead to operational downtime and costly delays while also avoiding overstocking that unnecessarily ties up capital and increases holding costs. […]
        • Innovating the OEM Aftermarket with AI-Driven Inventory Optimization XLInnovatie van de OEM-aftermarket met AI-gestuurde voorraadoptimalisatie
          De aftermarketsector biedt OEM's een beslissend voordeel door een stabiele inkomstenstroom te bieden en de loyaliteit van klanten te bevorderen door de betrouwbare en tijdige levering van serviceonderdelen. Het beheren van inventaris en het voorspellen van de vraag in de aftermarket gaat echter gepaard met uitdagingen, waaronder onvoorspelbare vraagpatronen, enorme productassortimenten en de noodzaak van snelle doorlooptijden. Traditionele methoden schieten vaak tekort vanwege de complexiteit en variabiliteit van de vraag in de aftermarket. De nieuwste technologieën kunnen grote datasets analyseren om de toekomstige vraag nauwkeuriger te voorspellen en voorraadniveaus te optimaliseren, wat leidt tot betere service en lagere kosten. […]
        • Future-Proofing Utilities. Advanced Analytics for Supply Chain OptimizationToekomstbestendige hulpprogramma's: geavanceerde analyses voor optimalisatie van de supply chain
          Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en telecommunicatie zijn allemaal activa-intensief en afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer. Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. […]
        • Centering Act Spare Parts Timing Pricing and ReliabilityCentreringswet: timing, prijzen en betrouwbaarheid van reserveonderdelen
          In dit artikel begeleiden we u bij het opstellen van een voorraadplan voor reserveonderdelen, waarbij prioriteit wordt gegeven aan beschikbaarheidsstatistieken zoals serviceniveaus en vulpercentages, terwijl de kostenefficiëntie wordt gewaarborgd. We zullen ons concentreren op een benadering van voorraadplanning genaamd Service Level-Driven Inventory Optimization. Vervolgens bespreken we hoe u kunt bepalen welke onderdelen u in uw inventaris moet opnemen en welke onderdelen mogelijk niet nodig zijn. Ten slotte onderzoeken we manieren om uw op serviceniveau gebaseerde voorraadplan consistent te verbeteren. […]