Belmont, MA, juni 2023 – Smart Software, Inc., leverancier van toonaangevende oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie, heeft vandaag de toekenning aangekondigd van het Amerikaanse patent 11,656,887, “SYSTEEM EN METHODE OM DE VRAAG TE SIMULEREN EN CONTROLEPARAMETERS VOOR EEN TECHNOLOGIEPLATFORM TE OPTIMALISEREN.”

Het patent regelt "technische oplossingen voor het analyseren van historische vraaggegevens van middelen in een technologieplatform om het beheer van een geautomatiseerd proces in het platform te vergemakkelijken." Een belangrijke toepassing is het optimaliseren van onderdelenvoorraden.

Aspecten van de uitvinding omvatten: geavanceerd bootstrap-proces dat een enkele waargenomen tijdreeks van de vraag naar artikelen omzet in een onbeperkt aantal realistische vraagscenario's; A prestatievoorspellingsproces dat Monte Carlo-simulaties uitvoert van een voorgesteld voorraadbeheerbeleid om de prestaties ervan te beoordelen; en een prestatieverbeteringsproces dat gebruikmaakt van het prestatievoorspellingsproces om automatisch de ruimte van alternatieve systeemontwerpen te verkennen om optimale controleparameterwaarden te identificeren, waarbij waarden worden geselecteerd die de bedrijfskosten minimaliseren en tegelijkertijd een beoogd niveau van itembeschikbaarheid garanderen.

De nieuwe analytische technologie die in het patent wordt beschreven, zal de basis vormen voor de komende release van de volgende generatie (“Gen2”) Slimme Vraagplanner™ en Slimme IP&O™. Huidige klanten en resellers kunnen een preview van Gen2 bekijken door contact op te nemen met hun Smart Software-vertegenwoordiger.

Het onderzoek dat ten grondslag ligt aan het patent werd door Smart zelf gefinancierd, aangevuld met concurrerende Small Business Innovation Research-subsidies van de Amerikaanse National Science Foundation.

Over Smart Software, Inc.
Smart Software, Inc., opgericht in 1981, is toonaangevend in het leveren van bedrijfsbrede oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie aan bedrijven. De oplossingen voor vraagvoorspelling en voorraadoptimalisatie van Smart Software hebben duizenden gebruikers over de hele wereld geholpen, waaronder klanten als Disney, Arizona Public Service, Ameren en het Amerikaanse Rode Kruis. Smart's Inventory Planning & Optimization Platform, Smart IP&O, geeft vraagplanners de tools om om te gaan met seizoensinvloeden in de verkoop, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en af en toe gevraagde serviceonderdelen en kapitaalgoederen. Het biedt voorraadbeheerders ook nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts, en onze website ook www.smartcorp.com.

Veel bedrijven die hun prognoseproces willen verbeteren, weten niet waar ze moeten beginnen. Het kan verwarrend zijn om te worstelen met het leren van nieuwe statistische methoden, ervoor zorgen dat gegevens correct zijn gestructureerd en bijgewerkt, het eens worden over wie "eigenaar" is van de prognose, definiëren wat eigendom betekent en meetnauwkeurigheid. Na meer dan veertig jaar oefenen hebben we deze blog geschreven om de belangrijkste focus te schetsen en om u aan te moedigen om het in het begin simpel te houden.

1. Objectiviteit. Begrijp en communiceer eerst dat het proces van vraagplanning en -prognose een oefening in objectiviteit is. De focus ligt op het verkrijgen van input uit verschillende bronnen (stakeholders, klanten, functioneel beheerders, databases, leveranciers, enz.) en het bepalen of die input waarde toevoegt. Als u bijvoorbeeld een statistische prognose overschrijft en 20% aan de projectie toevoegt, moet u er niet zomaar van uitgaan dat u het automatisch goed had. Wees in plaats daarvan objectief en controleer of die opheffing de prognosenauwkeurigheid heeft vergroot of verkleind. Als u merkt dat uw overrides de zaken erger hebben gemaakt, heeft u iets gewonnen: dit informeert het proces en u weet dat u in de toekomst override-beslissingen beter kunt onderzoeken.

2. Teamwerk. Erken dat prognoses en vraagplanning teamsporten zijn. Maak afspraken over wie het team zal aanvoeren. De kapitein is verantwoordelijk voor het maken van de statistische basisprognoses en het toezicht houden op het vraagplanningsproces. Maar de resultaten zijn afhankelijk van het feit of iedereen in het team een positieve bijdrage levert, gegevens verstrekt, alternatieve methoden voorstelt, aannames in twijfel trekt en aanbevolen acties uitvoert. De uiteindelijke resultaten zijn eigendom van het bedrijf en elke afzonderlijke belanghebbende.

3. Meting. Fixeer u niet op benchmarks voor de nauwkeurigheid van prognoses in de branche. Elke SKU heeft zijn eigen niveau van "voorspelbaarheid", en u kunt een aantal moeilijke items beheren. Creëer in plaats daarvan uw eigen benchmarks op basis van een reeks steeds geavanceerdere prognosemethoden. Geavanceerde statistische prognoses lijken in het begin misschien ontmoedigend ingewikkeld, dus begin eenvoudig met een basismethode, zoals het voorspellen van de historische gemiddelde vraag. Meet vervolgens hoe dicht die simpele voorspelling de werkelijk waargenomen vraag benadert. Werk van daaruit verder naar technieken die te maken hebben met complicaties zoals trend en seizoensinvloeden. Meet de voortgang met behulp van nauwkeurigheidsstatistieken die door uw software zijn berekend, zoals de gemiddelde absolute procentuele fout (MAPE). Hierdoor kan uw bedrijf elke prognosecyclus een beetje beter worden.

4. Tempo. Richt u vervolgens op het maken van prognoses tot een op zichzelf staand proces dat niet wordt gecombineerd met het complexe proces van voorraadoptimalisatie. Voorraadbeheer is gebaseerd op een solide vraagvoorspelling, maar is gericht op andere onderwerpen: wat te kopen, wanneer te kopen, minimale bestelhoeveelheden, veiligheidsvoorraden, voorraadniveaus, doorlooptijden van leveranciers, enz. Laat voorraadbeheer later verder gaan . Bouw eerst "voorspellingskracht" op door het voorspellingsproces te creëren, te herzien en te ontwikkelen om een regelmatige cadans te hebben. Wanneer uw proces voldoende volwassen is, kunt u de toenemende snelheid van het bedrijfsleven bijbenen door het tempo van uw prognoseproces te verhogen tot ten minste een maandelijks tempo.

Opmerkingen

Het herzien van het prognoseproces van een bedrijf kan een grote stap zijn. Soms gebeurt het als er personeelsverloop is, soms als er een nieuw ERP-systeem is, soms als er nieuwe prognosesoftware is. Wat de overhaaste gebeurtenis ook is, deze verandering is een kans om het proces dat je eerder had te heroverwegen en te verfijnen. Maar proberen de hele olifant in één keer op te eten is een vergissing. In deze blog hebben we enkele discrete stappen uiteengezet die u kunt nemen om een succesvolle evolutie naar een beter prognoseproces te maken.

Ontdek hoe prognoses worden gebruikt met deze 4 vragen.

Vaak zullen bedrijven volhouden dat ze "geen prognoses gebruiken" om voorraad te plannen. Ze gebruiken vaak methodes voor bestelpunten en worstelen met het verbeteren van tijdige levering, voorraadrotaties en andere KPI's. Hoewel ze niet denken dat wat ze doen expliciet voorspellen, gebruiken ze zeker schattingen van de toekomstige vraag om bestelpunten zoals min/max te ontwikkelen.

Ongeacht hoe het wordt genoemd, iedereen probeert de toekomstige vraag op de een of andere manier in te schatten en gebruikt deze schatting om voorraadbeleid te bepalen en bestellingen te stimuleren. Om de voorraadplanning te verbeteren en ervoor te zorgen dat u niet te veel of te weinig bestelt en grote voorraden en een opgeblazen gevoel creëert, is het belangrijk om precies te begrijpen hoe uw organisatie prognoses gebruikt. Als dit eenmaal is begrepen, kunt u beoordelen of de kwaliteit van de prognoses kan worden verbeterd.

Probeer antwoorden te krijgen op de volgende vragen. Het zal onthullen hoe prognoses in uw bedrijf worden gebruikt, zelfs als u denkt dat u geen prognoses gebruikt.

1. Is uw prognose een periode-voor-periode schatting in de loop van de tijd die wordt gebruikt om te voorspellen welke voorraad er in de toekomst zal zijn en die bestelsuggesties in uw ERP-systeem activeert?

2. Of wordt uw prognose gebruikt om een bestelpunt af te leiden, maar niet expliciet gebruikt als drijfveer per periode om bestellingen te activeren? Hier kan ik voorspellen dat we er 10 per week zullen verkopen op basis van de geschiedenis, maar we laden niet 10, 10, 10, 10, etc. in het ERP. In plaats daarvan leid ik een bestelpunt of min af dat de doorlooptijd van twee perioden dekt + een hoeveelheid buffer om te helpen beschermen tegen voorraaduitval. In dit geval bestel ik meer wanneer de voorraad op 25 komt.

3. Wordt uw prognose gebruikt als leidraad voor de planner om subjectief te helpen bepalen wanneer ze meer moeten bestellen? Hier voorspel ik er 10 per week, en ik beoordeel de voorhanden inventaris periodiek, bekijk de verwachte doorlooptijd en besluit, gezien de 40 eenheden die ik vandaag bij de hand heb, dat ik "genoeg" heb. Dus ik doe nu niets, maar kom over een week weer terug.

4. Wordt het gebruikt om raamcontracten met leveranciers op te stellen? Hier voorspel ik 10 per week en ga akkoord met een algemene inkooporder met de leverancier van 520 per jaar. De bestellingen worden vervolgens van tevoren geplaatst om eenmaal per week in hoeveelheden van 10 te arriveren totdat de algemene bestelling is verbruikt.

Zodra u de antwoorden heeft, kunt u vragen hoe de schattingen van de vraag tot stand komen. Is het een gemiddelde? Leidt het de vraag over de doorlooptijd af uit een verkoopprognose? Wordt er ergens een statistische prognose gegenereerd? Welke methodes worden overwogen? Het zal ook belangrijk zijn om te beoordelen hoe veiligheidsvoorraden worden gebruikt om te beschermen tegen variabiliteit in vraag en aanbod. Meer over dit alles in een toekomstig artikel.

Elke organisatie die apparatuur beheert, heeft reserveonderdelen nodig. Ze hebben allemaal te maken met algemene problemen, wat hun bedrijf ook is. Sommige problemen zijn echter branchespecifiek. Dit bericht bespreekt een universeel probleem dat zich manifesteerde in een kerncentrale en een probleem dat vooral acuut is voor elk elektriciteitsbedrijf.

Het universele probleem van gegevenskwaliteit

We posten vaak over de voordelen van het omzetten van gegevens over het gebruik van onderdelen in slimme beslissingen over voorraadbeheer. Geavanceerde waarschijnlijkheidsmodellering ondersteunt het genereren van realistische vraagscenario's die worden gebruikt in gedetailleerde Monte Carlo-simulaties die de gevolgen blootleggen van beslissingen zoals keuzes van Min en Max voor het aanvullen van reserveonderdelen.

Al die nieuwe en glanzende analytische technologie vereist echter kwaliteitsgegevens als brandstof voor de analyse. Voor sommige openbare nutsbedrijven is het bijhouden van gegevens geen sterke zaak, dus het ruwe materiaal dat wordt geanalyseerd, kan corrupt en misleidend zijn. We kwamen onlangs documentatie tegen van een sterk voorbeeld van dit probleem bij een kerncentrale (zie Scala, Needy en Rajgopal: Besluitvorming en afwegingen bij het beheer van de inventaris van reserveonderdelen bij nutsbedrijven. American Association of Engineering Management, 30e ASEM Nationale Conferentie, Springfield, MO. oktober 2009). Scala et al. documenteerde de gebruiksgeschiedenis van een kritiek onderdeel waarvan de afwezigheid zou resulteren in een verlaging van de faciliteit of een sluiting. Het gebruiksrecord van de fabriek voor dat onderdeel omvatte meer dan acht jaar aan gegevens. Gedurende die tijd rapporteerde de officiële gebruiksgeschiedenis negen gebeurtenissen waarin een positieve vraag optrad met groottes variërend van één tot zes eenheden elk. Er waren ook vijf gebeurtenissen gekenmerkt door negatieve eisen (dwz retouren naar het magazijn), variërend van één tot drie eenheden elk. Zorgvuldig speurwerk ontdekte dat het werkelijke gebruik plaatsvond in slechts twee gebeurtenissen, beide met een vraag naar twee eenheden. Het is duidelijk dat voor het berekenen van de beste min/max-waarden voor dit artikel nauwkeurige vraaggegevens nodig zijn.

Het speciale probleem van gezondheid en veiligheid

In de context van "gewone" bedrijven kunnen tekorten aan reserveonderdelen zowel de huidige omzet als de toekomstige omzet schaden (gerelateerd aan de reputatie als betrouwbare leverancier). Voor een elektriciteitsbedrijf echter, Scala et al. constateerde dat er veel grotere gevolgen verbonden waren aan de voorraad van reserveonderdelen. Deze omvatten niet alleen een verhoogd financieel en reputatierisico, maar ook risico's voor gezondheid en veiligheid: “Gevolgen van het niet op voorraad hebben van een onderdeel zijn onder meer de mogelijkheid om de productie te moeten verminderen of mogelijk zelfs een fabriek stil te leggen. Vanuit een langetermijnperspectief kan dit de kritieke stroomvoorziening aan residentiële, commerciële en/of industriële klanten onderbreken, terwijl het de reputatie, betrouwbaarheid en winstgevendheid van het bedrijf schaadt. Een elektriciteitsbedrijf maakt en verkoopt slechts één product: elektriciteit. Het verlies van het vermogen om elektriciteit te verkopen kan ernstige schade toebrengen aan de bedrijfsresultaten en de levensvatbaarheid op lange termijn.”

Des te meer reden voor elektriciteitsbedrijven om leiders te zijn in plaats van achterblijvers bij de inzet van de meest geavanceerde waarschijnlijkheidsmodellen voor vraagvoorspelling en voorraadoptimalisatie.

Buiten het werk heb je misschien de beroemde uitspraak 'Correlatie is geen oorzakelijk verband' gehoord. Het klinkt misschien als een stuk theoretische onzin die, hoewel betrokken bij een recente Nobelprijs voor economie, niet relevant is voor uw werk als vraagplanner. Is dat zo, dan heb je misschien maar gedeeltelijk gelijk.

Extrapolatieve versus causale modellen

De meeste vraagvoorspellingen maken gebruik van extrapolatieve modellen. Deze modellen, ook wel tijdreeksmodellen genoemd, voorspellen de vraag op basis van alleen de waarden uit het verleden van de vraag naar een artikel. Plots van waarden uit het verleden onthullen trend en seizoensgebondenheid en volatiliteit, dus er is veel waar ze goed voor zijn. Maar er is nog een ander type model – causale modellen – dat de nauwkeurigheid van prognoses mogelijk kan verbeteren, verder dan wat u kunt krijgen van extrapolatieve modellen.

Causale modellen voegen meer invoergegevens toe aan de prognosetaak: informatie over veronderstelde prognose "stuurprogramma's" buiten de vraaggeschiedenis van een artikel. Voorbeelden van potentieel bruikbare oorzakelijke factoren zijn onder meer macro-economische variabelen zoals het inflatiepercentage, het groeipercentage van het bbp en grondstofprijzen. Voorbeelden die niet gebonden zijn aan de nationale economie zijn onder meer branchespecifieke groeipercentages en uw eigen advertentie-uitgaven en die van uw concurrenten. Deze variabelen worden meestal gebruikt als invoer voor regressiemodellen, dit zijn vergelijkingen met vraag als uitvoer en causale variabelen als invoer.

Voorspellingen met behulp van causale modellen

Veel bedrijven hebben een S&OP-proces waarbij maandelijks statistische (extrapolatieve) prognoses worden beoordeeld, waarbij het management de prognoses aanpast op basis van hun oordeel. Vaak is dit een indirecte en subjectieve manier om causale modellen in het proces te verwerken zonder de regressiemodellering uit te voeren.

Om daadwerkelijk een causaal regressiemodel te maken, moet u eerst een lijst van potentieel bruikbare causale voorspellende variabelen nomineren. Deze kunnen voortkomen uit uw inhoudelijke expertise. Stel, u vervaardigt vensterglas. Veel van uw glas kan terechtkomen in nieuwe woningen en nieuwe kantoorgebouwen. Het aantal nieuw gebouwde woningen en kantoren zijn dus plausibele voorspellende variabelen in een regressievergelijking.

Er is hier een complicatie: als je de vergelijking gebruikt om iets te voorspellen, moet je eerst de voorspellers voorspellen. Zo kan de verkoop van glas komend kwartaal sterk gerelateerd zijn aan aantallen nieuwe woningen en nieuwe kantoorpanden komend kwartaal. Maar hoeveel nieuwe woningen komen er komend kwartaal? Dat is zijn eigen prognoseprobleem. Je hebt dus een potentieel krachtig prognosemodel, maar je hebt extra werk te doen om het bruikbaar te maken.

Er is één manier om dingen te vereenvoudigen: als de voorspellende variabelen "vertraagde" versies van zichzelf zijn. Zo kan het aantal nieuw afgegeven bouwvergunningen een half jaar geleden een goede voorspeller zijn van de glasverkoop volgende maand. U hoeft de bouwvergunninggegevens niet te voorspellen, u hoeft ze alleen maar op te zoeken.

Is het een causaal verband of slechts een onechte correlatie?

Causale modellen zijn de real deal: er is een feitelijk mechanisme dat de voorspellende variabele relateert aan de voorspelde variabele. Het voorbeeld van het voorspellen van de verkoop van glas uit bouwvergunningen is een voorbeeld.

Een correlatierelatie is twijfelachtiger. Er is een statistische associatie die al dan niet een solide basis vormt voor prognoses. Stel, u verkoopt een product dat Nederlanders het meest aanspreekt, maar u heeft dit niet door. Nederlanders zijn gemiddeld de langste mensen van Europa. Als uw verkopen stijgen en de gemiddelde lengte van Europeanen toeneemt, kunt u die relatie goed gebruiken. Maar als het aandeel Nederlanders in de eurozone afneemt terwijl de gemiddelde lengte toeneemt omdat de mix van mannen versus vrouwen naar mannen verschuift, wat kan er dan misgaan? U verwacht dat de verkoop zal toenemen omdat de gemiddelde lengte toeneemt. Maar uw verkopen zijn eigenlijk vooral aan Nederlanders, en hun relatieve aandeel in de bevolking wordt kleiner, dus uw verkopen zullen in plaats daarvan echt afnemen. In dit geval is de associatie tussen verkoop en klantlengte een onechte correlatie.

Hoe kun je het verschil zien tussen echte en valse relaties? De gouden standaard is om een rigoureus wetenschappelijk experiment te doen. Maar u bent waarschijnlijk niet in de positie om dat te doen. In plaats daarvan moet u vertrouwen op uw persoonlijke 'mentale model' van hoe uw markt werkt. Als uw vermoedens juist zijn, zullen uw potentiële causale modellen correleren met de vraag en zal causale modellering voor u lonend zijn, hetzij als aanvulling op extrapolatieve modellen, hetzij ter vervanging ervan.