Wij geloven dat de ontwikkeling van digitale tweelingen van voorraadsystemen de leidende factor is op het gebied van supply chain-analyse. Deze tweelingen nemen de vorm aan van discrete gebeurtenismodellen die Monte Carlo-simulatie gebruiken om het volledige scala aan operationele risico's te genereren en te optimaliseren. We beweren ook dat wij en onze collega's bij Smart Software een grote rol hebben gespeeld bij het smeden van die voorsprong. Maar we zijn niet de enigen: er zijn een klein aantal andere softwarebedrijven over de hele wereld die bezig zijn met een inhaalslag.

Wat is de volgende stap op het gebied van supply chain-analyse? Waar ligt de volgende grens? Het kan gaan om een soort neuraal netwerkmodel van een distributiesysteem. Maar we zouden betere kansen hebben op een uitbreiding van onze toonaangevende modellen van voorraadsystemen met één echelon naar voorraadsystemen met meerdere echelons.

Figuren 1 en 2 illustreren het onderscheid tussen systemen met één en meerdere echelons. Figuur 1 toont een fabrikant die afhankelijk is van een bron om zijn voorraad reserveonderdelen of componenten aan te vullen. Wanneer er voorraadtekorten dreigen, bestelt de fabrikant aanvullingsvoorraden bij de Bron.

Figuur 1: Een inventarisatiesysteem met één echelon

Single-echelon-modellen bevatten niet expliciet details van de Bron. Het blijft mysterieus, een onzichtbare geest wiens enige relevante kenmerk de willekeurige tijd is die nodig is om te reageren op een aanvullingsverzoek. Belangrijk is dat er impliciet van wordt uitgegaan dat de Bron zelf nooit een voorraad opslaat. Die veronderstelling kan voor veel doeleinden ‘goed genoeg’ zijn, maar kan niet letterlijk waar zijn. Dit wordt afgehandeld door stockout-gebeurtenissen van leveranciers in de distributie van de doorlooptijd van de aanvullingen te verwerken. Het terugdringen van die veronderstelling is de reden voor multi-echelon-modellering.

Figuur 2 toont een eenvoudig inventarisatiesysteem met twee niveaus. Het verschuift domeinen van productie naar distributie. Er zijn meerdere magazijnen (WH's) afhankelijk van een distributiecentrum (DC) voor bevoorrading. Nu is de DC een expliciet onderdeel van het model. Het heeft een beperkte capaciteit om bestellingen te verwerken en vereist zijn eigen herschikkingsprotocollen. De DC krijgt zijn aanvulling van hogerop in de keten van een bron. De Bron kan de fabrikant van het inventarisitem zijn of misschien een “regionale DC” of iets dergelijks, maar – raad eens? – het is een andere geest. Net als in het single-echelonmodel heeft deze geest één zichtbaar kenmerk: de waarschijnlijkheidsverdeling van de doorlooptijd van de aanvulling. (De clou van een beroemde grap uit de natuurkunde is: “Maar mevrouw, het zijn schildpadden helemaal naar beneden.” In ons geval: “Het zijn geesten helemaal naar boven.”)

Figuur 2: Een inventarisatiesysteem met twee niveaus

Het probleem van procesontwerp en -optimalisatie is veel moeilijker op twee niveaus. De moeilijkheid is niet alleen de toevoeging van nog twee controleparameters voor elke WH (bijvoorbeeld een Min en een Max voor elk) plus dezelfde twee parameters voor de DC. Het lastigste deel is het modelleren van de interactie tussen de WH's. In het model met één niveau opereert elke WH in zijn eigen kleine wereld en hoort hij nooit "Sorry, we hebben geen voorraad meer" van de spookachtige Bron. Maar in een systeem met twee niveaus zijn er meerdere WH's die allemaal strijden om bevoorrading vanuit hun gedeelde DC. Deze concurrentie creëert de belangrijkste analytische moeilijkheid: de WH's kunnen niet afzonderlijk worden gemodelleerd, maar moeten tegelijkertijd worden geanalyseerd. Als één DC bijvoorbeeld tien WH's bedient, zijn er 2+10×2 = 22 voorraadbeheerparameters waarvan de waarden moeten worden berekend. In nerdtaal: het is niet triviaal om een beperkt, discreet optimalisatieprobleem met 22 variabelen en een stochastische objectieve functie op te lossen.

Als we het verkeerde systeemontwerp kiezen, ontdekken we een nieuw fenomeen dat inherent is aan systemen met meerdere niveaus, dat we informeel ‘meltdown’ of ‘catastrofe’ noemen. Bij dit fenomeen kan het DC de bevoorradingsbehoefte van de WH's niet bijhouden, waardoor er uiteindelijk voorraadtekorten op magazijnniveau ontstaan. Vervolgens putten de steeds hectischer wordende aanvullingsverzoeken van de WH de voorraad bij het DC uit, waardoor zijn eigen paniekerige verzoeken om aanvulling vanuit het regionale DC beginnen. Als het regionale DC er te lang over doet om het DC weer aan te vullen, dan ontaardt het hele systeem in een tragedie van uitputting.

Eén oplossing voor het meltdown-probleem is om het DC zo te ontwerpen dat het bijna nooit leeg raakt, maar dat kan erg duur zijn. Daarom is er in de eerste plaats een regionaal DC. Elk betaalbaar systeemontwerp heeft dus een DC die net goed genoeg is om lang mee te gaan tussen meltdowns. Dit perspectief impliceert een nieuw type Key Performance Indicator (KPI), zoals “De kans op een meltdown binnen X jaar is minder dan Y procent.”

De volgende grens zal nieuwe methoden en nieuwe maatstaven vereisen, maar zal een nieuwe manier bieden om distributiesystemen te ontwerpen en te optimaliseren. Onze skunkfabriek genereert al prototypes. Bekijk deze ruimte.

In deze blog bespreken we de snelle en onvoorspelbare markt van vandaag en de voortdurende uitdagingen waarmee bedrijven worden geconfronteerd bij het efficiënt beheren van hun voorraad- en serviceniveaus. Het hoofdonderwerp van deze discussie, geworteld in het concept van ‘probabilistische voorraadoptimalisatie’, richt zich op de manier waarop moderne technologie kan worden ingezet om optimale service- en voorraaddoelstellingen te bereiken te midden van onzekerheid. Deze aanpak pakt niet alleen de traditionele problemen met voorraadbeheer aan, maar biedt ook een strategische voorsprong bij het omgaan met de complexiteit van vraagschommelingen en verstoringen van de toeleveringsketen.

Het begrijpen en implementeren van voorraadoptimalisatietechnologie is om verschillende redenen belangrijk. Ten eerste heeft het een directe invloed op het vermogen van een bedrijf om snel aan de eisen van de klant te voldoen, waardoor de klanttevredenheid en loyaliteit worden beïnvloed. Ten tweede houdt effectief voorraadbeheer de operationele kosten onder controle, waardoor onnodige voorraad wordt verminderd en het risico op stockouts of overstock wordt geminimaliseerd. In een tijdperk waarin de marktomstandigheden snel veranderen, kan het hebben van een robuust systeem om deze aspecten te beheren het verschil zijn tussen bloeien en alleen maar overleven.

De kern van voorraadbeheer ligt in een paradox: de noodzaak om voorbereid te zijn op de fluctuerende vraag, zonder te bezwijken voor de valkuilen van overbevoorrading, wat kan leiden tot hogere voorraadkosten, veroudering en verspilling van hulpbronnen. Omgekeerd kan een tekort aan voorraad resulteren in voorraadtekorten, omzetverlies en verminderde klanttevredenheid, wat uiteindelijk gevolgen heeft voor de reputatie en het bedrijfsresultaat van een bedrijf. De onvoorspelbare aard van de marktvraag, verergerd door mogelijke verstoringen van de toeleveringsketen en veranderend consumentengedrag, maakt deze evenwichtsoefening ingewikkelder.

Technologie speelt hier een cruciale rol. Moderne software voor voorraadoptimalisatie integreert probabilistische modellen, geavanceerde voorspellingsalgoritmen en simulatiemogelijkheden. Deze systemen helpen bedrijven snel te reageren op veranderende marktomstandigheden. Bovendien bevordert de adoptie van dergelijke technologie een cultuur van datagestuurde besluitvorming, waardoor bedrijven niet alleen maar reageren op onzekerheden, maar proactief strategieën ontwikkelen om de gevolgen ervan te verzachten.

Hier volgen korte discussies over de relevante algoritmische technologieën.

Probabilistische voorraadoptimalisatie: Traditionele benaderingen van voorraadbeheer zijn gebaseerd op deterministische modellen die uitgaan van een statische, voorspelbare wereld. Deze modellen wankelen als ze geconfronteerd worden met variabiliteit en onzekerheid. Maak kennis met probabilistische voorraadoptimalisatie, een paradigma dat de willekeur omarmt die inherent is aan supply chain-processen. Deze aanpak maakt gebruik van statistische modellen om de onzekerheden in vraag en aanbod weer te geven, waardoor bedrijven rekening kunnen houden met een volledig scala aan mogelijke uitkomsten.

Geavanceerde prognoses:  Een hoeksteen van effectieve voorraadoptimalisatie is het vermogen om nauwkeurig te anticiperen op de toekomstige vraag. Geavanceerde voorspellingstechnieken, zoals [we verkopen dit niet buiten SmartForecasts of misschien zelfs niet meer daar, dus vermeld het niet], tijdreeksanalyse en machinaal leren, extraheren exploiteerbare patronen uit historische gegevens.

Berekening van de veiligheidsvoorraad: een schild tegen onzekerheid:

Prognoses die schattingen van hun eigen onzekerheid bevatten, maken berekeningen van de veiligheidsvoorraad mogelijk. De veiligheidsvoorraad fungeert als buffer tegen de onvoorspelbaarheid van de doorlooptijden van vraag en aanbod. Het bepalen van het optimale niveau van de veiligheidsvoorraad is een cruciale uitdaging die probabilistische modellen goed kunnen aanpakken. Met de juiste veiligheidsvoorraden kunnen bedrijven een hoog serviceniveau handhaven, waardoor de productbeschikbaarheid wordt gegarandeerd zonder de last van overmatige voorraad.

Scenarioplanning: voorbereiden op meerdere toekomsten:

De toekomst is inherent onzeker en één enkele voorspelling kan nooit alle mogelijke scenario's omvatten. Geavanceerde methoden die een reeks realistische vraagscenario's creëren, zijn de essentiële vorm van probabilistische voorraadoptimalisatie. Met deze technieken kunnen bedrijven de implicaties van meerdere toekomsten onderzoeken, van best-case tot worst-case situaties. Door op deze scenario’s te anticiperen, kunnen bedrijven hun veerkracht vergroten in het licht van de marktvolatiliteit.

Met vertrouwen door de toekomst navigeren

Het onzekere landschap van de huidige zakelijke omgeving maakt een verschuiving noodzakelijk van traditionele voorraadbeheerpraktijken naar meer geavanceerde, probabilistische benaderingen. Door de principes van probabilistische voorraadoptimalisatie te omarmen, kunnen bedrijven een duurzaam evenwicht vinden tussen uitmuntende service en kostenefficiëntie. Door geavanceerde voorspellingstechnieken, strategische veiligheidsvoorraadberekeningen en scenarioplanning te integreren, ondersteund door Smart Inventory Planning and Optimization (Smart IP&O), kunnen bedrijven onzekerheid omzetten van een uitdaging in een kans. Bedrijven die deze aanpak omarmen, melden aanzienlijke verbeteringen in serviceniveaus, verlagingen van voorraadkosten en verbeterde flexibiliteit van de toeleveringsketen.

Minder kritieke artikelen die naar verwachting een serviceniveau van 99%+ zullen bereiken, vertegenwoordigen bijvoorbeeld mogelijkheden om de voorraad te verminderen. Door lagere serviceniveaus te richten op minder kritieke artikelen, zal de voorraad in de loop van de tijd “de juiste omvang” hebben voor het nieuwe evenwicht, waardoor de voorraadkosten en de waarde van de aanwezige voorraad afnemen. Een groot openbaarvervoersysteem verminderde de voorraad met ruim $4.000.000, terwijl het serviceniveau verbeterde.

Het optimaliseren van de voorraadniveaus betekent ook dat de besparingen die op één subset van artikelen worden gerealiseerd, opnieuw kunnen worden toegewezen aan een bredere portefeuille van artikelen die op voorraad zijn, waardoor inkomsten kunnen worden gerealiseerd die anders verloren zouden gaan. Een toonaangevende distributeur was in staat een breder portfolio aan onderdelen op voorraad te houden dankzij de besparingen dankzij voorraadreducties en een grotere beschikbaarheid van onderdelen door 18%.

In deze videoblog leggen we uit hoe tijdreeksvoorspellingen naar voren zijn gekomen als een cruciaal hulpmiddel, vooral op dagelijks niveau, waarmee Smart Software sinds de oprichting ruim veertig jaar geleden pionierde. De evolutie van bedrijfspraktijken van jaarlijkse naar meer verfijnde temporele stappen zoals maandelijkse en nu dagelijkse data-analyse illustreert een significante verschuiving in operationele strategieën.

Aanvankelijk, in de jaren tachtig, werd de gebruikelijke praktijk van het gebruik van jaarlijkse gegevens voor prognoses en de introductie van maandelijkse gegevens als innovatief beschouwd. Deze periode markeerde het begin van een trend in de richting van het verhogen van de resolutie van data-analyse, waardoor bedrijven snellere verschuivingen in de marktdynamiek kunnen opvangen en hierop kunnen reageren. Naarmate we verder kwamen in de jaren 2000, was de norm van maandelijkse data-analyse ingeburgerd, maar de 'cool kids' – vernieuwers aan de rand van business analytics – begonnen te experimenteren met wekelijkse data. Deze verschuiving werd gedreven door de noodzaak om de bedrijfsactiviteiten te synchroniseren met de steeds volatielere marktomstandigheden en het consumentengedrag dat snellere reacties vergde dan maandelijkse cycli konden bieden. Tegenwoordig, in de jaren 2020, is de grens weliswaar nog steeds gebruikelijk, maar is de grens opnieuw verschoven, dit keer naar dagelijkse data-analyse, waarbij sommige pioniers zich zelfs aan uuranalyses wagen.

De echte kracht van dagelijkse data-analyse ligt in het vermogen om een gedetailleerd beeld te geven van de bedrijfsvoering, waarbij dagelijkse schommelingen worden vastgelegd die door maandelijkse of wekelijkse gegevens over het hoofd kunnen worden gezien. De complexiteit van dagelijkse gegevens vereist echter geavanceerde analytische benaderingen om betekenisvolle inzichten te verkrijgen. Op dit niveau vereist het begrijpen van de vraag het worstelen met concepten als wisselvalligheid, seizoensinvloeden, trends en volatiliteit. Intermittentie, of het optreden van dagen zonder vraag, wordt duidelijker bij een dagelijkse granulariteit en vereist gespecialiseerde voorspellingstechnieken zoals de methode van Croston voor nauwkeurige voorspellingen. Seizoensgebondenheid op dagelijks niveau kan meerdere patronen aan het licht brengen, zoals hogere verkopen in het weekend of op feestdagen, die maandelijkse gegevens zouden maskeren. Trends kunnen worden waargenomen als stijgingen of dalingen van de vraag op de korte termijn, waardoor flexibele aanpassingsstrategieën nodig zijn. Ten slotte wordt de volatiliteit op dagelijks niveau geaccentueerd, wat significantere schommelingen in de vraag laat zien dan uit maandelijkse of wekelijkse analyses blijkt, wat van invloed kan zijn op de voorraadbeheerstrategieën en de behoefte aan buffervoorraden. Dit niveau van complexiteit onderstreept de behoefte aan geavanceerde analytische hulpmiddelen en expertise op het gebied van dagelijkse data-analyse.

Kortom, de evolutie van minder frequente naar dagelijkse tijdreeksvoorspellingen markeert een substantiële verschuiving in de manier waarop bedrijven data-analyse benaderen. Deze transitie weerspiegelt niet alleen het steeds snellere tempo van het bedrijfsleven, maar onderstreept ook de behoefte aan tools die een grotere granulariteit van de gegevens aankunnen. De toewijding van Smart Software aan het verfijnen van de analytische mogelijkheden voor het beheren van dagelijkse gegevens benadrukt de bredere beweging van de sector naar meer dynamische, responsieve en datagestuurde besluitvorming. Deze verschuiving gaat niet alleen over het bijhouden van de tijd, maar over het benutten van gedetailleerde inzichten om concurrentievoordelen te creëren in een steeds veranderende zakelijke omgeving.

​

Software voor vraagplanning en statistische prognoses speelt een cruciale rol in effectief bedrijfsbeheer door functies te integreren die de nauwkeurigheid van prognoses aanzienlijk verbeteren. Een belangrijk aspect is het gebruik van op afvlakking gebaseerde of extrapolatieve modellen, waardoor bedrijven snel voorspellingen kunnen doen die uitsluitend op historische gegevens zijn gebaseerd. Deze basis, geworteld in prestaties uit het verleden, is cruciaal voor het begrijpen van trends en patronen, vooral in variabelen zoals verkoop of productvraag. Voorspellingssoftware gaat verder dan louter data-analyse door de combinatie van professioneel oordeel met statistische voorspellingen mogelijk te maken, waarbij wordt erkend dat prognoses geen one-size-fits-all proces zijn. Deze flexibiliteit stelt bedrijven in staat menselijke inzichten en sectorkennis in het voorspellingsmodel op te nemen, waardoor een genuanceerdere en nauwkeurigere voorspelling wordt gegarandeerd.

Functies zoals het voorspellen van meerdere artikelen als groep, het rekening houden met promotiegestuurde vraag en het omgaan met intermitterende vraagpatronen zijn essentiële mogelijkheden voor bedrijven die te maken hebben met uiteenlopende productportfolio's en dynamische marktomstandigheden. Een juiste implementatie van deze toepassingen geeft bedrijven de beschikking over veelzijdige prognosetools, die aanzienlijk bijdragen aan geïnformeerde besluitvorming en operationele efficiëntie.

Extrapolatieve modellen

Onze oplossingen voor vraagvoorspelling ondersteunen een verscheidenheid aan voorspellingsbenaderingen, waaronder extrapolatieve of op afvlakking gebaseerde voorspellingsmodellen, zoals exponentiële afvlakking en voortschrijdende gemiddelden. De filosofie achter deze modellen is eenvoudig: ze proberen zich herhalende patronen in de historische gegevens te detecteren, kwantificeren en in de toekomst te projecteren.

  Er zijn twee soorten patronen die in de historische gegevens kunnen worden aangetroffen:

• Trend
• Seizoensgebondenheid

Deze patronen worden in de volgende afbeelding geïllustreerd, samen met willekeurige gegevens.

Ter illustratie van trend-, seizoens- en willekeurige tijdreeksgegevens

Als het patroon een trend is, schatten extrapolatieve modellen zoals dubbele exponentiële afvlakking en lineair voortschrijdend gemiddelde het tempo van de stijging of daling van het niveau van de variabele en projecteren dat tempo naar de toekomst.

Als het patroon seizoensgebonden is, schatten modellen zoals Winters en drievoudige exponentiële afvlakking seizoensvermenigvuldigers of seizoensgebonden optellingsfactoren en passen deze vervolgens toe op projecties van het niet-seizoensgebonden deel van de gegevens.

Heel vaak, vooral bij gegevens over detailhandelsverkopen, zijn zowel trend- als seizoenspatronen betrokken. Als deze patronen stabiel zijn, kunnen ze worden benut om zeer nauwkeurige voorspellingen te doen.

Soms zijn er echter geen duidelijke patronen, zodat de plots van de gegevens op willekeurige ruis lijken. Soms zijn patronen duidelijk zichtbaar, maar ze veranderen in de loop van de tijd en er kan niet op worden vertrouwd dat ze zich herhalen. In deze gevallen proberen de extrapolatieve modellen geen patronen te kwantificeren en te projecteren. In plaats daarvan proberen ze de ruis te middelen en goede schattingen te maken van het midden van de verdeling van gegevenswaarden. Deze typische waarden worden dan de voorspellingen. Wanneer gebruikers een historisch plot met veel ups en downs zien, maken ze zich soms zorgen omdat de voorspelling deze ups en downs niet repliceert. Normaal gesproken hoeft dit geen reden tot bezorgdheid te zijn. Dit gebeurt wanneer de historische patronen niet sterk genoeg zijn om het gebruik van een voorspellingsmethode te rechtvaardigen die het patroon repliceert. U wilt er zeker van zijn dat uw prognoses niet lijden onder het “wiebeleffect” dat hierin wordt beschreven blogpost.

Het verleden als voorspeller van de toekomst

De belangrijkste aanname die inherent is aan extrapolatieve modellen is dat het verleden een goede leidraad is voor de toekomst. Deze veronderstelling kan echter mislukken. Sommige historische gegevens kunnen verouderd zijn. De gegevens kunnen bijvoorbeeld een bedrijfsomgeving beschrijven die niet meer bestaat. Of de wereld die het model vertegenwoordigt, kan binnenkort veranderen, waardoor alle gegevens overbodig worden. Vanwege dergelijke complicerende factoren zijn de risico's van extrapolatieve voorspellingen kleiner als er slechts korte tijd in de toekomst wordt voorspeld.

Extrapolatieve modellen hebben het praktische voordeel dat ze goedkoop zijn en gemakkelijk te bouwen, te onderhouden en te gebruiken. Ze vereisen alleen nauwkeurige registraties van waarden uit het verleden van de variabelen die u moet voorspellen. Naarmate de tijd verstrijkt, voegt u eenvoudigweg de nieuwste gegevenspunten toe aan de tijdreeks en maakt u een nieuwe voorspelling. De hieronder beschreven causale modellen vereisen daarentegen meer denkwerk en meer gegevens. De eenvoud van extrapolatieve modellen wordt het meest op prijs gesteld als u met een enorm voorspellingsprobleem kampt, zoals het maken van nachtelijke prognoses van de vraag naar alle 30.000 artikelen die in een magazijn op voorraad zijn.

Oordelende aanpassingen

Extrapolatieve modellen kunnen met Demand Planner volledig automatisch worden uitgevoerd, zonder dat tussenkomst vereist is. Causale modellen vereisen inhoudelijk oordeel voor een verstandige selectie van onafhankelijke variabelen. Beide soorten statistische modellen kunnen echter worden verbeterd door oordelende aanpassingen. Beiden kunnen profiteren van uw inzichten.

Zowel causale als extrapolatieve modellen zijn gebaseerd op historische gegevens. Het is echter mogelijk dat u over aanvullende informatie beschikt die niet wordt weerspiegeld in de cijfers in het historische record. U weet bijvoorbeeld misschien dat de concurrentieomstandigheden binnenkort zullen veranderen, misschien als gevolg van prijskortingen of trends in de sector, of de opkomst van nieuwe concurrenten, of de aankondiging van een nieuwe generatie van uw eigen producten. Als deze gebeurtenissen plaatsvinden tijdens de periode waarvoor u voorspellingen doet, kunnen ze de nauwkeurigheid van puur statistische voorspellingen aantasten. Met de grafische aanpassingsfunctie van Smart Demand Planner kunt u deze extra factoren in uw prognoses opnemen via het proces van grafische aanpassing op het scherm.

Houd er rekening mee dat het toepassen van gebruikersaanpassingen op de prognose een tweesnijdend zwaard is. Als het op de juiste manier wordt gebruikt, kan het de nauwkeurigheid van voorspellingen verbeteren door gebruik te maken van een rijkere reeks informatie. Als het promiscue wordt gebruikt, kan het extra ruis aan het proces toevoegen en de nauwkeurigheid verminderen. Wij raden u aan spaarzaam om te gaan met oordelende aanpassingen, maar nooit blindelings de voorspellingen van een puur statistische voorspellingsmethode te aanvaarden. Het is ook erg belangrijk om de verwachte toegevoegde waarde te meten. Dat wil zeggen de waarde die door elke incrementele stap aan het prognoseproces wordt toegevoegd. Als u bijvoorbeeld aanpassingen toepast op basis van bedrijfskennis, is het belangrijk om te meten of deze aanpassingen waarde toevoegen door de nauwkeurigheid van de prognoses te verbeteren. Smart Demand Planner ondersteunt het meten van de verwachte toegevoegde waarde door elke overwogen prognose bij te houden en de nauwkeurigheidsrapporten van de prognoses te automatiseren. U kunt statistische prognoses selecteren, de fouten ervan meten en deze vergelijken met de overschreven voorspellingen. Door dit te doen informeert u het prognoseproces, zodat in de toekomst betere beslissingen kunnen worden genomen. 

Voorspellingen op meerdere niveaus

Een andere veel voorkomende situatie betreft prognoses op meerdere niveaus, waarbij er meerdere items als groep worden voorspeld of er zelfs meerdere groepen kunnen zijn, waarbij elke groep meerdere items bevat. We zullen dit soort prognoses over het algemeen Multilevel Forecasting noemen. Het belangrijkste voorbeeld is de productlijnprognose, waarbij elk artikel lid is van een artikelfamilie en het totaal van alle artikelen in de familie een betekenisvolle hoeveelheid is.

U heeft bijvoorbeeld, zoals in de volgende afbeelding, mogelijk een lijn tractoren en u wilt verkoopprognoses voor elk type tractor en voor de gehele tractorlijn.

Ter illustratie van productprognoses op meerdere niveaus

 Smart Demand Planner biedt roll-up/roll-down-prognoses. Deze functie is cruciaal voor het verkrijgen van uitgebreide prognoses van alle productartikelen en hun groepstotaal. De Roll Down/Roll Up-methode binnen deze functie biedt twee opties voor het verkrijgen van deze prognoses:

Samenvatten (Bottom-Up): Deze optie voorspelt in eerste instantie elk item afzonderlijk en voegt vervolgens de prognoses op itemniveau samen om een prognose op familieniveau te genereren.

Roll-down (van boven naar beneden): Als alternatief begint de roll-down-optie met het vormen van het historische totaal op familieniveau, voorspelt het en wijst het totaal vervolgens proportioneel toe tot op itemniveau.

Wanneer u Roll Down/Roll Up gebruikt, heeft u toegang tot het volledige scala aan prognosemethoden van Smart Demand Planner, zowel op artikel- als op familieniveau. Dit zorgt voor flexibiliteit en nauwkeurigheid bij het voorspellen, waarbij wordt voldaan aan de specifieke behoeften van uw bedrijf op verschillende hiërarchische niveaus.

Onderzoek naar prognoses heeft geen duidelijke voorwaarden geschapen die de voorkeur geven aan een top-down- of bottom-up-benadering van prognoses. De bottom-up benadering lijkt echter de voorkeur te hebben als de geschiedenis van items stabiel is en de nadruk ligt op de trends en seizoenspatronen van de individuele items. Top-down is normaal gesproken een betere keuze als sommige items een zeer luidruchtige geschiedenis hebben of als de nadruk ligt op prognoses op groepsniveau. Omdat Smart Demand Planner het snel en gemakkelijk maakt om zowel een bottom-up als een top-down benadering te proberen, moet u beide methoden proberen en de resultaten vergelijken. U kunt de functie 'Hold back on Current' van Smart Demand Planner in 'Prognose vs. Actueel' gebruiken om beide benaderingen op uw eigen gegevens te testen en te zien welke een nauwkeurigere voorspelling voor uw bedrijf oplevert.