In een zeer configureerbare productieomgeving kan het voorspellen van eindproducten een complexe en lastige taak worden. Het aantal mogelijke eindproducten zal enorm stijgen als veel componenten uitwisselbaar zijn. Een traditionele MRP zou ons dwingen om elk afzonderlijk eindproduct te voorspellen, wat onrealistisch of zelfs onmogelijk kan zijn. Verschillende toonaangevende ERP-oplossingen introduceren het concept van de “Planning BOM”, waarmee prognoses op een hoger niveau in het productieproces kunnen worden gebruikt. In dit artikel bespreken we deze functionaliteit in ERP, en hoe u hiervan kunt profiteren met Smart Inventory Planning en Optimization (Smart IP&O) om in het licht van deze complexiteit uw vraag voor te blijven.

Waarom heb ik een planningsstuklijst nodig?

Traditioneel zou elk eindproduct of elke SKU een strak gedefinieerde stuklijst hebben. Als we dat product op voorraad hebben en rond de voorspelde vraag willen plannen, voorspellen we de vraag naar die producten en voeren we vervolgens MRP in om deze voorspelde vraag via de stuklijst van het niveau van het eindproduct naar de componenten te blazen.

Veel bedrijven bieden echter zeer configureerbare producten aan waarbij klanten opties kunnen selecteren voor het product dat ze kopen. Denk bijvoorbeeld eens aan de laatste keer dat u een personal computer kocht. U koos een merk en model, maar van daaruit kreeg u waarschijnlijk opties te zien: welke CPU-snelheid wilt u? Hoeveel RAM wil je? Wat voor harde schijf en hoeveel ruimte? Als dat bedrijf deze computers binnen een redelijke termijn klaar en beschikbaar wil hebben om naar u te verzenden, anticiperen ze plotseling niet langer alleen maar op de vraag naar dat model; ze moeten dat model voorspellen voor elk type CPU, voor alle hoeveelheden RAM, voor alle soorten harde schijven, en ook alle mogelijke combinaties daarvan! Voor sommige fabrikanten kunnen deze configuraties honderden of duizenden mogelijke voltooide goede permutaties opleveren.

Er kunnen zoveel aanpassingen mogelijk zijn dat de vraag op het niveau van het eindproduct in traditionele zin volkomen onvoorspelbaar is. Duizenden van deze computers kunnen elk jaar worden verkocht, maar voor elke mogelijke configuratie kan de vraag extreem laag en sporadisch zijn – misschien worden bepaalde combinaties één keer verkocht en nooit meer.

Dit dwingt deze bedrijven vaak om bestelpunten en veiligheidsvoorraadniveaus vooral op componentniveau te plannen, terwijl ze grotendeels reageren op de sterke vraag op het niveau van eindproducten via MRP. Hoewel dit een geldige aanpak is, ontbreekt het aan een systematische manier om voorspellingen te doen die rekening kunnen houden met verwachte toekomstige activiteiten, zoals promoties, aanstaande projecten of verkoopkansen. Voorspellen op het 'geconfigureerde' niveau is feitelijk onmogelijk, en het is ook niet haalbaar om deze prognoseaannames op componentniveau te verweven.

Planning BOM uitgelegd

Dit is waar Planning BOM's van pas komen. Misschien werkt het verkoopteam aan een grote b2b-opportuniteit voor dat model, of is er een geplande promotie voor Cyber Monday. Hoewel het niet realistisch is om met deze aannames voor elke mogelijke configuratie te werken, is het op modelniveau wel heel goed te doen – en enorm waardevol.

De Planningstuklijst kan een prognose op een hoger niveau gebruiken en vervolgens de vraag naar beneden blazen op basis van vooraf gedefinieerde verhoudingen mogelijk componenten. De computerfabrikant weet bijvoorbeeld misschien dat de meeste mensen kiezen voor 16 GB RAM, en veel minder mensen kiezen voor de upgrades naar 32 of 64. Met de planningsstuklijst kan de organisatie (bijvoorbeeld) 60% van de vraag terugblazen naar de 16 GB-optie , 30% naar de 32GB-optie en 10% naar de 64GB-optie. Ze zouden hetzelfde kunnen doen voor CPU's, harde schijven of andere beschikbare aanpassingen.  

Het bedrijf kan zijn prognose nu op dit modelniveau richten, waarbij de planningsstuklijst de componentenmix moet uitzoeken. Het is duidelijk dat het definiëren van deze verhoudingen enige denkkracht vereist, maar het plannen van stuklijsten stelt bedrijven in staat te voorspellen wat anders onvoorspelbaar zou zijn.

Het belang van een goede voorspelling

Natuurlijk nog steeds hebben een goede prognose nodig om in een ERP-systeem te laden. Zoals hierin uitgelegd artikelHoewel ERP een prognose kan importeren, kan het er vaak geen genereren en als dat wel het geval is, zijn er vaak veel moeilijk te gebruiken configuraties nodig die niet vaak opnieuw worden bekeken, wat resulteert in onnauwkeurige prognoses. Het is daarom aan het bedrijf om met eigen prognoses te komen, vaak handmatig geproduceerd in Excel. Handmatige prognoses brengen over het algemeen een aantal uitdagingen met zich mee, waaronder maar niet beperkt tot:

• Het onvermogen om vraagpatronen zoals seizoensinvloeden of trends te identificeren
• Overmatig vertrouwen op klant- of verkoopprognoses
• Gebrek aan nauwkeurigheid of prestatieregistratie

Hoe goed de MRP ook is geconfigureerd met uw zorgvuldig overwogen planningsstuklijsten, een slechte prognose betekent een slechte MRP-output en wantrouwen in het systeem: garbage in, garbage out. Als we verdergaan met het voorbeeld van het ‘computerbedrijf’, zonder een systematische manier om belangrijke vraagpatronen en/of domeinkennis in de prognose vast te leggen, kan MRP dit nooit zien.

Breid ERP uit met Smart IP&O

Smart IP&O is ontworpen om uw ERP-systeem uit te breiden met een aantal geïntegreerde oplossingen voor vraagplanning en voorraadoptimalisatie. Het kan bijvoorbeeld automatisch statistische prognoses genereren voor grote aantallen artikelen, maakt intuïtieve prognoseaanpassingen mogelijk, houdt de nauwkeurigheid van prognoses bij en stelt u uiteindelijk in staat echte op consensus gebaseerde prognoses te genereren om beter te kunnen anticiperen op de behoeften van uw klanten.

Dankzij de zeer flexibele producthiërarchieën is Smart IP&O perfect geschikt voor prognoses op het niveau van de Planning BOM, zodat u belangrijke patronen kunt vastleggen en bedrijfskennis kunt integreren op de niveaus die er het meest toe doen. Bovendien kunt u op elk niveau van uw stuklijst optimale veiligheidsvoorraden analyseren en inzetten.

Waar of niet waar: de prognose is niet van belang voor het voorraadbeheer van reserveonderdelen.

Op het eerste gezicht lijkt deze verklaring duidelijk onjuist. Prognoses zijn immers cruciaal voor het plannen van de voorraadniveaus, toch?

Het hangt ervan af wat je onder ‘voorspelling’ verstaat. Als u een ouderwetse prognose met één cijfer bedoelt (“de vraag naar artikel CX218b zal volgende week 3 eenheden bedragen en de week erna 6 eenheden”), dan nee. Als je de betekenis van voorspelling verruimt tot een kansverdeling die rekening houdt met onzekerheden in zowel vraag als aanbod, dan ja.

De belangrijkste realiteit is dat voor veel artikelen, vooral reserve- en serviceonderdelen, een onvoorspelbare, periodieke vraag bestaat. (De doorlooptijden van leveranciers kunnen ook grillig zijn, vooral wanneer onderdelen afkomstig zijn van een OEM met een achterstand.) We hebben vastgesteld dat hoewel fabrikanten en distributeurs doorgaans een intermitterende vraag ervaren naar slechts 20% of meer van hun artikelen, het percentage voor op MRO gebaseerde bedrijven groeit naar 80%+. Dit betekent dat historische gegevens vaak periodes van nulvraag laten zien, afgewisseld met willekeurige perioden van niet-nulvraag. Soms zijn deze niet-nuleisen zo laag als 1 of 2 eenheden, terwijl ze op andere momenten onverwacht oplopen tot hoeveelheden die vele malen groter zijn dan het gemiddelde.

Dit is niet het soort gegevens waar uw collega-'vraagplanners' in de detailhandel, consumentenproducten en voedingsmiddelen en dranken doorgaans mee te maken krijgen. Die mensen hebben meestal te maken met grotere hoeveelheden en hebben verhoudingsgewijs minder willekeur. En ze kunnen surfen op voorspellingsverbeterende functies zoals trends en stabiele seizoenspatronen. In plaats daarvan is het gebruik van reserveonderdelen veel willekeuriger, wat het planningsproces in de war brengt, zelfs in de minderheid van de gevallen waarin seizoensvariaties waarneembaar zijn.

Op het gebied van de intermitterende vraag zal de best beschikbare voorspelling aanzienlijk afwijken van de werkelijke vraag. In tegenstelling tot consumentenproducten met een gemiddeld tot hoog volume en een gemiddelde frequentie, kan de voorspelling van een serviceonderdeel de plank misslaan met honderden procentpunten. Een voorspelling van gemiddeld één of twee eenheden zal altijd mislukken als de werkelijke vraag nul is. Zelfs met geavanceerde business intelligence- of machine learning-algoritmen zal de fout bij het voorspellen van de niet-nuleisen nog steeds aanzienlijk zijn.

Misschien vanwege de moeilijkheid van statistische prognoses op het gebied van de inventarisatie, is voorraadplanning in de praktijk vaak afhankelijk van intuïtie en plannerkennis. Helaas schaalt deze aanpak niet over tienduizenden onderdelen. Intuïtie kan gewoon niet omgaan met het volledige scala aan vraag- en doorlooptijdmogelijkheden, laat staan nauwkeurig de waarschijnlijkheid van elk mogelijk scenario inschatten. Zelfs als uw bedrijf een of twee uitzonderlijke intuïtieve voorspellers heeft, betekent personeelspensionering en reorganisatie van de productlijnen dat er in de toekomst niet meer op intuïtieve prognoses kan worden vertrouwd.

De oplossing ligt in het verleggen van de focus van traditionele prognoses naar het voorspellen van de kansen voor elk potentieel vraag- en doorlooptijdscenario. Deze verschuiving transformeert het gesprek van een onrealistisch ‘één nummerplan’ naar een reeks getallen met bijbehorende waarschijnlijkheden. Door de kansen voor elke vraag en doorlooptijd te voorspellen, kunt u de voorraadniveaus beter afstemmen op de risicotolerantie voor elke groep onderdelen.

Software die vraag- en doorlooptijdscenario's genereert en dit proces tienduizenden keren herhaalt, kan nauwkeurig simuleren hoe het huidige voorraadbeleid zal presteren in vergelijking met dit beleid. Als de prestaties in de simulatie tekortschieten en er wordt voorspeld dat u vaker voorraad zult hebben dan u prettig vindt, of als u met een overschot aan voorraad blijft zitten, maakt het uitvoeren van 'wat als'-scenario's aanpassingen aan het beleid mogelijk. U kunt vervolgens voorspellen hoe dit herziene beleid het zal doen tegen willekeurige eisen en doorlooptijden. U kunt dit proces iteratief uitvoeren en verfijnen bij elk nieuw 'wat-als'-scenario, of u kunt steunen op door het systeem voorgeschreven beleid dat optimaal een balans vindt tussen risico's en kosten.

Dus als u service- en reserveonderdeleninventarisaties plant, hoeft u zich geen zorgen meer te maken over het voorspellen van de vraag op de manier waarop traditionele retail- en CPG-vraagplanners dat doen. Concentreer u in plaats daarvan op hoe uw voorraadbeleid bestand is tegen de willekeur van de toekomst, en pas het aan op basis van uw risicotolerantie. Hiervoor heeft u de juiste set beslissingsondersteunende software nodig, en dit is hoe Smart Software u kan helpen.

Geven MRO-bedrijven echt prioriteit aan het verminderen van de overtollige voorraad reserveonderdelen? Vanuit organisatorisch oogpunt blijkt uit onze ervaring dat dit niet noodzakelijk het geval is. Discussies in de bestuurskamer gaan doorgaans over het uitbreiden van wagenparken, het verwerven van nieuwe klanten, het voldoen aan Service Level Agreements (SLA's), het moderniseren van de infrastructuur en het maximaliseren van de uptime. In bedrijfstakken waar activa die worden ondersteund door reserveonderdelen honderden miljoenen kosten of aanzienlijke inkomsten genereren (bijvoorbeeld de mijnbouw of de olie- en gassector), doet de waarde van de voorraad nauwelijks de wenkbrauwen fronsen en hebben organisaties de neiging grote hoeveelheden buitensporige voorraden over het hoofd te zien.

Denk eens aan een openbaar vervoersbedrijf. In de meeste grote steden zullen de jaarlijkse operationele budgetten de $3 miljard overschrijden. De kapitaaluitgaven voor treinen, metro's en infrastructuur kunnen jaarlijks honderden miljoenen bedragen. Bijgevolg zal een voorraad reserveonderdelen ter waarde van $150 miljoen wellicht niet de aandacht trekken van de CFO of algemeen directeur, aangezien deze een klein percentage van de balans vertegenwoordigt. Bovendien moeten in op MRO gebaseerde industrieën veel onderdelen de machineparken tien jaar of langer ondersteunen, waardoor extra voorraden een noodzakelijke troef zijn. In sommige sectoren, zoals nutsbedrijven, kan het aanhouden van extra voorraden zelfs gestimuleerd worden om ervoor te zorgen dat de apparatuur in goede staat blijft.

We hebben zorgen over overtollige voorraden zien ontstaan wanneer de magazijnruimte beperkt is. Ik herinner me dat ik aan het begin van mijn carrière getuige was van het spoorwegemplacement van een openbaar vervoersbedrijf, gevuld met verroeste assen met een waarde van meer dan $100.000 per stuk. Mij werd verteld dat de assen moesten worden blootgesteld aan de elementen vanwege onvoldoende magazijnruimte. De opportuniteitskosten die verband houden met de ruimte die wordt ingenomen door extra voorraad worden een overweging wanneer de magazijncapaciteit is uitgeput. De belangrijkste overweging die alle andere beslissingen overtroeft, is hoe de voorraad een hoog serviceniveau voor interne en externe klanten garandeert. Voorraadplanners maken zich veel meer zorgen over terugslag als gevolg van voorraadtekorten dan over overaankopen. Wanneer een ontbrekend onderdeel leidt tot een SLA-schending of het stilleggen van de productielijn, wat resulteert in miljoenen aan boetes en onherstelbare productie-output, is dat begrijpelijk.

Vermogensintensieve bedrijven missen één groot punt. Dat is de extra voorraad isoleert niet tegen stockouts; het draagt eraan bij. Hoe meer eigen risico u heeft, hoe lager uw algehele serviceniveau, omdat het geld dat nodig is om onderdelen te kopen eindig is, en geld uitgegeven aan overtollige voorraad betekent dat er geen contant geld beschikbaar is voor de onderdelen die het nodig hebben. Zelfs door de overheid gefinancierde MRO-bedrijven, zoals nutsbedrijven en transportbedrijven, erkennen nu meer dan ooit de noodzaak om de uitgaven te optimaliseren. Zoals een materiaalmanager deelde: “We kunnen problemen met zakken met contant geld uit Washington niet langer oplossen.” Ze moeten dus meer doen met minder, en zorgen voor een optimale toewijzing over de tienduizenden onderdelen die ze beheren.

Dit is waar state-of-the-art voorraadoptimalisatiesoftware van pas komt, die de benodigde voorraad voor gerichte serviceniveaus voorspelt, identificeert wanneer voorraadniveaus negatieve rendementen opleveren en herschikkingen aanbeveelt voor verbeterde algehele serviceniveaus. Smart Software helpt al tientallen jaren activa-intensieve MRO-gebaseerde bedrijven bij het optimaliseren van de bestelniveaus voor elk onderdeel. Bel ons voor meer informatie. 

Degenen onder u die actuele onderwerpen volgen, zullen bekend zijn met de term ‘digitale tweeling’. Degenen die het te druk hebben gehad met hun werk, willen misschien verder lezen en bijpraten.

Wat is een digitale tweeling?

Hoewel er verschillende definities van digital twin zijn, is er een die goed werkt:

Een digitale tweeling is een dynamiek virtuele kopie van een fysiek bezit, proces, systeem of omgeving die er hetzelfde uitziet en zich identiek gedraagt als zijn tegenhanger in de echte wereld. Een digitale tweeling neemt gegevens op en repliceert processen dus dat kan mogelijke prestatieresultaten voorspellen en problemen die het echte product zou kunnen ondergaan. [Bron: Unity.com]. Voor meer achtergrondinformatie kunt u terecht op Mckinsey.com.

Wat is het verschil tussen een digital twin (hierna DT) en een model? In de eerste plaats wordt een ODC verbonden met realtime gegevens om het model te behouden als een actuele weergave van het systeem waarmee u werkt.

Onze huidige producten zouden we “slow-motion DT's” kunnen noemen, omdat ze meestal worden gebruikt met niet-realtime gegevens (maar geen verouderde gegevens, omdat deze van de ene op de andere dag worden bijgewerkt) en worden toegepast op problemen zoals het plannen van de grondstoffenaankopen voor het volgende kwartaal of het instellen van voorraadparameters voor een maand of langer.

Gebruiken mensen digital twins in mijn branche?

Mijn indruk is dat de penetratie van DT's wellicht het hoogst is in de lucht- en ruimtevaart- en nucleaire industrie. De meeste van onze klanten bevinden zich elders: in de productie, distributie en openbare voorzieningen zoals transport en energie. Binnenkort zullen we nieuwe producten aanbieden die dichter bij de strikte definitie van een DT komen die nauw verbonden is met het systeem dat hij vertegenwoordigt.

DT-voorbeeld

De meeste gebruikers van Smart Inventory Optimization™ (SIO) voer de applicatie periodiek uit, meestal maandelijks. SIO analyseert de huidige vraag naar voorraadartikelen en recente doorlooptijden van leveranciers en zet deze om in respectievelijk vraag- en aanbodscenario's. Vervolgens stellen gebruikers interactief (voor individuele artikelen) of automatisch (op schaal) parameters voor voorraadbeheer in die de gewenste gemiddelde prestaties op lange termijn opleveren, waarbij de concurrerende doelen van het minimaliseren van de voorraad in evenwicht worden gebracht en tegelijkertijd een voldoende niveau van artikelbeschikbaarheid wordt gegarandeerd.

Smart Supply Planner (SSP) reageert op een directere manier op onvoorziene gebeurtenissen. Elke dag kan er een abnormale bestelling plaatsvinden die de vraag doet toenemen, bijvoorbeeld wanneer een nieuwe klant een verrassende eerste voorraadbestelling plaatst. Of een belangrijke leverancier kan een probleem ervaren in zijn fabriek en gedwongen worden de verzending van uw geplande aanvullingsorders uit te stellen. Op de lange termijn worden deze onvoorziene omstandigheden gemiddeld en rechtvaardigen ze de aanbevelingen die uit SIO komen. SSP biedt u echter een manier om op de korte termijn te reageren en kansen te grijpen of kogels te ontwijken.

In de kern werkt SSP als SIO, in die zin dat het scenariogestuurd is. De verschillen zijn dat het korte planningshorizon gebruikt en real-time initiële omstandigheden gebruikt als basis voor zijn simulaties van de prestaties van voorraadsystemen. Vervolgens zal het realtime aanbevelingen doen voor interventies die de verstoring veroorzaakt door de onvoorziene gebeurtenissen compenseren. Dit omvat onder meer het annuleren of versnellen van aanvullingsorders.

Overzicht

Met Digital Twins kunt u plannen ‘in silico’ uitproberen voordat u ze in de fabriek of het magazijn implementeert. De kern bestaat uit wiskundige modellen van uw bedrijfsvoering, maar verbonden met realtime gegevens. Ze bieden een ‘digitale sandbox’ waarin u ideeën kunt uitproberen en direct voorspellingen kunt krijgen over hoe goed ze zullen werken. Veel meer dan een spreadsheet zullen DT's binnenkort het belangrijkste hulpmiddel zijn in uw gereedschapskist voor voorraadplanning.

Sommige bedrijven investeren in software om hen te helpen hun voorraad te beheren, of het nu gaat om reserveonderdelen of eindproducten. Maar een verrassend aantal anderen speelt elke dag het Inventory Guessing Game, vertrouwend op een ingebeelde “Golden Gut” of op gewoon geluk om hun inventariscontroleparameters in te stellen. Maar wat voor resultaten verwacht je met die aanpak?

Hoe goed bent u in het aanvoelen van de juiste waarden? In deze blogpost wordt u uitgedaagd om de beste Min- en Max-waarden voor een notioneel voorraaditem te raden. We laten u de vraaggeschiedenis zien, geven u een paar relevante feiten, waarna u Min- en Max-waarden kunt kiezen en zien hoe goed ze zouden werken. Klaar?

De uitdaging

Figuur 1 toont de dagelijkse vraaggeschiedenis van het artikel. De gemiddelde vraag bedraagt 2 eenheden per dag. De doorlooptijd voor het aanvullen is constant 10 dagen (wat onrealistisch is maar in uw voordeel werkt). Bestellingen die niet direct uit voorraad leverbaar zijn, kunnen niet worden nabesteld en gaan verloren. U wilt minimaal een opvullingspercentage van 80% bereiken, maar niet tegen elke prijs. U wilt ook het gemiddelde aantal beschikbare eenheden minimaliseren en toch een opvullingspercentage van ten minste 80% bereiken. Welke Min- en Max-waarden zouden een 80%-opvullingspercentage opleveren met het laagste gemiddelde aantal beschikbare eenheden? [Neem uw antwoorden op, zodat u ze later kunt controleren. De oplossing staat hieronder aan het einde van het artikel.]

Berekening van de beste min- en max-waarden

De manier om de beste waarden te bepalen is door een digitale tweeling te gebruiken, ook wel een Monte Carlo-simulatie genoemd. De analyse creëert een groot aantal vraagscenario's en passeert deze door de wiskundige logica van het voorraadbeheersysteem om te zien welke waarden zullen worden overgenomen door de belangrijkste prestatie-indicatoren (KPI's).

We hebben voor dit probleem een digitale tweeling gebouwd en deze systematisch getest met 1.085 paar Min- en Max-waarden. Voor elk paar hebben we in totaal 100 keer 365 bedrijfsdagen gesimuleerd. Vervolgens hebben we het gemiddelde van de resultaten genomen om de prestaties van het Min/Max-paar te beoordelen in termen van twee KPI's: opvullingspercentage en gemiddelde voorraad.

Figuur 2 toont de resultaten. De inherente afweging tussen voorraadomvang en opvullingspercentage is duidelijk in de figuur: als je een hoger opvullingspercentage wilt, moet je een grotere voorraad accepteren. Op elk inventarisniveau is er echter een bereik aan opvullingspercentages, dus het is de bedoeling om het Min/Max-paar te vinden dat het hoogste opvullingspercentage oplevert voor een inventaris van een bepaalde grootte.

Een andere manier om Figuur 2 te interpreteren is door te focussen op de groene stippellijn die het beoogde 80%-opvullingspercentage aangeeft. Er zijn veel Min/Max-paren die in de buurt van het 80%-doel kunnen raken, maar ze verschillen qua voorraadgrootte van ongeveer 6 tot ongeveer 8 eenheden. Figuur 3 zoomt in op dat gebied van Figuur 2 en toont een behoorlijk aantal Min/Max-paren die competitief zijn.

We hebben de resultaten van alle 1.085 simulaties gesorteerd om te identificeren wat economen de efficiënte grens noemen. De efficiënte grens is de reeks meest efficiënte Min/Max-paren om de wisselwerking tussen opvullingspercentage en aanwezige eenheden te benutten. Dat wil zeggen, het is een lijst met Min/Max-paren die de goedkoopste manier bieden om elk gewenst opvullingspercentage te bereiken, niet alleen 80%. Figuur 4 toont de efficiënte grens voor dit probleem. Van links naar rechts kunt u de laagste prijs aflezen die u zou moeten betalen (gemeten aan de hand van de gemiddelde voorraadgrootte) om het beoogde opvullingspercentage te bereiken. Om bijvoorbeeld een opvullingspercentage van 90% te bereiken, zou u een gemiddelde voorraad van ongeveer 10 eenheden moeten hebben.

Figuren 2, 3 en 4 tonen resultaten voor verschillende Min/Max-paren, maar geven niet de waarden van Min en Max achter elk punt weer. Tabel 1 toont alle simulatiegegevens: de waarden van Min, Max, gemiddelde beschikbare eenheden en opvullingspercentage. Het antwoord op het raadspel is gemarkeerd in de eerste regel van de tabel: Min=7 en Max=13¹. Heb je het juiste antwoord gekregen, of iets dat in de buurt komt?²? Heb je misschien de efficiënte grens bereikt?

Conclusies

Misschien heb je geluk gehad, of misschien heb je inderdaad een Gouden Darm, maar de kans is groter dat je niet het juiste antwoord hebt gekregen, en nog waarschijnlijker dat je het niet eens hebt geprobeerd. Het vinden van het juiste antwoord is buitengewoon moeilijk zonder de digitale tweeling te gebruiken. Raden is onprofessioneel.

Een stap verder dan raden is ‘raden en zien’, waarbij u uw gok implementeert en vervolgens een tijdje (maanden?) wacht om te zien of de resultaten u bevallen. Die tactiek is op zijn minst ‘wetenschappelijk’, maar inefficiënt.

Denk nu eens aan de moeite om de beste (Min,Max) paren voor duizenden items te bepalen. Op die schaal is er zelfs nog minder reden om het inventarisraadspel te spelen. Het juiste antwoord is om het te spelen… Slim³.

¹ Dit antwoord heeft een bonus, omdat het een opvullingspercentage van iets meer dan 80% behaalt bij een lagere gemiddelde voorraadgrootte dan de Min/Max-combinatie die precies 80% bereikte. Met andere woorden: (7,13) bevindt zich op de efficiënte grens.

² Omdat deze resultaten afkomstig zijn van een simulatie in plaats van een exacte wiskundige vergelijking, is er een bepaalde foutmarge verbonden aan elk geschat opvullingspercentage en voorraadniveau. Omdat de gemiddelde resultaten echter gebaseerd waren op 100 simulaties over een periode van 365 dagen, zijn de foutmarges echter klein. Over alle experimenten heen waren de gemiddelde standaardfouten in het opvullingspercentage en de gemiddelde voorraad respectievelijk slechts 0,009% en 0,129 eenheden.

³ Mocht je dit nog niet weten: een van de oprichters van Smart Software was … Charlie Smart.