Evenwichtsoefening

Bij voorraadbeheer gaat het, net als bij alles, om het balanceren van concurrerende prioriteiten. Wilt u een lean inventaris? Ja! Wil jij kunnen zeggen “Het is op voorraad” als een klant iets wil kopen? Ja!

Maar kun je het op beide manieren hebben? Slechts tot op zekere hoogte. Als u uw voorraad te agressief aanpast, riskeert u voorraadtekorten. Als je voorraadtekorten uitroeit, creëer je een opgeblazen voorraad. U wordt gedwongen een bevredigend evenwicht te vinden tussen de twee concurrerende doelen: een beperkte voorraad en een hoge beschikbaarheid van artikelen.

Een balans bereiken

Hoe breng je dat evenwicht tot stand? Te veel voorraadplanners 'schatten' hun weg naar een of ander antwoord. Of ze bedenken een keer een slim antwoord en hopen dat het een verre houdbaarheidsdatum heeft en blijven het gebruiken terwijl ze zich op andere problemen concentreren. Helaas zullen verschuivingen in de vraag en/of veranderingen in de prestaties van leveranciers en/of verschuivingen in de prioriteiten van uw eigen bedrijf oude voorraadplannen overbodig maken en u weer terugbrengen waar u begon.

Het is onvermijdelijk dat elk plan een houdbaarheidsdatum heeft en moet worden bijgewerkt. Het is echter zeker niet de beste praktijk om de ene gok door de andere te vervangen. In plaats daarvan zou elke planningscyclus gebruik moeten maken van moderne supply chain-software om giswerk te vervangen door op feiten gebaseerde analyses met behulp van waarschijnlijkheidsberekeningen.

Ken jezelf

Het enige dat software niet kan, is een beste antwoord berekenen zonder uw prioriteiten te kennen. Hoeveel prioriteit geeft u aan lean inventory boven artikelbeschikbaarheid? Software voorspelt de voorraad- en beschikbaarheidsniveaus die worden veroorzaakt door de beslissingen die u neemt over het beheer van elk item in uw inventaris, maar alleen u kunt beslissen of een bepaalde reeks belangrijke prestatie-indicatoren consistent is met wat u wilt.

Weten wat je wilt in algemene zin is gemakkelijk: je wilt alles. Maar weten wat je voorkeur heeft bij het vergelijken van specifieke scenario's is moeilijker. Het helpt om een scala aan realiseerbare mogelijkheden te kunnen zien en na te denken over wat het beste lijkt als ze naast elkaar worden gelegd.

Zie wat het volgende is

Supply chain-software kan u inzicht geven in de afwegingscurve. Over het algemeen weet u dat een beperkte voorraad en een hoge beschikbaarheid van artikelen elkaar tegenwerken, maar het zien van artikelspecifieke afwegingscurven verscherpt uw focus.

Waarom is er een bocht? Omdat u keuzes heeft over hoe u elk item beheert. Als u bijvoorbeeld voortdurend de voorraadstatus controleert, welke waarden wijst u dan toe aan de Min en Max waarden die bepalen wanneer aanvullingen moeten worden besteld en hoeveel er moet worden besteld. De afwegingscurve ontstaat omdat het kiezen van verschillende Min- en Max-waarden leidt tot verschillende niveaus van bij de hand inventaris en verschillende niveaus van artikelbeschikbaarheid, bijvoorbeeld zoals gemeten door vulpercentage.

Een scenario voor analyse

Om deze ideeën te illustreren, gebruikte ik a digitale tweeling  om in te schatten hoe verschillende waarden van Min en Max in een bepaald scenario zouden presteren. Het scenario concentreerde zich op een fictief reserveonderdeel met een puur willekeurige vraag met een redelijk hoog niveau onderbreking (37% aan dagen zonder vraag). De doorlooptijden voor het aanvullen waren een fluitje van een cent tussen 7 en 14 dagen. De Min- en Max-waarden werden systematisch gevarieerd: Min van 20 tot 40 eenheden, Max van Min+1 eenheden tot 2xMin eenheden. Elk (Min,Max) paar werd in totaal 1000 keer gesimuleerd gedurende 365 dagen gebruik. Vervolgens werden de resultaten gemiddeld om zowel het gemiddelde aantal beschikbare eenheden als het vulpercentage te schatten, dat wil zeggen het percentage van de dagelijkse behoeften waaraan onmiddellijk werd voldaan vanaf voorraad. Als de voorraad niet beschikbaar was, werd deze nabesteld.

Resultaten

Het experiment leverde twee soorten resultaten op:

• Grafieken die de relatie tonen tussen de min- en max-waarden en twee belangrijke prestatie-indicatoren: opvullingspercentage en gemiddelde beschikbare eenheden.
• Een afwegingscurve die laat zien hoe het opvullingspercentage en de beschikbare eenheden met elkaar in evenwicht zijn.

Figuur 1 toont de beschikbare inventaris als functie van de waarden van Min en Max. Het experiment leverde handniveaus op variërend van bijna 0 tot ongeveer 40 eenheden. Over het algemeen resulteert het constant houden van Min en het verhogen van Max in meer beschikbare eenheden. De relatie met Min is complexer: Max constant houden, Min verhogen voegt eerst de voorraad toe, maar vermindert deze op een gegeven moment.

Figuur 2 toont het vulpercentage als functie van de waarden Min en Max. Het experiment leverde opvullingspercentages op variërend van bijna 0% tot 100%. Over het algemeen weerspiegelden de functionele relaties tussen het opvullingspercentage en de waarden van Min en Max die in Figuur 1.

Figuur 3 maakt het belangrijkste punt duidelijk en laat zien hoe het variëren van Min en Max tot een perverse combinatie van de belangrijkste prestatie-indicatoren leidt. Over het algemeen zijn de waarden Min en Max die de beschikbaarheid van artikelen maximaliseren (opvullingspercentage) dezelfde waarden die de voorraadkosten maximaliseren (gemiddelde beschikbare eenheden). Dit algemene patroon wordt weergegeven door de blauwe curve. De experimenten leverden ook enkele uitlopers van de blauwe curve op die verband houden met slechte keuzes voor Min en Max, in de zin dat andere keuzes deze domineren door hetzelfde opvullingspercentage te produceren met een lagere voorraad.

Conclusies

Figuur 3 maakt duidelijk dat uw keuze voor het beheer van een voorraadartikel u dwingt om voorraadkosten af te wegen tegen de beschikbaarheid van artikelen. Je kunt enkele inefficiënte combinaties van Min- en Max-waarden vermijden, maar je kunt niet aan de afweging ontsnappen.

De goede kant van deze realiteit is dat je niet hoeft te raden wat er zal gebeuren als je je huidige waarden van Min en Max naar iets anders verandert. De software vertelt u wat de verhuizing u oplevert en wat het u gaat kosten. U kunt uw Guestimator-hoed afzetten en met vertrouwen uw ding doen.

Figuur 1 Voorhanden inventaris als functie van de min- en max-waarden

Figuur 2 Vulsnelheid als functie van Min- en Max-waarden

Figuur 3 Afwegingscurve tussen opvullingspercentage en voorhanden voorraad

Ik begin met een bekentenis: ik ben een algoritme-man. Mijn hart leeft in de ‘machinekamer’ van onze software, waar razendsnelle berekeningen heen en weer gaan door de AWS-cloud, waardoor vraag- en aanbodscenario’s worden gegenereerd die worden gebruikt als leidraad voor belangrijke beslissingen over vraagvoorspelling en voorraadbeheer.

Maar ik erken dat het doelwit van al die mooie, woedende berekeningen het brein van de baas is, de persoon die verantwoordelijk is om ervoor te zorgen dat op de meest efficiënte en winstgevende manier aan de vraag van de klant wordt voldaan. Deze blog gaat dus over Smart Operational Analytics (SOA), waarmee rapportages voor het management worden gemaakt. Of, zoals ze in het leger worden genoemd, sit-reps.

Alle berekeningen die door de planners met behulp van onze software worden begeleid, worden uiteindelijk gedestilleerd in de SOA-rapporten voor het management. De rapporten richten zich op vijf gebieden: voorraadanalyse, voorraadprestaties, voorraadtrends, leveranciersprestaties en vraagafwijkingen.

Voorraadanalyse

Deze rapporten houden de huidige voorraadniveaus in de gaten en identificeren gebieden die verbetering behoeven. De nadruk ligt op de huidige voorraadaantallen en hun status (voorhanden, onderweg, in quarantaine), voorraadwisselingen en excessen versus tekorten.

Voorraadprestaties

Deze rapporten houden Key Performance Indicators (KPI's) bij, zoals opvullingspercentages, serviceniveaus en voorraadkosten. De analytische berekeningen elders in de software begeleiden u bij het behalen van uw KPI-doelen door Key Performance Predictions (KPP's) te berekenen op basis van aanbevolen instellingen voor bijvoorbeeld bestelpunten en bestelhoeveelheden. Maar soms komen er verrassingen voor, of wordt het operationele beleid niet uitgevoerd zoals aanbevolen, waardoor er altijd enige discrepantie zal zijn tussen KPP's en KPI's.

Voorraadtrends

Weten waar de zaken er vandaag voor staan is belangrijk, maar zien waar de zaken zich ontwikkelen is ook waardevol. Deze rapporten onthullen trends in de vraag naar artikelen, voorraadgebeurtenissen, het gemiddelde aantal beschikbare dagen, de gemiddelde verzendtijd en meer.

Prestaties van leveranciers

Uw bedrijf kan niet optimaal presteren als uw leveranciers u naar beneden halen. Deze rapporten monitoren de prestaties van leveranciers op het gebied van de nauwkeurigheid en snelheid van het invullen van aanvullingsorders. Als u meerdere leveranciers voor hetzelfde artikel heeft, kunt u deze met elkaar vergelijken.

Vraagafwijkingen

Uw gehele voorraadsysteem is vraaggestuurd en alle voorraadbeheerparameters worden berekend na het modelleren van de artikelvraag. Dus als er iets vreemds gebeurt aan de vraagzijde, moet u waakzaam zijn en u voorbereiden op het herberekenen van zaken als min- en max-waarden voor artikelen die zich vreemd beginnen te gedragen.

Overzicht

Het eindpunt van alle enorme berekeningen in onze software is het dashboard dat het management laat zien wat er aan de hand is, wat de toekomst biedt en waar de aandacht op moet worden gevestigd. Smart Inventory Analytics is het onderdeel van ons software-ecosysteem gericht op de C-Suite van uw bedrijf.

Figuur 1: Enkele voorbeeldrapportages in grafische vorm

Ruim veertig jaar geleden bestond Smart Software uit drie vrienden die in de kelder van een kerk een bedrijf begonnen te starten. Tegenwoordig is ons team uitgebreid en opereert vanuit meerdere locaties in Massachusetts, New Hampshire en Texas, met teamleden in Engeland, Spanje, Armenië en India. Net als velen van u in uw functie hebben wij manieren gevonden om gedistribueerde teams voor ons en voor u te laten werken.

Deze notitie gaat over een ander soort teamwerk: de samenwerking tussen u en onze software die binnen handbereik plaatsvindt. Ik schrijf vaak over de software zelf en wat er ‘onder de motorkap’ gebeurt. Deze keer is mijn onderwerp hoe je het beste met de software kunt samenwerken.

Onze softwaresuite, Smart Inventory Planning and Optimization (Smart IP&O™) is in staat tot zeer gedetailleerde berekeningen van de toekomstige vraag en de voorraadcontroleparameters (bijvoorbeeld bestelpunten en bestelhoeveelheden) die die vraag het meest effectief zouden beheren. Maar om al die kracht optimaal te kunnen benutten, is uw inbreng nodig. Je moet samenwerken met de algoritmen.

Die interactie kan verschillende vormen aannemen. U kunt beginnen door simpelweg te beoordelen hoe het nu met u gaat. De rapportschrijffuncties in Smart IP&O (Smart Operational Analytics™) kunnen al uw transactiegegevens verzamelen en analyseren om uw Key Performance Indicators (KPI's) te meten, zowel financieel (bijvoorbeeld voorraadinvesteringen) als operationeel (bijvoorbeeld opvullingspercentages).

De volgende stap zou kunnen zijn om SIO (Smart Inventory Optimization™), de inventarisanalyse binnen SIP&O, te gebruiken om ‘wat-als’-spelletjes met de software te spelen. U kunt zich bijvoorbeeld afvragen: 'Wat als we de bestelhoeveelheid voor artikel 1234 verlagen van 50 naar 40?' De software vermaalt de cijfers om u te laten weten hoe dat zou uitpakken, waarna u reageert. Dit kan handig zijn, maar wat als u 50.000 items moet overwegen? Je zou wat-als-spellen willen doen voor een paar cruciale items, maar niet voor allemaal.

De echte kracht zit hem in het gebruik van de automatische optimalisatiemogelijkheden in SIO. Hier kunt u op grote schaal samenwerken met de algoritmen. Op basis van uw zakelijke oordeel kunt u “groepen” creëren, dat wil zeggen verzamelingen van items die enkele cruciale kenmerken gemeen hebben. U kunt bijvoorbeeld een groep maken voor 'kritieke reserveonderdelen voor klanten van elektriciteitsbedrijven', bestaande uit 1.200 onderdelen. Vervolgens kunt u, opnieuw op basis van uw zakelijk oordeel, specificeren welke standaard voor de beschikbaarheid van artikelen moet gelden voor alle artikelen in die groep (bijvoorbeeld: “minstens 95% kans dat de voorraad binnen een jaar niet op voorraad is”). Nu kan de software het overnemen en automatisch de beste bestelpunten en bestelhoeveelheden voor elk van deze artikelen berekenen om de gewenste artikelbeschikbaarheid tegen de laagst mogelijke totale kosten te bereiken. En dat, beste lezer, is krachtig teamwerk.

Het meten van de nauwkeurigheid van prognoses is een onmiskenbaar belangrijk onderdeel van het vraagplanningsproces. Deze voorspellingsscorekaart zou kunnen worden opgebouwd op basis van een van de twee contrasterende gezichtspunten voor het berekenen van metrieken. Vanuit het foutperspectief wordt de vraag gesteld: “Hoe ver lag de voorspelling van de werkelijkheid?” Vanuit het nauwkeurigheidsperspectief wordt de vraag gesteld: “Hoe dicht lag de voorspelling bij de werkelijkheid?” Beide zijn geldig, maar foutstatistieken bieden meer informatie.

Nauwkeurigheid wordt weergegeven als een percentage tussen nul en 100, terwijl foutpercentages bij nul beginnen maar geen bovengrens hebben. Rapporten van MAPE (gemiddelde absolute procentuele fout) of andere foutstatistieken kunnen de titel 'voorspellingsnauwkeurigheid'-rapporten krijgen, waardoor het onderscheid vervaagt. Het kan dus zijn dat u wilt weten hoe u vanuit het foutenperspectief kunt overstappen naar het nauwkeurigheidsperspectief dat uw bedrijf omarmt. In deze blog wordt aan de hand van enkele voorbeelden beschreven hoe.

Nauwkeurigheidsgegevens worden zo berekend dat wanneer de werkelijke waarde gelijk is aan de voorspelling, de nauwkeurigheid 100% is en wanneer de voorspelling het dubbele of de helft is van de werkelijke, de nauwkeurigheid 0% is. Rapporten waarin de voorspelling met de werkelijkheid wordt vergeleken, bevatten vaak het volgende:

• De daadwerkelijke
• De prognose
• Eenheidsfout = Prognose – Werkelijk
• Absolute fout = Absolute waarde van eenheidsfout
• Absolute %-fout = Abs-fout / Werkelijk, als een %
• Nauwkeurigheid % = 100% – Absolute %-fout

Bekijk een paar voorbeelden die het verschil in aanpak illustreren. Stel dat de Werkelijke = 8 en de voorspelling is 10.

Eenheidsfout is 10 – 8 = 2

Absolute %-fout = 2/8, als % = 0,25 * 100 = 25%

Nauwkeurigheid = 100% – 25% = 75%.

Laten we nu zeggen dat de werkelijke waarde 8 is en de voorspelling 24.

Eenheidsfout is 24– 8 = 16

Absolute %-fout = 16/8 als % = 2 * 100 = 200%

Nauwkeurigheid = 100% – 200% = negatief is ingesteld op 0%.

In het eerste voorbeeld leveren nauwkeurigheidsmetingen dezelfde informatie op als foutmetingen, aangezien de voorspelling en de werkelijke situatie al relatief dicht bij elkaar liggen. Maar als de fout meer dan het dubbele is van de werkelijke, komen de nauwkeurigheidsmetingen uit op nul. Het geeft wel correct aan dat de voorspelling helemaal niet accuraat was. Maar het tweede voorbeeld is nauwkeuriger dan een derde, waarbij de werkelijke waarde 8 is en de voorspelling 200. Dat is een onderscheid dat een nauwkeurigheidsbereik van 0 tot 100% niet registreert. In dit laatste voorbeeld:

Eenheidsfout is 200 – 8 = 192

Absolute %-fout = 192/8, als % = 24 * 100 = 2,400%

Nauwkeurigheid = 100% – 2.400% = negatief is ingesteld op 0%.

Foutstatistieken blijven informatie verschaffen over hoe ver de voorspelling afwijkt van de werkelijke en geven aantoonbaar een betere weergave van de nauwkeurigheid van de voorspelling.

Wij moedigen aan om het foutperspectief te hanteren. U hoopt eenvoudigweg op een klein foutpercentage dat aangeeft dat de voorspelling niet ver van de werkelijkheid ligt, in plaats van te hopen op een groot nauwkeurigheidspercentage dat aangeeft dat de voorspelling dicht bij de werkelijkheid ligt. Deze mentaliteitsverandering biedt dezelfde inzichten en elimineert vervormingen.

Wanneer u traditionele extrapolatieve voorspellingstechnieken moet gebruiken.

Met zoveel hype rond nieuwe Machine Learning (ML) en probabilistische voorspellingsmethoden lijken de traditionele “extrapolatieve” of “tijdreeksen” statistische voorspellingsmethoden de koude schouder te krijgen. Het is echter de moeite waard om te onthouden dat deze traditionele technieken (zoals enkele en dubbele exponentiële afvlakking, lineaire en eenvoudige voortschrijdende middeling, en Winters-modellen voor seizoensitems) vaak behoorlijk goed werken voor gegevens met een groter volume. Elke methode is goed voor waarvoor deze is ontworpen. Pas ze allemaal op de juiste manier toe, bijvoorbeeld: neem geen mes mee naar een vuurgevecht en gebruik geen drilboor als een eenvoudige handhamer voldoende is. 

Extrapolatieve methoden presteren goed wanneer de vraag een hoog volume heeft en niet te gedetailleerd is (dat wil zeggen, de vraag wordt maandelijks of driemaandelijks gespreid). Ze zijn ook erg snel en gebruiken niet zoveel computerbronnen als probabilistische en ML-methoden. Dit maakt ze zeer toegankelijk.

Zijn de traditionele methoden even nauwkeurig als nieuwere voorspellingsmethoden? Smart heeft ontdekt dat extrapolatieve methoden het zeer slecht doen als de vraag intermitterend is. Wanneer de vraag echter groter is, doen ze het slechts iets slechter dan onze nieuwe probabilistische methoden wanneer de vraag maandelijks wordt gesegmenteerd. Gezien hun toegankelijkheid, snelheid en het feit dat u prognoseoverschrijvingen gaat toepassen op basis van bedrijfskennis, zal het verschil in basislijnnauwkeurigheid hier niet materieel zijn.

Het voordeel van geavanceerdere modellen zoals de GEN2-probabilistische methoden van Smart is wanneer u patronen moet voorspellen met behulp van gedetailleerdere buckets zoals dagelijkse (of zelfs wekelijkse) gegevens. Dit komt omdat probabilistische modellen patronen van de dag van de week, de week van de maand en de maand van het jaar kunnen simuleren die met eenvoudigere technieken verloren zullen gaan. Heeft u ooit geprobeerd de dagelijkse seizoensinvloeden te voorspellen met een Wintermodel? Hier is een hint: het gaat niet werken en vereist veel techniek.

Probabilistische methoden bieden ook waarde die verder gaat dan de basisvoorspelling, omdat ze scenario's genereren die kunnen worden gebruikt bij stresstests voor voorraadbeheermodellen. Dit maakt ze geschikter om bijvoorbeeld te beoordelen hoe een verandering in het bestelpunt de voorraadkansen, opvullingspercentages en andere KPI's zal beïnvloeden. Door duizenden mogelijke aanvragen gedurende vele doorlooptijden te simuleren (die zelf in scenariovorm worden gepresenteerd), krijgt u een veel beter idee van hoe uw huidige en voorgestelde voorraadbeleid zal presteren. U kunt betere beslissingen nemen over waar u gerichte voorraadverhogingen en -verlagingen kunt doorvoeren.

Gooi dus nog niet het oude weg voor het nieuwe. Weet gewoon wanneer je een hamer nodig hebt en wanneer je een drilboor nodig hebt.