1. De installatie is eenvoudig.

We hoeven alleen maar onze vraaggeschiedenis in te voeren in onze nieuwe statistische methoden, en we kunnen effectiever gaan plannen. Niet helemaal: het gaat om de techniek en het proces. U investeert in een nieuwe bedrijfsproces om prognoses te ontwikkelen voor het aansturen van de bedrijfsstrategie en beslissingen over voorraadplanning. Het zal tijd kosten om alle belanghebbenden erbij te betrekken: verkoop, marketing, inkoop, operaties en onderhoud/technici (voor de inventaris van reserveonderdelen). Van wie is de prognose? Hoe ziet de prognosehiërarchie van uw artikelen eruit? Waar komt de meeste zakelijke kennis vandaan? Is er een consensusproces dat de zakelijke kennis zal gebruiken om de prognoses aan te passen aan uw specifieke situatie? Begrijpt iedereen de statistische methodes? Is er overeenstemming over de onderliggende waarden die de balans houden, bestellen en (vooral) schaarstekosten? Bent u bereid om keuzes te maken langs de cruciale afwegingscurve die voorraadkosten relateert aan klantenserviceniveaus? Hoe bent u van plan de nauwkeurigheid/fout van prognoses te meten? Begrijpt het management het concept van "prognose toegevoegde waarde", waarbij u de fout volgt bij elke versie van de prognose (statistische fout vs. verkoopprognosefout vs. consensusfout). Zonder deze context en overeengekomen deelname van de belangrijkste belanghebbenden, zal het systeem nog steeds worden geïmplementeerd, maar in silo's worden gebruikt

2. Alles wat ik nodig heb, zijn historische vraaggegevens, en dan kan ik beginnen met prognoses.

Bijna. Krijgen goed gegevens is niet eenvoudig. Zijn uw vraaggeschiedenisgegevens volledig en correct? Zijn uw leveranciersgegevens (bijv. doorlooptijden) ook volledig en correct? Herkent u de speciale behoeften van nieuwe en afgedankte artikelen? Natuurlijk kan IT een bestand met geaggregeerde vraaggegevens (wekelijks of maandelijks) exporteren, maar hoe weet je of het correct is? Wanneer bestellingen en verzendingen worden geboekt, vallen deze onder verschillende transactiecodes. Je moet weten hoe je je vraagsignaal moet samenstellen.  Bestellingen of verzendingen? Retouren opnemen of uitsluiten? Hoe zit het met magazijnoverboekingen? Hoe zit het met retourzendingen die vele perioden na de eerste verzending plaatsvinden? Hoe interpreteert mijn ERP de prognose? Maar wacht… we gebruiken een oplossing met een ERP-connector die belooft dat gegevens naadloos heen en weer zullen stromen. Een ERP-connector dekt zeker de overdracht van historische gegevens en voorspelde resultaten tussen systemen, maar verbetert de slechte gegevenskwaliteit niet. U moet er ook voor zorgen dat de ERP-connector de flexibiliteit heeft om te bepalen hoe uw vraaggeschiedenis moet worden samengesteld. Als het bijvoorbeeld hard gecodeerd is om bepaalde soorten transacties op te halen die u misschien niet wilt of als u andere transacties nodig hebt die niet zijn opgenomen, hebt u aanpassingen nodig. Er is ook het probleem van productvervanging en/of locatiewijzigingen – dwz product A wordt uitgefaseerd en wordt product B, of nu wordt product A verzonden vanuit een ander magazijn. Klinkt eenvoudig, maar als dit vaak gebeurt bij duizenden artikelen, moet dit worden verantwoord als onderdeel van een automatisch prognoseproces. Anders moeten uw gebruikers deze constante updates handmatig beheren. Dan verlies je schaalvoordelen. Meer "gekibbel met gegevens" betekent meer gedoe, meer fouten en gemiste beslissingsdeadlines. Minder frequente updates kunnen leiden tot minder nauwkeurige prognoses, wat leidt tot overtollige voorraad voor sommige artikelen en onvoldoende voorraad voor andere

3. Als we een betere prognose krijgen, hebben we de juiste voorraad, verminderen we de voorraad en verbeteren we de service.

De vraagprognose is een onderdeel van een groter proces. Als je een andere afdeling hebt die onjuiste buffers toepast (te veel of te weinig veiligheidsvoorraad), dan valt een groot deel van het voordeel van een nauwkeurigere prognose weg. U moet holistisch kijken naar prognoses in de context van voorraadbeheer. U kunt geen maximaal voordeel krijgen (en in sommige gevallen geen enkel voordeel) tenzij u er rekening mee houdt allemaal componenten, waaronder bufferniveaus zoals veiligheidsvoorraad en bestelpunten, bestelregels en beheer van leverancier/interne doorlooptijden. Het is niet ongebruikelijk voor kopers om te implementeren vuistregels voorraadbeleid, zoals vroeg bestellen of het verhogen van de prognose om het risico op opraken te verkleinen. Het tegenovergestelde gedrag waarbij een door de prognose geactiveerd ordersignaal wordt uitgesteld naar een latere datum om te voorkomen dat een order "te vroeg" wordt geplaatst, komt even vaak voor. Dit soort gedrag is gebaseerd op a pijnvermijdingsreactie dat gebeurt binnen bedrijven met een ad-hoc voorraadplanningsproces dat de prognose niet holistisch verbindt met de voorraadstrategie.  

4. Hoe meer voorspellingsmodellen, hoe beter.

 Dit is in sommige gevallen waar. Ironisch genoeg betekent het soms dat hoe meer modellen je kunt kiezen, hoe groter de kans is dat je de verkeerde kiest. Dit gebeurt zelfs wanneer er een geautomatiseerd systeem is dat de juiste methode selecteert. Dit komt omdat de meeste geautomatiseerde prognosesystemen nog steeds de fout maken om methoden te selecteren op basis van de beste pasvorm voor de vraag uit het verleden. Deze op het verleden gerichte benadering leidt meestal tot slechte prestaties wanneer vooruit in de tijd wordt gekeken; dit kan worden getest door even te wachten en vervolgens de voorspelde vraag te vergelijken met de werkelijke vraag (of, als u niet wilt wachten, door enkele van de recente gegevens te verbergen en te voorspellen, in welk geval de actuele gegevens al bekend zijn). In principe kan het handig zijn om meer modellen te hebben, maar wat belangrijk is, is inzicht in de aanpak voor modelselectie. Bovendien produceren de meeste prognosemodellen een enkelvoudige prognose ("De vraag naar product A zal volgende maand 17 eenheden zijn") zonder enige indicatie van de prognoseonzekerheid of foutmarge. Zonder de foutmarge te kennen, kunt u prognoserisico's niet waarderen en rationeel beheren.

In onze software bieden we geautomatiseerde tijdreeksselectie die kiest uit tientallen bewezen technieken op basis van geschatte toekomstige prestaties, niet passend bij gegevens uit het verleden. We gaan ook verder dan enkelvoudige prognoses met behulp van probabilistische methoden om duizenden voorspellingsscenario's te genereren om de voorspellingsonzekerheid te beoordelen. We hebben ontdekt dat deze benadering voor bepaalde soorten gegevens aanzienlijk nauwkeuriger is dan de traditionele toernooiselectie. Dus in deze situaties is het aantal modellen dat we aanraden te gebruiken "Eén!" Maakt dat het minderwaardig? Natuurlijk niet. Neem de tijd om uw modellen te verfijnen om te zien wat het beste werkt voor uw bedrijf.

5. Met de juiste software kan iedereen het werk goed doen.

Zou het zo zijn. Na onze betrokkenheid bij tientallen jaren van implementaties, is het echter duidelijk dat niet iedereen achter het toetsenbord voor vraagplanning zou moeten zitten. De baan heeft geen superheld nodig, maar bepaalde eigenschappen zorgen voor succes:

• Een bedrijfsbreed perspectief hebben. Zoveel problemen bij vraagplanning komen voort uit geforceerd denken. Een goed planningsproces brengt de noodzaak aan het licht van de betrokkenheid van alle belanghebbenden, dus een gebruiker die niet verder kan denken dan zijn of haar vroegere leengoed kan een aansprakelijkheid zijn.
• Ontelbaar zijn. Een gebruiker die niet vertrouwd is met cijfers zal het moeilijk hebben.
• Het waarderen van willekeur. Dit is vergelijkbaar met ongecijferdheid, maar gaat verder. De meeste frictie bij vraagplanning en voorraadoptimalisatie komt voort uit willekeur: in de vraag naar producten, in de doorlooptijd van leveranciers, enz. Zonder een goed idee hoe willekeur problemen veroorzaakt, zal een gebruiker zich vaak afvragen hoe slecht zijn of haar beslissingen uitpakken.
• Nieuwsgierig zijn. Topsoftware moedigt gebruikers aan om "wat als?" scenario's om te zien hoe u automatisch berekende oplossingen kunt aanpassen om nog betere resultaten te krijgen. Als de gebruiker nooit in een "wat als?" mentaliteit, zullen ze onderpresteren. Bovendien is het spelen met alternatieve scenario's een van de beste manieren om een instinctief gevoel op te bouwen voor de willekeur in het systeem.

Conclusie

De vijf redenen die hier worden geschetst, laten zien waarom het implementeren van een systeem voor prognoses, vraagplanning of voorraadoptimalisatie niet zo eenvoudig is als het inschakelen van de software, het importeren van uw historische gegevens en het krijgen van gebruikerstraining over het gebruik van de software. U implementeert een nieuw proces voor het plannen van uw bedrijf en het bepalen van het voorraadbeleid dat de uitgaven aan voorraad zal stimuleren en uw vermogen om omzet te genereren zal beïnvloeden. De inspanning is echter de moeite waard. Volgens een Institute of Business Forecasting (IBF) blog, levert een reductie van 1% in fout bij ondervoorspelling bij een bedrijf van $50 miljoen een besparing op van maar liefst $1.52M. Omgekeerd waren de voordelen van een reductie van 1% in de overvoorspellingsfout $1.28M, wat een gemiddeld voordeel opleverde van $1.4M. Dit betekent dat u uw bedrijf jaarlijks $260.000 kunt besparen voor elke $10 miljoen aan inkomsten! 

Heeft uw uitgebreide toeleveringsketen last van extreme seizoensvariabiliteit? Vormt deze situatie een uitdaging voor uw vermogen om te voldoen aan de serviceniveauverplichtingen aan uw klanten? Ik heb hiermee geworsteld bij Rev-A-Shelf, waarbij ik me bezig hield met ongebruikelijke omstandigheden die zijn gecreëerd door Chinees Nieuwjaar en andere wereldwijde evenementen, en ik wil graag de ervaring en een paar dingen die ik onderweg heb geleerd delen.

Laat me eerst onze situatie uitleggen. We importeren 60% van de onderdelen die we gebruiken om onze keuken- en badaccessoires te bouwen uit China en Europa. Het grootste deel van het jaar waren we in staat om onze voorraadbehoeften te plannen met behulp van een op spreadsheets gebaseerde min/max-aanpak. Maar niet tijdens Chinees Nieuwjaar, dat de grootste jaarlijkse bevolkingsmigratie van de planeet veroorzaakt. Chinees Nieuwjaar legt de productie tot twee maanden stil, wat een aanzienlijk leveringsrisico met zich meebrengt terwijl we ernaar streven om onze driedaagse orderafhandelingsverplichting na te komen.

We hebben ons probleem opgelost door statistiek te introduceren eis voorspelling met de flexibiliteit om indien nodig doorlooptijden te verlengen, de mogelijkheid om op betrouwbare wijze veiligheidsvoorraden aan te leggen die onze vereiste serviceniveaus bereiken en een continu rapportagesysteem dat iedereen precies laat weten waar we aan toe zijn. Voor succes was echter veel meer nodig dan een nieuw stuk software. We moesten de manier veranderen waarop we naar de toekomstige vraag, het aanbodrisico en de veiligheidsvoorraad kijken. Hier zijn een paar belangrijke dingen die we hebben gedaan die het verschil hebben gemaakt.

Stakeholdereducatie en buy-in

Ongeacht het project is het altijd het beste om de buy-in van alle belanghebbenden in te schakelen. We wisten dat we iets moesten doen om ons probleem op te lossen, maar er was zeker weerstand. Senior managers hadden bijvoorbeeld een gezond wantrouwen tegen software ontwikkeld en vroegen zich af of vraagvoorspellingssoftware zou kunnen helpen. Onze inkopers hadden hun eigen perspectieven en inkoopmethoden ontwikkeld en voelden zich persoonlijk in gevaar toen we nieuwe benaderingen overwoog.

Mensen kwamen langs toen ze een gemeenschappelijk begrip van het probleem ontwikkelden en hoe we het zouden aanpakken. Onderwijs was een groot deel van de oplossing. We hebben uitgelegd hoe prognoses werken en de belangrijkste factoren die we allemaal moeten begrijpen: hoe trends te analyseren, hoe 'wat als'-scenario's te gebruiken, de impact van veranderende doorlooptijden, hoe serviceniveaus te relateren aan leveringsrisico en veiligheidsvoorraad en belangrijke prestatie-indicatoren zoals voorraad draait. Door dit proces samen te doorlopen, werden we allemaal belanghebbenden bij de oplossing.

Gebruik de juiste software

Wanneer u veel onderdeelnummers en enige vorm van vraag- of aanbodvariabiliteit heeft, kunt u gewoon niet effectief voorspellen met een spreadsheet. Met ons min/max-voorspellingssysteem waren we van plan een gemiddelde te nemen, en het werkte niet. Gemiddeld gebruik heeft inherente gebreken voor planningsdoeleinden - het is altijd achterom kijken!

U hebt software nodig die vooruitkijkt, seizoenspatronen herkent en u in staat stelt te bepalen hoeveel voorraad u nodig heeft om aan de vereiste serviceniveaus te voldoen gedurende verschillende doorlooptijden.

Processen verfijnen

Als de oude manieren niet werken, moet je openstaan voor het aanpassen van je aannames. Denk minder na over waar je bent geweest en meer over waar je wilt zijn. Bekijk uw doorlooptijden en plan uw gewenste serviceniveau in. De geschiedenis van vorig jaar is misschien niet de beste voorspeller van de vraag van dit jaar. Dezelfde prognosehorizon is mogelijk niet geschikt voor alle producten of een bepaalde tijd van het jaar.

Maak de prognose uitvoerbaar

Het is niet voldoende om een nauwkeurige prognose en geschatte voorraadniveaus te produceren. Je moet een manier ontwikkelen om de informatie bruikbaar te maken voor degenen die ermee belast zijn. We hebben een reeks rapporten ontwikkeld waarmee kopers betere prognose- en veiligheidsvoorraadinformatie konden gebruiken. Nu, aan het einde van elke maand, produceren we een prognoserapport dat een duidelijk beeld geeft van de huidige voorraad, veiligheidsvoorraad, gebruik in het verleden, voorspeld gebruik, inkomende leveringen (PO's) en aanbevolen bestelhoeveelheden.

Resultaten valideren

U kunt, en dat hebben we gedaan, onze nieuwe methoden testen aan de hand van onze eigen vraaggeschiedenis. Toch kan een gezaghebbende buitenstaander acceptatie gemakkelijker maken. We hebben een onderzoek laten uitvoeren door een professor aan de Louisville University's College of Business, die een van haar afgestudeerde studenten aan het werk zette. Door hen konden we versterken wat we zagen gebeuren met onze resultaten, en we voelden ons comfortabel dat we op de goede weg waren.

Al deze factoren hielpen Rev-A-Shelf om het vraagplanningsproces met groot succes te transformeren. Vandaag overtreffen we onze doelstellingen op het gebied van serviceniveau en ons opvullingspercentage, gebaseerd op een driedaagse verzendcyclus, vertoont een gestage verbetering en vertoont een stijgende trend. Over het algemeen zijn de eenheden op voorraad gelijk gebleven terwijl ze een omzetstijging van 13% ondersteunden

John Engelhardt is momenteel Director of Purchasing and Asian Operations voor Rev-a-Shelf, LLC in Louisville, KY. Hij heeft verschillende managementfuncties bekleed, zowel bij particuliere bedrijven als bij publieke organisaties. Bij Rev-A-Shelf bekleedde hij de functie van International Sales Manager en Director of Sales Support voordat hij zijn huidige functie op zich nam. Hij is te bereiken op johne op rev-a-shelf dot com.

Er is een oud grapje: "Er zijn twee soorten mensen - zij die geloven dat er twee soorten mensen zijn, en zij die dat niet doen." We kunnen die grap aanpassen: "Er zijn twee soorten mensen - zij die weten dat er drie soorten supply chain-analyse zijn, en zij die deze blog nog niet hebben gelezen."

De drie typen supply chain-analyse zijn 'beschrijvend', 'voorspellend' en 'voorschrijvend'. Elk speelt een andere rol bij het helpen bij het beheren van uw voorraad. Met moderne supply chain-software kunt u alle drie benutten.

Beschrijvende analyses

Beschrijvende analyses zijn het spul van dashboards. Ze vertellen je "wat er nu gebeurt." In deze categorie zijn samenvattingscijfers opgenomen zoals dollars die momenteel in voorraad zijn geïnvesteerd, het huidige niveau van klantenservice en opvullingspercentage, en gemiddelde doorlooptijden van leveranciers. Deze statistieken zijn handig om uw activiteiten bij te houden, vooral wanneer u wijzigingen daarin van maand tot maand bijhoudt. U zult elke dag op hen vertrouwen. Ze vereisen nauwkeurige bedrijfsdatabases, statistisch verwerkt.

Voorspellende analyse

Voorspellende analyses manifesteren zich meestal als prognoses van de vraag, vaak opgesplitst per product en locatie en soms ook per klant. Deze statistieken geven vroegtijdige waarschuwingen, zodat u productie, personeel en inkoop van grondstoffen kunt versnellen om aan de vraag te voldoen. Ze bieden ook voorspellingen van het effect van wijzigingen in het bedrijfsbeleid, bijvoorbeeld: wat gebeurt er als we onze bestelhoeveelheid voor product X verhogen van 20 naar 25 eenheden? U kunt periodiek, misschien wekelijks of maandelijks, vertrouwen op Predictive Analytics wanneer u opkijkt van wat er nu gebeurt om te zien wat er daarna zal gebeuren. Predictive Analytics gebruikt beschrijvende analyse als basis, maar voegt meer mogelijkheden toe. Predictive Analytics voor vraagprognoses vereist geavanceerde statistische verwerking om kenmerken van de productvraag zoals trend, seizoensinvloeden en verandering van regime. Predictive Analytics voor voorraadbeheer gebruikt prognoses van de vraag als invoer in modellen van de werking van voorraadbeleid, die op hun beurt schattingen geven van belangrijke prestatiestatistieken zoals serviceniveaus, opvullingspercentages, en werkingskosten.

Prescriptieve analyses

Prescriptieve analyses gaan niet over wat er nu gebeurt of wat er daarna gaat gebeuren, maar over wat u vervolgens zou moeten doen, dwz ze bevelen beslissingen aan die gericht zijn op het maximaliseren van de prestaties van het inventarisatiesysteem. U kunt op Prescriptive Analytics vertrouwen om uw gehele voorraadbeleid zo goed mogelijk vorm te geven. Prescriptive Analytics gebruikt Predictive Analytics als basis en voegt vervolgens optimalisatiemogelijkheden toe. Prescriptive Analytics-software kan bijvoorbeeld automatisch de beste keuzes maken voor toekomstige waarden van min's en max's voor duizenden inventarisitems. Hier kan 'beste' de waarde van Min en Max voor elk artikel betekenen die de bedrijfskosten minimaliseert (de som van kosten voor vasthouden, bestellen en tekorten) terwijl een 90%-minimum voor het opvullingspercentage van artikelen wordt gehandhaafd.

Voorbeeld

Onderstaande figuur laat zien hoe supply chain analytics de voorraadbeheerder kan helpen. De kolommen tonen drie voorspelde Key Performance Indicators (KPI's): serviceniveau, voorraadinvestering en bedrijfskosten (holdingkosten + bestelkosten + tekortkosten).

 Afbeelding 1: de drie soorten analyses die worden gebruikt om planningsscenario's te evalueren

De rijen tonen vier alternatieve voorraadbeleidslijnen, uitgedrukt als scenario's. Het “Live” scenario rapporteert over de waarden van de KPI's op 1 juli 2018. Het “99% All” scenario wijzigt het huidige beleid door het serviceniveau van alle artikelen te verhogen naar 99%. Het scenario "75 verdieping/99 plafond" verhoogt serviceniveaus die te laag zijn tot 75% en verlaagt zeer hoge (dwz dure) serviceniveaus tot 95%. Het scenario "Optimalisatie" schrijft artikelspecifieke serviceniveaus voor die de totale bedrijfskosten minimaliseren.

Het scenario “Live 01-07-2018” is een voorbeeld van beschrijvende analyse. Het toont de huidige basislijnprestaties. De software stelt de gebruiker vervolgens in staat wijzigingen in het voorraadbeleid uit te proberen door nieuwe "Wat als"-scenario's te creëren die vervolgens kunnen worden omgezet in benoemde scenario's voor verdere overweging. De volgende twee scenario's zijn voorbeelden van Predictive Analytics. Ze beoordelen allebei de gevolgen van hun aanbevolen beleid voor voorraadbeheer, dwz de aanbevolen waarden van Min en Max voor alle artikelen. Het scenario 'Optimalisatie' is een voorbeeld van Prescriptive Analytics omdat het een beste compromisbeleid aanbeveelt.

Overweeg hoe de drie alternatieve scenario's zich verhouden tot het "Live" basisscenario. Het scenario "99% All" verhoogt de beschikbaarheidsstatistieken van artikelen, waardoor het serviceniveau stijgt van 88% naar 99%. Hierdoor neemt de totale inventarisinvestering echter toe van $3 miljoen tot ongeveer $4 miljoen. Het scenario '75 vloer/99 plafond' daarentegen verhoogt zowel het serviceniveau als vermindert het contante geld dat vastzit in de voorraad met ongeveer $300.000. Ten slotte bereikt het scenario "Optimalisatie" een 80%-serviceniveau, een verlaging ten opzichte van de huidige 88%, maar het verlaagt de voorraadwaarde met meer dan $2 miljoen en verlaagt de bedrijfskosten met meer dan $400.000 per jaar. Van hieruit konden managers verdere opties uitproberen, zoals het teruggeven van een deel van de $2 miljoen besparingen om een hoger gemiddeld serviceniveau te bereiken.

Overzicht

Moderne softwarepakketten voor voorraadplanning en voorraadoptimalisatie zouden drie soorten supply chain-analyses moeten bieden: beschrijvend, voorspellend en prescriptief. Dankzij hun combinatie kunnen voorraadbeheerders hun activiteiten volgen (Beschrijvend), voorspellen waar hun activiteiten in de toekomst zullen zijn (Predictive) en hun voorraadbeleid optimaliseren om te anticiperen op toekomstige omstandigheden (Prescriptief).