Het voorspellen van voorraadbehoeften is een gespecialiseerde variant van prognoses die zich richt op de bovenkant van het bereik van mogelijke toekomstige vraag.

Beschouw voor de eenvoud het probleem van het voorspellen van de voorraadbehoeften voor slechts één periode vooruit, bijvoorbeeld één dag vooruit. Meestal bestaat de taak van forecasting uit het schatten van het meest waarschijnlijke of gemiddelde niveau van de productvraag. Als de beschikbare voorraad echter gelijk is aan de gemiddelde vraag, bestaat er een kans van ongeveer 50% dat de vraag de voorraad overtreft en resulteert in verloren omzet en/of verloren goede wil. Het instellen van het voorraadniveau op bijvoorbeeld tien keer de gemiddelde vraag zal waarschijnlijk het probleem van voorraadtekorten elimineren, maar zal net zo zeker resulteren in oplopende voorraadkosten.

De truc van voorraadoptimalisatie is om een bevredigende balans te vinden tussen voldoende voorraad hebben om aan de meeste vraag te voldoen zonder al te veel middelen in het proces vast te leggen. Meestal is de oplossing een combinatie van zakelijk inzicht en statistieken. Het beoordelende deel is het definiëren van een acceptabel voorraadserviceniveau, zoals het direct uit voorraad voldoen aan 95% vraag. Het statistische deel is om het 95e percentiel van de vraag te schatten.

Wanneer niet omgaan met Intermittent demandkunt u het vereiste voorraadniveau vaak schatten door uit te gaan van een klokvormige (normale) vraagcurve, waarbij u zowel het midden als de breedte van de klokcurve schat, en vervolgens een standaard statistische formule gebruikt om het gewenste percentiel te schatten. Het verschil tussen het gewenste voorraadniveau en het gemiddelde vraagniveau wordt de ‘veiligheidsvoorraad’ genoemd, omdat deze beschermt tegen de mogelijkheid van voorraadtekorten.

Bij een intermitterende vraag is de klokvormige curve een zeer slechte benadering van de statistische verdeling van de vraag. In dit speciale geval maakt Smart gebruik van gepatenteerde technologie voor intermitterende vraag die is ontworpen om de marges nauwkeurig te voorspellen en een betere schatting te maken van de veiligheidsvoorraad die nodig is om het vereiste voorraadserviceniveau te bereiken.

Ontdek hoe prognoses worden gebruikt met deze 4 vragen.

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

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

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

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

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

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

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

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

Als je de laatste tijd je hoofd omhoog hebt gehouden, heb je misschien wat extra waanzin opgemerkt op het basketbalveld: het falen van Silicon Valley Bank. Degenen onder ons in de supply chain-wereld hebben het bankfalen misschien afgedaan als het probleem van iemand anders, maar die spijtige episode bevat ook een grote les voor ons: het belang van stresstesten die goed worden uitgevoerd.

De Washington Post onlangs verscheen een opiniestuk van Natasha Sarin met de titel “Regulators misten de problemen van Silicon Valley Bank maandenlang. Dit is waarom." Sarin schetste de tekortkomingen in het stresstestregime dat de Federal Reserve aan de bank heeft opgelegd. Een probleem is dat de stresstesten te statisch zijn. De stressfactor van de Fed voor de nominale bbp-groei was één enkel scenario met de veronderstelde waarden voor de komende 13 kwartalen (zie figuur 1). Die 13 driemaandelijkse projecties zijn misschien iemands consensus over hoe een bad hair day eruit zou zien, maar dat is niet de enige manier waarop dingen zouden kunnen verlopen. Als samenleving wordt ons geleerd een betere manier te waarderen om onvoorziene omstandigheden weer te geven telkens wanneer de National Weather Service ons geprojecteerde orkaansporen laat zien (zie figuur 2). Elk scenario, weergegeven door een lijn met een andere kleur, toont een mogelijk stormpad, waarbij de geconcentreerde lijnen het meest waarschijnlijke pad vertegenwoordigen. Door de lagere waarschijnlijkheidspaden bloot te leggen, wordt de risicoplanning verbeterd.

Bij het stresstesten van de toeleveringsketen hebben we realistische scenario's nodig van mogelijke toekomstige eisen die zich kunnen voordoen, zelfs extreme eisen. Smart voorziet hierin in onze software (met aanzienlijke verbeteringen in onze Gen2 methodes). De software genereert een groot aantal geloofwaardige vraagscenario's, genoeg om de volledige omvang van de risico's bloot te leggen (zie figuur 3). Stresstesten hebben alles te maken met het genereren van enorme aantallen planningsscenario's, en de probabilistische methoden van Smart wijken radicaal af van eerdere deterministische S&OP-toepassingen, omdat ze volledig op scenario's zijn gebaseerd.

De andere fout in de stresstests van de Fed was dat ze maanden van tevoren waren ontworpen, maar nooit werden bijgewerkt voor veranderende omstandigheden. Vraagplanners en voorraadbeheerders begrijpen intuïtief dat sleutelvariabelen zoals de vraag naar artikelen en de doorlooptijd van leveranciers niet alleen zeer willekeurig zijn, zelfs wanneer de zaken stabiel zijn, maar ook onderhevig zijn aan abrupte verschuivingen die een snelle herschrijving van planningsscenario's vereisen (zie afbeelding 4, waar de gemiddelde vraag springt dramatisch omhoog tussen waarnemingen 19 en 20). Smart's Gen2-producten bevatten nieuwe technologie voor het detecteren van dergelijke "regime verandert' en dienovereenkomstig automatisch veranderende scenario's.

Banken worden gedwongen om stresstests te ondergaan, hoe gebrekkig ze ook mogen zijn, om hun spaarders te beschermen. Supply chain-professionals hebben nu een manier om hun supply chains te beschermen door moderne software te gebruiken om hun vraagplannen en voorraadbeheerbeslissingen aan een stresstest te onderwerpen.

Figuur 1: Scenario's die de Fed gebruikte om banken te stresstesten.

Figuur 2: Scenario's die door de National Weather Service worden gebruikt om orkaansporen te voorspellen

Afbeelding 3: Vraagscenario's van het type gegenereerd door Smart Demand Planner

Figuur 4: Voorbeeld van regimeverandering in productvraag na observatie #19

Of je het nu zelf tot in detail begrijpt of vertrouwt op betrouwbare software, wiskunde is voor iedereen een feit voorraadbeheer en eis voorspelling die hoopt concurrerend te blijven in de moderne wereld.

Op een conferentie onlangs verkondigde de hoofdpresentator in een workshop voorraadbeheer trots dat hij geen behoefte had aan 'hooguitziende wiskunde', waarvan werd uitgelegd dat het iets betekende dat verder ging dan wiskunde van de zesde klas.

Wiskunde is niet ieders eerste liefde. Maar als je er echt om geeft je werk goed te doen, kun je het werk niet benaderen met een basisschoolmentaliteit. Supply chain-taken zoals vraagprognoses en voorraadbeheer zijn dat wel inherent wiskundig. De blog die is gekoppeld aan edX, een vooraanstaande site voor online cursusmateriaal voor hogescholen, heeft een geweldig bericht over dit onderwerp, op https://www.mooc.org/blog/how-is-math-used-in-supply-chain. Ik citeer het eerste stukje:

Wiskunde en de bevoorradingsketen gaan hand in hand. Naarmate toeleveringsketens groeien, zal de toenemende complexiteit bedrijven ertoe aanzetten om manieren te zoeken om grootschalige besluitvorming te beheren. Ze kunnen niet teruggaan naar hoe toeleveringsketens 100 jaar geleden waren – of zelfs twee jaar geleden vóór de pandemie. In plaats daarvan zullen nieuwe technologieën helpen bij het stroomlijnen en beheren van de vele bewegende delen. De logistieke vaardigheden, optimalisatietechnologieën en organisatorische vaardigheden die in de toeleveringsketen worden gebruikt, vereisen allemaal wiskunde.

Onze klanten hoeven geen experts te zijn in supply chain-wiskunde, ze moeten alleen de software kunnen gebruiken die de wiskunde bevat. Software combineert de ervaring van gebruikers en inhoudelijke expertise om resultaten te produceren die het verschil maken tussen succes en falen. Om zijn werk te doen, kan de software niet stoppen bij wiskunde in de zesde klas; het heeft waarschijnlijkheid, statistiek en optimalisatietheorie nodig.

Het is aan ons, softwareleveranciers, om de wiskunde zo te verpakken dat wat er in de berekeningen komt, het enige is dat relevant is, zelfs als het ingewikkeld is; en dat wat eruit komt duidelijk, besluitrelevant en verdedigbaar is wanneer u uw aanbevelingen aan het hoger management moet rechtvaardigen.

Wiskunde van de zesde klas kan u niet waarschuwen wanneer de manier waarop u voorstelt een kritiek reserveonderdeel te beheren, een 70%-kans betekent dat u uw doel voor artikelbeschikbaarheid niet haalt. Het kan u niet vertellen hoe u uw bestelpunten het beste kunt aanpassen wanneer een leverancier belt en zegt: "We hebben een leveringsprobleem." Het kan je huid niet redden als er een verrassend grote bestelling is en je snel moet uitzoeken wat de beste manier is om een aantal versnelde speciale bestellingen op te zetten zonder het operationele budget te vernietigen.

Respecteer dus de volkswijsheid en neem geen mes mee naar een vuurgevecht.

Als je de uitdrukking "regimeverandering" op het nieuws hoort, denk je meteen aan een beladen geopolitieke gebeurtenis. Statistici gebruiken de uitdrukking anders, op een manier die van groot belang is voor vraagplanning en voorraadoptimalisatie. Deze blog gaat over “regime change” in statistische zin, dat wil zeggen een grote verandering in het karakter van de vraag naar een voorraadartikel.

De vraaggeschiedenis van een artikel is de brandstof die de prognosemachines van vraagplanners aandrijft. Over het algemeen geldt: hoe meer brandstof, hoe beter, waardoor we een betere oplossing hebben voor het gemiddelde niveau, de volatiliteit, de grootte en frequentie van eventuele pieken, de vorm van elk seizoenspatroon en de grootte en richting van elke trend.

Maar er is één grote uitzondering op de regel dat "meer gegevens betere gegevens zijn." Als er een grote verschuiving in uw wereld plaatsvindt en de nieuwe vraag lijkt niet op de oude vraag, dan worden oude gegevens gevaarlijk.

Moderne software kan nauwkeurige prognoses maken van de vraag naar artikelen en verstandige keuzes voorstellen voor voorraadparameters zoals bestelpunten en bestelhoeveelheden. Maar de geldigheid van deze berekeningen hangt af van de relevantie van de gegevens die in hun berekening worden gebruikt. Oude gegevens van een oud regime weerspiegelen niet langer de huidige realiteit, dus door ze in berekeningen op te nemen, ontstaan voorspellingsfouten voor vraagplanners en ofwel overtollige voorraad of onaanvaardbare stockout-percentages voor voorraadplanners.

Dat gezegd hebbende, als je een recente regimewisseling zou doorstaan en de verouderde gegevens zou weggooien, zou je veel minder gegevens hebben om mee te werken. Dit heeft zijn eigen kosten, omdat alle schattingen die op basis van de gegevens worden berekend een grotere statistische onzekerheid zouden hebben, ook al zouden ze minder vertekend zijn. In dit geval zouden uw berekeningen meer moeten steunen op een combinatie van statistische analyse en uw eigen deskundig oordeel.

Op dit punt kunt u zich afvragen: "Hoe kan ik weten of en wanneer er een regimewisseling heeft plaatsgevonden?" Als je al een tijdje aan het werk bent en je je op je gemak voelt bij het bekijken van tijdschema's van de vraag naar items, zul je over het algemeen regimeverandering herkennen wanneer je het ziet, tenminste als het niet te subtiel is. Afbeelding 1 toont enkele praktijkvoorbeelden die voor de hand liggen.

Afbeelding 1: Vier voorbeelden van regimeverandering in de vraag naar artikelen in de echte wereld

Helaas kunnen minder voor de hand liggende veranderingen toch significante effecten hebben. Bovendien hebben de meeste van onze klanten het te druk om alle items die ze beheren zelfs maar één keer per kwartaal handmatig te controleren. Als je bijvoorbeeld 100 items overschrijdt, wordt het een zware taak om al die tijdreeksen te bekijken. Gelukkig kan software goed de vraag naar tienduizenden items monitoren en u waarschuwen voor items die mogelijk uw aandacht nodig hebben. Ook dan kunt u ervoor zorgen dat de software niet alleen regimeverandering detecteert, maar ook automatisch alle gegevens uitsluit die zijn verzameld vóór de meest recente regimeverandering, indien van toepassing. Met andere woorden, u kunt zowel automatische waarschuwing voor regimeverandering als automatische bescherming tegen regimeverandering krijgen.

Zie onze vorige blog over dit onderwerp voor meer informatie over de basisprincipes van regimeverandering: https://smartcorp.com/blog/demandplanningregimechange/  

Een voorbeeld met getallen erin

Als u meer wilt weten, lees dan verder om een numeriek voorbeeld te zien van hoeveel regimeverandering de berekening van een bestelpunt voor een kritisch reserveonderdeel kan veranderen. Hier is een scenario om het punt te illustreren.

Scenario

• Doel: bereken het bestelpunt dat nodig is om het risico van voorraadtekort te beheersen tijdens het wachten op aanvulling. Neem aan dat het beoogde voorraadrisico 5% is.
• Stel dat het artikel een intermitterende dagelijkse vraag heeft, met vele dagen zonder vraag.
• Stel dat de dagelijkse vraag een Poisson-verdeling heeft met een gemiddelde van 1,0 eenheden per dag.
• Stel dat de doorlooptijd van de aanvulling altijd 30 dagen is.
• De doorlooptijdvraag zal willekeurig zijn, dus het heeft een kansverdeling en het bestelpunt is de 95^e percentiel van de verdeling.
• Neem aan dat het effect van regimewisseling is dat de gemiddelde dagelijkse vraag wordt verhoogd of verlaagd.
• Neem aan dat er een jaar aan dagelijkse gegevens beschikbaar zijn voor het schatten van de gemiddelde dagelijkse vraag per eenheid.

Figuur 2 Voorbeeld van verandering in gemiddelde vraag en steekproef van willekeurige dagelijkse vraag

Figuur 2 toont een vorm van dit scenario. Het bovenste paneel laat zien dat de gemiddelde dagelijkse vraag na 270 dagen stijgt van 1,0 naar 1,5. Het onderste paneel toont een manier waarop de dagelijkse vraag van een jaar kan verschijnen. (Op dit moment heb je misschien het gevoel dat het berekenen van al deze dingen ingewikkeld is, zelfs voor wat een vereenvoudigd scenario blijkt te zijn. Daarom hebben we software!)

Analyse

Succesvolle berekening van het juiste bestelpunt hangt af van wanneer regimeverandering plaatsvindt en hoe groot een verandering plaatsvindt. We simuleerden regimewisselingen van verschillende groottes op verschillende tijdstippen binnen een periode van 365 dagen. Rond een basisvraag van 1,0 eenheden per dag hebben we verschuivingen in de vraag ("shift") van ±25% en ±50% bestudeerd, evenals een referentiegeval zonder verandering. We hebben het tijdstip van de wijziging ("t.break") vastgesteld op 90, 180 en 270 dagen. In elk geval hebben we twee schattingen van het bestelpunt berekend: de "ideale" waarde gegeven perfecte kennis van de gemiddelde vraag in het nieuwe regime ("ROP.true"), en de geschatte waarde van de gemiddelde vraag berekend door de regimeverandering te negeren en het gebruik van alle vraaggegevens van het afgelopen jaar (“ROP.all”).

Tabel 1 toont de schattingen van het bestelpunt berekend over 100 simulaties. Het middelste blok is het referentiegeval, waarin er geen verandering is in de dagelijkse vraag, die vast blijft op 1 eenheid per dag. Het gekleurde blok onderaan is het meest extreem stijgende scenario, waarbij de vraag stijgt tot 1,5 eenheden/dag ofwel een derde, de helft of tweederde van het jaar.

Uit deze simulaties kunnen we verschillende conclusies trekken.

ROP.true: De juiste keuze voor bestelpunt neemt toe of af volgens de verandering in de gemiddelde vraag na de regimeverandering. De relatie is niet eenvoudig lineair: de tabel omvat een 600%-bereik van vraagniveaus (0,25 tot 1,50) maar een 467%-bereik van bestelpunten (van 12 tot 56).

ROP.all: Het negeren van de regimewisseling kan leiden tot grove overschattingen van het bestelpunt wanneer de vraag daalt en tot grove onderschattingen wanneer de vraag toeneemt. Zoals we zouden verwachten, hoe later de regimewisseling, hoe erger de fout. Als de vraag bijvoorbeeld twee derde van het jaar onopgemerkt stijgt van 1,0 naar 1,5 eenheden per dag, zou het berekende bestelpunt van 43 eenheden 13 eenheden minder zijn dan het zou moeten zijn.

Een woord van waarschuwing: Tabel 1 laat zien dat het baseren van de berekeningen van bestelpunten met alleen gegevens van na een regimewisseling meestal het juiste antwoord geeft. Wat het niet laat zien, is dat de schattingen onstabiel kunnen zijn als er na de wijziging zeer weinig vraaggeschiedenis is. Daarom moet je in de praktijk wachten met reageren op de regimewisseling totdat er een behoorlijk aantal waarnemingen is verzameld in het nieuwe regime. Dit kan betekenen dat u alle vraaggeschiedenis moet gebruiken, zowel vóór als na de wijziging, totdat bijvoorbeeld 60 of 90 dagen aan geschiedenis zijn verzameld voordat de gegevens vóór de wijziging worden genegeerd.

Tabel 1 Correcte en geschatte bestelpunten voor verschillende scenario's voor regimeverandering