Kan willekeur een bondgenoot zijn in de voorspellingsstrijd?

Feynmans perspectief belicht onze reis: “In haar pogingen om zoveel mogelijk over de natuur te leren, heeft de moderne natuurkunde ontdekt dat bepaalde dingen nooit met zekerheid ‘gekend’ kunnen worden. Veel van onze kennis moet altijd onzeker blijven. Het meeste wat we kunnen weten is in termen van waarschijnlijkheden.” – Richard Feynman, The Feynman Lectures on Physics.

Wanneer we de complexe wereld van de logistiek proberen te begrijpen, speelt willekeur een cruciale rol. Dit introduceert een interessante paradox: in een realiteit waarin precisie en zekerheid worden gewaardeerd, zou de onvoorspelbare aard van vraag en aanbod daadwerkelijk als een strategische bondgenoot kunnen dienen?

De zoektocht naar nauwkeurige voorspellingen is niet alleen een academische oefening; het is een cruciaal onderdeel van operationeel succes in tal van sectoren. Voor vraagplanners die moeten anticiperen op de productvraag zijn de gevolgen van het goed of fout doen van de vraag van cruciaal belang. Daarom is het herkennen en benutten van de kracht van willekeur niet slechts een theoretische oefening; het is een noodzaak voor veerkracht en aanpassingsvermogen in een steeds veranderende omgeving.

Onzekerheid omarmen: dynamische, stochastische en Monte Carlo-methoden

Dynamische modellering: De zoektocht naar absolute precisie in voorspellingen negeert de intrinsieke onvoorspelbaarheid van de wereld. Traditionele voorspellingsmethoden, met hun rigide raamwerken, schieten tekort in het accommoderen van de dynamiek van verschijnselen in de echte wereld. Door onzekerheid te omarmen, kunnen we overgaan op flexibelere en dynamischere modellen waarin willekeur als fundamentele component is opgenomen. In tegenstelling tot hun rigide voorgangers zijn deze modellen ontworpen om te evolueren als reactie op nieuwe gegevens, waardoor veerkracht en aanpassingsvermogen worden gegarandeerd. Deze paradigmaverschuiving van een deterministische naar een probabilistische benadering stelt organisaties in staat met meer vertrouwen door onzekerheid te navigeren en weloverwogen beslissingen te nemen, zelfs in volatiele omgevingen.

Stochastische modellering leidt voorspellers door de mist van onvoorspelbaarheid met de principes van waarschijnlijkheid. In plaats van te proberen willekeur te elimineren, omarmen stochastische modellen het. Deze modellen schuwen het idee van een enkelvoudige, vooraf bepaalde toekomst, maar presenteren in plaats daarvan een reeks mogelijke uitkomsten, elk met een geschatte waarschijnlijkheid. Deze benadering biedt een genuanceerder en realistischer beeld van de toekomst, waarbij de inherente variabiliteit van systemen en processen wordt erkend. Door een spectrum van potentiële toekomsten in kaart te brengen, voorziet stochastische modellering besluitvormers van een alomvattend inzicht in onzekerheid, waardoor strategische planning mogelijk is die zowel geïnformeerd als flexibel is.

Vernoemd naar het historische centrum van toeval en fortuin, maken Monte Carlo-simulaties gebruik van de kracht van willekeur om het uitgestrekte landschap van mogelijke uitkomsten te verkennen. Deze techniek omvat het genereren van duizenden, zo niet miljoenen, scenario's door middel van willekeurige steekproeven, waarbij elk scenario een ander toekomstbeeld schetst, gebaseerd op de inherente onzekerheden van de echte wereld. Beslissers kunnen, gewapend met inzichten uit Monte Carlo-simulaties, de reikwijdte van de mogelijke gevolgen van hun beslissingen inschatten, waardoor het een instrument van onschatbare waarde is voor risicobeoordeling en strategische planning in onzekere omgevingen.

Successen in de echte wereld: het benutten van willekeur

De strategie om willekeur in de prognoses te integreren is in diverse sectoren van onschatbare waarde gebleken. Grote beleggingsondernemingen en banken vertrouwen bijvoorbeeld voortdurend op stochastische modellen om het volatiele gedrag van de aandelenmarkt het hoofd te bieden. Een opmerkelijk voorbeeld is de manier waarop hedgefondsen deze modellen gebruiken om prijsbewegingen te voorspellen en risico's te beheren, wat leidt tot meer strategische beleggingskeuzes.

Op dezelfde manier vertrouwen veel bedrijven op het gebied van supply chain management op Monte Carlo-simulaties om de onvoorspelbaarheid van de vraag aan te pakken, vooral tijdens piekseizoenen zoals de feestdagen. Door verschillende scenario's te simuleren, kunnen ze zich op een reeks uitkomsten voorbereiden en ervoor zorgen dat ze over voldoende voorraadniveaus beschikken zonder dat ze te veel middelen inzetten. Deze aanpak minimaliseert het risico op voorraadtekorten en overtollige voorraad.

Deze successen uit de praktijk benadrukken de waarde van het integreren van willekeur in voorspellingsinspanningen. In plaats van de tegenstander te zijn die vaak wordt gezien, ontpopt willekeur zich als een onmisbare bondgenoot in het ingewikkelde ballet van voorspellingen. Door methoden te hanteren die rekening houden met de inherente onzekerheid van de toekomst – ondersteund door geavanceerde tools als Smart IP&O – kunnen organisaties met vertrouwen en flexibiliteit door het onvoorspelbare navigeren. In het grote geheel van voorspellingen kan het dus verstandig zijn om het idee te omarmen dat we weliswaar geen controle hebben over de worp van de dobbelstenen, maar dat we er wel een strategie omheen kunnen bedenken.

 

 

 

De doelstellingen bij het voorspellen

Een voorspelling is een voorspelling over de waarde van een tijdreeksvariabele op een bepaald moment in de toekomst. U kunt bijvoorbeeld een schatting willen maken van de verkoop of vraag naar een productartikel voor volgende maand. Een tijdreeks is een reeks getallen die met gelijke tijdsintervallen zijn geregistreerd; bijvoorbeeld de maandelijks geregistreerde verkoop per eenheid.

De doelstellingen die u nastreeft wanneer u prognoses maakt, zijn afhankelijk van de aard van uw baan en uw bedrijf. Elke voorspelling is onzeker; in feite is er een reeks mogelijke waarden voor elke variabele die u voorspeld. Waarden in het midden van dit bereik hebben een grotere kans om daadwerkelijk te voorkomen, terwijl waarden aan de uiteinden van het bereik minder waarschijnlijk voorkomen. De volgende afbeelding illustreert een typische verdeling van voorspelde waarden.

voorspelde verdeling van voorspelde waarden

Ter illustratie van een voorspelde verdeling van voorspelde waarden

 

Punt voorspellingen

Het meest gebruikelijke gebruik van voorspellingen is het schatten van een reeks getallen die de meest waarschijnlijke toekomstige waarden van de betreffende variabele vertegenwoordigen. Stel dat u bijvoorbeeld een verkoop- en marketingplan voor uw bedrijf ontwikkelt. Mogelijk moet u twaalf cellen in een financieel spreadsheet invullen met schattingen van de totale inkomsten van uw bedrijf in de komende twaalf maanden. Dergelijke schattingen worden puntprognoses genoemd, omdat u voor elke prognoseperiode één enkel getal (gegevenspunt) wilt. De automatische prognosefunctie van Smart Demand Planner voorziet u automatisch van deze puntprognoses.

Intervalvoorspellingen

Hoewel puntvoorspellingen handig zijn, heeft u vaak meer profijt van intervalvoorspellingen. Intervalvoorspellingen tonen het meest waarschijnlijke bereik (interval) van waarden die zich in de toekomst kunnen voordoen. Deze zijn meestal nuttiger dan puntprognoses, omdat ze de hoeveelheid onzekerheid of risico weergeven die met een voorspelling gepaard gaat. Het prognose-intervalpercentage kan worden opgegeven in de verschillende prognosedialoogvensters in de Demand Planning SoftwareMet elk van de vele voorspellingsmethoden (automatisch, voortschrijdend gemiddelde, exponentiële afvlakking enzovoort) die beschikbaar zijn in Smart Demand Planner, kunt u een voorspellingsinterval instellen.

De standaardconfiguratie in Smart Demand Planner biedt 90%-voorspellingsintervallen. Interpreteer deze intervallen als het bereik waarbinnen de werkelijke waarden 90% van de tijd zullen vallen. Als de intervallen groot zijn, is er veel onzekerheid verbonden aan de puntvoorspellingen. Als de intervallen smal zijn, kunt u meer vertrouwen hebben. Als u een planningsfunctie uitvoert en op verschillende tijdstippen in de toekomst best-case- en worst-case-waarden wilt voor de variabelen die van belang zijn, kunt u voor dat doel de boven- en ondergrenzen van de prognose-intervallen gebruiken, waarbij de enkele puntschatting de meest waarschijnlijke waarde. In de vorige afbeelding strekt het voorspellingsinterval van 90% zich uit van 3,36 tot 6,64.

Bovenste percentielen

Bij voorraadbeheer kan het uw doel zijn om goede schattingen te maken van een hoog percentiel van de vraag naar een productitem. Met deze schattingen kunt u omgaan met de afweging tussen enerzijds het minimaliseren van de kosten voor het aanhouden en bestellen van voorraad, en anderzijds het minimaliseren van het aantal verloren of nabestelde verkopen als gevolg van een voorraadtekort. Om deze reden wilt u misschien het 99e percentiel of het serviceniveau van de vraag weten, aangezien de kans om dat niveau te overschrijden slechts 1% is.

Houd er bij het voorspellen van individuele variabelen met functies zoals automatische prognoses rekening mee dat de bovengrens van een 90%-voorspellingsinterval het 95e percentiel vertegenwoordigt van de voorspelde verdeling van de vraag naar die variabele. (Als u het 5e percentiel van het 95e percentiel aftrekt, blijft er een interval over met 95%-5% = 90% van de mogelijke waarden.) Dit betekent dat u de bovenste percentielen kunt schatten door de waarde van het voorspellingsinterval te wijzigen. In de figuur ‘Illustratie van een prognoseverdeling’ is het 95e percentiel 6,64.

Om het voorraadbeleid op het gewenste serviceniveau te optimaliseren of om het systeem te laten adviseren welk voorraadbeleid en serviceniveau het beste rendement oplevert, kunt u Smart Inventory Optimization overwegen. Het is ontworpen om wat-als-scenario's te ondersteunen die voorspelde afwegingen laten zien tussen verschillende voorraadbeleidslijnen, waaronder verschillende serviceniveaudoelen.

Lagere percentielen

Soms maakt u zich misschien zorgen over de onderkant van de voorspelde verdeling voor een variabele. Dergelijke gevallen doen zich vaak voor bij financiële toepassingen, waarbij een laag percentiel van een inkomstenraming een onvoorziene gebeurtenis vertegenwoordigt die financiële reserves vereist. U kunt Smart Demand Planner in dit geval gebruiken op een manier die analoog is aan het voorspellen van de bovenste percentielen. In de figuur ‘Illustratie van een prognoseverdeling’ is het 5e percentiel 3,36.

Kortom, bij voorspellen gaat het om het voorspellen van toekomstige waarden, waarbij puntvoorspellingen afzonderlijke schattingen bieden en intervalvoorspellingen die waarschijnlijke waardebereiken bieden. Smart Demand Planner automatiseert puntprognoses en stelt gebruikers in staat intervallen in te stellen, wat helpt bij het inschatten van de onzekerheid. Voor voorraadbeheer vergemakkelijkt de tool het begrijpen van de bovenste (bijvoorbeeld 99e percentiel) en lagere (bijvoorbeeld 5e percentiel) percentielen. Om het voorraadbeleid en de serviceniveaus te optimaliseren ondersteunt Smart Inventory Optimization 'wat-als'-scenario's, waardoor een effectieve besluitvorming wordt gegarandeerd over hoeveel u op voorraad moet hebben, gegeven het risico dat u bereid bent een voorraad op te geven.

 

 

 

Het prognoseproces voor besluitvormers

In bijna elk bedrijf en elke sector hebben besluitvormers betrouwbare voorspellingen nodig van kritische variabelen, zoals omzet, inkomsten, vraag naar producten, voorraadniveaus, marktaandeel, kosten en trends in de sector.

Er zijn veel soorten mensen die deze voorspellingen doen. Sommigen zijn geavanceerde technische analisten, zoals bedrijfseconomen en statistici. Vele anderen beschouwen forecasting als een belangrijk onderdeel van hun totale werk: algemeen managers, productieplanners, voorraadbeheerspecialisten, financiële analisten, strategische planners, marktonderzoekers en product- en verkoopmanagers. Toch beschouwen anderen zichzelf zelden als voorspellers, maar moeten ze vaak voorspellingen doen op een intuïtieve, oordelende basis.

Door de manier waarop we Smart Demand Planner hebben ontworpen, heeft het alle soorten voorspellers iets te bieden. Dit ontwerp komt voort uit verschillende observaties over het voorspellingsproces. Omdat we Smart Demand Planner met deze observaties in gedachten hebben ontworpen, zijn we van mening dat de stijl en inhoud ervan uniek geschikt zijn om van uw browser een effectief prognose- en planningshulpmiddel te maken:

Voorspellen is een kunst die een mix van professioneel oordeel en objectieve, statistische analyse vereist.

Het is vaak effectief om te beginnen met een objectieve statistische voorspelling die automatisch rekening houdt met trends, seizoensinvloeden en andere patronen. Pas vervolgens aanpassingen of prognoseoverschrijvingen toe op basis van uw zakelijke oordeel. Smart Demand Planner maakt het eenvoudig om grafische en tabelvormige aanpassingen aan statistische prognoses uit te voeren.

Het prognoseproces is doorgaans iteratief.

U zult waarschijnlijk besluiten uw oorspronkelijke prognose een aantal malen te verfijnen voordat u tevreden bent. Mogelijk wilt u oudere historische gegevens uitsluiten die u niet langer relevant vindt. U kunt verschillende gewichten op het voorspellingsmodel toepassen, waarbij verschillende accenten op de meest recente gegevens worden gelegd. U kunt trenddemping toepassen om agressief trendmatige statistische voorspellingen te verhogen of te verlagen. U kunt de Machine Learning-modellen de prognoseselectie voor u laten verfijnen en automatisch het winnende model selecteren. De verwerkingssnelheid van Smart Demand Planner geeft u voldoende tijd om meerdere keren te passen en slaat meerdere versies van de prognoses op als 'momentopnamen', zodat u de nauwkeurigheid van de prognoses later kunt vergelijken.

Voorspellen vereist grafische ondersteuning.

De patronen die in de gegevens zichtbaar zijn, kunnen door een scherp oog worden gezien. De geloofwaardigheid van uw prognoses zal vaak sterk afhangen van grafische vergelijkingen die andere zakelijke belanghebbenden maken wanneer zij de historische gegevens en prognoses beoordelen. Smart Demand Planner biedt grafische weergaven van prognoses, geschiedenis en rapportage van prognoses versus werkelijke cijfers.

Voorspellingen kloppen nooit helemaal.

Omdat zelfs in het beste voorspellingsproces altijd een fout sluipt, is een van de nuttigste aanvullingen op een voorspelling een eerlijke schatting van de foutmarge.

Smart Demand Planner presenteert zowel grafische als tabelvormige samenvattingen van de nauwkeurigheid van de prognoses, gebaseerd op de zuurtest van het voorspellen van gegevens die zijn achtergehouden bij de ontwikkeling van het voorspellingsmodel. 

Prognose-intervallen of betrouwbaarheidsintervallen zijn ook erg handig. Ze beschrijven het waarschijnlijke bereik van de mogelijke vraag die naar verwachting zal optreden. Als de werkelijke vraag bijvoorbeeld meer dan 10% van de tijd buiten het 90%-betrouwbaarheidsinterval valt, is er reden om verder onderzoek te doen.  

Voorspellen vereist een match tussen methode en gegevens.

Een van de belangrijkste technische taken bij het voorspellen is het afstemmen van de keuze van de voorspellingstechniek op de aard van de gegevens. Kenmerken van een datareeks zoals trend, seizoensinvloeden of abrupte niveauverschuivingen suggereren bepaalde technieken in plaats van andere.

De automatische prognosefunctie van Smart Demand Planner maakt deze match snel, nauwkeurig en automatisch.

Prognoses maken vaak deel uit van een groter plannings- of controleproces.

Prognoses kunnen bijvoorbeeld een krachtige aanvulling zijn op op spreadsheets gebaseerde financiële analyses, waardoor rijen met cijfers naar de toekomst kunnen worden uitgebreid. Bovendien zijn nauwkeurige prognoses van de verkoop en de vraag naar producten fundamentele input voor de productieplanning en voorraadcontroleprocessen van een fabrikant. Een objectieve statistische voorspelling van toekomstige verkopen helpt altijd bij het identificeren wanneer het budget (of het verkoopplan) te onrealistisch is. Gap-analyse stelt het bedrijf in staat corrigerende maatregelen te nemen voor hun vraag- en marketingplannen om ervoor te zorgen dat ze het gebudgetteerde plan niet missen.

Prognoses moeten worden geïntegreerd in ERP-systemen
Smart Demand Planner kan zijn resultaten snel en eenvoudig overbrengen naar andere applicaties, zoals spreadsheets, databases en planningssystemen inclusief ERP-applicaties. Gebruikers kunnen voorspellingen in verschillende bestandsformaten exporteren, hetzij via download, hetzij via beveiligde FTP-bestandslocaties. Smart Demand Planner omvat API-gebaseerde integraties met een verscheidenheid aan ERP- en EAM-systemen, waaronder Epicor Kinetic en Epicor Prophet 21, Sage X3 en Sage 300, Oracle NetSuite en elk van de Dynamics 365 ERP-systemen van Microsoft. Dankzij API-gebaseerde integraties kunnen klanten prognoseresultaten op verzoek rechtstreeks terugsturen naar het ERP-systeem.

Het resultaat is een efficiëntere verkoopplanning, budgettering, productieplanning, bestellingen en voorraadplanning.

 

 

 

 

Verbeter de prognosenauwkeurigheid door fouten te beheren

De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Verbeter de forecasting nauwkeurigheid, elimineer overtollige voorraad en maximaliseer service levels

In deze video vertelt Dr. Thomas Willemain, mede-oprichter en SVP Research, over het verbeteren van de nauwkeurigheid van prognoses door fouten te managen. Deze video is de eerste in onze serie over effectieve methoden om de nauwkeurigheid van prognoses te verbeteren. We beginnen met te kijken naar hoe voorspelfouten pijn veroorzaken en de daaruit voortvloeiende kosten. Vervolgens zullen we de drie meest voorkomende fouten uitleggen die we moeten vermijden en die ons kunnen helpen de omzet te verhogen en overtollige voorraad te voorkomen. Tom besluit met een overzicht van de methoden om de nauwkeurigheid van voorspellingen te verbeteren, het belang van het meten van voorspellingsfouten en de technologische mogelijkheden om deze te verbeteren.

 

Prognosefout kan gevolgen hebben

Overweeg één item uit vele

  • Product X kost $100 om te maken en levert $50 winst op per eenheid.
  • De verkoop van Product X zal de komende 12 maanden 1.000 per maand blijken te zijn.
  • Overweeg één item uit vele

Wat zijn de kosten van een prognosefout?

  • Als de voorspelling 10% hoog is, sluit het jaar dan af met $120.000 overtollige voorraad.
  • 100 extra/maand x 12 maanden x $100/eenheid
  • Als de voorspelling 10% laag is, mis dan $60.000 winst.
  • 100 te weinig/maand x 12 maanden x $50/eenheid

 

Drie fouten om te vermijden

1. Fout negeren.

  • Onprofessioneel, plichtsverzuim.
  • Wensen zal het niet zo maken.
  • Behandel nauwkeurigheidsbeoordeling als datawetenschap, niet als een verwijt.

2. Meer fouten tolereren dan nodig is.

  • Statistische prognosemethoden kunnen de nauwkeurigheid op schaal verbeteren.
  • Het verbeteren van gegevensinvoer kan helpen.
  • Het verzamelen en analyseren van prognosefoutstatistieken kan zwakke plekken identificeren.

3. Tijd en geld verspillen die te ver gaat om fouten te elimineren.

  • Sommige product/marktcombinaties zijn inherent moeilijker te voorspellen. Na een punt, laat ze zijn (maar wees alert op nieuwe gespecialiseerde voorspellingsmethoden).
  • Soms kunnen stappen die bedoeld zijn om fouten te verminderen averechts werken (bijv. aanpassing).
Laat een reactie achter

RECENTE BERICHTEN

Onregelmatige operaties

Onregelmatige operaties

This blog is about “irregular operations.” Smart Software is in the process of adapting our products to help you cope with your own irregular ops. This is a preview.

De kosten van spreadsheetplanning

De kosten van spreadsheetplanning

Bedrijven die afhankelijk zijn van spreadsheets voor vraagplanning, prognoses en voorraadbeheer worden vaak beperkt door de inherente beperkingen van de spreadsheet. Dit artikel onderzoekt de nadelen van traditionele voorraadbeheerbenaderingen veroorzaakt door spreadsheets en de daarmee samenhangende kosten, en contrasteert deze met de aanzienlijke voordelen die worden behaald door het omarmen van de modernste planningstechnologieën.

Vind uw plek op de voorraadafwegingscurve

Vind uw plek op de voorraadafwegingscurve

Deze videoblog bevat essentiële inzichten voor degenen die werken met de complexiteit van voorraadbeheer. De sessie richt zich op het vinden van het juiste evenwicht binnen de voorraadafwegingscurve en nodigt kijkers uit om het diepgewortelde belang van dit evenwicht te begrijpen.

recente berichten

  • Smart Software is bezig met het aanpassen van onze producten om u te helpen omgaan met uw eigen onregelmatige werkzaamhedenOnregelmatige operaties
    This blog is about “irregular operations.” Smart Software is in the process of adapting our products to help you cope with your own irregular ops. This is a preview. […]
  • Epicor AI-voorspellings- en inventaristechnologie gecombineerd met plannerkennis voor inzichtenSlimme software gepresenteerd op Epicor Insights 2024
    Smart Software zal dit jaar aanwezig zijn op het Epicor Insights-evenement in Nashville. Als u van plan bent dit jaar aanwezig te zijn, bezoek dan stand #13 of #501 en leer meer over Epicor Smart Inventory Planning and Optimization. . […]
  • Op zoek naar problemen met uw voorraadgegevensOp zoek naar problemen met uw voorraadgegevens
    In deze videoblog wordt een cruciaal aspect van voorraadbeheer in de schijnwerpers gezet: de analyse en interpretatie van voorraadgegevens. De focus ligt specifiek op een dataset van een openbaar vervoersbedrijf met details over reserveonderdelen voor bussen. […]
  • BAF Case Study SIOP-planning DistributiecentrumBig Ass-fans wenden zich tot slimme software naarmate de vraag toeneemt
    Big Ass Fans is de best verkopende fabrikant van grote ventilatoren ter wereld en levert comfort in ruimtes waar comfort onmogelijk lijkt. BAF had een probleem: hoe kon de productie betrouwbaar worden gepland om aan de vraag te voldoen. BAF ervoer een kloof tussen de prognoses van boekingen en de verzendingen, en dit had gevolgen voor de omzet en de klanttevredenheid. BAF wendde zich tot Smart Software voor hulp. […]
  • De kosten als u niets doet met uw voorraadplanningssystemenDe kosten van spreadsheetplanning
    Bedrijven die afhankelijk zijn van spreadsheets voor vraagplanning, prognoses en voorraadbeheer worden vaak beperkt door de inherente beperkingen van de spreadsheet. Dit artikel onderzoekt de nadelen van traditionele voorraadbeheerbenaderingen veroorzaakt door spreadsheets en de daarmee samenhangende kosten, en contrasteert deze met de aanzienlijke voordelen die worden behaald door het omarmen van de modernste planningstechnologieën. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebbenWaarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebben
      MRO-organisaties bestaan in een breed scala van industrieën, waaronder openbaar vervoer, elektriciteitsbedrijven, afvalwater, waterkracht, luchtvaart en mijnbouw. Om hun werk gedaan te krijgen, gebruiken MRO-professionals Enterprise Asset Management (EAM) en Enterprise Resource Planning (ERP)-systemen. Deze systemen zijn ontworpen om veel taken uit te voeren. Gezien hun kenmerken, kosten en uitgebreide implementatievereisten wordt aangenomen dat EAM- en ERP-systemen het allemaal kunnen. In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen. […]
    • Vraag naar reserveonderdelen voorspellen-een-ander-perspectief-voor-planning-service-onderdelenDe voorspelling is belangrijk, maar misschien niet zoals u denkt
      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. […]
    • Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraadWaarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad
      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. […]
    • Belangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelenBelangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelen
      In het huidige competitieve zakelijke landschap zijn bedrijven voortdurend op zoek naar manieren om hun operationele efficiëntie te verbeteren en meer inkomsten te genereren. Het optimaliseren van het beheer van serviceonderdelen is een vaak over het hoofd gezien aspect dat een aanzienlijke financiële impact kan hebben. Bedrijven kunnen de algehele efficiëntie verbeteren en aanzienlijke financiële opbrengsten genereren door de voorraad reserveonderdelen effectief te beheren. Dit artikel gaat in op de economische implicaties van geoptimaliseerd beheer van serviceonderdelen en hoe investeren in software voor voorraadoptimalisatie en vraagplanning een concurrentievoordeel kan opleveren. […]

      Vier handige manieren om prognosefouten te meten

      De slimme voorspeller

       Het nastreven van best practices op het gebied van vraagplanning,

      prognoses en voorraadoptimalisatie

      Verbeter de forecasting nauwkeurigheid, elimineer overtollige voorraad en maximaliseer service levels

      In deze video vertelt Dr. Thomas Willemain, mede-oprichter en SVP Research, over het verbeteren van de nauwkeurigheid van prognoses door prognosefouten te meten. We beginnen met een overzicht van de verschillende soorten foutstatistieken: schaalafhankelijke fout, procentuele fout, relatieve fout en schaalvrije foutstatistieken. Hoewel sommige fouten onvermijdelijk zijn, zijn er manieren om deze te verminderen, en prognosestatistieken zijn noodzakelijke hulpmiddelen voor het bewaken en verbeteren van de prognosenauwkeurigheid. Vervolgens zullen we het speciale probleem van de intermitterende vraag en de deel-door-nul-problemen uitleggen. Tom besluit door uit te leggen hoe je prognoses van meerdere items kunt beoordelen en hoe het vaak zinvol is om gewogen gemiddelden te gebruiken, waarbij items verschillend worden gewogen op basis van volume of omzet.

       

      Vier algemene typen foutstatistieken 

      1. Schaalafhankelijke fout
      2. Percentage fout
      3. Relatieve fout
      4. Schaalvrije fout

      Opmerking: Schaalafhankelijke metrieken worden uitgedrukt in de eenheden van de voorspelde variabele. De andere drie worden uitgedrukt als percentages.

       

      1. Schaalafhankelijke foutstatistieken

      • Mean Absolute Error (MAE) ook wel Mean Absolute Deviation (MAD) genoemd
      • Mediane absolute fout (MdAE)
      • Root Mean Square-fout (RMSE)
      • Deze statistieken drukken de fout uit in de oorspronkelijke eenheden van de gegevens.
        • Bijv: eenheden, kisten, vaten, kilogrammen, dollars, liters, enz.
      • Aangezien prognoses te hoog of te laag kunnen zijn, zullen de tekenen van de fouten zowel positief als negatief zijn, waardoor ongewenste annuleringen mogelijk zijn.
        • Bijv.: u wilt niet dat fouten van +50 en -50 worden geannuleerd en "geen fout" weergeven.
      • Om het annuleringsprobleem aan te pakken, nemen deze statistieken negatieve tekens weg door kwadratuur of absolute waarde te gebruiken.

       

      2. Percentage foutmetriek

      • Gemiddelde absolute procentuele fout (MAPE)
      • Deze metriek drukt de grootte van de fout uit als een percentage van de werkelijke waarde van de voorspelde variabele.
      • Het voordeel van deze aanpak is dat het meteen duidelijk maakt of de fout een groot probleem is of niet.
      • Bijv.: stel dat de MAE 100 eenheden is. Is een typische fout van 100 eenheden verschrikkelijk? OK? groot?
      • Het antwoord hangt af van de grootte van de variabele die wordt voorspeld. Als de werkelijke waarde 100 is, dan is een MAE = 100 zo groot als het ding dat wordt voorspeld. Maar als de werkelijke waarde 10.000 is, dan toont een MAE = 100 een grote nauwkeurigheid, aangezien de MAPE slechts 1% is van de werkelijke waarde.

       

      3. Relatieve foutmetriek

      • Mediane relatieve absolute fout (MdRAE)
      • Ten opzichte van wat? Naar een benchmarkprognose.
      • Welke maatstaf? Meestal de "naïeve" voorspelling.
      • Wat is de naïeve voorspelling? Volgende prognosewaarde = laatste werkelijke waarde.
      • Waarom de naïeve voorspelling gebruiken? Want als je daar niet tegen kunt, zit je in een zware vorm.

       

      4. Schaalvrije foutmetriek

      • Mediane relatief geschaalde fout (MdRSE)
      • Deze statistiek drukt de absolute voorspellingsfout uit als een percentage van het natuurlijke niveau van willekeur (volatiliteit) in de gegevens.
      • De volatiliteit wordt gemeten door de gemiddelde grootte van de verandering in de voorspelde variabele van de ene tijdsperiode naar de volgende.
        • (Dit is dezelfde als de fout gemaakt door de naïeve voorspelling.)
      • Hoe verschilt deze statistiek van de bovenstaande MdRAE?
        • Ze gebruiken allebei de naïeve prognose, maar deze statistiek gebruikt fouten bij het voorspellen van de vraaggeschiedenis, terwijl de MdRAE fouten gebruikt bij het voorspellen van toekomstige waarden.
        • Dit is van belang omdat er meestal veel meer historische waarden zijn dan er voorspellingen zijn.
        • Dat is op zijn beurt weer van belang omdat deze statistiek zou "ontploffen" als alle gegevens nul waren, wat minder waarschijnlijk is bij gebruik van de vraaggeschiedenis.

       

      Intermittent Demand Planning en Parts Forecasting

       

      Het speciale probleem van intermitterende vraag

      • "Intermitterende" vraag heeft veel nul-eisen vermengd met willekeurige niet-nul-eisen.
      • MAPE wordt geruïneerd wanneer fouten worden gedeeld door nul.
      • MdRAE kan ook kapot gaan.
      • MdSAE zal minder snel kapot gaan.

       

      Samenvatting en opmerkingen

      • Prognosestatistieken zijn noodzakelijke hulpmiddelen voor het bewaken en verbeteren van de prognosenauwkeurigheid.
      • Er zijn twee hoofdklassen van statistieken: absoluut en relatief.
      • Absolute metingen (MAE, MdAE, RMSE) zijn natuurlijke keuzes bij het beoordelen van prognoses van één item.
      • Relatieve metingen (MAPE, MdRAE, MdSAE) zijn nuttig bij het vergelijken van de nauwkeurigheid tussen items of tussen alternatieve prognoses van hetzelfde item of bij het beoordelen van de nauwkeurigheid ten opzichte van de natuurlijke variabiliteit van een item.
      • Intermitterende vraag levert problemen met delen door nul op die MdSAE verkiezen boven MAPE.
      • Bij het beoordelen van prognoses van meerdere items is het vaak zinvol om gewogen gemiddelden te gebruiken, waarbij items anders worden gewogen op basis van volume of omzet.
      Laat een reactie achter

      RECENTE BERICHTEN

      Onregelmatige operaties

      Onregelmatige operaties

      This blog is about “irregular operations.” Smart Software is in the process of adapting our products to help you cope with your own irregular ops. This is a preview.

      De kosten van spreadsheetplanning

      De kosten van spreadsheetplanning

      Bedrijven die afhankelijk zijn van spreadsheets voor vraagplanning, prognoses en voorraadbeheer worden vaak beperkt door de inherente beperkingen van de spreadsheet. Dit artikel onderzoekt de nadelen van traditionele voorraadbeheerbenaderingen veroorzaakt door spreadsheets en de daarmee samenhangende kosten, en contrasteert deze met de aanzienlijke voordelen die worden behaald door het omarmen van de modernste planningstechnologieën.

      Vind uw plek op de voorraadafwegingscurve

      Vind uw plek op de voorraadafwegingscurve

      Deze videoblog bevat essentiële inzichten voor degenen die werken met de complexiteit van voorraadbeheer. De sessie richt zich op het vinden van het juiste evenwicht binnen de voorraadafwegingscurve en nodigt kijkers uit om het diepgewortelde belang van dit evenwicht te begrijpen.

      recente berichten

      • Smart Software is bezig met het aanpassen van onze producten om u te helpen omgaan met uw eigen onregelmatige werkzaamhedenOnregelmatige operaties
        This blog is about “irregular operations.” Smart Software is in the process of adapting our products to help you cope with your own irregular ops. This is a preview. […]
      • Epicor AI-voorspellings- en inventaristechnologie gecombineerd met plannerkennis voor inzichtenSlimme software gepresenteerd op Epicor Insights 2024
        Smart Software zal dit jaar aanwezig zijn op het Epicor Insights-evenement in Nashville. Als u van plan bent dit jaar aanwezig te zijn, bezoek dan stand #13 of #501 en leer meer over Epicor Smart Inventory Planning and Optimization. . […]
      • Op zoek naar problemen met uw voorraadgegevensOp zoek naar problemen met uw voorraadgegevens
        In deze videoblog wordt een cruciaal aspect van voorraadbeheer in de schijnwerpers gezet: de analyse en interpretatie van voorraadgegevens. De focus ligt specifiek op een dataset van een openbaar vervoersbedrijf met details over reserveonderdelen voor bussen. […]
      • BAF Case Study SIOP-planning DistributiecentrumBig Ass-fans wenden zich tot slimme software naarmate de vraag toeneemt
        Big Ass Fans is de best verkopende fabrikant van grote ventilatoren ter wereld en levert comfort in ruimtes waar comfort onmogelijk lijkt. BAF had een probleem: hoe kon de productie betrouwbaar worden gepland om aan de vraag te voldoen. BAF ervoer een kloof tussen de prognoses van boekingen en de verzendingen, en dit had gevolgen voor de omzet en de klanttevredenheid. BAF wendde zich tot Smart Software voor hulp. […]
      • De kosten als u niets doet met uw voorraadplanningssystemenDe kosten van spreadsheetplanning
        Bedrijven die afhankelijk zijn van spreadsheets voor vraagplanning, prognoses en voorraadbeheer worden vaak beperkt door de inherente beperkingen van de spreadsheet. Dit artikel onderzoekt de nadelen van traditionele voorraadbeheerbenaderingen veroorzaakt door spreadsheets en de daarmee samenhangende kosten, en contrasteert deze met de aanzienlijke voordelen die worden behaald door het omarmen van de modernste planningstechnologieën. […]

        Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

        • Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebbenWaarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebben
          MRO-organisaties bestaan in een breed scala van industrieën, waaronder openbaar vervoer, elektriciteitsbedrijven, afvalwater, waterkracht, luchtvaart en mijnbouw. Om hun werk gedaan te krijgen, gebruiken MRO-professionals Enterprise Asset Management (EAM) en Enterprise Resource Planning (ERP)-systemen. Deze systemen zijn ontworpen om veel taken uit te voeren. Gezien hun kenmerken, kosten en uitgebreide implementatievereisten wordt aangenomen dat EAM- en ERP-systemen het allemaal kunnen. In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen. […]
        • Vraag naar reserveonderdelen voorspellen-een-ander-perspectief-voor-planning-service-onderdelenDe voorspelling is belangrijk, maar misschien niet zoals u denkt
          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. […]
        • Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraadWaarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad
          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. […]
        • Belangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelenBelangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelen
          In het huidige competitieve zakelijke landschap zijn bedrijven voortdurend op zoek naar manieren om hun operationele efficiëntie te verbeteren en meer inkomsten te genereren. Het optimaliseren van het beheer van serviceonderdelen is een vaak over het hoofd gezien aspect dat een aanzienlijke financiële impact kan hebben. Bedrijven kunnen de algehele efficiëntie verbeteren en aanzienlijke financiële opbrengsten genereren door de voorraad reserveonderdelen effectief te beheren. Dit artikel gaat in op de economische implicaties van geoptimaliseerd beheer van serviceonderdelen en hoe investeren in software voor voorraadoptimalisatie en vraagplanning een concurrentievoordeel kan opleveren. […]