Effectief supply chain- en voorraadbeheer zijn essentieel voor het bereiken van operationele efficiëntie en klanttevredenheid. Deze blog biedt duidelijke en beknopte antwoorden op enkele basisvragen en andere veelvoorkomende vragen van onze Smart IP&O-klanten, en biedt praktische inzichten om typische uitdagingen te overwinnen en uw voorraadbeheerpraktijken te verbeteren. Met de focus op deze belangrijke gebieden helpen we u complexe voorraadproblemen om te zetten in strategische, beheersbare acties die kosten verlagen en de algehele prestaties verbeteren met Smart IP&O.

1. Wat is de doorlooptijdvraag?
De vraag zal naar verwachting optreden gedurende de aanvultijd. De vraag tijdens de aanvoertijd wordt bepaald door De voorspellingsmethoden van Smart. 

2. Wat is de Min en hoe wordt deze berekend?
De Min wordt weergegeven in het drivers-gedeelte van SIO is het bestelpunt en is de som van de doorlooptijdvraag en de veiligheidsvoorraad. Wanneer de voorraad onder het minimum zakt vanwege de vraag, moet u meer bestellen. Smart heeft ook een "min" in het veld "bestelregels" van SIO, dit is de minimale bestelhoeveelheid die u bij een leverancier kunt plaatsen. 

3. Wat is de Max en hoe wordt deze berekend?
Het maximum is de grootste hoeveelheid voorraad die op de plank zal liggen als u zich aan het bestelbeleid houdt. De Max is de som van de Min (herorderpunt) plus de gedefinieerde OQ. 

4. Hoe bepaal je de bestelhoeveelheid (OQ)?
De bestelhoeveelheid wordt in eerste instantie geïmporteerd uit uw ERP-systeem. Deze kan worden gewijzigd op basis van een aantal door de gebruiker gedefinieerde keuzes, waaronder:

Vraag naar meerdere doorlooptijden
Meerdere maandelijkse of wekelijkse vraag
Aanbevolen OQ van Smart

5. Wat is de economische bestelhoeveelheid?
Het is de volgorde hoeveelheid die zal minimaliseren de totale kosten, rekening houdend met de kosten voor het aanhouden en bestellen van de voorraad. 

6. Wat is de “aanbevolen OQ” die Smart berekent?
Het betreft de economische bestelhoeveelheid plus een aanpassing indien nodig om ervoor te zorgen dat de omvang van de bestelling groter is dan of gelijk is aan de vraag gedurende de doorlooptijd.

7. Waarom voorspelt het systeem dat we een lage Service Level?
Smart voorspelt het serviceniveau dat zal resulteren uit het opgegeven voorraadbeleid (Min/Max of Reorder Point/Order Quantity), ervan uitgaande dat dat beleid wordt nageleefd. Wanneer het voorspelde serviceniveau laag is, kan dit betekenen dat de verwachte vraag gedurende de doorlooptijd groter is dan het reorder point (Min). Wanneer de vraag gedurende de replenishment lead time groter is dan het reorder point, is de kans groter dat uw voorraad op is, wat resulteert in een laag serviceniveau. Het kan ook zijn dat uw lead time voor replenishment niet nauwkeurig is ingevoerd. Als de ingevoerde lead time langer is dan de werkelijkheid, dekt het reorder point mogelijk niet de vraag gedurende de doorlooptijd. Controleer uw lead time inputs.

8. Waarom wordt het serviceniveau weergegeven als nul, terwijl het bestelpunt (of minimum) niet nul is?
Smart voorspelt het serviceniveau die het gevolg zal zijn van het opgegeven voorraadbeleid (Min/Max of bestelpunt/bestelhoeveelheid), ervan uitgaande dat dit beleid wordt nageleefd. Wanneer het voorspelde serviceniveau laag is, kan dit betekenen dat de verwachte vraag gedurende de doorlooptijd groter is dan het bestelpunt (Min), soms vele malen groter, wat vrijwel zeker een voorraadtekort zou garanderen. Wanneer de vraag gedurende de aanvuldoorlooptijd groter is dan het bestelpunt, is de kans op voorraadtekort groter, wat resulteert in een laag serviceniveau. Het kan ook zijn dat uw doorlooptijd voor aanvulling niet nauwkeurig is ingevoerd. Als de ingevoerde doorlooptijd langer is dan de werkelijkheid, dekt het bestelpunt mogelijk niet de vraag gedurende de doorlooptijd. Controleer uw invoer voor de doorlooptijd.

9. Maar mijn werkelijke serviceniveau is niet zo laag als Smart voorspelt. Hoe kan dat?
Dat kan waar zijn omdat Smart uw serviceniveau voorspelt als u zich aan het beleid houdt. Het is mogelijk dat u zich niet aan het beleid houdt. het beleid waarop de voorspelling van het serviceniveau is gebaseerd.  Als uw on-hand inventory hoger is dan uw Max-hoeveelheid, houdt u zich niet aan het beleid. Controleer uw invoerveronderstellingen voor doorlooptijd. Uw werkelijke doorlooptijden kunnen veel korter zijn dan ingevoerd, wat resulteert in een voorspeld serviceniveau dat lager is dan u verwacht.

10. Smart lijkt te veel voorraad aan te bevelen, of in ieder geval meer dan ik zou verwachten. Waarom?
U moet overwegen om de inputs te evalueren, zoals serviceniveau en doorlooptijden. Misschien zijn uw werkelijke doorlooptijden niet zo lang als de doorlooptijd die Smart gebruikt. We hebben situaties gezien waarin leveranciers hun geoffreerde doorlooptijden kunstmatig opblazen om ervoor te zorgen dat ze altijd op tijd zijn. Als u die doorlooptijd gebruikt bij het berekenen van uw veiligheidsvoorraden, zult u onvermijdelijk te veel voorraad hebben. Bekijk daarom uw werkelijke doorlooptijdgeschiedenis (Smart levert hiervoor het leveranciersprestatierapport) om een idee te krijgen van de werkelijke doorlooptijden en pas deze dienovereenkomstig aan. Of het is mogelijk dat u vraagt om een zeer hoog serviceniveau dat verder kan worden verergerd door een zeer volatiel artikel met verschillende significante pieken in de vraag. Wanneer de vraag aanzienlijk fluctueert ten opzichte van het gemiddelde, zal het gebruik van een hoge serviceniveaudoelstelling (98%+) resulteren in voorraadbeleid dat is ontworpen om zelfs zeer grote pieken te dekken. Probeer een lagere serviceniveaudoelstelling of verkort de doorlooptijd (ervan uitgaande dat de opgegeven doorlooptijd niet langer realistisch is) en uw voorraad zal afnemen, soms zeer substantieel.

11. Smart maakt gebruik van pieken in de vraag. Ik wil niet dat het rekening houdt met de vraag en het vergroot de voorraad. Hoe kan ik dit oplossen?
Als u zeker weet dat de piek niet opnieuw zal optreden, kunt u deze verwijderen uit de historische gegevens via een override met behulp van Smart Demand Planner. U moet het prognoseproject openen dat dat item bevat, de geschiedenis aanpassen en de aangepaste geschiedenis opslaan. U kunt contact opnemen met de technische ondersteuning om u te helpen dit in te stellen. Als de pieken deel uitmaken van de normale willekeur die soms kan optreden, is het het beste om het met rust te laten. Overweeg in plaats daarvan een lagere serviceniveaudoelstelling. De lagere doelstelling betekent dat de bestelpunten niet zo vaak de extreme waarden hoeven te dekken, wat resulteert in een lagere voorraad.

12. Wanneer ik de bestelhoeveelheid of het maximum wijzig, veranderen mijn cyclusserviceniveaus niet. Waarom?
Smart rapporteert over "cycle service level" en "service level". Wanneer u uw bestelhoeveelheden en maximale hoeveelheden wijzigt, heeft dit geen invloed op het "cycle service level", omdat cycle service levels alleen rapporteren over prestaties tijdens de aanvullingsperiode. Dit komt omdat het enige dat u beschermt tegen een voorraadtekort nadat de bestelling is geplaatst (en u moet wachten tot de bestelling arriveert voor de aanvulling) het bestelpunt of Min is. Het wijzigen van de grootte van de bestelhoeveelheid of Max on hand (tot niveaus) heeft geen invloed op uw cycle service levels. Cycle service level wordt alleen beïnvloed door de grootte van de bestelpunten en de hoeveelheid veiligheidsvoorraad die wordt toegevoegd, terwijl het "service level" van Smart verandert wanneer u zowel bestelpunten als bestelhoeveelheden wijzigt.

13. Mijn voorspelling lijkt onjuist. Er worden geen ups en downs weergegeven die in de geschiedenis zijn waargenomen, waarom?
Een goede voorspelling is het getal dat het dichtst bij de werkelijkheid ligt in vergelijking met andere getallen die voorspeld hadden kunnen worden. Wanneer de historische ups en downs niet in voorspelbare intervallen plaatsvinden, is de beste voorspelling er vaak een die deze historische ups en downs gemiddeld of gladstrijkt. Een voorspelling die toekomstige ups en downs voorspelt die historisch gezien niet in duidelijke patronen voorkomen, is waarschijnlijk minder nauwkeurig dan een voorspelling die alleen een rechte lijn of trendlijn voorspelt.

14. Wat is optimalisatie? Hoe werkt het?
Optimalisatie is een optie voor het instellen van voorraadbeleid waarbij de software het voorraadbeleid kiest dat de laagste totale operationele kosten oplevert. Als een artikel bijvoorbeeld erg duur is om te bewaren, zou een beleid met meer stockouts, maar minder voorraad, lagere totale kosten opleveren dan een beleid met minder stockouts en meer voorraad. Aan de andere kant, als het artikel hoge stockout-kosten heeft, zou een beleid dat minder stockouts oplevert maar meer voorraad vereist, meer financieel voordeel opleveren dan een beleid met minder voorraad maar meer stockouts. Bij gebruik van de optimalisatiefunctie moet de gebruiker de service level floor (het minimale serviceniveau) opgeven. De software zal dan beslissen of een hoger serviceniveau een beter rendement oplevert. Als dat het geval is, zal het herorderbeleid zich richten op het hogere serviceniveau. Als dat niet het geval is, zal het herorderbeleid standaard de door de gebruiker gedefinieerde service level floor gebruiken. Deze webinar biedt details en uitleg over de wiskunde achter optimalisatie.  https://www.screencast.com/t/3CfKJoMe2Uj

15. Wat is een what-if-scenario?
Met what-if-scenario's kunt u verschillende door de gebruiker gedefinieerde keuzes van voorraadbeleid uitproberen en de voorspelde impact op statistieken zoals serviceniveaus, vulpercentages en voorraadwaarde testen. Om deze scenario's te verkennen, klikt u op het tabblad Drivers, op het samenvattingsniveau of op het niveau 'Artikelen', en voert u de gewenste aanpassingen in. U kunt vervolgens opnieuw berekenen hoe deze wijzigingen uw algehele voorraadprestaties zouden beïnvloeden. Hiermee kunt u verschillende strategieën vergelijken en de meest kosteneffectieve en efficiënte aanpak voor uw toeleveringsketen selecteren.

Door veelvoorkomende vragen en uitdagingen aan te pakken, hebben we bruikbare inzichten geboden om u te helpen uw voorraadbeheerpraktijken te verbeteren. Met Smart IP&O beschikt u over de tools die u nodig hebt om weloverwogen voorraadbeslissingen te nemen, kosten te verlagen en de algehele prestaties te verbeteren.

In deze videoblog leggen we uit hoe tijdreeksvoorspellingen naar voren zijn gekomen als een cruciaal hulpmiddel, vooral op dagelijks niveau, waarmee Smart Software sinds de oprichting ruim veertig jaar geleden pionierde. De evolutie van bedrijfspraktijken van jaarlijkse naar meer verfijnde temporele stappen zoals maandelijkse en nu dagelijkse data-analyse illustreert een significante verschuiving in operationele strategieën.

Aanvankelijk, in de jaren tachtig, werd de gebruikelijke praktijk van het gebruik van jaarlijkse gegevens voor prognoses en de introductie van maandelijkse gegevens als innovatief beschouwd. Deze periode markeerde het begin van een trend in de richting van het verhogen van de resolutie van data-analyse, waardoor bedrijven snellere verschuivingen in de marktdynamiek kunnen opvangen en hierop kunnen reageren. Naarmate we verder kwamen in de jaren 2000, was de norm van maandelijkse data-analyse ingeburgerd, maar de 'cool kids' – vernieuwers aan de rand van business analytics – begonnen te experimenteren met wekelijkse data. Deze verschuiving werd gedreven door de noodzaak om de bedrijfsactiviteiten te synchroniseren met de steeds volatielere marktomstandigheden en het consumentengedrag dat snellere reacties vergde dan maandelijkse cycli konden bieden. Tegenwoordig, in de jaren 2020, is de grens weliswaar nog steeds gebruikelijk, maar is de grens opnieuw verschoven, dit keer naar dagelijkse data-analyse, waarbij sommige pioniers zich zelfs aan uuranalyses wagen.

De echte kracht van dagelijkse data-analyse ligt in het vermogen om een gedetailleerd beeld te geven van de bedrijfsvoering, waarbij dagelijkse schommelingen worden vastgelegd die door maandelijkse of wekelijkse gegevens over het hoofd kunnen worden gezien. De complexiteit van dagelijkse gegevens vereist echter geavanceerde analytische benaderingen om betekenisvolle inzichten te verkrijgen. Op dit niveau vereist het begrijpen van de vraag het worstelen met concepten als wisselvalligheid, seizoensinvloeden, trends en volatiliteit. Intermittentie, of het optreden van dagen zonder vraag, wordt duidelijker bij een dagelijkse granulariteit en vereist gespecialiseerde voorspellingstechnieken zoals de methode van Croston voor nauwkeurige voorspellingen. Seizoensgebondenheid op dagelijks niveau kan meerdere patronen aan het licht brengen, zoals hogere verkopen in het weekend of op feestdagen, die maandelijkse gegevens zouden maskeren. Trends kunnen worden waargenomen als stijgingen of dalingen van de vraag op de korte termijn, waardoor flexibele aanpassingsstrategieën nodig zijn. Ten slotte wordt de volatiliteit op dagelijks niveau geaccentueerd, wat significantere schommelingen in de vraag laat zien dan uit maandelijkse of wekelijkse analyses blijkt, wat van invloed kan zijn op de voorraadbeheerstrategieën en de behoefte aan buffervoorraden. Dit niveau van complexiteit onderstreept de behoefte aan geavanceerde analytische hulpmiddelen en expertise op het gebied van dagelijkse data-analyse.

Kortom, de evolutie van minder frequente naar dagelijkse tijdreeksvoorspellingen markeert een substantiële verschuiving in de manier waarop bedrijven data-analyse benaderen. Deze transitie weerspiegelt niet alleen het steeds snellere tempo van het bedrijfsleven, maar onderstreept ook de behoefte aan tools die een grotere granulariteit van de gegevens aankunnen. De toewijding van Smart Software aan het verfijnen van de analytische mogelijkheden voor het beheren van dagelijkse gegevens benadrukt de bredere beweging van de sector naar meer dynamische, responsieve en datagestuurde besluitvorming. Deze verschuiving gaat niet alleen over het bijhouden van de tijd, maar over het benutten van gedetailleerde inzichten om concurrentievoordelen te creëren in een steeds veranderende zakelijke omgeving.

​

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

Wat is een digitale tweeling?

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

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

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

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

Gebruiken mensen digital twins in mijn branche?

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

DT-voorbeeld

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

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

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

Overzicht

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

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

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

De uitdaging

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

Berekening van de beste min- en max-waarden

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

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

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

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

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

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

Conclusies

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

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

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

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

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

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