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.

De meeste statistische prognoses werken in één directe stroom van gegevens uit het verleden naar prognoses. Voorspellen met voorlopende indicatoren werkt op een andere manier. Een leidende indicator is een tweede variabele die van invloed kan zijn op degene die wordt voorspeld. Het toepassen van toetsbare menselijke kennis over de voorspellende kracht in de relatie tussen deze verschillende gegevenssets levert soms superieure nauwkeurigheid op.

Meestal is een prognose uitsluitend gebaseerd op de geschiedenis van het item dat wordt voorspeld. Laten we aannemen dat het probleem van de voorspeller is om de toekomstige verkoop per eenheid van een belangrijk product te voorspellen. Het proces begint met het verzamelen van gegevens over de eerdere verkopen van het product. (Gregory Hartunian deelt wat praktisch advies over het kiezen van de best beschikbare data in een eerder bericht op de Smart Forecaster.) Deze gegevens stromen naar prognosesoftware, die het verkooprecord analyseert om het niveau van willekeurige variabiliteit te meten en alle voorspelbare aspecten te benutten, zoals trend of regelmatige patronen van seizoensvariabiliteit. De prognose is volledig gebaseerd op het gedrag in het verleden van het artikel dat wordt voorspeld. Er wordt expliciet rekening gehouden met niets dat het schommelen en schudden in de verkoopgrafiek van het product zou kunnen hebben veroorzaakt. Deze aanpak is snel, eenvoudig, op zichzelf staand en schaalbaar, omdat software automatisch door een groot aantal prognoses kan bladeren.

Maar soms kan de voorspeller het beter doen, ten koste van meer werk. Als de voorspeller door de mist van willekeur kan kijken en een tweede variabele kan identificeren die van invloed is op degene die wordt voorspeld, een leidende indicator, zijn nauwkeurigere voorspellingen mogelijk.

Stel dat het product vensterglas voor woningen is. Het is goed mogelijk dat stijgingen of dalingen van het aantal bouwvergunningen voor nieuwbouwwoningen enkele maanden later worden weerspiegeld in overeenkomstige stijgingen of dalingen van het aantal bestelde glasplaten. Als de voorspeller deze "vertraagde" of vertraagde relatie in een vergelijking kan destilleren, kan die vergelijking worden gebruikt om de glasverkoop over enkele maanden te voorspellen, dus met behulp van bekende waarden van de leidende indicator. Deze vergelijking wordt een "regressievergelijking" genoemd en heeft de vorm zoiets als:

Verkoop van glas in 3 maanden = 210,9 + 26,7 × Aantal woningen start deze maand.

Voorspellingssoftware kan de gegevens over de start van de woningbouw en de glasverkoop omzetten in zo'n regressievergelijking.

Grafiek met een relatie tussen voorbeeldcijfers voor verschoven bouwvergunningen en de vraag naar glas
Voorlopende indicatoren aangetoond
In tegenstelling tot automatische statistische prognoses op basis van de eerdere verkopen van een product, stuit prognoses met een voorlopende indicator echter op hetzelfde probleem als het spreekwoordelijke recept voor konijnenstoofpot: "Vang eerst een konijn". Hier is de inhoudelijke expertise van de voorspeller cruciaal voor succes. De forecaster moet één of meerdere kandidaten kunnen voordragen voor de functie van leading indicator. Na deze cruciale stap kan op basis van de kennis, ervaring en intuïtie van de voorspeller software worden gebruikt om te verifiëren dat er werkelijk een voorspellende, tijdvertraagde relatie bestaat tussen de kandidaat-voorlopende indicator en de te voorspellen variabele.

Deze verificatiestap wordt uitgevoerd met behulp van een "kruiscorrelatie"-analyse. De software neemt in wezen als invoer een reeks waarden van de te voorspellen variabele en een andere reeks waarden van de veronderstelde leidende indicator. Vervolgens schuift het de gegevens van de voorspellingsvariabele vooruit met achtereenvolgens een, twee, drie, etc. tijdsperioden. Bij elke slip in de tijd (een "lag" genoemd, omdat de leidende indicator steeds verder achterloopt op de voorspellingsvariabele), controleert de software op een associatiepatroon tussen de twee variabelen. Als het een patroon vindt dat te sterk is om te worden verklaard als een statistisch ongeval, wordt het vermoeden van de voorspeller bevestigd.

Het is duidelijk dat prognoses met voorlopende indicatoren meer werk zijn dan prognoses met alleen de eigen waarden uit het verleden van een item. De voorspeller moet een leidende indicator identificeren, te beginnen met een lijst die wordt voorgesteld door de vakkennis van de voorspeller. Dit is een "handgemaakt" proces dat niet geschikt is voor massaproductie van prognoses. Maar het kan een succesvolle aanpak zijn voor een kleiner aantal belangrijke items die de extra moeite waard zijn. De rol van prognosesoftware, zoals ons SmartForecasts-systeem, is om de voorspeller te helpen de leidende indicator te verifiëren en deze vervolgens te benutten.

Thomas Willemain, PhD, was mede-oprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselaer Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.