Waarom dagen van bevoorradingsdoelen niet werken bij het berekenen van veiligheidsvoorraden

CFO's vertellen ons dat ze minder aan voorraad moeten uitgeven zonder de verkoop te beïnvloeden. Een manier om dat te doen is om af te stappen van het gebruik van een gerichte leveringsdag om bestelpunten en veiligheidsvoorraadbuffers te bepalen. Hier is hoe een bevoorradingsdagenmodel werkt:

1. Bereken de gemiddelde vraag per dag en vermenigvuldig de vraag per dag met de doorlooptijd van de leverancier in dagen om de doorlooptijdvraag te krijgen
2. Kies een dagen voorraadbuffer (dwz 15, 30, 45 dagen, enz.). Gebruik grotere buffers voor belangrijkere items en kleinere buffers voor minder belangrijke items.
3. Voeg de gewenste dagen aan voorraadbuffer toe aan de vraag over de doorlooptijd om het bestelpunt te krijgen. Bestel meer als de voorhanden voorraad onder het bestelpunt daalt

Dit is wat er mis is met deze benadering:

1. Het gemiddelde houdt geen rekening met seizoensinvloeden en trends – u zult duidelijke patronen missen, tenzij u er veel tijd aan besteedt om deze handmatig aan te passen.
2. Het gemiddelde houdt geen rekening met hoe voorspelbaar een artikel is - u zult voorspelbare artikelen te veel in voorraad hebben en minder voorspelbare artikelen. Dit komt omdat dezelfde leveringsdagen voor verschillende artikelen een heel ander voorraadrisico opleveren.
3. Het gemiddelde vertelt een planner niet hoe het voorraadrisico wordt beïnvloed door het voorraadniveau - u hebt geen idee of u ondervoorraad, overbevoorrading of net genoeg hebt. Je plant in wezen met oogkleppen op.

Er zijn veel andere "vuistregel"-benaderingen die even problematisch zijn. Hierin kunt u meer over hen te weten komen na. 

Een betere manier om de juiste hoeveelheid veiligheidsvoorraad te plannen, is gebruik te maken van waarschijnlijkheidsmodellen die precies aangeven hoeveel voorraad nodig is gezien het risico van voorraad die u bereid bent te accepteren. Hieronder ziet u een screenshot van Smart Inventory Optimization die precies dat doet. Ten eerste beschrijft het de voorspelde serviceniveaus (waarschijnlijkheid van niet bevoorraden) in verband met de huidige dagen van leveringslogica. De planner kan nu de onderdelen zien waar het voorspelde serviceniveau te laag of te duur is. Ze kunnen dan onmiddellijke correcties aanbrengen door zich te richten op de gewenste serviceniveaus en het niveau van voorraadinvesteringen. Zonder deze informatie zal een planner niet weten of de beoogde dagen veiligheidsvoorraad te veel, te weinig of precies goed zijn, wat resulteert in overvoorraden en tekorten die marktaandeel en inkomsten kosten. 

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.

Bij het bepalen van de juiste opslagparameters voor reserveonderdelen en serviceonderdelen, is het belangrijk om onderscheid te maken tussen verbruiksartikelen en repareerbare serviceonderdelen. Deze verschillen worden vaak over het hoofd gezien door service software voor onderdelenplanning en kan onjuist zijn schattingen van wat er moet worden opgeslagen. Er zijn verschillende benaderingen vereist bij het plannen van verbruiksartikelen versus repareerbare reserveonderdelen.

Laten we eerst deze twee soorten reserveonderdelen definiëren.

• Verbruiksartikelen zijn reserveonderdelen in de apparatuur die worden vervangen in plaats van gerepareerd wanneer ze defect raken. Voorbeelden van verbruiksartikelen zijn batterijen, oliefilters, schroeven en remblokken. Verbruiksbare reserveonderdelen zijn doorgaans goedkopere onderdelen waarvoor vervanging goedkoper is dan reparatie of reparatie is misschien niet mogelijk.
• Herstelbare onderdelen zijn onderdelen die kunnen worden gerepareerd en weer in gebruik kunnen worden genomen nadat ze defect zijn geraakt door oorzaken zoals slijtage, schade of corrosie. Repareerbare serviceonderdelen zijn meestal duurder dan verbruiksonderdelen, dus reparatie heeft meestal de voorkeur boven vervanging. Voorbeelden van repareerbare onderdelen zijn tractiemotoren in treinwagons, straalmotoren en kopieermachines.

Traditionele software voor het plannen van reserveonderdelen voldoet niet

Traditionele software voor het plannen van onderdelen is niet goed aangepast om met de willekeur aan zowel de vraagzijde als de aanbodzijde van MRO-activiteiten om te gaan.

Willekeurigheid aan de vraagzijde
Planning voor verbruikbare reserveonderdelen vereist berekening van parameters voor voorraadbeheer (zoals bestelpunten en bestelhoeveelheden, min- en max-niveaus en veiligheidsvoorraden). Het plannen van het beheer van repareerbare serviceonderdelen vereist berekening van het juiste aantal reserveonderdelen. In beide gevallen moet de analyse gebaseerd zijn op waarschijnlijkheidsmodellen van het willekeurig gebruik van verbruiksgoederen of het willekeurig uitvallen van herstelbare onderdelen. Voor meer dan 90% van deze onderdelen is dit willekeurig de vraag is "met tussenpozen" (soms "klonterig" of "alles behalve normaal verdeeld" genoemd). Traditionele prognosemethoden voor reserveonderdelen zijn niet ontwikkeld om met een wisselende vraag om te gaan. Vertrouwen op traditionele methoden leidt tot kostbare planningsfouten. Voor verbruiksgoederen betekent dit vermijdbare voorraden, buitensporige transportkosten en meer verouderde voorraden. Voor repareerbare onderdelen betekent dit buitensporige uitvaltijd van apparatuur en de daarmee gepaard gaande kosten van onbetrouwbare prestaties en verstoring van de bedrijfsvoering.

Willekeurigheid aan de aanbodzijde
Bij het plannen van verbruikbare reserveonderdelen moet rekening worden gehouden met willekeur bij het aanvullen doorlooptijden van leveranciers. Bij het plannen van repareerbare onderdelen moet rekening worden gehouden met willekeur in reparatie- en retourprocessen, of deze nu intern worden uitgevoerd of worden uitbesteed. Planners die deze items beheren, negeren vaak bruikbare bedrijfsgegevens. In plaats daarvan kunnen ze hun vingers kruisen en hopen dat alles goed komt, of ze kunnen een beroep doen op hun instinct om "hoorbare geluiden te roepen" en dan hopen dat alles goed komt. Hopen en raden kunnen niet op tegen goede kansmodellering. Het verspilt jaarlijks miljoenen aan onnodige kapitaalinvesteringen en vermijdbare uitvaltijd van apparatuur.

Of u nu 'Min/Max' of 'bestelpunt' en 'bestelhoeveelheid' gebruikt om te bepalen wanneer en hoeveel u moet bijvullen, uw aanpak kan enorme efficiëntie opleveren of juist niet. Belangrijkste fouten om te vermijden:

1. Niet regelmatig opnieuw kalibreren
2. Min/Max alleen bekijken als er een probleem is
3. Het gebruik van prognosemethoden voldoet niet aan de taak
4. Ervan uitgaande dat gegevens te traag of onvoorspelbaar zijn om er toe te doen

“We hebben meer dan 150.000 combinaties van SKU x locatie. Onze vraag is intermitterend. Omdat het langzaam gaat, hoeven we onze bestelpunten niet vaak opnieuw te berekenen. We doen dit misschien één keer per jaar, maar we bekijken de bestelpunten wanneer er een probleem is.” - Materiaalbeheerder.

Deze reactieve benadering zal leiden tot miljoenen overtollige voorraden, voorraadtekorten en veel tijdverspilling bij het beoordelen van gegevens wanneer 'er iets misgaat'. Toch heb ik in de loop der jaren van zoveel voorraadprofessionals ditzelfde afzien gehoord. Het is duidelijk dat we meer moeten doen om te delen waarom dit denken zo problematisch is.

Het is waar dat voor veel onderdelen een herberekening van de bestelpunten met up-to-date historische gegevens en doorlooptijden niet veel zal veranderen, vooral als patronen zoals trend of seizoensinvloeden niet aanwezig zijn. Veel onderdelen hebben echter baat bij een herberekening, vooral als de doorlooptijden of de recente vraag zijn veranderd. Bovendien neemt de kans op een significante wijziging die een herberekening noodzakelijk maakt, toe naarmate u langer wacht. Ten slotte hebben die maanden zonder eisen ook invloed op de kansen en mogen niet ronduit worden genegeerd. Het belangrijkste punt is echter dat het onmogelijk is om te weten wat er wel of niet zal veranderen in uw prognose, dus het is beter om regelmatig opnieuw te kalibreren.

Deze opvallende casus uit gegevens uit de echte wereld illustreert een scenario waarin regelmatige en geautomatiseerde herkalibratie uitblinkt: de voordelen van snelle reacties op veranderende vraagpatronen zoals deze tellen snel op. In het bovenstaande voorbeeld vertegenwoordigt de X-as dagen en vertegenwoordigt de Y-as de vraag. Als u enkele maanden zou moeten wachten tussen het opnieuw kalibreren van uw bestelpunten, zou u ongetwijfeld veel te vroeg bestellen. Door uw bestelpunt veel vaker opnieuw te kalibreren, vangt u de verandering in de vraag op, waardoor u veel nauwkeuriger kunt bestellen.

In plaats van te wachten tot u een probleem hebt, kunt u alle onderdelen elke planningscyclus minstens één keer per maand opnieuw kalibreren. Hierdoor wordt gebruik gemaakt van de nieuwste gegevens en wordt het voorraadbeleid proactief aangepast, waardoor problemen worden vermeden die handmatige controles en voorraadtekorten of -overschotten zouden veroorzaken.

De aard van uw (potentieel gevarieerde) gegevens moet ook worden gekoppeld aan de juiste prognosetools. Als records voor sommige onderdelen trend- of seizoenspatronen laten zien, kan het gebruik van targetingprognosemethoden om deze patronen te accommoderen een groot verschil maken. Evenzo, als de gegevens frequente nulwaarden laten zien (intermitterende vraag), kunnen voorspellingsmethoden die niet rond dit speciale geval zijn gebouwd, gemakkelijk onbetrouwbare resultaten opleveren.

Automatiseer, herkalibreer en bekijk uitzonderingen. Speciaal gebouwde software doet dit automatisch. Zie het op een andere manier: is het beter om eenmaal per jaar een hoop geld in uw 401K te storten of "dollarkostengemiddelde" door het hele jaar door kleinere, even grote bedragen te storten. Het regelmatig opnieuw kalibreren van beleid zal in de loop van de tijd een maximaal rendement opleveren, net zoals dollar cost avering dat zal doen voor uw beleggingsportefeuille.

Hoe vaak herijkt u uw voorraadbeleid opnieuw? Waarom?

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