Overstocking van voorraden kan zowel de financiële stabiliteit als de operationele efficiëntie schaden. Wanneer een organisatie overstocking heeft, legt het kapitaal vast in overtollige voorraden die mogelijk niet verkocht worden, wat de opslagkosten en het risico op veroudering van de voorraad verhoogt. Bovendien hadden de fondsen die gebruikt werden om de overtollige voorraad te kopen beter geïnvesteerd kunnen worden in andere gebieden van het bedrijf, zoals marketing of onderzoek en ontwikkeling. Overstocking belemmert ook de cashflow, omdat geld vastzit in voorraden in plaats van beschikbaar is voor onmiddellijke operationele behoeften. Effectief voorraadbeheer is cruciaal voor het behouden van een gezonde balans en het verzekeren dat middelen optimaal worden toegewezen. Hier volgt een diepgaande verkenning van de belangrijkste oorzaken van overstocking, hun implicaties en mogelijke oplossingen.

1 Onjuiste vraagvoorspelling

Een van de belangrijkste oorzaken van overstocking is onnauwkeurige vraagvoorspelling. Wanneer bedrijven vertrouwen op verouderde voorspellingsmethoden of onvoldoende gegevens, kunnen ze de vraag gemakkelijk overschatten, wat leidt tot overstocking. Een goed voorbeeld is de kledingindustrie, waar modetrends snel kunnen veranderen. Een bekend modemerk kreeg onlangs te maken met uitdagingen nadat het de vraag naar een nieuwe kledinglijn had overschat op basis van gebrekkige data-analyse, wat leidde tot onverkochte voorraad.

Om dit probleem aan te pakken, kunnen bedrijven nieuwe technologieën implementeren die automatisch de beste prognosemethoden voor de gegevens selecteren, waarbij trends en seizoenspatronen worden opgenomen om nauwkeurigheid te garanderen. Door de nauwkeurigheid van de prognose te verbeteren, kunnen bedrijven hun inventaris beter afstemmen op de werkelijke vraag, wat leidt tot nauwkeuriger voorraadbeheer en minder overstockscenario's. Een hardwareretailer die Smart Demand Planner gebruikte, verminderde bijvoorbeeld prognosefouten met 15%, wat het potentieel voor aanzienlijke verbetering in voorraadbeheer aantoont.

2 Onjuist voorraadbeheer

Effectief voorraadbeheer is fundamenteel om overstocking te voorkomen. Zonder nauwkeurige systemen om voorraadniveaus bij te houden, kunnen bedrijven overtollige voorraad bestellen en hogere kosten maken. Dit probleem komt vaak voort uit afhankelijkheid van spreadsheets of inefficiënte ERP-systemen die geen realtime data-integratie hebben.

State-of-the-art technologieën bieden realtime inzicht in voorraadniveaus, waardoor bedrijven bestelprocessen kunnen automatiseren en optimaliseren. Een groot elektriciteitsbedrijf had te maken met uitdagingen bij het behouden van de beschikbaarheid van serviceonderdelen zonder overbevoorrading, waarbij meer dan 250.000 onderdeelnummers werden beheerd in een divers netwerk van elektriciteitsopwekkings- en distributiefaciliteiten. Het bedrijf verving zijn verouderde systeem door Smart IP&O en integreerde het in realtime met hun Enterprise Asset Management (EAM)-systeem. Smart IP&O stelde het nutsbedrijf in staat om 'what-if'-scenario's te gebruiken, digitale tweelingen van alternatieve voorraadbeleid te creëren en prestaties te simuleren op basis van belangrijke prestatie-indicatoren, zoals voorraadwaarde, serviceniveaus, vulpercentages en tekortkosten. Hierdoor kon het nutsbedrijf gerichte aanpassingen doen aan hun voorraadparameters, die vervolgens werden geïmplementeerd in hun EAM-systeem, wat leidde tot optimale aanvullingen van reserveonderdelen.

Het resultaat was significant: een vermindering van de voorraad met $9 miljoen, waardoor er geld en waardevolle magazijnruimte vrijkwam, terwijl de beoogde serviceniveaus van meer dan 99% werden gehandhaafd.

3 overdreven optimistische verkoopprognoses

Bedrijven, met name die in groeifases, kunnen hogere verkopen voorspellen dan ze realiseren, wat leidt tot overtollige voorraad die bedoeld is om te voldoen aan de verwachte vraag die nooit werkelijkheid wordt. Een voorbeeld hiervan is het recente geval met een fabrikant van elektrische voertuigen die hoge verkopen voor zijn vrachtwagen voorspelde, maar te maken kreeg met vertragingen in de productie en een lagere vraag dan verwacht, wat resulteerde in een overschot aan componenten en onderdelen. Deze verkeerde berekening leidde tot hogere opslagkosten en beperkte financiële middelen.

Een ander bedrijf in de automotive aftermarket had moeite om onderdelen die af en toe werden gevraagd nauwkeurig te voorspellen, wat vaak resulteerde in overstocking en stockouts. Met behulp van AI-gestuurde technologie kon het bedrijf backorders en verloren verkopen aanzienlijk verminderen, met een verbetering van de vulpercentages van 93% naar 96% binnen slechts drie maanden. Door gebruik te maken van Smart IP&O-prognosetechnologieën kon het bedrijf nauwkeurige schattingen genereren van de cumulatieve vraag over doorlooptijden, wat een beter zicht bood op potentiële vraagscenario's. Dit zorgde voor geoptimaliseerde voorraadniveaus, lagere opslagkosten en verbeterde financiële efficiëntie door de voorraad af te stemmen op de werkelijke vraag.

4 Kortingen bij bulkaankopen

De aantrekkingskracht van kostenbesparingen door bulkaankopen kan bedrijven ertoe aanzetten om meer te kopen dan nodig is, waardoor kapitaal en opslagruimte worden vastgelegd. Dit leidt vaak tot opslagproblemen wanneer overtollige voorraad wordt besteld om korting te krijgen.

Om deze uitdaging aan te gaan, moeten bedrijven de voordelen van bulkkortingen afwegen tegen de kosten van het aanhouden van overtollige voorraad. Technologie van de volgende generatie kan helpen de meest kosteneffectieve inkoopstrategie te identificeren door directe besparingen in evenwicht te brengen met opslagkosten op de lange termijn. Door Smart IP&O te implementeren, kon MNR de voorraadvereisten nauwkeurig voorspellen en zijn voorraadbeheerprocessen optimaliseren. Dit leidde tot een vermindering van 8% in de onderdelenvoorraad, waardoor een hoog klantenserviceniveau van 98,7% werd bereikt en de voorraadgroei voor nieuwe apparatuur werd teruggebracht van een geprojecteerde 10% naar slechts 6%.

5 Seizoensgebonden Vraagschommelingen

Moeilijkheden bij het afstemmen van de voorraad op de seizoensgebonden vraag kunnen leiden tot overtollige voorraad zodra de piekverkoopperiode voorbij is. Speelgoedfabrikanten kunnen bijvoorbeeld te veel speelgoed met een vakantiethema produceren, alleen om na de feestdagen met een lage vraag te worden geconfronteerd. De mode-industrie ervaart vaak soortgelijke uitdagingen, waarbij bepaalde stijlen verouderd raken naarmate de seizoenen veranderen. De nieuwste technologieën kunnen bedrijven helpen om seizoensgebonden vraagverschuivingen te anticiperen en de voorraadniveaus dienovereenkomstig aan te passen. Door eerdere verkoopgegevens te analyseren en toekomstige trends te voorspellen, kunnen bedrijven zich beter voorbereiden op seizoensgebonden schommelingen, het risico op overbevoorrading minimaliseren en de voorraadomzet verbeteren.

6 Variabiliteit in de levertijd van leveranciers

Onbetrouwbare levertijden van leveranciers kunnen leiden tot overstocking als buffer tegen vertragingen. Als levertijden verbeteren of de vraag onverwachts afneemt, kunnen bedrijven overtollige voorraad hebben. Een distributeur van auto-onderdelen kan bijvoorbeeld onderdelen opslaan om vertragingen bij leveranciers te beperken, maar dan merken ze dat de levertijden plotseling verbeteren.

Geavanceerde technologie kan helpen door realtime data en voorspellende analyses te leveren om de variabiliteit van de doorlooptijd beter te beheren. Deze tools stellen bedrijven in staat om hun orders dynamisch aan te passen, waardoor de behoefte aan overmatige veiligheidsvoorraad afneemt.

7 Onvoldoende voorraadbeleid

Verouderde of onjuiste voorraadbeleidsregels, zoals foutieve Min/Max-instellingen, kunnen leiden tot overbestelling. Door echter moderne technologie te gebruiken om voorraadbeleidsregels regelmatig te controleren en bij te werken, wordt ervoor gezorgd dat ze aansluiten bij de huidige bedrijfsbehoeften en marktomstandigheden. Door beleid up-to-date te houden, kunnen bedrijven het risico op overstocking als gevolg van procedurele fouten verminderen. Een recente casestudy liet zien hoe een grote retailer Smart IP&O gebruikte om voorraadbeleidsregels te herzien, wat resulteerde in een 15%-reductie in overstock​​.

8 Promoties en marketingcampagnes

Een verkeerde afstemming tussen marketinginspanningen en de werkelijke vraag van klanten kan ertoe leiden dat bedrijven de impact van promoties overschatten, wat resulteert in onverkochte voorraad. Een cosmeticabedrijf kan bijvoorbeeld een product in beperkte oplage overproduceren, in de verwachting van een hoge vraag die niet uitkomt. Door Smart IP&O in te zetten, kunnen marketinginitiatieven worden afgestemd op realistische vraagverwachtingen, waardoor overtollige voorraad wordt vermeden. Door marketingplannen te integreren met vraagvoorspellingen, kunnen bedrijven hun promotionele strategieën optimaliseren om beter aan te sluiten bij de werkelijke interesse van klanten.

9 Angst voor voorraadtekorten

Bedrijven houden vaak hogere voorraadniveaus aan om voorraadtekorten te voorkomen, wat kan leiden tot omzetverlies en ontevreden klanten. Deze angst kan bedrijven ertoe aanzetten om te veel voorraad aan te leggen als vangnet, vooral in sectoren waar klanttevredenheid en -behoud cruciaal zijn. Een opvallend voorbeeld is een grote winkelketen die zijn voorraad huishoudelijke artikelen aanzienlijk uitbreidde om voorraadtekorten te voorkomen. Hoewel deze strategie aanvankelijk hielp om aan de vraag van klanten te voldoen, resulteerde dit later in overtollige voorraad toen de aankooppatronen van consumenten zich stabiliseerden. Deze overstocking droeg bij aan een winstdaling van bijna 90% in het tweede kwartaal, grotendeels als gevolg van afprijzingen en het opruimen van overtollige voorraad.

Om dergelijke situaties te beperken, kunnen bedrijven geavanceerde voorraadplannings- en optimalisatietools gebruiken om nauwkeurige vraagvoorspellingen te doen. Een toonaangevende elektronicafabrikant gebruikte bijvoorbeeld de Smart IP&O-oplossing om de voorraadniveaus te verlagen met 20% zonder dat dit gevolgen had voor de serviceniveaus. Dit verlaagde effectief de kosten en zorgde ervoor dat de klanttevredenheid behouden bleef door te zorgen dat ze de juiste hoeveelheid voorraad bij de hand hadden.

10 Overcompensatie voor problemen in de toeleveringsketen

Bedrijven kunnen te veel voorraad aanleggen om zich te beschermen tegen voortdurende verstoringen in de toeleveringsketen, maar dit kan leiden tot opslagproblemen. Een technologiebedrijf kan bijvoorbeeld componenten opslaan om mogelijke problemen in de toeleveringsketen te voorkomen, wat resulteert in overtollige voorraad en hogere kosten. Geavanceerde systemen kunnen bedrijven helpen om beter te anticiperen op en te reageren op uitdagingen in de toeleveringsketen, door de behoefte aan veiligheidsvoorraad in evenwicht te brengen met het risico van te veel voorraad. Een technologiebedrijf gebruikte Smart IP&O om zijn voorraadstrategie te stroomlijnen, waarbij de overtollige voorraad werd verminderd tegen 20% en de veerkracht van de toeleveringsketen behouden bleef.

11 Lange levertijden en onbetrouwbare leveranciers

Lange doorlooptijden en onbetrouwbare leveranciers kunnen ertoe leiden dat bedrijven meer voorraad bestellen dan nodig is om potentiële leveringstekorten te dekken. Minder kritieke artikelen waarvan wordt voorspeld dat ze een zeer hoog serviceniveau bereiken, vertegenwoordigen echter kansen om de voorraad te verminderen. Door lagere serviceniveaus te targeten voor minder kritieke artikelen, zal de voorraad na verloop van tijd de "juiste grootte" hebben voor het nieuwe evenwicht, waardoor de opslagkosten en de waarde van de voorraad afnemen. Een groot openbaarvervoersysteem verminderde de voorraad met meer dan $4.000.000 terwijl het serviceniveau werd verbeterd met behulp van onze geavanceerde technologie.

12 Gebrek aan realtime inzicht in de voorraad

Zonder realtime inzicht in de voorraad bestellen bedrijven vaak meer voorraad dan nodig is, wat leidt tot inefficiëntie en hogere kosten. Smart IP&O stelde Seneca-bedrijven in staat om de vraag op elke voorraadlocatie te modelleren en, met behulp van servicelevelgestuurde planning, te bepalen hoeveel er moet worden opgeslagen om het vereiste serviceniveau te bereiken. Door verschillende scenario's uit te voeren en te vergelijken, kunnen ze eenvoudig optimale voorraadbeleidsregels definiëren en bijwerken voor elke technische ondersteuningsvertegenwoordiger en voorraadruimten.

De software heeft veldtechnici bewijs geleverd dat ze voorheen niet hadden, door hun werkelijke verbruik, de frequentie van het gebruik van onderdelen en de reden voor het voorraadbeleid te tonen, waarbij 90% werd gebruikt als de beoogde serviceniveaunorm. Veldtechnici hebben het gebruik ervan omarmd, met significante resultaten: de voorraad "Zero Turns" is gedaald van $400K tot minder dan $100K, de "First Fix Rate" overschrijdt 90% en de totale voorraadinvestering is met meer dan 25% gedaald, van $11 miljoen tot $ 8 miljoen .

Concluderend vormt overstocking een ernstige bedreiging voor de winstgevendheid en efficiëntie van bedrijven, wat leidt tot hogere opslagkosten, vastgelopen kapitaal en mogelijke veroudering van goederen. Deze problemen kunnen de middelen belasten en het vermogen van een bedrijf om te reageren op marktveranderingen beperken. Overstocking kan echter effectief worden beheerd door de oorzaken ervan te begrijpen, zoals onnauwkeurige vraagvoorspellingen, langere doorlooptijden en onbetrouwbare leveranciers. Het implementeren van robuuste AI-gestuurde oplossingen zoals Smart IP&O kan bedrijven helpen voorraadniveaus te optimaliseren, overtollige voorraad te verminderen en de operationele efficiëntie te verbeteren. Door geavanceerde prognose- en voorraadoptimalisatietools te benutten, kunnen bedrijven de juiste balans vinden tussen het voldoen aan de vraag van klanten en het minimaliseren van voorraadgerelateerde kosten.

Misschien herinner je je het verhaal van Goudlokje uit je jeugd lang geleden. Soms was de pap te heet, soms te koud, maar een keer was het precies goed. Nu we volwassen zijn, kunnen we dat sprookje vertalen in een professioneel principe voor voorraadplanning: er kan te weinig of te veel voorraad zijn en er is een bepaald Goudlokje-niveau dat "precies goed" is. Deze blog gaat over het vinden van die sweet spot.

Bekijk dit voorbeeld om onze fabel over de toeleveringsketen te illustreren. Stelt u zich eens voor dat u serviceonderdelen verkoopt om de systemen van uw klanten draaiende te houden. U biedt een bepaald serviceonderdeel aan dat u $100 kost om te maken, maar dat wordt verkocht voor een opslag van 20%. Je kunt $20 verdienen met elke eenheid die je verkoopt, maar je mag niet de hele $20 houden vanwege de voorraadkosten die je draagt om het onderdeel te kunnen verkopen. Er zijn onderhoudskosten om het onderdeel in goede staat te houden terwijl het op voorraad is en bestelkosten om eenheden die u verkoopt aan te vullen. Ten slotte verliest u soms inkomsten uit verloren verkopen als gevolg van stockouts.  

Deze bedrijfskosten kunnen rechtstreeks verband houden met de manier waarop u het onderdeel in voorraad beheert. Neem voor ons voorbeeld aan dat u een (Q,R) voorraadbeleid gebruikt, waarbij Q de hoeveelheid voor de aanvullingsorder is en R het bestelpunt is. Neem verder aan dat de reden dat u geen $30 per eenheid maakt, is dat u concurrenten heeft en dat klanten het onderdeel van hen zullen krijgen als ze het niet van u kunnen krijgen.

Zowel uw omzet als uw kosten zijn op complexe manieren afhankelijk van uw keuzes voor Q en R. Deze zullen bepalen hoeveel u bestelt, wanneer en dus hoe vaak u bestelt, hoe vaak uw voorraad op is en dus hoeveel verkopen u verliest, en hoeveel contant geld dat u vastlegt in de inventaris. Het is onmogelijk om deze relaties op basis van giswerk uit te rekenen, maar moderne software kan de relaties zichtbaar maken en de dollarcijfers berekenen die u nodig hebt om uw keuze van waarden voor Q en R te sturen. Het doet dit door gedetailleerde, op feiten gebaseerde, probabilistische simulaties uit te voeren die kosten en prestaties voorspellen door middel van een groot aantal realistische vraagscenario's.  

Met deze resultaten in de hand, kunt u de marge berekenen die is gekoppeld aan (Q,R) waarden met behulp van de eenvoudige formule

Marge = (Vraag - Verloren omzet) x Winst per verkochte eenheid - Bestelkosten - Aanhoudingskosten.

In deze formule zijn gederfde verkopen, bestelkosten en bewaarkosten afhankelijk van bestelpunt R en bestelhoeveelheid Q.

Afbeelding 1 toont het resultaat van simulaties die Q vaststelden op 25 eenheden en R varieerden van 10 tot 30 in stappen van 5. Hoewel de curve bovenaan vrij vlak is, zou u het meeste geld verdienen door een voorraad van ongeveer 25 eenheden aan te houden ( wat overeenkomt met instelling R = 20). Meer voorraad, ondanks een hoger serviceniveau en minder verloren verkopen, zou iets minder geld opleveren (en veel meer geld opleveren), en minder voorraad zou veel minder opleveren.

Figuur 1: Aantonen dat er te weinig of te veel voorraad aanwezig kan zijn

Zonder te vertrouwen op de inventarissimulatiesoftware, zouden we niet kunnen ontdekken:

• a) dat het mogelijk is om te weinig en te veel inventaris te dragen
• b) wat het beste voorraadniveau is?
• c) hoe er te komen door de juiste keuzes van bestelpunt R en bestelhoeveelheid Q.

Zonder een expliciet begrip van het bovenstaande, zullen bedrijven dagelijkse voorraadbeslissingen nemen op basis van onderbuikgevoel en op middeling gebaseerde vuistregels. De hier beschreven afwegingen worden niet blootgelegd en de resulterende mix van voorraad levert een veel lager rendement op, waardoor honderdduizenden tot miljoenen per jaar aan gederfde winst verloren gaan. Dus wees als Goudlokje. Met de juiste systemen en softwaretools kunt u het ook precies goed krijgen!    

Denk aan het probleem van het aanvullen van de voorraad. Stel dat het betreffende voorraadartikel een reserveonderdeel is, om precies te zijn. Zowel u als uw leverancier zullen een idee willen hebben van hoeveel u gaat bestellen en wanneer. En uw ERP-systeem dringt er misschien op aan dat u ook het geheim prijsgeeft.

Deterministisch model van aanvulling

De eenvoudigste manier om een fatsoenlijk antwoord op deze vraag te krijgen, is aan te nemen dat de wereld, nou ja, eenvoudig is. In dit geval betekent eenvoudig 'niet willekeurig' of, in nerdtaal, 'deterministisch'. In het bijzonder doe je alsof de willekeurige grootte en timing van de vraag in werkelijkheid een continue druppel-druppel-druppel is van een vaste grootte die met een vast interval komt, bijvoorbeeld 2, 2, 2, 2, 2, 2... Als dit onrealistisch lijkt , het is. De echte vraag ziet er misschien meer zo uit: 0, 1, 10, 0, 1, 0, 0, 0 met veel nullen, af en toe maar willekeurige pieken.

Maar eenvoud heeft zijn deugden. Als je net doet alsof de gemiddelde vraag elke dag op rolletjes loopt, is het gemakkelijk om uit te rekenen wanneer je je volgende bestelling moet plaatsen en hoeveel eenheden je nodig hebt. Stel dat uw voorraadbeleid van het type (Q,R) is, waarbij Q een vaste bestelhoeveelheid is en R een vast bestelpunt. Wanneer de voorraad daalt tot of onder het bestelpunt R, bestelt u Q-eenheden meer. Om de fantasie compleet te maken, gaan we ervan uit dat de doorlooptijd voor aanvulling ook vast is: na L dagen zullen die Q nieuwe eenheden op de plank liggen, klaar om aan de vraag te voldoen.

Alles wat u nu nodig heeft om uw vragen te beantwoorden, is de gemiddelde vraag per dag D naar het artikel. De logica gaat als volgt:

1. U begint elke aanvullingscyclus met Q-eenheden bij de hand.
2. Je put die voorraad uit met D eenheden per dag.
3. U bereikt dus het bestelpunt R na (QR)/D dagen.
4. Je bestelt dus elke (QR)/D dagen.
5. Elke aanvullingscyclus duurt (QR)/D + L dagen, dus u maakt in totaal 365D/(Q-R+LD) bestellingen per jaar.
6. Zolang de doorlooptijd L < R/D is, zult u nooit een voorraad hebben en zal uw voorraad zo klein mogelijk zijn.

Afbeelding 1 toont de grafiek van voorhanden voorraad versus tijd voor het deterministische model. Rond Smart Software verwijzen we naar deze plot als de "Deterministische zaagtand". De voorraad begint op het niveau van de laatste bestelhoeveelheid Q. Na gestaag afnemen gedurende de uitvaltijd (QR)/D, bereikt het niveau het bestelpunt R en activeert een bestelling voor nog een Q-eenheden. Gedurende de doorlooptijd L daalt de voorraad tot precies nul, dan komt de nieuwe bestelling op magische wijze aan en begint de volgende cyclus.

Afbeelding 1: deterministisch model van voorhanden voorraad

Dit model heeft twee voordelen. Het vereist niet meer dan algebra van de middelbare school en het combineert (bijna) alle relevante factoren om de twee gerelateerde vragen te beantwoorden: wanneer moeten we de volgende bestelling plaatsen? Hoeveel bestellingen plaatsen we in een jaar?

Probabilistisch model van aanvulling

Het is niet verrassend dat als we een deel van de fantasie uit het deterministische model halen, we meer bruikbare informatie krijgen. Het probabilistische model omvat alle rommelige willekeur in het echte probleem: de onzekerheid in zowel de timing als de omvang van de vraag, de variatie in de doorlooptijd van de aanvulling en de gevolgen van die twee factoren: de kans dat de beschikbare voorraad de nabestelling onderschrijdt punt, de kans dat er een stockout zal zijn, de variabiliteit in de tijd tot de volgende bestelling, en het variabele aantal uitgevoerde bestellingen in een jaar.

Het probabilistische model werkt door de gevolgen van onzekere vraag en variabele doorlooptijd te simuleren. Door de historische vraagpatronen van het item te analyseren (en waarnemingen uit te sluiten die zijn geregistreerd in een tijd waarin de vraag mogelijk fundamenteel anders was), creëren geavanceerde statistische methoden een onbeperkt aantal realistische vraagscenario's. Vergelijkbare analyse wordt toegepast op records van doorlooptijden van leveranciers. Door deze vraag- en aanbodscenario's te combineren met de operationele regels van een bepaald voorraadbeheerbeleid, ontstaan scenario's van het aantal beschikbare onderdelen. Uit deze scenario's kunnen we samenvattingen halen van de variërende intervallen tussen bestellingen.

Figuur 2 toont een voorbeeld van een probabilistisch scenario; de vraag is willekeurig en het artikel wordt beheerd met bestelpunt R = 10 en bestelhoeveelheid Q=20. Voorbij is de deterministische zaagtand; in plaats daarvan is er iets complexer en realistischer (de probabilistische trap). Tijdens de 90 gesimuleerde werkingsdagen werden er 9 bestellingen geplaatst en de tijd tussen de bestellingen varieerde duidelijk.

Met behulp van het probabilistische model worden de antwoorden op de twee vragen (hoe lang tussen orders en hoeveel in een jaar) uitgedrukt als kansverdelingen die de relatieve waarschijnlijkheid van verschillende scenario's weerspiegelen. Figuur 3 toont de verdeling van het aantal dagen tussen orders na tien jaar gesimuleerde werking. Hoewel het gemiddelde ongeveer 8 dagen is, varieert het werkelijke aantal sterk, van 2 tot 17.

In plaats van uw leverancier te vertellen dat u volgend jaar X bestellingen zult plaatsen, kunt u nu X ± Y bestellingen projecteren, en uw leverancier kent de opwaartse en neerwaartse risico's beter. Beter nog, u kunt de volledige distributie als het meest uitgebreide antwoord geven.

Figuur 2 Een probabilistisch scenario van voorhanden voorraad

Figuur 3: Verdeling van dagen tussen bestellingen

De willekeurige trap beklimmen naar grotere efficiëntie

Door verder te gaan dan het deterministische inventarismodel, ontstaan nieuwe mogelijkheden voor het optimaliseren van de bedrijfsvoering. Ten eerste maakt het probabilistische model een realistische beoordeling van het voorraadrisico mogelijk. Het eenvoudige model in afbeelding 1 houdt in dat er nooit een stockout is, terwijl probabilistische scenario's de mogelijkheid toestaan (hoewel er in afbeelding 2 slechts één close call was rond dag 70). Zodra het risico bekend is, kan software optimaliseren door de "ontwerpruimte" (dwz alle mogelijke waarden van R en Q) te doorzoeken om een ontwerp te vinden dat voldoet aan een doelniveau van voorraadrisico tegen minimale kosten. De waarde van het deterministische model in deze meer realistische analyse is dat het een goed startpunt biedt voor de zoektocht door de ontwerpruimte.

Overzicht

Moderne software geeft antwoord op operationele vragen met verschillende gradaties van detail. Aan de hand van het voorbeeld van de tijd tussen aanvullingsorders hebben we laten zien dat het antwoord bij benadering maar snel kan worden berekend met een eenvoudig deterministisch model. Maar het kan ook veel gedetailleerder worden weergegeven, waarbij alle variabiliteit wordt blootgelegd door een probabilistisch model. Wij beschouwen deze alternatieven als complementair. Het deterministische model bundelt alle sleutelvariabelen in een gemakkelijk te begrijpen vorm. Het probabilistische model biedt extra realisme dat professionals verwachten en ondersteunt effectief zoeken naar optimale keuzes van bestelpunt en bestelhoeveelheid.