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.

Het meten van de nauwkeurigheid van prognoses is een onmiskenbaar belangrijk onderdeel van het vraagplanningsproces. Deze voorspellingsscorekaart zou kunnen worden opgebouwd op basis van een van de twee contrasterende gezichtspunten voor het berekenen van metrieken. Vanuit het foutperspectief wordt de vraag gesteld: “Hoe ver lag de voorspelling van de werkelijkheid?” Vanuit het nauwkeurigheidsperspectief wordt de vraag gesteld: “Hoe dicht lag de voorspelling bij de werkelijkheid?” Beide zijn geldig, maar foutstatistieken bieden meer informatie.

Nauwkeurigheid wordt weergegeven als een percentage tussen nul en 100, terwijl foutpercentages bij nul beginnen maar geen bovengrens hebben. Rapporten van MAPE (gemiddelde absolute procentuele fout) of andere foutstatistieken kunnen de titel 'voorspellingsnauwkeurigheid'-rapporten krijgen, waardoor het onderscheid vervaagt. Het kan dus zijn dat u wilt weten hoe u vanuit het foutenperspectief kunt overstappen naar het nauwkeurigheidsperspectief dat uw bedrijf omarmt. In deze blog wordt aan de hand van enkele voorbeelden beschreven hoe.

Nauwkeurigheidsgegevens worden zo berekend dat wanneer de werkelijke waarde gelijk is aan de voorspelling, de nauwkeurigheid 100% is en wanneer de voorspelling het dubbele of de helft is van de werkelijke, de nauwkeurigheid 0% is. Rapporten waarin de voorspelling met de werkelijkheid wordt vergeleken, bevatten vaak het volgende:

• De daadwerkelijke
• De prognose
• Eenheidsfout = Prognose – Werkelijk
• Absolute fout = Absolute waarde van eenheidsfout
• Absolute %-fout = Abs-fout / Werkelijk, als een %
• Nauwkeurigheid % = 100% – Absolute %-fout

Bekijk een paar voorbeelden die het verschil in aanpak illustreren. Stel dat de Werkelijke = 8 en de voorspelling is 10.

Eenheidsfout is 10 – 8 = 2

Absolute %-fout = 2/8, als % = 0,25 * 100 = 25%

Nauwkeurigheid = 100% – 25% = 75%.

Laten we nu zeggen dat de werkelijke waarde 8 is en de voorspelling 24.

Eenheidsfout is 24– 8 = 16

Absolute %-fout = 16/8 als % = 2 * 100 = 200%

Nauwkeurigheid = 100% – 200% = negatief is ingesteld op 0%.

In het eerste voorbeeld leveren nauwkeurigheidsmetingen dezelfde informatie op als foutmetingen, aangezien de voorspelling en de werkelijke situatie al relatief dicht bij elkaar liggen. Maar als de fout meer dan het dubbele is van de werkelijke, komen de nauwkeurigheidsmetingen uit op nul. Het geeft wel correct aan dat de voorspelling helemaal niet accuraat was. Maar het tweede voorbeeld is nauwkeuriger dan een derde, waarbij de werkelijke waarde 8 is en de voorspelling 200. Dat is een onderscheid dat een nauwkeurigheidsbereik van 0 tot 100% niet registreert. In dit laatste voorbeeld:

Eenheidsfout is 200 – 8 = 192

Absolute %-fout = 192/8, als % = 24 * 100 = 2,400%

Nauwkeurigheid = 100% – 2.400% = negatief is ingesteld op 0%.

Foutstatistieken blijven informatie verschaffen over hoe ver de voorspelling afwijkt van de werkelijke en geven aantoonbaar een betere weergave van de nauwkeurigheid van de voorspelling.

Wij moedigen aan om het foutperspectief te hanteren. U hoopt eenvoudigweg op een klein foutpercentage dat aangeeft dat de voorspelling niet ver van de werkelijkheid ligt, in plaats van te hopen op een groot nauwkeurigheidspercentage dat aangeeft dat de voorspelling dicht bij de werkelijkheid ligt. Deze mentaliteitsverandering biedt dezelfde inzichten en elimineert vervormingen.

Verkoopprognoses zijn vaak onnauwkeurig, simpelweg omdat het verkoopteam gedwongen wordt een cijfer te geven, ook al weten ze niet echt wat de vraag van hun klanten zal zijn. Laat de verkoopteams verkopen. Doe geen moeite om het spel te spelen van het veinzen van acceptatie van deze voorspellingen als beide partijen (verkoop en toeleveringsketen) weten dat het vaak niets meer is dan een WAG. Doe dit in plaats daarvan:

• Accepteer variabiliteit in de vraag als een feit van het leven. Ontwikkel een planningsproces dat dat wel doet een betere baan houdt rekening met de variabiliteit van de vraag.

• Maak afspraken over een niveau van voorraadrisico dat acceptabel is voor groepen artikelen.

• Zodra het voorraadrisico is overeengekomen, gebruikt u software om een nauwkeurige schatting te maken van de veiligheidsvoorraad die nodig is om de variabiliteit in de vraag tegen te gaan.

• Ontvang een buy-in. Klanten moeten bereid zijn een hogere prijs per eenheid te betalen om extreem hoge serviceniveaus te kunnen leveren. Verkopers moeten accepteren dat bepaalde items meer kans hebben op backorders als ze prioriteit geven aan voorraadinvesteringen in andere items.

• Het gebruik van een consensus #safetystock-proces zorgt ervoor dat u goed buffert en de juiste verwachtingen schept bij verkoop, klanten, financiën en toeleveringsketen.

Wanneer u dit doet, verlost u alle partijen van het voorspellingsspel dat ze in de eerste plaats niet konden spelen. U krijgt betere resultaten, zoals hogere serviceniveaus met lagere voorraadkosten. En met veel minder vingerwijzen.

Veel bedrijven die hun prognoseproces willen verbeteren, weten niet waar ze moeten beginnen. Het kan verwarrend zijn om te worstelen met het leren van nieuwe statistische methoden, ervoor zorgen dat gegevens correct zijn gestructureerd en bijgewerkt, het eens worden over wie "eigenaar" is van de prognose, definiëren wat eigendom betekent en meetnauwkeurigheid. Na meer dan veertig jaar oefenen hebben we deze blog geschreven om de belangrijkste focus te schetsen en om u aan te moedigen om het in het begin simpel te houden.

1. Objectiviteit. Begrijp en communiceer eerst dat het proces van vraagplanning en -prognose een oefening in objectiviteit is. De focus ligt op het verkrijgen van input uit verschillende bronnen (stakeholders, klanten, functioneel beheerders, databases, leveranciers, enz.) en het bepalen of die input waarde toevoegt. Als u bijvoorbeeld een statistische prognose overschrijft en 20% aan de projectie toevoegt, moet u er niet zomaar van uitgaan dat u het automatisch goed had. Wees in plaats daarvan objectief en controleer of die opheffing de prognosenauwkeurigheid heeft vergroot of verkleind. Als u merkt dat uw overrides de zaken erger hebben gemaakt, heeft u iets gewonnen: dit informeert het proces en u weet dat u in de toekomst override-beslissingen beter kunt onderzoeken.

2. Teamwerk. Erken dat prognoses en vraagplanning teamsporten zijn. Maak afspraken over wie het team zal aanvoeren. De kapitein is verantwoordelijk voor het maken van de statistische basisprognoses en het toezicht houden op het vraagplanningsproces. Maar de resultaten zijn afhankelijk van het feit of iedereen in het team een positieve bijdrage levert, gegevens verstrekt, alternatieve methoden voorstelt, aannames in twijfel trekt en aanbevolen acties uitvoert. De uiteindelijke resultaten zijn eigendom van het bedrijf en elke afzonderlijke belanghebbende.

3. Meting. Fixeer u niet op benchmarks voor de nauwkeurigheid van prognoses in de branche. Elke SKU heeft zijn eigen niveau van "voorspelbaarheid", en u kunt een aantal moeilijke items beheren. Creëer in plaats daarvan uw eigen benchmarks op basis van een reeks steeds geavanceerdere prognosemethoden. Geavanceerde statistische prognoses lijken in het begin misschien ontmoedigend ingewikkeld, dus begin eenvoudig met een basismethode, zoals het voorspellen van de historische gemiddelde vraag. Meet vervolgens hoe dicht die simpele voorspelling de werkelijk waargenomen vraag benadert. Werk van daaruit verder naar technieken die te maken hebben met complicaties zoals trend en seizoensinvloeden. Meet de voortgang met behulp van nauwkeurigheidsstatistieken die door uw software zijn berekend, zoals de gemiddelde absolute procentuele fout (MAPE). Hierdoor kan uw bedrijf elke prognosecyclus een beetje beter worden.

4. Tempo. Richt u vervolgens op het maken van prognoses tot een op zichzelf staand proces dat niet wordt gecombineerd met het complexe proces van voorraadoptimalisatie. Voorraadbeheer is gebaseerd op een solide vraagvoorspelling, maar is gericht op andere onderwerpen: wat te kopen, wanneer te kopen, minimale bestelhoeveelheden, veiligheidsvoorraden, voorraadniveaus, doorlooptijden van leveranciers, enz. Laat voorraadbeheer later verder gaan . Bouw eerst "voorspellingskracht" op door het voorspellingsproces te creëren, te herzien en te ontwikkelen om een regelmatige cadans te hebben. Wanneer uw proces voldoende volwassen is, kunt u de toenemende snelheid van het bedrijfsleven bijbenen door het tempo van uw prognoseproces te verhogen tot ten minste een maandelijks tempo.

Opmerkingen

Het herzien van het prognoseproces van een bedrijf kan een grote stap zijn. Soms gebeurt het als er personeelsverloop is, soms als er een nieuw ERP-systeem is, soms als er nieuwe prognosesoftware is. Wat de overhaaste gebeurtenis ook is, deze verandering is een kans om het proces dat je eerder had te heroverwegen en te verfijnen. Maar proberen de hele olifant in één keer op te eten is een vergissing. In deze blog hebben we enkele discrete stappen uiteengezet die u kunt nemen om een succesvolle evolutie naar een beter prognoseproces te maken.

Hier zijn voorbeelden van prognoseproblemen die SmartForecasts kan oplossen, samen met de soorten bedrijfsgegevens die representatief zijn voor elk.

Een item voorspellen op basis van het patroon

Welke omzet kunt u, gegeven de volgende zes kwartaalverkoopcijfers, verwachten voor het derde en vierde kwartaal van 2023?

Verkoop per kwartaal

SmartForecasts biedt u vele manieren om dit probleem aan te pakken. U kunt uw eigen statistische prognoses maken met een van de zes verschillende Exponential smoothing en Moving average methoden. Of, zoals de meeste niet-technische voorspellers, kunt u de tijdbesparende automatische opdracht gebruiken, die is geprogrammeerd om automatisch de meest nauwkeurige methode voor uw gegevens te selecteren en te gebruiken. Ten slotte kunt u, om uw zakelijke oordeel in het prognoseproces op te nemen, elk statistisch prognoseresultaat grafisch aanpassen met behulp van SmartForecasts' "oogbol" aanpassing mogelijkheden.

Een item voorspellen op basis van zijn relatie met andere variabelen.

Gezien de volgende historische relatie tussen de verkoop per eenheid en het aantal vertegenwoordigers, welke verkoopniveaus kunt u verwachten wanneer de geplande toename van het verkooppersoneel plaatsvindt in de laatste twee kwartalen van 2023?

Verkoop en verkoopvertegenwoordigers per kwartaal

U kunt een vraag als deze beantwoorden met behulp van het krachtige SmartForecasts Regressie commando, speciaal ontworpen om prognosetoepassingen te vergemakkelijken die oplossingen voor regressieanalyse vereisen. Regressiemodellen met een vrijwel onbeperkt aantal onafhankelijke/voorspellersvariabelen zijn mogelijk, hoewel de meeste bruikbare regressiemodellen slechts een handvol voorspellers gebruiken.

Gelijktijdig een aantal productitems en hun totaal voorspellen

Gegeven de volgende totale verkoop voor alle overhemden en de verdeling van de verkoop per kleur, wat zal de individuele en totale verkoop zijn in de komende zes maanden?

Maandelijkse verkoop van overhemden per kleur

De unieke Group Forecasting-functies van SmartForecasts voorspellen automatisch en gelijktijdig nauw verwante tijdreeksen, zoals deze artikelen in dezelfde productgroep. Dit bespaart veel tijd en levert prognoseresultaten op, niet alleen voor de afzonderlijke artikelen, maar ook voor het totaal. "Eyeball"-aanpassingen op zowel item- als groepsniveau zijn eenvoudig te maken. U kunt snel prognoses maken voor productgroepen met honderden of zelfs duizenden artikelen.

Automatisch duizenden items voorspellen

Wat kunt u verwachten van de vraag in de komende zes maanden voor elk van de 5.000 SKU's, gegeven het volgende record van productvraag op SKU-niveau?

Maandelijkse productvraag per SKU (Stock Keeping Unit)

In slechts een paar minuten kan de krachtige automatische selectie van SmartForecasts een prognosetaak van deze omvang uitvoeren, de gegevens over de productvraag lezen, automatisch statistische prognoses voor elke SKU maken en het resultaat opslaan. De resultaten zijn vervolgens klaar voor export naar uw ERP-systeem met behulp van een van onze API-gebaseerde connectoren of via bestandsexport. Eenmaal ingesteld, worden er automatisch elke planningscyclus prognoses gemaakt zonder tussenkomst van de gebruiker.

Voorspelling van de vraag die meestal nul is

Een apart en vooral uitdagend type data om te voorspellen is periodieke vraag, die meestal nul is, maar op willekeurige tijdstippen omhoog springt naar willekeurige waarden die niet gelijk zijn aan nul. Dit patroon is typerend voor de vraag naar langzaam in beweging items, zoals service-onderdelen of groot ticket kapitaalgoederen.

Kijk bijvoorbeeld eens naar het volgende voorbeeld van de vraag naar serviceonderdelen voor vliegtuigen. Let op het overwicht van nulwaarden met niet-nulwaarden vermengd, vaak in bursts.

SmartForecasts heeft een unieke methode die speciaal is ontworpen voor dit soort data: de functie Intermittent Demand forecasting. Aangezien intermitterende vraag het vaakst ontstaat in de context van voorraadbeheer, richt deze functie zich op het voorspellen van het bereik van waarschijnlijke waarden voor de totale vraag gedurende een doorlooptijd, bijvoorbeeld de cumulatieve vraag over de periode van 23 juni tot 23 augustus in het bovenstaande voorbeeld .

Voorspellen van voorraadbehoeften

Het voorspellen van voorraadvereisten is een gespecialiseerde variant van prognoses die zich richt op de bovenkant van het bereik van mogelijke toekomstige waarden.

Overweeg voor de eenvoud het probleem van het voorspellen van voorraadbehoeften voor slechts één periode vooruit, bijvoorbeeld één dag vooruit. Gewoonlijk is de prognosetaak het schatten van het meest waarschijnlijke of gemiddelde niveau van de productvraag. Als de beschikbare voorraad echter gelijk is aan de gemiddelde vraag, is er een kans van ongeveer 50% dat de vraag de voorraad overtreft, wat resulteert in omzetverlies en/of goodwill. Het voorraadniveau instellen op bijvoorbeeld tien keer de gemiddelde vraag zal waarschijnlijk het probleem van stockouts elimineren, maar zal net zo zeker resulteren in opgeblazen voorraadkosten.

De truc van voorraadoptimalisatie is om een bevredigende balans te vinden tussen voldoende voorraad hebben om aan de meeste vraag te voldoen zonder al te veel middelen in het proces vast te leggen. Meestal is de oplossing een combinatie van zakelijk inzicht en statistieken. Het beoordelende deel is het definiëren van een acceptabel voorraadserviceniveau, zoals het direct uit voorraad voldoen aan 95% vraag. Het statistische deel is om het 95e percentiel van de vraag te schatten.

Wanneer niet omgaan met Intermittent demand, schat SmartForecasts het vereiste voorraadniveau door uit te gaan van een klokvormige (normale) vraagcurve, zowel het midden als de breedte van de klokcurve te schatten en vervolgens een standaard statistische formule te gebruiken om het gewenste percentiel te schatten. Het verschil tussen het gewenste voorraadniveau en het gemiddelde niveau van de vraag wordt de veiligheidsvoorraad genoemd omdat het beschermt tegen de mogelijkheid van stockouts.

Bij intermitterende vraag is de klokvormige curve een slechte benadering van de statistische verdeling van de vraag. In dit speciale geval gebruikt SmartForecasts gepatenteerde intermitterende vraagvoorspellingstechnologie om het vereiste voorraadserviceniveau te schatten.