Nauwkeurigheid van prognoses is een belangrijke maatstaf om de kwaliteit van uw vraagplanningsproces te beoordelen. (Het is niet de enige. Anderen omvatten tijdigheid en kosten; zie 5 Tips voor vraagplanning voor het berekenen van prognoseonzekerheid.) Zodra u prognoses heeft, zijn er een aantal manieren om hun nauwkeurigheid samen te vatten, meestal aangeduid met obscure drie- of vierletterige acroniemen zoals MAPE, RMSE en MAE. Zien Vier handige manieren om prognosefouten te meten voor meer informatie.

Een minder besproken maar meer fundamentele kwestie is hoe computationele experimenten worden georganiseerd voor het berekenen van voorspellingsfouten. Deze post vergelijkt de drie belangrijkste experimentele ontwerpen. Een van hen is ouderwets en komt in wezen neer op valsspelen. Een andere is de gouden standaard. Een derde is een handig hulpmiddel dat de gouden standaard nabootst en kan het beste worden gezien als een voorspelling van hoe de gouden standaard zal uitpakken. Figuur 1 is een schematische weergave van de drie methoden.

Afbeelding 1: Drie manieren om prognosefouten te beoordelen

Het bovenste paneel van figuur 1 geeft de manier weer waarop voorspellingsfouten werden beoordeeld in het begin van de jaren '80 voordat we de stand van de techniek verplaatsten naar het schema in het middelste paneel. Vroeger werden prognoses beoordeeld op dezelfde gegevens die werden gebruikt om de prognoses te berekenen. Nadat een model aan de gegevens was aangepast, waren de berekende fouten niet voor modelvoorspellingen maar voor model past bij. Het verschil is dat prognoses voor toekomstige waarden zijn, terwijl aanpassingen voor gelijktijdige waarden zijn. Stel dat het voorspellingsmodel een eenvoudig voortschrijdend gemiddelde is van de drie meest recente waarnemingen. Op tijdstip 3 berekent het model het gemiddelde van waarnemingen 1, 2 en 3. Dit gemiddelde wordt dan vergeleken met de waargenomen waarde op tijdstip 3. We noemen dit vals spelen omdat de waargenomen waarde op tijdstip 3 een stem kreeg over wat de voorspelling zou moeten zijn op tijdstip 3. Een echte prognosebeoordeling zou het gemiddelde van de eerste drie waarnemingen vergelijken met de waarde van de volgende, vierde, observatie. Anders blijft de voorspeller achter met een te optimistische beoordeling van de nauwkeurigheid van de voorspelling.

Het onderste paneel van figuur 1 toont de beste manier om de nauwkeurigheid van prognoses te beoordelen. In dit schema worden alle historische vraaggegevens gebruikt om in een model te passen, dat vervolgens wordt gebruikt om toekomstige, onbekende vraagwaarden te voorspellen. Uiteindelijk ontvouwt de toekomst zich, onthullen de werkelijke toekomstige waarden zich en kunnen werkelijke voorspellingsfouten worden berekend. Dit is de gouden standaard. Deze informatie wordt ingevuld in het rapport 'Prognoses versus actuals' in onze software.

Het middelste paneel toont een handige tussenmaat. Het probleem met de gouden standaard is dat u moet wachten om erachter te komen hoe goed de door u gekozen prognosemethoden presteren. Deze vertraging helpt niet wanneer u op dit moment moet kiezen welke prognosemethode u voor elk item wilt gebruiken. Het geeft ook geen tijdige inschatting van de prognoseonzekerheid die u zult ervaren, wat belangrijk is voor risicobeheer zoals het afdekken van prognoses. De middenweg is gebaseerd op hold-out-analyse, die de meest recente waarnemingen uitsluit (“holds out”) en de voorspellingsmethode vraagt zijn werk te doen zonder die grondwaarheden te kennen. Vervolgens kunnen de prognoses op basis van de verkorte vraaggeschiedenis worden vergeleken met de uitgestelde werkelijke waarden om een eerlijke beoordeling van de prognosefout te krijgen.

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!