In this video blog, the spotlight is on a critical aspect of inventory management: the analysis and interpretation of inventory data. The focus is specifically on a dataset from a public transit agency detailing spare parts for buses. With over 13,700 parts recorded, the data presents a prime opportunity to delve into the intricacies of inventory operations and identify areas for improvement.

Understanding and addressing anomalies within inventory data is important for several reasons. It not only ensures the efficient operation of inventory systems but also minimizes costs and enhances service quality. This video blog explores four fundamental rules of inventory management and demonstrates, through real-world data, how deviations from these rules can signal underlying issues. By examining aspects such as item cost, lead times, on-hand and on-order units, and the parameters guiding replenishment policies, the video provides a comprehensive overview of the potential challenges and inefficiencies lurking within inventory data. 

We highlight the importance of regular inventory data analysis and how such an analysis can serve as a powerful tool for inventory managers, allowing them to detect and rectify problems before they escalate. Relying on antiquated approaches can lead to inaccuracies, resulting in either excess inventory or unfulfilled customer expectations, which in turn could cause considerable financial repercussions and inefficiencies in operations.

Through a detailed examination of the public transit agency’s dataset, the video blog conveys a clear message: proactive inventory data review is essential for maintaining optimal inventory operations, ensuring that parts are available when needed, and avoiding unnecessary expenditures.

Leveraging advanced predictive analytics tools like Smart Inventory Planning and Optimization will help you control your inventory data. Smart IP&O will show you decisive demand and inventory insights into evolving spare parts demand patterns at every moment, empowering your organization with the information needed for strategic decision-making.

MRO-organisaties bestaan in een breed scala van industrieën, waaronder openbaar vervoer, elektriciteitsbedrijven, afvalwater, waterkracht, luchtvaart en mijnbouw. Om hun werk gedaan te krijgen, gebruiken MRO-professionals Enterprise Asset Management (EAM) en Enterprise Resource Planning (ERP)-systemen. Deze systemen zijn ontworpen om veel taken uit te voeren. Gezien hun kenmerken, kosten en uitgebreide implementatievereisten wordt aangenomen dat EAM- en ERP-systemen het allemaal kunnen.

Tijdens een recent evenement van de Maximo Utilities Working Group verklaarden verschillende potentiële klanten bijvoorbeeld dat “onze EAM dat zal doen” toen hen werd gevraagd naar de vereisten voor het voorspellen van het gebruik, het verrekenen van leveringsplannen en het optimaliseren van het voorraadbeleid. Ze waren verrast toen ze hoorden dat dit niet het geval was en wilden meer weten.

In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen.   

EAM-systemen

EAM-systemen kunnen geen prognoses van toekomstig gebruik verwerken. Deze systemen zijn eenvoudigweg niet ontworpen om leveringsplanning uit te voeren en veel systemen hebben niet eens een plek om prognoses vast te houden. Dus wanneer een MRO-bedrijf bekende vereisten voor geplande productie- of investeringsprojecten moet verrekenen, is een add-on-applicatie zoals Smart IP&O is nodig.

Voorraadoptimalisatiesoftware met functies die de planning ondersteunen van een bekende toekomstige vraag, gebruikt projectgebaseerde gegevens die niet in het EAM-systeem worden bijgehouden (inclusief de startdatums van het project, de duur en wanneer elk onderdeel naar verwachting nodig zal zijn) en berekent een prognose per periode over elke planningshorizon. Deze “geplande” voorspelling kan worden geprojecteerd naast statistische voorspellingen van de “ongeplande” vraag die voortkomt uit normale slijtage. Op dat moment kan software voor onderdelenplanning het aanbod salderen en de kloof tussen vraag en aanbod identificeren. Dit zorgt ervoor dat deze hiaten niet onopgemerkt blijven en resulteren in tekorten die anders de voltooiing van de projecten zouden vertragen. Het minimaliseert ook de overtollige voorraad die anders te snel zou worden besteld en verbruikt onnodig contant geld en magazijnruimte. Ook hier gaan MRO-bedrijven er soms ten onrechte van uit dat deze mogelijkheden worden gedekt door hun EAM-pakket.

ERP-systemen

ERP-systemen bevatten daarentegen doorgaans een MRP-module die is ontworpen om een prognose op te nemen en de materiaalbehoeften te verrekenen. Bij de verwerking wordt rekening gehouden met de huidige voorraad, openstaande verkooporders, geplande opdrachten, inkomende inkooporders, eventuele stuklijsten en artikelen die onderweg zijn tijdens de overdracht tussen locaties. Het vergelijkt deze huidige statuswaarden met de velden van het aanvulbeleid plus eventuele maandelijkse of wekelijkse prognoses om te bepalen wanneer aanvulling moet worden voorgesteld (een datum) en hoeveel moet worden aangevuld (een hoeveelheid).

Waarom zou u dus niet alleen het ERP-systeem gebruiken om het leveringsplan op te stellen en tekorten en overschotten te voorkomen? Ten eerste: hoewel ERP-systemen een tijdelijke aanduiding hebben voor een prognose en sommige systemen het aanbod kunnen salderen met behulp van hun MRP-modules, maken ze het niet gemakkelijk om de geplande vraagvereisten die verband houden met kapitaalprojecten op elkaar af te stemmen. Meestal worden de gegevens over wanneer geplande projecten zullen plaatsvinden buiten het ERP bijgehouden, met name de stuklijst van het project waarin wordt beschreven welke onderdelen nodig zijn om het project te ondersteunen. Ten tweede bieden veel ERP-systemen niets effectiefs als het gaat om voorspellende mogelijkheden, maar vertrouwen ze in plaats daarvan op eenvoudige wiskunde die gewoon niet werkt voor serviceonderdelen vanwege de hoge prevalentie van intermitterende vraag. Ten slotte hebben ERP-systemen geen flexibele, gebruiksvriendelijke interfaces die de interactie met de prognoses en het leveringsplan ondersteunen.

Puntlogica opnieuw ordenen

Zowel ERP als EAM hebben tijdelijke aanduidingen voor methoden voor het aanvullen van bestelpunten, zoals Min/Max-niveaus. U kunt voorraadoptimalisatiesoftware gebruiken om deze velden in te vullen met het voor risico aangepaste bestelpuntbeleid. Vervolgens worden binnen de ERP- of EAM-systemen bestellingen geactiveerd wanneer de werkelijke (niet-geprognosticeerde) vraag de voorhanden voorraad onder de Min. Dit type beleid maakt geen gebruik van een traditionele voorspelling die de vraag week na week of maand na maand projecteert en wordt vaak “vraaggestuurde aanvulling” genoemd (aangezien bestellingen alleen plaatsvinden wanneer de werkelijke vraag de voorraad onder een door de gebruiker gedefinieerd niveau drijft). drempelwaarde).

Maar het feit dat er geen gebruik wordt gemaakt van een periode-over-periode voorspelling betekent niet dat het niet voorspellend is. Het beleid voor herbestellingspunten moet gebaseerd zijn op een voorspelling van de vraag gedurende een aanvultermijn plus een buffer om te beschermen tegen vraag- en aanbodvariabiliteit. MRO-bedrijven moeten weten welk voorraadrisico zij lopen bij een bepaald voorraadbeleid. Voorraadbeheer is tenslotte risicobeheer – vooral in MRO-bedrijven, waar de kosten van stockout zo hoog zijn. Toch bieden ERP en EAM geen enkele mogelijkheid om het voorraadbeleid aan te passen aan de risico's. Ze dwingen gebruikers om dit beleid extern handmatig te genereren of om eenvoudige vuistregels te gebruiken die niet in detail beschrijven welke risico's verbonden zijn aan de keuze van het beleid.

Overzicht

Supply chain planningsfunctionaliteit zoals voorraadoptimalisatie is niet de kernfocus van EAM en ERP. U moet gebruikmaken van aanvullende planningsplatforms, zoals Smart IP&O, die statistische prognoses, gepland projectbeheer en voorraadoptimalisatie ondersteunen. Smart IP&O zal prognoses en voorraadbeleid ontwikkelen die kunnen worden ingevoerd in een EAM- of ERP-systeem om de dagelijkse bestellingen te stimuleren.

Onze klanten hebben doorgaans gekozen voor één manier om hun voorraad serviceonderdelen te beheren. De professor in mij zou graag willen denken dat het gekozen voorraadbeleid een beredeneerde keuze was uit de weloverwogen alternatieven, maar het is waarschijnlijker dat het gewoon zo is gebeurd. Misschien had de inventarishoncho van lang geleden een favoriet en bleef die keuze hangen. Misschien gebruikte iemand een EAM- of ERP-systeem dat maar één keuze bood. Misschien zijn er enkele gissingen gedaan, gebaseerd op de toenmalige omstandigheden.

De concurrenten

Het komt maar zelden voor dat bedrijven deze keuzes op lukrake manieren maken. Maar met moderne planningssoftware voor serviceonderdelen kunt u systematischer uw keuzes maken. Dit bericht demonstreert deze stelling door objectieve vergelijkingen te maken tussen drie populaire voorraadbeleidslijnen: Bestel tot aan, Bestelpunt/Bestelhoeveelheid en Min/Max. Ik heb elk van deze beleidsmaatregelen hierin besproken videoblog.

• Bestel tot. Dit is een periodiek beoordelingsbeleid waarbij elke T dagen de voorhanden voorraad wordt opgeteld en een bestelling van willekeurige grootte wordt geplaatst om het voorraadniveau weer op S-eenheden te brengen.
• Q, R of bestelpunt/bestelhoeveelheid. Q, R is een continu beoordelingsbeleid waarbij de voorraad elke dag wordt opgeteld. Als er Q of minder eenheden beschikbaar zijn, wordt een bestelling van vaste grootte geplaatst voor R meer eenheden.
• Min, Max is een ander continu beoordelingsbeleid waarbij de inventaris elke dag wordt opgeteld. Als er Min of minder eenheden beschikbaar zijn, wordt er een bestelling geplaatst om het voorraadniveau weer op Max eenheden te brengen.

Volgens de inventaristheorie worden deze keuzes gerangschikt in oplopende volgorde van effectiviteit. De eerste optie, Order Up To, is duidelijk de eenvoudigste en goedkoopste om te implementeren, maar sluit de ogen voor wat er gedurende langere tijd gebeurt. Het opleggen van een bepaald tijdsverloop tussen bestellingen maakt het in theorie minder flexibel. De twee continue beoordelingsopties houden daarentegen voortdurend in de gaten wat er gebeurt, zodat ze sneller kunnen reageren op mogelijke voorraadtekorten. De Min/Max-optie is in theorie flexibeler dan de optie die gebruikmaakt van een vast bestelaantal, omdat de omvang van de bestelling dynamisch verandert om aan de vraag te voldoen.

Dat is de theorie. Dit artikel onderzoekt bewijsmateriaal uit onderlinge vergelijkingen om de theorie te controleren en concrete cijfers te geven over de relatieve prestaties van de drie beleidsmaatregelen.

De betekenis van “Beste”

Hoe moeten we de score bijhouden in dit toernooi? Als u een regelmatige lezer bent van dit Smart Forecaster-blog, weet u dat de kern van voorraadplanning een touwtrekken is tussen twee tegengestelde doelstellingen: de voorraad beperkt houden versus de beschikbaarheidsstatistieken van artikelen, zoals het serviceniveau, hoog houden.

Om de zaken te vereenvoudigen, zullen we ‘één getal berekenen dat alles regelt’: de gemiddelde bedrijfskosten. Het winnende beleid zal het beleid zijn met het laagste gemiddelde.

Dit gemiddelde is de som van drie componenten: de kosten van het aanhouden van voorraad (“voorraadkosten”), de kosten van het bestellen van aanvullingseenheden (“bestelkosten”) en de kosten van het mislopen van een verkoop (“tekortkosten”). Om het concreet te maken zijn we uitgegaan van de volgende aannames:

• Elk serviceonderdeel heeft een waarde van $1.000.
• De jaarlijkse bewaarkosten bedragen 10% van de artikelwaarde, of $100 per jaar per eenheid.
• Het verwerken van elke aanvulorder kost $20 per bestelling.
• Elke gevraagde maar niet geleverde eenheid kost de waarde van het onderdeel, $1.000.

Voor de eenvoud zullen we naar de gemiddelde bedrijfskosten verwijzen als eenvoudigweg “de kosten”.

Uiteraard kunnen de laagste gemiddelde kosten worden bereikt door uit het bedrijf te stappen. De concurrentie vereiste dus een prestatiebeperking op het gebied van de beschikbaarheid van artikelen: elke optie moest een opvullingspercentage van minimaal 99% behalen.

De alternatieven: laat het achterwege

Een belangrijk contextelement is of stockouts resulteren in verliezen of nabestellingen. Ervan uitgaande dat het betreffende serviceonderdeel cruciaal is, zijn we ervan uitgegaan dat niet-uitgevoerde bestellingen verloren gaan, wat betekent dat een concurrent de bestelling vervult. In een MRO-omgeving betekent dit extra downtime als gevolg van voorraadtekorten.

Om de alternatieven te vergelijken, hebben we onze voorspellende modelleringsengine gebruikt om er een groot aantal uit te voeren Monte Carlo-simulaties. Elke simulatie omvatte het specificeren van de parameterwaarden van elk beleid (bijvoorbeeld de Min- en Max-waarden), het genereren van een vraagscenario, het invoeren daarvan in de logica van het beleid en het meten van de resulterende kosten, gemiddeld over 365 dagen gebruik. Door dit proces 1000 keer te herhalen en het gemiddelde te nemen van de 1000 resulterende kosten, ontstond het eindresultaat voor elke polis.  

Om de vergelijking eerlijk te maken, moest elk alternatief worden ontworpen voor de beste prestaties. Daarom doorzochten we de ‘ontwerpruimte’ van elke polis om het ontwerp met de laagste kosten te vinden. Dit vereiste het herhalen van het proces dat in de vorige paragraaf is beschreven voor veel paren parameterwaarden en het identificeren van het paar dat de verloren gemiddelde jaarlijkse bedrijfskosten opleverde.

Met behulp van de algoritmen in Smart Inventory Optimization (SIO^TM) hebben we onderlinge vergelijkingen gemaakt op basis van de volgende aannames over vraag en aanbod:

• Er werd aangenomen dat de vraag naar artikelen intermitterend en zeer variabel was, maar relatief eenvoudig omdat er geen sprake was van trends of seizoensinvloeden, zoals vaak het geval is voor serviceonderdelen. De dagelijkse gemiddelde vraag bedroeg 5 eenheden met een grote standaardafwijking van 13 eenheden. Figuur 1 toont een voorbeeld van de vraag over een jaar. We hebben gekozen voor een zeer uitdagend vraagpatroon, waarbij op sommige dagen de vraag 10 tot zelfs 20 keer zo groot is als de gemiddelde vraag.

Figuur 1: Er werd aangenomen dat de dagelijkse vraag naar onderdelen intermitterend en zeer piekerig was.

​​

• De levertijden van leveranciers bedroegen destijds 14 dagen (75%) en anders 21 dagen. Dit weerspiegelt het feit dat er altijd onzekerheid bestaat in de toeleveringsketen.

En de winnaar is…

Klopte de theorie? Soort van'.

Tabel 1 toont de resultaten van de simulatie-experimenten. Voor elk van de drie concurrerende beleidsmaatregelen worden de gemiddelde jaarlijkse bedrijfskosten, de foutmarge (technisch gezien een betrouwbaarheidsinterval van ongeveer 95% voor de gemiddelde kosten) en de ogenschijnlijk beste keuzes voor parameterwaarden weergegeven.

Tabel 1: Resultaten van de gesimuleerde vergelijkingen

De gemiddelde kosten voor de (T,S)-polis wanneer T op 30 dagen is vastgesteld, bedroegen bijvoorbeeld $41.680. Maar de Plus/Minus houdt in dat de resultaten verenigbaar zijn met de “echte” kosten (dwz de schatting op basis van een oneindig aantal simulaties) van ergens tussen $39.890 en $43.650. De reden dat er zoveel statistische onzekerheid is, is de extreem piekerige aard van de vraag in dit voorbeeld.

Tabel 1 laat zien dat in dit voorbeeld de drie beleidsmaatregelen in lijn zijn met de verwachtingen. Nuttigere conclusies zouden echter zijn:

1. Wat de gemiddelde kosten betreft, zijn de drie polissen opmerkelijk vergelijkbaar. Door een slimme keuze van parameterwaarden kan men goede resultaten behalen met elk van de drie beleidsmaatregelen.
2. Niet weergegeven in Tabel 1, maar duidelijk uit de gedetailleerde simulatieresultaten, is dat slechte keuzes voor parameterwaarden rampzalig kunnen zijn voor elk beleid.
3. Het is vermeldenswaard dat het beleid voor periodieke beoordeling (T,S) niet mocht optimaliseren ten opzichte van mogelijke waarden van T. We hebben T op 30 vastgesteld om na te bootsen wat in de praktijk gebruikelijk is, maar degenen die het beleid voor periodieke beoordeling gebruiken, moeten andere beoordelingen overwegen. periodes. Een aanvullend experiment stelde de beoordelingsperiode vast op T = 7 dagen. De gemiddelde kosten in dit scenario werden geminimaliseerd op $36.551 ± $1.668 met S = 343. Dit resultaat is beter dan dat met T = 30 dagen.
4. We moeten voorzichtig zijn met het overgeneraliseren van deze resultaten. Ze zijn afhankelijk van de veronderstelde waarden van de drie kostenparameters (vasthouden, bestellen en tekort) en het karakter van het vraagproces.
5. Het is mogelijk om experimenten zoals hier weergegeven automatisch uit te voeren Smart Inventory Optimization. Dit betekent dat ook jij ontwerpkeuzes op een rigoureuze manier kunt onderzoeken.

Waar of niet waar: de prognose is niet van belang voor het voorraadbeheer van reserveonderdelen.

Op het eerste gezicht lijkt deze verklaring duidelijk onjuist. Prognoses zijn immers cruciaal voor het plannen van de voorraadniveaus, toch?

Het hangt ervan af wat je onder ‘voorspelling’ verstaat. Als u een ouderwetse prognose met één cijfer bedoelt (“de vraag naar artikel CX218b zal volgende week 3 eenheden bedragen en de week erna 6 eenheden”), dan nee. Als je de betekenis van voorspelling verruimt tot een kansverdeling die rekening houdt met onzekerheden in zowel vraag als aanbod, dan ja.

De belangrijkste realiteit is dat voor veel artikelen, vooral reserve- en serviceonderdelen, een onvoorspelbare, periodieke vraag bestaat. (De doorlooptijden van leveranciers kunnen ook grillig zijn, vooral wanneer onderdelen afkomstig zijn van een OEM met een achterstand.) We hebben vastgesteld dat hoewel fabrikanten en distributeurs doorgaans een intermitterende vraag ervaren naar slechts 20% of meer van hun artikelen, het percentage voor op MRO gebaseerde bedrijven groeit naar 80%+. Dit betekent dat historische gegevens vaak periodes van nulvraag laten zien, afgewisseld met willekeurige perioden van niet-nulvraag. Soms zijn deze niet-nuleisen zo laag als 1 of 2 eenheden, terwijl ze op andere momenten onverwacht oplopen tot hoeveelheden die vele malen groter zijn dan het gemiddelde.

Dit is niet het soort gegevens waar uw collega-'vraagplanners' in de detailhandel, consumentenproducten en voedingsmiddelen en dranken doorgaans mee te maken krijgen. Die mensen hebben meestal te maken met grotere hoeveelheden en hebben verhoudingsgewijs minder willekeur. En ze kunnen surfen op voorspellingsverbeterende functies zoals trends en stabiele seizoenspatronen. In plaats daarvan is het gebruik van reserveonderdelen veel willekeuriger, wat het planningsproces in de war brengt, zelfs in de minderheid van de gevallen waarin seizoensvariaties waarneembaar zijn.

Op het gebied van de intermitterende vraag zal de best beschikbare voorspelling aanzienlijk afwijken van de werkelijke vraag. In tegenstelling tot consumentenproducten met een gemiddeld tot hoog volume en een gemiddelde frequentie, kan de voorspelling van een serviceonderdeel de plank misslaan met honderden procentpunten. Een voorspelling van gemiddeld één of twee eenheden zal altijd mislukken als de werkelijke vraag nul is. Zelfs met geavanceerde business intelligence- of machine learning-algoritmen zal de fout bij het voorspellen van de niet-nuleisen nog steeds aanzienlijk zijn.

Misschien vanwege de moeilijkheid van statistische prognoses op het gebied van de inventarisatie, is voorraadplanning in de praktijk vaak afhankelijk van intuïtie en plannerkennis. Helaas schaalt deze aanpak niet over tienduizenden onderdelen. Intuïtie kan gewoon niet omgaan met het volledige scala aan vraag- en doorlooptijdmogelijkheden, laat staan nauwkeurig de waarschijnlijkheid van elk mogelijk scenario inschatten. Zelfs als uw bedrijf een of twee uitzonderlijke intuïtieve voorspellers heeft, betekent personeelspensionering en reorganisatie van de productlijnen dat er in de toekomst niet meer op intuïtieve prognoses kan worden vertrouwd.

De oplossing ligt in het verleggen van de focus van traditionele prognoses naar het voorspellen van de kansen voor elk potentieel vraag- en doorlooptijdscenario. Deze verschuiving transformeert het gesprek van een onrealistisch ‘één nummerplan’ naar een reeks getallen met bijbehorende waarschijnlijkheden. Door de kansen voor elke vraag en doorlooptijd te voorspellen, kunt u de voorraadniveaus beter afstemmen op de risicotolerantie voor elke groep onderdelen.

Software die vraag- en doorlooptijdscenario's genereert en dit proces tienduizenden keren herhaalt, kan nauwkeurig simuleren hoe het huidige voorraadbeleid zal presteren in vergelijking met dit beleid. Als de prestaties in de simulatie tekortschieten en er wordt voorspeld dat u vaker voorraad zult hebben dan u prettig vindt, of als u met een overschot aan voorraad blijft zitten, maakt het uitvoeren van 'wat als'-scenario's aanpassingen aan het beleid mogelijk. U kunt vervolgens voorspellen hoe dit herziene beleid het zal doen tegen willekeurige eisen en doorlooptijden. U kunt dit proces iteratief uitvoeren en verfijnen bij elk nieuw 'wat-als'-scenario, of u kunt steunen op door het systeem voorgeschreven beleid dat optimaal een balans vindt tussen risico's en kosten.

Dus als u service- en reserveonderdeleninventarisaties plant, hoeft u zich geen zorgen meer te maken over het voorspellen van de vraag op de manier waarop traditionele retail- en CPG-vraagplanners dat doen. Concentreer u in plaats daarvan op hoe uw voorraadbeleid bestand is tegen de willekeur van de toekomst, en pas het aan op basis van uw risicotolerantie. Hiervoor heeft u de juiste set beslissingsondersteunende software nodig, en dit is hoe Smart Software u kan helpen.

Geven MRO-bedrijven echt prioriteit aan het verminderen van de overtollige voorraad reserveonderdelen? Vanuit organisatorisch oogpunt blijkt uit onze ervaring dat dit niet noodzakelijk het geval is. Discussies in de bestuurskamer gaan doorgaans over het uitbreiden van wagenparken, het verwerven van nieuwe klanten, het voldoen aan Service Level Agreements (SLA's), het moderniseren van de infrastructuur en het maximaliseren van de uptime. In bedrijfstakken waar activa die worden ondersteund door reserveonderdelen honderden miljoenen kosten of aanzienlijke inkomsten genereren (bijvoorbeeld de mijnbouw of de olie- en gassector), doet de waarde van de voorraad nauwelijks de wenkbrauwen fronsen en hebben organisaties de neiging grote hoeveelheden buitensporige voorraden over het hoofd te zien.

Denk eens aan een openbaar vervoersbedrijf. In de meeste grote steden zullen de jaarlijkse operationele budgetten de $3 miljard overschrijden. De kapitaaluitgaven voor treinen, metro's en infrastructuur kunnen jaarlijks honderden miljoenen bedragen. Bijgevolg zal een voorraad reserveonderdelen ter waarde van $150 miljoen wellicht niet de aandacht trekken van de CFO of algemeen directeur, aangezien deze een klein percentage van de balans vertegenwoordigt. Bovendien moeten in op MRO gebaseerde industrieën veel onderdelen de machineparken tien jaar of langer ondersteunen, waardoor extra voorraden een noodzakelijke troef zijn. In sommige sectoren, zoals nutsbedrijven, kan het aanhouden van extra voorraden zelfs gestimuleerd worden om ervoor te zorgen dat de apparatuur in goede staat blijft.

We hebben zorgen over overtollige voorraden zien ontstaan wanneer de magazijnruimte beperkt is. Ik herinner me dat ik aan het begin van mijn carrière getuige was van het spoorwegemplacement van een openbaar vervoersbedrijf, gevuld met verroeste assen met een waarde van meer dan $100.000 per stuk. Mij werd verteld dat de assen moesten worden blootgesteld aan de elementen vanwege onvoldoende magazijnruimte. De opportuniteitskosten die verband houden met de ruimte die wordt ingenomen door extra voorraad worden een overweging wanneer de magazijncapaciteit is uitgeput. De belangrijkste overweging die alle andere beslissingen overtroeft, is hoe de voorraad een hoog serviceniveau voor interne en externe klanten garandeert. Voorraadplanners maken zich veel meer zorgen over terugslag als gevolg van voorraadtekorten dan over overaankopen. Wanneer een ontbrekend onderdeel leidt tot een SLA-schending of het stilleggen van de productielijn, wat resulteert in miljoenen aan boetes en onherstelbare productie-output, is dat begrijpelijk.

Vermogensintensieve bedrijven missen één groot punt. Dat is de extra voorraad isoleert niet tegen stockouts; het draagt eraan bij. Hoe meer eigen risico u heeft, hoe lager uw algehele serviceniveau, omdat het geld dat nodig is om onderdelen te kopen eindig is, en geld uitgegeven aan overtollige voorraad betekent dat er geen contant geld beschikbaar is voor de onderdelen die het nodig hebben. Zelfs door de overheid gefinancierde MRO-bedrijven, zoals nutsbedrijven en transportbedrijven, erkennen nu meer dan ooit de noodzaak om de uitgaven te optimaliseren. Zoals een materiaalmanager deelde: “We kunnen problemen met zakken met contant geld uit Washington niet langer oplossen.” Ze moeten dus meer doen met minder, en zorgen voor een optimale toewijzing over de tienduizenden onderdelen die ze beheren.

Dit is waar state-of-the-art voorraadoptimalisatiesoftware van pas komt, die de benodigde voorraad voor gerichte serviceniveaus voorspelt, identificeert wanneer voorraadniveaus negatieve rendementen opleveren en herschikkingen aanbeveelt voor verbeterde algehele serviceniveaus. Smart Software helpt al tientallen jaren activa-intensieve MRO-gebaseerde bedrijven bij het optimaliseren van de bestelniveaus voor elk onderdeel. Bel ons voor meer informatie.