Vraagplanning met raamcontracten

Klant als leraar

Onze klanten zijn geweldige docenten die ons altijd hebben geholpen om de kloof te overbruggen tussen de leerboektheorie en de praktische toepassing van prognoses en vraagplanning. Ons laatste stukje scholing gaat over "algemene bestellingen" en hoe deze te verantwoorden als onderdeel van het vraagplanningsproces. 

Uitbreiding van het leerboek inventarisatietheorie

De leerboekinventarisatietheorie richt zich op de drie meest gebruikte aanvullingsbeleidslijnen: (1) Periodieke herziening order-up-to-beleid, aangeduid (T, S) in de boeken (2) Continu herzieningsbeleid met vaste bestelhoeveelheid, aangeduid (R, Q) en (3) beleid voor continue beoordeling van bestelling tot en met, aangeduid met (s, S) maar gewoonlijk "Min/Max" genoemd. Onze klanten hebben erop gewezen dat hun eigenlijke bestelproces vaak gepaard gaat met veelvuldig gebruik van "algemene bestellingen". Deze blog richt zich op het opnemen van raamcontracten in het vraagplanningsproces en beschrijft hoe de voorraaddoelen dienovereenkomstig kunnen worden aangepast.

Vraagplanning met raamcontracten is anders

Raamcontracten zijn contracten met leveranciers voor vaste aanvullingshoeveelheden die met vaste tussenpozen aankomen. U kunt bijvoorbeeld met uw leverancier overeenkomen om elke 7 dagen 20 eenheden te ontvangen via een algemene bestelling in plaats van 60 tot 90 eenheden elke 28 dagen volgens het beleid voor periodieke evaluatie. Raamcontracten contrasteren zelfs nog meer met het beleid voor continue beoordeling, waarbij zowel bestelschema's als bestelhoeveelheden willekeurig zijn. Over het algemeen is het efficiënt om flexibiliteit in te bouwen in het herbevoorradingsproces, zodat u alleen bestelt wat u nodig heeft en alleen bestelt wanneer u het nodig heeft. Volgens die norm zou Min/Max het meest logisch moeten zijn en algemeen beleid het minst logisch.

De zaak voor algemeen beleid

Hoewel efficiëntie belangrijk is, is het nooit de enige overweging. Een van onze klanten, laten we ze bedrijf X noemen, legde uit hoe aantrekkelijk algemene polissen in hun omstandigheden zijn. Bedrijf X maakt hoogwaardige onderdelen voor motorfietsen en ATV's. Ze veranderen ruw staal in coole dingen. Maar ze moeten omgaan met het staal. Staal is duur. Staal is omvangrijk en zwaar. Staal wordt niet van de ene op de andere dag op speciale bestelling gemaakt. De voorraadbeheerder van bedrijf X wil geen grote maar willekeurige bestellingen plaatsen op willekeurige tijdstippen. Hij wil niet op een berg van staal passen. Zijn leveranciers willen geen bestellingen voor willekeurige hoeveelheden op willekeurige tijdstippen ontvangen. En Bedrijf X geeft er de voorkeur aan zijn betalingen te spreiden. Het resultaat: algemene bestellingen.

De fatale fout in algemeen beleid

Voor Bedrijf X zijn raamcontracten bedoeld om de aankoop van aanvullingen gelijk te maken en om onpraktische stapels staal te voorkomen voordat ze klaar zijn voor gebruik. Maar de logica achter het voorraadbeleid voor continue beoordeling is nog steeds van toepassing. Pieken in de vraag, anders welkom, zullen optreden en kunnen leiden tot stockouts. Evenzo kunnen pauzes in de vraag een vraagoverschot creëren. Naarmate de tijd verstrijkt, wordt het duidelijk dat een algemeen beleid een fatale fout heeft: alleen als de raamorders exact overeenkomen met de gemiddelde vraag, kunnen ze op hol geslagen voorraad in beide richtingen, omhoog of omlaag, vermijden. In de praktijk zal het onmogelijk zijn om de gemiddelde vraag exact te matchen. Bovendien is de gemiddelde vraag een bewegend doel en kan deze stijgen of dalen.

Raamcontracten opnemen bij vraagplanning 

Een algemeen beleid heeft wel voordelen, maar rigiditeit is de achilleshiel. Vraagplanners zullen vaak improviseren door toekomstige bestellingen aan te passen om veranderingen in de vraag aan te kunnen, maar dit is niet schaalbaar voor duizenden artikelen. Om het voorraadaanvulbeleid robuust te maken tegen willekeur in de vraag, stellen we een hybride beleid voor dat begint met algemene bestellingen, maar de flexibiliteit behoudt om automatisch (niet handmatig) extra voorraad te bestellen wanneer dat nodig is. Door de algemene polis aan te vullen met een Min/Max back-up is het mogelijk om aanpassingen te doen zonder handmatige tussenkomst. Deze combinatie zal enkele van de voordelen van raamcontracten vastleggen, terwijl de klantenservice wordt beschermd en op hol geslagen voorraad wordt vermeden.

Het ontwerpen van een vraagplanningsproces dat rekening houdt met raamcontracten, vereist de keuze uit vier besturingsparameters. Twee parameters zijn de vaste omvang en vaste timing van de algemene polis. Twee andere zijn de waarden van Min en Max. Hierdoor wordt de voorraadbeheerder geconfronteerd met een vierdimensionaal optimalisatieprobleem. Geavanceerde voorraadoptimalisatiesoftware maakt het mogelijk om keuzes voor de waarden van de vier parameters te evalueren en om onderhandelingen met leveranciers te ondersteunen bij het opstellen van raamcontracten.

 

 

Voorraad optimaliseren rond de minimale bestelhoeveelheden van leveranciers

Onlangs had ik een interessant gesprek met een voorraadbeheerder en de VP Financiën. We bespraken de voordelen van het automatisch optimaliseren van zowel bestelpunten als bestelhoeveelheden. De VP Finance was bezorgd dat ze, gezien hun grote leverancier die minimale bestelhoeveelheden vereiste, er niet van zouden kunnen profiteren. Hij zei dat zijn leveranciers alle macht in handen hadden, hem dwongen enorme minimale bestelhoeveelheden te accepteren en zijn handen vastbinden. Hoewel hij zich hier rot over voelde, zag hij een zilveren randje: hij hoefde geen planning te maken. Hij zou een grote voorraadinvestering accepteren, maar zijn klantenserviceniveau zou uitzonderlijk zijn. Misschien werd aangenomen dat de grote voorraadinvestering de kosten van het zakendoen waren.

Ik duwde terug en wees erop dat hij niet zo machteloos was als hij zich voelde. Hij had nog steeds controle over de andere helft van het inkoopproces: hoewel hij niet kon bepalen hoeveel hij moest bestellen, kon hij wel bepalen wanneer hij moest bestellen door het bestelpunt aan te passen. Met andere woorden, er is altijd ruimte voor zorgvuldige kwantitatieve analyse in voorraadbeheer, zelfs als u één hand op de rug hebt gebonden.

Een voorbeeld

Om wat cijfers achter mijn argument te plaatsen, heb ik een scenario gemaakt en het vervolgens geanalyseerd met behulp van onze methodologie om te laten zien hoe consequent het kan zijn om software voor voorraadoptimalisatie te gebruiken, zelfs in krappe situaties. In dit scenario is de vraag naar artikelen gemiddeld 2,2 eenheden per dag, maar deze varieert aanzienlijk per dag van de week. Laten we zeggen dat de denkbeeldige leverancier aandringt op een minimale bestelhoeveelheid van 500 eenheden (ver buiten proportie met de vraag) en de aanvullingsorders in drie dagen of tien dagen in gelijke verhoudingen uitvoert (vrij inconsistent). Laten we, om de schuld te verspreiden, ook aannemen dat de denkbeeldige klant van de denkbeeldige leverancier een dwaze regel gebruikt dat het bestelpunt 10% van de minimale bestelhoeveelheid moet zijn. (Waarom deze regel? Te veel bedrijven gebruiken eenvoudige/simplistische vuistregels in plaats van een goede analyse.)

We hebben dus een basisscenario waarin de bestelhoeveelheid 500 eenheden is en het bestelpunt 50 eenheden is. In dit geval is het opvulpercentage 100%, maar het gemiddelde aantal beschikbare eenheden is maar liefst 330. Als de klant het bestelpunt eenvoudigweg zou verlagen van 50 naar 15, zou het opvulpercentage nog steeds 99,5% zijn, maar de gemiddelde voorraad bij de hand zou dalen met 11% tot 295 eenheden. Met de ene hand die niet op zijn rug gebonden was, kon de voorraadbeheerder zijn voorraadinvestering met meer dan 10% verminderen, wat een merkbare overwinning zou zijn.

Overigens, als de minimale bestelhoeveelheid zou worden afgeschaft, zou de klant vrij zijn om tot een nieuwe en veel betere oplossing te komen. Door de bestelhoeveelheid in te stellen op 45 en het bestelpunt op 25 zou een opvulpercentage van 99% worden bereikt ten koste van een dagelijks voorraadniveau van slechts 35 eenheden: bijna een 90%-reductie in voorraadinvestering: een belangrijke verbetering ten opzichte van de status-quo.

naschrift

Deze berekeningen zijn mogelijk met behulp van onze software, die de anders onbekende relaties tussen de ontwerpkeuzes van het voorraadsysteem (bijv. bestelhoeveelheid en bestelpunt) en belangrijke prestatie-indicatoren (bijv. gemiddelde beschikbare eenheden en opvulpercentage) zichtbaar kan maken. Gewapend met dit vermogen om deze berekeningen uit te voeren, kunnen nu alternatieve afspraken met de leverancier worden overwogen. Wat als de leverancier, in ruil voor het betalen van een hogere prijs per eenheid, bijvoorbeeld instemt met een lagere MOQ. Door de software te gebruiken om een analyse uit te voeren van de belangrijkste prestatie-indicatoren met behulp van de "wat als"-kosten en MOQ's, zouden de kosten per eenheid en MOQ worden onthuld die nodig zouden zijn om een meer winstgevende deal te ontwikkelen. Eenmaal geïdentificeerd, hebben alle partijen er baat bij. De leverancier genereert nu een betere marge op de verkoop van zijn producten en de koper houdt aanzienlijk minder voorraad aan, wat leidt tot een verlaging van de holdingkosten die de toegevoegde kosten per eenheid in de schaduw stelt. Iedereen wint.

 

 

Een beginnershandleiding voor uitvaltijd en wat u eraan kunt doen

Deze blog geeft een overzicht van dit onderwerp, geschreven voor niet-experts. Het

  • legt uit waarom je deze blog zou willen lezen.
  • somt de verschillende soorten "machine-onderhoud" op.
  • legt uit wat 'probabilistische modellering' is.
  • beschrijft modellen voor het voorspellen van uitvaltijd.
  • legt uit wat deze modellen voor u kunnen betekenen.

Belang van uitvaltijd

Als je dingen voor de verkoop maakt, heb je machines nodig om die dingen te maken. Als uw machines in bedrijf zijn, heeft u een goede kans om geld te verdienen. Als uw machines niet werken, verliest u kansen om geld te verdienen. Omdat downtime zo fundamenteel is, is het de moeite waard om geld te investeren en de downtime te minimaliseren. Met denken bedoel ik kansberekening, aangezien stilstandtijd van de machine is inherent een willekeurig fenomeen. Waarschijnlijkheidsmodellen kan het onderhoudsbeleid sturen.

Beleid voor machineonderhoud

Onderhoud is uw verdediging tegen uitvaltijd. Er zijn meerdere soorten onderhoudsbeleid, variërend van "Niets doen en wachten op falen" tot geavanceerde analytische benaderingen met sensoren en faalkansmodellen.

Een handige lijst met onderhoudsbeleid is:

  • Achterover leunen en wachten op problemen, en dan nog wat rondhangen en afvragen wat te doen als er onvermijdelijk problemen optreden. Dit is zo dwaas als het klinkt.
  • Hetzelfde als hierboven, behalve dat u zich voorbereidt op het falen om de uitvaltijd te minimaliseren, bijvoorbeeld door reserveonderdelen op te slaan.
  • Periodiek controleren op dreigende problemen in combinatie met interventies zoals het smeren van bewegende onderdelen of het vervangen van versleten onderdelen.
  • De timing van onderhoud baseren op gegevens over de machineconditie in plaats van te vertrouwen op een vast schema; vereist voortdurende gegevensverzameling en -analyse. Dit wordt conditiegestuurd onderhoud genoemd.
  • Gegevens over de machineconditie agressiever gebruiken door deze om te zetten in voorspellingen van uitvaltijd en suggesties voor te nemen stappen om uitval te vertragen. Dit wordt voorspellend onderhoud genoemd.

De laatste drie soorten onderhoud zijn afhankelijk van kansberekening om een onderhoudsschema op te stellen, of om te bepalen wanneer gegevens over de machineconditie moeten worden ingegrepen, of om te berekenen wanneer een storing kan optreden en hoe deze het beste kan worden uitgesteld.

 

Waarschijnlijkheidsmodellen van machinestoring

Hoe lang een machine zal draaien voordat deze uitvalt, is een willekeurige variabele. Zo is de tijd die het zal besteden naar beneden. Kansrekening is het deel van de wiskunde dat zich bezighoudt met willekeurige variabelen. Willekeurige variabelen worden beschreven door hun kansverdelingen, bijvoorbeeld, wat is de kans dat de machine 100 uur zal draaien voordat hij uitvalt? 200 uur? Of wat is de kans dat de machine na 100 uur of 200 uur nog steeds werkt?

Een subveld genaamd "betrouwbaarheidstheorie" beantwoordt dit soort vragen en behandelt verwante concepten zoals Mean Time Before Failure (MTBF), wat een verkorte samenvatting is van de informatie die is gecodeerd in de kansverdeling van tijd vóór mislukking.

Figuur 1 toont gegevens over de tijd vóór uitval van airconditioningunits. Dit type plot geeft de cumulatieve kansverdeling en toont de kans dat een eenheid na enige tijd is uitgevallen. Figuur 2 toont a betrouwbaarheidsfunctie:, het plotten van hetzelfde type informatie in een omgekeerd formaat, dat wil zeggen, het weergeven van de kans dat een eenheid na verloop van tijd nog steeds functioneert.

In figuur 1 geven de blauwe vinkjes naast de x-as de tijdstippen weer waarop individuele airconditioners faalden; dit zijn de basisgegevens. De zwarte curve toont het cumulatieve aandeel van eenheden die in de loop van de tijd zijn mislukt. De rode curve is een wiskundige benadering van de zwarte curve – in dit geval een exponentiële verdeling. De grafieken laten zien dat ongeveer 80 procent van de units zal uitvallen voordat ze 100 uur in bedrijf zijn.

Figure 1 Cumulative distribution function of uptime for air conditioners

Figuur 1 Cumulatieve distributiefunctie van uptime voor airconditioners

 

Waarschijnlijkheidsmodellen kunnen worden toegepast op een afzonderlijk onderdeel of component of subsysteem, op een verzameling gerelateerde onderdelen (bijv. "het hydraulische systeem") of op een volledige machine. Elk van deze kan worden beschreven door de kansverdeling van de tijd voordat ze falen.

Figuur 2 toont de betrouwbaarheidsfunctie van zes subsystemen in een machine voor het graven van tunnels. De plot laat zien dat het meest betrouwbare subsysteem de snijarmen zijn en het minst betrouwbare het watersubsysteem. De betrouwbaarheid van het hele systeem kan worden benaderd door alle zes curven te vermenigvuldigen (omdat het systeem als geheel werkt, moet elk subsysteem functioneren), wat zou resulteren in een zeer korte interval voordat er iets misgaat.

Figure 2 Examples of probability distributions of subsystems in a tunneling machine

Figuur 2 Voorbeelden van kansverdelingen van subsystemen in een tunnelmachine

 

Verschillende factoren zijn van invloed op de verdeling van de tijd voor falen. Investeren in betere onderdelen verlengt de levensduur van het systeem. Investeren in redundantie ook. Dat geldt ook voor het vervangen van gebruikte paren door nieuwe.

Zodra een kansverdeling beschikbaar is, kan deze worden gebruikt om een willekeurig aantal wat-als-vragen te beantwoorden, zoals hieronder wordt geïllustreerd in het gedeelte over de voordelen van modellen.

 

Benaderingen voor het modelleren van machinebetrouwbaarheid

Waarschijnlijkheidsmodellen kunnen ofwel de meest elementaire eenheden beschrijven, zoals individuele systeemcomponenten (Figuur 2), of verzamelingen van basiseenheden, zoals volledige machines (Figuur 1). In feite kan een hele machine worden gemodelleerd als een enkele eenheid of als een verzameling componenten. Als een hele machine als een enkele eenheid wordt behandeld, vertegenwoordigt de kansverdeling van de levensduur een samenvatting van het gecombineerde effect van de levensduurverdelingen van elk onderdeel.

Als we een model van een hele machine hebben, kunnen we naar modellen van verzamelingen machines springen. Als we in plaats daarvan beginnen met modellen van de levensduur van individuele componenten, dan moeten we die individuele modellen op de een of andere manier combineren tot een algemeen model van de hele machine.

Dit is waar de wiskunde harig kan worden. Modellering vereist altijd een verstandig evenwicht tussen vereenvoudiging, zodat sommige resultaten mogelijk zijn, en complicaties, zodat alle resultaten die naar voren komen realistisch zijn. De gebruikelijke truc is om aan te nemen dat storingen van de afzonderlijke onderdelen van het systeem onafhankelijk van elkaar optreden.

Als we ervan uit kunnen gaan dat storingen onafhankelijk optreden, is het meestal mogelijk om verzamelingen van machines te modelleren. Stel bijvoorbeeld dat een productielijn vier machines heeft die hetzelfde product produceren. Met een betrouwbaarheidsmodel voor één machine (zoals in figuur 1) kunnen we bijvoorbeeld voorspellen hoe groot de kans is dat over een week nog maar drie van de machines werken. Ook hier kan zich een complicatie voordoen: de kans dat een machine die vandaag werkt, morgen nog werkt, hangt vaak af van hoe lang het geleden is sinds de laatste storing. Als de tijd tussen storingen een exponentiële verdeling heeft zoals in figuur 1, dan blijkt dat het tijdstip van de volgende storing niet afhangt van hoe lang het geleden is sinds de laatste storing. Helaas hebben veel of zelfs de meeste systemen geen exponentiële distributies van uptime, dus de complicatie blijft.

Erger nog, als we beginnen met modellen van veel individuele componentbetrouwbaarheid, kan het bijna onmogelijk zijn om ons op te werken tot het voorspellen van uitvaltijden voor de hele complexe machine als we rechtstreeks met alle relevante vergelijkingen proberen te werken. In dergelijke gevallen is de enige praktische manier om resultaten te krijgen het gebruik van een andere stijl van modelleren: Monte Carlo-simulatie.

Monte Carlo-simulatie is een manier om berekening te vervangen door analyse wanneer het mogelijk is om willekeurige scenario's van systeemwerking te creëren. Het gebruik van simulatie om machinebetrouwbaarheid te extrapoleren uit de betrouwbaarheid van componenten werkt als volgt.

  1. Begin met de cumulatieve distributiefuncties (Figuur 1) of betrouwbaarheidsfuncties (Figuur 2) van elk machineonderdeel.
  2. Maak een willekeurig voorbeeld van de levensduur van elke component om een set voorbeeldfouten te krijgen die consistent zijn met de betrouwbaarheidsfunctie.
  3. Gebruik de logica van hoe componenten aan elkaar gerelateerd zijn, bereken de uitvaltijd van de hele machine.
  4. Herhaal stap 1-3 vele malen om het volledige scala aan mogelijke levensduur van de machine te zien.
  5. U kunt desgewenst het gemiddelde van de resultaten van stap 4 nemen om de levensduur van de machine samen te vatten met metrische gegevens zoals de MTBF of de kans dat de machine meer dan 500 uur zal draaien voordat deze defect raakt.

Stap 1 zou een beetje ingewikkeld zijn als we geen mooi kansmodel hebben voor de levensduur van een component, bijvoorbeeld zoiets als de rode lijn in figuur 1.

Stap 2 kan een zorgvuldige boekhouding vereisen. Naarmate de tijd verstrijkt in de simulatie, zullen sommige componenten defect raken en worden vervangen, terwijl andere door blijven gaan. Tenzij de levensduur van een component een exponentiële verdeling heeft, zal de resterende levensduur afhangen van hoe lang de component continu in gebruik is geweest. Dus deze stap moet rekening houden met de verschijnselen van branden in of verslijten.

Stap 3 verschilt van de andere doordat er wat achtergrondwiskunde voor nodig is, zij het van een eenvoudig type. Als Machine A alleen werkt als beide componenten 1 en 2 werken, dan (ervan uitgaande dat een storing van de ene component geen invloed heeft op de storing van de andere)

Kans [A werkt] = Kans [1 werkt] x Kans [2 werkt].

Als in plaats daarvan Machine A werkt als component 1 werkt of component 2 werkt of beide werken, dan

Waarschijnlijkheid [A faalt] = Waarschijnlijkheid [1 faalt] x Waarschijnlijkheid [2 faalt]

dus Waarschijnlijkheid [A werkt] = 1 – Waarschijnlijkheid [A faalt].

Stap 4 kan het creëren van duizenden scenario's omvatten om het volledige scala aan willekeurige uitkomsten te tonen. Berekenen is snel en goedkoop.

Stap 5 kan variëren, afhankelijk van de doelen van de gebruiker. Het berekenen van de MTBF is standaard. Kies andere die bij het probleem passen. Naast de samenvattende statistieken die in stap 5 worden geleverd, kunnen individuele simulatieruns worden uitgezet om intuïtie op te bouwen over de willekeurige dynamiek van machine-uptime en downtime. Afbeelding 3 toont een voorbeeld van een enkele machine met afwisselende cycli van uptime en downtime, resulterend in 85% uptime.

Figure 3 A sample scenario for a single machine

Afbeelding 3 Een voorbeeldscenario voor een enkele machine

 

Voordelen van machinebetrouwbaarheidsmodellen

In afbeelding 3 is de machine 85% van de tijd in gebruik. Dat is misschien niet goed genoeg. U heeft misschien ideeën over hoe u de betrouwbaarheid van de machine kunt verbeteren. U kunt bijvoorbeeld de betrouwbaarheid van component 3 verbeteren door een nieuwere, betere versie van een andere leverancier te kopen. Hoeveel zou dat helpen? Dat is moeilijk te raden: component 3 is misschien maar een van de vele en misschien niet de zwakste schakel, en hoeveel de verandering loont, hangt af van hoeveel beter de nieuwe zou zijn. Misschien moet je een specificatie voor component 3 ontwikkelen die je vervolgens kunt kopen bij potentiële leveranciers, maar hoe lang moet component 3 meegaan om een materiële impact te hebben op de MTBF van de machine?

Dit is waar het hebben van een model loont. Zonder model vertrouw je op giswerk. Met een model kunt u speculaties over wat-als-situaties omzetten in nauwkeurige schattingen. U kunt bijvoorbeeld analyseren hoe een toename van 10% in MTBF voor component 3 zich zou vertalen in een verbetering van MTBF voor de hele machine.

Een ander voorbeeld: stel dat u zeven machines heeft die een belangrijk product produceren. U berekent dat u zes van de zeven moet inzetten om een grote order van uw ene grote klant te vervullen, zodat er één machine overblijft om de vraag van een aantal diverse kleine klanten af te handelen en als reserve te dienen. Een betrouwbaarheidsmodel voor elke machine zou kunnen worden gebruikt om de waarschijnlijkheid van verschillende onvoorziene omstandigheden in te schatten: alle zeven machines werken en de levensduur is goed; zes machines werken, zodat u in ieder geval uw belangrijkste klant tevreden kunt houden; slechts vijf machines werken, dus u moet iets onderhandelen met uw belangrijkste klant, enz.

Samengevat kunnen waarschijnlijkheidsmodellen van machine- of componentstoringen de basis vormen voor het omzetten van faaltijdgegevens in slimme zakelijke beslissingen.

 

Lees meer over  Maximaliseer machine-uptime met probabilistische modellering

 

Lees meer over   Probabilistische prognoses voor intermitterende vraag

 

 

Laat een reactie achter
gerelateerde berichten
Why Inventory Planning Shouldn’t Rely Exclusively on Simple Rules of Thumb

Waarom voorraadplanning niet uitsluitend op eenvoudige vuistregels mag vertrouwen

Voor te veel bedrijven wordt een cruciaal stukje data-feitenonderzoek – het meten van vraagonzekerheid – afgehandeld met eenvoudige maar onnauwkeurige vuistregels. Vraagplanners berekenen bijvoorbeeld vaak de veiligheidsvoorraad op basis van een door de gebruiker gedefinieerd veelvoud van de voorspelling of het historische gemiddelde. Of ze kunnen hun ERP configureren om meer te bestellen wanneer de beschikbare voorraad gedurende de doorlooptijd twee keer de gemiddelde vraag bereikt voor belangrijke artikelen en 1,5 keer voor minder belangrijke artikelen. Dit is een grote fout met kostbare gevolgen.

Why MRO Businesses Should Care About Excess Inventory

Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad

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.

Constructive Play with Digital Twins

Constructief spelen met Digital Twins

Degenen onder u die actuele onderwerpen volgen, zullen bekend zijn met de term ‘digitale tweeling’. Degenen die het te druk hebben gehad met hun werk, willen misschien verder lezen en bijpraten. Hoewel er verschillende definities van een digitale tweeling bestaan, is er één die goed werkt: een digitale tweeling is een dynamische virtuele kopie van een fysiek bezit, proces, systeem of omgeving die er hetzelfde uitziet en zich hetzelfde gedraagt als zijn tegenhanger in de echte wereld. Een digitale tweeling neemt gegevens op en repliceert processen, zodat u mogelijke prestatieresultaten en problemen kunt voorspellen die het echte product kan ondergaan.

Bel een Audible om proactief ruis in de supply chain tegen te gaan

 

U kent de situatie: u berekent de beste manier om elk voorraadartikel te beheren door de juiste bestelpunten en aanvullingsdoelen te berekenen, vervolgens de gemiddelde vraag stijgt of daalt, of de vraagvolatiliteit verandert, of de doorlooptijden van leveranciers veranderen, of uw eigen kosten veranderen . Nu zijn uw oude polissen (herbestelpunten, veiligheidsvoorraden, Min/Max-niveaus, enz.) achterhaald - net op het moment dat u denkt dat u ze goed heeft. Door gebruik te maken van geavanceerde software voor planning en voorraadoptimalisatie, kunt u proactief inspelen op de steeds veranderende invloeden van buitenaf op uw voorraad en vraag. Om dit te doen, moet u de voorraadparameters regelmatig opnieuw kalibreren op basis van de steeds veranderende vraag en doorlooptijden.

Onlangs hebben enkele potentiële klanten hun bezorgdheid geuit dat door regelmatig de parameters voor voorraadbeheer te wijzigen, ze "ruis" introduceren en complicaties toevoegen aan hun activiteiten. Een bezoeker van onze stand op de Microsoft Dynamics User Group Conference van vorige week merkte op:

“We willen de operaties niet in de war sturen door het beleid te vaak te veranderen en ruis in het systeem te introduceren. Dat geluid maakt het systeem nerveus en zorgt voor verwarring bij het inkoopteam.”

Deze visie is gebaseerd op de paradigma's van gisteren. Hoewel u over het algemeen een onmiddellijke productierun niet moet wijzigen, zal het negeren van wijzigingen op korte termijn in het beleid dat de toekomstige productieplanning en orderaanvulling stuurt, grote schade aanrichten aan uw activiteiten. Of je het nu leuk vindt of niet, de ruis is er al in de vorm van extreme vraag en variabiliteit in de toeleveringsketen. Door aanvullingsparameters vast te stellen, ze niet vaak bij te werken of alleen te beoordelen op het moment van bestelling, kan uw Supply Chain Operations alleen op problemen reageren in plaats van ze proactief te identificeren en corrigerende maatregelen te nemen.

Het aanpassen van het beleid met herkalibraties op korte termijn is aanpassen aan een veranderlijke situatie in plaats van eraan vast te zitten. We kunnen kijken naar de NFL-games van afgelopen weekend voor een eenvoudige analogie. Stelt u zich eens voor dat de quarterback van uw favoriete team consequent weigert een hoorbare te roepen (wijzig het spel net voordat de bal wordt geknapt) nadat hij de verdedigende formatie heeft gezien. Dit zou resulteren in veel gemiste kansen, inefficiëntie en vastgelopen ritten die het team een overwinning zouden kunnen kosten. Wat zou je willen dat je quarterback doet?

Vraag, doorlooptijden, kosten en zakelijke prioriteiten veranderen vaak, en zoals de afgelopen 18 maanden hebben bewezen, veranderen ze vaak aanzienlijk. Als Supply Chain-leider heeft u de keuze: parameters vast houden, wat resulteert in een groot aantal razendsnelle versnellingen en orderannuleringen, of proactief de parameters voor voorraadbeheer wijzigen. Het hoorbare oproepen door uw beleid opnieuw te kalibreren als vraag- en aanbodsignalen veranderen, is de juiste zet.

Hier is een voorbeeld. Stel dat u een kritiek artikel beheert door het bestelpunt (ROP) op 25 eenheden en de bestelhoeveelheid (OQ) op 48 te regelen. U voelt zich misschien een rots van stabiliteit door aan die twee nummers vast te houden, maar door dit te doen, kunt u andere getallen dramatisch laten fluctueren. Met name uw toekomstige serviceniveaus, opvullingspercentages en bedrijfskosten zouden allemaal uit het zicht kunnen worden gereset terwijl u zich fixeert op het vasthouden aan de ROP en OQ van gisteren. Toen het beleid oorspronkelijk werd vastgesteld, was de vraag stabiel en waren de doorlooptijden voorspelbaar, wat een serviceniveau van 99% op een belangrijk item opleverde. Maar nu neemt de vraag toe en zijn de doorlooptijden langer. Verwacht je echt hetzelfde resultaat (99%-serviceniveau) met dezelfde input-sets nu vraag en doorlooptijden zo verschillend zijn? Natuurlijk niet. Stel dat u wist dat u, gezien de recente veranderingen in vraag en doorlooptijd, de ROP moest verhogen tot 35 eenheden om hetzelfde serviceniveaudoel van 99% te bereiken. Als u de ROP op 25 eenheden zou houden, zou uw serviceniveau dalen tot 92%. Is het beter om dit van tevoren te weten of om gedwongen te worden om te reageren als u te maken heeft met stockouts?

Wat software voor voorraadoptimalisatie en -planning doet, is de verbanden tussen prestatiestatistieken zoals servicesnelheid en controleparameters zoals ROP en ROQ zichtbaar maken. Het onzichtbare wordt zichtbaar, zodat u beredeneerde aanpassingen kunt maken die uw statistieken houden waar u ze nodig hebt door de bedieningshendels aan te passen die beschikbaar zijn voor uw gebruik. Door probabilistische prognosemethoden te gebruiken, kunt u Key Performance Predictions (KPP's) van prestaties en kosten genereren, terwijl u corrigerende acties op korte termijn identificeert, zoals gerichte voorraadbewegingen die problemen helpen voorkomen en kansen benutten. Als u dit niet doet, komt uw supply chain-planning in een keurslijf terecht, net zoals de quarterback die weigert te horen.

Toegegeven, een voortdurend veranderende zakelijke omgeving vereist constante waakzaamheid en af en toe een reactie. Maar de juiste software voor voorraadoptimalisatie en vraagvoorspelling kan uw controleparameters met een paar muisklikken op schaal herberekenen en uw ERP-systeem aanwijzingen geven hoe alles op koers te houden ondanks de constante turbulentie.  De ruis zit al in uw systeem in de vorm van vraag- en aanbodvariabiliteit. Ga je proactief hoorbaar of vasthouden aan een ouder plan en duimen dat het goed komt?

 

 

Laat een reactie achter
gerelateerde berichten
Why Inventory Planning Shouldn’t Rely Exclusively on Simple Rules of Thumb

Waarom voorraadplanning niet uitsluitend op eenvoudige vuistregels mag vertrouwen

Voor te veel bedrijven wordt een cruciaal stukje data-feitenonderzoek – het meten van vraagonzekerheid – afgehandeld met eenvoudige maar onnauwkeurige vuistregels. Vraagplanners berekenen bijvoorbeeld vaak de veiligheidsvoorraad op basis van een door de gebruiker gedefinieerd veelvoud van de voorspelling of het historische gemiddelde. Of ze kunnen hun ERP configureren om meer te bestellen wanneer de beschikbare voorraad gedurende de doorlooptijd twee keer de gemiddelde vraag bereikt voor belangrijke artikelen en 1,5 keer voor minder belangrijke artikelen. Dit is een grote fout met kostbare gevolgen.

Why MRO Businesses Should Care About Excess Inventory

Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad

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.

Constructive Play with Digital Twins

Constructief spelen met Digital Twins

Degenen onder u die actuele onderwerpen volgen, zullen bekend zijn met de term ‘digitale tweeling’. Degenen die het te druk hebben gehad met hun werk, willen misschien verder lezen en bijpraten. Hoewel er verschillende definities van een digitale tweeling bestaan, is er één die goed werkt: een digitale tweeling is een dynamische virtuele kopie van een fysiek bezit, proces, systeem of omgeving die er hetzelfde uitziet en zich hetzelfde gedraagt als zijn tegenhanger in de echte wereld. Een digitale tweeling neemt gegevens op en repliceert processen, zodat u mogelijke prestatieresultaten en problemen kunt voorspellen die het echte product kan ondergaan.

Gedachten over de planning van reserveonderdelen voor het openbaar vervoer

De pandemie van Covid19 heeft ongebruikelijke druk gelegd op openbaarvervoersbedrijven. Deze stress dwingt agentschappen om opnieuw te kijken naar hun planningsprocessen voor reserveonderdelen, wat een belangrijke drijfveer is voor het waarborgen van uptime en het balanceren van de voorraadkosten van serviceonderdelen.

Deze blog richt zich op bussystemen en hun praktijken voor het beheer en de planning van reserveonderdelen. Er zijn hier echter lessen voor andere soorten openbaar vervoer, waaronder spoor en lightrail.

In 1995 publiceerde de Transportation Research Board (TRB) van de National Research Council een rapport dat nog steeds relevant is. Systeemspecifieke reservebusverhoudingen: een synthese van de transitpraktijk verklaarde:

Het doel van deze studie was het documenteren en onderzoeken van de kritieke locatiespecifieke variabelen die van invloed zijn op het aantal reservevoertuigen dat bussystemen nodig hebben om aan de maximale servicevereisten te voldoen. … Hoewel transitmanagers over het algemeen erkenden dat het juiste formaat van de vloot de operaties daadwerkelijk verbetert en de kosten verlaagt, meldden velen problemen bij het bereiken en consistent handhaven van een reserveratio van 20 procent, zoals aanbevolen door FTA… De respondenten van de enquête pleitten ervoor om meer nadruk te leggen op de ontwikkeling van verbeterde en innovatieve busonderhoudstechnieken, die hen zouden helpen de uitvaltijd te minimaliseren en de beschikbaarheid van voertuigen te verbeteren, wat uiteindelijk zou leiden tot minder reservevoertuigen en arbeids- en materiaalkosten.

Grof vereenvoudigde richtlijnen zoals "houd 20% reservebussen" zijn gemakkelijk te begrijpen en te meten, maar maskeren grovelijk meer gedetailleerde tactieken die een meer op maat gemaakt beleid kunnen bieden dat het geld van de belastingbetaler dat aan reserveonderdelen wordt uitgegeven, beter kan beheren en tegelijkertijd de hoogste niveaus van beschikbaarheid garandeert. Als de bedrijfszekerheid per bus kan worden verbeterd, zijn er minder reserveonderdelen nodig.

Een manier om elke bus vaker aan de praat te houden, is door het beheer van voorraden reserveonderdelen te verbeteren, met name door het gebruik van serviceonderdelen en het vereiste bevoorradingsbeleid nauwkeuriger te voorspellen. Hier kan modern supply chain management een belangrijke bijdrage leveren. De TRB merkte dit op in hun rapport:

Veel agentschappen zijn erin geslaagd de afhankelijkheid van overtollige reservevoertuigen te beperken. Die transitambtenaren zijn het erover eens dat verschillende factoren en initiatieven tot hun succes hebben geleid en van cruciaal belang zijn voor het succes van elk programma [inclusief] … Effectief gebruik van geavanceerde technologie om kritieke onderhoudsfuncties te beheren, inclusief de ordelijke en tijdige vervanging van onderdelen… Het niet beschikbaar hebben van service-onderdelen en andere componenten wanneer ze nodig zijn, heeft een negatieve invloed op elk onderhoudsprogramma.

Zolang managers op de hoogte zijn van de problemen en waakzaam zijn over welke hulpmiddelen voor hen beschikbaar zijn, zal de kans dat bussen 'geen voorraad hebben' sterk afnemen."

Effectief voorraadbeheer van reserveonderdelen vereist een balans tussen "genoeg hebben" en "te veel hebben". Wat moderne planningssoftware voor serviceonderdelen kan doen, is de wisselwerking tussen deze twee doelen zichtbaar maken, zodat transportmanagers op feiten gebaseerde beslissingen kunnen nemen over voorraden reserveonderdelen.

Er zijn genoeg complicaties bij het vinden van de juiste balans om verder te gaan dan simpele vuistregels zoals "houd tien dagen aan vraag bij de hand" of "bestel opnieuw wanneer u nog maar vijf stuks op voorraad hebt". Factoren die deze beslissingen sturen, zijn onder meer de gemiddelde vraag naar een onderdeel, de volatiliteit van die vraag, de gemiddelde doorlooptijd voor bevoorrading (wat een probleem kan zijn wanneer het onderdeel per slow boat uit Duitsland aankomt), de variabiliteit in doorlooptijd en verschillende kostenfactoren: aanhoudingskosten, bestelkosten en tekortkosten (bijv. verloren tarieven, verlies van publieke goodwill).

Innovatieve software voor supply chain-analyse en planning van reserveonderdelen maakt gebruik van geavanceerde probabilistische prognoses en stochastische optimalisatiemethoden om deze complexiteit te beheersen en een grotere beschikbaarheid van onderdelen tegen lagere kosten te bieden. Metro Transit in Minnesota documenteerde bijvoorbeeld een 4x hogere ROI in de eerste zes maanden na de implementatie van een nieuw systeem. Om meer te lezen over hoe openbaarvervoersbedrijven innovatieve supply chain-analyses benutten, zie:

 

 

Laat een reactie achter
gerelateerde berichten
Why Inventory Planning Shouldn’t Rely Exclusively on Simple Rules of Thumb

Waarom voorraadplanning niet uitsluitend op eenvoudige vuistregels mag vertrouwen

Voor te veel bedrijven wordt een cruciaal stukje data-feitenonderzoek – het meten van vraagonzekerheid – afgehandeld met eenvoudige maar onnauwkeurige vuistregels. Vraagplanners berekenen bijvoorbeeld vaak de veiligheidsvoorraad op basis van een door de gebruiker gedefinieerd veelvoud van de voorspelling of het historische gemiddelde. Of ze kunnen hun ERP configureren om meer te bestellen wanneer de beschikbare voorraad gedurende de doorlooptijd twee keer de gemiddelde vraag bereikt voor belangrijke artikelen en 1,5 keer voor minder belangrijke artikelen. Dit is een grote fout met kostbare gevolgen.

Why MRO Businesses Should Care About Excess Inventory

Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad

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.

Constructive Play with Digital Twins

Constructief spelen met Digital Twins

Degenen onder u die actuele onderwerpen volgen, zullen bekend zijn met de term ‘digitale tweeling’. Degenen die het te druk hebben gehad met hun werk, willen misschien verder lezen en bijpraten. Hoewel er verschillende definities van een digitale tweeling bestaan, is er één die goed werkt: een digitale tweeling is een dynamische virtuele kopie van een fysiek bezit, proces, systeem of omgeving die er hetzelfde uitziet en zich hetzelfde gedraagt als zijn tegenhanger in de echte wereld. Een digitale tweeling neemt gegevens op en repliceert processen, zodat u mogelijke prestatieresultaten en problemen kunt voorspellen die het echte product kan ondergaan.