Voorraadbeheer betreft het beheer van fysieke goederen, waarbij de nadruk ligt op een nauwkeurige en actuele telling van elk item in de voorraad en waar het zich bevindt, evenals het efficiënt ophalen van items. Relevante technologieën zijn onder meer computerdatabases, streepjescodes, Radio Frequency Identification (RFID) en het gebruik van robots voor het ophalen.

Voorraadbeheer heeft tot doel het door de onderneming gedefinieerde voorraadbeleid uit te voeren. Voorraadbeheer wordt vaak uitgevoerd met behulp van ERP-systemen (Enterprise Resource Planning), die inkooporders, productieorders en rapportage genereren met informatie over de huidige voorraad die aanwezig is, binnenkomt en kan worden besteld.

Voorraadplanning stelt operationele beleidsdetails in, zoals artikelspecifieke bestelpunten en bestelhoeveelheden, en voorspelt de toekomstige vraag en doorlooptijden van leveranciers. Belangrijke componenten van een voorraadplanningsproces zijn onder meer wat-als-scenario's voor het verrekenen van voorhanden voorraad, het analyseren van de invloed van veranderingen in de vraag, doorlooptijden en voorraadbeleid op de bestellingen, en het beheren van uitzonderingen en onvoorziene gebeurtenissen.

Inventory Optimization maakt gebruik van een analytisch proces dat waarden berekent voor voorraadplanningsparameters (bijvoorbeeld bestelpunten en bestelhoeveelheden) die een numeriek doel of 'objectieve functie' optimaliseren zonder een numerieke beperking te schenden. Een objectieve functie zou bijvoorbeeld kunnen zijn om de laagst mogelijke exploitatiekosten voor de voorraad te bereiken (gedefinieerd als de som van de voorraadkosten, de bestelkosten en de tekortkosten), en de beperking zou kunnen zijn om een opvullingspercentage van ten minste 90% te bereiken. Met behulp van een wiskundig model van het voorraadsysteem en waarschijnlijkheidsvoorspellingen van de vraag naar artikelen kan voorraadoptimalisatie snel en automatisch voorstellen hoe duizenden voorraadartikelen het beste kunnen worden beheerd.

Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

Wat is en wat niet

Wat is AI en waarin verschilt het van ML? Wat doet iemand tegenwoordig als hij iets wil weten? Ze Googlen het. En als ze dat doen, begint de verwarring.

Eén bron zegt dat de neurale netmethodologie, deep learning genaamd, een subset is van machine learning, een subset van AI. Maar een andere bron zegt dat deep learning al een onderdeel is van AI, omdat het min of meer de manier nabootst waarop de menselijke geest werkt, terwijl machinaal leren dat niet probeert.

Eén bron zegt dat er twee soorten machinaal leren zijn: onder toezicht en zonder toezicht. Een ander zegt dat er vier zijn: onder toezicht, zonder toezicht, semi-onder toezicht en versterking.

Sommigen zeggen dat versterkend leren machinaal leren is; anderen noemen het AI.

Sommigen van ons, traditionalisten, noemen veel ervan ‘statistieken’, hoewel dat niet allemaal zo is.

Bij het benoemen van methoden is veel ruimte voor zowel emotie als verkoopvaardigheid. Als een softwareleverancier denkt dat je de term ‘AI’ wilt horen, kan het zijn dat hij/zij dat voor je zegt, alleen maar om je blij te maken.

Het is beter om je te concentreren op wat er uiteindelijk uitkomt

Je kunt een verwarrende hype vermijden als je je concentreert op het eindresultaat dat je krijgt van een analytische technologie, ongeacht het label ervan. Er zijn verschillende analytische taken die relevant zijn voor voorraadplanners en vraagplanners. Deze omvatten clustering, detectie van afwijkingen, detectie van regimeveranderingen en regressieanalyse. Alle vier de methoden worden gewoonlijk, maar niet altijd, geclassificeerd als methoden voor machinaal leren. Maar hun algoritmen kunnen rechtstreeks uit de klassieke statistiek komen.

Clustering

Clusteren betekent het groeperen van dingen die op elkaar lijken en het distantiëren ervan van dingen die niet op elkaar lijken. Soms is clusteren eenvoudig: om uw klanten geografisch te scheiden, sorteert u ze eenvoudigweg op staat of verkoopregio. Als het probleem niet zo voor de hand liggend is, kun je data- en clusteralgoritmen gebruiken om de klus automatisch te klaren, zelfs als je met enorme datasets te maken hebt.

Figuur 1 illustreert bijvoorbeeld een cluster van “vraagprofielen”, die in dit geval alle artikelen van een klant in negen clusters verdeelt, op basis van de vorm van hun cumulatieve vraagcurven. Cluster 1.1 linksboven bevat items waarvan de vraag is afgenomen, terwijl Cluster 3.1 linksonder items bevat waarvan de vraag is toegenomen. Clusteren kan ook op leveranciers. De keuze van het aantal clusters wordt doorgaans overgelaten aan het oordeel van de gebruiker, maar ML kan die keuze begeleiden. Een gebruiker kan de software bijvoorbeeld de opdracht geven om “mijn onderdelen in vier clusters op te splitsen”, maar het gebruik van ML kan aan het licht brengen dat er in werkelijkheid zes verschillende clusters zijn die de gebruiker moet analyseren. 

Figuur 1: Artikelen clusteren op basis van de vorm van hun cumulatieve vraag

Onregelmatigheidsdetectie

Vraagvoorspelling wordt traditioneel gedaan met behulp van tijdreeksextrapolatie. Eenvoudige exponentiële afvlakking werkt bijvoorbeeld om op elk moment het ‘midden’ van de vraagverdeling te vinden en dat niveau naar voren te projecteren. Als er in het recente verleden echter een plotselinge, eenmalige stijging of daling van de vraag heeft plaatsgevonden, kan die afwijkende waarde een aanzienlijk maar onwelkom effect hebben op de kortetermijnvoorspellingen. Net zo ernstig voor de voorraadplanning, kan de anomalie een buitensporig effect hebben op de schatting van de variabiliteit van de vraag, wat rechtstreeks doorgaat naar de berekening van de veiligheidsvoorraadvereisten.

Planners geven er misschien de voorkeur aan dergelijke afwijkingen op te sporen en te verwijderen (en misschien offline follow-up te doen om de reden voor de vreemdheid te achterhalen). Maar niemand die een grote klus te klaren heeft, zal duizenden vraagdiagrammen visueel willen scannen om uitschieters op te sporen, deze uit de vraaggeschiedenis te verwijderen en vervolgens alles opnieuw te berekenen. De menselijke intelligentie zou dat kunnen doen, maar het menselijk geduld zou spoedig ophouden. Algoritmen voor het detecteren van afwijkingen zouden het werk automatisch kunnen doen met behulp van relatief eenvoudige statistische methoden. Je zou dit ‘kunstmatige intelligentie’ kunnen noemen als je dat wilt.

Detectie van regimewijzigingen

Detectie van regimeveranderingen is als de grote broer van anomaliedetectie. Regimeverandering is een aanhoudende, in plaats van tijdelijke, verschuiving in een of meer aspecten van het karakter van een tijdreeks. Terwijl de detectie van afwijkingen zich gewoonlijk richt op plotselinge verschuivingen in de gemiddelde vraag, kan een regimeverandering verschuivingen in andere kenmerken van de vraag met zich meebrengen, zoals de volatiliteit of de verdelingsvorm ervan.  

Figuur 2 illustreert een extreem voorbeeld van regimeverandering. Rond dag 120 daalde de vraag naar dit artikel op de bodem. Het voorraadbeheerbeleid en de vraagvoorspellingen op basis van de oudere gegevens zouden aan het einde van de vraaggeschiedenis enorm afwijken van de basis.

Figuur 2: Een voorbeeld van extreme regimeverandering in een artikel met een intermitterende vraag

Ook hier kunnen statistische algoritmen worden ontwikkeld om dit probleem op te lossen, en het zou eerlijk zijn om ze ‘machine learning’ of ‘kunstmatige intelligentie’ te noemen als ze daartoe gemotiveerd zijn. Door ML of AI te gebruiken om regimeveranderingen in de vraaggeschiedenis te identificeren, kan software voor vraagplanning automatisch alleen de relevante geschiedenis gebruiken bij het voorspellen, in plaats van handmatig de hoeveelheid geschiedenis te moeten kiezen die in het model moet worden geïntroduceerd. 

Regressie analyse

Regressieanalyse relateert de ene variabele aan de andere via een vergelijking. De verkoop van kozijnen in één maand kan bijvoorbeeld worden voorspeld op basis van bouwvergunningen die een paar maanden eerder zijn afgegeven. Regressieanalyse wordt al meer dan een eeuw beschouwd als onderdeel van de statistiek, maar we kunnen zeggen dat het ‘machine learning’ is, aangezien een algoritme de precieze manier uitwerkt om kennis van de ene variabele om te zetten in een voorspelling van de waarde van een andere.

Overzicht

Het is redelijk om geïnteresseerd te zijn in wat er gebeurt op het gebied van machinaal leren en kunstmatige intelligentie. Hoewel de aandacht die aan ChatGPT en zijn concurrenten wordt besteed interessant is, is deze niet relevant voor de numerieke kant van vraagplanning of voorraadbeheer. De numerieke aspecten van ML en AI zijn potentieel relevant, maar je moet proberen de wolk van hype rond deze methoden te doorzien en je te concentreren op wat ze kunnen doen. Als u de klus kunt klaren met klassieke statistische methoden, kunt u dat misschien ook doen, en vervolgens uw optie uitoefenen om het ML-label op alles wat beweegt te plakken.

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

Beschouw voor de eenvoud het probleem van het voorspellen van de voorraadbehoeften voor slechts één periode vooruit, bijvoorbeeld één dag vooruit. Meestal bestaat de taak van forecasting uit het schatten van het meest waarschijnlijke of gemiddelde niveau van de productvraag. Als de beschikbare voorraad echter gelijk is aan de gemiddelde vraag, bestaat er een kans van ongeveer 50% dat de vraag de voorraad overtreft en resulteert in verloren omzet en/of verloren goede wil. Het instellen van het voorraadniveau op bijvoorbeeld tien keer de gemiddelde vraag zal waarschijnlijk het probleem van voorraadtekorten elimineren, maar zal net zo zeker resulteren in oplopende 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 demandkunt u het vereiste voorraadniveau vaak schatten door uit te gaan van een klokvormige (normale) vraagcurve, waarbij u zowel het midden als de breedte van de klokcurve schat, en vervolgens een standaard statistische formule gebruikt om het gewenste percentiel te schatten. Het verschil tussen het gewenste voorraadniveau en het gemiddelde vraagniveau wordt de ‘veiligheidsvoorraad’ genoemd, omdat deze beschermt tegen de mogelijkheid van voorraadtekorten.

Bij een intermitterende vraag is de klokvormige curve een zeer slechte benadering van de statistische verdeling van de vraag. In dit speciale geval maakt Smart gebruik van gepatenteerde technologie voor intermitterende vraag die is ontworpen om de marges nauwkeurig te voorspellen en een betere schatting te maken van de veiligheidsvoorraad die nodig is om het vereiste voorraadserviceniveau te bereiken.

Op elk gebied, inclusief voorspellingen, wordt volkswijsheid verzameld die zich uiteindelijk voordoet als ‘best practices’. Deze best practices zijn vaak verstandig, althans gedeeltelijk, maar missen vaak context en zijn mogelijk niet geschikt voor bepaalde klanten, sectoren of bedrijfssituaties. Er zit vaak een addertje onder het gras: een ‘ja, maar’. Deze opmerking gaat over zes doorgaans juiste voorspellingen, die niettemin hun kanttekeningen plaatsen.

1. Organiseer uw bedrijf rond een prognose van één getal. Dat klinkt verstandig: het is goed om een gedeelde visie te hebben. Maar elk onderdeel van het bedrijf zal zijn eigen idee hebben over welk getal het getal is. De financiële sector wil misschien kwartaalomzet, de marketing wil misschien websitebezoeken, de verkoop wil misschien een verloop, het onderhoud wil misschien een langere tijd tot het misgaat. Overigens heeft elke eenheid waarschijnlijk een handvol belangrijke statistieken. U heeft geen slogan nodig, u moet uw werk gedaan krijgen.

2. Integreer bedrijfskennis in een gezamenlijk prognoseproces. Dit is een goede algemene regel, maar als uw samenwerkingsproces gebrekkig is, kan het knoeien met een statistische prognose via managementoverschrijvingen de nauwkeurigheid verminderen. Je hebt geen slogan nodig; je moet de nauwkeurigheid van alle methoden meten en vergelijken en de winnaars volgen.

3. Voorspelling met behulp van causale modellering. Extrapolatieve prognosemethoden houden geen rekening met de onderliggende krachten die uw verkopen aandrijven, ze werken alleen met de resultaten. Causale modellering brengt u dieper in de fundamentele drijfveren en kan zowel de nauwkeurigheid als het inzicht verbeteren. Causale modellen (geïmplementeerd door middel van regressieanalyse) kunnen echter minder nauwkeurig zijn, vooral als ze voorspellingen van de drijvende krachten vereisen (“voorspellingen van de voorspellers”) in plaats van simpelweg de geregistreerde waarden van vertraagde voorspellende variabelen in te pluggen. Je hebt geen slogan nodig: je hebt een onderlinge vergelijking nodig.

4. Voorspel de vraag in plaats van verzendingen. Vraag is wat je echt wilt, maar het ‘opstellen van een vraagsignaal’ kan lastig zijn: wat doe je met interne overboekingen? Eenmalige? Verloren omzet? Bovendien kunnen vraaggegevens worden gemanipuleerd. Als klanten bijvoorbeeld opzettelijk geen bestellingen plaatsen of proberen hun bestellingen te misleiden door te lang van tevoren te bestellen, zal de bestelgeschiedenis niet beter zijn dan de verzendgeschiedenis. Althans met verzendgeschiedenis, het klopt: u weet wat u heeft verzonden. Prognoses van verzendingen zijn geen voorspellingen van de ‘vraag’, maar vormen een solide uitgangspunt.

5. Gebruik Machine Learning-methoden. Ten eerste is ‘Machine learning’ een elastisch concept dat een steeds groter aantal alternatieven omvat. Onder de motorkap van veel door ML geadverteerde modellen bevindt zich slechts een automatisch kiezen een extrapolatieve voorspellingsmethode (dat wil zeggen: de beste pasvorm) die, hoewel uitstekend in het voorspellen van de normale vraag, al bestaat sinds de jaren tachtig (Smart Software was het eerste bedrijf dat een automatische selectiemethode voor de pc uitbracht). ML-modellen zijn data-hogs die grotere datasets nodig hebben dan u mogelijk ter beschikking heeft. Het op de juiste manier kiezen en trainen van een ML-model vereist een niveau van statistische expertise dat ongebruikelijk is in veel productie- en distributiebedrijven. Misschien wil je iemand vinden die je hand vasthoudt voordat je dit spel gaat spelen.

6. Door uitschieters te verwijderen, ontstaan betere voorspellingen. Hoewel het waar is dat zeer ongebruikelijke pieken of dalen in de vraag onderliggende vraagpatronen, zoals trends of seizoensinvloeden, zullen maskeren, is het niet altijd waar dat u de pieken moet wegnemen. Vaak weerspiegelen deze pieken in de vraag de onzekerheid die willekeurig uw bedrijfsvoering kan verstoren en waarmee dus rekening moet worden gehouden. Het verwijderen van dit soort gegevens uit uw vraagvoorspellingsmodel kan de gegevens op papier voorspelbaarder maken, maar u zult verrast zijn als dit opnieuw gebeurt. Wees dus voorzichtig met het verwijderen van uitschieters massaal.

Klanten vragen ons vaak waarom een kousaanbeveling "zo hoog" is. Hier is een vraag die we onlangs ontvingen:

Tijdens onze laatste teamvergadering hebben we enkele items gevonden met abnormale hiaten tussen onze huidige ROP en de door Smart voorgestelde ROP op een 99%-serviceniveau. De zorg is dat het systeem aangeeft dat het bestelpunt fors omhoog zal moeten om een 99%-serviceniveau te halen. Kunt u ons helpen de berekening te begrijpen?

Toen we de gegevens bekeken, was het voor de klant duidelijk dat de door Smart berekende ROP inderdaad klopte. We concludeerden (1) wat ze echt wilden was een veel lager doel voor het serviceniveau en (2) we hadden niet goed uitgelegd wat er werkelijk werd bedoeld met 'serviceniveau'. 

Dus, wat betekent een "99%-serviceniveau" eigenlijk? 

Als het gaat om het doel dat u invoert in uw voorraadoptimalisatiesoftware, betekent dit dat het voorraadniveau voor het artikel in kwestie een kans van 99% heeft om te kunnen vullen wat de klant nodig heeft meteen.  Als u bijvoorbeeld 50 stuks op voorraad heeft, is de kans 99% dat de volgende vraag ergens in het bereik van 0 tot 50 stuks zal vallen.

Wat onze klant bedoelde was dat 99% van de keren dat een klant een bestelling plaatste, dat ook zo was volledig geleverd binnen de door de klant opgegeven levertijd. Met andere woorden, niet per se meteen maar wanneer beloofd.  

Het is duidelijk dat hoe meer tijd u uzelf geeft om aan een klant te leveren, hoe hoger uw serviceniveau zal zijn. Maar dat onderscheid wordt vaak niet expliciet begrepen wanneer nieuwe gebruikers van voorraadoptimalisatiesoftware wat-als-scenario's uitvoeren op verschillende serviceniveaus. En dat kan tot grote verwarring leiden. Het berekenen van serviceniveaus op basis van onmiddellijke voorraadbeschikbaarheid is een hogere norm: moeilijker te halen maar veel competitiever.

Onze productieklanten geven vaak serviceniveaus aan op basis van doorlooptijden aan hun klanten, dus het is niet essentieel voor hen om direct uit het schap te leveren. Onze klanten in de distributie, Maintenance Repair and Operations (MRO) en ruimtes voor reserveonderdelen moeten daarentegen normaal gesproken dezelfde dag of binnen 24 uur verzenden. Voor hen is het een competitieve noodzaak om meteen te verzenden en dit volledig te doen.

Houd bij het invoeren van beoogde serviceniveaus met uw voorraadoptimalisatiesoftware rekening met dit onderscheid. Kies het serviceniveau op basis van het percentage van de tijd dat u de volledige voorraad direct vanaf de plank wilt verzenden.