Een statistische voorspelling van nul kan voor veel verwarring zorgen bij voorspellers, vooral wanneer de historische vraag niet nul is. Natuurlijk, het is duidelijk dat de vraag naar beneden neigt, maar moet deze naar nul evolueren? Wanneer de oudere vraag veel groter is dan de meer recente vraag en de meer recente vraag een zeer laag volume is (dwz 1,2,3 gevraagde eenheden), is het antwoord, statistisch gezien, ja. Dit komt echter mogelijk niet overeen met de zakelijke kennis van de planner en het verwachte minimale vraagniveau. Dus, wat moet een voorspeller doen om dit te corrigeren? Hier zijn drie suggesties:

1. Beperk de historische gegevens die aan het model worden ingevoerd. In een neerwaartse trendsituatie zijn de oudere gegevens dat vaak veel groter dan de recente gegevens. Wanneer de oudere, veel hogere volumevraag wordt genegeerd, zal de neerwaartse trend lang niet zo significant zijn. U voorspelt nog steeds een neerwaartse trend, maar de resultaten zullen eerder in lijn zijn met de zakelijke verwachtingen.

2. Probeer trenddemping. Smart Demand Planner heeft een functie genaamd "trendhedging" waarmee gebruikers kunnen definiëren hoe een trend in de loop van de tijd moet verdwijnen. Hoe hoger het percentage trendhedge (0-100%), hoe sterker de trenddemping. Dit betekent dat een voorspelde trend zich niet gedurende de hele prognosehorizon zal voortzetten. Dit betekent dat de vraagprognose begint af te vlakken voordat deze nul bereikt bij een neerwaartse trend.

3. Wijzig het prognosemodel. Schakel over van een trendingmethode zoals Double Exponential Smoothing of Linear Moving Average naar een niet-trendingmethode zoals Single Exponential Smoothing of Simple Moving Average. U voorspelt geen neerwaartse trend, maar uw voorspelling zal in ieder geval niet nul zijn en dus waarschijnlijker door het bedrijf worden geaccepteerd.

5 Stappen naar Consensus Vraagplanning

Het hele punt van vraagvoorspelling is het vaststellen van de best mogelijke zicht op de toekomstige vraag. Dit vereist dat we gebruikmaken van de beste gegevens en input die we kunnen krijgen, maak gebruik van statistieken om onderliggende patronen vast te leggen, de koppen bij elkaar te steken om overrides toe te passen op basis van zakelijke kennis, en overeenstemming te bereiken over een consensusvraagplan dat als hoeksteen dient voor het algemene vraagplan van het bedrijf.

Stap 1: Ontwikkel een nauwkeurig vraagsignaal.   Wat is vraag? Overweeg hoe uw organisatie de vraag definieert – bijvoorbeeld bevestigde verkooporders exclusief annuleringen of verzendgegevens die zijn aangepast om de impact van historische stockouts weg te nemen – en gebruik dit consequent. Dit is uw maatstaf voor wat de markt u vraagt te leveren. Verwar dit niet met uw vermogen om te leveren - dat moet worden weerspiegeld in het inkomstenplan.

Stap 2: Genereer een statistische prognose. Plan voor duizenden artikelen met behulp van een beproefde prognosetoepassing die automatisch uw gegevens binnenhaalt en op betrouwbare wijze nauwkeurige prognoses produceert voor allemaal van uw artikelen. Bekijk de eerste passage van uw prognose en breng vervolgens aanpassingen aan. Een staking of treinwrak kan de scheepvaart vorige maand hebben onderbroken - laat dat uw voorspelling niet beïnvloeden. Pas hiervoor aan en maak een nieuwe voorspelling. Doe je best en nodig dan anderen uit om mee te wegen.

Stap 3: Schakel de experts in. Productlijnmanagers, verkoopleiders, belangrijke distributiepartners kennen hun markten.  Deel uw voorspelling met hen. Smart gebruikt het concept van een "Snapshot" om een facsimile van uw voorspelling - op elk niveau, voor elke productlijn - te delen met mensen die misschien beter weten. Er kan een enorme order zijn die niet in de pijplijn zit, of een channel partner staat op het punt hun jaarlijkse promotie te houden. Geef ze een gemakkelijke manier om hun deel van de prognose te nemen en te wijzigen. Sleep deze maand omhoog, die omlaag…

Stap 4: Meet nauwkeurigheid en voorspelde toegevoegde waarde. Sommige van uw bijdragers hebben misschien gelijk met het geld, andere hebben de neiging hoog of laag bevooroordeeld te zijn. Gebruik prognose versus actuals-rapportage en meet prognosewaardetoevoegende analyse om prognosefouten te meten en of wijzigingen in de prognose pijn doen of helpen. Door het proces met deze informatie te informeren, verbetert uw bedrijf het vermogen om nauwkeuriger prognoses te maken.

Stap 5: ga akkoord met de consensusprognose.  U kunt deze productlijn of geografie per keer doen, of bedrijf per bedrijf. Roep het team bijeen, stapel hun invoer grafisch op elkaar, bekijk eerdere nauwkeurigheidsprestaties, bespreek hun redenen voor het verhogen of verlagen van de prognose en spreek af wiens input moet worden gebruikt. Dit wordt uw consensusplan. Voltooi het plan en verzend het - upload prognoses naar MRP, stuur het naar financiën en productie.  U bent net begonnen met uw verkoop-, voorraad- en operationele planningsproces.

Je kan dit doen. En wij kunnen helpen.  Als u vragen heeft over gezamenlijke vraagplanning, kunt u deze blog beantwoorden, dan nemen we contact met u op.

Belmont, Massachusetts, december 2022 – Smart Software is verheugd aan te kondigen dat mede-oprichter Dr. Thomas R. Willemain's artikel "Managing Inventory amid Regime Change" de 1e plaats heeft gewonnen in de categorie Forecasting van de 2022 Supply Chain Brief MVP Awards.

"Regimeverandering" is een statistische term die een grote verandering in de aard van de vraag naar een voorraadartikel betekent. De vraaggeschiedenis van een item is de brandstof die de prognosemachines van vraagplanners aandrijft. Over het algemeen geldt: hoe meer brandstof, hoe beter, waardoor we een beter beeld hebben van het gemiddelde niveau, de vorm van elk seizoenspatroon en de grootte en richting van elke trend. Maar er is één grote uitzondering op de regel dat 'meer gegevens betere gegevens zijn'. Als er een grote verschuiving in uw bedrijf plaatsvindt en de nieuwe vraag niet lijkt op de oude vraag, dan worden oude gegevens gevaarlijk.

Lees hier het artikel over de winnaar van de MVP Award  https://smartcorp.com/inventory-optimization/managing-inventory-amid-regime-change/

Toeleveringsketen in het kort brengt de beste inhoud samen van honderden opinieleiders uit de branche. Deze MVP Award erkent de Meest waardevolle post zoals beoordeeld door het publiek, de prijscommissie en sociale media van Supply Chain Brief. Van Smart Software wordt erkend dat het de hoogste waarde biedt aan professionals uit de industrie en nuttige informatie van strategische aard biedt. https://www.supplychainbrief.com/mvp-awards/2022-SCB-MVP-AWARDS/forecasting

Dr.Thomas R.Willemain is mede-oprichter en Senior VP for Research bij Smart Software. Hij was professor aan het MIT en de Harvard Kennedy School of Government en is nu emeritus hoogleraar Industrial and Systems Engineering aan het Rensselaer Polytechnic Institute. Tom was een Distinguished Visiting Professor aan de FAA en ondersteunde de Intelligence Community als Expert Statistical Consultant (GS15) in de Mathematics Research Group van NSA en later bij IDA's Center for Computing Sciences. Hij heeft diploma's van Princeton University (BSE, summa cum laude) en Massachusetts Institute of Technology (MS en PhD), allemaal in Electrical Engineering.

Over Smart Software, Inc.
Smart Software, Inc., opgericht in 1981, is toonaangevend in het leveren van bedrijfsbrede oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie aan bedrijven. De oplossingen voor vraagvoorspelling en voorraadoptimalisatie van Smart Software hebben duizenden gebruikers over de hele wereld geholpen, waaronder klanten bij middelgrote ondernemingen en Fortune 500-bedrijven, zoals Disney, Arizona Public Service en Ameren. Smart Inventory Planning & Optimization geeft vraagplanners de tools om om te gaan met seizoensinvloeden in de verkoop, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en af en toe gevraagde serviceonderdelen en kapitaalgoederen. Het biedt voorraadbeheerders ook nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts, en is online te vinden op www.smartcorp.com.

In de ruim veertig jaar dat Smart Software voorspellingssoftware levert, hebben we veel mensen ontmoet die, misschien verrassend, vraagvoorspellers worden. Deze blog is in de eerste plaats bedoeld voor die gelukkige individuen die op het punt staan om aan dit avontuur te beginnen (hoewel doorgewinterde pro's de opfriscursus misschien leuk vinden).

Welkom op het veld! Goede prognoses kunnen een groot verschil maken voor de prestaties van uw bedrijf, of u nu prognoses maakt ter ondersteuning van verkoop, marketing, productie, voorraad of financiën.

Er is veel wiskunde en statistiek die aan de vraag ten grondslag liggen voorspellingsmethoden, dus je opdracht suggereert dat je niet een van die wiskunde-fobische mensen bent die liever dichters zouden zijn. Gelukkig, als je je een beetje wankel voelt en nog niet genezen bent van je meetkundeles op de middelbare school, is veel van de wiskunde ingebouwd in voorspellingssoftware, dus je eerste taak is om de wiskunde voor later te laten terwijl je een zicht krijgt op de grote afbeelding. Het is inderdaad een grote afbeelding, maar laten we een paar van de ideeën isoleren die u het meest zullen helpen slagen.

1. Vraagvoorspelling is een teamsport. Zelfs in een klein bedrijf maakt de vraagplanner deel uit van een team, waarbij sommige mensen de gegevens brengen, sommigen de technologie en sommigen het zakelijke oordeel. In een goed geleide onderneming zal het nooit uw taak zijn om simpelweg wat gegevens in een programma in te voeren en een prognoserapport te verzenden. Veel bedrijven hebben een proces aangenomen dat Sales and Operations Planning (S&OP) wordt genoemd, waarbij uw prognose wordt gebruikt om een vergadering te starten om bepaalde beoordelingen te maken (bijvoorbeeld: moeten we ervan uitgaan dat deze trend zich zal voortzetten? overprognose?) en om extra informatie in de uiteindelijke prognose op te nemen (bijv. input van het verkooppersoneel, business intelligence over bewegingen van concurrenten, promoties). De implicatie voor u is dat uw vaardigheden op het gebied van luisteren en communiceren belangrijk zullen zijn voor uw succes.

2. Motoren voor statistische prognoses hebben goede brandstof nodig. Historische gegevens zijn de brandstof die wordt gebruikt door statistische prognoseprogramma's, dus slechte of ontbrekende of vertraagde gegevens kunnen uw werkproduct degraderen. Bij je functie hoort impliciet een aspect van kwaliteitscontrole en je moet de gegevens die je aangeleverd worden scherp in de gaten houden. Onderweg is het een goed idee om de IT-mensen tot je vrienden te maken.

3. Uw naam staat op uw prognoses. Of ik het nu leuk vind of niet, als ik voorspellingen naar de commandostructuur stuur, worden ze bestempeld als 'Tom's voorspellingen'. Ik moet bereid zijn die nummers te bezitten. Om mijn plaats aan tafel te verdienen, moet ik kunnen uitleggen op welke gegevens mijn voorspellingen waren gebaseerd, hoe ze werden berekend, waarom ik methode A in plaats van methode B gebruikte om de berekeningen uit te voeren, en vooral hoe stevig of zacht ze zijn. Hier is eerlijkheid belangrijk. Van geen enkele voorspelling kan redelijkerwijs worden verwacht dat deze perfect nauwkeurig is, maar niet van alle managers kan worden verwacht dat ze volkomen redelijk zijn. Als u pech heeft, denkt uw management dat uw meldingen van onzekerheid voorspellen wijzen op onwetendheid of incompetentie. In werkelijkheid duiden ze op professionaliteit. Ik heb geen bruikbaar advies over hoe je zulke managers het beste kunt managen, maar ik kan je er wel voor waarschuwen. Het is aan jou om degenen die je prognoses gebruiken op te leiden. De beste managers zullen dat waarderen.

4. Laat uw spreadsheets achter. Het is niet ongebruikelijk dat iemand wordt gepromoveerd tot voorspeller omdat ze geweldig waren met Excel. Tenzij u bij een ongewoon klein bedrijf werkt, overstijgt de schaal van moderne bedrijfsprognoses wat u met spreadsheets aankunt. De toenemende snelheid van zakendoen verergert het probleem: het slaperige tempo van jaarlijkse en driemaandelijkse planningsvergaderingen maakt snel plaats voor wekelijkse of zelfs dagelijkse herprognoses naarmate de omstandigheden veranderen. Wees dus voorbereid op een professionele leverancier van moderne, schaalbare cloudgebaseerde software voor vraagplanning en statistische prognose voor training en ondersteuning.

5. Denk visueel. Het zal zeer nuttig zijn, zowel bij het beslissen hoe u vraagprognoses genereert als bij het presenteren ervan aan het management, dus profiteer van de visualisatiemogelijkheden die in de prognosesoftware zijn ingebouwd. Zoals ik hierboven al opmerkte, kunnen de gegevens waarmee u werkt in de huidige hoogfrequente zakenwereld snel veranderen, dus wat u vorige maand deed, is deze maand misschien niet de juiste keuze. Houd uw gegevens letterlijk in de gaten door eenvoudige grafieken te maken, zoals "timeplots" die zaken als trend of seizoensinvloeden of (vooral) veranderingen in trend of seizoensinvloeden of anomalieën laten zien die moeten worden aangepakt. Evenzo kan het zeer nuttig zijn in een S&OP-proces om tabellen met prognoses aan te vullen met grafieken waarin huidige prognoses worden vergeleken met eerdere prognoses met werkelijke cijfers. Tijdplots met waarden uit het verleden, voorspelde waarden en 'prognose-intervallen' die de objectieve onzekerheid in de prognoses aangeven, bieden bijvoorbeeld een solide basis voor uw team om de boodschap in uw prognoses ten volle te waarderen.

Dat is genoeg voor nu. Als iemand die al een halve eeuw lesgeeft aan universiteiten, ben ik geneigd om met de statistische kant van voorspellingen te beginnen, maar dat bewaar ik voor een andere keer. De vijf bovenstaande tips zouden u kunnen helpen als u uitgroeit tot een belangrijk onderdeel van uw bedrijfsplanningsteam. Welkom bij het spel!

Waarom op scenario's gebaseerde planning planners helpt om risico's beter te beheren en betere resultaten te behalen.

Als u dit leest, bent u waarschijnlijk een supply chain-professional met verantwoordelijkheden voor vraagprognose, voorraadbeheer of beide. Als je in de 21 . woont^st eeuw, gebruik je een soort software om je te helpen je werk te doen. Maar wat doet uw software in wezen voor u?

Van oudsher heeft software gediend als een leveringsvehikel voor vergelijkingen. Zelfs als je al vroeg in je leven hebt besloten dat jij en vergelijkingen niet met elkaar overweg kunnen, kunnen ze nog steeds iets voor je doen, en kun je ermee leven - op voorwaarde dat sommige software al die wiskunde op een veilige afstand houdt.

Dit is prima, voor zover het gaat. Maar wij bij Smart Software denken dat u er beter aan doet door uw vergelijkingen in te ruilen voor scenario's. Meestal is het punt van een vergelijking om "het antwoord" te geven, meestal in de vorm van een getal, zoals in "de vraag van volgende maand naar SKUxxx zal 105 eenheden zijn." Dergelijke resultaten zijn nuttig, maar onvolledig.

Prognoses kunnen worden gezien als een computerprobleem, maar het is nuttiger om het te zien als een oefening in risicobeheer. De voorspelling van de vergelijking van 105 eenheden bevat geen enkele indicatie van de onzekerheid in de voorspelling, hoewel die er altijd is. Het helpt u niet na te denken over plausibele onvoorziene omstandigheden: wat als er vraag is naar meer dan 105 eenheden? Wat als het voor minder dan 105 is? Kan het zo hoog worden als 130 of zo laag als 80? Is 80 zelfs in de verste verte waarschijnlijk?

Dit is waar scenariogebaseerde analyse zijn voordeel laat zien. Een definitie van 'scenario' is 'een gepostuleerde opeenvolging van gebeurtenissen'. Onze definitie is uitgebreider: een scenario is "een gepostuleerde opeenvolging van gebeurtenissen en de bijbehorende waarschijnlijkheid van gebeuren." Scenario's zijn de ultieme what-if-planningstool. Voorspelling door vergelijking zal een vraag voor 105 eenheden voorspellen. Scenariovoorspelling levert een bundel mogelijke vraagcijfers op, sommige waarschijnlijker en andere minder. Als er weinig of geen scenario's zo laag als 80 zijn, kunt u die onvoorziene situatie laten gaan.

Plus-of-min Hoeveel?

Degenen die beter thuis zijn in op vergelijkingen gebaseerde voorspellingen, zouden kunnen protesteren dat op vergelijkingen gebaseerde software soms indicaties geeft van de "plus of min" van een voorspelling, compleet met een klokvormige curve die de relatieve waarschijnlijkheid van verschillende onvoorziene omstandigheden aangeeft. Wanneer u echter een perfecte klokvormige verdeling ziet, weet u dat u wordt gevraagd te vertrouwen op een theoretische veronderstelling die slechts soms geldig is.

Scenarioprognoses zijn niet gebaseerd op die veronderstelling. In feite hoeven ze niet te vertrouwen op een vooraf bedachte wiskundige veronderstelling waarvan het belangrijkste verkoopargument is dat het de analyse vereenvoudigt. U hebt geen vereenvoudigde analyse nodig, u hebt een realistische analyse nodig op basis van feiten.

Geavanceerde software produceert scenariovoorspellingen, niet alleen voor vraagplanning, maar ook voor voorraadbeheer. De vraag is een belangrijke input voor voorraadsoftware, samen met het gedrag van leveranciers zoals blijkt uit de doorlooptijden voor aanvullingen. Zowel vraag als aanbod moeten worden voorspeld als je de gevolgen wilt zien van bijvoorbeeld het kiezen van een bestelpunt van 15 en een bestelhoeveelheid van 25.

Voorraadsystemen zijn wat 'padgevoelig' wordt genoemd, wat betekent dat een bepaalde reeks vraagwaarden andere prestaties zal opleveren dan dezelfde vraagwaarden in een andere volgorde. Als bijvoorbeeld al uw periodes met de hoogste vraag de een na de ander worden opgestapeld, zult u veel meer moeite hebben om de voorraad aan te houden dan wanneer dezelfde periodes met grote vraag uit elkaar liggen met tijd om tussendoor bij te vullen. Scenario's weerspiegelen deze verschillen in voldoende detail om gemiddelde prestatiestatistieken op te leveren die een afspiegeling zijn van de verschillende onvoorziene omstandigheden die inherent zijn aan onzekere vraag.

Figuur 1 illustreert het verschil tussen een op vergelijkingen gebaseerde voorspelling en voorspellingsscenario's. De groene cellen houden 10 maanden vraag naar een reserveonderdeel. De blauwe cellen bevatten een op vergelijkingen gebaseerde voorspelling die vraagt om een gemiddelde vraag van 1,5 eenheden in de maanden 11, 12 en 13. De pistachekleurige cellen bevatten acht scenariovoorspellingen, hoewel onze software in de praktijk tienduizenden scenario's zou genereren. Nu komen de scenario's ook gemiddeld uit op 1,5 eenheden per maand, maar ze gaan verder en tonen de grote verscheidenheid aan manieren waarop de komende drie maanden zich zouden kunnen voordoen. Als u bijvoorbeeld verticaal leest, kan de maandelijkse vraag variëren van 0 tot 3. Als u horizontaal leest, kunnen de totalen voor drie maanden variëren van 0 tot 6, vergeleken met de op vergelijkingen gebaseerde schatting van 4,5. Als u doorgaat met dit speelgoedvoorbeeld, als u 5 eenheden bij de hand heeft en de doorlooptijd voor aanvulling langer is dan 3 maanden, zegt het op vergelijkingen gebaseerde model dat u de komende 3 maanden in orde zult zijn, maar de op scenario's gebaseerde resultaten zeggen dat u 1 kans op 8 (12.5%) kans op bevoorrading. Evenzo heeft u een serviceniveau van 87.5%. Als het onderdeel kritiek is en u streeft naar een 95%-serviceniveau, loopt u het risico uw doel voor artikelbeschikbaarheid te missen.

Afbeelding 1: Vergelijking-gebaseerde en op scenario's gebaseerde voorspellingen

Overzicht

Onthoud dat op vergelijkingen gebaseerde prognoses u informatie geven, maar oppervlakkige informatie. Op scenario's gebaseerde prognoses kunnen u niet alleen vertellen welk resultaat het meest waarschijnlijk is, maar ook hoe betrouwbaar een verscheidenheid aan voorspellingen is - en dit stelt u in staat uw oordeel te geven over het balanceren van risico's en voorraadkosten - allemaal geautomatiseerd om te schalen naar een groot aantal catalogus van artikelen.