In een vorige postbesprak ik een van de neteligere problemen waarmee vraagplanners soms worden geconfronteerd: het werken met gegevens over productvraag die worden gekenmerkt door wat statistici scheefheid noemen - een situatie die kostbare voorraadinvesteringen kan vergen. Dit soort problematische gegevens is te vinden in verschillende scenario's. In ten minste één geval, de combinatie van intermitterende vraag en zeer effectieve verkoopacties, leent het probleem zich voor een effectieve oplossing.

Als u de termen herziet, bedenk dan dat "serviceniveau" de waarschijnlijkheid is van het niet bevoorraden terwijl u wacht op een aanvullingsorder, terwijl "vulpercentage" het percentage van de vraag is waaraan onmiddellijk uit voorraad wordt voldaan. In mijn vorige bericht, "The Scourge of Skewness", heb ik erop gewezen dat een bepaald type vraagverdeling, met een "long right tail", zal leiden tot opvullingspercentages die veel lager kunnen zijn dan de serviceniveaus. Ik heb er ook op gewezen dat soms de enige manier om het opvullingspercentage te verbeteren, is om het beoogde serviceniveau te verhogen tot een ongewoon hoog niveau, wat duur kan zijn.

In dit bericht zal ik kijken naar het oplossen van het probleem in één speciaal geval: scheefheid als gevolg van effectieve verkooppromoties vermengd met "intermitterende vraag". Intermitterende vraag heeft een groot deel van nulwaarden, met willekeurige waarden die niet gelijk zijn aan nul. Succesvolle verkooppromoties, uiteraard positief, hebben een keerzijde: ze kunnen het "vraagsignaal" verwarren met pieken in uw vraaggeschiedenis, en kunnen prognoses en vertekening van veiligheidsvoorraadberekeningen ondermijnen. Wanneer een intermitterende vraag en effectieve verkoopacties de oorzaak zijn van de scheefheid van uw gegevens, bestaan er methoden om het probleem te omzeilen om zowel hogere opvullingspercentages als nauwkeurigere vraagprognoses te bereiken.

Hoe promoties scheefheid vergroten

Succesvolle promoties doen de vraag naar artikelen abrupt stijgen. Dit creëert anomalieën, of "uitschieters", die bijdragen aan het vormen van een scheve verdeling. Als we weten wanneer er in het verleden promoties hebben plaatsgevonden, kunnen we het record van de eerdere vraag van een item aanpassen. We produceren een alternatieve vraaggeschiedenis alsof er geen promoties zijn geweest, door de uitschieters te vervangen door waarden die meer representatief zijn voor het "natuurlijke" vraagniveau. Deze aanpassingen verminderen de scheefheid van de vraag. Verminderde scheefheid kan leiden tot aanzienlijke verlagingen van zowel verwachte prognoses als veiligheidsvoorraden, die bij elkaar optellen om bestelpunten te vormen.

Succesvolle promoties zullen waarschijnlijk worden herhaald. Wanneer dat gebeurt, kunnen de promotie-effecten worden toegevoegd aan vraagprognoses om hun nauwkeurigheid te vergroten. Het effect van toekomstige promoties op voorraadbeheer zal zijn dat het risico van stockouts toeneemt, dus een verstandige reactie is om op operationeel niveau te werken aan het opbouwen van tijdelijke voorraad, in een hoeveelheid die is afgestemd op de geschatte impact van eerdere promoties op de betrokken artikelen.

Gebeurtenismodellering gebruiken om vraagprognoses te verbeteren

Het is mogelijk om de impact van soortgelijke evenementen te modelleren en dit toe te passen op geplande evenementen in de toekomst. Als u dit doet, kunt u uw prognose op twee manieren verbeteren: door de vraagschok te projecteren die u verwacht van een gepland evenement; en het rationaliseren van de pieken in het verleden die werden veroorzaakt door gebeurtenissen, waardoor uw basisactiviteit zichtbaarder en nauwkeuriger voorspelbaar wordt. We doen dit veel in SmartForecasts, dus sta me toe onze ervaring daar te gebruiken om u te laten zien wat ik bedoel.

Event Modeling omvat de volgende stappen:
• Automatische inschatting van de impact van eerdere promoties (wat op zich al een nuttig resultaat is).
• Historische vraag aanpassen om het effect van promoties statistisch te verwijderen.
• Promotie-vrije prognoses maken.
• Het herzien van de prognoses voor eventuele toekomstige perioden waarin promoties zijn gepland.

We noemen dit type analyse “Promo forecasting”. We gebruiken het woord "promoties" om te beschrijven wat u zelf doet om uw resultaten te verbeteren. We gebruiken 'gebeurtenissen' om te beschrijven wat de wereld met u doet, meestal in uw nadeel; voorbeelden zijn stakingen, stroomuitval, magazijnbranden en andere ongelukkige gebeurtenissen.

Om te begrijpen hoe Event Modeling u kan helpen om te gaan met scheefheid bij het doen van vraagprognoses voor artikelen met een hoog volume, bekijkt u figuren 1-3.

Figuur 1 laat zien dat het vraagpatroon van dit artikel duidelijk seizoensgebonden is en dat de voorspelling zowel seizoensgebonden als "strak" is, wat betekent dat het voorspelde onzekerheidsinterval ("foutmarge", weergegeven in cyaankleurige lijnen) erg smal is.

Afbeelding 2 toont een alternatieve geschiedenis waarin een promotie in juni 2014 het gebruikelijke seizoensdieptepunt van juni-verkopen omkeerde. Dit vraagpatroon werd voorspeld met behulp van het automatische voorspellingstoernooi in SmartForecasts, zoals in afbeelding 1. Deze keer vervormde de promotie het seizoenspatroon voldoende om een ongepaste niet-seizoensgebonden voorspelling te maken, en een die een veel grotere foutmarge heeft.

Ten slotte laat afbeelding 3 zien hoe Promo-prognoses omgaan met hetzelfde gepromote scenario, een seizoensprognose behouden en in de prognose een schatting inbouwen van het effect van een geplande herhalingspromotie in 2015.

Het geval van intermitterende vraag

In afbeelding 1 was het artikel een gereed product met een hoog volume en was de taak vraagprognose. Promomodellering is ook nuttig wanneer het gaat om het instellen van veiligheidsvoorraden en bestelpunten voor artikelen met intermitterende vraag, of het nu gaat om gereed product, componenten of reserveonderdelen. Intermitterende vraag heeft vaak een scheve verdeling die het moeilijk maakt om een hoge artikelbeschikbaarheid te bereiken met een kleine investering in voorraad.

Afbeelding 4 illustreert het probleem dat een succesvolle promotie per ongeluk kan veroorzaken voor voorraadbeheer. Als zo'n piek het gevolg is van de natuurlijke, niet-gestimuleerde vraag, dan is de enige manier om hoge opvullingspercentages te behouden, om veiligheidsvoorraden aan te leggen die groot genoeg zijn om deze willekeurige pieken op te vangen. In dit geval was de grote vraagpiek van 500 stuks in februari 2013 het resultaat van een eenmalige actie.

Rekening houden met promoties om voorraadbeheer te verbeteren

Als u de piek in het bovenstaande voorbeeld onbewust beschouwt als onderdeel van de natuurlijke variabiliteit in de vraag, resulteert dit in een slecht opvullingspercentage. Om een beoogd serviceniveau van bijvoorbeeld 95% met een doorlooptijd van één maand te bereiken, zou een bestelpunt van 38 eenheden nodig zijn, berekend als de som van een verwachte prognose over de aanvultijd van één maand van 21 eenheden aangevuld met een veiligheidsvoorraad van 17 eenheden. Deze investering zou resulteren in een teleurstellend opvullingspercentage van slechts 36%.

Erkennen dat de piek een eenmalige promotie is en de 500 eenheden vervangen door 0 zou natuurlijk een groot verschil maken. Het bestelpunt zou dalen van 38 eenheden naar 31 (de som van een verwachte vraag van 7 eenheden en een veiligheidsvoorraad van 24 eenheden) en het opvullingspercentage zou toenemen tot 94%.

Het is natuurlijk niet oké om vervelende pieken in de vraag gewoon weg te gooien wanneer ze het leven ongemakkelijk maken; er moet een valide 'business story' achter de aanpassing van de historische vraag zitten. Als de piek het gevolg is van een gegevensverwerkingsfout, repareer deze dan in ieder geval. Als de piek samenvalt met een promotie, zal het vervangen van de piek door bijvoorbeeld de mediane vraag (vaak nul, zoals in dit voorbeeld) resulteren in een veel duurzamere voorraadinvestering die nog steeds voldoet aan agressieve prestatiedoelstellingen. Toekomstige promoties van hetzelfde type op hetzelfde artikel zullen wat extra inspanning vergen om zich voor te bereiden op de tijdelijke stijging van de vraag, maar het aanbevolen bestelpunt zal op de lange termijn correct zijn.

Thomas Willemain, PhD, was medeoprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselear Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.

Waar we tegen zijn

Als Boston Red Sox-fan van de derde generatie ben ik niet geneigd om advies aan te nemen van een New York Yankee-balspeler, zelfs een geweldige, maar ik moet toegeven dat je soms gewoon een beslissing moet nemen. Zou het echter niet beter zijn als we de afwegingen wisten die bij elke beslissing horen. Misschien is de ene weg mooier, maar duurt het langer, terwijl de andere directer maar saaier is. Dan hoeft u het niet zomaar te accepteren, maar kunt u een weloverwogen beslissing nemen op basis van de voor- en nadelen van elke benadering.

In de wereld van supply chain planning is de meest fundamentele beslissing hoe de beschikbaarheid van artikelen in evenwicht moet worden gebracht met de kosten om die beschikbaarheid in stand te houden (serviceniveaus en opvullingspercentages). Aan de ene kant kun je schromelijke overvoorraden hebben en nooit zonder raken totdat je failliet gaat en de winkel moet sluiten om al je geld in voorraad te stoppen die niet verkoopt. Aan het andere uiterste kunt u een grote ondervoorraad hebben en een bundel besparen op voorraadkosten, maar failliet gaan en uw winkel moeten sluiten omdat al uw klanten hun zaken elders hebben gedaan.

Er is geen ontkomen aan deze fundamentele spanning. De manier om te overleven en te gedijen is het vinden van een productieve en duurzame balans. Om dat te doen, zijn op feiten gebaseerde afwegingen nodig op basis van de cijfers. Om de nummers te krijgen is software nodig.

De algemene gang van zaken is duidelijk. Als u besluit meer voorraad aan te houden, heeft u meer voorraadkosten, lagere tekortkosten en mogelijk lagere bestelkosten. Of dit geld kost of bespaart, is onmogelijk te weten zonder een geavanceerde analyse, maar meestal is het resultaat dat de Totale Kosten omhoog gaan. Maar als u investeert in meer voorraad, levert dat iets op, omdat u uw klanten hogere serviceniveaus en opvulpercentages biedt. Hoeveel hoger vereist, zoals je misschien wel vermoedt, een geavanceerde analyse.

Laat me de cijfers zien

In deze blog leggen we uit hoe zo'n analyse eruit ziet. Er is geen universele oplossing die u naar de "juiste" beslissing wijst. U zou kunnen denken dat de juiste beslissing de beslissing is die het beste bij u past. Maar om die cijfers te krijgen, heb je iets nodig dat je zelden ziet: een nauwkeurig model van klantgedrag met betrekking tot serviceniveau (bekijk ons artikel “Hoe kies je een doelserviceniveau”) Wanneer zal een klant bijvoorbeeld weglopen en ergens anders heen gaan? Zal het zijn nadat je 1% van de tijd, 5% van de tijd, 10% van de tijd hebt opgeslagen? Blijft u hun bedrijf behouden zolang u snel nabestellingen uitvoert? Zal het zijn na een nabestelling van 1 dag, 2 dagen? 3 weken? Zal het zijn nadat dit één keer op een belangrijk onderdeel of vele malen op veel onderdelen is gebeurd? Hoewel het modelleren van het precieze serviceniveau waarmee u uw klant kunt behouden en tegelijkertijd de kosten kunt minimaliseren een ongenaakbaar ideaal lijkt, is een andere vorm van geavanceerde analyse meer pragmatisch. 

Voorraadoptimalisatie- en prognosesoftware kan alle bijbehorende kosten in rekening brengen, zoals de kosten van bevoorrading, de kosten van het aanhouden van voorraden en de kosten van het bestellen van voorraden, om zo een optimaal serviceniveau voor te schrijven dat de laagste totale kosten oplevert. Maar zelfs dat "optimale" serviceniveau is gevoelig voor veranderingen in de kosten, waardoor de resultaten mogelijk twijfelachtig zijn. Als u bijvoorbeeld de exacte kosten niet nauwkeurig kunt inschatten (de kosten van een tekort zijn het moeilijkst), zal het moeilijk zijn om met zekerheid iets te zeggen als: "Als ik mijn voorhanden voorraad verhoog met gemiddeld één eenheid voor alle artikelen in een belangrijke productfamilie, zal mijn bedrijf een nettowinst van $170.500 zien. Die winst neemt toe totdat ik bij 4 eenheden kom. Bij 4 stuks en hoger daalt het rendement door te hoge bewaarkosten. Dus de beste beslissing om rekening te houden met verwachte voorraad, bestelling en voorraad is om de voorraad met 3 eenheden te verhogen om een nettowinst van meer dan $500.000 te zien.  

Afgezien van dat ideaal, kunt u iets doen dat eenvoudiger maar toch uiterst waardevol is: kwantificeer de afwegingscurve tussen voorraadkosten en artikelbeschikbaarheid. Hoewel u niet noodzakelijkerwijs weet op welk serviceniveau u zich moet richten, kent u wel de kosten van verschillende serviceniveaus. Dan kunt u uw grote geld verdienen door een goede plek te vinden om op die afwegingscurve te zijn en te communiceren waar u risico loopt en waar niet, en verwachtingen te scheppen bij klanten en interne belanghebbenden. Zonder de afwegingscurve om u te leiden, vliegt u blind en kunt u uw voorraadbeleid niet rationeel wijzigen.

Een scenario om van te leren

Laten we een realistische afwegingscurve schetsen. We beginnen met een scenario dat een managementbeslissing vereist. Het scenario dat we zullen gebruiken en de bijbehorende veronderstellingen over vraag, doorlooptijden en kosten worden hieronder beschreven:

Voorraadbeleid

• Periodieke beoordeling – Beslissingen voor herbestellingen worden om de 30 dagen genomen
• Order-Up-To-Level ("S") - Varieerde van 30 tot 60 eenheden
• Tekortbeleid - Sta nabestellingen toe, geen verloren bestellingen

Vraag naar

• De vraag is intermitterend
• Gemiddeld = 0,8 eenheden per dag
• Standaarddeviatie = 1,2 eenheden per dag
• Grootste vraag in een jaar ≈ 9
• % dagen zonder vraag = 53%

Lead Time

• Willekeurig op 7, 14 of 21 dagen met waarschijnlijkheden respectievelijk 70%, 20% en 10%

Kostenparameters

• Bewaarkosten = $1 per dag
• Bestelkosten = $10 per bestelling, ongeacht de grootte van de bestelling
• Tekortkosten = $100 per eenheid niet onmiddellijk uit voorraad verzonden

We stellen ons een beleid voor voorraadbeheer voor dat in de handel bekend staat als een "periodieke beoordeling" of (T,S) beleid. In dit geval is de Herzieningsperiode ("T") 30 dagen, wat betekent dat elke 30 dagen de voorraadpositie wordt gecontroleerd en een bestelbeslissing wordt genomen. De bestelhoeveelheid is het verschil tussen het waargenomen aantal beschikbare eenheden en de Order-Up-To Quantity ("S"). Dus als de voorraad aan het einde van de maand 12 eenheden is en S = 20, is de bestelhoeveelheid S – 12 = 20 -1 2 = 8. De volgende maand zal de bestelhoeveelheid waarschijnlijk anders zijn. Als de voorraad tijdens een beoordelingsperiode ooit negatief wordt (nabestellingen), probeert de volgende bestelling het evenwicht te herstellen door meer te bestellen om aan die nabestellingen te voldoen. Als de voorraad bijvoorbeeld -5 is (wat betekent dat 5 bestelde eenheden niet beschikbaar zijn voor verzending, is de volgende bestelling S – (-5) = S + 5. Details van de hypothetische vraagstroom, doorlooptijden van leveranciers en kostenelementen worden weergegeven in onderstaande afbeelding 1. Afbeelding 2 toont een voorbeeld van de dagelijkse vraag en dagelijkse voorraad gedurende vijf beoordelingsperioden. periodieke, zoals vaak het geval is voor reserveonderdelen, en daarom moeilijk te plannen.

Figuur 1: Verschillende keuzes van voorraadbeleid (bestelling tot), bijbehorende kosten en serviceniveaus

Afbeelding 2: Details van vijf maanden systeemwerking, gegeven een van de beleidsregels

Software voor voorraadplanning is onze vriend

Software codeert de logica van de werking van het (T,S)-systeem, genereert veel hypothetische maar realistische vraagscenario's, berekent hoe elk van die scenario's zich afspeelt en kijkt vervolgens terug op de gesimuleerde werking (hier, 10 jaar of 3.650 opeenvolgende dagen) om kosten- en prestatiestatistieken te berekenen.

Om de afwegingscurve te onthullen, hebben we verschillende computationele experimenten uitgevoerd waarin we het Order-Up-To Level, S, varieerden. De grafieken Figuur 2 tonen het gedrag van de voorhanden inventaris in het "rijkste" alternatief met S = 60. In de fragment getoond in figuur 2, komt de voorhanden inventaris nooit in de buurt van uitvoorraden. Ook dat kun je lezen. Een, een beetje naïef, is om te zeggen: "Goed, we zijn goed beschermd." De andere, meer agressieve, is om te zeggen: “Oh nee, we zijn opgeblazen. Ik vraag me af wat er zou gebeuren als we S zouden verminderen.”

De afwegingscurve onthuld

Figuur 3 toont de resultaten van het verminderen van S van 60 naar 30 in stappen van 5 eenheden. De tabel laat zien dat Total Cost de som is van Holding Cost, Ordering Cost en Shortage Cost. Voor de (T,S) polis zijn de bestelkosten altijd hetzelfde, aangezien een bestelling elke 30 dagen als een uurwerk wordt geplaatst. Maar de andere kostencomponenten reageren op de veranderingen in S.

Afbeelding 3: De experimentele resultaten en bijbehorende afwegingscurve die laten zien hoe het wijzigen van het Order-Up-To Level ("S") zowel het serviceniveau als de totale jaarlijkse kosten beïnvloedt

Houd er rekening mee dat het serviceniveau in deze scenario's altijd lager is dan het opvullingspercentage. Als professor denk ik altijd aan dit verschil in termen van examenbeoordeling. Elke aanvullingscyclus is als een test. Serviceniveau gaat over de waarschijnlijkheid van een stockout, dus het is net als het cijfer voor een geslaagd/niet-geslaagd examen met één vraag die perfect moet worden beantwoord. Als er geen stockout is in een cyclus, is dat een A. Als er een stockout is, is dat een F. Het maakt niet uit of het één eenheid is die niet wordt geleverd of 50 - het is nog steeds een F. Maar Fill Rate is als een vraag dat wordt beoordeeld met deelpunten. Dus als je een van de tien eenheden te kort krijgt, krijg je 90% Fill Rate voor die cyclus, niet 0%. Het is belangrijk om het verschil te begrijpen tussen deze twee belangrijke statistieken voor voorraadplanning - bekijk deze vlog met een beschrijving serviceniveau versus opvullingspercentage via een interactieve oefening in Excel.

De plot in figuur 3 is het echte nieuws. Het koppelt de totale kosten en het serviceniveau voor verschillende S-niveaus. Als u de grafiek van rechts naar links leest, vertelt het ons dat er enorme kostenbesparingen te behalen zijn door S te verlagen met zeer weinig nadelige gevolgen in termen van verminderde artikelbeschikbaarheid. Als u bijvoorbeeld S verlaagt van 60 naar 55, bespaart u bijna $800 per jaar op dit ene item, terwijl het serviceniveau slechts een klein beetje wordt verlaagd van (in wezen) 100% naar een nog steeds indrukwekkende 99%. S iets meer snijden doet hetzelfde, maar niet zo dramatisch. Als u de grafiek van links naar rechts leest, ziet u dat het omhoog gaan van S = 30 naar S = 35 ongeveer $1.000 per jaar kost, maar het serviceniveau verbetert van een F-klasse (45%) naar ten minste een C-klasse (71%). Daarna kost het steeds meer om S hoger te duwen, terwijl je steeds minder wint.

De afwegingscurve geeft u geen antwoord op hoe u het Order-Up-To-niveau moet instellen, maar u kunt wel de kosten en baten van elk mogelijk antwoord evalueren. Neem even de tijd en doe alsof dit jouw probleem is: waar zou je langs de afwegingscurve willen zijn?

U kunt bezwaar maken en zeggen dat u uw keuzes haat en het spel wilt veranderen. Is er ontsnapping uit de bocht? Niet van de algemene curve, maar misschien kun je een minder pijnlijke curve vormen. Hoe?

Misschien heb je nog andere kaarten om te spelen. Een manier is om te proberen de vraag zo te 'vormen' dat deze minder variabel is. De vraaggrafiek in figuur 2 laat veel variabiliteit zien. Als je de vraag zou kunnen afvlakken, zou de hele afwegingscurve naar beneden verschuiven, waardoor elke keuze goedkoper zou worden. Een tweede manier is om te proberen de gemiddelde en variabiliteit van doorlooptijden van leveranciers te verminderen. Het bereiken van een van beide zou ook de curve naar beneden verschuiven om de keuze minder pijnlijk te maken. Bekijk ons artikel over hoe leveranciers beïnvloeden uw voorraadkosten

Overzicht

De afwegingscurve is altijd bij ons. Soms kunnen we het misschien vriendelijker maken, maar we kiezen altijd ons plekje erlangs. Het is beter om te weten wat u krijgt voor elke keuze van voorraadbeleid dan om te proberen te raden, en de curve geeft u dat. Wanneer u een nauwkeurige schatting van die curve heeft, vliegt u niet langer blind als het gaat om voorraadplanning. 

U kunt uw voorraadniveaus niet goed beheren, laat staan optimaliseren, als u niet precies weet hoe vraagprognoses en voorraadparameters (zoals min/max, veiligheidsvoorraden, bestelpunten en bestelhoeveelheden) precies zijn bepaald.

Veel organisaties kunnen niet specificeren hoe beleidsinputs worden berekend of situaties identificeren waarin het management het beleid terzijde moet schuiven. Veel mensen kunnen bijvoorbeeld zeggen dat ze vertrouwen op een bepaalde planningsmethode, zoals Min/Max, bestelpunt of prognose met veiligheidsvoorraad, maar ze kunnen niet precies zeggen hoe deze planningsinputs worden berekend. Meer fundamenteel begrijpen ze misschien niet wat er met hun KPI's zou gebeuren als ze de min-, max- of veiligheidsvoorraad zouden wijzigen. Ze weten misschien dat de prognose berust op "gemiddelden" of "geschiedenis" of "verkoopinput", maar specifieke details over hoe de uiteindelijke prognose tot stand komt, zijn onduidelijk.

Vaak genoeg werd de logica voor voorraadplanning en prognoses van een bedrijf ontwikkeld door een voormalige werknemer of verdwenen adviseur en in een spreadsheet gestopt. Het kan anders terugvallen op verouderde ERP-functionaliteit of ERP-maatwerk door een IT-organisatie die er ten onrechte van uitging dat ERP-software alles kan en moet. (Lees dit geweldig en, zoals ze zeggen, "grappig omdat het waar is", blog van Shaun Snapp over ERP-gerichte strategieën.) Het beleid is mogelijk niet goed gedocumenteerd en niemand die momenteel aan het werk is, kan het verbeteren of er het beste van maken.

Deze ongelukkige situatie leidt tot een andere, waarin inkopers en voorraadplanners ronduit de output van het ERP-systeem negeren, waardoor ze afhankelijk worden van Microsoft Excel om orderschema's te bepalen. Er worden ad-hocmethoden ontwikkeld die samenhangende reacties op operationele problemen in de weg staan en die niet zichtbaar zijn voor de rest van de organisatie (tenzij u wilt dat uw CFO de complexe en kieskeurige spreadsheet leert kennen). Deze methoden zijn vaak afhankelijk van vuistregels, middelingstechnieken of leerboekstatistieken zonder een volledig begrip van hun tekortkomingen of toepasbaarheid. En zelfs wanneer gedocumenteerd, ontdekken de meeste bedrijven vaak dat de daadwerkelijke bestelling afwijkt van het gedocumenteerde beleid. Een bedrijf waarvoor we overlegden, had voorraadniveaus bij de hand die routinematig 2 x de maximale hoeveelheid waren! Met andere woorden, er is helemaal geen beleid.

Samengevat, veel huidige voorraad- en vraagvoorspellingssystemen zijn ontwikkeld uit wantrouwen voor de suggesties van het vorige systeem, maar verbeteren de KPI's niet echt. Ze dwingen de organisatie ook om op een paar werknemers te vertrouwen om vraagprognoses, dagelijkse bestellingen en voorraadaanvulling te beheren.

En als er een probleem is, kan het uitvoerende team onmogelijk ontspannen hoe je daar bent gekomen, omdat er te veel bewegende delen zijn. Was de overtollige voorraad bijvoorbeeld de schuld van een onnauwkeurige vraagprognose die berustte op een middelingsmethode die geen rekening hield met een afnemende vraag? Of was het te wijten aan een verouderde instelling van de doorlooptijd die hoger was dan had moeten zijn? Of was het te wijten aan een prognose-override die een planner had gemaakt om rekening te houden met een bestelling die gewoon nooit is gebeurd? En wie gaf de feedback om die override te maken? Een klant? Verkoper?

Heeft u een van deze problemen? Als dat zo is, verspilt u elk jaar honderdduizenden tot miljoenen dollars aan onnodige tekortkosten, voorraadkosten en bestelkosten. Wat zou je met dat extra geld kunnen doen? Stelt u zich eens voor welke impact dit zou hebben op uw bedrijf.

Deze blog beschrijft de top 10 vragen die u kunt stellen om te ontdekken wat er echt gebeurt in uw bedrijf. We beschrijven de typische antwoorden die worden gegeven wanneer er niet echt een beleid voor prognoses/voorraadplanning bestaat, leggen uit hoe deze antwoorden moeten worden geïnterpreteerd en geven duidelijk advies over wat u eraan kunt doen.

"Biljoenen records van miljoenen mensen... Het vinden van de nuttige en juiste informatie, het begrijpen van de kwaliteit ervan en het tijdig en kosteneffectief produceren van betrouwbare geanalyseerde gegevens zijn allemaal kritieke kwesties."

Smart Software Senior Vice President for Research Tom Willemain had onlangs de gelegenheid om te praten met Dr. Mohsen Hamoudia, President van de Internationaal Instituut van Voorspellers (IIF), om actuele problemen met en kansen voor big data-analyse te bespreken. Het IIF informeert praktijkmensen over trends en onderzoeksontwikkelingen op het gebied van prognoses via gedrukte en online publicaties en het organiseren van professionele conferenties.

Dr. Hamoudia begint, bij wijze van inleiding:

In alle sectoren neemt de beschikbaarheid van gegevens explosief toe in volume, variëteit en snelheid. Big data-analyse speelt een belangrijke rol bij het identificeren van de gegevens die het belangrijkst zijn voor het bedrijf.

Ik neem het voorbeeld van de informatie- en communicatietechnologie (ICT)-sector. We zien een letterlijk exponentiële groei in de hoeveelheid data die beschikbaar is voor telecombedrijven, Over-the-top (OTT) onafhankelijke contentdistributeurs, overheid, toezichthouders en andere organisaties.

Over de hele wereld zijn we getuige van petabytes aan gegevens: biljoenen records van miljoenen mensen - allemaal afkomstig uit meerdere bronnen. Onder deze bronnen: internetverbindingen, verkoop, klantcontactcentra, sociale media, mobiele en vaste telefoongegevens. Het vinden van de nuttige en juiste informatie, het begrijpen van de kwaliteit ervan en het tijdig en kosteneffectief produceren van betrouwbare, geanalyseerde gegevens zijn allemaal kritieke kwesties. ICT-bedrijven zoeken steeds vaker naar bruikbare inzichten in hun data. Hoe ze hun klantenbestand en loyaliteitsprogramma's kunnen vergroten? Hoe kunnen ze de Quality of Service (QoS) verbeteren en het klantverloop verminderen? Met de juiste big data-analyseplatforms kunnen ze concurrerender en efficiënter zijn, waardoor de bedrijfsvoering, klantenservice en risicobeheer worden verbeterd. Het voorspellen en voorspellen van klanttrends en richtingen zijn essentieel voor telecom.

Voorspellingsvaardigheden, waaronder wiskunde, statistiek en econometrie, vormen een van de belangrijkste "blokken" van vereiste vaardigheden bij het beheren van Big Data. Sommige voorspellingsactiviteiten maken natuurlijk deel uit van het big data-debat.

In de detailhandel komen prognoses dagelijks aan de orde vraag naar over duizenden producten. Financiële prognoses, of het nu gaat om klantgedrag of financiële datareeksen, genereren enorme online datasets. Zoals opgemerkt door Robert Fildes, Distinguished Professor aan de Universiteit van Lancaster, is de academische prognosegemeenschap tot nu toe nog niet grondig betrokken - op enkele uitzonderingen na. Hal Varian van Google heeft gekeken naar een deel van het werk dat David Hendry en Jennifer Castle, aan de Universiteit van Oxford, hebben ondernomen om grote datasets te doorzoeken op datacongruente, betekenisvolle modellen. Stock en Watson hebben ook hun eigen benaderingen ontwikkeld voor grote macrogegevenssets. Maar ondanks de poging, tijdens het symposium over prognoses vorig jaar in Seoel, om het thema big data en zijn prognosetoepassingen te verkennen, zijn er nog maar weinig overtuigende toepassingen van het gebruik van online data voor echte prognoseproblemen.

V. Men hoort tegenwoordig veel over 'voorspellende analyses', maar de uitdrukking wordt zelden in verband gebracht met prognoses. Bent u het ermee eens dat prognoses de kern vormen van voorspellende analyses? Heb je een verklaring waarom de link verbroken is? Heeft u ideeën over hoe u prognoses opnieuw in het gesprek kunt inbrengen?

De resultaten van prognoses (het 'wat') worden nu misschien als minder belangrijk ervaren dan het 'hoe'. Bijgevolg is het vertrouwen dat gebruikers stellen in traditionele prognoses afgenomen. Wie stelt inderdaad de juistheid of relevantie van prognoses ter discussie door a posteriori de realiteit versus de prognose te vergelijken - om te pleiten voor de effectiviteit van methododiges en daarmee voor het opbouwen van geloofwaardigheid?

Met de huidige perceptie van "voorspellende analyses" is er waarschijnlijk meer ruimte in de publieke verbeelding voor de "hoe"-kant van de dingen, en daarom een geloofwaardiger verhaal om te vertellen aan partners, investeerders of klanten.

V. Het lijkt erop dat er bijna geen verband bestaat tussen traditionele prognoses en mobiele technologie (smartphones, tabletcomputers). Klopt dit, of migreren sommige bedrijven prognoses naar mobiele apparaten? Ziet u een pad voorwaarts waarin traditionele prognosealgoritmen routinematig op mobiele apparaten zouden staan?

Allereerst wil ik uw lezers graag uitnodigen om ons nieuwste nummer van Foresight te lezen. In een uitstekend artikel over dit onderwerp, "Forecasting In the Pocket: Mobile Devices Can Improve Collaboration", wordt uitgelegd dat "de toenemende populariteit van PDA's, smartphones, tabletcomputers en andere mobiele apparaten nieuwe mogelijkheden opent voor communicatie en samenwerking bij zakelijke prognoses." De auteurs vertellen ons: "Mobiele prognosetoepassingen (m-forecasting) kunnen benaderingen van samenwerking tussen detailhandelaren en leveranciers stroomlijnen, en zo bijdragen aan de verstrekking en uitwisseling van productinformatie, vooral omdat prognoses sterk verbonden zijn met kennis van de lokale context."

Aan de kant van ICT & OTT vinden bijvoorbeeld een groot aantal voorspellende projecten plaats, zoals die van Google+ en Facebook, dankzij de opname van de "gebruikerslocatie" -gegevens in de IT-systemen van OTT. Naar mijn mening, en wat ik zie in sommige sectoren zoals retail en logistiek, is dat traditionele forecasting en mobiele forecasting (m-forecasting) complementair zijn. Dit laatste zou kunnen worden gezien als een bottom-up prognosebenadering die de top-down prognoseresultaten al dan niet zal bevestigen.

V. Sommige mensen beweren dat big data de vervanging van prognoses door "sense and react"-systemen zal vergemakkelijken. Hoe zou u 'voelen en reageren' in de praktijk uitleggen en zijn er toepassingsgebieden waarvan u denkt dat het wel of niet zal aanslaan?

Het lijkt mij dat "sense and react" volledig gericht is op het kortetermijnperspectief. Prognoses breiden dit uit door tegemoet te komen aan behoeften voor een variabele horizon: korte en middellange termijn.

Als neveneffect van ATAWAD (Anytime, Anywhere, Any Device) zijn de besluitvormingscriteria meer dan ooit “korte termijn”. Big data is een detectiesysteem voor "zwakke signalen", dat de bijna realtime detectie van zakelijke kansen mogelijk maakt die met traditionele IT-systemen onopgemerkt zouden blijven. Er zijn niet echt voorkeurs- of niet-prioritaire toepassingen hiervoor, de vraag is meer aan de "wanneer" -kant.

Big data is relevant als je onder de oppervlakte kijkt in moeilijke economische tijden, maar ik ben er minder zeker van of het de moeite waard is in een “normale” economische periode. Om af te sluiten op dit punt: ik zal graag een voorbeeld zien van hoe nauwkeurig prognoses zijn die zijn gebaseerd op "voelen en reageren" versus prognoses op basis van traditionele modellen.

V. Ik stel een aantal grote vragen. In hoeverre ziet u de IIF-gemeenschap deze discussies en resultaten vormgeven? Hoe kunnen lezers deelnemen aan de dialoog?

We verwachten een toenemende beschikbaarheid en een toenemend gebruik van enorme hoeveelheden gegevens in veel sectoren, zoals energie, transport, gezondheidszorg, financiën, telecommunicatie en toerisme.

Veel van de IIF-leden houden zich bezig met verschillende aspecten van de big data-beweging. Het IIF doet wat werk in de voorspellingsactiviteiten die natuurlijk deel uitmaken van het big data-debat. Meer in het algemeen neemt het IIF actief deel aan en biedt het een forum voor de discussie over prognoses in de rest van de wereld.

Het thema van ons laatste International Symposium on Forecasting (ISF) in Seoul was “Forecasting with Big Data” en enkele presentaties hadden betrekking op gezondheidszorg en telecommunicatie. Er is zojuist een relevante workshop georganiseerd door de Europese Centrale Bank (ECB). Als er op deze modellen wordt geprofiteerd, hebben ze het potentieel om het economisch beleid van Europa vrij snel te beïnvloeden.

Lezers kunnen deelnemen aan de dialoog door artikelen bij te dragen aan de publicaties van het IIF (The International Journal of Forecasting, Foresight and Het orakel). Foresight is bijvoorbeeld een stem van onschatbare waarde om academici en praktijkmensen samen te brengen in een voortdurende discussie.

Lezers kunnen ook papers presenteren op de jaarlijkse conferentie (de eerder genoemde ISF). Ze kunnen ook specifieke workshops voorstellen en organiseren voor specifieke toepassingen van big data, zoals de workshop die zojuist door de ECB in Frankfurt is georganiseerd. Een andere mogelijkheid is om de leden van IIF uit te nodigen voor het bijwonen van bijeenkomsten die te maken hebben met prognoses met big data. Al deze kansen vormen goede platforms om te netwerken en samen te werken.

Mohsen Hamoudia, PhD, is de voorzitter van het International Institute of Forecasters. Hij is ook Head of Strategy for Large Projects (Parijs) voor Orange Business Services (het voormalige France Telecom).

Thomas Willemain, PhD, was medeoprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselear Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.