De meeste statistische prognoses werken in één directe stroom van gegevens uit het verleden naar prognoses. Voorspellen met voorlopende indicatoren werkt op een andere manier. Een leidende indicator is een tweede variabele die van invloed kan zijn op degene die wordt voorspeld. Het toepassen van toetsbare menselijke kennis over de voorspellende kracht in de relatie tussen deze verschillende gegevenssets levert soms superieure nauwkeurigheid op.

Meestal is een prognose uitsluitend gebaseerd op de geschiedenis van het item dat wordt voorspeld. Laten we aannemen dat het probleem van de voorspeller is om de toekomstige verkoop per eenheid van een belangrijk product te voorspellen. Het proces begint met het verzamelen van gegevens over de eerdere verkopen van het product. (Gregory Hartunian deelt wat praktisch advies over het kiezen van de best beschikbare data in een eerder bericht op de Smart Forecaster.) Deze gegevens stromen naar prognosesoftware, die het verkooprecord analyseert om het niveau van willekeurige variabiliteit te meten en alle voorspelbare aspecten te benutten, zoals trend of regelmatige patronen van seizoensvariabiliteit. De prognose is volledig gebaseerd op het gedrag in het verleden van het artikel dat wordt voorspeld. Er wordt expliciet rekening gehouden met niets dat het schommelen en schudden in de verkoopgrafiek van het product zou kunnen hebben veroorzaakt. Deze aanpak is snel, eenvoudig, op zichzelf staand en schaalbaar, omdat software automatisch door een groot aantal prognoses kan bladeren.

Maar soms kan de voorspeller het beter doen, ten koste van meer werk. Als de voorspeller door de mist van willekeur kan kijken en een tweede variabele kan identificeren die van invloed is op degene die wordt voorspeld, een leidende indicator, zijn nauwkeurigere voorspellingen mogelijk.

Stel dat het product vensterglas voor woningen is. Het is goed mogelijk dat stijgingen of dalingen van het aantal bouwvergunningen voor nieuwbouwwoningen enkele maanden later worden weerspiegeld in overeenkomstige stijgingen of dalingen van het aantal bestelde glasplaten. Als de voorspeller deze "vertraagde" of vertraagde relatie in een vergelijking kan destilleren, kan die vergelijking worden gebruikt om de glasverkoop over enkele maanden te voorspellen, dus met behulp van bekende waarden van de leidende indicator. Deze vergelijking wordt een "regressievergelijking" genoemd en heeft de vorm zoiets als:

Verkoop van glas in 3 maanden = 210,9 + 26,7 × Aantal woningen start deze maand.

Voorspellingssoftware kan de gegevens over de start van de woningbouw en de glasverkoop omzetten in zo'n regressievergelijking.

Grafiek met een relatie tussen voorbeeldcijfers voor verschoven bouwvergunningen en de vraag naar glas
Voorlopende indicatoren aangetoond
In tegenstelling tot automatische statistische prognoses op basis van de eerdere verkopen van een product, stuit prognoses met een voorlopende indicator echter op hetzelfde probleem als het spreekwoordelijke recept voor konijnenstoofpot: "Vang eerst een konijn". Hier is de inhoudelijke expertise van de voorspeller cruciaal voor succes. De forecaster moet één of meerdere kandidaten kunnen voordragen voor de functie van leading indicator. Na deze cruciale stap kan op basis van de kennis, ervaring en intuïtie van de voorspeller software worden gebruikt om te verifiëren dat er werkelijk een voorspellende, tijdvertraagde relatie bestaat tussen de kandidaat-voorlopende indicator en de te voorspellen variabele.

Deze verificatiestap wordt uitgevoerd met behulp van een "kruiscorrelatie"-analyse. De software neemt in wezen als invoer een reeks waarden van de te voorspellen variabele en een andere reeks waarden van de veronderstelde leidende indicator. Vervolgens schuift het de gegevens van de voorspellingsvariabele vooruit met achtereenvolgens een, twee, drie, etc. tijdsperioden. Bij elke slip in de tijd (een "lag" genoemd, omdat de leidende indicator steeds verder achterloopt op de voorspellingsvariabele), controleert de software op een associatiepatroon tussen de twee variabelen. Als het een patroon vindt dat te sterk is om te worden verklaard als een statistisch ongeval, wordt het vermoeden van de voorspeller bevestigd.

Het is duidelijk dat prognoses met voorlopende indicatoren meer werk zijn dan prognoses met alleen de eigen waarden uit het verleden van een item. De voorspeller moet een leidende indicator identificeren, te beginnen met een lijst die wordt voorgesteld door de vakkennis van de voorspeller. Dit is een "handgemaakt" proces dat niet geschikt is voor massaproductie van prognoses. Maar het kan een succesvolle aanpak zijn voor een kleiner aantal belangrijke items die de extra moeite waard zijn. De rol van prognosesoftware, zoals ons SmartForecasts-systeem, is om de voorspeller te helpen de leidende indicator te verifiëren en deze vervolgens te benutten.

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

De unieke uitdagingen van voorraadplanning voor reserveonderdelen, grote kapitaalgoederen en andere zelden of onregelmatig bewegende artikelen maken het belangrijk om slimmere methoden te vinden om dit soort intermitterende vraag te voorspellen. Robert Bowman, redacteur van Supply Chain Brain Magazine, en ik bespraken dit onderwerp in oktober APICS conferentie in Denver, en video van ons gesprek is beschikbaar op Supply Chain-hersenen website.

Waarom plan voor periodieke vraag? Welnu, waarom plannen voor elke vraag? Als u kunt begrijpen wat de waarschijnlijke vraag zal zijn totdat u meer kunt krijgen, weet u hoeveel voorraad u in reserve moet houden, zodat u precies genoeg heeft. Dit is de kern van vraagprognoses en voorraadoptimalisatie. Intermitterende vraag is buitengewoon moeilijk te voorspellen, maar hetzelfde principe geldt.

In tegenstelling tot andere vraagpatronen, waar historische gegevens regelmatige trends, eb en vloed, seizoensinvloeden of andere waarneembare patronen suggereren, lijkt de intermitterende vraag willekeurig te zijn. Er zijn veel periodes van nulvraag afgewisseld met onregelmatige vraag die niet gelijk is aan nul. Dit komt vaak voor bij serviceonderdelen, waarbij onderdelen worden vervangen als ze kapot gaan, en u weet gewoon niet wanneer dat zal gebeuren. De meeste voorraden van serviceonderdelen (70% of meer!) kunnen te maken krijgen met een intermitterende vraag. De vraag naar gespecialiseerde of geconfigureerde producten zal waarschijnlijk ook met tussenpozen zijn.

Supply Chain Brain heeft de meer diepgaande discussie over dit onderwerp gemaakt die Bowman en ik deelden beschikbaar Hier. Voor nieuwe bezoekers van Supply Chain Brain is een snelle accountregistratie vereist om toegang te krijgen tot de video.

Jeff Scott fungeert als Vice President, Marketing & Alliances voor Smart Software.

Door de voorraadniveaus te optimaliseren met behulp van de beste voorspellingen van de toekomstige vraag, kunnen enorme kostenbesparende efficiënties worden bereikt. Bekendheid met de basisprincipes van prognoses is een belangrijk onderdeel van effectief zijn met de softwaretools die zijn ontworpen om deze efficiëntie te benutten. Deze beknopte introductie (de eerste in een korte reeks blogposts) biedt de drukbezette professional een inleiding in de basisideeën die u nodig heeft bij het maken van prognoses. Hoe evalueert u uw prognose-inspanningen en hoe betrouwbaar zijn de resultaten?

Een goede voorspelling is 'onbevooroordeeld'. Het legt de voorspelbare structuur correct vast in de vraaggeschiedenis, waaronder: trend (een regelmatige toename of afname van de vraag); seizoensgebondenheid (cyclische variatie); speciale evenementen (bijv. verkoopacties) die van invloed kunnen zijn op de vraag of een kannibaliserend effect kunnen hebben op andere artikelen; en andere, macro-economische gebeurtenissen.

Met "onbevooroordeeld" bedoelen we dat de geschatte voorspelling niet te hoog of te laag is; het is even waarschijnlijk dat de werkelijke vraag boven of onder de voorspelde vraag ligt. Beschouw de voorspelling als uw beste schatting van wat er in de toekomst zou kunnen gebeuren. Als die voorspelling "onbevooroordeeld" is, zal het algemene beeld laten zien dat metingen van de werkelijke toekomstige vraag de prognoses zullen "brullen" - in evenwicht verdeeld boven en onder voorspellingen door de gelijke kansen.

Je kunt dit zien alsof je een artillerieofficier bent en het jouw taak is om met je kanon een doelwit te vernietigen. Je richt je kanon ("de voorspelling") en schiet dan en ziet hoe de granaten vallen. Als je het kanon correct hebt gericht (een "onbevooroordeelde" voorspelling produceert), zullen die granaten het doelwit "steunen"; sommige granaten vallen vooraan en sommige granaten vallen achterop, maar sommige granaten raken het doelwit. De vallende granaten kunnen worden gezien als de "daadwerkelijke vraag" die in de toekomst zal ontstaan. Als je goed hebt voorspeld (je kanon goed hebt gericht), dan zullen die actuals de prognoses ondersteunen en zowel boven als onder de prognose vallen.

Als je eenmaal een “onbevooroordeelde” voorspelling hebt verkregen (met andere woorden, je hebt je kanon correct gericht), is de vraag: hoe nauwkeurig was je voorspelling? Als we het voorbeeld van de artillerie gebruiken, hoe groot is het bereik rond het doelwit waarin uw granaten vallen? U wilt een zo klein mogelijk bereik hebben. Een goede voorspelling is er een met de minimaal mogelijke "spreiding" rond het doel.

Echter, alleen omdat de werkelijke waarden sterk rond de voorspelling vallen, wil nog niet zeggen dat u een slechte voorspelling hebt. Het kan alleen maar aangeven dat u een zeer "volatiele" vraaggeschiedenis heeft. Nogmaals, als je het artillerievoorbeeld gebruikt, als je begint te schieten in een orkaan, zou je moeten verwachten dat de granaten met een grote fout rond het doelwit vallen.

Uw doel is om een zo nauwkeurig mogelijke voorspelling te verkrijgen met de gegevens waarover u beschikt. Als die gegevens erg vluchtig zijn (je fotografeert in een orkaan), dan zou je een grote fout moeten verwachten. Als uw gegevens stabiel zijn, kunt u een kleine fout verwachten en zullen uw werkelijke waarden dicht bij de voorspelling liggen: u fotografeert op een heldere dag!

Om zowel het nut van uw prognoses als de mate van voorzichtigheid bij het toepassen ervan te begrijpen, moet u kunnen beoordelen en meten hoe goed uw prognose presteert. Hoe goed schat het in wat er werkelijk gebeurt? SmartForecasts doet dit automatisch door zijn "glijdende simulatie" door de geschiedenis te laten lopen. Het simuleert "voorspellingen" die zich in het verleden hadden kunnen voordoen. Een ouder deel van de geschiedenis, zonder de meest recente cijfers, wordt geïsoleerd en gebruikt om prognoses op te bouwen. Omdat deze prognoses vervolgens 'voorspellen' wat er in het meer recente verleden zou kunnen gebeuren - een periode waarvoor u al werkelijke vraaggegevens hebt - kunnen de prognoses worden vergeleken met de echte recente geschiedenis.

Op deze manier kan SmartForecasts empirisch de werkelijke voorspellingsfout berekenen - en die fouten zijn nodig om de veiligheidsvoorraad correct in te schatten. Veiligheidsvoorraad is de hoeveelheid extra voorraad die u nodig heeft om rekening te houden met de verwachte fout in uw prognoses. In een volgend essay, zal ik bespreken hoe we onze geschatte prognosefout gebruiken (via de glijdende simulatie van SmartForecasts) om veiligheidsvoorraden correct in te schatten.

Nelson Hartunian, PhD, was medeoprichter van Smart Software, was voorheen President en houdt er momenteel toezicht op als voorzitter van de raad van bestuur. Hij heeft op verschillende momenten leiding gegeven aan softwareontwikkeling, verkoop en klantenservice.

De vernietigende impact van de orkaan Sandy is zowel onthutsend als leerzaam geweest. Onze gedachten en beste wensen voor een spoedig herstel gaan uit naar iedereen die persoonlijk of economisch verlies of schade heeft geleden. Nu, in de nasleep van Sandy, merken we dat we nadenken over het versnellen van herstel en het plannen van de volgende onvoorziene gebeurtenis.

Ons werk met klanten in de zwaar getroffen massatransportsector gaf een ontnuchterend beeld van beschadigde infrastructuur, zwaar materieel en verlies van essentiële inventaris. Degenen die het meest getroffen zijn, hebben een enorme hoeveelheid werk gezien terwijl voorraadbeheerders de balans opmaken van wat ze hebben en nodig hebben en een berg vervangende onderdelen en producten aanschaffen. Deze unieke massale aanvullingscyclus biedt allerlei kansen en overwegingen. Voor degenen die zich nog in deze fase bevinden, en om onze collectieve voorbereiding op het volgende grote evenement te helpen, zijn hier een paar gedachten:

Mogelijkheid om direct “juiste maat” inventaris op te maken

Mogelijk kunt u een grote, eenmalige financiering voor vervangende inventaris ontvangen. Het kan verzekeringsgeld zijn, federale hulp of regenachtige dagfondsen uit uw eigen schatkist. Gebruik de financiering om de best mogelijke voorraadmix vast te stellen. Bestel niet volgens eerder vastgestelde min/max-niveaus. Als u dat wel doet, kunnen excessen en tekortkomingen uit het verleden eenvoudig worden herhaald.

Een groot evenement als Sandy biedt een zeldzame kans om je inventaris te transformeren. Begin met een nauwkeurige vraagprognose over de bevoorradingsperiode en genereer veiligheidsvoorraden en bestelpunten die aan uw kritieke behoeften voldoen. Dit kan in enkele uren of dagen worden gerealiseerd. Gewoonlijk kan het implementeren van optimale voorraadniveaus over meerdere jaren plaatsvinden, aangezien overtollige voorraad geleidelijk wordt uitgeput. Nu heb je echter een eenmalige kans om naar het juiste antwoord te springen. Deze verschuiving kan de uitgaven voor aanvulling aanzienlijk verminderen, waardoor honderdduizenden dollars vrijkomen voor andere, meer kritieke hersteldoeleinden.

Prioriteit geven aan aan te vullen klassen

Wees duidelijk over wat u nodig heeft voor cruciale operaties en geef prioriteit aan uw aanvulling. Welke onderdelen hebben een lange doorlooptijd en welke zijn direct leverbaar? Het is duidelijk dat artikelen met een korte doorlooptijd in fasen kunnen worden aangeschaft - nu net genoeg krijgen, waardoor er geld beschikbaar komt voor de artikelen met een langere doorlooptijd.

Bepaal hoeveel "net genoeg" is

Dit is waar een nauwkeurige vraagprognose, veiligheidsvoorraden en bestelpuntberekeningen een rol spelen. Denk aan het serviceniveau dat u nodig heeft - de waarschijnlijkheid dat producten in de schappen liggen wanneer u ze nodig hebt - wat in feite uw tolerantie voor risico's is. Doe dit voor elk item of elke klasse items. Dit zal u vertellen hoeveel veiligheidsvoorraad u, naast uw verwachte doorlooptijdprognose, bij de hand moet hebben. Door te herhalen op op serviceniveau gebaseerde vereisten, kunt u de waarde van het beschikbare aanvullingsbudget maximaliseren.

Statistische prognoses voor Intermittent demand versus 'vuistregel'-methoden

Dit is het moment om over te stappen van 'de manier waarop we het hebben gedaan' naar het meest nauwkeurige proces voor vraagprognoses en voorraadoptimalisatie dat voor u beschikbaar is. Voor een grotere voorspellingsnauwkeurigheid is minder veiligheidsvoorraad nodig, wat opnieuw voorraaddollars beschikbaar maakt voor andere gebruikers. De grootste afzonderlijke categorie voor verbetering is intermitterende vraag. De meeste organisaties passen hiervoor geen solide statistische methoden toe, maar nemen hun toevlucht tot de 'zware hamerregel': ze hebben veel bij de hand omdat niemand het weet. Hier is een gebied waar SmartForecasts bijzonder bedreven in is, met een gepatenteerde oplossing voor het voorspellen van intermitterende vraag. De resulterende veiligheidsvoorraadaanbevelingen bereikten het serviceniveaudoel bijna 100% van de tijd. Als u dit goed doet, bespaart u nu veel uitgaven en wordt de kans op overtollige, verouderde voorraad in de toekomst geminimaliseerd.

Nelson Hartunian, PhD, was medeoprichter van Smart Software, was voorheen President en houdt er momenteel toezicht op als voorzitter van de raad van bestuur. Hij heeft op verschillende momenten leiding gegeven aan softwareontwikkeling, verkoop en klantenservice.

Fluctuaties in de toeleveringsketen van een voorraad zijn onvermijdelijk. Willekeur, die een bron van verwarring en frustratie kan zijn, garandeert dit. Een schip met goederen uit China kan vertraging oplopen door een storm op zee. Een plotselinge toename van de vraag op een dag kan de voorraad in één dag wegvagen, waardoor u niet meer aan de vraag van de volgende dag kunt voldoen. Willekeur zorgt voor fricties die het moeilijk maken om je werk te doen.

Op het eerste gezicht lijkt het soms het beste om op willekeur te reageren met de struisvogelbenadering: kop in het zand. U kunt genoegen nemen met een voorspelling en ervan uitgaan dat de voorspelling altijd klopt. De fout in die benadering is dat het statistische methoden negeert die ons in staat stellen gebruik te maken van een schat aan kennis over onze kennis zelf - hoeveel vertrouwen we kunnen hebben in onze voorspellingen en met welke brede mogelijkheden we worden geconfronteerd. De efficiënte aanpak van de problemen die voortkomen uit willekeur is niet om onzekerheid te negeren, maar om deze met open ogen te omarmen.

Als een fundamenteel principe van Smart Software's benadering van voorspelling, zullen we u altijd een beoordeling geven van de mate van onzekerheid in prognoses. Als u niets meer verwacht dan een absoluut cijfer - de vraag naar widgets in februari zal 120 eenheden zijn - kunt u het toegevoegde element van onzekerheid afdoen als negatief, of het vertrouwen verliezen in een voorspelling waarvan u had gehoopt dat deze definitief zou zijn. Maar we pleiten voor wat wij beschouwen als de benadering voor volwassenen; u moet weten wat u riskeert wanneer u zich aan een prognose houdt en uw besluitvorming daarop baseert.

Uw prognoses kunnen grote gevolgen hebben die verder gaan dan voorraadniveaus. Ze kunnen uw behoeften aan grondstoffen of personeelsniveau bepalen - prognoses zijn de drijvende kracht achter veel belangrijke beslissingen over de toewijzing van middelen. Als u te veel vertrouwen heeft in de meest waarschijnlijke uitkomst, zonder ook specifiek te overwegen hoe waarschijnlijk het is, begrijpt u de risico's waarmee u wordt geconfronteerd niet echt en kunt u uzelf in een precaire positie brengen.

De noodzaak om volledig geïnformeerde beslissingen te nemen, dwingt ons om in een prognose het plus/minus bereik van resultaten te zien met een bepaalde waarschijnlijkheid van voorkomen. In het specifieke geval van prognoses die in voorraadsystemen gaan, is dit een belangrijk onderdeel van het opzettelijk plannen voor onvoorziene gebeurtenissen. Zo bepaalt u niet alleen de voorraad die u moet aanhouden om aan de typische vraag te voldoen, maar ook de extra voorraad die u bij de hand moet hebben om de meest onverwachte uitkomsten op te vangen.

Dit belang neemt alleen maar toe wanneer u probeert een betrouwbare voorraad kritieke reserveonderdelen aan te houden. Tussen de kosten van het opslaan van extra inventaris en het rekening houden met de mate van betrouwbaarheid van uw prognoses, is er een balans die zich uitkristalliseert wanneer een vliegtuig dat u in de lucht nodig heeft aan de grond staat, omdat u geen vervanging voor een beschadigd onderdeel heeft.

(Terwijl het aanleggen van extra voorraad afhankelijk is van de bovenkant van het onzekerheidsbereik, wordt als de cashflow krap is, de onderkant van het bereik belangrijk. Treasury-minded gebruikers vinden waarde in deze andere kant van onzekerheid in scenario's waarin zelfs minimale overbevoorrading kan bijvoorbeeld meer een probleem zijn dan een gemiste verkoopkans. Betrouwbare informatie over de minst waarschijnlijke uitkomsten loont op dit moment.)

Inventaristheorie zegt dat je moet nadenken over de uiteinden van waarschijnlijke mogelijkheden en je moet voorbereiden om met meer scenario's om te gaan dan alleen wat het meest waarschijnlijk is. Willekeur is een realiteit die niet kan worden genegeerd. Het gemiddelde is niet het antwoord.

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