Het beheer van reserveonderdelen brengt tal van uitdagingen met zich mee, zoals onverwachte storingen, veranderende schema's en inconsistente vraagpatronen. Traditionele prognosemethoden en handmatige benaderingen zijn niet effectief in het omgaan met deze complexiteit. Om deze uitdagingen het hoofd te bieden, schetst deze blog de belangrijkste strategieën die prioriteit geven aan serviceniveaus, probabilistische methoden gebruiken om bestelpunten te berekenen, het voorraadbeleid regelmatig aanpassen en een speciaal planningsproces implementeren om overmatige voorraad te voorkomen. Verken deze strategieën om de inventaris van reserveonderdelen te optimaliseren en de operationele efficiëntie te verbeteren.

Onder aan de streep vooraf

1. Voorraadbeheer is Risicomanagement.

2. Kan risico's niet goed of op schaal beheren subjectieve planning - Noodzaak om service versus kosten te kennen.

3. Dat is het niet variabiliteit van vraag en aanbod dat is het probleem – het is hoe je ermee omgaat.

4. Reserveonderdelen hebben periodieke vraag naar dus traditionele methoden werken niet.

5.Vuistregel benaderingen houden geen rekening met de variabiliteit van de vraag en wijzen voorraad verkeerd toe.

6.Gebruik Service Level Driven Planning  (afwegingen tussen service en kosten) om voorraadbeslissingen te stimuleren.

7.Probabilistisch benaderingen zoals Bootstrapping nauwkeurige schattingen van bestelpunten opleveren.

8.Onderdelen classificeren en wijs doelen op serviceniveau toe per klasse.

9.Kalibreer vaak opnieuw - duizenden onderdelen hebben oude, verouderde bestelpunten.

10.Herstelbare onderdelen speciale behandeling nodig hebben.

Concentreer u op de echte grondoorzaken

Intermittent Demand

• Langzaam bewegend, onregelmatig of sporadisch met een groot percentage nulwaarden.
• Waarden die niet gelijk zijn aan nul worden willekeurig gemengd – spikes zijn groot en gevarieerd.
• Is niet klokvormig (de vraag is niet normaal verdeeld rond het gemiddelde.)
• Ten minste 70% van de onderdelen van een typisch nutsbedrijf wordt met tussenpozen gevraagd.

Normale vraag

• Zeer weinig periodes zonder vraag (uitzondering zijn seizoensgebonden onderdelen.)
• Vertoont vaak trend-, seizoens- of cyclische patronen.
• Lagere niveaus van vraagvariabiliteit.
• Is klokvormig (de vraag is normaal verdeeld rond het gemiddelde.)

Ga niet af op gemiddelden

• OK voor het bepalen van typisch gebruik gedurende langere tijd.
• Voorspelt vaak meer "nauwkeurig" dan sommige geavanceerde methoden.
• Maar... onvoldoende om te bepalen wat je in voorraad moet hebben.

Buffer niet met veelvouden van gemiddelden

Voorbeeld: twee even belangrijke onderdelen, dus laten we ze hetzelfde behandelen.
We zullen meer bestellen wanneer Voorraad ≤ 2 x Gem. Levertijd Vraag.

Gebruik Service Level-afwegingscurven om de veiligheidsvoorraad te berekenen

Standaard Normale Kansen

OK voor normale vraag. Werkt niet met periodieke vraag!

Gebruik geen normale (klokvormige) verdelingen

• U krijgt de afwegingscurve verkeerd:

- u richt zich bijvoorbeeld op 95% maar bereikt 85%.

- u richt zich bijvoorbeeld op 99% maar bereikt 91%.

• Dit is een enorme misser met kostbare implicaties:

– U slaat vaker een voorraad op dan verwacht.

– U begint met het toevoegen van subjectieve buffers ter compensatie en vervolgens met overstock.

– Gebrek aan vertrouwen/twijfelen aan output verlamt de planning.

Waarom traditionele methoden mislukken bij intermitterende vraag: 

Traditionele methoden zijn niet ontworpen om kernproblemen in het beheer van reserveonderdelen aan te pakken.

Behoefte: Kansverdeling (niet klokvormig) van vraag over variabele doorlooptijd.

• Get: Voorspelling van gemiddeld vraag in elke maand, geen totaal over de doorlooptijd.
• Get: vastgeschroefd model van variabiliteit, meestal het normale model, meestal verkeerd.

Behoefte: blootstelling van afwegingen tussen beschikbaarheid van artikelen en voorraadkosten.

• Krijg: niets van dit alles; krijg in plaats daarvan veel inconsistente, ad-hocbeslissingen.

Gebruik statistische bootstrapping om de verdeling te voorspellen:

Benut vervolgens de distributie om het voorraadbeleid te optimaliseren.

Hoe werkt Bootstrapping?

24 maanden historische vraaggegevens.

Bootstrap-scenario's voor een doorlooptijd van 3 maanden.

Bootstrapping bereikt het doel van het serviceniveau met een nauwkeurigheid van bijna 100%!

• Nationale opslagoperatie.

Taak: voorraadniveaus voorspellen voor 12.000 periodiek gevraagde SKU's op serviceniveaus 95% en 99%

Resultaten:

Op serviceniveau 95% was 95.23% niet op voorraad.

Op serviceniveau 99% was 98.66% niet op voorraad.

Dit betekent dat u kunt vertrouwen op output om verwachtingen te scheppen en met vertrouwen gerichte voorraadaanpassingen door te voeren die de voorraad verlagen en de service verbeteren.

Stel doelserviceniveaus in op basis van bestelfrequentie en -omvang

Herbestelpunten regelmatig opnieuw kalibreren

• Statische ROP's veroorzaken overschotten en tekorten.
• Naarmate de doorlooptijd toeneemt, neemt ook de ROP toe en vice versa.
• Naarmate het gebruik afneemt, moet de ROP dat ook doen en vice versa.
• Hoe langer u wacht met herijken, hoe groter de onbalans.
• Bergen onderdelen te vroeg of te laat besteld.
• Verspilt de tijd van kopers door de verkeerde bestellingen te plaatsen.
• Wekt wantrouwen in systemen en dwingt gegevenssilo's af.

Doe plannen draaibaar (Onderdelen repareren) Anders

Overzicht

1. Voorraadbeheer is Risicomanagement.

2. Kan risico's niet goed of op schaal beheren subjectieve planning - Noodzaak om service versus kosten te kennen.

3. Dat is het niet variabiliteit van vraag en aanbod dat is het probleem – het is hoe je ermee omgaat.

4. Reserveonderdelen hebben periodieke vraag naar dus traditionele methoden werken niet.

5.Vuistregel benaderingen houden geen rekening met de variabiliteit van de vraag en wijzen voorraad verkeerd toe.

6.Gebruik Service Level Driven Planning  (afwegingen tussen service en kosten) om voorraadbeslissingen te stimuleren.

7.Probabilistisch benaderingen zoals Bootstrapping nauwkeurige schattingen van bestelpunten opleveren.

8.Onderdelen classificeren en wijs doelen op serviceniveau toe per klasse.

9.Kalibreer vaak opnieuw - duizenden onderdelen hebben oude, verouderde bestelpunten.

10.Herstelbare onderdelen speciale behandeling nodig hebben.

Ik wed dat uw onderhouds- en reparatieteams het goed zouden vinden om een grotere voorraad te lopen sommige reserveonderdelen als ze wisten dat de besparingen op voorraadvermindering zouden worden gebruikt om de voorraadinvestering effectiever te spreiden ander onderdelen en verhoogt het algehele serviceniveau.

Ik verdubbel dat uw Finance-team, ondanks dat het altijd wordt uitgedaagd met het verlagen van de kosten, een gezonde voorraadverhoging zou ondersteunen als ze duidelijk konden zien dat de inkomsten profiteren van een hogere uptime, minder versnellingen en verbeteringen op het serviceniveau duidelijk opwegen tegen de extra voorraadkosten en risico.

A ruilcurve voor reserveonderdelen stelt planningsteams voor serviceonderdelen in staat om de risico's en kosten van elke voorraadbeslissing correct te communiceren. Het is essentieel voor de planning van onderdelen en de enige manier om voorraadparameters proactief en nauwkeurig aan te passen voor elk onderdeel. Zonder dit "plannen" planners, in alle opzichten, met oogkleppen op, omdat ze niet in staat zullen zijn om de echte afwegingen te communiceren die verband houden met opslagbeslissingen.

Als bijvoorbeeld een voorgestelde verhoging van de min/max-niveaus van een belangrijke productgroep van serviceonderdelen wordt aanbevolen, hoe weet u dan of de verhoging te hoog of te laag of precies goed is? Hoe kun je de verandering voor duizenden reserveonderdelen verfijnen? Je wilt niet en je kunt het niet. Uw voorraadbeslissingen zullen afhangen van reactieve, onderbuikgevoelens en algemene beslissingen, waardoor de serviceniveaus eronder lijden en de voorraadkosten de pan uit rijzen.

Dus, wat is eigenlijk een afwegingscurve voor reserveonderdelen?

Het is een op feiten gebaseerde, numerieke voorspelling die beschrijft hoe veranderingen in voorraadniveaus de voorraadwaarde, bewaarkosten en serviceniveaus zullen beïnvloeden. Voor elke eenheidswijziging in voorraadniveau zijn er kosten en baten. De uitruilcurve voor reserveonderdelen identificeert deze kosten en baten voor verschillende voorraadniveaus. Hiermee kunnen planners het voorraadniveau ontdekken dat de kosten en baten voor elk afzonderlijk item het beste in evenwicht houdt.

Hier zijn twee vereenvoudigde voorbeelden. In afbeelding 1 laat de ruilcurve voor reserveonderdelen zien hoe het serviceniveau (waarschijnlijkheid dat er geen voorraad is) verandert afhankelijk van het bestelniveau. Hoe hoger het bestelniveau, hoe lager het voorraadrisico. Het is van cruciaal belang om te weten hoeveel service u krijgt gezien de voorraadinvestering. Hier kunt u misschien rechtvaardigen dat een voorraadtoename van een bestelpunt van 35 naar 45 de investering van 10 extra voorraadeenheden meer dan waard is, omdat het serviceniveau springt van iets minder dan 70% naar 90%, waardoor uw voorraadrisico voor het reserveonderdeel afneemt van 30% tot 10%!

​

Afbeelding 1: kosten versus serviceniveau

Afbeelding 2: serviceniveau versus voorraadomvang

In dit voorbeeld (Afbeelding 2) legt de afwegingscurve een veelvoorkomend probleem bloot met de inventaris van reserveonderdelen. Vaak zijn de voorraadniveaus zo hoog dat ze een negatief rendement opleveren. Na een bepaalde voorraadhoeveelheid koopt elke extra voorraadeenheid niet meer voordeel in de vorm van een hoger serviceniveau. Voorraadverminderingen kunnen worden gerechtvaardigd wanneer duidelijk is dat het voorraadniveau het punt van afnemende opbrengsten ver voorbij is. Een nauwkeurige afwegingscurve zal het punt blootleggen waar het niet langer voordelig is om voorraad toe te voegen.

Door gebruik te maken van #probabilistischevoorspelling om de planning van onderdelen te stimuleren, kunt u deze afwegingen nauwkeurig communiceren, dit op schaal doen voor honderdduizenden onderdelen, slechte voorraadbeslissingen vermijden en serviceniveaus en kosten in evenwicht brengen. Bij Smart Software zijn we gespecialiseerd in het helpen van planners van reserveonderdelen, directeuren van materiaalbeheer en financiële leidinggevenden die MRO, reserveonderdelen en aftermarket-onderdelen beheren om deze relaties te begrijpen en te exploiteren.

Elke organisatie die apparatuur beheert, heeft reserveonderdelen nodig. Ze hebben allemaal te maken met algemene problemen, wat hun bedrijf ook is. Sommige problemen zijn echter branchespecifiek. Dit bericht bespreekt een universeel probleem dat zich manifesteerde in een kerncentrale en een probleem dat vooral acuut is voor elk elektriciteitsbedrijf.

Het universele probleem van gegevenskwaliteit

We posten vaak over de voordelen van het omzetten van gegevens over het gebruik van onderdelen in slimme beslissingen over voorraadbeheer. Geavanceerde waarschijnlijkheidsmodellering ondersteunt het genereren van realistische vraagscenario's die worden gebruikt in gedetailleerde Monte Carlo-simulaties die de gevolgen blootleggen van beslissingen zoals keuzes van Min en Max voor het aanvullen van reserveonderdelen.

Al die nieuwe en glanzende analytische technologie vereist echter kwaliteitsgegevens als brandstof voor de analyse. Voor sommige openbare nutsbedrijven is het bijhouden van gegevens geen sterke zaak, dus het ruwe materiaal dat wordt geanalyseerd, kan corrupt en misleidend zijn. We kwamen onlangs documentatie tegen van een sterk voorbeeld van dit probleem bij een kerncentrale (zie Scala, Needy en Rajgopal: Besluitvorming en afwegingen bij het beheer van de inventaris van reserveonderdelen bij nutsbedrijven. American Association of Engineering Management, 30e ASEM Nationale Conferentie, Springfield, MO. oktober 2009). Scala et al. documenteerde de gebruiksgeschiedenis van een kritiek onderdeel waarvan de afwezigheid zou resulteren in een verlaging van de faciliteit of een sluiting. Het gebruiksrecord van de fabriek voor dat onderdeel omvatte meer dan acht jaar aan gegevens. Gedurende die tijd rapporteerde de officiële gebruiksgeschiedenis negen gebeurtenissen waarin een positieve vraag optrad met groottes variërend van één tot zes eenheden elk. Er waren ook vijf gebeurtenissen gekenmerkt door negatieve eisen (dwz retouren naar het magazijn), variërend van één tot drie eenheden elk. Zorgvuldig speurwerk ontdekte dat het werkelijke gebruik plaatsvond in slechts twee gebeurtenissen, beide met een vraag naar twee eenheden. Het is duidelijk dat voor het berekenen van de beste min/max-waarden voor dit artikel nauwkeurige vraaggegevens nodig zijn.

Het speciale probleem van gezondheid en veiligheid

In de context van "gewone" bedrijven kunnen tekorten aan reserveonderdelen zowel de huidige omzet als de toekomstige omzet schaden (gerelateerd aan de reputatie als betrouwbare leverancier). Voor een elektriciteitsbedrijf echter, Scala et al. constateerde dat er veel grotere gevolgen verbonden waren aan de voorraad van reserveonderdelen. Deze omvatten niet alleen een verhoogd financieel en reputatierisico, maar ook risico's voor gezondheid en veiligheid: “Gevolgen van het niet op voorraad hebben van een onderdeel zijn onder meer de mogelijkheid om de productie te moeten verminderen of mogelijk zelfs een fabriek stil te leggen. Vanuit een langetermijnperspectief kan dit de kritieke stroomvoorziening aan residentiële, commerciële en/of industriële klanten onderbreken, terwijl het de reputatie, betrouwbaarheid en winstgevendheid van het bedrijf schaadt. Een elektriciteitsbedrijf maakt en verkoopt slechts één product: elektriciteit. Het verlies van het vermogen om elektriciteit te verkopen kan ernstige schade toebrengen aan de bedrijfsresultaten en de levensvatbaarheid op lange termijn.”

Des te meer reden voor elektriciteitsbedrijven om leiders te zijn in plaats van achterblijvers bij de inzet van de meest geavanceerde waarschijnlijkheidsmodellen voor vraagvoorspelling en voorraadoptimalisatie.

We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden).

Hun maandelijkse proces bestond uit het bijwerken van een nieuwe maand met actuals naar het 'puntenoverzicht voor opnieuw bestellen'. Een ingebedde formule herberekende het Reorder Point (ROP) en order-up-to (Max) niveau. Het werkte als volgt:

• ROP = LT Vraag + Veiligheidsvoorraad
• LT-vraag = gemiddelde dagelijkse vraag x doorlooptijddagen (constant verondersteld om het simpel te houden)
• Veiligheidsvoorraad voor onderdelen met een lange doorlooptijd = Standaardafwijking x 2,0
• Veiligheidsvoorraad voor onderdelen met een korte doorlooptijd = Standaardafwijking x 1,2
• Max = ROP + door de leverancier voorgeschreven minimale bestelhoeveelheid

Historische gemiddelden en standaarddeviaties gebruikten 52 weken voortschrijdende geschiedenis (dwz de nieuwste week verving de oudste week in elke periode). De standaarddeviatie van de vraag werd berekend met behulp van de functie "stdevp" in Excel.

Elke maand werd een nieuwe ROP opnieuw berekend. Zowel de gemiddelde vraag als de standaarddeviatie werden gewijzigd door de vraag van de nieuwe week, die op zijn beurt de ROP bijwerkte.

De standaard ROP is altijd gebaseerd op de bovenstaande logica. Planners zouden echter onder bepaalde voorwaarden wijzigingen aanbrengen:

1. Planners zouden de minimumprijs voor goedkope onderdelen verhogen om het risico op een on-time delivery hit (OTD) op een goedkoop onderdeel te verkleinen.

2. Het Excel-blad identificeerde elk onderdeel met een nieuw berekende ROP die ± 20% verschilde van de huidige ROP.

3. Planners beoordeelden onderdelen die de uitzonderingsdrempel overschreden, stelden wijzigingen voor en lieten een manager goedkeuren.

4. Planners beoordeelden items met OTD-hits en verhoogden de ROP op basis van hun intuïtie. Planners bleven die onderdelen gedurende verschillende perioden monitoren en verlaagden de ROP wanneer ze dachten dat het veilig was.

5. Nadat de ROP en de maximale hoeveelheid waren bepaald, werd het bestand met herziene resultaten naar IT gestuurd, die het in hun ERP uploadde.

6. Het ERP-systeem beheerde vervolgens de dagelijkse bevoorrading en het orderbeheer.

Objectief gezien was dit misschien een bovengemiddelde benadering van voorraadbeheer. Sommige bedrijven zijn zich bijvoorbeeld niet bewust van het verband tussen vraagvariabiliteit en veiligheidsvoorraadvereisten en vertrouwen uitsluitend op methodes of intuïtie. Er zijn echter problemen met hun aanpak:

1. Handmatige gegevensupdates
De spreadsheets moesten handmatig worden bijgewerkt. Om opnieuw te berekenen waren meerdere stappen nodig, elk met hun eigen afhankelijkheid. Eerst moest er een datadump worden uitgevoerd vanuit het ERP-systeem. Ten tweede zou een planner de spreadsheet moeten openen en bekijken om er zeker van te zijn dat de gegevens correct zijn geïmporteerd. Ten derde moesten ze de uitvoer beoordelen om er zeker van te zijn dat deze berekend was zoals verwacht. Ten vierde waren er handmatige stappen nodig om de resultaten terug te sturen naar het ERP-systeem.

2. Eén maat voor alle veiligheidsvoorraad
Of in dit geval "one of two sizes fit all". De keuze om 2x en 1,2x standaarddeviatie te gebruiken voor respectievelijk artikelen met een lange en korte doorlooptijd komt overeen met serviceniveaus van 97.7% en 88.4%. Dit is een groot probleem, aangezien het logisch is dat niet elk onderdeel in elke groep hetzelfde serviceniveau vereist. Sommige onderdelen hebben meer voorraadpijn dan andere en vice versa. Serviceniveaus moeten daarom dienovereenkomstig worden gespecificeerd en in overeenstemming zijn met het belang van het item. We ontdekten dat ze OTD-hits ondervonden op ongeveer 20% van hun kritieke reserveonderdelen, waardoor handmatige aanpassingen van de ROP nodig waren. De hoofdoorzaak was dat ze voor alle items met een korte doorlooptijd een serviceniveau van 88,4% hadden gepland. Dus het beste wat ze hadden kunnen krijgen, was om 12% van die tijd in voorraad te hebben, zelfs als ze 'volgens plan' waren. Het zou beter zijn geweest om serviceniveaudoelen te plannen op basis van het belang van het onderdeel.

3. Veiligheidsvoorraad is onnauwkeurig.  De artikelen die voor dit bedrijf worden gepland, zijn reserveonderdelen ter ondersteuning van diagnostische apparatuur. De vraag naar de meeste van deze onderdelen is zeer intermitterend en sporadisch. De keuze om een gemiddelde te gebruiken om de vraag naar doorlooptijd te berekenen, was dus niet onredelijk als je de noodzaak accepteert om variabiliteit in doorlooptijden te negeren. Echter, het beroep op a Normale verdeling het bepalen van de veiligheidsvoorraad was een grote fout die resulteerde in onnauwkeurige veiligheidsvoorraden. Het bedrijf verklaarde dat het serviceniveau voor artikelen met een lange doorlooptijd in het 90%-bereik lag in vergelijking met hun doel van 97,7%, en dat ze het verschil goedmaakten met spoed. De bereikte serviceniveaus voor items met een kortere doorlooptijd bedroegen ongeveer 80%, ondanks het feit dat er werd gestreefd naar 88,4%. Ze berekenden de veiligheidsvoorraad verkeerd omdat hun vraag niet "klokvormig" is, maar ze kozen de veiligheidsvoorraad in de veronderstelling dat dit wel het geval was. Deze vereenvoudiging resulteert in het missen van serviceniveaudoelen, waardoor de handmatige beoordeling van veel items wordt gedwongen die vervolgens handmatig "gedurende meerdere perioden" moeten worden gecontroleerd door een planner. Zou het niet beter zijn om ervoor te zorgen dat het bestelpunt vanaf het begin precies het gewenste serviceniveau had? Dit zou ervoor zorgen dat u uw serviceniveau bereikt en onnodige handmatige tussenkomst minimaliseert.

Er is een vierde probleem dat de lijst niet heeft gehaald, maar het vermelden waard is. De spreadsheet kon geen trend- of seizoenspatronen volgen. Historische gemiddelden negeren trend en seizoensgebondenheid, dus de cumulatieve vraag over de doorlooptijd die in de ROP wordt gebruikt, zal aanzienlijk minder nauwkeurig zijn voor trending of seizoensgebonden onderdelen. Het planningsteam erkende dit, maar vond het geen legitiem probleem, redenerend dat het grootste deel van de vraag onregelmatig was en niet seizoensgebonden. Het is belangrijk voor het model om trend en seizoensinvloeden op te pikken op intermitterende gegevens als die bestaan, maar we hebben niet gevonden dat hun gegevens deze patronen vertoonden. Dus we waren het erover eens dat dit geen probleem was voor hen. Maar naarmate het planningstempo toeneemt tot het punt dat de vraag in een emmer terechtkomt dagelijks, zelfs intermitterende vraag blijkt heel vaak seizoensgebonden te zijn per dag van de week en soms per week. Als je nu niet met een hogere frequentie rent, houd er dan rekening mee dat je misschien binnenkort gedwongen zult worden om de meer behendige concurrentie bij te houden. Op dat moment zal de verwerking op basis van spreadsheets het gewoon niet bij kunnen houden.

Tot slot: gebruik geen spreadsheets. Ze zijn niet bevorderlijk voor zinvolle wat-als-analyses, ze zijn te arbeidsintensief en de onderliggende logica moet worden afgezwakt om snel genoeg te kunnen worden verwerkt om bruikbaar te zijn. Kortom, ga voor doelgerichte oplossingen. En zorg ervoor dat ze in de cloud draaien.

Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt.

Deze conclusie is gebaseerd op honderden software-implementaties die we in de loop der jaren hebben geleid. Klanten die reserveonderdelen en serviceonderdelen beheren (de laatste voor intern verbruik/MRO), en in mindere mate aftermarket-onderdelen (voor doorverkoop aan geïnstalleerde bases), hebben onze software voor onderdelenplanning consequent sneller geïmplementeerd dan hun collega's in productie en distributie.

De belangrijkste reden is de rol bij de productie en distributie van zakelijke kennis over wat er in de toekomst zou kunnen gebeuren. In een traditionele B2B-productie- en distributieomgeving zijn er klanten en verkoop- en marketingteams die aan die klanten verkopen. Er zijn verkoopdoelen, omzetverwachtingen en budgetten. Dit betekent dat er veel zakelijke kennis is over wat er zal worden gekocht, wat zal worden gepromoot, wiens meningen moeten worden verantwoord. Er is een complexe planningslus vereist. Bij het beheer van reserveonderdelen heb je daarentegen een onderhoudsteam dat apparatuur repareert wanneer deze kapot gaat. Hoewel er vaak onderhoudsschema's zijn als richtlijn, is wat er naast een standaardlijst met verbruiksartikelen nodig is, vaak onbekend totdat een onderhoudspersoon ter plaatse is. Met andere woorden, er is gewoon niet dezelfde soort zakelijke kennis beschikbaar voor onderdelenplanners bij het nemen van voorraadbeslissingen.

Ja, dat is een nadeel, maar het heeft ook een voordeel: het is niet nodig om een periode-voor-periode consensusvraagprognose te maken met al het werk dat daarvoor nodig is. Bij het plannen van reserveonderdelen kunt u meestal veel stappen overslaan die nodig zijn voor een typische fabrikant, distributeur of detailhandelaar. Deze over te slaan stappen omvatten:  

1. Prognoses maken op verschillende niveaus van het bedrijf, zoals productfamilie of regio.
2. De vraagprognose delen met verkoop, marketing en klanten.
3. Prognoseonderdrukkingen van verkoop, marketing en klanten beoordelen.
4. Afspraken maken over een consensusprognose die statistieken en zakelijke kennis combineert.
5. Het meten van "prognose toegevoegde waarde" om te bepalen of overschrijvingen de prognose nauwkeuriger maken.
6. De vraagprognose aanpassen voor bekende toekomstige promoties.
7. Rekening houden met kannibalisatie (dwz als ik meer van product A verkoop, verkoop ik minder van product B).

Bevrijd van een consensusvormingsproces, kunnen planners van reserveonderdelen en voorraadbeheerders rechtstreeks op hun software vertrouwen om het gebruik en het vereiste voorraadbeleid te voorspellen. Als ze toegang hebben tot een in de praktijk bewezen oplossing die intermitterende vraag aanpakt, kunnen ze snel live gaan met nauwkeurigere vraagprognoses en schattingen van bestelpunten, veiligheidsvoorraden en bestelsuggesties. Hun aandacht kan worden gericht op het verkrijgen van nauwkeurige gebruiks- en doorlooptijdgegevens van leveranciers. Het "politieke" deel van de taak kan worden beperkt tot het verkrijgen van consensus binnen de organisatie over doelstellingen op het gebied van serviceniveaus en inventarisbudgetten.

​