Wat is het verschil en waarom het van belang is voor voorraadplanning.

Degenen die nieuw zijn in het onderdelenplanningsspel worden vaak in de war gebracht door de vele variaties in de namen van onderdelen. Deze blog wijst op onderscheidingen die wel of niet van operationele betekenis zijn voor iemand die een vloot reserveonderdelen beheert en hoe die verschillen van invloed zijn op de voorraadplanning.

Wat is bijvoorbeeld het verschil tussen "reserveonderdelen" en "vervangende" onderdelen? In dit geval is het verschil hun bron. Een reserveonderdeel zou worden gekocht bij de fabrikant van de apparatuur, terwijl een vervangend onderdeel bij een ander bedrijf zou worden gekocht. Voor iemand die een vloot reserveonderdelen beheert, zou het verschil twee verschillende items in zijn onderdelendatabase zijn: de bron zou anders zijn en de eenheidsprijs zou waarschijnlijk anders zijn. Het is mogelijk dat er ook een verschil is in de gebruiksduur van de onderdelen van de twee bronnen. De "OEM"-onderdelen zijn mogelijk duurzamer dan de goedkopere "aftermarket"-onderdelen. (Nu hebben we vier verschillende termen die deze onderdelen beschrijven.) Deze verschillen zouden van belang zijn voor het optimaliseren van een inventaris van reserveonderdelen. Software die optimale bestelpunten en bestelhoeveelheden berekent, zou tot verschillende antwoorden komen voor onderdelen met verschillende eenheidskosten en verschillende vervangingspercentages.

Misschien is het grootste onderscheid tussen "verbruiksgoederen" en "repareerbare" of "roteerbare" onderdelen. Het belangrijkste verschil tussen hen zijn hun kosten. Het is dwaas om te proberen een gestripte schroef te repareren; gewoon weggooien en een andere gebruiken. Maar het is ook dwaas om een onderdeel van $50.000 weg te gooien als het gerepareerd kan worden voor $5.000. Het optimaliseren van het voorraadbeheer voor vloten van elk type onderdeel vereist heel andere wiskunde. Bij verbruiksgoederen kunnen de onderdelen als anoniem en uitwisselbaar worden beschouwd. Bij "rotatables" moet elk onderdeel in wezen afzonderlijk worden gemodelleerd. We behandelen ze allemaal als cyclisch door de toestanden 'operationeel', 'in reparatie' en 'stand-by/reserve'. Beslissingen over repareerbare onderdelen worden vaak afgehandeld door middel van een kapitaalbegrotingsproces, en de belangrijkste analytische vraag is: "Hoe groot moet onze voorraad reserveonderdelen zijn?"

Er zijn andere onderscheidingen die tussen onderdelen kunnen worden gemaakt. Kritiek is een belangrijk kenmerk. De gevolgen van het uitvallen van een onderdeel kunnen variëren van "we kunnen de tijd nemen om een vervanging te krijgen" tot "dit is een noodgeval; zet die machines snel weer aan het werk”. Bij het uitzoeken hoe we onderdelen moeten beheren, moeten we altijd een evenwicht vinden tussen de voordelen van een grotere voorraad onderdelen en de dollarkosten. Kritiek verschuift de balans naar veilig spelen met grotere voorraden. Dit dicteert op zijn beurt hogere planningsdoelen voor statistieken over de beschikbaarheid van onderdelen, zoals serviceniveaus en opvullingspercentages, wat zal leiden tot grotere bestelpunten en/of bestelhoeveelheden.

Als u googelt op "soorten reserveonderdelen", ontdekt u andere classificaties en onderscheidingen. Vanuit ons perspectief bij Smart Software zijn de woorden minder belangrijk dan de getallen die bij onderdelen horen: eenheidskosten, gemiddelde tijd tot storing, gemiddelde tijd tot reparatie en andere technische input voor onze producten die bepalen hoe de onderdelen kunnen worden beheerd voor maximaal voordeel.

In een recente LinkedIn na, heb ik vier vragen uitgewerkt die, wanneer ze worden beantwoord, zullen onthullen hoe de prognoses zijn gebruikt worden in uw bedrijf. In dit artikel hebben we vragen opgesomd die u kunt stellen om te onthullen hoe de prognoses zijn gemaakt.

1. Als we gebruikers vragen hoe ze prognoses maken, is hun antwoord vaak "we gebruiken geschiedenis". Dit is duidelijk niet genoeg informatie, aangezien er verschillende soorten vraaggeschiedenis zijn die verschillende prognosemethoden vereisen. Als u historische gegevens gebruikt, zorg er dan voor dat u erachter komt of u een middelingsmodel, een trendmodel, een seizoensmodel of iets anders gebruikt om te voorspellen.

2. Zodra u het gebruikte model kent, vraagt u naar de parameterwaarden van die modellen. De prognose-output van een "gemiddelde" zal verschillen, soms aanzienlijk, afhankelijk van het aantal perioden dat u middelt. Zoek dus uit of u een gemiddelde gebruikt van de afgelopen 3 maanden, 6 maanden, 12 maanden, enz.

3. Als u trending-modellen gebruikt, vraag dan hoe de modelgewichten zijn ingesteld. In een trendingmodel, zoals dubbele exponentiële afvlakking, zullen de prognoses bijvoorbeeld aanzienlijk verschillen, afhankelijk van hoe de berekeningen recente gegevens wegen in vergelijking met oudere gegevens (hogere gewichten leggen meer nadruk op de recente gegevens).

4. Als u seizoensmodellen gebruikt, zullen de prognoseresultaten worden beïnvloed door het gebruikte "niveau" en "trendgewicht". U moet ook bepalen of seizoensperioden worden voorspeld met multiplicatieve of additieve seizoensinvloeden. (Additieve seizoensinvloeden zeggen bijvoorbeeld: "Voeg 100 eenheden toe voor juli", terwijl multiplicatieve seizoensinvloeden zeggen "Vermenigvuldig met 1,25 voor juli".) Ten slotte gebruikt u dit soort methoden misschien helemaal niet. Sommige beoefenaars zullen een voorspellingsmethode gebruiken die simpelweg het gemiddelde neemt van voorgaande perioden (dat wil zeggen, komende juni zal worden voorspeld op basis van het gemiddelde van de voorgaande drie junis).

5. Hoe kiest u het ene model boven het andere? Hangt de keuze van de techniek af van het type vraaggegevens of wanneer er nieuwe vraaggegevens beschikbaar zijn? Is dit proces geautomatiseerd? Of als een planner subjectief een trendmodel kiest, wordt dat item dan voorspeld met dat model totdat de planner het weer verandert?

6. Zijn uw prognoses 'volledig automatisch', zodat trends en/of seizoensinvloeden automatisch worden gedetecteerd? Of zijn uw prognoses afhankelijk van artikelclassificaties die door gebruikers moeten worden bijgehouden? Dit laatste vereist meer tijd en aandacht van planners om te definiëren welk gedrag een trend, seizoensinvloeden, enz. is.

7. Welke regels voor artikelclassificatie worden gebruikt? Een artikel kan bijvoorbeeld worden beschouwd als een trending artikel als de vraag met meer dan 5% periode-over-periode toeneemt. Een artikel kan als seizoensgebonden worden beschouwd als 70% of meer van de jaarlijkse vraag in vier of minder perioden plaatsvindt. Dergelijke regels worden door de gebruiker gedefinieerd en vereisen vaak te brede aannames. Soms zijn ze geconfigureerd toen een systeem oorspronkelijk werd geïmplementeerd, maar nooit herzien, zelfs niet als de omstandigheden veranderen. Het is belangrijk om ervoor te zorgen dat eventuele classificatieregels worden begrepen en, indien nodig, worden bijgewerkt.

8. Wordt de prognose automatisch opnieuw gegenereerd wanneer er nieuwe gegevens beschikbaar zijn, of moet u de prognoses handmatig opnieuw genereren?

9. Controleert u of de prognose van de ene periode op de andere verandert voordat u beslist of u de nieuwe prognose wilt gebruiken? Of ga je standaard naar de nieuwe prognose?

10. Hoe worden prognose-overschrijvingen die in eerdere planningscycli zijn gemaakt, behandeld wanneer een nieuwe prognose wordt gemaakt? Worden ze hergebruikt of vervangen?

11. Hoe verwerkt u prognoses van uw verkoopteam of van uw klanten? Vervangen deze prognoses de basislijnprognose, of gebruikt u deze invoer om planner-overrides te maken voor de basislijnprognose?

12. Onder welke omstandigheden zou u de basisprognose negeren en precies gebruiken wat verkopen of klanten u vertellen?

13. Als u vertrouwt op klantprognoses, wat doet u dan met klanten die geen prognoses geven?

14. Hoe documenteert u de effectiviteit van uw prognosebenadering? De meeste bedrijven meten alleen de nauwkeurigheid van de definitieve prognose die naar het ERP-systeem wordt gestuurd, als ze al iets meten. Maar ze beoordelen geen alternatieve voorspellingen die mogelijk zijn gebruikt. Het is belangrijk om wat je doet te vergelijken met benchmarks. Presteren de methoden die u gebruikt bijvoorbeeld beter dan een naïeve voorspelling (dwz 'morgen is gelijk aan vandaag', waar u niet bij hoeft na te denken), of wat u vorig jaar zag, of het gemiddelde van de afgelopen 12 maanden. Door uw basisprognose te benchmarken, weet u zeker dat u zoveel mogelijk nauwkeurigheid uit de gegevens haalt.

15. Meet je of overrides van sales, klanten en planners de prognose beter of slechter maken? Dit is net zo belangrijk als meten of uw statistische benaderingen beter presteren dan de naïeve methode. Als u niet weet of overrides helpen of schaden, kan het bedrijf niet beter worden in prognoses. U moet weten welke stappen waarde toevoegen, zodat u er meer van kunt doen en nog beter kunt worden. Als u de nauwkeurigheid van de prognoses niet documenteert en geen analyse van de toegevoegde waarde van de prognose uitvoert, kunt u niet goed beoordelen of de geproduceerde prognoses de beste zijn die u kunt maken. U mist kansen om het proces te verbeteren, de nauwkeurigheid te vergroten en het bedrijf te leren welk type voorspellingsfout te verwachten is.

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.

Smart IP&O wordt mogelijk gemaakt door de SmartForecasts®-prognose-engine die automatisch de meest geschikte methode voor elk item selecteert. Smart Forecast-methoden worden hieronder vermeld:

• Eenvoudig voortschrijdend gemiddelde en enkele exponentiële afvlakking voor platte, ruisige gegevens
• Lineair voortschrijdend gemiddelde en dubbele exponentiële afvlakking voor trendgegevens
• Winters Additief en Winters Multiplicatief voor seizoens- en seizoens- en trendgegevens.

Deze blog legt uit hoe elk model werkt met behulp van tijdgrafieken van historische en voorspelde gegevens. Het schetst hoe te kiezen welk model te gebruiken. De onderstaande voorbeelden tonen dezelfde geschiedenis, in rood, voorspeld met elke methode, in donkergroen, vergeleken met de Slim gekozen winnende methode, in lichtgroen.

Seizoensgebondenheid
Als u seizoensinvloeden wilt forceren (of voorkomen) in de prognose, kies dan voor Winters-modellen. Beide methoden vereisen 2 volle jaren geschiedenis.

'Winter is multiplicatief zal de grootte van de pieken of dalen van seizoenseffecten bepalen op basis van een procentueel verschil met een trending gemiddeld volume. Het past niet goed bij items met een zeer laag volume vanwege deling door nul bij het bepalen van dat percentage. Merk in de onderstaande afbeelding op dat de grote procentuele daling van de seizoensgebonden vraag in de geschiedenis naar verwachting zal voortduren gedurende de prognosehorizon, waardoor het lijkt alsof er geen seizoensgebonden vraag is, ondanks het gebruik van een seizoensmethode.

Statistische voorspelling gemaakt met de multiplicatieve methode van Winter. 

Toevoeging voor de winter zal de grootte van de pieken of dalen van seizoenseffecten bepalen op basis van een eenheidsverschil met het gemiddelde volume. Het past niet goed als er een significante trend in de gegevens is. Let op in de afbeelding hieronder dat seasonaliteit wordt nu voorspeld op basis van de gemiddelde eenheidsverandering in seizoensgebondenheid. De voorspelling geeft dus nog steeds duidelijk het seizoenspatroon weer ondanks de neerwaartse trend in zowel het niveau als de seizoenspieken/dalen.

Statistische voorspelling gemaakt met de additieve methode van Winter.

Trend

Als u trend omhoog of omlaag wilt forceren (of voorkomen) om in de prognose te tonen, beperk dan de gekozen methoden tot (of verwijder de methoden van) Lineair voortschrijdend gemiddelde en Double Exponential Smoothing.

 Dubbele exponentiële afvlakking zal een langetermijntrend oppikken. Het past niet goed als er weinig historische datapunten zijn.

Statistische voorspelling geproduceerd met Double Exponential Smoothing

Lineair voortschrijdend gemiddelde zal trends op kortere termijn oppikken. Het is niet geschikt voor zeer volatiele gegevens

Niet-trending en niet-seizoensgebonden gegevens
Als u wilt forceren (of voorkomen) dat een gemiddelde wordt weergegeven in de prognose, beperk dan de gekozen methoden tot (of verwijder de methoden van) Eenvoudig voortschrijdend gemiddelde en Enkelvoudig exponentieel effenen.

Enkele exponentiële afvlakking zal de meest recente gegevens zwaarder wegen en een vlakke lijnprognose produceren. Het is niet geschikt voor trending- of seizoensgegevens.

Statistische voorspelling met Single Exponential Smoothing

Eenvoudig voortschrijdend gemiddelde zal voor elke periode een gemiddelde vinden, dat soms lijkt te wiebelen, en beter voor middelingen op langere termijn. Het is niet geschikt voor trending- of seizoensgegevens.

Statistische voorspelling met behulp van eenvoudig voortschrijdend gemiddelde

De beste voorraadplanningsprocessen zijn gebaseerd op statistische analyse om relevante feiten over de gegevens te ontdekken. Bijvoorbeeld:

1. Het bereik van te verwachten vraagwaarden en doorlooptijden van leveranciers.
2. De meest waarschijnlijke waarden van de vraag naar artikelen en de doorlooptijd van de leverancier.
3. De volledige kansverdelingen van de artikelvraag en de doorlooptijd van de leverancier.

Als u het derde niveau bereikt, beschikt u over de feiten die nodig zijn om belangrijke operationele vragen te beantwoorden, aanvullende vragen zoals:

1. Hoeveel extra voorraad is er precies nodig om het serviceniveau met 5% te verbeteren?
2. Wat gebeurt er met tijdige levering als de voorraad wordt verminderd met 5%?
3. Zal een van de bovenstaande wijzigingen een positief financieel rendement opleveren?
4. Meer in het algemeen, welk serviceniveaudoel en bijbehorend voorraadniveau is het meest winstgevend?

Wanneer u over de feiten beschikt en uw zakelijke kennis toevoegt, kunt u beter geïnformeerde beslissingen nemen over opslag die een aanzienlijk rendement opleveren. Je schept ook de juiste verwachtingen bij interne en externe belanghebbenden, zodat er minder ongewenste verrassingen zijn.