Overzicht

De geavanceerde supply chain-analyse van Smart Software maakt gebruik van meerdere geavanceerde methoden. Twee van de belangrijkste zijn "statistische bootstrapping" en "Monte Carlo-simulatie". Omdat er bij beide veel willekeurige getallen rondvliegen, raken mensen soms in de war over wat wat is en waar ze goed voor zijn. Vandaar deze notitie. Waar het op neerkomt: statistische bootstrapping genereert vraagscenario's voor prognoses. Monte Carlo-simulatie gebruikt de scenario's voor voorraadoptimalisatie.

Opstarten

Bootstrapping, ook wel "resampling" genoemd, is een methode van computationele statistieken die we gebruiken om vraagscenario's voor prognoses te creëren. De essentie van het prognoseprobleem is het blootleggen van mogelijke toekomsten waarmee uw bedrijf te maken kan krijgen, zodat u kunt uitzoeken hoe u bedrijfsrisico's kunt beheersen. Traditionele prognosemethoden richten zich op het berekenen van de "meest waarschijnlijke" toekomst, maar ze geven niet het volledige risicobeeld weer. Bootstrapping biedt een onbeperkt aantal realistische wat-als-scenario's.

Bootstrapping doet dit zonder onrealistische aannames te doen over de vraag, dwz dat deze niet intermitterend is, of dat deze een klokvormige verdeling van groottes heeft. Die aannames zijn krukken om de wiskunde eenvoudiger te maken, maar de bootstrap is een procedure, geen vergelijking, dus dergelijke vereenvoudigingen zijn niet nodig.

Voor het eenvoudigste vraagtype, dat een stabiele willekeur is zonder seizoensgebondenheid of trend, is bootstrapping doodeenvoudig. Om een redelijk idee te krijgen van wat een enkele toekomstige vraagwaarde zou kunnen zijn, kiest u willekeurig een van de historische eisen. Om een vraagscenario te creëren, maakt u meerdere willekeurige selecties uit het verleden en rijgt u ze aan elkaar. Klaar. Het is mogelijk om wat meer realisme toe te voegen door de gevraagde waarden te "jitteren", dwz een beetje extra willekeur aan elke waarde toe te voegen of af te trekken, maar zelfs dat is eenvoudig.

Figuur 1 toont een eenvoudige bootstrap. De eerste regel is een korte reeks historische vraag naar een SKU. De volgende regels tonen scenario's van toekomstige vraag die zijn gemaakt door willekeurig waarden uit de vraaggeschiedenis te selecteren. De volgende drie eisen kunnen bijvoorbeeld zijn (0, 14, 6), of (2, 3, 5), enz.

Statistische bootstrapping en Monte Carlo-simulatie 1

Afbeelding 1: voorbeeld van vraagscenario's gegenereerd door een eenvoudige bootstrap

Bewerkingen met een hogere frequentie, zoals dagelijkse prognoses, brengen complexere vraagpatronen met zich mee, zoals dubbele seizoensgebondenheid (bijv. dag van de week en maand van het jaar) en/of trend. Dit daagde ons uit om een nieuwe generatie bootstrapping-algoritmen uit te vinden. We hebben onlangs een Amerikaans patent gewonnen voor deze doorbraak, maar de essentie is zoals hierboven beschreven.

Monte Carlo simulatie

Monte Carlo staat bekend om zijn casino's, die net als bootstrapping het idee van willekeur oproepen. Monte Carlo-methoden gaan ver terug, maar de moderne impuls kwam met de noodzaak om wat harige berekeningen te maken over waar neutronen zouden vliegen als een A-bom ontploft.

De essentie van Monte Carlo-analyse is deze: “Ons probleem is te ingewikkeld om te analyseren met vergelijkingen van papier en potlood. Dus, laten we een computerprogramma schrijven dat de individuele stappen van het proces codeert, de willekeurige elementen erin stoppen (bijvoorbeeld welke kant een neutron op schiet), het opwinden en kijken hoe het gaat. Aangezien er veel willekeur is, laten we het programma een ontelbaar aantal keren uitvoeren en het gemiddelde van de resultaten nemen.”

Als we deze benadering toepassen op voorraadbeheer, hebben we een andere reeks willekeurig voorkomende gebeurtenissen: een vraag van een bepaalde omvang komt bijvoorbeeld op een willekeurige dag binnen, een aanvulling van een bepaalde omvang arriveert na een willekeurige doorlooptijd, we snijden een aanvullings-PO van een bepaalde maat wanneer de voorraad daalt tot of onder een bepaald bestelpunt. We coderen de logica die deze gebeurtenissen met elkaar in verband brengt in een programma. We voeden het met een willekeurige vraagvolgorde (zie bootstrapping hierboven), voeren het programma een tijdje uit, laten we zeggen een jaar dagelijkse bewerkingen, berekenen prestatiestatistieken zoals Fill Rate en Average On Hand-inventaris, en "gooi de dobbelstenen" door het opnieuw uit te voeren het programma vele malen en het gemiddelde van de resultaten van vele gesimuleerde jaren. Het resultaat is een goede inschatting van wat er gebeurt als we belangrijke managementbeslissingen nemen: “Als we het bestelpunt op 10 eenheden zetten en de bestelhoeveelheid op 15 eenheden, kunnen we een serviceniveau verwachten van 89% en een gemiddelde beschikbaarheid van 21 eenheden.” Wat de simulatie voor ons doet, is het blootleggen van de gevolgen van managementbeslissingen op basis van realistische vraagscenario's en solide wiskunde. Het giswerk is weg.

Figuur 2 toont enkele van de innerlijke werkingen van een Monte Carlo-simulatie van een voorraadsysteem in vier panelen. Het systeem gebruikt een Min/Max voorraadbeheerbeleid met Min=10 en Max=25. Nabestellingen zijn niet toegestaan: u heeft het goed of u verliest het bedrijf. Doorlooptijden voor aanvulling zijn meestal 7 dagen, maar soms ook 14. Deze simulatie duurde een jaar.

Het eerste paneel toont een complex willekeurig vraagscenario waarin er geen vraag is in het weekend, maar de vraag over het algemeen elke dag toeneemt van maandag tot en met vrijdag. Het tweede paneel toont het willekeurige aantal beschikbare eenheden, dat ebt en vloeit met elke aanvullingscyclus. Het derde paneel toont de willekeurige groottes en tijdstippen van aanvullingsorders die binnenkomen van de leverancier. Het laatste paneel toont de onbevredigde vraag die de klantrelaties in gevaar brengt. Dit soort detail kan erg handig zijn om inzicht te krijgen in de dynamiek van een voorraadsysteem.

Statistische bootstrapping en Monte Carlo-simulatie 2

Figuur 2: Details van een Monte Carlo-simulatie

Figuur 2 toont slechts een van de talloze manieren waarop het jaar zou kunnen verlopen. Over het algemeen willen we de resultaten van vele gesimuleerde jaren middelen. Niemand zou tenslotte een munt opgooien om te beslissen of het een eerlijke munt was. Figuur 3 laat zien hoe vier key performance metrics (KPI's) van jaar tot jaar variëren voor dit systeem. Sommige statistieken zijn relatief stabiel in simulaties (Fill Rate), maar andere laten meer relatieve variabiliteit zien (Operating Cost = Holding Cost + Ordering Cost + Shortage Cost). Als we de grafieken bekijken, kunnen we schatten dat de keuzes van Min=10, Max=25 leiden tot gemiddelde bedrijfskosten van ongeveer $3.000 per jaar, een opvullingspercentage van ongeveer 90%, een serviceniveau van ongeveer 75% en een gemiddelde aan Hand van ongeveer 10

Statistische bootstrapping en Monte Carlo-simulatie 3

Figuur 3: Variatie in KPI's berekend over 1000 gesimuleerde jaren

Het is nu zelfs mogelijk om een managementvraag van een hoger niveau te beantwoorden. We kunnen verder gaan dan "Wat gebeurt er als ik zus-en-zo doe?" naar “Wat is de best wat ik kan doen om een opvullingspercentage van ten minste 90% voor dit item te bereiken tegen de laagst mogelijke kosten?” De wiskundige achter deze sprong zit nog een andere sleuteltechnologie genaamd "stochastische optimalisatie", maar we stoppen hier voor nu. Het volstaat te zeggen dat de SIO&P-software van Smart de "ontwerpruimte" van min- en max-waarden kan doorzoeken om automatisch de beste keuze te vinden.

De slimme voorspeller

Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

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.

Laat een reactie achter

gerelateerde berichten

Looking for Trouble in Your Inventory Data

In this video blog, the spotlight is on a critical aspect of inventory management: the analysis and interpretation of inventory data. The focus is specifically on a dataset from a public transit agency detailing spare parts for buses.

Kan willekeur een bondgenoot zijn in de voorspellingsstrijd?

Wanneer we de complexe wereld van de logistiek proberen te begrijpen, speelt willekeur een cruciale rol. Dit introduceert een interessante paradox: in een realiteit waarin precisie en zekerheid worden gewaardeerd, zou de onvoorspelbare aard van vraag en aanbod daadwerkelijk als een strategische bondgenoot kunnen dienen?
De zoektocht naar nauwkeurige voorspellingen is niet alleen een academische oefening; het is een cruciaal onderdeel van operationeel succes in tal van sectoren. Voor vraagplanners die moeten anticiperen op de productvraag zijn de gevolgen van het goed of fout doen van de vraag van cruciaal belang. Daarom is het herkennen en benutten van de kracht van willekeur niet slechts een theoretische oefening; het is een noodzaak voor veerkracht en aanpassingsvermogen in een steeds veranderende omgeving.

De doelstellingen bij het voorspellen

Een voorspelling is een voorspelling over de waarde van een tijdreeksvariabele op een bepaald moment in de toekomst. U kunt bijvoorbeeld een schatting willen maken van de verkoop of vraag van een product voor volgende maand. Een tijdreeks is een reeks getallen die met gelijke tijdsintervallen zijn geregistreerd; bijvoorbeeld de maandelijks geregistreerde verkoop per eenheid. De doelstellingen die u nastreeft wanneer u prognoses maakt, zijn afhankelijk van de aard van uw baan en uw bedrijf. Elke voorspelling is onzeker; in feite is er een reeks mogelijke waarden voor elke variabele die u voorspeld. Waarden in het midden van dit bereik hebben een grotere kans dat ze daadwerkelijk voorkomen, terwijl waarden aan de uiteinden van het bereik minder waarschijnlijk voorkomen.

recente berichten

Looking for Trouble in Your Inventory Data
In this video blog, the spotlight is on a critical aspect of inventory management: the analysis and interpretation of inventory data. The focus is specifically on a dataset from a public transit agency detailing spare parts for buses. […]
Smart Software Launches GrowSmart Extension in Collaboration with Grow
Smart Software, a leader in enterprise demand planning, consensus forecasting, and inventory optimization solutions, announces the release of the GrowSmart extension in Collaboration with Grow, an Epicor solution. […]
Big Ass Fans Turns to Smart Software as Demand Heats Up
Big Ass Fans is the best-selling big fan manufacturer in the world, delivering comfort to spaces where comfort seems impossible. BAF had a problem: how to reliably plan production to meet demand. BAF was experiencing a gap between bookings forecasts vs. shipments, and this was impacting revenue and customer satisfaction BAF turned to Smart Software for help. […]
De kosten van spreadsheetplanning
Bedrijven die afhankelijk zijn van spreadsheets voor vraagplanning, prognoses en voorraadbeheer worden vaak beperkt door de inherente beperkingen van de spreadsheet. Dit artikel onderzoekt de nadelen van traditionele voorraadbeheerbenaderingen veroorzaakt door spreadsheets en de daarmee samenhangende kosten, en contrasteert deze met de aanzienlijke voordelen die worden behaald door het omarmen van de modernste planningstechnologieën. […]
Kan willekeur een bondgenoot zijn in de voorspellingsstrijd?
Wanneer we de complexe wereld van de logistiek proberen te begrijpen, speelt willekeur een cruciale rol. Dit introduceert een interessante paradox: in een realiteit waarin precisie en zekerheid worden gewaardeerd, zou de onvoorspelbare aard van vraag en aanbod daadwerkelijk als een strategische bondgenoot kunnen dienen? De zoektocht naar nauwkeurige voorspellingen is niet alleen een academische oefening; het is een cruciaal onderdeel van operationeel succes in tal van sectoren. Voor vraagplanners die moeten anticiperen op de productvraag zijn de gevolgen van het goed of fout doen van de vraag van cruciaal belang. Daarom is het herkennen en benutten van de kracht van willekeur niet slechts een theoretische oefening; het is een noodzaak voor veerkracht en aanpassingsvermogen in een steeds veranderende omgeving. […]

Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

Waarom MRO-bedrijven aanvullende software voor serviceonderdelenplanning en inventarisatie nodig hebben
MRO-organisaties bestaan in een breed scala van industrieën, waaronder openbaar vervoer, elektriciteitsbedrijven, afvalwater, waterkracht, luchtvaart en mijnbouw. Om hun werk gedaan te krijgen, gebruiken MRO-professionals Enterprise Asset Management (EAM) en Enterprise Resource Planning (ERP)-systemen. Deze systemen zijn ontworpen om veel taken uit te voeren. Gezien hun kenmerken, kosten en uitgebreide implementatievereisten wordt aangenomen dat EAM- en ERP-systemen het allemaal kunnen. In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen. […]
De voorspelling is belangrijk, maar misschien niet zoals u denkt
Waar of niet waar: de prognose is niet van belang voor het voorraadbeheer van reserveonderdelen. Op het eerste gezicht lijkt deze verklaring duidelijk onjuist. Prognoses zijn immers cruciaal voor het plannen van de voorraadniveaus, toch? Het hangt ervan af wat je onder ‘voorspelling’ verstaat. Als u een ouderwetse prognose met één cijfer bedoelt (“de vraag naar artikel CX218b zal volgende week 3 eenheden bedragen en de week erna 6 eenheden”), dan nee. Als je de betekenis van voorspelling verruimt tot een kansverdeling die rekening houdt met onzekerheden in zowel vraag als aanbod, dan ja. […]
Waarom MRO-bedrijven zich zorgen moeten maken over overtollige voorraad
Geven MRO-bedrijven echt prioriteit aan het verminderen van de overtollige voorraad reserveonderdelen? Vanuit organisatorisch oogpunt blijkt uit onze ervaring dat dit niet noodzakelijk het geval is. Discussies in de bestuurskamer gaan doorgaans over het uitbreiden van wagenparken, het verwerven van nieuwe klanten, het voldoen aan Service Level Agreements (SLA's), het moderniseren van de infrastructuur en het maximaliseren van de uptime. In bedrijfstakken waar activa die worden ondersteund door reserveonderdelen honderden miljoenen kosten of aanzienlijke inkomsten genereren (bijvoorbeeld de mijnbouw of de olie- en gassector), doet de waarde van de voorraad nauwelijks de wenkbrauwen fronsen en hebben organisaties de neiging grote hoeveelheden buitensporige voorraden over het hoofd te zien. […]
Belangrijkste verschillen tussen voorraadplanning voor eindproducten en voor MRO en reserveonderdelen
In het huidige competitieve zakelijke landschap zijn bedrijven voortdurend op zoek naar manieren om hun operationele efficiëntie te verbeteren en meer inkomsten te genereren. Het optimaliseren van het beheer van serviceonderdelen is een vaak over het hoofd gezien aspect dat een aanzienlijke financiële impact kan hebben. Bedrijven kunnen de algehele efficiëntie verbeteren en aanzienlijke financiële opbrengsten genereren door de voorraad reserveonderdelen effectief te beheren. Dit artikel gaat in op de economische implicaties van geoptimaliseerd beheer van serviceonderdelen en hoe investeren in software voor voorraadoptimalisatie en vraagplanning een concurrentievoordeel kan opleveren. […]