Het beheren van de voorraad reserveonderdelen is een cruciaal onderdeel voor bedrijven die afhankelijk zijn van de uptime van apparatuur en de betrouwbaarheid van de service. In tegenstelling tot gewone voorraadartikelen hebben reserveonderdelen vaak onvoorspelbare vraagpatronen, waardoor ze moeilijker effectief te beheren zijn. Een efficiënt voorraadbeheer van reserveonderdelen Het systeem helpt voorraadtekorten te voorkomen, die kunnen leiden tot operationele stilstand en kostbare vertragingen. Tegelijkertijd wordt overmatige voorraad vermeden, die onnodig kapitaal vastlegt en de opslagkosten verhoogt.

In deze blog onderzoeken we verschillende effectieve strategieën voor het beheren van de voorraad reserveonderdelen, waarbij we de nadruk leggen op het belang van het optimaliseren van voorraadniveaus, het onderhouden van service niveausen het gebruik van slimme hulpmiddelen ter ondersteuning van de besluitvorming.

Voor veel industrieën, met name productie, transport, nutsbedrijven en elke sector die afhankelijk is van complexe machines, vormen reserveonderdelen de ruggengraat van onderhoudswerkzaamheden. Ineffectief management kan resulteren in aanzienlijke uitvaltijd wanneer kritieke onderdelen niet beschikbaar zijn, wat leidt tot productiestops, serviceonderbrekingen en ontevreden klanten. Aan de andere kant legt een overschot aan artikelen die mogelijk niet direct worden gebruikt beslag op werkkapitaal, verhoogt de opslagkosten en kan leiden tot veroudering.

Aangezien veel reserveonderdelen een intermitterende en onvoorspelbare vraag ervaren, is het essentieel om een duidelijke en proactieve strategie te hebben voor het beheer ervan. Effectief voorraadbeheer van reserveonderdelen zorgt voor operationele efficiëntie, kostenbesparingen en betrouwbaarheid, wat een concurrentievoordeel op de markt kan opleveren.

Belangrijkste strategieën voor het beheren van de voorraad reserveonderdelen

1. Voorspelling van intermitterende vraag. Reserveonderdelen vaak onregelmatige vraagpatronen vertonen gekenmerkt door lange periodes van nulvraag onderbroken door plotselinge pieken wanneer apparatuurstoringen optreden. Traditionele prognosemethoden, die vertrouwen op consistente historische datatrends, kunnen dergelijk grillig gebruik niet nauwkeurig voorspellen. Dit kan leiden tot overstocking of stockouts.

Door gebruik te maken van gespecialiseerde prognosetools zoals Slimme IP&O's gepatenteerde intermitterende vraagvoorspellingsalgoritmen kunnen nauwkeurigere voorspellingen bieden. Deze geavanceerde modellen analyseren historische gebruiksgegevens, faalpercentages van apparatuur en onderhoudsschema's om zich aan te passen aan de variabiliteit van de vraag. Door probabilistische voorspelling Dankzij machine learning en AI-technieken kunnen we nu zowel tekorten voorkomen die de bedrijfsvoering zouden kunnen stilleggen als overtollige voorraden die onnodig veel middelen verbruiken.

2. Instellen van optimale veiligheidsvoorraadniveaus. Veiligheidsvoorraad is essentieel om het risico op voorraadtekorten te beperken, met name voor kritieke reserveonderdelen. Veiligheidsvoorraad moet rekening houden met de variabiliteit van de doorlooptijd, schommelingen in de vraag en de criticaliteit van het onderdeel. Door systemen te gebruiken die optimale veiligheidsvoorraadniveaus berekenen op basis van deze factoren, wordt ervoor gezorgd dat uw onderdelen beschikbaar zijn wanneer nodig, zonder overmatige overtollige voorraad. De instellingen voor veiligheidsvoorraden moeten regelmatig worden herzien als onderdeel van een doorlopend voorraadoptimalisatieproces.

3. Gebruik van Min/Max voorraadbeleid. Een veelvoorkomende aanpak voor de voorraad van reserveonderdelen is het gebruik van Min/Max-beleid, waarbij de voorraad wordt aangevuld tot een maximumniveau zodra deze onder een minimumdrempel zakt. Dit systeem biedt flexibiliteit en zorgt ervoor dat de voorraadniveaus worden gehandhaafd zonder dat er voortdurend toezicht nodig is. Door deze parameters aan te passen op basis van serviceniveaudoelen, kunt u ervoor zorgen dat u geen overtollige voorraad hebt en toch aan de vraag voldoet.

4. Voorraadoptimalisatie omvat het in evenwicht brengen van voorraadkosten, voorraadkosten en gewenste serviceniveaus om de meest kosteneffectieve voorraadbeheerstrategie te bereiken. Softwareoplossingen zoals Smart IP&O kan verschillende vraag- en aanbodscenario's simuleren en het optimale voorraadbeleid berekenen.

Door gebruik te maken van geavanceerde AI-algoritmen en data-analyse, Smart IP&O helpt organisaties de juiste voorraadniveaus voor elk reserveonderdeel te bepalen, rekening houdend met factoren zoals vraagvariabiliteit, doorlooptijden en kostenbeperkingen. Dit zorgt ervoor dat u de juiste balans behoudt tussen voldoende voorraad om aan de vraag te voldoen en het minimaliseren van de kosten die gepaard gaan met overbezettingBovendien maken optimalisatietools continue aanpassingen mogelijk op basis van realtimegegevens en veranderende vraagpatronen, waardoor organisaties proactief kunnen reageren op veranderingen in de markt of de toeleveringsketen.

5. Regelmatige beoordeling van de levertijden van leveranciers Leveranciersprestaties en doorlooptijden kunnen een aanzienlijke impact hebben op uw reserveonderdelenstrategie. Leveringsvertragingen kunnen voorraadtekorten veroorzaken als u hier geen rekening mee houdt in uw planning. Het monitoren van de werkelijke doorlooptijden ten opzichte van de verwachte prestaties helpt bij het aanpassen van bestelpunten en veiligheidsvoorraadniveaus. Systemen zoals Smart IP&O gedetailleerde rapportage over leveranciersprestaties, inclusief doorlooptijdvariabiliteit, tijdige leveringspercentages en kwaliteitsstatistieken. Met toegang tot deze informatie kunt u potentiële risico's in uw toeleveringsketen identificeren en proactieve maatregelen nemen, zoals het vinden van alternatieve leveranciers of het aanpassen van voorraadbeleid, om de impact van onbetrouwbaarheid van leveranciers te beperken.

6. Omgaan met veroudering. Reserveonderdelen raken vaak verouderd wanneer apparatuur wordt geüpgraded of uitgefaseerd. Het aanhouden van verouderde voorraad legt kapitaal vast en neemt waardevolle magazijnruimte in beslag. Regelmatig uw voorraad controleren op artikelen die bijna verouderd zijn, kan overtollige voorraad voorkomen. Methoden zoals het gebruik van cyclusvoorraad en veiligheidsvoorraadberekeningen op basis van vraag kunnen helpen de risico's van het aanhouden van verouderde voorraad te beperken.

7. Automatisering van inventarisprocessen. Automatisering in voorraadbeheer kan handmatige fouten aanzienlijk verminderen, de efficiëntie verhogen en zorgen voor tijdige aanvulling van reserveonderdelen. Hulpmiddelen zoals Smart IP&O automatiseer veel prognose-, optimalisatie- en aanvullingstaken die anders arbeidsintensief en foutgevoelig zouden zijn.

Door deze tools te integreren met bestaande  ERP-systemen, kunnen organisaties naadloze updates en aanpassingen bereiken op basis van de laatste vraag- en aanbodgegevens. Automatisering biedt realtime inzicht in voorraadniveaus, vraagtrends en verstoringen in de toeleveringsketen, wat zorgt voor snellere besluitvorming en verbeterde responsiviteit op veranderingen. Bovendien zorgt automatisering ervoor dat personeel zich kan richten op strategische taken in plaats van routinematige gegevensinvoer en berekeningen.

Effectief beheer van de voorraad reserveonderdelen zorgt voor operationele continuïteit en vermijdt onnodige kosten. Door geavanceerde prognosetools te benutten, optimale veiligheidsvoorraadniveaus in te stellen en slimme voorraadoptimalisatiestrategieën te gebruiken, kunnen bedrijven voorraadtekorten minimaliseren, de opslagkosten verlagen en de algehele serviceniveaus verbeteren. Continue verbetering en de integratie van technologie in het voorraadbeheerproces bieden aanzienlijke voordelen op de lange termijn voor elke organisatie die afhankelijk is van reserveonderdelen. Het omarmen van deze best practices draagt niet alleen bij aan operationele efficiëntie, maar ondersteunt ook strategische doelstellingen zoals kostenreductie, klanttevredenheid en concurrentievoordeel. 

The aftermarket sector provides OEMs with a decisive advantage by offering a steady revenue stream and fostering customer loyalty through the reliable and timely delivery of service parts. However, managing inventory and forecasting demand in the aftermarket is fraught with challenges, including unpredictable demand patterns, vast product ranges, and the necessity for quick turnarounds.  Traditional methods often fall short due to the complexity and variability of demand in the aftermarket. The latest technologies can analyze large datasets to predict future demand more accurately and optimize inventory levels, leading to better service and lower costs.

Deze blog onderzoekt hoe de nieuwste AI-gestuurde technologieën de OEM-aftermarket kunnen transformeren door grote datasets te analyseren om de toekomstige vraag nauwkeuriger te voorspellen, voorraadniveaus te optimaliseren, de nauwkeurigheid van prognoses te verbeteren en de klanttevredenheid te verbeteren, wat uiteindelijk leidt tot betere service en lagere kosten.

Verbetering van de nauwkeurigheid van voorspellingen met AI  

Met behulp van de modernste technologie kunnen organisaties de nauwkeurigheid van prognoses aanzienlijk verbeteren door historische gegevens te analyseren, patronen te herkennen en de toekomstige vraag te voorspellen. Onze nieuwste (IP&O) Inventory Planning & Optimization-technologie maakt gebruik van AI om realtime inzichten te bieden en besluitvormingsprocessen te automatiseren. Het maakt gebruik van adaptieve voorspellingstechnieken om ervoor te zorgen dat prognoses relevant blijven als de marktomstandigheden veranderen. Het systeem integreert geavanceerde algoritmen om intermitterende gegevens te beheren en realtime wijzigingen aan te brengen, terwijl complexe berekeningen worden verwerkt en rekening wordt gehouden met factoren als doorlooptijden, voorspellingsfouten, seizoensinvloeden en markttrends. Door gebruik te maken van betere gegevensinvoer en geavanceerde analyses kunnen bedrijven prognosefouten aanzienlijk verminderen en de kosten die gepaard gaan met overbevoorrading en stockouts minimaliseren. Ons IP&O-platform is ontworpen om de complexiteit en uitdagingen aan te kunnen die uniek zijn voor het beheer van serviceonderdelen, zoals een intermitterende vraag en grote assortimenten aan onderdelen.

Reparatie- en retourmodule: Het platform simuleert nauwkeurig de processen van het kapot gaan en repareren van onderdelen. Het voorspelt downtime, serviceniveaus en voorraadkosten die verband houden met de huidige roterende reserveonderdelenpool. Planners weten hoeveel reserveonderdelen ze op voorraad moeten hebben om aan de serviceniveau-eisen op de korte en lange termijn te voldoen en, in operationele omgevingen, of ze moeten wachten tot de reparaties zijn voltooid en weer in gebruik zijn genomen, of dat ze extra reserveonderdelen moeten kopen bij leveranciers, waardoor onnodige aankopen en reparaties worden vermeden. uitval van apparatuur.

 Intermitterende vraagvoorspelling: De gepatenteerde intermitterende vraagvoorspellingstechnologie van IP&O biedt zeer nauwkeurige voorspellingen voor artikelen met sporadische vraagpatronen die typisch zijn voor de vervangingsmarkt. Deze mogelijkheid is van cruciaal belang voor het optimaliseren van de voorraadniveaus en om ervoor te zorgen dat kritieke onderdelen beschikbaar zijn wanneer dat nodig is, zonder dat er sprake is van overbevoorrading.

Realtime voorraadoptimalisatie: Onze technologie past het voorraadbeleid dynamisch aan om het aan te passen aan veranderende vraagpatronen en marktomstandigheden. Het berekent optimale bestelpunten en bestelhoeveelheden, waarbij serviceniveaus in evenwicht worden gebracht met voorraadkosten. Dit zorgt ervoor dat OEM's een hoog serviceniveau kunnen handhaven en tegelijkertijd de overtollige voorraad en de bijbehorende transportkosten kunnen minimaliseren.

Scenarioplanning en What-If-analyse: Met IP&O kunnen gebruikers meerdere inventarisscenario's creëren om de impact van verschillende voorraadbeleidslijnen op serviceniveaus en kosten te evalueren. Deze mogelijkheid helpt OEM's weloverwogen beslissingen te nemen over voorraadstrategieën en proactief te reageren op marktveranderingen of verstoringen van de toeleveringsketen.

Naadloze ERP-integratie: Het platform biedt naadloze integratie met toonaangevende ERP-systemen, zoals Epicor en NetSuite, waardoor automatische synchronisatie van prognoses en voorraadgegevens mogelijk is. Deze integratie vergemakkelijkt de efficiënte uitvoering van aanvulorders en zorgt ervoor dat de voorraadniveaus voortdurend worden afgestemd op de meest recente vraagprognoses.

Nauwkeurigheid en rapportage van prognoses:  Ons geavanceerde systeem biedt gedetailleerde rapportage en dashboards die de nauwkeurigheid van de prognoses, de voorraadprestaties en de betrouwbaarheid van leveranciers bijhouden. Door deze statistieken te analyseren, kunnen OEM's hun voorspellingsmodellen voortdurend verfijnen en de algehele prestaties van de supply chain verbeteren.

Voorbeelden uit de praktijk illustreren de substantiële impact van AI-gestuurde forecasting en voorraadoptimalisatie op de OEM-aftermarket. Prevost Parts, een divisie van een toonaangevende Canadese fabrikant van streekbussen en touringcarbehuizingen, gebruikte IP&O om tegemoet te komen aan de periodieke vraag naar meer dan 25.000 actieve onderdelen. Door nauwkeurige verkoopprognoses en veiligheidsvoorraadvereisten in hun ERP-systeem te integreren, ondersteund door AI en realtime machine learning-aanpassingen, hebben ze het aantal backorders met 65% verminderd, de omzet met 59% verloren en de bezettingspercentages in slechts drie maanden verhoogd van 93% naar 96%. Deze transformatie verbeterde de voorraadallocatie aanzienlijk, waardoor de transport- en voorraadkosten daalden.

Het integreren van AI en ML in IP&O-processen is niet alleen een technologische upgrade, maar een strategische zet die de OEM-aftermarket kan transformeren. IP&O-technologie zorgt voor een betere servicekwaliteit en klanttevredenheid door de nauwkeurigheid van de prognoses te verbeteren, de voorraadniveaus te optimaliseren en de kosten te verlagen. Terwijl de aftermarket-sector blijft groeien en evolueren, zal het omarmen van AI de sleutel zijn om concurrerend te blijven en efficiënt aan de verwachtingen van de klant te voldoen.

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.

Tijdens een recent evenement van de Maximo Utilities Working Group verklaarden verschillende potentiële klanten bijvoorbeeld dat “onze EAM dat zal doen” toen hen werd gevraagd naar de vereisten voor het voorspellen van het gebruik, het verrekenen van leveringsplannen en het optimaliseren van het voorraadbeleid. Ze waren verrast toen ze hoorden dat dit niet het geval was en wilden meer weten.

In dit bericht vatten we de behoefte aan aanvullende software samen die zich richt op gespecialiseerde analyses voor voorraadoptimalisatie, prognoses en planning van serviceonderdelen.   

EAM-systemen

EAM-systemen kunnen geen prognoses van toekomstig gebruik verwerken. Deze systemen zijn eenvoudigweg niet ontworpen om leveringsplanning uit te voeren en veel systemen hebben niet eens een plek om prognoses vast te houden. Dus wanneer een MRO-bedrijf bekende vereisten voor geplande productie- of investeringsprojecten moet verrekenen, is een add-on-applicatie zoals Smart IP&O is nodig.

Voorraadoptimalisatiesoftware met functies die de planning ondersteunen van een bekende toekomstige vraag, gebruikt projectgebaseerde gegevens die niet in het EAM-systeem worden bijgehouden (inclusief de startdatums van het project, de duur en wanneer elk onderdeel naar verwachting nodig zal zijn) en berekent een prognose per periode over elke planningshorizon. Deze “geplande” voorspelling kan worden geprojecteerd naast statistische voorspellingen van de “ongeplande” vraag die voortkomt uit normale slijtage. Op dat moment kan software voor onderdelenplanning het aanbod salderen en de kloof tussen vraag en aanbod identificeren. Dit zorgt ervoor dat deze hiaten niet onopgemerkt blijven en resulteren in tekorten die anders de voltooiing van de projecten zouden vertragen. Het minimaliseert ook de overtollige voorraad die anders te snel zou worden besteld en verbruikt onnodig contant geld en magazijnruimte. Ook hier gaan MRO-bedrijven er soms ten onrechte van uit dat deze mogelijkheden worden gedekt door hun EAM-pakket.

ERP-systemen

ERP-systemen bevatten daarentegen doorgaans een MRP-module die is ontworpen om een prognose op te nemen en de materiaalbehoeften te verrekenen. Bij de verwerking wordt rekening gehouden met de huidige voorraad, openstaande verkooporders, geplande opdrachten, inkomende inkooporders, eventuele stuklijsten en artikelen die onderweg zijn tijdens de overdracht tussen locaties. Het vergelijkt deze huidige statuswaarden met de velden van het aanvulbeleid plus eventuele maandelijkse of wekelijkse prognoses om te bepalen wanneer aanvulling moet worden voorgesteld (een datum) en hoeveel moet worden aangevuld (een hoeveelheid).

Waarom zou u dus niet alleen het ERP-systeem gebruiken om het leveringsplan op te stellen en tekorten en overschotten te voorkomen? Ten eerste: hoewel ERP-systemen een tijdelijke aanduiding hebben voor een prognose en sommige systemen het aanbod kunnen salderen met behulp van hun MRP-modules, maken ze het niet gemakkelijk om de geplande vraagvereisten die verband houden met kapitaalprojecten op elkaar af te stemmen. Meestal worden de gegevens over wanneer geplande projecten zullen plaatsvinden buiten het ERP bijgehouden, met name de stuklijst van het project waarin wordt beschreven welke onderdelen nodig zijn om het project te ondersteunen. Ten tweede bieden veel ERP-systemen niets effectiefs als het gaat om voorspellende mogelijkheden, maar vertrouwen ze in plaats daarvan op eenvoudige wiskunde die gewoon niet werkt voor serviceonderdelen vanwege de hoge prevalentie van intermitterende vraag. Ten slotte hebben ERP-systemen geen flexibele, gebruiksvriendelijke interfaces die de interactie met de prognoses en het leveringsplan ondersteunen.

Puntlogica opnieuw ordenen

Zowel ERP als EAM hebben tijdelijke aanduidingen voor methoden voor het aanvullen van bestelpunten, zoals Min/Max-niveaus. U kunt voorraadoptimalisatiesoftware gebruiken om deze velden in te vullen met het voor risico aangepaste bestelpuntbeleid. Vervolgens worden binnen de ERP- of EAM-systemen bestellingen geactiveerd wanneer de werkelijke (niet-geprognosticeerde) vraag de voorhanden voorraad onder de Min. Dit type beleid maakt geen gebruik van een traditionele voorspelling die de vraag week na week of maand na maand projecteert en wordt vaak “vraaggestuurde aanvulling” genoemd (aangezien bestellingen alleen plaatsvinden wanneer de werkelijke vraag de voorraad onder een door de gebruiker gedefinieerd niveau drijft). drempelwaarde).

Maar het feit dat er geen gebruik wordt gemaakt van een periode-over-periode voorspelling betekent niet dat het niet voorspellend is. Het beleid voor herbestellingspunten moet gebaseerd zijn op een voorspelling van de vraag gedurende een aanvultermijn plus een buffer om te beschermen tegen vraag- en aanbodvariabiliteit. MRO-bedrijven moeten weten welk voorraadrisico zij lopen bij een bepaald voorraadbeleid. Voorraadbeheer is tenslotte risicobeheer – vooral in MRO-bedrijven, waar de kosten van stockout zo hoog zijn. Toch bieden ERP en EAM geen enkele mogelijkheid om het voorraadbeleid aan te passen aan de risico's. Ze dwingen gebruikers om dit beleid extern handmatig te genereren of om eenvoudige vuistregels te gebruiken die niet in detail beschrijven welke risico's verbonden zijn aan de keuze van het beleid.

Overzicht

Supply chain planningsfunctionaliteit zoals voorraadoptimalisatie is niet de kernfocus van EAM en ERP. U moet gebruikmaken van aanvullende planningsplatforms, zoals Smart IP&O, die statistische prognoses, gepland projectbeheer en voorraadoptimalisatie ondersteunen. Smart IP&O zal prognoses en voorraadbeleid ontwikkelen die kunnen worden ingevoerd in een EAM- of ERP-systeem om de dagelijkse bestellingen te stimuleren.

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.

Denk eens aan een openbaar vervoersbedrijf. In de meeste grote steden zullen de jaarlijkse operationele budgetten de $3 miljard overschrijden. De kapitaaluitgaven voor treinen, metro's en infrastructuur kunnen jaarlijks honderden miljoenen bedragen. Bijgevolg zal een voorraad reserveonderdelen ter waarde van $150 miljoen wellicht niet de aandacht trekken van de CFO of algemeen directeur, aangezien deze een klein percentage van de balans vertegenwoordigt. Bovendien moeten in op MRO gebaseerde industrieën veel onderdelen de machineparken tien jaar of langer ondersteunen, waardoor extra voorraden een noodzakelijke troef zijn. In sommige sectoren, zoals nutsbedrijven, kan het aanhouden van extra voorraden zelfs gestimuleerd worden om ervoor te zorgen dat de apparatuur in goede staat blijft.

We hebben zorgen over overtollige voorraden zien ontstaan wanneer de magazijnruimte beperkt is. Ik herinner me dat ik aan het begin van mijn carrière getuige was van het spoorwegemplacement van een openbaar vervoersbedrijf, gevuld met verroeste assen met een waarde van meer dan $100.000 per stuk. Mij werd verteld dat de assen moesten worden blootgesteld aan de elementen vanwege onvoldoende magazijnruimte. De opportuniteitskosten die verband houden met de ruimte die wordt ingenomen door extra voorraad worden een overweging wanneer de magazijncapaciteit is uitgeput. De belangrijkste overweging die alle andere beslissingen overtroeft, is hoe de voorraad een hoog serviceniveau voor interne en externe klanten garandeert. Voorraadplanners maken zich veel meer zorgen over terugslag als gevolg van voorraadtekorten dan over overaankopen. Wanneer een ontbrekend onderdeel leidt tot een SLA-schending of het stilleggen van de productielijn, wat resulteert in miljoenen aan boetes en onherstelbare productie-output, is dat begrijpelijk.

Vermogensintensieve bedrijven missen één groot punt. Dat is de extra voorraad isoleert niet tegen stockouts; het draagt eraan bij. Hoe meer eigen risico u heeft, hoe lager uw algehele serviceniveau, omdat het geld dat nodig is om onderdelen te kopen eindig is, en geld uitgegeven aan overtollige voorraad betekent dat er geen contant geld beschikbaar is voor de onderdelen die het nodig hebben. Zelfs door de overheid gefinancierde MRO-bedrijven, zoals nutsbedrijven en transportbedrijven, erkennen nu meer dan ooit de noodzaak om de uitgaven te optimaliseren. Zoals een materiaalmanager deelde: “We kunnen problemen met zakken met contant geld uit Washington niet langer oplossen.” Ze moeten dus meer doen met minder, en zorgen voor een optimale toewijzing over de tienduizenden onderdelen die ze beheren.

Dit is waar state-of-the-art voorraadoptimalisatiesoftware van pas komt, die de benodigde voorraad voor gerichte serviceniveaus voorspelt, identificeert wanneer voorraadniveaus negatieve rendementen opleveren en herschikkingen aanbeveelt voor verbeterde algehele serviceniveaus. Smart Software helpt al tientallen jaren activa-intensieve MRO-gebaseerde bedrijven bij het optimaliseren van de bestelniveaus voor elk onderdeel. Bel ons voor meer informatie. 

Wat is er anders aan voorraadplanning voor onderhoud, reparatie en bewerkingen (MRO) vergeleken met voorraadplanning in productie- en distributieomgevingen? Kortom, het is de aard van de vraagpatronen in combinatie met het gebrek aan bruikbare bedrijfskennis.

Vraagpatronen

Fabrikanten en distributeurs hebben de neiging zich te concentreren op de topverkopers die het grootste deel van hun omzet genereren. Er is doorgaans een grote vraag naar deze artikelen, die relatief eenvoudig te voorspellen zijn met traditionele tijdreeksmodellen die inspelen op voorspelbare trends en/of seizoensinvloeden. Daarentegen hebben MRO-planners bijna altijd te maken met een intermitterende vraag, die schaarser, willekeuriger en moeilijker te voorspellen is. Bovendien zijn de fundamentele hoeveelheden van belang verschillend. MRO-planners geven uiteindelijk het meeste om de ‘wanneer’-vraag: wanneer gaat er iets kapot? Terwijl de anderen zich concentreren op de “hoeveel” vraag van verkochte eenheden.

Zakelijke kennis

Productie- en distributieplanners kunnen vaak rekenen op het verzamelen van klant- en verkoopfeedback, die kan worden gecombineerd met statistische methoden om de nauwkeurigheid van de prognoses te verbeteren. Aan de andere kant zijn lagers, tandwielen, verbruiksartikelen en repareerbare onderdelen zelden bereid hun mening te delen. Met MRO is bedrijfskennis over welke onderdelen nodig zijn en wanneer niet betrouwbaar (behalve gepland onderhoud wanneer verbruiksartikelen in grotere volumes worden vervangen). Het succes van de MRO-voorraadplanning gaat dus slechts zo ver als het vermogen van hun waarschijnlijkheidsmodellen om toekomstig gebruik te voorspellen. En omdat de vraag zo wisselend is, kunnen ze met traditionele benaderingen niet voorbij Go komen.

Methoden voor MRO

In de praktijk is het gebruikelijk dat MRO- en activa-intensieve bedrijven hun voorraden beheren door hun toevlucht te nemen tot statische Min/Max-niveaus op basis van subjectieve veelvouden van gemiddeld gebruik, aangevuld met incidentele handmatige aanpassingen op basis van onderbuikgevoelens. Het proces wordt een slechte mix van statisch en reactief, met als resultaat dat er veel tijd en geld wordt verspild aan het versnellen.

Er zijn alternatieve planningsmethoden die meer op wiskunde en data zijn gebaseerd, hoewel deze stijl van plannen bij MRO minder gebruikelijk is dan in de andere domeinen. Er zijn twee toonaangevende benaderingen voor het modelleren van defecten aan onderdelen en machines: modellen gebaseerd op de betrouwbaarheidstheorie en modellen voor ‘conditiegebaseerd onderhoud’ gebaseerd op realtime monitoring.

Betrouwbaarheidsmodellen

Betrouwbaarheidsmodellen zijn de eenvoudigste van de twee en vereisen minder gegevens. Ze gaan ervan uit dat alle artikelen van hetzelfde type, bijvoorbeeld een bepaald reserveonderdeel, statistisch gelijkwaardig zijn. Hun belangrijkste onderdeel is een ‘gevarenfunctie’, die het risico op falen in het volgende korte tijdsinterval beschrijft. De gevarenfunctie kan worden vertaald in iets dat beter geschikt is voor besluitvorming: de ‘overlevingsfunctie’, wat de waarschijnlijkheid is dat het item nog steeds werkt na X gebruiksduur (waarbij X kan worden uitgedrukt in dagen, maanden, kilometers, gebruik, enz.). Figuur 1 toont een constante gevaarfunctie en de bijbehorende overlevingsfunctie.

Figuur 1: Constante gevarenfunctie en zijn overlevingsfunctie

Een gevarenfunctie die niet verandert, houdt in dat alleen willekeurige ongelukken een storing veroorzaken. Een gevaarfunctie die in de loop van de tijd toeneemt, impliceert daarentegen dat het artikel versleten is. En een afnemende gevaarfunctie impliceert dat een item zich vestigt. Figuur 2 toont een toenemende gevaarfunctie en de bijbehorende overlevingsfunctie.

Figuur 2: Toenemende gevarenfunctie en zijn overlevingsfunctie

Betrouwbaarheidsmodellen worden vaak gebruikt voor goedkope onderdelen, zoals mechanische bevestigingsmiddelen, waarvan de vervanging misschien niet moeilijk of duur is (maar toch essentieel kan zijn).

Conditiegebaseerd onderhoud

Modellen gebaseerd op real-time monitoring worden gebruikt ter ondersteuning van condition-based onderhoud (CBM) voor dure zaken als straalmotoren. Deze modellen gebruiken gegevens van sensoren die in de items zelf zijn ingebed. Dergelijke gegevens zijn doorgaans complex en bedrijfseigen, evenals de waarschijnlijkheidsmodellen die door de gegevens worden ondersteund. Het voordeel van real-time monitoring is dat je problemen kunt zien aankomen, dat wil zeggen dat de verslechtering zichtbaar wordt gemaakt en dat voorspellingen kunnen voorspellen wanneer het item de rode lijn zal bereiken en daarom uit het speelveld moet worden gehaald. Dit maakt geïndividualiseerd, proactief onderhoud of vervanging van het artikel mogelijk.

Figuur 3 illustreert het soort gegevens dat in CBM wordt gebruikt. Elke keer dat het systeem wordt gebruikt, is er een bijdrage aan de cumulatieve slijtage ervan. (Houd er echter rekening mee dat gebruik soms de staat van het apparaat kan verbeteren, bijvoorbeeld wanneer regen een machine koel houdt). U kunt de algemene trend naar boven zien richting een rode lijn, waarna het apparaat onderhoud nodig heeft. U kunt de cumulatieve slijtage extrapoleren om in te schatten wanneer deze de rode lijn zal bereiken en dienovereenkomstig plannen.

Figuur 3: Ter illustratie van real-time monitoring voor conditiegebaseerd onderhoud

Voor zover ik weet, maakt niemand zulke modellen van klanten met eindproducten om te voorspellen wanneer en hoeveel ze de volgende keer zullen bestellen, misschien omdat de klanten er bezwaar tegen zouden hebben om voortdurend hersenmonitors te dragen. Maar CBM, met zijn complexe monitoring en modellering, wint aan populariteit voor systemen die niet kunnen falen, zoals straalmotoren. Ondertussen hebben klassieke betrouwbaarheidsmodellen nog steeds veel waarde voor het beheer van grote vloten met goedkopere maar nog steeds essentiële artikelen.

Smart's aanpak
De bovengenoemde op condities gebaseerde onderhouds- en betrouwbaarheidsbenaderingen vereisen een buitensporige last voor het verzamelen en opschonen van gegevens die veel MRO-bedrijven niet aankunnen. Voor die bedrijven biedt Smart een aanpak waarbij geen betrouwbaarheidsmodellen hoeven te worden ontwikkeld. In plaats daarvan exploiteert het gebruiksgegevens op een andere manier. Het maakt gebruik van op waarschijnlijkheid gebaseerde modellen van zowel gebruik als doorlooptijden van leveranciers om duizenden mogelijke scenario's voor doorlooptijden van bevoorrading en vraag te simuleren. Het resultaat is een nauwkeurige verdeling van de vraag en de doorlooptijden voor elk verbruiksonderdeel, die kan worden benut om de optimale voorraadparameters te bepalen. Figuur 4 toont een simulatie die begint met een scenario voor de vraag naar reserveonderdelen (bovenste grafiek) en vervolgens een scenario oplevert van voorhanden aanbod voor bepaalde keuzes van Min/Max-waarden (onderste lijn). Key Performance Indicators (KPI's) kunnen worden geschat door de resultaten van veel van dergelijke simulaties te middelen.

Figuur 4: Een voorbeeld van een simulatie van de vraag naar reserveonderdelen en de voorhanden voorraad

U kunt hier lezen over de aanpak van Smart bij het voorspellen van reserveonderdelen: https://smartcorp.com/wp-content/uploads/2019/10/Probabilistic-Forecasting-for-Intermittent-Demand.pdf