Slimme voorraadplanning en -optimalisatie worden getoond op Epicor Insights
Belmont, Massachusetts, 14 mei – Smart Software, Inc., leverancier van toonaangevende oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie, heeft vandaag aangekondigd dat Epicor Software Epicor Smart IP&O zal presenteren, een gezamenlijke oplossing voor voorraadplanning, prognoses en optimalisatie op de jaarlijkse klantenconferentie van Epicor in Nashville, TN van 21 - 24 mei. Smart Software zal ook aanwezig zijn om de oplossing te profileren in stand # 5 in het Solutions Pavilion.
De samenwerking tussen Smart Software en Epicor brengt de cloudgebaseerde Smart IP&O (Inventory Planning and Optimization) in de nieuwste versie van de Epicor enterprise resource planning (ERP)-oplossing. Sree Menon, Chief Technology Officer van Smart Software, zegt: “Het is niet langer genoeg om simpelweg de inventaris te beheren. Door strategische planning naadloos te integreren met operationele uitvoering, stelt Smart IP&O Epicor ERP-gebruikers in staat om continu voorraad te voorspellen, te reageren en te plannen, waardoor de kosten worden verlaagd en de service wordt verbeterd.”
Het Epicor Sales Engineering team demonstreert Epicor Smart IP&O in twee sessies:
"Introductie van Epicor Smart Demand Planning & Voorraadoptimalisatie"
Donderdag 24 mei om 8.00 uur
Tennessee Ballrom B
"Moderniseer de operaties van uw Cadena de Suministro met de Plataforma Epicor Smart Inventory Planning and Optimization"
Donderdag 24 mei om 10:20 uur
Ryman Studio H/I
Epicor Insights 2018 zal meer dan 3.000 gebruikers van Epicor's branchespecifieke ERP-oplossingen voor de productie-, distributie- en dienstverlenende sector samenbrengen. Klanten die aanwezig zijn, krijgen speciale opleidingstrajecten gericht op hun specifieke producten en oplossingen, plus meer mogelijkheden om te netwerken tussen producten en sectoren. Ga voor meer informatie naar https://www.epicor.com/customers/insights/default.aspx
Over Smart Software, Inc.
Smart Software, Inc., opgericht in 1981, is toonaangevend in het leveren van bedrijfsbrede oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie aan bedrijven. De oplossingen voor vraagvoorspelling en voorraadoptimalisatie van Smart Software hebben duizenden gebruikers over de hele wereld geholpen, waaronder klanten bij middelgrote ondernemingen en Fortune 500-bedrijven, zoals Mitsubishi, Siemens, Disney, FedEx, MARS en The Home Depot. Smart Inventory Planning & Optimization geeft vraagplanners de tools om om te gaan met seizoensinvloeden in de verkoop, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en af en toe gevraagde serviceonderdelen en kapitaalgoederen. Het biedt voorraadbeheerders ook nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts en is te vinden op het World Wide Web op www.smartcorp.com.
Neem voor meer informatie contact op met Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
Telefoon: 1-800-SMART-99 (800-762-7899); FAX: 1-617-489-2748; E-mail: info@smartcorp.com
Smart Software VP Research presenteert op ISF 2018
Dr. Tom Willemain leidt ISF-sessie over Time Series Dissaggregation
Belmont, Massachusetts, 14 mei 2018 – Smart Software, Inc., leverancier van toonaangevende oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie, heeft vandaag aangekondigd dat Tom Willemain, vice-president voor onderzoek, een presentatie zal geven op het International Symposium of Forecasting van 17 – 20 juni in Boulder, CO .
Dr. Willemain zal een tutorial presenteren over Time Series Dissaggregation en hoe de benaderingen die hij schetst de kwaliteit van vraagprognoses kunnen verbeteren. Stel u voor dat u dagelijkse prognoseresultaten moet leveren, maar dat u alleen de historische vraag op maand- of weekniveau kunt verkrijgen. Vaak zijn gedetailleerde vraaggegevens niet beschikbaar. Hoe gaat u te werk? Het omzetten van geaggregeerde kwartaal-, maand- of weekgegevens naar dagelijkse gegevens is een voorbeeld van het dissaggregatieprobleem van tijdreeksen. Dr. Willemain zal de huidige oplossingen voor dit probleem bespreken en een verbeterde oplossing aandragen.
Als de belangrijkste, internationale prognoseconferentie biedt de ISF de mogelijkheid om te communiceren met 's werelds toonaangevende onderzoekers en praktijkmensen op het gebied van prognoses. De opkomst is groot genoeg om de besten in het veld aan te trekken, maar klein genoeg om elkaar te ontmoeten en een-op-een te bespreken. De ISF biedt een verscheidenheid aan netwerkmogelijkheden, door middel van presentaties van keynote-sprekers, academische sessies, workshops, maaltijden en sociale programma's. Daarnaast zijn vertegenwoordigers van toonaangevende uitgeverijen, softwarebedrijven en andere gerelateerde bedrijven aanwezig om hun meest recente aanbod te bespreken.
Over dr. Thomas Willemaine
Dr. Thomas Reed Willemain was een deskundige statistisch adviseur bij de National Security Agency (NSA) in Ft. Meade, MD en als lid van de Adjunct Research Staff bij een aangesloten denktank, het Institute for Defense Analyses Center for Computing Sciences (IDA/CCS). Hij is emeritus hoogleraar Industrial and Systems Engineering aan het Rensselaer Polytechnic Institute en bekleedde eerder faculteitsfuncties aan de Kennedy School of Government van Harvard en het Massachusetts Institute of Technology. Hij is ook mede-oprichter en Senior Vice President/Research bij Smart Software, Inc. Hij is lid van de Association of Former Intelligence Officers, de Military Operations Research Society, de American Statistical Association en verschillende andere professionele organisaties. Willemain behaalde de BSE-graad (summa cum laude, Phi Beta Kappa) aan Princeton University en de MS- en PhD-graad aan het Massachusetts Institute of Technology. Zijn andere boeken zijn: Statistical Methods for Planners, Emergency Medical Systems Analysis (met RC Larson) en 80 artikelen in collegiaal getoetste tijdschriften over onderwerpen in de statistiek, operationeel onderzoek, gezondheidszorg en andere onderwerpen. Voor meer informatie, e-mail: TomW@SmartCorp.com of bezoek www.TomWillemain.com.
Over Smart Software, Inc.
Smart Software, Inc., opgericht in 1981, is toonaangevend in het leveren van bedrijfsbrede oplossingen voor vraagvoorspelling, planning en voorraadoptimalisatie aan bedrijven. De oplossingen voor vraagvoorspelling en voorraadoptimalisatie van Smart Software hebben duizenden gebruikers over de hele wereld geholpen, waaronder klanten bij middelgrote ondernemingen en Fortune 500-bedrijven, zoals Mitsubishi, Siemens, Disney, FedEx, MARS en The Home Depot. Smart Inventory Planning & Optimization geeft vraagplanners de tools om om te gaan met seizoensinvloeden in de verkoop, promoties, nieuwe en verouderde producten, multidimensionale hiërarchieën en af en toe gevraagde serviceonderdelen en kapitaalgoederen. Het biedt voorraadbeheerders ook nauwkeurige schattingen van de optimale voorraad en veiligheidsvoorraad die nodig is om aan toekomstige bestellingen te voldoen en de gewenste serviceniveaus te bereiken. Smart Software heeft zijn hoofdkantoor in Belmont, Massachusetts en is te vinden op www.smartcorp.com
SmartForecasts is een geregistreerd handelsmerk van Smart Software, Inc. Alle andere handelsmerken zijn het eigendom van hun respectievelijke eigenaars.
Neem voor meer informatie contact op met Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
Telefoon: 1-800-SMART-99 (800-762-7899); FAX: 1-617-489-2748; E-mail: info@smartcorp.com
Voorlopende indicatoren kunnen een voorbode zijn van de vraag
De meeste statistische prognoses werken in één directe stroom van gegevens uit het verleden naar prognoses. Voorspellen met voorlopende indicatoren werkt op een andere manier. Een leidende indicator is een tweede variabele die van invloed kan zijn op degene die wordt voorspeld. Het toepassen van toetsbare menselijke kennis over de voorspellende kracht in de relatie tussen deze verschillende gegevenssets levert soms superieure nauwkeurigheid op.
Meestal is een prognose uitsluitend gebaseerd op de geschiedenis van het item dat wordt voorspeld. Laten we aannemen dat het probleem van de voorspeller is om de toekomstige verkoop per eenheid van een belangrijk product te voorspellen. Het proces begint met het verzamelen van gegevens over de eerdere verkopen van het product. (Gregory Hartunian deelt wat praktisch advies over het kiezen van de best beschikbare data in een eerder bericht op de Smart Forecaster.) Deze gegevens stromen naar prognosesoftware, die het verkooprecord analyseert om het niveau van willekeurige variabiliteit te meten en alle voorspelbare aspecten te benutten, zoals trend of regelmatige patronen van seizoensvariabiliteit. De prognose is volledig gebaseerd op het gedrag in het verleden van het artikel dat wordt voorspeld. Er wordt expliciet rekening gehouden met niets dat het schommelen en schudden in de verkoopgrafiek van het product zou kunnen hebben veroorzaakt. Deze aanpak is snel, eenvoudig, op zichzelf staand en schaalbaar, omdat software automatisch door een groot aantal prognoses kan bladeren.
Maar soms kan de voorspeller het beter doen, ten koste van meer werk. Als de voorspeller door de mist van willekeur kan kijken en een tweede variabele kan identificeren die van invloed is op degene die wordt voorspeld, een leidende indicator, zijn nauwkeurigere voorspellingen mogelijk.
Stel dat het product vensterglas voor woningen is. Het is goed mogelijk dat stijgingen of dalingen van het aantal bouwvergunningen voor nieuwbouwwoningen enkele maanden later worden weerspiegeld in overeenkomstige stijgingen of dalingen van het aantal bestelde glasplaten. Als de voorspeller deze "vertraagde" of vertraagde relatie in een vergelijking kan destilleren, kan die vergelijking worden gebruikt om de glasverkoop over enkele maanden te voorspellen, dus met behulp van bekende waarden van de leidende indicator. Deze vergelijking wordt een "regressievergelijking" genoemd en heeft de vorm zoiets als:
Verkoop van glas in 3 maanden = 210,9 + 26,7 × Aantal woningen start deze maand.
Voorspellingssoftware kan de gegevens over de start van de woningbouw en de glasverkoop omzetten in zo'n regressievergelijking.
Grafiek met een relatie tussen voorbeeldcijfers voor verschoven bouwvergunningen en de vraag naar glas
Voorlopende indicatoren aangetoond
In tegenstelling tot automatische statistische prognoses op basis van de eerdere verkopen van een product, stuit prognoses met een voorlopende indicator echter op hetzelfde probleem als het spreekwoordelijke recept voor konijnenstoofpot: "Vang eerst een konijn". Hier is de inhoudelijke expertise van de voorspeller cruciaal voor succes. De forecaster moet één of meerdere kandidaten kunnen voordragen voor de functie van leading indicator. Na deze cruciale stap kan op basis van de kennis, ervaring en intuïtie van de voorspeller software worden gebruikt om te verifiëren dat er werkelijk een voorspellende, tijdvertraagde relatie bestaat tussen de kandidaat-voorlopende indicator en de te voorspellen variabele.
Deze verificatiestap wordt uitgevoerd met behulp van een "kruiscorrelatie"-analyse. De software neemt in wezen als invoer een reeks waarden van de te voorspellen variabele en een andere reeks waarden van de veronderstelde leidende indicator. Vervolgens schuift het de gegevens van de voorspellingsvariabele vooruit met achtereenvolgens een, twee, drie, etc. tijdsperioden. Bij elke slip in de tijd (een "lag" genoemd, omdat de leidende indicator steeds verder achterloopt op de voorspellingsvariabele), controleert de software op een associatiepatroon tussen de twee variabelen. Als het een patroon vindt dat te sterk is om te worden verklaard als een statistisch ongeval, wordt het vermoeden van de voorspeller bevestigd.
Het is duidelijk dat prognoses met voorlopende indicatoren meer werk zijn dan prognoses met alleen de eigen waarden uit het verleden van een item. De voorspeller moet een leidende indicator identificeren, te beginnen met een lijst die wordt voorgesteld door de vakkennis van de voorspeller. Dit is een "handgemaakt" proces dat niet geschikt is voor massaproductie van prognoses. Maar het kan een succesvolle aanpak zijn voor een kleiner aantal belangrijke items die de extra moeite waard zijn. De rol van prognosesoftware, zoals ons SmartForecasts-systeem, is om de voorspeller te helpen de leidende indicator te verifiëren en deze vervolgens te benutten.
Thomas Willemain, PhD, was mede-oprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselaer Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.
In bijna elk bedrijf en elke branche hebben besluitvormers betrouwbare voorspellingen nodig van cruciale variabelen, zoals omzet, inkomsten, vraag naar producten, voorraadniveaus, marktaandeel, kosten en trends in de sector. Er zijn veel soorten mensen die deze voorspellingen maken. Sommigen zijn geavanceerde technische analisten, zoals bedrijfseconomen en statistici. Vele anderen beschouwen forecasting als een belangrijk onderdeel van hun totale werk: algemeen managers, productieplanners, voorraadbeheerspecialisten, financiële analisten, strategische planners, marktonderzoekers en product- en verkoopmanagers. Toch beschouwen anderen zichzelf zelden als voorspellers, maar moeten ze vaak voorspellingen doen op een intuïtieve, oordelende basis.
In een zeer configureerbare productieomgeving kan het voorspellen van eindproducten een complexe en lastige taak worden. Het aantal mogelijke eindproducten zal enorm stijgen als veel componenten uitwisselbaar zijn. Een traditionele MRP zou ons dwingen om elk afzonderlijk eindproduct te voorspellen, wat onrealistisch of zelfs onmogelijk kan zijn. Verschillende toonaangevende ERP-oplossingen introduceren het concept van de “Planning BOM”, waarmee prognoses op een hoger niveau in het productieproces kunnen worden gebruikt. In dit artikel bespreken we deze functionaliteit in ERP, en hoe u hiervan kunt profiteren met Smart Inventory Planning en Optimization (Smart IP&O) om in het licht van deze complexiteit uw vraag voor te blijven.
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.
Prognoses met de juiste gegevens
Om de efficiëntievoordelen van prognoses te benutten, hebt u de meest nauwkeurige prognoses nodig: prognoses die zijn gebaseerd op de meest geschikte historische gegevens. De meeste discussies over dit probleem richten zich meestal op de voordelen van het gebruik van vraag versus verzendgeschiedenis - en ik zal hier later op ingaan. Maar laten we het eerst hebben over het gebruik van netto- versus brutogegevens.
Netto versus bruto geschiedenis
Veel planners zijn geneigd om netto-omzetgegevens te gebruiken om hun prognoses te maken. Systemen die verkopen volgen, registreren transacties wanneer ze plaatsvinden en aggregeren de resultaten in wekelijkse of maandelijkse periodieke totalen. In sommige gevallen worden geretourneerde aankopen in verkooprecords als negatieve verkopen verantwoord en wordt een nettototaal berekend. Deze nettocijfers, die vaak echte verkooppatronen maskeren, worden ingevoerd in het prognosesysteem. De gebruikte historische gegevens geven eigenlijk een verkeerd beeld van wat de klant wilde en wanneer hij het wilde. Dit wordt meegenomen in de prognose, met minder dan optimale resultaten.
(meer…)
