​ACHTERGROND

De meeste blogs, webinars en whitepapers van Smart Software beschrijven het gebruik van onze software bij ‘normale werkzaamheden’. Deze gaat over ‘onregelmatige operaties’. Smart Software is bezig met het aanpassen van onze producten om u te helpen omgaan met uw eigen onregelmatige werkzaamheden. Dit is een voorproefje.

Ik hoorde de term ‘irreguliere operaties’ voor het eerst toen ik een sabbatical-tournee maakte bij de Amerikaanse Federal Aviation Administration in Washington, DC. De FAA verkort de term tot “IROPS” en gebruikt deze om situaties te beschrijven waarin weersomstandigheden, mechanische problemen of andere problemen de normale vliegtuigstroom verstoren.

Smart Inventory Optimization® (“SIO”) currently works to provide what are known as “steady state” policies for managing inventory items. That means, for instance, that SIO automatically calculates values for reorder points (ROP’s) and order quantities (OQ’s) that are meant to last for the foreseeable future. It computes these values based on simulations of daily operations that extend years into the future. If and when the unforeseeable happens, our verandering van regime detection method reacts by removing obsolete data and allowing recalculation of the ROP’s and OQ’s.

We merken vaak de toenemende snelheid van zakendoen, waardoor de duur van de “afzienbare toekomst” wordt verkort. Sommige van onze klanten hanteren nu een kortere planningshorizon, zoals de overstap van kwartaal- naar maandplannen. Eén neveneffect van deze verandering is dat IROPS meer consequenties heeft. Als een plan gebaseerd is op drie gesimuleerde jaren van dagelijkse vraag, doet één vreemde gebeurtenis, zoals een grote verrassingsbestelling, er in het grote geheel niet zoveel toe. Maar als de planningshorizon erg kort is, kan één grote verrassingsvraag een groot effect hebben op de belangrijkste prestatie-indicatoren (KPI's) die over een korter interval worden berekend – er is geen tijd voor 'uitmiddelen'. De planner kan zich genoodzaakt zien een noodbestelling te plaatsen om de verstoring op te vangen. Wanneer moet de bestelling worden geplaatst om het meeste goed te doen? Hoe groot moet het zijn?

SCENARIO: NORMALE OPS

Om dit concreet te maken, beschouwen we het volgende scenario. Tom's Spares, Inc. levert kritische serviceonderdelen aan zijn klanten, waaronder SKU723, een vervangende printplaat die wordt verkocht onder de handelsnaam WIDGET. De vraag naar WIDGET is wisselend, er wordt minder dan één eenheid per dag gevraagd. Tom's Spares bestelt WIDGET's bij Acme Products, waardoor het 7 of 10 dagen duurt om de aanvullingsbestellingen uit te voeren.

Tom’s Spares operates with a short inventory planning horizon of 28 days. The company operates in a competitive environment with impatient customers who only grudgingly accept backorders. Tom’s policy is to set ROP’s and OQ’s to keep inventory lean while maintaining a fill rate of at least 90%. Management monitors KPI’s on a monthly basis. In the case of WIDGETS, these KPI targets are currently met using an ROP=3 and an OQ=4, resulting in an average on hand of about 4 units and average fill rate of 96%.  Tom’s Spares has a pretty good thing going for WIDGETS.

Figuur 1 toont twee maanden WIDGET-informatie. Het paneel linksboven toont de dagelijkse vraag naar eenheden. Rechtsboven ziet u de beschikbare dagelijkse eenheden. Het paneel linksonder toont de timing en de omvang van de aanvullingsorders naar Acme Products. Rechtsonder ziet u eenheden die zijn nabesteld vanwege voorraadtekorten. In deze simulatie was de dagelijkse vraag 0 of 1, met één vraag van 2 eenheden. Voorhanden eenheden begonnen de maand op 7 en daalden nooit onder de 1, hoewel er de volgende maand een voorraadtekort was, wat resulteerde in een enkele eenheid in nabestelling. Gedurende de twee maanden werden er vier aanvullingsorders van elk vier eenheden naar Acme gestuurd, die allemaal binnenkwamen tijdens de simulatieperiode van twee maanden.

GOEDE PROBLEMEN VERSTOREN NORMALE OPS

Nu voegen we wat ‘goede problemen’ toe aan het scenario: halverwege de planningsperiode ontstaat er een ongewoon grote order. Het is “goed” omdat meer vraag meer inkomsten impliceert. Maar het is een “probleem” omdat de normale parameters voor voorraadbeheer van de operatie (ROP=3, OQ=4) niet zijn gekozen om met deze situatie om te gaan. De piek in de vraag kan zo groot zijn, en zo ongunstig getimed, dat het voorraadsysteem overweldigd wordt, waardoor voorraadtekorten en de daarmee gepaard gaande nabestellingen ontstaan. Het KPI-rapport aan het management voor zo'n maand zou niet mooi zijn.

Figuur 2 toont een scenario waarin een vraagpiek van 10 eenheden optreedt op de derde dag van de planningsperiode. In dit geval zet de piek de voorraad voor de rest van de maand onder water en creëert een cascade van nabestellingen die zich uitstrekt tot de volgende maand. Met een gemiddelde van meer dan 1.000 simulaties tonen de KPI's van maand 1 een gemiddelde van 0,6 eenheden en een miserabel opvullingspercentage van 44%.

TERUGVECHTEN MET ONREGELMATIGE OPERATIES

Tom's Spares kan op een onregelmatige situatie reageren met een onregelmatige verplaatsing door een noodaanvulorder aan te maken. Om het goed te doen, moeten ze nadenken over (a) wanneer ze de bestelling moeten plaatsen, (b) hoe groot de bestelling moet zijn en (c) of ze de bestelling moeten bespoedigen.

De vraag over de timing lijkt voor de hand te liggen: reageer zodra de order toekomt. Als de klant echter vroegtijdig zou waarschuwen, zou Tom's Spares vroegtijdig kunnen bestellen en in een betere positie zijn om de verstoring als gevolg van de piek te beperken. Als de communicatie tussen Tom's en de klant die de grote bestelling plaatst echter gebrekkig is, kan het zijn dat de klant Tom's later of helemaal niet op de hoogte stelt.

Ook de omvang van de speciale bestelling lijkt voor de hand liggend: bestel het benodigde aantal eenheden vooraf. Maar dat werkt het beste als Tom's Spares weet wanneer de vraagpiek zal aanbreken. Zo niet, dan is het misschien een goed idee om extra te bestellen om de duur van eventuele nabestellingen te beperken. Over het algemeen geldt dat hoe minder vroegtijdige waarschuwing wordt gegeven, hoe groter de bestelling die Tom's moet plaatsen. Deze relatie kan uiteraard worden onderzocht met simulatie.

De aankomst van de aanvulopdracht kon worden overgelaten aan de gebruikelijke bedrijfsvoering van Acme Products. In de bovenstaande simulaties was de kans even groot dat Acme binnen zeven of veertien dagen zou reageren. Voor een planningshorizon van 28 dagen kan het risico nemen om binnen 14 dagen een antwoord te krijgen vragen om problemen zijn, dus het kan voor Tom's vooral de moeite waard zijn om Acme te betalen voor versnelde verzending. Misschien van de ene op de andere dag, maar mogelijk iets goedkoper maar toch relatief snel.

We hebben nog een paar scenario's onderzocht met behulp van simulatie. Tabel 1 toont de resultaten. Scenario's 1-4 gaan ervan uit dat er op dag 3 een verrassende extra vraag van 10 eenheden arriveert, wat aanleiding geeft tot een onmiddellijke bestelling voor extra aanvulling. De omvang en doorlooptijd van de aanvulorder varieert.

Scenario 0 laat zien dat niets doen als reactie op de verrassende vraag leidt tot een verschrikkelijk 41%-opvullingspercentage voor die maand; niet getoond is dat dit resultaat de volgende maand een aanhoudend slechte prestatie inhoudt. Reguliere operaties zullen niet goed werken. De planner moet iets doen om op de afwijkende vraag te reageren.

Als u hier iets aan wilt doen, betekent dit dat u een eenmalige noodaanvullingsbestelling moet doen. De planner moet de omvang en het tijdstip van die bestelling kiezen. Scenario's 1 en 3 tonen aanvullingen van "halve grootte". Scenario's 1 en 2 geven nachtelijke aanvullingen weer, terwijl scenario's 3 en 4 een gegarandeerde respons binnen één week weergeven.

De resultaten maken duidelijk dat onmiddellijke reactie belangrijker is dan de omvang van de aanvulorder om de opvullingsgraad te herstellen. Nachtelijke aanvulling levert opvullingspercentages op in het 70%-bereik, terwijl een aanvultijd van een week het opvullingspercentage verlaagt naar het midden-50% tot midden-60%-bereik.

AFHAALMAAL

Voorraadbeheersoftware breidt zich uit van de traditionele focus op normale operaties naar een extra focus op onregelmatige operaties (IROPS). Deze evolutie is mogelijk gemaakt door de ontwikkeling van nieuwe statistische methoden voor het genereren van vraagscenario's op dagelijks niveau.

We hebben één IROPS-situatie overwogen: de verrassende komst van een abnormaal grote vraag. Dagelijkse simulaties gaven inzicht in de timing en de omvang van een noodaanvullingsorder. De resultaten van een dergelijke analyse bieden inventarisplanners een kritische back-up door de resultaten van alternatieve interventies te schatten die hun ervaring hen suggereert.

In deze videoblog wordt een cruciaal aspect van voorraadbeheer in de schijnwerpers gezet: de analyse en interpretatie van voorraadgegevens. De focus ligt specifiek op een dataset van een openbaar vervoersbedrijf met details over reserveonderdelen voor bussen. Met meer dan 13.700 geregistreerde onderdelen bieden de gegevens een uitstekende gelegenheid om in de complexiteit van voorraadoperaties te duiken en verbeterpunten te identificeren.

Het begrijpen en aanpakken van afwijkingen in inventarisgegevens is om verschillende redenen belangrijk. Het zorgt niet alleen voor een efficiënte werking van voorraadsystemen, maar minimaliseert ook de kosten en verbetert de servicekwaliteit. Deze videoblog onderzoekt vier fundamentele regels van voorraadbeheer en laat aan de hand van praktijkgegevens zien hoe afwijkingen van deze regels onderliggende problemen kunnen signaleren. Door aspecten als artikelkosten, doorlooptijden, voorhanden en in bestelling zijnde eenheden en de parameters die het aanvulbeleid sturen te onderzoeken, biedt de video een uitgebreid overzicht van de potentiële uitdagingen en inefficiënties die op de loer liggen in voorraadgegevens. 

We benadrukken het belang van regelmatige analyse van voorraadgegevens en hoe een dergelijke analyse kan dienen als een krachtig hulpmiddel voor voorraadbeheerders, waardoor ze problemen kunnen detecteren en corrigeren voordat ze escaleren. Het vertrouwen op verouderde benaderingen kan tot onnauwkeurigheden leiden, resulterend in overtollige voorraden of onvervulde klantverwachtingen, wat op zijn beurt aanzienlijke financiële gevolgen en inefficiënties in de bedrijfsvoering kan veroorzaken.

Door een gedetailleerd onderzoek van de dataset van het openbaar vervoersbedrijf brengt de videoblog een duidelijke boodschap over: proactieve beoordeling van inventarisgegevens is essentieel voor het handhaven van een optimale voorraadoperatie, om ervoor te zorgen dat onderdelen beschikbaar zijn wanneer dat nodig is en om onnodige uitgaven te vermijden.

Door gebruik te maken van geavanceerde voorspellende analysetools zoals Smart Inventory Planning en Optimization kunt u uw voorraadgegevens onder controle houden. Smart IP&O geeft u op elk moment beslissende vraag- en voorraadinzichten in veranderende vraagpatronen voor reserveonderdelen, waardoor uw organisatie beschikt over de informatie die nodig is voor strategische besluitvorming.

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.

Spreadsheets zijn weliswaar flexibel vanwege hun oneindige aanpasbaarheid, maar zijn in wezen handmatig van aard en vereisen aanzienlijk gegevensbeheer, menselijke inbreng en toezicht. Dit vergroot het risico op fouten, van eenvoudige fouten bij het invoeren van gegevens tot complexe formulefouten, die trapsgewijze effecten veroorzaken die de voorspellingen negatief beïnvloeden. Bovendien zijn spreadsheetgebaseerde processen, ondanks de vooruitgang op het gebied van samenwerkingsfuncties die meerdere gebruikers in staat stellen om met een gemeenschappelijk blad te communiceren, vaak in silo's ondergebracht. De houder van het spreadsheet houdt de gegevens vast. Wanneer dit gebeurt, ontstaan er veel bronnen van datawaarheid. Zonder het vertrouwen van een overeengekomen, zuivere en automatisch bijgewerkte gegevensbron beschikken organisaties niet over de noodzakelijke basis waarop voorspellende modellen, prognoses en analyses kunnen worden gebouwd.

Geavanceerde planningssystemen zoals Smart IP&O zijn daarentegen ontworpen om deze beperkingen te overwinnen. Dergelijke systemen zijn gebouwd om automatisch gegevens op te nemen via API of bestanden van ERP- en EAM-systemen, die gegevens te transformeren met behulp van ingebouwde ETL-tools en grote hoeveelheden gegevens efficiënt te verwerken. Hierdoor kunnen bedrijven complexe inventarisatie- en prognosetaken met grotere nauwkeurigheid en minder handmatige inspanning beheren, omdat de gegevensverzameling, aggregatie en transformatie al zijn voltooid. De overstap naar geavanceerde planningssystemen is om verschillende redenen essentieel voor het optimaliseren van resources.

Spreadsheets hebben ook een schaalprobleem. Hoe groter het bedrijf groeit, hoe groter het aantal spreadsheets, werkmappen en formules wordt. Het resultaat is een strak verweven en rigide geheel van onderlinge afhankelijkheden die log en inefficiënt worden. Gebruikers zullen moeite hebben met het omgaan met de toegenomen belasting en complexiteit, met trage verwerkingstijden en het onvermogen om grote datasets te beheren, en zullen te maken krijgen met uitdagingen bij het samenwerken tussen teams en afdelingen.

Aan de andere kant zijn geavanceerde planningssystemen voor voorraadoptimalisatie, vraagplanning en voorraadbeheer schaalbaar, ontworpen om met het bedrijf mee te groeien en zich aan te passen aan de veranderende behoeften. Deze schaalbaarheid zorgt ervoor dat bedrijven hun voorraad en prognoses effectief kunnen blijven beheren, ongeacht de omvang of complexiteit van hun activiteiten. Door over te stappen op systemen als Smart IP&O kunnen bedrijven niet alleen de nauwkeurigheid van hun voorraadbeheer en prognoses verbeteren, maar ook een concurrentievoordeel op de markt verwerven door beter te kunnen reageren op veranderingen in de vraag en efficiënter te kunnen opereren.

Voordelen van inspringen: Een elektriciteitsbedrijf had moeite om de beschikbaarheid van serviceonderdelen op peil te houden zonder een overschot aan voorraden te creëren voor meer dan 250.000 onderdelen in een divers netwerk van energieopwekkings- en distributiefaciliteiten. Het verving hun twintig jaar oude planningsproces, dat intensief gebruik maakte van spreadsheets, met Smart IP&O en een realtime integratie met hun EAM-systeem. Vóór Smart konden ze de Min/Max- en Veiligheidsvoorraadniveaus slechts zelden wijzigen. Als ze dat deden, was dat vrijwel altijd omdat er een probleem was opgetreden dat aanleiding gaf tot de beoordeling. De methoden die werden gebruikt om de kousparameters te wijzigen, waren sterk afhankelijk van het onderbuikgevoel en de gemiddelden van het historische gebruik. Het hulpprogramma maakte gebruik van de wat-als-scenario's van Smart om digitale tweelingen van alternatief voorraadbeleid te creëren en simuleerde hoe elk scenario zou presteren op belangrijke prestatie-indicatoren zoals voorraadwaarde, serviceniveaus, opvullingspercentages en tekortkosten. De software identificeerde gerichte Min/Max-verhogingen en -verlagingen die in hun EAM-systeem werden geïmplementeerd, waardoor de aanvulling van hun reserveonderdelen optimaal werd gestimuleerd. Het resultaat: een aanzienlijke voorraadreductie van $9 miljoen, waardoor contant geld en waardevolle magazijnruimte vrijkwamen, terwijl de beoogde serviceniveaus van 99%+ behouden bleven.

Prognosenauwkeurigheid beheren: Voorspellingsfouten zijn een onvermijdelijk onderdeel van voorraadbeheer, maar de meeste bedrijven houden dit niet bij. Zoals Peter Drucker zei: “Je kunt niet verbeteren wat je niet meet.” Een mondiaal hightech productiebedrijf dat een op spreadsheets gebaseerd voorspellingsproces gebruikte, moest handmatig zijn basisvoorspellingen opstellen en de nauwkeurigheid van de prognoses rapporteren. Gezien de werkdruk en de geïsoleerde processen van de planners werkten ze hun rapporten niet vaak bij, en als ze dat wel deden, moesten de resultaten handmatig worden gedistribueerd. Het bedrijf beschikte niet over een manier om te weten hoe nauwkeurig een bepaalde voorspelling was en kon de werkelijke fouten niet met enig vertrouwen per groep of onderdeel vermelden. Ze wisten ook niet of hun voorspellingen beter presteerden dan een controlemethode. Nadat Smart IP&O live ging, automatiseerde de module Demand Planning dit voor hen. Smart Demand Planner voorspelt nu automatisch de vraag elke planningscyclus opnieuw met behulp van ML-methoden en slaat nauwkeurigheidsrapporten op voor elke Part X-locatie. Alle aanpassingen die op de prognoses worden toegepast, kunnen nu automatisch worden vergeleken met de basislijn om de toegevoegde waarde van de prognose te meten – dwz of de extra inspanning om die wijzigingen door te voeren de nauwkeurigheid heeft verbeterd. Nu de mogelijkheid bestaat om de statistische basisprognoses te automatiseren en nauwkeurigheidsrapporten te produceren, beschikt dit bedrijf over een solide basis om het voorspellingsproces en de daaruit voortvloeiende voorspellingsnauwkeurigheid te verbeteren.

Doe het goed en houd het goed:  Een andere klant in de aftermarket-onderdelensector gebruikt de prognoseoplossingen van Smart sinds 2005 – bijna 20 jaar! Ze werden geconfronteerd met uitdagingen bij het voorspellen van de vraag naar onderdelen die met tussenpozen zouden worden verkocht ter ondersteuning van hun auto-aftermarket-activiteiten. Door hun op spreadsheets gebaseerde aanpak en handmatige uploads naar SAP te vervangen door statistische prognoses van de vraag en de veiligheidsvoorraad van SmartForecasts, konden ze het aantal backorders en omzetverlies aanzienlijk terugdringen, waarbij de opvullingspercentages binnen slechts drie maanden verbeterden van 93% naar 96%. De sleutel tot hun succes was het gebruik van Smart's gepatenteerde methode voor het voorspellen van de intermitterende vraag. De “Smart-Willemain” bootstrap-methode genereerde nauwkeurige schattingen van de cumulatieve vraag gedurende de doorlooptijd, waardoor een betere zichtbaarheid van de mogelijke vraag werd verzekerd.

Prognoses koppelen aan het voorraadplan: Geavanceerde planningssystemen ondersteunen op prognoses gebaseerd voorraadbeheer, wat een proactieve aanpak is die vertrouwt op vraagprognoses en simulaties om mogelijke uitkomsten en de bijbehorende kansen te voorspellen. Deze gegevens worden gebruikt om de optimale voorraadniveaus te bepalen. Op scenario's gebaseerde of probabilistische prognoses staan in contrast met de meer reactieve aard van op spreadsheets gebaseerde methoden. Een oude klant in de stoffensector, die voorheen te maken kreeg met overvoorraden en voorraadtekorten als gevolg van de intermitterende vraag naar duizenden SKU's. Ze konden op geen enkele manier weten wat de risico's van hun stock-out waren en konden dus niet proactief het beleid aanpassen om de risico's te beperken, anders dan het maken van zeer ruwe aannames die de neiging hadden om grove overvoorraden te hebben. Ze adopteerden de software voor vraag- en voorraadplanning van Smart Software om simulaties van de vraag te genereren die de optimale minimale voorraadwaarden en bestelhoeveelheden identificeerden, waardoor de productbeschikbaarheid voor onmiddellijke verzending behouden bleef, wat de voordelen van een op prognoses gebaseerde benadering van voorraadbeheer benadrukte.

Betere samenwerking:  Het delen van prognoses met belangrijke leveranciers helpt de levering te garanderen. Kratos Space, onderdeel van Kratos Defense & Security Solutions, Inc., maakte gebruik van slimme voorspellingen om hun contractfabrikanten beter inzicht te geven in de toekomstige vraag. Ze gebruikten de prognoses om toezeggingen te doen over toekomstige aankopen, waardoor de CM de materiaalkosten en doorlooptijden voor engineered-to-order-systemen kon verlagen. Deze samenwerking laat zien hoe geavanceerde voorspellingstechnieken kunnen leiden tot aanzienlijke samenwerking in de supply chain die voor beide partijen efficiëntie en kostenbesparingen oplevert.

​