Dezelfde benadering kan een interessantere willekeurige variabele beschrijven, zoals de dagelijkse vraag naar een reserveonderdeel. Figuur 2 toont een dergelijke kansverdeling. Het werd berekend door drie jaar dagelijkse vraaggegevens te verzamelen over een bepaald onderdeel dat wordt gebruikt in een wetenschappelijk instrument dat aan ziekenhuizen wordt verkocht.

Figuur 1: De kansverdeling van de dagelijkse vraag naar een bepaald reserveonderdeel

De verdeling in figuur 1 kan worden gezien als een probabilistische voorspelling van de vraag op één dag. Voor dit specifieke onderdeel zien we dat de voorspelling zeer waarschijnlijk nul zal zijn (97% kans), maar soms voor een handvol eenheden, en eens in de drie jaar twintig eenheden. Hoewel de meest waarschijnlijke voorspelling nul is, zou je er een paar bij de hand willen houden als dit onderdeel van cruciaal belang zou zijn ("... bij gebrek aan een spijker ...")

Laten we deze informatie nu gebruiken om een meer gecompliceerde probabilistische voorspelling te maken. Stel dat je drie eenheden bij de hand hebt. Hoeveel dagen duurt het voordat je er geen hebt? Er zijn veel mogelijke antwoorden, variërend van een enkele dag (als u onmiddellijk een vraag krijgt voor drie of meer) tot een zeer groot aantal (aangezien 97% dagen geen vraag ziet). De analyse van deze vraag is een beetje ingewikkeld vanwege de vele manieren waarop deze situatie zich kan voordoen, maar het uiteindelijke antwoord dat het meest informatief is, is een kansverdeling. Het blijkt dat het aantal dagen totdat er geen eenheden meer in voorraad zijn de verdeling heeft zoals weergegeven in figuur 2.

Figuur 2: Verdeling van het aantal dagen totdat alle drie de units op zijn

Het gemiddelde aantal dagen is 74, wat een puntvoorspelling zou zijn, maar er is veel variatie rond het gemiddelde. Vanuit het perspectief van voorraadbeheer valt op dat er een kans van 25% is dat alle units na 32 dagen op zijn. Dus als u besluit om meer te bestellen terwijl er nog maar drie in het schap liggen, zou het goed zijn als de leverancier ze u bezorgt voordat er een maand is verstreken. Als ze dat niet konden, zou je een kans van 75% hebben om de voorraad op te slaan - niet goed voor een cruciaal onderdeel.

De analyse achter figuur 2 omvatte het maken van enkele aannames die handig waren, maar niet nodig als ze niet waar waren. De resultaten kwamen van een methode genaamd "Monte Carlo-simulatie", waarin we beginnen met drie eenheden, een willekeurige vraag kiezen uit de verdeling in figuur 1, deze aftrekken van de huidige voorraad en doorgaan totdat de voorraad op is, waarbij wordt geregistreerd hoeveel dagen gingen voorbij voordat je op was. Herhaling van dit proces 100.000 keer geproduceerd Figuur 2.

Toepassingen van Monte Carlo-simulatie strekken zich uit tot problemen met een nog grotere reikwijdte dan het bovenstaande voorbeeld "wanneer zijn we op". Vooral belangrijk zijn Monte Carlo-voorspellingen van de toekomstige vraag. Hoewel het gebruikelijke voorspellingsresultaat een reeks puntvoorspellingen is (bijvoorbeeld de verwachte vraag per eenheid in de komende twaalf maanden), weten we dat er een aantal manieren zijn waarop de werkelijke vraag zich zou kunnen voordoen. Simulatie zou kunnen worden gebruikt om bijvoorbeeld duizend mogelijke sets van 365 dagelijkse vraagbehoeften te produceren.

Deze reeks vraagscenario's zou het scala aan mogelijke situaties waarmee een voorraadsysteem het hoofd zou moeten bieden, vollediger blootleggen. Dit gebruik van simulatie wordt "stresstesten" genoemd, omdat het een systeem blootstelt aan een reeks gevarieerde maar realistische scenario's, waaronder enkele vervelende. Die scenario's worden vervolgens ingevoerd in wiskundige modellen van het systeem om te zien hoe goed het zal omgaan, zoals weerspiegeld in key performance indicators (KPI's). Hoeveel stockouts zijn er bijvoorbeeld in die duizend gesimuleerde jaren van werking in het slechtste jaar? het gemiddelde jaar? het beste jaar? Wat is in feite de volledige kansverdeling van het aantal stockouts in een jaar, en wat is de verdeling van hun omvang?

Figuren 3 en 4 illustreren probabilistische modellering van een voorraadbeheersysteem dat stockouts omzet in backorders. Het gesimuleerde systeem gebruikt een Min/Max-regelbeleid met Min = 10 eenheden en Max = 20 eenheden.

Figuur 3 toont een gesimuleerd jaar van dagelijkse operaties in vier plots. De eerste grafiek toont een bepaald patroon van willekeurige dagelijkse vraag waarin de gemiddelde vraag gestaag toeneemt van maandag tot vrijdag, maar in het weekend verdwijnt. De tweede grafiek toont het aantal eenheden dat elke dag voorhanden is. Merk op dat er tijdens dit gesimuleerde jaar een tiental keren is dat de voorraad negatief wordt, wat wijst op stockouts. De derde grafiek toont de omvang en timing van aanvullingsorders. De vierde grafiek toont de omvang en timing van backorders. De informatie in deze plots kan worden vertaald in schattingen van voorraadinvesteringen, gemiddelde eenheden voorhanden, houdkosten, bestelkosten en tekortkosten.

Figuur 3: Een gesimuleerd jaar van werking van het voorraadsysteem

Figuur 3 toont één van duizend gesimuleerde jaren. Elk jaar zal verschillende dagelijkse eisen hebben, wat resulteert in verschillende waarden van statistieken, zoals beschikbare eenheden en de verschillende componenten van de bedrijfskosten. Figuur 4 geeft de verdeling weer van 1.000 gesimuleerde waarden van vier KPI's. Door 1000 jaar ingebeelde werking te simuleren, wordt het bereik van mogelijke resultaten blootgelegd, zodat planners niet alleen rekening kunnen houden met gemiddelde resultaten, maar ook de best-case en worst-case-waarden kunnen zien.

Figuur 4: Verdelingen van vier KPI's op basis van 1.000 simulaties

Monte Carlo-simulatie is een benadering met weinig wiskunde en hoge resultaten voor probabilistische prognoses: zeer praktisch en gemakkelijk uit te leggen. Geavanceerde probabilistische voorspellingsmethoden die door Smart Software worden gebruikt, breiden uit op de standaard Monte Carlo-simulatie en leveren uiterst nauwkeurige schattingen van de vereiste voorraadniveaus op.

Prognosefout kan gevolgen hebben

Overweeg één item uit vele

• Product X kost $100 om te maken en levert $50 winst op per eenheid.
• De verkoop van Product X zal de komende 12 maanden 1.000 per maand blijken te zijn.
• Overweeg één item uit vele

Wat zijn de kosten van een prognosefout?

• Als de voorspelling 10% hoog is, sluit het jaar dan af met $120.000 overtollige voorraad.
• 100 extra/maand x 12 maanden x $100/eenheid
• Als de voorspelling 10% laag is, mis dan $60.000 winst.
• 100 te weinig/maand x 12 maanden x $50/eenheid

Drie fouten om te vermijden

1. Fout negeren.

• Onprofessioneel, plichtsverzuim.
• Wensen zal het niet zo maken.
• Behandel nauwkeurigheidsbeoordeling als datawetenschap, niet als een verwijt.

2. Meer fouten tolereren dan nodig is.

• Statistische prognosemethoden kunnen de nauwkeurigheid op schaal verbeteren.
• Het verbeteren van gegevensinvoer kan helpen.
• Het verzamelen en analyseren van prognosefoutstatistieken kan zwakke plekken identificeren.

3. Tijd en geld verspillen die te ver gaat om fouten te elimineren.

• Sommige product/marktcombinaties zijn inherent moeilijker te voorspellen. Na een punt, laat ze zijn (maar wees alert op nieuwe gespecialiseerde voorspellingsmethoden).
• Soms kunnen stappen die bedoeld zijn om fouten te verminderen averechts werken (bijv. aanpassing).

RECENTE BERICHTEN