We stuiten regelmatig op verwarring over het proces van het instellen van veiligheidsvoorraden. Deze blog hoopt duidelijkheid te scheppen over het probleem.

Veiligheidsvoorraad is een cruciaal onderdeel in elk systeem van voorraadbeheer. Inderdaad, sommigen inventaris software behandelt veiligheidsvoorraad als de belangrijkste beslissingsvariabele in de zoektocht om de voorraadkosten af te wegen tegen de beschikbaarheid van artikelen. Helaas is die aanpak niet de beste manier om de balans te vinden.

Realiseer u eerst dat veiligheidsvoorraad deel uitmaakt van een algemene vergelijking:

Voorraaddoel = gemiddelde doorlooptijdvraag + veiligheidsvoorraad.

De gemiddelde doorlooptijdvraag wordt gedefinieerd als de gemiddelde gevraagde eenheden vermenigvuldigd met de gemiddelde doorlooptijd voor aanvulling. Voorbeeld: Als de dagelijkse vraag gemiddeld 2 eenheden bedraagt en de gemiddelde doorlooptijd 7 dagen is, dan is de gemiddelde doorlooptijdvraag 2 x 7= 14 eenheden. Het is voldoende om 14 eenheden bij de hand te houden om aan de typische vraag te voldoen.

Maar we weten allemaal dat de vraag willekeurig is, dus voldoende voorraad aanhouden om de gemiddelde doorlooptijdvraag te dekken, nodigt uit tot stockouts. Zoals we graag zeggen, "Het gemiddelde is niet het antwoord." Het slimme antwoord is om wat toe te voegen Safety stock om willekeurige pieken in de vraag op te vangen. Maar hoeveel?

Daar zit het probleem. Als je een getal voor de veiligheidsvoorraad probeert te raden, bevind je je op glad ijs. Hoe weet je wat het "juiste" nummer is? Je denkt misschien dat je je daar geen zorgen over hoeft te maken omdat je nu een goed genoeg antwoord hebt, maar dat antwoord heeft een houdbaarheidsdatum. Doorlooptijden veranderen. Dat geldt ook voor vraagpatronen. Dat geldt ook voor de prioriteiten van het bedrijf. Dat betekent dat het goede antwoord van vandaag de blunder van morgen kan worden.

Sommige bedrijven proberen het te omzeilen met een ruwe olie vuistregel aanpak. Ze kunnen bijvoorbeeld iets zeggen als "Veiligheidsvoorraad instellen op twee weken extra gemiddelde vraag." Deze benadering is verleidelijk: er is alleen eenvoudige wiskunde voor nodig en het is duidelijk. Maar om de redenen die in de vorige paragraaf zijn genoemd, is het dwaas. Liever een goed antwoord dan een handig antwoord.

Je hebt een principiële, objectieve manier nodig om de vraag te beantwoorden die rekening houdt met de wiskunde van willekeur. Meer dan dat, je hebt een antwoord nodig dat gekoppeld is aan de key performance indicators (KPI's) van het systeem: voorraadkosten en artikelbeschikbaarheid.

Simpele logica geeft je een idee van het antwoord, maar het geeft niet het aantal dat je nodig hebt. U weet dat een grotere veiligheidsvoorraad zowel de kosten als de beschikbaarheid verhoogt, terwijl een kleinere veiligheidsvoorraad beide verlaagt. Maar zonder te weten hoeveel die statistieken zullen veranderen als u de veiligheidsvoorraad verandert, kunt u de beslissing over de veiligheidsvoorraad niet afstemmen op de intentie van het management om de balans te vinden tussen kosten en beschikbaarheid.

In plaats van blind te vliegen, kunt u teruggaan naar de keuze van veiligheidsvoorraad door eerst de juiste keuze voor voorraaddoel te vinden. Als je dat eenmaal hebt gedaan, springt de veiligheidsvoorraad tevoorschijn door een simpele aftrekking:

 Veiligheidsvoorraad = voorraaddoel - gemiddelde doorlooptijdvraag.

Vaak zullen bedrijven aangeven dat ze geen veiligheidsvoorraad hebben omdat het veld voor de veiligheidsvoorraad in hun ERP-systeem leeg is. Bijna altijd wordt een veiligheidsvoorraad ingebouwd in het beoogde voorraadniveau dat ze hebben vastgesteld. Het is dus heel nuttig om de bovenstaande formule te gebruiken om "terug te halen" hoeveel veiligheidsvoorraad u in het plan aan het inbouwen bent. De sleutel is niet alleen om te weten hoeveel veiligheidsvoorraad u bij u heeft, maar ook om de link tussen uw voorraaddoel, veiligheidsvoorraden en de bijbehorende KPI's.

Stel bijvoorbeeld dat u slechts een kans van 5% kunt tolereren dat uw voorraad wordt aangevuld terwijl u wacht op aanvulling (voorraadteksten noemen dit interval de 'risicoperiode'). Software kan de vraaggeschiedenis van elk item onderzoeken en de kansen op voorraad berekenen op basis van de duizenden verschillende vraagscenario's die kunnen optreden tijdens de doorlooptijd. Dan is het juiste antwoord voor het voorraaddoel de keuze die leidt tot niet meer dan een voorraadrisico van 5%. Gegeven dat doel en de gemiddelde doorlooptijd kennende, valt de juiste waarde van de veiligheidsvoorraad er direct uit door af te trekken. Ook maak je kennis met de gemiddelde houd-, bestel- en tekortkosten.

Dat is wat we bedoelen met "terug in de veiligheidsvoorraad". Begin met de bedrijfsdoelstellingen, bepaal het juiste voorraaddoel en leid als laatste stap de veiligheidsvoorraad af. Begin niet met een gok over veiligheidsvoorraad en hoop op het beste.

Deel, ontwikkel en beheer consensusvraagplannen om ervoor te zorgen dat het voorraadbeleid overeenkomt met de bedrijfsstrategie.

Smart Inventory Optimization (SIO) creëert planningsscenario's. SIO begint met een “Live” scenario dat laat zien waar je nu staat. Verschillende teamleden kunnen hun eigen scenario's maken, misschien door het werk te verdelen per productlijn of verkoopgebied. Een beslisser kan deze scenario's vervolgens samenvoegen tot een consensusplan dat het 'Doel'-scenario wordt, dat de bevoorradingsplanning van het ERP-systeem aanstuurt.

​Terwijl de wereld zijn adem inhoudt om te zien hoe het nieuwe coronavirus (2019-nCOV) zich zal ontwikkelen, kruisen we onze vingers voor al diegenen die momenteel in quarantaine of onder behandeling zijn en bidden dat gezondheidsautoriteiten over de hele wereld binnenkort de overhand zullen krijgen .

Deze korte opmerking gaat over een manier waarop uw bedrijf een plan kan ontwikkelen om zich aan te passen aan een van de mogelijke gevolgen van het virus: plotselinge toename van de tijd die nodig is om voorraadaanvulling van leveranciers te krijgen. Toeleveringsketens over de hele wereld worden verstoord. Als dit jou overkomt, hoe kun je dan systematisch reageren?

Reageren op langere doorlooptijden

Dit is een probleem dat kan worden opgelost met behulp van geavanceerde supply chain-analyses. Waarschijnlijk hebt u deze technologie al gebruikt om goede keuzes te maken voor de controleparameters die worden gebruikt bij het beheer van al uw voorraaditems, bijvoorbeeld waarden voor Min en Max of bestelpunt en bestelhoeveelheid. De specifieke technische vraag die hier aan de orde komt, is hoe een toename van de doorlooptijd van aanvullingen kan worden omgezet in veranderingen in die controleparameters.

Over het algemeen vereisen langere doorlooptijden dikkere voorraden als u een hoog niveau van klantenservice wilt behouden. Deze algemene regel vertaalt zich in grotere waarden van Min en/of Max. Hoeveel groter hangt kritisch af van welke nieuwe, langere doorlooptijdwaarden zullen verschijnen en hun waarschijnlijkheid van voorkomen.

Hoewel veel planningssoftwaresystemen uitgaan van een vaste doorlooptijd, is de realiteit dat bijna alle doorlooptijden een zekere mate van willekeur hebben. Door te negeren dat willekeur het risico op stockout vergroot, is het belangrijk om een goede schatting te hebben van de waarschijnlijkheidsverdeling van doorlooptijden. In normale tijden kunnen uw transactiegegevens worden gebruikt om die relatie in te schatten. Maar plotselinge verstoringen zoals 2019-nCOV creëren ongekende situaties waarin u weloverwogen moet raden welke nieuwe vertragingen u zult zien en hoe waarschijnlijk die zijn. We gaan er hier van uit dat u zich een aantal van dergelijke scenario's kunt voorstellen en wilt uitzoeken hoe u er het beste op kunt reageren.

Een voorbeeld met behulp van geavanceerde software

Overweeg een hypothetisch voorbeeld om dit soort prospectieve planning te illustreren. Eén item, een reserveonderdeel, heeft een vast patroon van doorlooptijden voor aanvulling, met vertragingen van 5, 10 en 15 dagen met respectievelijk 15%-, 70%- en 15%-kansen. Gezien deze verdeling en een willekeurige vraag van gemiddeld één eenheid per 5 dagen, doen waarden van Min = 5 en Max = 10 het goed. Figuur 1 toont een simulatie van 10 jaar dagelijks gebruik onder dit scenario. Het opvullingspercentage en het serviceniveau zijn hoog, en stockouts komen niet vaak voor.

Stel nu dat verstoringen in de supply chain zorgen voor een minder gunstige verdeling van de doorlooptijd, met een 50:50 mix van 15 en 30 dagen. Figuur 2 laat zien hoe slecht de huidige waarden van Min en Max presteren in dit nieuwe scenario. Het vulpercentage en het serviceniveau kelderen als gevolg van frequente stockouts. Bedrijfskosten meer dan verdrievoudigd door boetes voor backorders. Alleen voorraadinvesteringen (de gemiddelde dollarwaarde van de voorraad in het schap) lijken beter te worden, maar dit gebeurt alleen omdat er zo vaak backorders zijn met niets meer op het schap. De verschuiving naar langere doorlooptijden vraagt duidelijk om nieuwe hogere waarden van Min en Max.

Afbeelding 3 laat zien hoe het systeem presteert wanneer de Min wordt verhoogd van 5 naar 10 en de Max van 10 naar 15. Deze wijziging compenseert de langere doorlooptijden en herstelt de eerdere hoge niveaus van opvullingspercentage en serviceniveau. Voorraadinvesteringen zijn noodzakelijkerwijs groter, maar de bedrijfskosten zijn in feite lager dan voorheen.

Overzicht

Veranderingen in de normale bedrijfsomstandigheden vereisen aanpassingen in de manier waarop voorraaditems worden beheerd. Een van die grote veranderingen die op deze datum opdoemt, is de potentiële impact van het 2019-nCOV Corona-virus op de toeleveringsketens, met verwachte langere bevoorradingstijden.

Wijzigingen in doorlooptijden vereisen wijzigingen in voorraadbeheerparameters zoals min's en max's. Deze wijzigingen zijn moeilijk met enig vertrouwen door te voeren met puur giswerk. Maar met enige inschatting van de toename van doorlooptijden, kunt u geavanceerde software gebruiken om met enig vertrouwen te leren hoe u deze aanpassingen kunt maken.

Deze notitie illustreert dit punt aan de hand van simulaties van de dagelijkse werking van een voorraadbeheersysteem.

Figuur 1 Simulatie van normale operaties met behulp van huidige bevoorradingsdoorlooptijden, Min en Max

Figuur 2 Simulatie van abnormale operaties met langere doorlooptijden en huidige Min en Max

Figuur 3 Simulatie van abnormale operaties met langere doorlooptijden en herziene Min en Max

In een vorige postbesprak ik een van de neteligere problemen waarmee vraagplanners soms worden geconfronteerd: het werken met gegevens over productvraag die worden gekenmerkt door wat statistici scheefheid noemen - een situatie die kostbare voorraadinvesteringen kan vergen. Dit soort problematische gegevens is te vinden in verschillende scenario's. In ten minste één geval, de combinatie van intermitterende vraag en zeer effectieve verkoopacties, leent het probleem zich voor een effectieve oplossing.

Als u de termen herziet, bedenk dan dat "serviceniveau" de waarschijnlijkheid is van het niet bevoorraden terwijl u wacht op een aanvullingsorder, terwijl "vulpercentage" het percentage van de vraag is waaraan onmiddellijk uit voorraad wordt voldaan. In mijn vorige bericht, "The Scourge of Skewness", heb ik erop gewezen dat een bepaald type vraagverdeling, met een "long right tail", zal leiden tot opvullingspercentages die veel lager kunnen zijn dan de serviceniveaus. Ik heb er ook op gewezen dat soms de enige manier om het opvullingspercentage te verbeteren, is om het beoogde serviceniveau te verhogen tot een ongewoon hoog niveau, wat duur kan zijn.

In dit bericht zal ik kijken naar het oplossen van het probleem in één speciaal geval: scheefheid als gevolg van effectieve verkooppromoties vermengd met "intermitterende vraag". Intermitterende vraag heeft een groot deel van nulwaarden, met willekeurige waarden die niet gelijk zijn aan nul. Succesvolle verkooppromoties, uiteraard positief, hebben een keerzijde: ze kunnen het "vraagsignaal" verwarren met pieken in uw vraaggeschiedenis, en kunnen prognoses en vertekening van veiligheidsvoorraadberekeningen ondermijnen. Wanneer een intermitterende vraag en effectieve verkoopacties de oorzaak zijn van de scheefheid van uw gegevens, bestaan er methoden om het probleem te omzeilen om zowel hogere opvullingspercentages als nauwkeurigere vraagprognoses te bereiken.

Hoe promoties scheefheid vergroten

Succesvolle promoties doen de vraag naar artikelen abrupt stijgen. Dit creëert anomalieën, of "uitschieters", die bijdragen aan het vormen van een scheve verdeling. Als we weten wanneer er in het verleden promoties hebben plaatsgevonden, kunnen we het record van de eerdere vraag van een item aanpassen. We produceren een alternatieve vraaggeschiedenis alsof er geen promoties zijn geweest, door de uitschieters te vervangen door waarden die meer representatief zijn voor het "natuurlijke" vraagniveau. Deze aanpassingen verminderen de scheefheid van de vraag. Verminderde scheefheid kan leiden tot aanzienlijke verlagingen van zowel verwachte prognoses als veiligheidsvoorraden, die bij elkaar optellen om bestelpunten te vormen.

Succesvolle promoties zullen waarschijnlijk worden herhaald. Wanneer dat gebeurt, kunnen de promotie-effecten worden toegevoegd aan vraagprognoses om hun nauwkeurigheid te vergroten. Het effect van toekomstige promoties op voorraadbeheer zal zijn dat het risico van stockouts toeneemt, dus een verstandige reactie is om op operationeel niveau te werken aan het opbouwen van tijdelijke voorraad, in een hoeveelheid die is afgestemd op de geschatte impact van eerdere promoties op de betrokken artikelen.

Gebeurtenismodellering gebruiken om vraagprognoses te verbeteren

Het is mogelijk om de impact van soortgelijke evenementen te modelleren en dit toe te passen op geplande evenementen in de toekomst. Als u dit doet, kunt u uw prognose op twee manieren verbeteren: door de vraagschok te projecteren die u verwacht van een gepland evenement; en het rationaliseren van de pieken in het verleden die werden veroorzaakt door gebeurtenissen, waardoor uw basisactiviteit zichtbaarder en nauwkeuriger voorspelbaar wordt. We doen dit veel in SmartForecasts, dus sta me toe onze ervaring daar te gebruiken om u te laten zien wat ik bedoel.

Event Modeling omvat de volgende stappen:
• Automatische inschatting van de impact van eerdere promoties (wat op zich al een nuttig resultaat is).
• Historische vraag aanpassen om het effect van promoties statistisch te verwijderen.
• Promotie-vrije prognoses maken.
• Het herzien van de prognoses voor eventuele toekomstige perioden waarin promoties zijn gepland.

We noemen dit type analyse “Promo forecasting”. We gebruiken het woord "promoties" om te beschrijven wat u zelf doet om uw resultaten te verbeteren. We gebruiken 'gebeurtenissen' om te beschrijven wat de wereld met u doet, meestal in uw nadeel; voorbeelden zijn stakingen, stroomuitval, magazijnbranden en andere ongelukkige gebeurtenissen.

Om te begrijpen hoe Event Modeling u kan helpen om te gaan met scheefheid bij het doen van vraagprognoses voor artikelen met een hoog volume, bekijkt u figuren 1-3.

Figuur 1 laat zien dat het vraagpatroon van dit artikel duidelijk seizoensgebonden is en dat de voorspelling zowel seizoensgebonden als "strak" is, wat betekent dat het voorspelde onzekerheidsinterval ("foutmarge", weergegeven in cyaankleurige lijnen) erg smal is.

Afbeelding 2 toont een alternatieve geschiedenis waarin een promotie in juni 2014 het gebruikelijke seizoensdieptepunt van juni-verkopen omkeerde. Dit vraagpatroon werd voorspeld met behulp van het automatische voorspellingstoernooi in SmartForecasts, zoals in afbeelding 1. Deze keer vervormde de promotie het seizoenspatroon voldoende om een ongepaste niet-seizoensgebonden voorspelling te maken, en een die een veel grotere foutmarge heeft.

Ten slotte laat afbeelding 3 zien hoe Promo-prognoses omgaan met hetzelfde gepromote scenario, een seizoensprognose behouden en in de prognose een schatting inbouwen van het effect van een geplande herhalingspromotie in 2015.

Het geval van intermitterende vraag

In afbeelding 1 was het artikel een gereed product met een hoog volume en was de taak vraagprognose. Promomodellering is ook nuttig wanneer het gaat om het instellen van veiligheidsvoorraden en bestelpunten voor artikelen met intermitterende vraag, of het nu gaat om gereed product, componenten of reserveonderdelen. Intermitterende vraag heeft vaak een scheve verdeling die het moeilijk maakt om een hoge artikelbeschikbaarheid te bereiken met een kleine investering in voorraad.

Afbeelding 4 illustreert het probleem dat een succesvolle promotie per ongeluk kan veroorzaken voor voorraadbeheer. Als zo'n piek het gevolg is van de natuurlijke, niet-gestimuleerde vraag, dan is de enige manier om hoge opvullingspercentages te behouden, om veiligheidsvoorraden aan te leggen die groot genoeg zijn om deze willekeurige pieken op te vangen. In dit geval was de grote vraagpiek van 500 stuks in februari 2013 het resultaat van een eenmalige actie.

Rekening houden met promoties om voorraadbeheer te verbeteren

Als u de piek in het bovenstaande voorbeeld onbewust beschouwt als onderdeel van de natuurlijke variabiliteit in de vraag, resulteert dit in een slecht opvullingspercentage. Om een beoogd serviceniveau van bijvoorbeeld 95% met een doorlooptijd van één maand te bereiken, zou een bestelpunt van 38 eenheden nodig zijn, berekend als de som van een verwachte prognose over de aanvultijd van één maand van 21 eenheden aangevuld met een veiligheidsvoorraad van 17 eenheden. Deze investering zou resulteren in een teleurstellend opvullingspercentage van slechts 36%.

Erkennen dat de piek een eenmalige promotie is en de 500 eenheden vervangen door 0 zou natuurlijk een groot verschil maken. Het bestelpunt zou dalen van 38 eenheden naar 31 (de som van een verwachte vraag van 7 eenheden en een veiligheidsvoorraad van 24 eenheden) en het opvullingspercentage zou toenemen tot 94%.

Het is natuurlijk niet oké om vervelende pieken in de vraag gewoon weg te gooien wanneer ze het leven ongemakkelijk maken; er moet een valide 'business story' achter de aanpassing van de historische vraag zitten. Als de piek het gevolg is van een gegevensverwerkingsfout, repareer deze dan in ieder geval. Als de piek samenvalt met een promotie, zal het vervangen van de piek door bijvoorbeeld de mediane vraag (vaak nul, zoals in dit voorbeeld) resulteren in een veel duurzamere voorraadinvestering die nog steeds voldoet aan agressieve prestatiedoelstellingen. Toekomstige promoties van hetzelfde type op hetzelfde artikel zullen wat extra inspanning vergen om zich voor te bereiden op de tijdelijke stijging van de vraag, maar het aanbevolen bestelpunt zal op de lange termijn correct zijn.

Thomas Willemain, PhD, was medeoprichter van Smart Software en is momenteel Senior Vice President for Research. Dr. Willemain is ook emeritus hoogleraar Industrial and Systems Engineering aan het Rensselear Polytechnic Institute en als lid van de onderzoeksstaf van het Centre for Computing Sciences, Institute for Defence Analyses.

Verbeter de forecasting nauwkeurigheid, elimineer overtollige voorraad en maximaliseer service levels

In deze video vertelt Dr. Thomas Willemain, mede-oprichter en SVP Research, over op prognoses gebaseerd voorraadbeheerbeleid, ook wel bekend als MRP-logica. Dit is de vierde in onze serie over belangrijke benaderingen voor voorraadbeheer. We beginnen met het bekijken van enkele zeer eenvoudige en vervolgens robuustere modellen van voorraaddynamiek die ons helpen bepalen hoeveel we moeten bestellen of produceren en wanneer. Vervolgens bekijken we hoe we de doorlooptijd kunnen berekenen en hoe we rekening kunnen houden met de doorlooptijdvariabiliteit. Tom besluit met een beschrijving van het belang van veiligheidsvoorraad, de rol ervan bij het goed bufferen tegen vraag- en aanbodonzekerheid, en hoe deze het beste kan worden berekend.