Als u een nieuwe professional bent op het gebied van vraagplanning en voorraadbeheer, staat u voor een zeer steile leercurve. Er zijn veel bewegende delen in het systeem dat u beheert, en veel van de beweging is willekeurig. Misschien vindt u het nuttig om even afstand te nemen van de dagelijkse gang van zaken en na te denken over wat er nodig is om een succesvolle demand planner te zijn. Hier zijn zes tips voor nieuwe vraagplanners die u misschien handig vindt; ze zijn het resultaat van meer dan vijfendertig jaar werken met enkele zeer slimme beoefenaars.

1. Weet wat winnen betekent.

Voorraadbeheer en vraagplanning is geen zacht gebied waar succes in vage taal kan worden beschreven. Succes hier is een getallenspel. Er zijn een aantal belangrijke prestatie-indicatoren (KPI's) voor u beschikbaar, waaronder serviceniveau, opvullingspercentage, voorraadrotatie, voorraadinvestering en voorraadbedrijfskosten. Bedrijven verschillen in het belang dat ze aan elke statistiek toekennen, maar je kunt niet winnen zonder enkele of al deze te gebruiken om de score bij te houden.

Maar "winnen" is niet zo eenvoudig als het behalen van de best mogelijke score op elke statistiek. De metrische waarden die het belangrijkst zijn, verschillen per bedrijf. Uw bedrijf kan klantenservice voorrang geven boven kostenbeheersing, of vice versa, en volgend jaar kan het reden hebben om die voorkeur om te draaien.

Bovendien zijn er verbanden tussen KPI's waardoor u ze tegelijkertijd moet beschouwen in plaats van als een verzameling onafhankelijke scores. Het verbeteren van het serviceniveau zal bijvoorbeeld meestal ook het opvullingspercentage verbeteren, wat goed is, maar het zal meestal ook de bedrijfskosten verhogen, wat niet goed is.

Deze koppelingen drukken zichzelf uit als afwegingen. En hoewel de KPI's zelf cijfers zijn, vereist het beheer van de bundel KPI's enige wijze subjectiviteit, want wat nodig is, is een redelijk evenwicht tussen concurrerende krachten. De fundamentele afweging is om de kosten van het hebben van inventaris af te wegen tegen de waarde van het beschikbaar hebben van de inventaris voor degenen die het nodig hebben.

Als u een relatief junior vraagplanner bent, kunnen deze afwegingen hoger in de organisatie worden gemaakt, maar zelfs dan kunt u een nuttige rol spelen door ervoor te zorgen dat de afwegingen worden blootgelegd en gewaardeerd. Dit betekent blootgesteld op kwantitatief niveau, bijvoorbeeld: "We kunnen het serviceniveau verhogen van 85% naar 90%, maar daarvoor is $100K meer voorraad in het magazijn nodig." Dit soort specifieke kwantitatieve kennis kan worden geleverd door geavanceerde supply chain-analyses.

2. Score bijhouden.

We zijn allemaal een beetje huiverig om gemeten te worden, maar zelfverzekerde professionals staan erop om de score bij te houden. Verlichte supervisors begrijpen dat externe krachten de prestaties van uw systeem kunnen beïnvloeden (bijvoorbeeld een belangrijke leverancier verdwijnt), en dat helpt altijd. Maar of je nu wel of niet een goede bovendekking hebt, je kunt geen succes aantonen en ook niet reageren op problemen zonder die KPI's te meten.

Het bijhouden van de score is belangrijk, maar dat geldt ook voor het begrijpen van wat de score beïnvloedt. Stel dat uw Service Level is gedaald ten opzichte van de waarde van vorige maand. Is dat gewoon de gebruikelijke fluctuatie van maand tot maand of is het iets ongewoons? Als het problematisch is, moet u het probleem diagnosticeren. Vaak zijn er meerdere mogelijke verdachten. Het serviceniveau kan bijvoorbeeld dalen omdat de verkoop- en marketingmensen iets geweldigs hebben gedaan en de vraag is gestegen, of omdat een leverancier iets niet zo geweldig heeft gedaan en de doorlooptijd voor aanvulling is getankt. Software kan u helpen deze belangrijke inputs te volgen om uw speurwerk te helpen, en supply chain-analyses kunnen de impact van veranderingen in deze inputs inschatten en u wijzen op compenserende reacties.

3. Zorg ervoor dat uw beslissingen op feiten zijn gebaseerd.

Software kan u naar goede beslissingen leiden, maar alleen als u het toestaat. Inputs zoals bewaarkosten, bestelkosten en tekortkosten moeten goed worden ingeschat om een nauwkeurige beoordeling van afwegingen te krijgen. Vooral belangrijk is zoiets ogenschijnlijk eenvoudigs als het gebruik van correcte waarden voor de artikelvraag, aangezien het modelleren van de vraag het startpunt is voor het simuleren van de resultaten van elk voorgesteld voorraadsysteemontwerp. Als we bereid zijn de betekenis van 'feit' een beetje uit te breiden tot de resultaten van systeemsimulaties, zou je je niet moeten committeren aan grote veranderingen zonder betrouwbare voorspellingen te hebben over wat er zal gebeuren als je je aan die veranderingen vastlegt.

4. Realiseer je dat het antwoord van gisteren misschien niet het antwoord van vandaag is.

Toeleveringsketens zijn verzamelingen van onderdelen, die allemaal in de loop van de tijd kunnen veranderen. Vraag die een stijgende trend vertoont, kan een neerwaartse trend beginnen. De doorlooptijden voor aanvulling kunnen afnemen. De bestelminima van leveranciers kunnen toenemen. Componentprijzen kunnen stijgen als gevolg van tarieven. Dergelijke factoren betekenen dat de feiten die u gisteren verzamelde vandaag achterhaald kunnen zijn, waardoor de beslissingen van gisteren ongeschikt zijn voor de problemen van vandaag. Waakzaamheid. Bekijk een eerder artikel detaillering van de nadelige financiële gevolgen van onregelmatige updates van planningsparameters.

5. Geef elk item zijn recht.

Als u verantwoordelijk bent voor het voorspellen van honderden of duizenden voorraaditems, zult u in de verleiding komen om uw leven te vereenvoudigen door een "one size fits all"-benadering te hanteren. Niet doen. SKU's zijn niet precies zoals sneeuwvlokken, maar enige differentiatie is vereist om je werk goed te doen. Het is een goed idee om groepen items te vormen op basis van enkele opvallende kenmerken. Sommige items zijn kritiek en moeten (bijna) altijd beschikbaar zijn; anderen kunnen een redelijk risico lopen om nabesteld te worden. Sommige items zijn behoorlijk onvoorspelbaar omdat ze "intermitterend" zijn (dwz veel nulwaarden hebben met willekeurige waarden die niet gelijk zijn aan nul); andere hebben een hoog volume en zijn redelijk voorspelbaar. Sommige items kunnen worden beheerd met relatief goedkope inventarisatiemethoden die elke maand worden bijgesteld; sommige items hebben methoden nodig die de beschikbare voorraad continu bewaken en aanpassen. Sommige items, zoals contractuele aankopen, kunnen zo voorspelbaar zijn dat u ze kunt behandelen als "geplande vraag" en ze uit de rest kunt halen.

Als u eenmaal verstandige artikelgroepen heeft gevormd, moet u nog steeds beslissingen nemen over elk artikel in elke groep, zoals het bepalen van hun vraagprognoses, bestelpunten en bestelhoeveelheden. Hier kan geavanceerde software voor vraagplanning het overnemen en automatisch berekenen beste keuzes op basis van wat winnen betekent in de context van die groep.  

6. Zorg dat iedereen op dezelfde lijn zit.

Georganiseerd zijn is niet alleen prettig, het is ook efficiënt. Als u een systeem heeft voor vraagplanning en voorraadbeheer, deelt iedereen in uw team dezelfde doelstellingen en volgt dezelfde processen. Als je geen systeem hebt, dan heeft elke demand planner zijn of haar eigen manier van denken over het probleem en het nemen van beslissingen. Sommige daarvan zullen ongetwijfeld beter zijn dan andere. Het is wenselijk om de best practices te standaardiseren en de rest te verbieden. Behalve dat het efficiënter is, maakt het hebben van een gestandaardiseerd proces het gemakkelijker om problemen te diagnosticeren als er iets misgaat en om oplossingen te implementeren.

Degenen die prognoses maken, zijn het verschuldigd aan degenen die prognoses consumeren, en aan zichzelf, om zich bewust te zijn van de onzekerheid in hun prognoses. Deze notitie gaat over het schatten van prognoseonzekerheid en het gebruik van de schattingen in uw vraagplanningsproces. We richten ons op prognoses die zijn gemaakt ter ondersteuning van vraagplanning en op prognoses die inherent zijn aan voorraad optimaliseren beleid met betrekking tot bestelpunten, veiligheidsvoorraden en min/max-niveaus.

Als je dit leest, leer je over:

- Criteria voor het beoordelen van prognoses
-Bronnen van voorspellingsfout
- Berekening van de voorspellingsfout
-Voorspellingsfout omzetten in voorspellingsintervallen
-De relatie tussen vraagvoorspelling en voorraadoptimalisatie.
-Acties die u kunt ondernemen om deze concepten te gebruiken om de processen van uw bedrijf te verbeteren.

Criteria voor het beoordelen van prognoses

Voorspellingsfouten alleen zijn geen reden genoeg om prognoses als managementtool af te wijzen. Om een beroemd aforisme van George Box te verdraaien: "Alle voorspellingen zijn verkeerd, maar sommige zijn nuttig." Natuurlijk zullen zakelijke professionals altijd zoeken naar manieren om prognoses nuttiger te maken. Dit omvat meestal werk om prognosefouten te verminderen. Maar hoewel de nauwkeurigheid van prognoses het meest voor de hand liggende criterium is om prognoses te beoordelen, is het niet het enige. Hier is een lijst met criteria voor het evalueren van prognoses:

Nauwkeurigheid: Voorspellingen van toekomstige waarden zouden, achteraf bezien, heel dicht bij de werkelijke waarden moeten liggen die zich uiteindelijk zullen openbaren. Maar er kan een afnemend rendement zijn om nog een half procent nauwkeurigheid uit prognoses te persen die anders goed genoeg zijn om te gebruiken bij het nemen van beslissingen.

Tijdigheid: Gevechtspiloten verwijzen naar de OODA-lus (observeren, oriënteren, beslissen en handelen) en de "noodzaak om in de OODA-lus van de vijand te komen" zodat ze als eerste kunnen schieten. Ook bedrijven hebben beslissingscycli. Het leveren van een perfect nauwkeurige voorspelling de dag nadat het nodig was, is niet nuttig. Beter is een goede voorspelling die op tijd aankomt om bruikbaar te zijn.

Kosten: Het voorspellen van data, modellen, processen en mensen kosten allemaal geld. Een goedkopere prognose kan worden gevoed door gegevens die direct beschikbaar zijn; duurder zou een prognose zijn die draait op gegevens die moeten worden verzameld in een speciaal proces buiten de reikwijdte van de informatie-infrastructuur van een bedrijf. Een klassieke, kant-en-klare prognosetechniek zal minder duur zijn om aan te schaffen, te voeden en te exploiteren dan een complexe, op maat gemaakte, door een adviseur geleverde methode. Prognoses kunnen massaal worden geproduceerd door software onder supervisie van een enkele analist, of ze kunnen voortkomen uit een samenwerkingsproces dat tijd en inspanning vereist van grote groepen mensen, zoals districtsverkoopmanagers, productieteams en anderen. Technisch geavanceerde voorspellingstechnieken vereisen vaak het inhuren van personeel met gespecialiseerde technische expertise, zoals een masterdiploma in statistiek, dat doorgaans meer kost dan personeel met een minder geavanceerde opleiding.

Geloofwaardigheid: Uiteindelijk moet een leidinggevende elke prognose accepteren en ernaar handelen. Leidinggevenden hebben de neiging aanbevelingen te wantrouwen of te negeren die ze niet kunnen begrijpen of uitleggen aan de volgende persoon boven hen in de hiërarchie. Voor velen is geloven in een "zwarte doos" een te zware geloofsbeproeving, en zij verwerpen de voorspellingen van de zwarte doos ten gunste van iets transparanters.

Dat gezegd hebbende, zullen we ons nu concentreren op de voorspellingsnauwkeurigheid en de kwaadaardige tweeling, voorspellingsfout.

Bronnen van prognosefouten

Degenen die fouten willen verminderen, kunnen op drie plaatsen zoeken naar problemen:
1. De gegevens die in een prognosemodel gaan
2. Het model zelf
3. De context van de prognoseoefening

Er zijn verschillende manieren waarop gegevensproblemen kunnen leiden tot prognosefouten.

Grove fouten: Verkeerde data leveren verkeerde voorspellingen op. We hebben een geval gezien waarin computergegevens van de vraag naar producten een factor twee verkeerd waren! De betrokkenen zagen dat probleem meteen, maar een minder ernstige situatie kan er gemakkelijk doorheen glippen om het prognoseproces te vergiftigen. Sterker nog, het organiseren, verwerven en controleren van data is vaak de grootste bron van vertraging bij de implementatie van forecasting software. Veel gegevensproblemen lijken voort te komen uit het feit dat de gegevens onbelangrijk waren totdat een prognoseproject ze belangrijk maakte.

Afwijkingen: Zelfs met perfect samengestelde prognosedatabases, zijn er vaak gegevensproblemen van het type "naald in een hooiberg". In deze gevallen zijn het niet de gegevensfouten, maar vraagafwijkingen die bijdragen aan de voorspellingsfout. In een set van bijvoorbeeld 50.000 producten is het waarschijnlijk dat een bepaald aantal artikelen vreemde details heeft die prognoses kunnen vertekenen.

Holdout-analyse is een eenvoudige maar krachtige analysemethode. Om te zien hoe goed een methode voorspelt, gebruikt u deze met oudere bekende gegevens om nieuwere gegevens te voorspellen en ziet u vervolgens hoe het zou zijn uitgekomen! Stel dat u 36 maanden aan vraaggegevens heeft en 3 maanden vooruit moet voorspellen. U kunt het prognoseproces simuleren door de meest recente 3 maanden aan gegevens achter te houden (dwz te verbergen), prognoses te maken met alleen gegevens van maand 1 tot 33 en vervolgens de prognoses voor maanden 34-36 te vergelijken met de werkelijke waarden in maanden 34-36 . Glijdende simulatie herhaalt alleen de holdout-analyse en glijdt langs de vraaggeschiedenis. In het bovenstaande voorbeeld werden de gegevens van de eerste 33 maanden gebruikt om 3 schattingen van de voorspellingsfout te krijgen. Stel dat we het proces starten door de eerste 12 maanden te gebruiken om de volgende 3 te voorspellen. Dan schuiven we vooruit en gebruiken de eerste 13 maanden om de volgende 3 te voorspellen. We gaan door totdat we uiteindelijk de eerste 35 maanden gebruiken om de laatste maand te voorspellen, wat geeft ons nog een schatting van de fout die we maken bij het voorspellen van een maand vooruit. Een samenvatting van alle 1-stap vooruit, 2-stap vooruit en 3 stap vooruit voorspellingsfouten biedt een manier om voorspellingsintervallen te berekenen.

Voorspellingsintervallen berekenen

De laatste stap bij het berekenen van voorspellingsintervallen is het omzetten van de schattingen van de gemiddelde absolute fout in de boven- en ondergrenzen van het voorspellingsinterval. Het voorspellingsinterval op een willekeurig tijdstip in de toekomst wordt berekend als

Voorspellingsinterval = Voorspelling ± Vermenigvuldiger x Gemiddelde absolute fout.

De laatste stap is de keuze van de vermenigvuldiger. De typische benadering is om een kansverdeling van fouten rond de voorspelling voor te stellen en vervolgens de uiteinden van het voorspellingsinterval te schatten met behulp van de juiste percentielen van die verdeling. Gewoonlijk is de veronderstelde foutverdeling de normale verdeling, ook wel de Gaussische verdeling of de "klokvormige curve" genoemd.

Gebruik van voorspellingsintervallen
Het meest directe, informele gebruik van voorspellingsintervallen is om een idee te geven van hoe "squishy" een voorspelling is. Voorspellingsintervallen die breed zijn in vergelijking met de omvang van de prognoses wijzen op een grote onzekerheid.

Er zijn twee meer formele toepassingen bij vraagprognoses: het afdekken van uw weddenschappen over de toekomstige vraag en het begeleiden van prognoseaanpassingen.

Uw weddenschappen afdekken: De prognosewaarden zelf benaderen de meest waarschijnlijke waarden van de toekomstige vraag. Een meer onheilspellende manier om hetzelfde te zeggen is dat er een kans van ongeveer 50% is dat de werkelijke waarde boven (of onder) de voorspelling zal liggen. Als de prognose wordt gebruikt om toekomstige productie te plannen (of de aankoop of aanwerving van grondstoffen), wilt u misschien een buffer inbouwen om te voorkomen dat u tekort komt als de vraag piekt (ervan uitgaande dat onderbouw erger is dan overbouw). Als de prognose wordt geconverteerd van eenheden naar dollars voor omzetprognoses, wilt u misschien een waarde onder de prognose gebruiken om conservatief te zijn bij het projecteren van de cashflow. In beide gevallen moet u eerst de dekking van het voorspellingsinterval kiezen. Een 90%-voorspellingsinterval is een bereik van waarden dat 90% van de mogelijkheden dekt. Dit impliceert dat er een kans van 5% is dat een waarde boven de bovengrens van het 90%-voorspellingsinterval valt. Met andere woorden, de bovengrens van een 90%-voorspellingsinterval markeert het 95e percentiel van de verdeling van de voorspelde vraag in die periode. Evenzo is er een kans van 5% om onder de ondergrens te vallen, wat het 5e percentiel van de vraagverdeling markeert.

Begeleidende voorspellingsaanpassing: Het komt vrij vaak voor dat statistische prognoses worden herzien door een of ander samenwerkingsproces. Deze aanpassingen zijn gebaseerd op informatie die niet is vastgelegd in de vraaggeschiedenis van een item, zoals informatie over acties van concurrenten. Soms zijn ze gebaseerd op een meer vluchtige bron, zoals het optimisme van het verkoopteam. Wanneer de aanpassingen op het scherm worden aangebracht zodat iedereen ze kan zien, bieden de voorspellingsintervallen een nuttige referentie: als iemand de voorspellingen buiten de voorspellingsintervallen wil verplaatsen, overschrijden ze een op feiten gebaseerde grens en moeten ze een goed verhaal hebben om hun argument dat de dingen in de toekomst echt anders zullen zijn.

Voorspellingsintervallen en voorraadoptimalisatie

Ten slotte speelt het concept achter voorspellingsintervallen een essentiële rol in een probleem met betrekking tot vraagvoorspelling: Voorraad optimalisatie.
De belangrijkste analytische taak bij het instellen van bestelpunten (ook wel Mins genoemd) is het voorspellen van de totale vraag over een doorlooptijd voor aanvulling. Dit totaal wordt de doorlooptijdvraag genoemd. Wanneer de voorhanden voorraad daalt tot of onder het bestelpunt, wordt een aanvullingsorder geactiveerd. Als het bestelpunt hoog genoeg is, is er een acceptabel klein risico op voorraaduitval, dat wil zeggen dat de doorlooptijdvraag de voorraad onder nul brengt en leidt tot verloren verkopen of nabestellingen.

Nieuwe statistische methoden, en we kunnen effectiever gaan plannen.

De prognosetaak is het bepalen van alle mogelijke waarden van de cumulatieve vraag over de doorlooptijd en hun bijbehorende kansen van optreden. Met andere woorden, de basistaak is het bepalen van een voorspellingsinterval voor een toekomstige willekeurige variabele. Stel dat u een 90%-voorspellingsinterval hebt berekend voor de doorlooptijdvraag. Dan vertegenwoordigt de bovenkant van het interval het 95e percentiel van de verdeling. Door het bestelpunt op dit niveau in te stellen, is er plaats voor 95% van de mogelijke vraagwaarden voor de doorlooptijd, wat betekent dat er slechts een kans van 5% is dat de voorraad is uitgeput voordat de voorraad wordt aangevuld om de schappen opnieuw te bevoorraden. Er is dus een nauw verband tussen voorspellingsintervallen bij vraagprognoses en de berekening van bestelpunten bij voorraadoptimalisatie.

5 aanbevelingen voor de praktijk

1. Stel verwachtingen over fouten: Soms hebben managers onredelijke verwachtingen over het terugbrengen van prognosefouten tot nul. U kunt erop wijzen dat fouten slechts één van de dimensies is waarop een prognoseproces moet worden beoordeeld; het kan goed gaan met zowel tijdigheid als kosten. Wijs er ook op dat nul fouten evenmin een realistischer doel is dan 100% conversie van prospects naar klanten, perfecte leveranciersprestaties of nul volatiliteit van aandelenkoersen.

2. Spoor bronnen van fouten op: controleer de nauwkeurigheid van vraaggeschiedenissen. Gebruik statistische methoden om uitschieters in vraaggeschiedenissen te identificeren en gepast te reageren, geverifieerde anomalieën te vervangen door meer typische waarden en gegevens weg te laten van vóór grote veranderingen in de aard van de vraag. Als u een gezamenlijk prognoseproces gebruikt, vergelijkt u de nauwkeurigheid ervan met een puur statistische benadering om items te identificeren waarvoor samenwerking de fouten niet vermindert.

3. Evalueer de fout van alternatieve statistische methoden: er kunnen kant-en-klare technieken zijn die het beter doen dan uw huidige methoden, of het beter doen voor sommige subsets van uw items. De sleutel is om empirisch te zijn, gebruikmakend van het idee van holdout-analyse. Verzamel uw gegevens en doe een "bake off" tussen verschillende methoden om te zien welke voor u beter werken. Als u nog geen statistische prognosemethoden gebruikt, vergelijk ze dan met de "gouden buik" van uw huidige standaard. Gebruik de naïeve voorspelling als maatstaf in de vergelijkingen.

4. Onderzoek het gebruik van nieuwe gegevensbronnen: Vooral als u items heeft die veel gepromoot worden, test u statistische methoden die promotionele gegevens opnemen in het prognoseproces. Ga ook na of er misbruik kan worden gemaakt van informatie van buiten uw bedrijf; kijk bijvoorbeeld of macro-economische indicatoren voor uw sector kunnen worden gecombineerd met bedrijfsgegevens om de nauwkeurigheid van prognoses te verbeteren (dit wordt meestal gedaan met behulp van een methode die meervoudige regressieanalyse wordt genoemd).

5. Gebruik voorspellingsintervallen: Plots van voorspellingsintervallen kunnen uw gevoel voor de onzekerheid in uw prognoses verbeteren, waardoor u items kunt selecteren voor extra onderzoek. Hoewel het waar is dat wat je niet weet je pijn kan doen, is het ook waar dat weten wat je niet weet je kan helpen.

Iedereen die het werk doet, weet dat het beheren van voorraden stressvol kan zijn. Veelvoorkomende stressfactoren zijn: Klanten met "speciale" verzoeken, IT-afdelingen met andere prioriteiten, wankele ERP-systemen die draaien op onnauwkeurige gegevens, grondstoftekorten, leveranciers met lange doorlooptijden in verre landen waar de productie vaak stopt om verschillende redenen en meer. Deze nota gaat in op één specifieke en altijd aanwezige bron van stress: variabiliteit in de vraag.

Iedereen heeft een prognoseprobleem

Stel dat u een grote vloot reserveonderdelen beheert. Dit kan chirurgische apparatuur zijn voor uw ziekenhuis, of reparatieonderdelen voor uw elektriciteitscentrale. Jouw missie is om de uptime te maximaliseren. Je vijand is downtime. Maar omdat storingen willekeurig toeslaan, ben je constant in de reactieve modus. U zou kunnen hopen op redding door prognosetechnologieën. Maar prognoses zijn onvermijdelijk tot op zekere hoogte onvolmaakt: het verrassingselement is altijd aanwezig. U kunt wachten tot Internet of Things (IOT)-technologie op uw apparatuur is geïmplementeerd om dreigende storingen te bewaken en te detecteren, zodat u reparaties ruim van tevoren kunt plannen. Maar u weet dat u de duizenden kleine dingen die kunnen mislukken en een groot ding onbruikbaar kan maken, niet kunt opmeten.

U besluit dus prognoses te combineren met voorraadbeheer en buffers of veiligheidsvoorraden aan te leggen om u te beschermen tegen onverwachte pieken in de vraag. Nu moet je uitrekenen hoeveel Safety stock onderhouden, wetende dat te weinig kwetsbaarheid betekent en te veel een opgeblazen gevoel.

Stel dat u voorraden gereed product beheert voor een make-to-stock-bedrijf. Uw probleem is in wezen hetzelfde als bij het beheren van serviceonderdelen: u hebt externe klanten en een onzekere vraag. Maar misschien heb je ook nog andere problemen als het gaat om het synchroniseren van meerdere leveranciers van componenten die je assembleert tot eindproducten. De leveranciers willen dat je hen vertelt hoeveel van hun spullen ze moeten maken, zodat jij jouw spullen kunt maken, maar je weet niet hoeveel van je eigen spullen je moet maken.

Stel ten slotte dat u afgewerkte goederen behandelt in een bouwbedrijf op bestelling. U zou kunnen denken dat u geen prognoseprobleem meer heeft, aangezien u pas bouwt als u wordt betaald om te bouwen. Maar je hebt wel een prognoseprobleem. Aangezien uw eindproducten kunnen worden samengesteld uit een combinatie van componenten en subassemblages, moet u een prognose van de vraag naar gereed product vertalen om een prognose van die componenten uit te werken. Anders ga je je afgewerkte product maken en ontdek je dat je een vereist onderdeel niet hebt en moet je wachten tot je alles wat je nodig hebt reactief kunt assembleren. En uw klanten zijn misschien niet bereid om te wachten.

Dus iedereen heeft een prognoseprobleem.

Wat maakt prognoses moeilijk

Prognoses kunnen snel, eenvoudig en uiterst nauwkeurig zijn - zolang de wereld maar eenvoudig is. Als de vraag naar uw product elke week 10 stuks is, maand na maand, kunt u zeer nauwkeurige prognoses maken. Maar het leven is niet helemaal zo. Als je geluk hebt en het leven is bijna zo - misschien is de wekelijkse vraag meer als {10, 9, 10, 8, 12, 10, 10 ...} - kun je nog steeds een zeer nauwkeurige prognose maken en slechts kleine aanpassingen maken aan de randen . Maar als het leven is zoals het vaker is – misschien ziet de wekelijkse vraag eruit als {0, 0, 7, 0, 0, 0, 23, 0 …} – is vraagvoorspelling inderdaad moeilijk. Het belangrijkste onderscheid is de variabiliteit van de vraag: het is het zigzaggen en zigzaggen dat de pijn veroorzaakt.

Veiligheidsvoorraad neemt het over waar prognoses ophouden

Statistische prognosemethoden vormen een belangrijk onderdeel van de oplossing. Ze laten u zoveel mogelijk voordeel halen uit de historische vraagpatronen die uw bedrijf voor elk artikel heeft geregistreerd. De taak van prognoses is om te beschrijven wat typisch is, wat de basis vormt voor het omgaan met willekeur in de vraag. Statistische voorspellingstechnieken werken door het vinden van 'grote plaatje'-kenmerken in vraagrecords, zoals trend en seizoensinvloeden, en deze vervolgens in de toekomst te projecteren. Ze gaan er allemaal impliciet van uit dat welke patronen er nu ook zijn, ze zullen blijven bestaan, dus de groei van 5% zal doorgaan en de vraag in juli zal altijd 20% hoger zijn dan de vraag in februari. Om dat punt te bereiken, gebruiken statistische prognosemethoden een vorm van middeling om de "ruis" in de vraaggeschiedenis te onderdrukken.

Maar dan valt de rest van het werk op voorraadbeheer, omdat de atypische, willekeurige component van de toekomstige vraag in de toekomst nog steeds een gedoe zal zijn. Dit onvermijdelijke niveau van onzekerheid moet worden opgevangen door de "schokbreker" die veiligheidsvoorraad wordt genoemd.

Dezelfde methoden die prognoses van trend en/of seizoensinvloeden produceren, kunnen worden gebruikt om de hoeveelheid voorspellingsfouten te schatten. Dit moet zorgvuldig worden gedaan met behulp van een methode die "holdout-analyse" wordt genoemd. Het werkt zo. Stel dat u 365 waarnemingen heeft van de dagelijkse vraag naar artikel X, met een doorlooptijd voor aanvulling van 10 dagen. U wilt weten hoeveel eenheden er over een toekomstige periode van 10 dagen zullen worden gevraagd. U kunt de eerste 305 dagen van de vraaggeschiedenis invoeren in de prognosetechniek en prognoses krijgen voor de volgende 10 dagen, dagen 306-315.

Het antwoord geeft u een schatting van de totale vraag over 10 dagen. Belangrijk is dat het u ook een schatting geeft van de variabiliteit rond die voorspelling, dwz de voorspellingsfout, het verschil tussen wat er werkelijk gebeurde in dagen 306-315 en wat was voorspeld. Nu kunt u het proces herhalen, dit keer met de eerste 306 dagen om de volgende 10 te voorspellen, de eerste 307 dagen om de volgende 10 te voorspellen, enz. U krijgt uiteindelijk 52 eerlijke schattingen van de variabiliteit van de totale vraag over een periode van 10 dagen. doorlooptijd. Stel dat 95% van die schattingen minder dan 28 eenheden zijn. Dan zouden 28 eenheden een vrij veilige veiligheidsvoorraad zijn om aan de prognose toe te voegen, aangezien u slechts 5% van de tijd tekorten zult tegenkomen.

Moderne statistische software doet deze berekeningen automatisch. Het kan ten minste één van de chronische hoofdpijn van voorraadbeheer verlichten door u te helpen omgaan met de variabiliteit in de vraag.