Prognose 'fout' beïnvloedt voorraad in toeleveringsketens

Geen 'betere' voorspelling

De volatiliteit van de vraag neemt toe naarmate er meer productlijnen worden geïntroduceerd die nicheconsumenten aanspreken; dus 'beter' voorspellen wordt moeilijker.

De alternatieve aanpak is om te analyseren hoe uw voorraad moet worden beheerd. Bouw op basis van de analyse een beslissingsstructuur voor de voorraad en beheer zo de voorraadeenheden (SKU's) beter.

In het vorige blogpostwerd opgemerkt dat de veiligheidsinventaris het volume is dat wordt vervoerd boven de vereiste cyclusinventaris (halverwege de aanvullingscyclus = de helft van de bestelhoeveelheid). De veiligheidsinventarisatie wordt berekend op basis van de voorspelde 'fout' – een statistische term om de variantie tussen geplande en werkelijke situaties te identificeren. In de meeste scenario's zorgt dit ervoor dat aan de eisen van de klant kan worden voldaan.

Verkoopprognose als bereik

Vaak worden er per productgroep verkoopprognoses gegeven. Het planningssysteem moet vervolgens een productgroepprognose opsplitsen in de SKU's, gebaseerd op de productmix van eerdere verkopen binnen de groep. De prognose voor bepaalde SKU's wordt vervolgens aangepast om rekening te houden met bekende verkooppromoties.

Deze aanpak levert voor elke SKU één verkoopnummer per periode (4 weken of kalendermaand) op. Echter, rekening houdend met de volatiele aard van verkopen buiten de STEADY-categorie, moeten de verwachte verkopen worden geïdentificeerd als een bereik. Dit levert een optimistische en pessimistische voorspelling op, met de bijbehorende waarschijnlijkheid dat beide zullen plaatsvinden. Het vermenigvuldigen van de voorspellingen met hun waarschijnlijkheden en het optellen van de resultaten zal een waarschijnlijker indicatie geven van de toekomstige vraag.

Prognoses op basis van een reeks uitkomsten kunnen de activiteiten van de toeleveringsketens van een organisatie helpen. Artikelen met een lange doorlooptijd kunnen worden gekocht met behulp van het optimistische prognoseniveau, waarbij mogelijke extra voorraad wordt geaccepteerd. Materialen die gemakkelijk te verkrijgen zijn met korte doorlooptijden, kunnen op het pessimistische prognoseniveau worden aangeschaft. Maar bestellingen worden geplaatst onder de voorwaarde dat de bestelbedragen op korte termijn kunnen worden verhoogd.

Een veelgebruikte methode om de ‘forecast error’ van een SKU te meten is de Mean Absolute Percentage Error (MAPE). Logistici definiëren MAPE als het verschil tussen de voorspelde en werkelijke omzet gedeeld door de werkelijke omzet. Deze meting kan ook worden gebruikt om de nauwkeurigheid van de voorspelling voor alle SKU's in een categorie/klasse te identificeren, zoals besproken in de vorige blogpost.

Als we bedenken dat voorspellingen betrekking hebben op gebeurtenissen in de toekomst en nooit 'juist' kunnen zijn, hoe nauwkeurig moeten ze dan zijn? Voor SKU's in de STEADY-categorie/klasse wordt een MAPE van 10-15 procent verwacht. In de categorie/klasse VARIABEL en ERRATISCH is een voorspelde 'fout' van 20 tot 30 procent waarschijnlijk. De categorie/klasse SKU's ONREGELMATIG en LUMPY kan een 'voorspellingsfout' van maximaal 60 procent hebben, als gevolg van vertekeningen in de voorspelling en onbekendheden die verband houden met de verkoop van een SKU.

Er kan binnen uw organisatie druk bestaan ​​om de voorspelde situatie er beter uit te laten zien dan deze in werkelijkheid is. Twee benaderingen die gebruikt zouden kunnen worden – maar dat ook zouden moeten doen niet, zijn:

• beperk de prognoses uitsluitend tot productgroepniveau en
• wegen de fouten – de zogenaamde Weighted Mean Absolute Percent Error (WMAPE)

Bereken de veiligheidsinventaris

Statistisch gezien kan een klantenserviceniveau van 100 procent nooit worden bereikt. Indien nodig kunt u dichtbij komen, maar dit zijn hoge kosten, gezien de hoeveelheid voorraad die wordt aangehouden.

Om de hoeveelheid veiligheidsinventaris voor een categorie/klasse of een SKU te identificeren, moet een 'serviceniveaufactor' worden berekend. Dit is gebaseerd op de standaardafwijking van de historische gegevens voor elke SKU.

De ‘veiligheidsfactor’ wordt bepaald uit a Positieve Z-scoregrafiek en de bovenstaande tabel is uit de grafiek gehaald. Dit geeft aan dat om een ​​gewenst klantenserviceniveau te bereiken, de standaardafwijking met een factor wordt vermenigvuldigd.

Om de standaardafwijking te berekenen, wordt de verkoopvariantie van elke maand voor de SKU (prognose-werkelijk) gekwadrateerd en worden alle varianties opgeteld; deel vervolgens het totaal door het aantal perioden. Bereken ter afsluiting de vierkantswortel van de standaarddeviatie.

De hogere kosten van voorraad en aanverwante gebieden, om een ​​hoger niveau van klantenservice te bereiken, illustreren dat een logistiek medewerker de kostenimplicaties moet begrijpen bij het nemen van beslissingen op het gebied van serviceniveau.

Naast een veiligheidsinventarisatie om variaties in de verkoop van SKU's op te vangen, is er ook een veiligheidsinventaris vereist om de lengte en variabiliteit van doorlooptijden voor binnenlandse en geïmporteerde SKU's en materialen te dekken. Dit is door de pandemie belangrijker geworden, omdat de afvaarten en aankomsten van vracht grillig zijn geworden en er meer containers door schepen overboord worden verloren.

In de tijd tussen het plaatsen van een bestelling bij een leverancier en het ontvangen van de goederen bestaat de kans dat de werkelijke verkoop zal afwijken van de prognose. Als het interval tussen het plaatsen van bestellingen voor het artikel één maand bedraagt, maar de tijd om de bestelling te ontvangen langer is, moet de berekende standaardafwijking worden verhoogd met een vermenigvuldiger, zoals weergegeven in de onderstaande tabel.

Daarnaast is een veiligheidsinventarisatie nodig om variatie in de doorlooptijd mogelijk te maken. Identificeer voor elke bestelling het verschil tussen de opgegeven doorlooptijd en de werkelijke. Om de standaardafwijking te berekenen, kwadrateert u de variantie en telt u alle varianties voor de SKU op; Deel vervolgens het totaal door het aantal bestellingen. De wortel van de standaardafwijking levert de veiligheidsinventarisatie voor één standaardafwijking (84 procent serviceniveau).

Zoals besproken in de vorige blogpost Signaal volgen helpt bij voorraadbeheer en actie door het identificeren van SKU's die een afwijking buiten het doel hebben. Per categorie/klasse wordt een controlelimiet vastgesteld, berekend door de cumulatieve variatie voor het aantal onderzochte perioden te delen door de standaardafwijking.

Voor SKU's in de STEADY-categorie/klasse zal het acceptabele trackingsignaal maximaal ongeveer 4.0 zijn als trigger voor een beoordeling. Voor de lagere categorieën zal de voorspellingsfout voor een SKU gevarieerder zijn; gebruik daarom een ​​volgsignaal van meer dan 7.0.

Niet te vergeten dat een cruciaal element in de gestructureerde aanpak voor voorraadbeheer het handhaven van de voorraadnauwkeurigheid is. Dit werd benadrukt met de introductie van MRP-systemen vele jaren geleden en is niet veranderd, zelfs niet met de beschikbaarheid van scanners, RFID en barcodes.

De discussie over 'voorspellingsfouten' en het effect daarvan op voorraadinvesteringen illustreert dat het verminderen van de voorraad een vermindering van de variabiliteit in de toeleveringsketens vereist. Dit is een belangrijk doel voor supply chain-professionals.

Bron: https://www.learnaboutlogistics.com/forecast-error-affects-inventory-in-supply-chains/#utm_source=rss&utm_medium=rss&utm_campaign=forecast-error-affects-inventory-in-supply-chains