Probabilistische prognoses voor intermitterende vraag

Intermitterende, klonterige of ongelijkmatige vraag – met name voor artikelen met een lage vraag, zoals service en reserveonderdelen – is bijzonder moeilijk te voorspellen met enige nauwkeurigheid. De eigen probabilistische prognoses van Smart Software zijn aanzienlijk verbeterd nauwkeurigheid op serviceniveau. Als een van deze scenario’s op uw bedrijf van toepassing is, zal probabilistische prognoses u helpen uw bedrijfsresultaten te verbeteren.

• Heeft u een intermitterende of onregelmatige vraag met grote, onregelmatige pieken die vele malen groter zijn dan de gemiddelde vraag?
• Is het moeilijk om zakelijke informatie te verkrijgen over wanneer de vraag waarschijnlijk weer zal stijgen?
• Loopt u zakelijke kansen mis omdat u de vraag en de voorraadvereisten voor bepaalde onvoorspelbare producten niet nauwkeurig kunt voorspellen?
• Moet u veel artikelen op voorraad houden, zelfs als er niet vaak naar wordt gevraagd, om u te onderscheiden van de concurrentie door een hoog serviceniveau te bieden?
• Moet u onnodig grote investeringen in voorraad doen om onverwachte bestellingen en materiaalbehoeften te dekken?
• Moet u ondanks lange doorlooptijden van leveranciers direct aan klanten leveren?

Als je ja hebt geantwoord op sommige of alle bovenstaande vragen, ben je niet de enige. Intermitterende vraag – ook wel bekend als onregelmatige, sporadische, klonterige of langzaam bewegende vraag – treft industrieën van alle soorten en maten: sectoren van kapitaalgoederen en apparatuur, auto’s, luchtvaart, openbaar vervoer, industriële gereedschappen, speciale chemicaliën, nutsbedrijven en hightech, om er een paar op te noemen. En het maakt het voorspellen en plannen van de vraag buitengewoon moeilijk. Het kan veel meer zijn dan hoofdpijn; het kan een probleem van meerdere miljoenen dollars zijn, vooral voor MRO-bedrijven en anderen die reserve- en serviceonderdelen beheren en distribueren.

Het identificeren van intermitterende vraaggegevens is niet moeilijk. Het bevat doorgaans een groot percentage nulwaarden, met willekeurige waarden die niet gelijk zijn aan nul. Maar weinig prognoseoplossingen hebben bevredigende resultaten opgeleverd, zelfs in dit tijdperk van Big Data-analyse, voorspellende analyse, machinaal leren en kunstmatige intelligentie.

Traditionele benaderingen en hun afhankelijkheid van een veronderstelde vraagverdeling

Traditionele statistische prognosemethoden, zoals exponentiële afvlakking en voortschrijdende gemiddelden, werken goed wanneer de gegevens over de vraag naar producten normaal of vloeiend zijn, maar geven geen nauwkeurige resultaten met intermitterende gegevens. Veel geautomatiseerde prognosetools werken niet omdat ze werken door patronen in vraaggeschiedenisgegevens te identificeren, zoals trend en seizoensinvloeden. Maar met intermitterende vraaggegevens zijn patronen bijzonder moeilijk te herkennen. Deze methoden hebben ook de neiging om de speciale rol van nulwaarden bij het analyseren en voorspellen van de vraag te negeren. Toch kunnen sommige conventionele statistische prognosemethoden geloofwaardige prognoses van de gemiddeld vraag per periode. Wanneer de vraag echter met tussenpozen is, is een prognose van de gemiddelde vraag lang niet voldoende voor voorraadplanning. Nauwkeurige schattingen van de volledige distributie (dwz complete set) van alle mogelijke doorlooptijdvraagwaarden zijn nodig. Zonder dit produceren deze methoden misleidende invoer voor modellen voor voorraadbeheer – met kostbare gevolgen.

Om bestelpunten, order-up-to-niveaus en veiligheidsvoorraden voor voorraadplanning te produceren, zijn veel prognosebenaderingen gebaseerd op aannames over de vraag en de doorlooptijdverdeling. Sommigen gaan ervan uit dat de waarschijnlijkheidsverdeling van de totale vraag naar een bepaald productitem over een doorlooptijd (doorlooptijdvraag) zal lijken op een normale, klassieke klokvormige curve. Andere benaderingen kunnen berusten op een Poisson-verdeling of een andere distributie uit een leerboek. Bij intermitterende vraag is een one-size-fits-all-benadering problematisch omdat de daadwerkelijke verdeling vaak niet overeenkomt met de veronderstelde verdeling. Wanneer dit gebeurt, zullen schattingen van de buffervoorraad verkeerd zijn. Dit is met name het geval bij het beheer van reserveonderdelen (tabel 1).

Voor elk artikel dat met tussenpozen wordt gevraagd, kan het belang van een nauwkeurige voorspelling van de volledige verdeling van alle mogelijke doorlooptijdvraagwaarden – niet slechts één getal dat de gemiddelde of meest waarschijnlijke vraag per periode weergeeft – niet genoeg worden benadrukt. Deze prognoses zijn belangrijke input voor de modellen voor voorraadbeheer die correcte procedures aanbevelen voor de timing en omvang van aanvullingsorders (bestelpunten en bestelhoeveelheden). Ze zijn met name essentieel in omgevingen met reserveonderdelen, waar ze nodig zijn om de inventarisvereisten van het klantenserviceniveau nauwkeurig in te schatten (bijvoorbeeld een waarschijnlijkheid van 95 of 99 procent dat een artikel niet op voorraad is) om gedurende een doorlooptijd aan de totale vraag te voldoen. Voorraadplanningsafdelingen moeten erop kunnen vertrouwen dat wanneer ze een gewenst serviceniveau nastreven, ze dat doel zullen bereiken. Als het prognosemodel consequent een ander serviceniveau oplevert dan beoogd, wordt de voorraad verkeerd beheerd en neemt het vertrouwen in het systeem af.

Geconfronteerd met deze uitdaging vertrouwen veel organisaties op solliciteren vuistregel gebaseerd op benaderingen om de voorraadniveaus te bepalen of zullen oordeelkundige aanpassingen toepassen op hun statistische prognoses, waarvan ze hopen dat ze toekomstige activiteiten nauwkeuriger zullen voorspellen op basis van zakelijke ervaringen uit het verleden. Maar er zijn ook verschillende problemen met deze benaderingen.

Vuistregelbenaderingen negeren variabiliteit in vraag en doorlooptijd. Ze worden ook niet bijgewerkt voor veranderingen in vraagpatronen en bieden geen kritische informatie informatie over ruilen over de relatie tussen serviceniveaus en voorraadkosten.

Oordelende prognoses zijn niet haalbaar wanneer het gaat om grote aantallen (duizenden en tienduizenden) items. Bovendien geven de meeste oordelende prognoses een schatting op basis van één getal in plaats van een voorspelling van de volledige verdeling van doorlooptijdvraagwaarden. Ten slotte is het gemakkelijk om onbedoeld maar onjuist een neerwaartse (of opwaartse) trend in de vraag te voorspellen, op basis van verwachtingen, wat resulteert in ondervoorraad (of overbevoorrading).

Hoe werkt probabilistische vraagvoorspelling in de praktijk?

Hoewel de volledige architectuur van deze technologie aanvullende eigendomskenmerken bevat, demonstreert een eenvoudig voorbeeld van de aanpak het nut van de techniek. Zie tabel 1.

Tabel 1. Maandelijkse vraagwaarden voor een serviceonderdeel.

De 24 maandelijkse vraagwaarden voor een serviceonderdeelitem zijn typerend voor periodieke vraag. Stel dat u prognoses nodig heeft van de totale vraag naar dit artikel in de komende drie maanden, omdat uw onderdelenleverancier drie maanden nodig heeft om een bestelling uit te voeren om de voorraad aan te vullen. De probabilistische benadering is om monsters te nemen van de 24 maandelijkse waarden, met vervanging, drie keer, waardoor een scenario ontstaat van de totale vraag gedurende de doorlooptijd van drie maanden.

Figuur 1. De resultaten van 25.000 scenario’s.

U kunt willekeurig maanden 6, 12 en 4 selecteren, wat u vraagwaarden geeft van respectievelijk 0, 6 en 3 voor een totale doorlooptijdvraag (in eenheden) van 0 + 6 + 3 = 9. Vervolgens herhaalt u dit proces , misschien willekeurig maanden 19, 8 en 14 selecteren, wat een doorlooptijdvraag geeft van 0 + 32 + 0 = 32 eenheden. Door dit proces voort te zetten, kunt u een statistisch nauwkeurig beeld krijgen van de volledige verdeling van mogelijke doorlooptijdvraagwaarden voor dit artikel. Afbeelding 1 toont de resultaten van 25.000 van dergelijke scenario’s, wat aangeeft (in dit voorbeeld) dat de meest waarschijnlijke waarde voor de doorlooptijdvraag nul is, maar dat de doorlooptijdvraag wel 70 of meer eenheden kan zijn. Het weerspiegelt ook de reële mogelijkheid dat vraagwaarden die niet gelijk zijn aan nul voor het deelitem die in de toekomst voorkomen, kunnen verschillen van die in het verleden.

Met de high-speed rekenbronnen die vandaag beschikbaar zijn in de cloud, kunnen probabilistische prognosemethoden snelle en realistische prognoses geven van de totale doorlooptijdvraag voor duizenden of tienduizenden periodiek gevraagde productitems. Deze prognoses kunnen vervolgens rechtstreeks in modellen voor voorraadbeheer worden ingevoerd om ervoor te zorgen dat er voldoende voorraad beschikbaar is om aan de vraag van de klant te voldoen. Dit zorgt er ook voor dat er niet meer voorraad wordt aangehouden dan nodig is, waardoor de kosten worden geminimaliseerd.

Een in de praktijk bewezen methode die werkt

Klanten die de technologie hebben geïmplementeerd, hebben ontdekt dat het de nauwkeurigheid van de klantenservice verhoogt en de voorraadkosten aanzienlijk verlaagt.

De opslagoperatie van een landelijke hardwaredetailhandelaar voorspelde voorraadbehoeften voor 12.000 periodiek gevraagde SKU’s met een serviceniveau van 95 en 99 procent. De prognoseresultaten waren bijna 100 procent nauwkeurig. Bij het serviceniveau van 95 procent was 95,23 procent van de artikelen niet op voorraad (95 procent zou perfect zijn geweest). Bij het serviceniveau van 99 procent was 98,66 procent van de artikelen niet op voorraad (99 procent zou perfect zijn geweest).

De vliegtuigonderhoudsoperatie van een wereldwijd bedrijf behaalde vergelijkbare prognoseresultaten op serviceniveau met 6.000 SKU’s. Potentiële jaarlijkse besparingen op voorraadkosten werden geschat op $3 miljoen. De aftermarket-business unit van een leverancier uit de auto-industrie, waarvan tweederde van de 7.000 SKU’s een sterk wisselende vraag vertoont, voorspelde ook $3 miljoen aan jaarlijkse kostenbesparingen.

Dat de uitdaging van het voorspellen van de intermitterende vraag naar producten inderdaad is gehaald, is goed nieuws voor fabrikanten, distributeurs en onderdelen/MRO-bedrijven. Met cloud computing is de in de praktijk bewezen probabilistische methode van Smart Software nu toegankelijk voor niet-statistici en kan deze op schaal worden toegepast op tienduizenden onderdelen. Vraaggegevens die ooit onvoorspelbaar waren, vormen niet langer een obstakel voor het bereiken van de hoogste klantenserviceniveaus met de laagst mogelijke investering in voorraad.