Strategische Supply Chain Forecasts for Manufacturers

Inleiding

In de moderne toeleveringsketen is voorspelling nodig voor bedrijven die voorwerpen inventariseren en die niet op bestelling zijn gemaakt. Fabrikanten zullen materiaalvooruitzichten gebruiken om ervoor te zorgen dat zij de mate van materiaal produceren die hun klanten tevreden stellen zonder een overcapaciteitssituatie te produceren waar teveel voorraad wordt geproduceerd en op de plank blijft.

Evenzo mag de prognose niet kort worden en de fabrikant vindt ze zonder inventaris om de orders van de klant te vervullen.

De kosten van het niet in stand houden van een nauwkeurige voorspelling kunnen financieel catastrofaal zijn.

Prognoses kunnen zijn:

• Statistisch
• Niet-statisch

Voorspellingen zijn ontwikkeld voor de producten, onderdelen en onderdelen van een bedrijf. De prognose wordt gebruikt door het productieteam om productie- of inkooporders te ontwikkelen, hoeveelheden en veiligheidsvoorraden.

De prognose is niet statisch en moet regelmatig door het management worden beoordeeld. Dit is ervoor te zorgen dat informatie over toekomstige trends, de interne of externe omgeving in de prognose wordt opgenomen om een ​​nauwkeuriger berekening te geven.

Statistische vooruitzichten

In de supply chain management software is de prognose een berekening die data levert uit real-time transacties en is gebaseerd op een reeks variabelen die zijn geconfigureerd voor een aantal statistische prognosesituaties.

Planningprofessionals zijn verplicht de software te gebruiken om de beste prognosesituatie mogelijk te maken en vaak wordt dit voor langere perioden ongemerkt gelaten.

Om de voorspellings technieken optimaal te gebruiken in de supply chain software, moeten planners hun beslissingen beoordelen met betrekking tot de interne en externe omgeving.

Zij moeten de berekening aanpassen om een ​​nauwkeuriger prognose op basis van de huidige informatie te verstrekken.

Statistische prognoses zijn de beste schattingen van wat er in de toekomst zal gebeuren op basis van de vraag die in het verleden is opgetreden.

Historische vraaggegevens kunnen worden gebruikt om een ​​prognose te maken met behulp van eenvoudige lineaire regressie. Dit geeft evenveel gewicht aan de vraag van de historische perioden en projecteert de vraag naar de toekomst.

De voorspellingen vandaag geven echter meer nadruk op de recentere vraaggegevens dan de oudere gegevens. Dit heet gladingen en wordt geproduceerd door meer gewicht te geven aan de recente data. Exponentiële gladding verwijst naar steeds grotere weging gegeven aan de meer recente historische perioden. Daarom heeft een periode twee maanden geleden een grotere weging dan zes maanden geleden.

Alpha Factor

De weging heet de Alpha Factor en hoe hoger de weging of Alpha-factor, hoe minder historische perioden worden gebruikt om de prognose te maken.

Bijvoorbeeld, een hoge alphafactor geeft de laatste tijd een hoge weging, en de vraag uit perioden voor een jaar of twee jaar geleden wordt zo licht gewogen dat ze geen invloed hebben op de algemene prognose. Een lage alphafactor betekent dat historische gegevens relevanter zijn voor de prognose.

Historische perioden bevatten in het algemeen vraaggegevens van een vaste maand, i. e. Juni of juli Dit geeft echter een fout in de berekening omdat sommige maanden meer dagen hebben dan andere maanden en het aantal werkdagen kan variëren.

Sommige bedrijven gebruiken de dagelijkse vraag om deze fout te verlichten. Hoewel de voorspeller de fout begrijpt, kunnen maandelijkse historische perioden samen met een tracking indicator gebruikt worden om te identificeren wanneer de prognose aanzienlijk afwijkt van de feitelijke vraag. Het niveau waarop het tracking-signaal de afwijking flagst, wordt bepaald door de voorspeller of software en varieert tussen industrieën, bedrijven en producten.

Een kleine afwijking kan interventie vereisen wanneer het voorspelde product hoogwaardig is, terwijl een laagwaardig item de prognose niet hoeft te onderzoeken op zo'n hoog niveau.

Niet-statistische vooruitzichten

Niet-statistische prognoses zijn te vinden in supply chain management software, waarbij de vraag wordt verwacht op basis van hoeveelheden die door de productieplanners zijn vastgesteld.

Dit gebeurt wanneer de planner een subjectieve hoeveelheid invoert die volgens hen de vraag zal hebben zonder verwijzing naar de historische vraag.

De andere niet-statistische voorspelling die plaatsvindt is wanneer de vraag naar een item is gebaseerd op de resultaten van materiaalkwestie planning (MRP) runs.

Dit vraagt ​​de vraag naar het afgewerkte goed en explodeert de materiaalkost zodat er een vraag wordt berekend voor de onderdelen. De componentvraag kan dan door de planner worden aangepast aan de hand van hun beoordeling en kennis van de huidige omgeving.

De hieruit voortvloeiende prognose is gebaseerd op de huidige vraag en zal geen vraag van vorige perioden bevatten. Veel bedrijven zullen een combinatie van niet-statistische en statistische voorspellingen over hun productlijn gebruiken.

Statistische vooruitzichten zijn gebaseerd op complexe berekeningen en de toekomstige vraag kan worden bepaald op basis van de vraag van historische perioden.

De voorspelling geeft de planner een gids voor de toekomstige vraag, maar geen voorspelling is helemaal accuraat en de planners ervaren en kennis van de huidige en toekomstige omgeving is belangrijk bij het bepalen van de toekomstige vraag naar producten van een bedrijf.

Dit artikel is bijgewerkt door Gary Marion, Logistiek en Supply Chain Expert voor de balans.