Bootstrapping: betere vraagvoorspelling

Deze blog is een vertaling van een Engelstalig artikel over bootstrapping. Deze vertaling is ten behoeve van de online training bootstrapping.

Onregelmatige vraag – in het bijzonder slow-movers zoals service-onderdelen c.q. spare parts – is met name moeilijk te voorspellen. Een nieuwe methode, bootstrapping, kan hierbij helpen. Is één van de volgende situaties van toepassing op uw bedrijf?

  • Soms mist u kansen omdat u niet nauwkeurig genoeg de vraag kunt voorspellen?
  • U moet onnodig grote investeringen plegen om onverwachte bestellingen te kunnen leveren?
  • Kortere levertijd en hogere servicelevels leggen een grote druk op het vooraadbeheer?
  • U weet dat u behoefte heeft aan meer krachtige forecasting software, maar u bent geen bedrijf dat deze software ontwikkeld en uw bedrijf heeft geen enorm IT-budget.

Als uw producten een onregelmatige vraag hebben, dan bent u bekend met deze situaties. U bent niet het enige bedrijf. Onregelmatige vraag komt voor in allerlei bedrijfstakken: kapitaalgoederen, automotive, luchtvaart, industriële gereedschappen, fijnchemicaliën, nutsbedrijven en high-tech industrie om er maar een paar te noemen. En het maakt voorspelling van de vraag en planning zeer moeilijk. En het kan nog veel meer zijn dan moeilijk. Het kan een groot financieel probleem zijn. Vooral voor leveranciers van service-onderdelen c.q. spare-parts en voor bedrijven die reserve-onderdelen voor hun eigen machinepark beheren.

Het identificeren van een onregelmatige vraag is niet moeilijk. Er zijn veel perioden zonder vraag en willekeurig tussendoor perioden met vraag. Maar terwijl vele bedrijven
worstelen met een onregelmatige vraag was er – tot voor kort – geen bevredigende oplossing. Waarom is dit zo?

Traditionele benaderingen

Traditionele voorspellingsmethoden, zoals exponential smooting en voortschrijdend gemiddelde, werken goed als de vraag normaal is of regelmatig verdeeld over de perioden. Maar deze methoden geven geen goede resultaten bij een onregelmatige vraag. Veel forecasting software faalt omdat ze patronen identificeren in historische gegevens, zoals de trend en seizoensinvloeden. Maar met een onregelmatige vraag zijn deze patronen moeilijk te herkennen. Deze methoden hebben ook de neiging om de bijzondere rol van perioden zonder vraag te negeren in het analyseren en voorspellen van de vraag.
Nog belangrijker is dat de traditionele voorspellingsmethoden uitgaan van een normaal verdeeld vraagpatroon. Bij een onregelmatige vraag, met name bij service-onderdelen c.q. spare-parts, zal het vraagpatroon er duidelijk anders uitzien. Zie tabel 1.

Traditionele voorspellingsmethoden kunnen een nauwkeurige voorspelling geven. Maar als de vraag steeds wordt onderbroken, kunnen zij geen nauwkeurige voorspelling meer geven van de gehele reeks binnen de vastgestelde levertijd.

Te vaak produceren ze misleidende input voor voorraadbeheer. Met kostbare gevolgen.
Voor elk product met onregelmatige vraag is het van groot belang dat er een nauwkeurige vraagvoorspelling is. Dit kan niet genoeg worden benadrukt. Deze vraagvoorspellingen zijn belangrijke input voor het voorraadbeheer en een juiste timing van aanvulorders.

Vraagvoorspelling is van groot belang in bedrijven waar men service-onderdelen c.q. spare-parts produceert. De methoden worden daar gebruikt om een goede inschatting te maken van de benodigde voorraad om aan de afgesproken servicegraad met de klant te voldoen. (bijvoorbeeld, een 95 of 99 procent leverbetrouwbaarheid uit voorraad)

Geconfronteerd met een onregelmatige vraag doen veel bedrijven een beroep op nogal subjectieve aanpassingen van hun statische ramingen. Dit in de hoop dat ze daarmee nauwkeurig voorspellen. Maar er zijn meerdere bezwaren bij deze aanpak.
Ten eerste, een subjectieve voorspelling is niet haalbaar bij een assortiment van duizenden of soms tienduizenden verschillende producten.
Ten tweede, de meeste subjectieve voorspellingen komen met een enkele waarden in paats van een prognose van de totale verdeling van de vraag.
Ten derde, zoals een operations manager van een bedrijf dat snijgereedschappen maakt onlangs duidelijk maakte, het is gemakkelijk om per ongeluk een verkeerde voorspelling van de trend (zowel stijgend als dalend) te doen. Met als resultaat een voorraadtekort of voorraadoverschot.

Een nieuwe methode die werkt

In het jaar 2001 is er een meer nauwkeurige methode geomen om een onregelmatige vraag te voorspellen. Dit is het resultaat van een innovatief onderzoek naar 28.000
gegevensreeksen (van negen bedrijven in de VS en Europa) uitgevoerd
voor de National Science Foundation. De nieuwe methode is ontwikkeld door onderzoekers van Smart Software Inc. Kortom, de methode doet vele steekproefen in historische vraaggegevens om duizenden realistische scenario’s te creëren.

Bedrijven die in een vroeg stadium deze methode hebben overgenomen, hebben geconstateerd dat het de service-level naar klanten verhoogd en de voorraadkosten verlaagd.

– Een landelijke retailer deed vraagvoorspellingen voor 12.000 producten met een onregelmatige vraag met een vereiste service-level van 95 en 99 procent. De voorspelling
werd bijna 100 procent nauwkeurig. De 95 procent producten kregen een service-level van 95,23 procent. (95 procent zou perfect geweest zijn). De 99 procent producten kregen een service level van 98,66 procent (99 procent zou perfect zijn geweest).

Een bedrijf dat onderhoud doet aan vliegtuigen kreeg vergelijkbare resultaten met 6.000 producten. De potentiële jaarlijkse besparingen op de voorraad werden geraamd op 3 miljoen dollar.

Bij een afdeling van een bedrijf dat zich richt op de aftermarket business van de automobiel-industrie had tweederde van de 7.000 producten een onregelmatige vraag. Ook hier werd een jaarlijkse besparing geraamd van 3 miljoen dollar per jaar.

Als aan de uitdaging is voldaan om een nauwkeurige vraagprognose te doen van producten met een onregelmatige vraag, dan is dit goed nieuws voor middelgrote bedrijven. Deze nieuwe methode, zoals de meeste andere commercieel beschikbare methoden, is opgebouwd rond een technologie die het toegankelijk maakt voor een niet-statisticus. Vraaggegegevens die ooit niet voorspelbaar waren vormen geen obstakel meer in het bereiken van de hoogste service-level en de laagst mogelijke investering in voorraden.

Hoe werkt bootstrapping?



Maand 1 2 3 4 5 6 7 8 9 10 11 12
Vraag 0 0 7 3 0 0 0 32 0 0 0 6
Maand 13 14 15 16 17 18 19 20 21 22 23 24
Vraag 9 0 0 4 0 15 0 0 0 8 0 0

Hoe werkt deze nieuwe methode van vraagvoorspelling bij een onregelmatige vraag in de praktijk. Een eenvoudig voorbeeld van bootstrapping toont de
bruikbaarheid van deze methode. De vraaggegevens van 24 maanden voor een service-onderdeel staan in tabel 1. Laten we zeggen dat u een vraagprognose nodig heeft voor dit product van drie maanden. Omdat uw leverancier drie maanden levertijd heeft. De bootstrap methode houdt in dat uit deze 24 maanden drie (want drie maanden levertijd!) steekproeven met teruglegging neemt.

Je zou willekeurig kunnen kiezen voor de maanden 6, 12 en 4. Deze geven de waarden van 0, 6 en 3 en een totale vraag tijdens de levertijd van 0 + 6 + 3 = 9. U herhaalt deze steekproef en kiest, willekeurig, voor de maanden 19, 8 en 14. Deze geven de waarden van 0 + 0 + 32 = 32. Door dit zeer vaak te herhalen krijgt u een beeld van de gehele verdeling van alle mogelijke optelsommen van de ‘vraag tijdens levertijd’ voor dit product.

Figuur 1 toont het resultaat van 25.000 van dergelijke steekproeven. De waarde die het meest waarschijnlijk is, is 0. Maar de vraag tijdens de levertijd kan ook 70 zijn!

Figuur 1

Dit voorbeeld laat goed alle aspecten van bootstrapping zien. Daarbij hoort ook een reeele mogelijkheid dat de vraag in de toekomst anders is dan die in het verleden.

Met de computer rekenkracht die tegenwoordig alom beschikbaar is, biedt bootstrapping een snelle en realistische prognose van de ‘vraag tijdens de levertijd’ van duizenden of tienduizenden verschillende producten met een onregelmatige vraag.

Deze voorspellingen kunnen dan direct worden opgenomen in voorraadbeheer modellen om te verzekeren dat er voldoende voorraad beschikbaar is om aan de klantvraag te kunnen voldoen. Het is ook een garantie dat er niet meer voorraad is dan strikt noodzakelijk en het verlaagt daarmee de kosten.

Meer over bootstrapping in de online training bootstrapping ->