Hoe u Intermitterende Vraag Voorspelt Een reserveonderdeel dat twee keer per jaar wordt verkocht, kan meer planningsrisico creëren dan een snellopend SKU dat elke dag wordt verkocht. Als planners beide artikelen op dezelfde manier behandelen, is het resultaat voorspelbaar: overtollige voorraad voor sommige intermitterende artikelen, voorraadtekorten voor andere, en bestelpunten die niet langer de realiteit weerspiegelen. Leren hoe u intermitterende vraag voorspelt begint met het besef dat perioden zonder vraag betekenisvolle gegevens zijn, geen ruis om weg te middelen. Voor distributeurs, fabrikanten en bedrijven in reserveonderdelen komt intermitterende vraag veel voor in long-tail-assortimenten. Ze verschijnt bij vervangende componenten, seizoensproducten, gespecialiseerde B2B-artikelen, projectmaterialen en e-commerce-SKU's met een laag volume. Het doel is niet om een gladde maandelijkse prognose af te dwingen. Het is om aanvulparameters vast te stellen die het vereiste serviceniveau beschermen met de minst praktische voorraadinvestering. Waarom Intermitterende Vraag Standaardprognoses Verslaat Traditionele prognosemethoden werken het best wanneer vraag regelmatig optreedt en de volumes variëren rond een zichtbaar patroon. Intermitterende artikelen gedragen zich anders. Een SKU kan vier maanden lang geen bestellingen hebben, en dan één bestelling van 12 stuks ontvangen. De volgende bestelling kan 45 dagen later arriveren voor twee stuks. Een eenvoudig voortschrijdend gemiddelde spreidt die vraag over elke periode. Het kan suggereren dat het artikel gestaag verkoopt tegen een fractie van een eenheid per week, ook al kopen klanten het nooit op die manier. Wanneer dat vertekende gemiddelde een ERP-bestelpunt voedt, raken inkoopbeslissingen losgekoppeld van het werkelijke bestelgedrag. Het probleem heeft twee dimensies. Ten eerste is het optreden van vraag onregelmatig: de vraag is of er een bestelling zal arriveren binnen de planningshorizon. Ten tweede is de hoeveelheid van de vraag onregelmatig: wanneer er wel een bestelling arriveert, kan de omvang sterk variëren. Een bruikbaar model voor intermitterende vraag moet beide aspecten aanpakken. De levertijd maakt de kloof kostbaarder. Als een leverancier 10 weken nodig heeft om te leveren, kan een onderdeel met slechts een paar historische bestellingen nog steeds een aanzienlijke beschermingsvoorraad vereisen. Omgekeerd legt het aanhouden van een grote, vaste buffer voor elk artikel met lage vraag werkkapitaal vast zonder de beschikbaarheid evenredig aan de kosten te verbeteren. Begin met Gegevens die het Bestelpatroon Weerspiegelen De kwaliteit van de prognose hangt minder af van het kiezen van een modieuze formule dan van het gebruik van een schone transactiegeschiedenis en de juiste tijdstructuur. Begin met verkooporder- of verbruiksgegevens op artikel-locatieniveau. Het combineren van magazijnen kan lokale vraagpatronen verbergen en ertoe leiden dat voorraad op de verkeerde plaats wordt aangehouden. Verwijder of markeer transacties die geen terugkerende klantvraag vertegenwoordigen. Dit kan retouren, interne overdrachten, eenmalige projectbestellingen, gegevenscorrecties en uitzonderlijke bulkaankopen omvatten. Verwijder grote bestellingen echter niet automatisch. Als een klant legitiem 100 stuks per jaar koopt, kan dat evenement centraal staan in het voorraadrisico dat u moet dekken. Het historische venster moet lang genoeg zijn om de bestelfrequentie van het artikel vast te leggen. Voor een onderdeel dat drie of vier keer per jaar wordt besteld, biedt 24 tot 36 maanden vaak een beter beeld dan de laatste zes maanden. Oudere geschiedenis heeft mogelijk minder gewicht nodig als het product, het klantenbestand of de markt is veranderd. Er is geen enkele terugblikperiode die bij elk SKU past. Controleer ook of de vraag echt intermitterend is of gewoon nieuw. Een recent geïntroduceerd artikel met slechts twee verkopen heeft een beperkte statistische geschiedenis. Het heeft mogelijk een vergelijkbaar artikel, beoordeling door een planner, een initieel servicebeleid, of een op-bestelling-maken-beslissing nodig, in plaats van een puur historische prognose. Classificeer Artikelen Voordat u de Planningsmethode Kiest Intermitterende vraag zou niet als één brede categorie moeten worden behandeld. Classificatie bepaalt hoeveel voorraadaandacht een SKU verdient en welke aanvullogica geschikt is. ABC-analyse identificeert het belang van een artikel in waarde of omzet. XYZ-achtige variabiliteitsclassificatie, vraagfrequentie, marge, kriticiteit en aanvoerlevertijd voegen de operationele context toe. Een goedkoop C-artikel kan gemakkelijk royaal op voorraad worden gehouden. Een A-artikel met een laag volume en een lange levertijd kan een hoog servicedoel rechtvaardigen, omdat één voorraadtekort de productielijn van een klant kan vertragen. Hier faalt een algemeen voorraadbeleid. Elk artikel dezelfde veiligheidsvoorraadregel geven kan duizenden SKU's met weinig impact overbeschermen terwijl kritieke onderdelen onderbeschermd blijven. Servicedoelen op artikelniveau creëren een duidelijkere afweging tussen beschikbaarheid en kapitaal. Een distributeur zou bijvoorbeeld een servicedoel van 98% kunnen kiezen voor kritieke reparatiecomponenten, 95% voor standaard aanvulartikelen, en een lager doel of een inkoop-op-bestelling-beleid voor traaglopende, niet-kritieke producten. Die beslissingen zijn commerciële keuzes, geen louter wiskundige uitkomsten. Hoe u Intermitterende Vraag Voorspelt met het Juiste Model Een praktische prognose voor intermitterende vraag scheidt het tempo van de vraag van de omvang van de vraag. In plaats van een verkoophoeveelheid voor elke periode te schatten, schat het hoe vaak bestellingen voorkomen en welke hoeveelheid waarschijnlijk is wanneer ze dat doen. De methode van Croston is een bekende aanpak. Ze effent hoeveelheden van niet-nul vraag afzonderlijk van de intervallen tussen vraagevenementen. Varianten zoals SBA en TSB corrigeren voor bekende vertekening en veranderende vraagwaarschijnlijkheid. Deze methoden kunnen nuttig zijn wanneer de vraag intermitterend is maar naar verwachting toch zal doorgaan. Ze zijn niet altijd het beste antwoord. Voor zeer grillige of ongelijkmatige vraag ("lumpy") kan de prognose als puntschatting minder nuttig zijn dan een simulatie van waarschijnlijke bestelgebeurtenissen en hoeveelheden tijdens de levertijd van de leverancier. Simulatie kan de werkelijke verdeling van bestelintervallen en bestelomvang gebruiken, in plaats van aan te nemen dat de vraag een normale klokcurve volgt. Dat onderscheid is belangrijk. Als historische bestellingen meestal één of twee stuks zijn, maar af en toe 20, beschrijft een gemiddelde van vier stuks het voorraadrisico niet erg goed. De bestelpuntberekening moet rekening houden met de kans dat een grote bestelling binnenkomt terwijl er geen aanbod beschikbaar is. Een capabel planningssysteem kan veel mogelijke vraaguitkomsten testen over de levertijd en de beoordelingsperiode. Het bepaalt vervolgens de veiligheidsvoorraad en het bestelpunt die nodig zijn om aan het toegewezen serviceniveau te voldoen. Dit is realistischer dan het toepassen van een statische percentagebuffer op de gemiddelde vraag. Zet de Prognose om in Aanvulinstellingen De prognose is alleen nuttig wanneer deze een inkoopbeslissing verandert. Vertaal voor elke artikel-locatie het verwachte vraaggedrag naar een bestelpunt, een aanvulniveau, een minimum- en maximumvoorraadniveau, of een ander aanvulbeleid dat door het ERP wordt ondersteund. Het bestelpunt moet de verwachte vraag tijdens de levertijd dekken, plus de voorraad die nodig is om onzekerheid op het gekozen serviceniveau op te vangen. Bij intermitterende vraag wordt de onzekerheid zowel bepaald door de waarschijnlijkheid van een bestelling als door de mogelijke hoeveelheid van die bestelling. Ze kan ook worden beïnvloed door leveranciersbetrouwbaarheid, beoordelingsfrequentie, minimale bestelhoeveelheden en verpakkingsgroottes. De bestelhoeveelheid vereist een aparte beslissing. Een berekende aanvulbehoefte kan drie stuks zijn, maar een leverancier kan een doos van 10 of een minimale bestelwaarde over meerdere SKU's vereisen. Daarom kan voorraadoptimalisatie niet stoppen bij individuele artikelprognoses. Optimalisatie van inkooporders zou de vereisten van leveranciers moeten consolideren, terwijl wordt voorkomen dat een aantrekkelijke vrachtkorting jarenlange overtollige voorraad creëert. Overweeg een vervangend onderdeel met een levertijd van 70 dagen bij de leverancier. Het heeft zeven bestellingen in de afgelopen twee jaar, doorgaans tussen één en vijf stuks, met één legitieme bestelling van 15. Een planner kan besluiten dat het onderdeel een servicedoel van 97% nodig heeft omdat het een contractueel reparatieprogramma ondersteunt. Een eenvoudig gemiddelde suggereert mogelijk slechts een kleine buffer. Een levertijdsimulatie kan aantonen dat het aanhouden van zes stuks nodig is om het doel te bereiken, terwijl het aanhouden van 15 stuks kosten toevoegt met weinig extra servicevoordeel. Meet Prognoseprestaties Anders De gemiddelde absolute procentuele fout is vaak misleidend voor intermitterende artikelen. Een periode met nul werkelijke vraag maakt procentuele berekeningen onstabiel, terwijl een prognose van één eenheid ernstig fout kan lijken, ook al leidt deze tot de juiste aanvulbeslissing. Volg operationele uitkomsten samen met prognosediagnostiek. Nuttige maatstaven zijn onder meer serviceniveau, vervullingspercentage, frequentie van voorraadtekorten, duur van backorders, voorraadwaarde, voorraadrotatie, overtollige voorraad en het aantal noodinkooporders. Beoordeel prognosevertekening over een betekenisvolle groep artikelen in plaats van te reageren op elk individueel SKU met een laag volume. Het helpt ook om uitzonderingen te monitoren. Een intermitterend artikel dat veel langer niet is verkocht dan zijn historische patroon suggereert, kan verouderd raken. Een artikel dat vaker bestellingen ontvangt dan verwacht, heeft mogelijk een herziene classificatie, een hoger servicedoel of een leveranciersgesprek nodig. Planning zou mensen op deze veranderingen moeten richten, in plaats van hen te vragen elk SKU elke week handmatig te beoordelen. Houd het Model Verbonden met het ERP Planning van intermitterende vraag verliest waarde wanneer analisten gegevens naar spreadsheets exporteren, nieuwe instellingen berekenen en weken wachten voordat wijzigingen het ERP bereiken. Bestelgeschiedenis, openstaande verkooporders, inkooporders, voorraadsaldi, levertijden en leveranciersbeperkingen moeten frequent worden gesynchroniseerd. De resulterende veiligheidsvoorraad, bestelpunten en inkoopaanbevelingen moeten terugkeren naar het operationele systeem waar inkopers en planners handelen. ABCstock past deze werkwijze toe door artikelen te classificeren, de vraag elke nacht te voorspellen, de aanvulling te simuleren tegen werkelijke verdelingen van bestelfrequentie en bestelomvang, en geoptimaliseerde parameters terug te sturen naar verbonden systemen. Het praktische doel is eenvoudig: verlaag de veiligheidsvoorraad waar het risico dit niet rechtvaardigt, terwijl de beschikbaarheid wordt beschermd waar dat wel het geval is. De meest nuttige prognose voor een intermitterend SKU is niet degene die de netste grafiek oplevert. Het is degene die een planner helpt een moeilijkere vraag met vertrouwen te beantwoorden: gegeven deze levertijd van de leverancier en deze servicebelofte, hoeveel voorraad zouden we moeten aanhouden voordat de volgende onvoorspelbare bestelling arriveert?