Vraagdecompositie- Het Middel Voor Een Betere Forecast Een praktisch tool voor het MT 5 maart 2016 Ir. Paul Durlinger Steven Pauly
1 0 Inleiding Een waarschuwing vooraf. Dit paper is bedoeld voor (top) managers dus de lezer zal geen formules aantreffen. En waarom (top) managers? Omdat zij de sleutel hebben tot het stand komen van een goede voorspelling. Zij moeten iets cruciaals doen. Maar sommige managers gaan gewoon dwarsliggen en frustreren het wezenlijke idee van Supply Chain Management. Wat verklappen we nog niet; zie het maar als een cliffhanger. Een uitnodiging om dit paper te lezen. Voorspellen is moeilijk, zeker als het de toekomst betreft en elke voorspelling is fout zijn zijn twee gevleugelde uitspraken over forecasting. Maar dat wil niet zeggen dat we maar helemaal niet moeten voorspellen. Voorspellingen zijn van alle tijd maar waren lang het domein van druïdes, heksen, weerdeskundigen en beursanalisten. Totdat de laatste jaren veel betaalbare forecastsoftware op de markt kwam. Voor een paar duizend euro heb je state-of-the-art software en je bentverlost van allerlei moeilijke berekeningen. Probleem is echter dat veel mensen de derde gevleugelde uitspraak of principe over forecasting vergeten zijn: Garbage In, Garbage Out. In dit paper beschrijven we het principe van vraag-decompositie : een krachtig hulpmiddel mogelijkheid om voor A-producten (de producten waar we veel aandacht aan moeten geven) een goede forecast (lees; met een kleine fout) te produceren. We kunnen deze methode gebruiken om met lage veiligheidsvoorraden een hoge servicegraad naar onze klanten te bereiken. En aan de andere kant om een bijna vergeten seriegrootte bepaling, Silver-Meal, van stal te halen. Maar eerst een historische inleiding waarvan u zich nu misschien afvraagt: So what? Gewoon lezen! Het geeft een beeld. De geschiedenis herhaalt zich een beetje. En dan vallen puzzelstukjes in elkaar. En daarbij is het leuk om aan de borreltafel te vertellen. Genoeg inleiding. We gaan beginnen. 1 Van start We beginnen rond 1960 toen Jay Forrester zijn boek Industrial Dynamics publiceerde waarin hij een opslingerverschijnsel beschreef dat bekend werd onder de naam Forrester-effect. Probleem was dat de beschrijving van dit verschijnsel wetenschappelijk was. Dat wil zeggen, met veel moeilijke formules omschreven en daardoor buiten de wetenschappelijke wereld onbekend. Binnen bedrijfskundige opleidingen was dit niet het favoriete vak, maar later bleek dit zeer relevant. Sterker nog; wij zullen het Forrester later opnieuw tegenkomen maar nu onder de naam Bull-whip effect. Het verhaal gaat verder toen 25 jaar geleden toen een van de schrijvers van dit artikel zijn afstudeerwerk verrichtte bij Mars (producent van chocolate-bars) en waar behoefte was aan een goede forecast om productie aan te sturen. Het was gemakkelijk en moeilijk tegelijkertijd. Er waren maar 20 SKU s en we hadden tig jaar afzet gegevens op dag basis. En een Operations Afdeling (OR) met enkele mensen waarbij het IQ volgens mij moeilijk te bepalen was (hoog dus). Dat was het gemakkelijke. Maar in die tijd zaten we op de scheidslijn van de mainframes (kolossale rekenmachines in even kolossale gekoelde ruimtes) en de PC. En commerciële forecast software was niet of nauwelijks beschikbaar. Ponskaarten waren nog gebruikelijk en het was gebruikelijk om 24 uur (of langer) te wachten op resultaten van berekeningen. En dan nog bestond die vaak uit de melding execution aborted of critical error ; de equivalenten van het blauwe scherm van tegenwoordig. Dat was dus het moeilijke. Waarom vertel ik dat? Omdat het ons diep leerde nadenken voordat wij het mainframe vroegen nog eens 100.000 berekeningen uit te voeren. En zeker wanneer het om invoerdata betrof. De GI was onze grootste vijand. De programma s schrijven was niet het grootste probleem. Daar waren we met de OR-afdeling voldoende capabel voor. Maar het analyseren van de data was een ander verhaal als de invoer niet echt op orde was.
2 We slaan jaren over en verplaatsen ons naar de VS waar Professor Hau Lee in 1997 zijn beroemde artikel over het Bull-Whip effect publiceerde. Hij, en een aantal industrietakken, vroegen zich af hoe het toch mogelijk was dat de vraag naar een eindproduct op eindklant niveau hartstikke vlak was, maar de vraag naar grondstoffen voor ditzelfde product alle kanten opsprong. Het verbaasde Hau Lee (en nog veel meer mensen) dat de vraag naar grondstoffen voor Pampers diepe dalen en hoge pieken vertoonden terwijl de vraag naar Pampers hartstikke vlak moest zijn. Ouders van baby s zullen dit beamen. Het verbruik is op klant-niveau perfect voorspelbaar. Lees Hau Lees artikel! Pampers of soortgelijke artikelen zijn voor elke supermarkt en drogisterij een A-artikel. Een hardloper en iets waar je eigenlijk niet van buiten voorraad mag raken. En hier gaan we dan ook naar kijken in de volgende paragraaf. 2 Het voorspellen van een A-artikel In dit paper gaan we ons alleen bezig houden met A-artikelen. Dat zijn de artikelen die de meeste omzet genereren en als het goed is de meeste marge. En dat zijn er binnen een onderneming niet echt veel. Misschien enkele tientallen tot honderdtallen SKU s. Dit lijkt weinig maar vele assortiments analyses later zijn we tot de verbijsterende conclusie gekomen dat maar een paar procent van de artikelen er écht toe doen. En de rest dan zal de lezer vragen? Het antwoord is dat die er eigenlijk niet zo veel toe doen. Je moet je afvragen waarom je ze eigenlijk in het assortiment wilt hebben. Wanneer het antwoord ja is moet de volgende vraag zijn of je er veel (besturings) aandacht wilt geven. U voelt al dat ons antwoorde nee zal zijn. Maar dit is niet het onderwerp van dit paper. We concentreren ons op de A of misschien wel AAA (heeeeel belangrijke) producten. Het eerste voorbeeld dat we geven komt uit een adviesopdracht bij een bedrijf dat veel ziekenhuizen, zorginstellingen en grote hotels als klant had. Ze leverden daar o.a. schoonmaakproducten en soortgelijke artikelen. Een van de A-producten waren handdoeken, die meteen een zorgenkindje waren. De vraag was onregelmatige en de producten volumineus en werden in grote volume-trucks aangeleverd. De leverancier van dit spul kwam enkele keren langs en op gezette tijden stonden de gangen tussen de stellingen vol met handdoeken in allerlei soorten, maten en kleuren. En natuurlijk de nodige spoedzendingen tussen door; tijd voor actie. Een van de fast-mover was handdoek ABC-1. In figuur 1 ziet de lezer de weekvraag. Figuur 1 Afzet per week voor Handdoek ABC-1 De vraag was ca 11.000 eenheden / jaar. Op week basis was dat ca 2.100 maar het vraagpatroon was niet iets waar je vrolijk van wordt. Als je dit in een computer stopt bevestig je meteen het GIGOprincipe. De computer kan wel iets uitrekenen maar je kunt er niet veel mee.
3 De onderneming hield voor dit product veiligheidsvoorraad aan. Hierbij hadden ze het geluk dat de leverancier uitermate betrouwbaar. Hij gaf een levertijd van 1 week af die hij altijd haalde (op calamiteiten na). Dus hoefde men alleen maar rekening te houden met de variatie in de vraag. Zonder in allerlei details te treden hanteerde men een veiligheidsvoorraad van 2 maal de standaardafwijking in de vraag. De standaardafwijking bedroeg ca 1.000 eenheden per week. Dus men hanteerde een veiligheidsvoorraad van 2.000 eenheden. Ongeveer één week vraag dus. Ik geef toe dat heel veel lezers nu zeggen: Das helemaal niks, hadden wij dat maar. Ik geef u helemaal gelijk, de onderneming had het allemaal goed onder controle. Maar een week veiligheidsvoorraad handdoeken ziet er heel indrukwekkend uit, ik geef het u op een briefje. Maar het bleef gek. Iedereen vond het gek omdat de vraag naar dit product toch heel regelmatig moest zijn. Navraag bevestigde dit beeld, dus vanwaar deze pieken. De bedbezetting van de klanten veranderde gedurende het jaar veranderde bijna niet. Het Pampers verhaal dus. Het toverwoord kwam via een inkoopmanager van een klant die beweerde dat hij heel regelmatig bestellingen bestelde. Dat triggerde ons tot het analyseren van de klant data. Van de twee grootste klanten bekeken we het vraag patroon en wat we vonden is weergegeven in figuur 2. Figuur 2 Afzet handdoek ABC-1 van 2 grootste klanten Zoals we zien lijken beide klanten heel regelmatig te bestellen. Zowel in tijd als in hoeveelheid. Navraag bevestigde dit beeld. Sterker nog. De top-5 klanten bleken een min of meer, vooraf, bekende afzet te hebben. Dit noem ik de bekende vraag en voor bekende vraag hoef je geen veiligheidsvoorraad aan te houden. In figuur 3 geef ik het vraagpatroon mét en zónder de 5 grootste klanten. Figuur 3 Afzet mét en zónder Top-5 klanten. We zien dat het vraagpatroon zónder de Top-5 klanten veel regelmatiger is. De gemiddelde vraag is nu gezakt naar ca 700 stuks per week maar wat nog belangrijker is dat de standaarddeviatie zakte naar 300 stuks. Een factor 3 ten opzichte van de oorspronkelijke situatie!
4 Dit verdelen van de vraag in een bekend deel en een onbekend deel noemen we vraagdecompositie en sluit naadloos aan bij het oude adagium: Ken uw klant!. We kunnen nu een stapje verder gaan en kijken naar de aanbodkant. Hoe kunnen we ons voordeel doen als we naar de leveranciers kant kijken? 3 Effecten voor de voorraadstrategie. Welke gevolgen heeft de vraagdecompositie nu voor de voorraad strategie van handdoek ABC-1. In het verleden werd bij de betreffende een EOQ-achtige benadering gehanteerd waarbij ook de wens van Full Truck Loads werd gehanteerd. De veiligheidsvoorraad werd bepaald op basis van de standaardafwijking in de vraag. Nu is de vraag verdeeld in twee componenten. Voor de onbekende vraag kunnen we de oude voorraadstrategie nog steeds volgen. Maar voor het bekende deel kunnen we een aantal dingen doen. Omdat de vraag bekend is kunnen we als seriegrootte bepaling de Silver-Meal benadering, of zelfs Wagner-Whitin (zie Durlinger [2012]). Dit zijn seriegrootte bepaling die veel betere resultaten geven dan de EOQ in omgevingen met onregelmatige maar bekende vraag. Precies de omgeving die we gecreëerd hebben met de vraag-decompositie benadering. 4 Supply Chain Management on the move Maar natuurlijk kunnen we verder gaan. We kunnen dit principe toepassen op meerdere SKU s die van dezelfde leverancier komen. We kunnen zendingen combineren en voor de fast-movers misschien meer frequente leveringen afspreken. Hetzelfde principe kunnen we uitbreiden naar de klanten. Ook zij zullen vaker leveren handig vinden in verband met ruimtebeslag. En natuurlijk moeten we de forecast delen met onze toeleverancier. Hij kan er zijn voordeel mee doen bij de productie van de SKU s. Zeker voor SKU s, die bij hem niet fast-moving zijn. Hij zal zijn eigen productie kunnen optimaliseren. Op deze manier creëren we een mooi stuk Keten-optimalisatie! Maar waarom gebeurt dit niet (vaker)? 5 De praktijk volgt de theorie niet. Een van de principes van Supply Chain Management is: Ken uw klant! en analoog daaraan Ken uw leverancier. Maar hoe vaak bezoekt een logisticus/voorraadbeheerder/planner de key klanten? Het verbijsterende antwoord is bijna nooit of nog verbijsterender; ze mogen niet. Inkoop vindt het maar niks dat deze mensen gaan praten met de leverancier. En sales begint helemaal te stuiteren bij het idee dat een planner gaat praten met de klant. Maar deze bedrijven willen allemaal SCM op het hoogste niveau bedrijven. Natuurlijk begrijp ik dat bepaalde aspecten van Inkoop en Sales niet des planners zijn. Natuurlijk moet Planning niet op de stoel van Sales en Inkoop gaan zitten. Maar ik denk dat het heel verstandig zou zijn om planners met planners te laten praten. Ze spreken dezelfde taal; aantallen, stuks of uren. Het voordeel hiervan is dat ze meteen met elkaar kunnen communiceren over zaken die ertoe doen. Een planner kan zeggen; Product X produceren we elke 6 weken of op elke dinsdag of altijd na product Y. Of ze zeggen Product Z is een fast-mover en nooit een probleem maar product A voor jullie is altijd doffe ellende. Nooit zal een onderwerp van gesprek zijn, Dat is voor Inkoop en Sales. Maar het zou toch best handig zijn om planners mee te nemen vóórdat je SLA s afspreekt. Maar ook wanneer de contracten zijn afgesloten is er nog hoop. Anders krijg je situaties zoals bij bedrijf ABCD dat product XYZ uit Verweggistan haalt. De productietijd van een 40 footcontainer van XYZ is 15 minuten (0,25 uur). De levertijd van product XYZ is 16 20 weken! Of zoals Inkoop zegt: het is goedkoper.
5 6 Literatuur Durlinger P.P.J. [2012] Wat als de EOQ niet kan? White paper www.durlinger.nl Hau L. Lee, V. Padmanabhan and Seungjin Whang [1997] Bullwhip Effect in Supply chains Uit : MIT Sloan Management Review. 38 (3): 93-102