Supply Chain-Complexiteit Transformeren in Superieure Service-excellentie

Als Amazon vandaag uit het niets zou materialiseren, zouden weinig geestelijk gezonde mensen vertrouwen hebben in het winstgevend runnen ervan.

Wereldwijd verkoopt het bedrijf meer dan 3 miljard producten via 11 verschillende landmarkten. Alleen in de VS introduceerde Amazon in 2018 208 miljoen nieuwe producten - de meeste daarvan zijn langzame verkopers, of 'long-tail' items. Toch verdubbelden Amazons juli 2018 winsten de verwachtingen van aandeelhouders, met een kwartaalwinst van de ontzagwekkende $2,5 miljard.

Amazons succes lijkt misschien een fluke die onmogelijk te repliceren is. Echter, als je het afbreekt, werd Jeff Bezos de rijkste mens ter wereld door uit te vinden hoe drie kennelijk tegenstrijdige dingen tegelijk te doen: uitzonderlijke serviceniveaus leveren, tegen de laagst mogelijke kosten, en complexiteit managen. Ik betoog dat het bereiken van alle drie met echt succes voor elk bedrijf moeilijk is zonder geavanceerde technologiecapaciteiten.

Verander je mindset

Helaas, in een markt met groeiende vraagvolatiliteit en hogere serviceverwachtingen, raken te veel bedrijven vastgeklonken in traditionele processen en een bekende neerwaartse spiraal. Onzeker in het betrouwbaar voorspellen van een toenemend aantal SKU-combinaties, laden ze voorraad op om af te vangen long-tail, erratische vraag. Dit leidt onvermijdelijk tot problemen zoals extra vrachtkosten en overmaat en verouderde voorraad die afgeschreven moet worden of met zware korting verkocht. Planners zijn continu in reactieve en inefficiënte "brandblus"-modus, waar ze het meeste van hun tijd besteden aan het wijzigen van voorgestelde aanvullingen en het manipuleren van serviceniveaus in plaats van prestaties te sturen.

Supply chain-problemen zijn vaak het moeilijkst op te lossen omdat ze contro-intuïtieve oplossingen hebben. Als je "Amazoniaans" succes wilt bereiken, is het eerste wat je moet doen uit je eigen weg gaan en een nieuwe aanpak proberen. Zoals het bekende gezegde gaat: het zeker teken van waanzin is hetzelfde doen en andere resultaten verwachten.

Het geheim: kansenvoorspelling en voorraamoptimalisatie

De weg om complexiteit te managen en hoge serviceniveaus te bereiken, is om allereerst door de voorspellingsnauwkeurheidsbarrière te breken: in plaats van één getal te voorspellen, begrijp het bereik van mogelijkheden van vraag in je voorspelling. Deze methode heet kansenvoorspelling (probability forecasting). Met deze benadering krijg je nog steeds één getal geassocieerd met de meest waarschijnlijke uitkomst. Maar gebandeerd om dit getal krijg je een bereik van andere mogelijke uitkomsten, elk met een andere waarschijnlijkheid. Het is een alternatief voor traditionele "één-getal"-voorspelling, gebaseerd op het middelen van geaggregeerde bestelhistorienummers.

Kansenvoorspelling is ideaal voor supply chains die een groot aantal long-tail items bevatten en vraagvariabiliteit en onzekerheid ervaren door het enorme aantal factoren dat ze niet adequaat kunnen modelleren. Zoals supply chain-guru Lora Cecere concludeerde in haar blog Probabilistic Forecasting: Right Fit for Your Business?: "Voor moeilijke vraagprofielen is probabilistische voorspelling een nieuwe en krachtige techniek. Het is een type motor. Voorspellen gaat om betere wiskunde, en de fit van het datamodel om resultaten te sturen."

Je supply chain hoeft niet te complex te worden voordat het kan profiteren van kansenvoorspelling. Hier is een vereenvoudigd voorbeeld ter illustratie. Stel je wilt vraag voorspellen voor een specifieke autoband-SKU. Een enkel-getal voorspellingssysteem zou kijken naar de geschiedenis van deze band van vier eenheden per maand en gemiddelde vraag identificeren als één band per week. Omdat deze voorspelling klanten die alle vier banden tegelijk vervangen niet adresseren, zou het continu de verkeerde voorspelling en dus voorraavniveaus voorstellen om doelserviceniveaus te halen.

Voor voorraaplanning moet je de kans kennen van elke regel-orderhoeveelheid - voor één band, twee banden, drie banden, vier banden, etc. Probabilistische voorspelling levert precies die informatie, en identificeer de orderpatronen (bijv. ordergrootte, orderfrequentie) die voorraad kan gebruiken om vraag te bedienen.

We stonden eenzame man in de supply chain-wereld in de vroege jaren 90, toen we deze benadering voor het eerst begonnen te kampioenen als alternatief voor traditionele voorspelling. Vandaag, geconfronteerd met overweldigende supply chain-complexiteit, is er meer brandplatform voor bedrijven om het te proberen. Onvermijdelijk is de feedback die we krijgen: "Ik wens dat we dit eerder hadden gedaan!"

Voorraamoptimalisatie voor service-gedreven planning

Secundair stelt voorraamoptimalisatie wat we "service-gedreven planning" noemen mogelijk, door te profiteren van de schaal en variabiliteit - de complexiteit - van je SKU-portefeuille over het netwerk. In plaats van hetzelfde serviceniveau toe te wijzen aan elke SKU in een groep, krijgt elke SKU-locatie in de supply chain zijn eigen serviceniveau toegewezen dat geoptimaliseerd is om de zakelijke doelen te bereiken. Bijvoorbeeld, in plaats van alle SKU's in een klasse een 98-procent serviceniveau toe te wijzen, wordt een globaal 98-procent doel bereikt door individuele SKU-locatie serviceniveaus optimaal in te stellen op 99 procent, 97 procent, 99,5 procent, etc., wat hetzelfde algehele klantenservice-doel bereikt met veel minder voorraaakkosten.

Wereldwijde receptlenzenfabrikant Shamir Optical pasteerde kansengebaseerde voorspelling toe om meer service-gedreven te worden. In plaats van een one-size-fits-all voorraabeleid, analyseerde Shamir vraagpatronen om een mix van verschillende serviceniveau-doelen te creëren voor elke individuele SKU in elke locatie. Het bedrijf verlaagde voorraaniveaus met meer dan 25 procent in totaal, terwijl het consequent serviceniveaus boven de 99 procent bereikte.

AI en machine learning als enabler

Probabilistische voorspelling kan niet praktisch snel genoeg uitgevoerd worden door menselijke planners. Om het te laten werken, moet je het planningsproces automatiseren met een zelf-aanpassend systeem dat machine learning-technologie gebruikt - een vorm van kunstmatige intelligentie. Om kansenvoorspellingen te genereren, moet je eerst je supply chain modelleren. Meeste bedrijven beginnen met een steekproefgroep SKU's om te testen en schalen over tijd op. Tegen je model moet je dan de impact van een breed scala aan potentiële vraagvariabelen in rekening brengen. Dit kunnen traditionele inputs zijn zoals bestelgeschiedenis, andere bedrijfsbronnen als CRM-systeemdata, en zelfs externe bronnen zoals weer, beurstends en social media-trends. Omdat een supply chain-model een "levend" systeem is, leert machine learning continu en past de resultaten over tijd aan, zodat je nieuwe databronnen kunt introduceren zoals nodig. Het toepassen van AI biedt diepgaand inzicht in het gedrag van vraag en voorraad om resultaten te verbeteren.

Het goede nieuws voor mensen is dat kansenvoorspellingen, ontwerp, een startpunt zijn - niet een eindspel. Ze zijn ontworpen om planners de data te geven die ze nodig hebben om geïnformeerde oordeelsvragen te maken over servicebeleid en bijbehorende optimale voorraaniveaus over hun supply chains.

Deze AI-geaugmenteerde kansenvoorspelling vertegenwoordigt de ideale symbiose tussen mens en machine. Het systeem wordt slimmer over tijd door menselijke input te verwerken, en de mensen worden slimmer door te leren van het succespercentage van de kansenvoorspellingen. Dit vrijt planners op om zich te richten op service, aan strategische projecten te werken en hun zakelijke inzichten aan het systeem toe te voegen.

Jouw bedrijf kan ook bloeien op complexiteit

De schoonheid van kansenvoorspelling is dat terwijl serviceniveaus omhoog gaan, kosten, afval en inefficiëntie omlaag gaan. Honderden bedrijven als Shamir Optical hebben een breed scala aan voordelen behaald, van werkcapitaal vrijmaken tot het reduceren van veroudering, transport en expedite-kosten en markdowns. Veel bedrijven rapporteren responsiever te worden op marktveranderingen en betere strategische beslissingen te kunnen maken.

Voor mensen gehecht aan de "één-getal" deterministische benadering, zal kansenvoelseling contro-intuïtief aanvoelen. Echter, tenzij je in een commodity-business zit met weinig items en totaal voorspelbare vraag, zal de één-getal benadering het niet halen. Amazon gebruikt niet alleen deze methode, het biedt ook een kansenvoorspellingstool aan partnerleveranciers. Is het niet tijd dat je het een kans geeft?

Joseph Shamir is chief executive officer van ToolsGroup.