Bestandsmanagement für Ersatzteile mit Quantile-Technologie
Das Management von Ersatz- und Service-Teilen ist ebenso strategisch wichtig wie schwierig. In einer Welt, in der die meisten Ausrüstungshersteller und Einzelhändler in hart umkämpften Märkten tätig sind, ist ein hohes Servicelevel für die bestehende Kundenbasis für viele Akteure eine strategische Priorität.
Nicht nur, dass eine hohe Verfügbarkeit von Ersatzteilen dazu beiträgt, eine treue Kundenbasis aufzubauen, Produkt-/Ausrüstungsunternehmen haben auch entdeckt, dass Dienstleistungen als eine oft sehr profitable und wiederkehrende Einnahmequelle fungieren, die in der Regel gegenüber wirtschaftlichen Zyklen widerstandsfähiger ist als der Verkauf von Ausrüstung.
Allerdings stellt die effiziente Verwaltung eines Ersatzteillagers nach wie vor eine große Herausforderung dar. Trotz einer Prognose- und Bestandsplanungstechnologie, die seit mehreren Jahrzehnten existiert, ist das Ersatzteilmanagement aus einer Reihe von Gründen schwierig geblieben:
- Große Anzahl von Teilen: Selbst kleinere Ausrüstungshersteller können leicht mit der Verwaltung von mehr als hunderttausend Ersatzteilen konfrontiert werden.
- Hoher Servicelevel-Anspruch: Fehlbestände sind oft sehr kostspielig, daher sind hohe bis sehr hohe Servicelevels in vielen Branchen von entscheidender Bedeutung.
- Seltene Nachfrage: Die Nachfrage nach Ersatzteilen ist in der Regel gering und sporadisch, was bedeutet, dass nur sehr geringe Mengen gelegentlich benötigt werden.
Warum herkömmliche Prognosetechnologie schlechte Leistung erbringt
Leider ist die Kombination dieser Faktoren für die herkömmliche Bestands- und Prognosetechnologie für die Ersatzteilplanung ungeeignet. In der klassischen Prognose- und Bestandsplanungstheorie wird eine Prognose erstellt, indem Modelle wie gleitender Durchschnitt, lineare Regression und Holt-Winters angewendet werden und viel Aufmerksamkeit wird dem Prognosefehler gewidmet, der durch die Messung von MAPE oder ähnlichen Indikatoren optimiert wird. Die Umwandlung in einen vorgeschlagenen Bestand erfolgt in einem zweiten Schritt über eine klassische Sicherheitsbestandsanalyse.
Bei spärlichen Zeitreihen (auch als Slow Mover bezeichnet: geringe Stückzahl und seltene Verkäufe) versagt diese Methodik. Das Hauptproblem bei der Prognose von Slow Movern besteht darin, dass wir im Wesentlichen Nullen prognostizieren. Dies wird intuitiv offensichtlich, wenn man sich die Nachweishistorie eines typischen Ersatzteilportfolios auf täglicher, wöchentlicher oder sogar monatlicher Basis ansieht: Der mit Abstand häufigste Datenpunkt ist Null, der in einigen Fällen mehr als 50% aller erfassten Datenpunkte ausmachen kann.
Die Herausforderung bei der Prognose von Slow Movern: Gute statistische Leistung und gute Bestandspraxis sind nicht dasselbe.
Bei der Anwendung der klassischen Prognosetheorie auf diese Art von Datensatz ist die beste Prognose für ein langsam bewegendes Produkt per Definition eine Null. Eine “gute” Prognose aus statistischer Sicht liefert größtenteils Nullen, was in mathematischer Hinsicht optimal ist, aber in Bezug auf die Bestandsoptimierung nicht nützlich ist.
Die klassische Methode trennt die Prognose vollständig von der Auffüllung. Das Problem ist, dass die Situation mit einer “besseren” Prognose kaum verbessert werden kann. Was in der Praxis tatsächlich wichtig ist, ist die Genauigkeit des resultierenden Bestandsniveaus (Nachbestellpunkt), die weder gemessen noch optimiert wird.
Die Vision von der Prognosegenauigkeit zur Risikomanagement ändern
Wenn es um Slow Mover geht, glauben wir, dass der richtige Ansatz nicht darin besteht, das Problem als Prognoseproblem anzugehen und zu versuchen, die Nachfrage vorherzusagen (die größtenteils null ist). Vielmehr sollte die Analyse eine Antwort auf die Frage liefern, wie viel Bestand benötigt wird, um den gewünschten Servicestandard zu gewährleisten. Der eigentliche Zweck der Analyse besteht nicht darin, genauere Nachfrageprognosen zu erstellen, sondern eine bessere Risikoanalyse durchzuführen. Hier ändern wir grundlegend die Vision.
Direkte Bestimmung und Optimierung des Nachbestellpunkts
Quantile-Prognosen ermöglichen die Prognose des optimalen Bestands, der direkt das gewünschte Bestandsniveau liefert: Von Anfang an wird absichtlich eine Verzerrung eingeführt, um die Wahrscheinlichkeit von Über- und Unterprognosen zu verändern.
Vergleiche mit klassischer Prognosetechnologie in den Bereichen Lebensmittel, Non-Food, Hardware, Luxus und Ersatzteile zeigen konsistent, dass Quantile-Prognosen eine Leistungssteigerung von über 25% bringen, das bedeutet entweder mehr als 25% weniger Bestand oder 25% weniger Lagerbestände.
Unserer Meinung nach löst die Quantil-Technologie nicht nur das Problem der Prognose von intermittierender und spärlicher Nachfrage im Ersatzteilmanagement, sondern macht auch klassische Prognosen überflüssig.
Whitepaper zum Ersatzteilmanagement zum Download verfügbar
Laden Sie das Whitepaper Ersatzteil Bestandsmanagement mit Quantil-Technologie herunter, um eine ausführliche Diskussion des Themas zu erhalten. Weitere Whitepaper und Ressourcen zu Quantil-Prognosen und Bestandsmanagement finden Sie auf unserer Ressourcen-Seite.
Haben Sie Kommentare, Fragen oder Erfahrungen zum Ersatzteilmanagement, die Sie teilen möchten? Bitte beteiligen Sie sich unten in den Kommentaren, Ihr Beitrag ist äußerst wertvoll für unser Team.
Leserkommentare (1)
Toller Beitrag zur Bestandsmanagement-Technologie. Ich würde sagen, aus Erfahrung ist das Risiko der Prognose von Risikomanagement selbst ein Risiko, wenn man es nicht selbst macht und sich auf andere verlässt. Vor 5 Jahren | Chris Toff
