Blijven sturen op minimum voorraden of gaan vertrouwen op je forecast?

Werken met demand forecast of vraagprognoses

Blijven sturen op minimum voorraden of gaan vertrouwen op je forecast?

Dit is een vraag die vaak op tafel komt in gesprekken met bedrijven die in een selectietraject voor een nieuwe ERP-oplossing zitten.

Om te kunnen voldoen aan de steeds hogere eisen van klanten op het gebied van levertijd hebben bedrijven in hun huidige ERP-oplossing vaak minimum voorraden op eindproducten en (kritische) inkoopdelen gedefinieerd, waarmee ze anticiperen op de te verwachte klantvraag. Een robuuste en veilige manier om ervoor te zorgen dat het MRP-plan tijdig met bestelvoorstellen komt, mocht je onverhoopt onder je minimum voorraad duiken. Zeker voor bedrijven met een stabiel vraagverloop werkt dit naar behoren, maar steeds vaker hoor ik dat bedrijven worstelen met het bepalen van de omvang van de minimum voorraad en – zeker in geval van een grillig vraagverloop door bijvoorbeeld seizoenpatronen – hoe vaak die minimum voorraad bijgewerkt moet worden.

Werken met demand forecast of vraagprognoses

In zo’n geval is het effectiever om te werken met demand forecast of vraagprognoses. Immers, dan ga je écht sturen op de te verwachte klantvraag in plaats van op minimum voorraad, wat in feite een afgeleide is van wat je denkt te gaan verkopen. De meeste moderne ERP-oplossingen zijn bovendien flexibeler in het vastleggen van een dynamisch vraagverloop dan in het vastleggen van dynamische minimum voorraden. Moderne ERP-oplossingen kunnen dit verbijzonderen door forecast per klant(groep), per artikel(groep) of per Planning Bill of Material, waardoor je veel gerichter de verwachte klantvraag kan beheren. Door gebruik te maken van een speciaal (simulatie) MRP-plan kun je vervolgens de effecten van je forecast doorrekenen zonder dat dit direct impact heeft op je live MRP-plan.

In Dynamics 365 kun je zelfs Azure Machine Learning inzetten om op basis van historische verkooptransacties en zeven forecast algoritmes de verwachte vraag te voorspellen. Uiteraard is Azure Machine Learning geen Nostradamus en kun je deze voorspellingen niet één-op-één doorzetten, maar het biedt wel een gefundeerde basis die je verder kunt verrijken met additionele markt- of klantinformatie om te komen tot een forecast die betrouwbaar genoeg is om in de planning te gaan meenemen.

Is hiermee het gebruik van minimum voorraden echt overbodig geworden?

Beslist niet. Minimum voorraden kunnen gebruikt worden waarvoor ze bedoeld zijn: het ondervangen van onverwachte pieken in de vraag die niet zijn voorzien in de forecast. Met andere woorden: hoe beter je als bedrijf in staat bent om je vraag te voorspellen, hoe minder je hoeft terug te vallen op je laatste redmiddel: de minimum voorraad.