Demand planning in supply chain

 Wat is demand planning?

Demand planning is het schatten van toekomsite vraag. Vaak word ook bedoeld demand & supply planning. The APICS definitie is als volgt;

demand planning - A process of combining statistical forecasting techniques and judgment to construct demand estimates for products or services (both high and low volume; lumpy and continuous) across the supply chain from the suppliers' raw materials to the consumer's needs. Items can be aggregated by product family, geographical location, product life cycle, and so forth to determine an estimate of consumer demand for finished products, service parts, and services.

Numerous forecasting models are tested and combined with judgment from marketing, sales, distributors, warehousing, service parts, and other functions. Compare actual sales to the forecasts provided by various models and decisions to determine the best integration of techniques and judgment to minimize forecast error.

Bron: APICS dictionary 16th edition

Een demand planning zal de ondernemingen in staat stellen hun activiteiten vooruit te helpen en ervoor te zorgen dat de producten die zij produceren, verkocht kunnne worden. Het proces omvat informatie uit vele bronnen. Deze bronnen worden gecombineerd met behulp van statistische technieken om bedrijven en helpen om uit te blinken. De supply chain management van bedrijven zal de prognose gebruiken om de voorraad te optimaliseren en de productie nauwkeurig aan te sturen.

Meerdere technieken

Het is van cruciaal belang te beschikken over alle historische gegevens over de verkoop en andere daarmee verband houdende gegevens om een goed plan voor de planning van de vraag te kunnen opstellen. Weerspatronen kunnen van belang zijn voor een product. Het is ook goed om de uitschieters te bekijken. Als er natuurrampen gebeuren, kan een bedrijf meer of minder verkopen. Het zou helpen als u dit in gedachten houdt bij het maken van een nieuw vraagplan. Ook verstoringen door concurrenten zijn aanzienlijk. Hadden zij een probleem waardoor er meer van uw product werd verkocht of een promotie waardoor u omzet verloor? Kritische stappen in het proces zijn het analyseren van verzamelde gegevens en een open geest houden voor verstoringen. Sommige bedrijven bieden kunstmatige intelligentie tools aan om te helpen. Wij zijn echter voorzichtig met het adviseren van deze tools.

Cause and effect models

Cause and effect models determine customer demand to meet the available capacity. They use historical data to estimate future demand. Cause and effect models are linear and best used on a higher product portfolio management level. You can use both a regression model and the Box-Jenkins model.

Regression models

What is a regression model? It is a statistical technique for determining the best mathematical expression to describe the functional relationship between one response and more independent variables.

Box-Jenkins model

The Box Jenkins method is a forecasting technique based on regression and moving average models. The model is based not on regression of independent variables but on past observations of the item to be forecast at varying time lags and on previous error values from forecasting.

Data analysis

High-quality source data is needed to increase planning accuracy. Mistakes in the data or a bias can quickly impact the future of demand planning.

Data treatment

It is important to analyze the data to start using the input data for demand planning. Clean the data from errors and mistakes. The goal is to make data reliable and show actual past customer demand.

 

Data forecasting usage

The correct data drive the demand planning process. It is usual to use aggregated data. It is better to use product portfolio management than getting values for a single product. This broader forecasting also helps in strategic decisions. Is it worth it to invest in inventory levels? Or do we need to invest in new operations?

Time series models

Averages

When using averages, it is vital only to include the data and demand that is needed. You should include only cash flow data if you make a cash flow average. For a sales average only sales data. The plotted data and average get calculated. This average date is the input into the planning process.

 

The averages of a planning

The averages of planning include multiple future demand planning outcomes. These are then combined to form an average. This average can improve the accuracy of the plan because various methods all have their information source.

 

Moving averages

An arithmetic average of a certain number (n) of the most recent observations. As each new observation is added, the oldest observation is dropped. The value of n (the number of periods to use for the average) reflects responsiveness versus stability in the same way that the choice of smoothing constant does in exponential smoothing. There are two types of moving average: simple and weighted. With simple all numbers are taken into account equally, with weighted you can choose to make the lastest data more important. Weighted works especially well with more volatile items.

 

Exponential smoothing

It is a type of weighted moving average forecasting technique in which past observations are geometrically discounted according to their age. The heaviest weight is assigned to the most recent data. The method uses a smoothing constant to apply to the difference between the most recent forecast and the critical sales data, thus avoiding the necessity of carrying historical sales information. You can use this exponential smoothing approach for data with no trend or seasonal patterns. Higher-order exponential smoothing models can be used for data with either (or both) trend and seasonality.

 

AI planning tools

More and more demand planning software tools use AI and self-learning systems to help businesses plan their inventory and performance. Although these tools claim to become better with more sophisticated machine learning algorithms, there is a risk. Demand planning is a way of estimating the demand and also needs to give insight and overview over the data gathered and the outcomes. Planning is done using managing exceptions selecting the correct parameters and data. When the data supplied to the algorithm contains errors, it is impossible to find the cause of the wrong forecast. advancements in machine learning look promising, and software performance is getting better and more reliable. They can improve the planning if used correctly.

Skills voor Demand Planners

De vraagplanner moet beschikken over uitstekende analytische vaardigheden, data-analyse, en het vermogen om modellen te maken. De kunst van het plannen is echter meer een gevoel en de bereidheid om uit te zoeken waarom modellen wel of niet werkten. Naast numerieke vaardigheden moeten demand planners communiceren tussen verschillende afdelingen. Zij zijn ook vernieuwers die vooruitgang door automatisering bevorderen.

Goed onderwijs is ook een essentieel onderdeel van de gereedschapskist van een demand planner. Weten hoe je welke methode toepast vergt oefening en ervaring kan worden bespoedigd met behulp van een cursus zoals Certified Professional Forecaster (CPF), ontwikkeld door het Institute of Business Forecasting. Cursisten leren in de Certified Professional Forecaster cursus alle planningsvormen die in deze blog worden genoemd.

Om gecertificeerd te worden, moet je je inschrijven voor een cursus en de examens afleggen.

Visie Partners is een van de Europese partners voor het Institute of Business Forecasting in Europa.

Hulpmiddelen zoals software voor vraagplanning en supply chain management kunnen de organisatie helpen verbeteren. Demand planners moeten vertrouwd zijn met Enterprise Resource Planning (ERP)-software. Deze software zal de bron van gegevens en, uiteindelijk, de vraagvoorspelling zijn. Om het meeste uit een ERP-systeem te halen, kunnen demand planners het beste investeren in cursussen die leren hoe dergelijke tools werken. De supply chain cursussen die we aanbieden om aan deze vereiste te voldoen, zijn APICS cursussen.