Multi-criteria voorraadclassificatie met inachtneming van vraagstabiliteit

Waarom het belangrijk is de juiste reserveonderdelen op voorraad te hebben

Stel je een werkplaats voor waar reusachtige tunnelboormachines metaal en aarde verwijderen om metrolijnen onder een stad aan te leggen. Als een cruciaal reserveonderdeel ontbreekt bij een storing, kan een hele bouwplaats stil komen te liggen. Als je te veel van de verkeerde onderdelen op voorraad hebt, ligt er geld ongebruikt op de plank en worden sommige artikelen mogelijk nooit gebruikt. Dit artikel onderzoekt een slimmere manier om te beslissen welke reserveonderdelen de meeste aandacht verdienen, met nadruk niet alleen op hoeveel er wordt gebruikt, maar ook op hoe stabiel of grillig die vraag eigenlijk is.

De gebruikelijke manier waarop bedrijven hun voorraad ordenen

De meeste fabrieken hebben te maken met duizenden verschillende reserveonderdelen, bekend als stock keeping units, of SKU’s. Om hiermee om te gaan gebruiken ze vaak ABC-classificatie: een kleine groep “A”-artikelen krijgt de strengste controle, een middenklasse “B” krijgt matige aandacht, en een grote groep “C” krijgt eenvoudigere, goedkopere regels. Traditioneel is deze indeling gebaseerd op maatstaven zoals jaarlijkse waarde in geld of gemiddelde vraag. Veel geavanceerde methoden zijn voorgesteld om meerdere criteria te combineren, waaronder deskundig oordeel, optimalisatiemodellen en artificiële intelligentie. Toch beschouwen bijna al deze methoden de vraag als één getal en negeren ze grotendeels hoe sterk die vraag in de loop van de tijd op en neer gaat.

Een nieuwe focus op hoe de vraag schommelt

De auteurs betogen dat de stabiliteit van de vraag net zo belangrijk is als de omvang ervan. Een onderdeel dat elke maand in constante hoeveelheden wordt gevraagd, is redelijk eenvoudig te beheren, zelfs als de volumes hoog zijn. Daarentegen is een onderdeel waarvan de vraag sterk schommelt — plotselinge pieken gevolgd door droge periodes — veel moeilijker te plannen. Als planners deze schommelingen onderschatten, lopen ze het risico op pijnlijke tekorten en noodinkopen. Als ze te sterk reageren, kunnen ze te veel inkopen, wat leidt tot verouderde voorraad. Om dit gedrag vast te leggen gebruikt de studie drie eenvoudige statistieken uit de maandelijkse vraag uit het verleden: het gemiddelde niveau, hoe breed het varieert, en het verschil tussen de hoogste en laagste maand. Alle drie worden gezien als signalen dat een artikel meer aandacht verdient naarmate ze groter worden.

Hoe de tweefasige methode reserveonderdelen rangschikt

De kern van het artikel is een tweefasige rangschikkingsmethode genaamd het Double Ng-model, of D-Ng-model. Het bouwt voort op een eerder, spreadsheetvriendelijk wiskundig hulpmiddel dat meerdere criteria in één score kan combineren zonder dat managers gewichten hoeven te raden. In de eerste fase kijkt de methode alleen naar de drie vraaggerelateerde maatstaven en zet deze om in een “vraagstabiliteit”-score voor elke SKU. In de tweede fase wordt deze score gecombineerd met andere praktische factoren, zoals hoe duur het onderdeel is en hoe lang het duurt om opnieuw in te kopen, om een definitieve prioriteitsscore te creëren. Onderdelen worden vervolgens van meest naar minst kritisch gesorteerd en volgens de gebruikelijke ABC-verhoudingen in A-, B- of C-groepen geplaatst.

De methode getest op onderdelen van tunnelboormachines

Om te onderzoeken of de nieuwe aanpak echt helpt, pasten de auteurs deze toe op 52 reserveonderdelen die worden gebruikt voor het onderhoud van tunnelboormachines bij een Chinese fabrikant. De vraag naar deze onderdelen is berucht lastig te voorspellen, omdat projecten afhangen van overheidsbeleid, lokale grondomstandigheden en uiteenlopende onderhoudspraktijken. De onderzoekers vergeleken het nieuwe D-Ng-model met het traditionele Ng-model dat vraagstabiliteit niet expliciet meet. Ze vonden dat een aantal onderdelen van klasse veranderde wanneer instabiliteit werd meegenomen: sommige artikelen met een bescheiden gemiddelde vraag maar zeer grillig gebruik werden naar hogere-importancegroepen gepromoveerd, terwijl andere met stabielere vraag werden gedegradeerd. Met behulp van standaardformules voor voorraadniveaus en serviceniveaus simuleerden ze vervolgens hoe elke classificatie in de praktijk zou presteren.

Wat betere sortering in de praktijk betekent

De analyse toonde aan dat, over een reeks serviceniveau-doelen, de nieuwe vraagbewuste methode iets hogere percentages op tijd ingevulde orders behaalde terwijl ook de kosten voor het aanhouden van veiligheidsvoorraad daalden. De verbeteringen waren procentueel bescheiden maar financieel betekenisvol, omdat zelfs kleine besparingen optellen bij veel artikelen over lange perioden. Gevoeligheidstesten op bestelhoeveelheden lieten ook zien dat meer inkopen de serviceniveaus weliswaar verhoogt maar met snel afnemende meeropbrengsten en een stijgend risico op verouderde voorraad. Voor managers is de boodschap duidelijk: letten op hoe hobbelig de vraag is — niet alleen hoe groot die is — helpt hen moeite en geld te richten op de onderdelen die het meest waarschijnlijk problemen veroorzaken, wat leidt tot betrouwbaardere dienstverlening tegen lagere totale kosten.

Bronvermelding: Wang, C., Ning, G. Multi-criteria inventory classification considering demand stability. Sci Rep 16, 10664 (2026). https://doi.org/10.1038/s41598-026-42590-0

Trefwoorden: voorraadclassificatie, vraagvariabiliteit, onderdelbeheer, ABC-analyse, productielogistiek