Planlægning af lager er en kompleks opgave – med stigende komplikation af multi-kanaler, større variation i efterspørgslen og mere uregelmæssige leveringstider, opgaven med at administrere lagerbeholdningen , ofte inden for begrænsninger, bliver stadig sværere.
Dårlig lagerplanlægning er meget dyr. Det resulterer blandt andet i forkerte kombinationer af aktier, for høje lagerbeholdninger, overinvesteringer, dårlig udnyttelse af kapital og tabte indtægter. Andre konsekvenser omfatter udsolgte problemer og for meget tid brugt på købsprocessen.
Dette papir rejser nogle få problemer, som organisationer kan anvende på deres virksomhed for at få bedre kontrol over deres lagerplanlægningsproces. Dette vil føre til højere rentabilitet ved at levere forbedrede serviceniveauer og samtidig sænke lagerbeholdningen og give mulighed for at opnå mere omkostningseffektive operationer.
Vi vil diskutere, hvordan korrekte prognoseteknikker, beregning af sikkerhedslagre og effektiv brug af tidligt advarselssystemer kan forbedre den overordnede lagerplanlægningsproces og forbedre indtjeningen. Vi vil også undersøge, hvordan disse problemer normalt ikke løses ordentligt inden for nuværende forretningssystemer, og hvilken metode der kan bruges til at forbedre dem.
Reducer kompleksiteten, men øg nøjagtigheden
For at reducere lagerkompleksiteten til planlægning har virksomheder en tendens til at gennemgå en rejse. Rejsen starter med grundlæggende “tommelfingerregel”-sikkerhedslagerberegninger, der tilføjer den forventede efterspørgsel et bestemt antal dage eller ugers dækning for at sikre, at givne serviceniveauer opfyldes over for slutkunden. Lagerbeholdninger styres hovedsageligt ved hjælp af min- og maks-mål.
På grund af uforudsigeligheden af visse varer, efterspørgsel og vigtighed af visse produkter, kan “tommelfingerregel”-sikkerhedslagre og min/maks-lagerkontrol ofte stadig føre til til udsolgt.
Næste trin i rejsen er at se efter at klassificere eller klassificere produkter i vigtige områder.Disse områder kan udføres ved hjælp af salgshastighed, rentabilitet, omsætning eller andre midler. Der sættes karakterer, ofte ved hjælp af ABC-klassifikationen (Pareto-analyse), og derefter anvendes forskellige dage/uger med sikkerhedslagerdækning på forskellige kvaliteter. For eksempel får A-varer, der har den højeste salgsrate, 4 ugers sikkerhedslager, mens B-varer gives 3 uger.
Derefter stilles spørgsmålet, om den korrekte prognosemetode bliver brugt. Forskning har vist, at en stigning på 10 % i prognosenøjagtighed kan føre til en stigning på 10 % i overskuddet. I det næste afsnit undersøger vi, hvilke prognosemetoder, der kan bruges, og hvordan man finder den bedste tilpasningsprognose pr. individuel SKU efter lokation.
Bedste praksis er at gå over til at anvende Inventory Optimization-teknikker. Her gennemgås hver enkelt SKU efter lokation, den bedst tilpassede prognose findes og bruges til at planlægge den forventede løbende efterspørgsel, idet der tages højde for sæsonudsving, langsomt bevægende produkter og trends.
Stigende tendens til internethandel, f.eks. , registreres automatisk og bruges til at oprette en løbende prognose.
Serviceniveauer kan indstilles af SKU efter lokation for at skabe individuelle
SKU sikkerhedslagerkrav. På denne måde forhindres udsolgte lagerbeholdninger, og tilgængeligheden opretholdes på et givet fastsat niveau, men på det lavest mulige lagerniveau.
Bruger du korrekte prognosemetoder?
En af de mest almindelige metoder, som virksomheder bruger til at forudsige fremtidig efterspørgsel efter produkter, er at gennemsnittet salget over de foregående par måneder. Denne metode kan fungere godt for varer, der er i konstant efterspørgsel, men den fungerer ikke godt for andre. Overvej følgende eksempel, hvor prognosen er beregnet ved at tage et gennemsnit af salget over de sidste 6 måneder og sammenligne det med de faktiske salgstal:
Som det kan ses fra ovenstående eksempel er prognosefejlen meget høj i alle tilfælde, og hvis disse prognoser var blevet brugt til lagerplanlægningsformål, ville de enten have ført til for store lagerbeholdninger eller en lagersituation.
Ved at se på tallene , ser vi, at vare 1 har et stigende salgsmønster. Vare 2 har et faldende salgsmønster, og vare 3 har et sæsonbestemt salgsmønster, hvor salget stiger dramatisk i april hvert år.
På grund af at forskellige varer kan have et meget forskelligt efterspørgselsmønster, er det ekstremt vigtigt at vælge den mest relevante prognosemetode for hver vare. Eksempler på prognosemoduler, der kan bruges baseret på forskellige typer data er:
- Eksponentiel udjævning – dækker en lang række datakarakteristika
- Simple metoder – til korte eller flygtige data
- Kurvetilpasning – identificerer den generelle form af kurven, som dataene følger
- Lavvolumenmodeller – for lav volumen og /eller sparsomme data
- Box-Jenkins – til stabile datasæt
I stadigt skiftende virksomhedsmiljøer er det vigtigt at holde en løbende gennemgang af prognoseprocessen og ændre de anvendte prognosemetoder, når karakteristika for hver vare ændres.
Effekter af usædvanlig aktivitet
Prognosekvalitet er uundgåeligt afhængig af kvaliteten af de underliggende data. Engangsbegivenheder, såsom en dramatisk stigning i salget eller et usædvanligt fald i efterspørgslen, kan dramatisk ændre prognosen til det værre. Overvej efterspørgselshistorikken for denne vare:
I dette tilfælde blev der kun solgt 10 enheder i marts, fordi der skete en lagerudskrivning i løbet af den måned. Årsagen til det var leverandørernes manglende evne til at levere det nødvendige. Dette vil naturligvis reducere kvaliteten af fremtidige prognoser, da det ikke afspejler normal efterspørgsel.
Det er vigtigt at have et system på plads, der gør opmærksom på usædvanlige aktiviteter, og købere bør nøje undersøge disse transaktioner og justere de data, der bruges til prognoseformål på en måde, der afspejler normal efterspørgsel.
Hvordan bestemmer du dine sikkerhedslagre?
Sikkerhedslager er reservebeholdning som opbevares til et af følgende formål:
- for at undgå lagerudbud i tilfælde af usædvanlig efterspørgsel
- for at dække over den potentielle unøjagtighed af efterspørgselsprognosen
- at tage højde for svigt i leverandørers ydelser
Ved fastlæggelse af sikkerhedslagerniveauet er det nødvendigt at se på ordreperioden, dvs. gennemløbstiden ud over det tidspunkt, hvor næste ordre foretages. Det er meget almindeligt, at ERP-systemer tilbyder “tommelfingerregel”-metoder til at bestemme sikkerhedslagerniveauet over en række produkter. Disse omfatter for eksempel:
- en procentdel af forventet efterspørgsel i ordreperioden
- et bestemt antal dages forsyning
Det kan være farligt at anvende disse forenklede regler på en række produkter, fordi forudsigeligheden af varer kan variere meget, og det samme kan leverandørernes leveringstid.
Lad os se på et eksempel på 2 elementer. Bestillinger foretages normalt i begyndelsen af hver måned, og leveringstiden er en måned. På grafen nedenfor ser vi, at det gennemsnitlige salg af begge varer er 40 enheder, men forskellen i forudsigelighed varierer betydeligt mellem dem:
Hvis vi anvendte en ‘regel tommelfinger’ og siger, at sikkerhedslagerniveauet skal være 2 ugers gennemsnitssalg, bestiller vi i begyndelsen af hver måned det forventede antal på 40 enheder, ud over de 20 enheder sikkerhedslager, hvilket bringer det samlede antal til 60 enheder for begge varer.
Dette ville betyde, at vi i gennemsnit ville have en for høj lagerbeholdning for vare 1, men vi ville opleve gentagne lagerudbud for vare 2, som vist i graferne nedenfor:
Ovenstående eksempel illustrerer, at det er meget vigtigt at beregne sikkerhedslagre baseret på forudsigeligheden af hver enkelt vare.
Det er en god praksis at kategorisere varer iht. til deres betydning, dvs. A, B eller C varer i henhold til traditionel ABC Pareto Analyse, og bestemme det optimale serviceniveau for hver vare. Sikkerhedslageret bør så beregnes ud fra forudsigeligheden og det ønskede serviceniveau. Billederne nedenfor viser de samme to varer, hvor det “korrekte” sikkerhedslager er blevet beregnet med en 95% sandsynlighed for ikke at løbe tør for lager (konfidensniveau).
For at opretholde det samme serviceniveau for disse varer skal vi derfor bestille 50 enheder til vare 1 og 70 enheder for vare 2 i begyndelsen af hver måned.
Do har du et tidligt advarselssystem?
De fleste forretningssystemer giver brugere rapporter, der viser lagerførte produkter, der er løbet tør for lager. Værktøjer til forretningsinformation (BI) giver en fremragende måde at opdele og dele disse oplysninger i meningsfulde rapporter. Disse rapporter identificerer et problem, der allerede eksisterer, men giver ikke en tidlig advarsel om en potentiel lagerudgang.
Tidlige advarselsrapporter kan advare køberen om et potentielt problem. Eksempler på nyttige rapporter kunne være:
- en liste over varer, hvor antallet af dage indtil lager er mindre end leveringstiden
- en liste, der viser alle varer, hvor der er udsalg i den første uge i måneden er mere end 50 % af månedens prognose
- en liste over varer, hvor tidligere dages udsalg er mere end 50 % af denne uges prognose
- en liste, der gør opmærksom på varer med usædvanlige aktivitet
Disse tidlige advarselsrapporter kan være begrænset til A- eller B-elementer, som er vigtige for din virksomhed, for at forhindre købere i at blive overvældet med data. Ved at bruge disse typer rapporter kan købere bruge passende metoder såsom at fremskynde ordrer for at forhindre problemer, før de opstår. Det giver dem også mulighed for at administrere-for-undtagelse.
