Lagerplanlægning er en kompleks opgave – med stigende komplikationer i form af flere kanaler, større variation i efterspørgslen og mere uberegnelige leveringstider bliver det stadig vanskeligere at styre lageret, ofte inden for begrænsede rammer.
Dårlig lagerplanlægning er meget kostbar. Det resulterer blandt andet i forkerte kombinationer af lagre, for høje lagerniveauer, overinvesteringer, dårlig udnyttelse af kapital og tabte indtægter. Andre konsekvenser er problemer med udsolgte varer og for meget tid brugt på indkøbsprocessen.
Denne artikel rejser nogle få spørgsmål, som organisationer kan anvende i deres virksomhed for at få bedre kontrol over deres lagerplanlægningsproces. Det vil føre til højere rentabilitet ved at levere bedre serviceniveauer, samtidig med at lagerbeholdningen sænkes, og der opnås en mere omkostningseffektiv drift.
Vi vil diskutere, hvordan korrekte prognoseteknikker, beregning af sikkerhedslagre og effektiv brug af systemer til tidlig varsling kan forbedre den overordnede lagerplanlægningsproces og øge indtjeningen. Vi vil også undersøge, hvordan disse problemer normalt ikke løses ordentligt i de nuværende forretningssystemer, og hvilke metoder der kan bruges til at forbedre dem.
Reducer kompleksiteten, men øg nøjagtigheden
For at reducere lagerkompleksiteten i forbindelse med planlægning har virksomheder en tendens til at gennemgå en rejse. Rejsen starter med grundlæggende “tommelfingerregel”-beregninger af sikkerhedslagre, hvor man til den forventede efterspørgsel lægger et bestemt antal dages eller ugers dækning for at sikre, at de givne serviceniveauer overholdes over for slutkunden. Lagerbeholdningerne kontrolleres hovedsageligt ved hjælp af min- og max-mål.
På grund af uforudsigeligheden af visse varer, efterspørgslen og vigtigheden af visse produkter, kan “tommelfingerregler” for sikkerhedslagre og min/max-lagerstyring ofte stadig føre til udsolgte lagre.
Næste skridt på rejsen er at forsøge at klassificere eller inddele produkter i vigtige områder. Disse områder kan være baseret på salgsrate, rentabilitet, omsætning eller andet. Klasserne fastsættes, ofte ved hjælp af ABC-klassifikation (Pareto-analyse), og derefter anvendes forskellige dage/uger med sikkerhedslagerdækning til forskellige klasser. For eksempel får A-varer, som har den højeste salgsprocent, 4 ugers sikkerhedslager, mens B-varer får 3 uger.
Spørgsmålet er så, om man bruger den rigtige prognosemetode. Forskning har vist, at en stigning på 10 % i prognosens nøjagtighed kan føre til en stigning på 10 % i overskuddet. I næste afsnit undersøger vi, hvilke prognosemetoder der kan bruges, og hvordan man finder den bedst egnede prognose for hver enkelt SKU på hvert sted.
Best practice-processen er at gå over til at anvende teknikker til lageroptimering. Her gennemgås hver enkelt SKU pr. lokation, den bedst egnede prognose findes og bruges til at planlægge den forventede løbende efterspørgsel under hensyntagen til sæsonudsving, langsomt omsættelige produkter og tendenser.
Den stigende tendens til internethandel registreres f.eks. automatisk og bruges til at skabe løbende prognoser.
Serviceniveauer kan indstilles af SKU efter placering for at skabe individuelle
Krav til SKU-sikkerhedslager. På denne måde forhindres udsolgte varer, og tilgængeligheden opretholdes på et givet niveau, men på det lavest mulige lagerniveau.
Bruger du de rigtige prognosemetoder?
En af de mest almindelige metoder, som virksomheder bruger til at forudsige den fremtidige efterspørgsel efter produkter, er at beregne et gennemsnit af salget i de foregående 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 beregnes ved at tage gennemsnittet af salget over de sidste 6 måneder og sammenligne det med de faktiske salgstal:
Som det fremgår af ovenstående eksempel, er prognosefejlen meget høj i alle tilfælde, og hvis disse prognoser var blevet brugt til lagerplanlægning, ville de enten have ført til for store lagerbeholdninger eller en udsolgt situation.
Ved at se på tallene kan vi se, 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.
Da 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 ud jævning – dækker en bred vifte af dataegenskaber
- Enkle metoder – til korte eller flygtige data
- Kurvetilpasning – identificerer den generelle form af den kurve, som dataene følger
- Modeller med lav volumen – til lav volumen og/eller sparsomme data
- Box-Jenkins – til stabile datasæt
I stadigt skiftende forretningsmiljøer er det vigtigt at foretage en løbende gennemgang af prognoseprocessen og ændre de anvendte prognosemetoder, når de enkelte varers egenskaber ændres.
Effekter af usædvanlig aktivitet
Prognosens kvalitet er uundgåeligt afhængig af kvaliteten af de underliggende data. Engangshændelser, som f.eks. en dramatisk stigning i salget eller et usædvanligt fald i efterspørgslen, kan ændre prognosen dramatisk til det værre. Overvej efterspørgselshistorikken for denne vare:
I dette tilfælde blev der kun solgt 10 enheder i marts, fordi der var udsolgt i løbet af den måned. Årsagen var leverandørernes manglende evne til at levere, hvad der var brug for. Dette vil naturligvis reducere kvaliteten af fremtidige prognoser, da det ikke afspejler den normale efterspørgsel.
Det er vigtigt at have et system på plads, der gør opmærksom på usædvanlige aktiviteter, og indkøbere bør nøje undersøge disse transaktioner og justere de data, der bruges til prognoser, på en måde, der afspejler normal efterspørgsel.
Hvordan bestemmer du niveauet for dine sikkerhedslagre?
Sikkerhedslager er en reservebeholdning, der opbevares til et af følgende formål:
- for at undgå udsolgt i tilfælde af usædvanlig efterspørgsel
- for at dække den potentielle unøjagtighed i efterspørgselsprognosen
- at tage højde for svigt i leverandørernes ydelser
Når sikkerhedslagerniveauet skal bestemmes, er det nødvendigt at se på ordreperioden, dvs. gennemløbstiden ud over det tidspunkt, hvor den næste ordre foretages. Det er meget almindeligt, at ERP-systemer tilbyder “tommelfingerregler” til at bestemme sikkerhedslagerniveauet for en række produkter. Disse omfatter f.eks:
- en procentdel af den forventede efterspørgsel i ordreperioden
- et bestemt antal dages forsyning
Det kan være farligt at anvende disse forsimplede regler på en række produkter, fordi varernes forudsigelighed kan variere meget, og det samme kan leverandørernes leveringstider.
Lad os se på et eksempel med 2 varer. Ordrer afgives 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 “tommelfingerregel”, der sagde, at sikkerhedslageret skulle svare til 2 ugers gennemsnitligt salg, ville vi i begyndelsen af hver måned bestille det forventede antal på 40 enheder ud over de 20 enheder på sikkerhedslageret, hvilket ville bringe det samlede antal op på 60 enheder for begge varer.
Det ville betyde, at vi i gennemsnit ville have et for stort lager af vare 1, men vi ville opleve gentagne udsving i lageret af vare 2, som det fremgår af graferne nedenfor:
Ovenstående eksempel illustrerer, at det er meget vigtigt at beregne sikkerhedslagre baseret på forudsigeligheden af hver enkelt vare.
Det er god praksis at kategorisere varerne efter deres vigtighed, dvs. A-, B- eller C-varer i henhold til den traditionelle ABC Pareto-analyse, og bestemme det optimale serviceniveau for hver vare. Derefter skal sikkerhedslageret beregnes ud fra forudsigeligheden og det ønskede serviceniveau. Billederne nedenfor viser de samme to varer, hvor det “korrekte” sikkerhedslager er blevet beregnet med 95 % sandsynlighed for ikke at løbe tør for varer (konfidensniveau).
For at opretholde det samme serviceniveau for disse varer skal vi derfor bestille 50 enheder af vare 1 og 70 enheder af vare 2 i begyndelsen af hver måned.
Har du et system til tidlig varsling?
De fleste forretningssystemer giver brugerne rapporter, som viser lagerførte produkter, der er løbet tør. BI-værktøjer (Business Information) er en glimrende måde at skære disse oplysninger i skiver og terninger til meningsfulde rapporter. Disse rapporter udpeger et problem, der allerede eksisterer, men giver ikke en tidlig advarsel om et potentielt udsolgt lager.
Tidlige advarselsrapporter kan gøre køberen opmærksom på et potentielt problem. Eksempler på nyttige rapporter kunne være:
- en liste over varer, hvor antallet af dage indtil udsolgt er mindre end leveringstiden
- en liste, der viser alle varer, hvor salget i den første uge af måneden er mere end 50% af månedens prognose
- en liste over varer, hvor tidligere dages salg er mere end 50% af denne uges prognose
- en liste, der henleder opmærksomheden på emner med usædvanlig aktivitet
Disse tidlige advarselsrapporter kan begrænses til A- eller B-punkter, som er vigtige for din virksomhed, for at forhindre, at indkøberne bliver overvældet af data. Ved at bruge den slags rapporter kan indkøberne bruge passende metoder som f.eks. at fremskynde ordrer for at forhindre problemer, før de opstår. Det giver dem også mulighed for at styre efter undtagelser.
