Lagerplanlegging er en kompleks oppgave – med økende komplikasjon av multikanaler, større variasjon i etterspørselen og mer uberegnelige ledetider, jobben med å administrere varelageret , ofte innenfor begrensninger, blir stadig vanskeligere.
Dårlig lagerplanlegging er svært kostbart. Det gir blant annet feil kombinasjoner av aksjer, for høye lagernivåer, overinvesteringer, dårlig utnyttelse av kapital og tapte inntekter. Andre konsekvenser inkluderer utsolgte problemer og for mye tid brukt på kjøpsprosessen.
Denne artikkelen tar opp noen problemer som organisasjoner kan bruke på virksomheten sin for å få bedre kontroll over lagerplanleggingsprosessen. Dette vil føre til høyere lønnsomhet ved å levere forbedrede servicenivåer, samtidig som lagerbeholdningen reduseres og gir mulighet for å oppnå mer kostnadseffektive operasjoner.
Vi vil diskutere hvordan korrekte prognoseteknikker, beregning av sikkerhetslagre og effektiv bruk av tidlig varslingssystemer kan forbedre den generelle lagerplanleggingsprosessen og forbedre fortjenesten. Vi vil også undersøke hvordan disse problemene vanligvis ikke løses riktig innenfor dagens forretningssystemer og hvilken metodikk som kan brukes for å forbedre dem.
Reduser kompleksiteten, men øk nøyaktigheten
For å redusere lagerkompleksiteten for planlegging, har bedrifter en tendens til å gå gjennom en reise. Reisen starter med grunnleggende «tommelfingerregel»-beregninger av sikkerhetslager, og legger til forventet etterspørsel et spesifikt antall dager eller uker, for å sikre at gitte servicenivåer oppfylles overfor sluttkunden. Lagernivåer kontrolleres hovedsakelig ved hjelp av min- og maks-mål.
På grunn av uforutsigbarheten til visse varer, etterspørselen og viktigheten av visse produkter, kan «tommelfingerregel» sikkerhetslager og min/maks-lagerkontroll ofte fortsatt føre til til utsolgt.
Neste trinn i reisen er å se etter å klassifisere eller klassifisere produkter i viktige områder.Disse områdene kan gjøres ved å bruke salgshastighet, lønnsomhet, omsetning eller andre midler. Karakterer settes, ofte ved hjelp av ABC-klassifiseringen (Pareto-analyse), og deretter påføres ulike dager/uker med sikkerhetslagerdekning for ulike karakterer. For eksempel, A-varer som har høyest salgsrate, gis 4 ukers sikkerhetslager, mens B-varer gis 3 uker.
Spørsmålet stilles da om den riktige prognosemetoden brukes. Forskning har vist at en 10% økning i prognosenøyaktighet kan føre til en 10% økning i fortjeneste. I den neste delen utforsker vi hvilke prognosemetoder som kan brukes og hvordan du finner den beste tilpasningsprognosen per individuell SKU etter sted.
Beste fremgangsmåte er å gå over til å ta i bruk teknikker for inventaroptimalisering. Her gjennomgås hver enkelt SKU etter plassering, den beste tilpasningsprognosen blir funnet og brukt til å planlegge den forventede pågående etterspørselen, tatt i betraktning sesongvariasjoner, saktegående produkter og trender.
Økende trend mot internetthandel, for eksempel , oppdages automatisk og brukes til å lage pågående prognoser.
Tjenestenivåer kan angis av SKU etter sted for å opprette individuelle
SKU sikkerhetslagerkrav. På denne måten forhindres utsolgt av beholdninger og tilgjengeligheten opprettholdes på gitt nivå, men på lavest mulig beholdningsnivå.
Bruker du riktige prognosemetoder?
En av de vanligste metodene som bedrifter bruker for å forutsi fremtidig etterspørsel etter produkter, er å snitte salget over de foregående månedene. Denne metoden kan fungere godt for varer som er i konstant etterspørsel, men den fungerer ikke bra for andre. Tenk på følgende eksempel, der prognosen beregnes ved å beregne gjennomsnittet av salget de siste 6 månedene og sammenligne det med de faktiske salgstallene:
Som kan sees fra eksemplet ovenfor er prognosefeilen svært høy i alle tilfeller, og hadde disse prognosene blitt brukt til lagerplanleggingsformål, ville de enten ha ført til for høye lagernivåer eller en lagersituasjon.
Ved å se på tallene , ser vi at vare 1 har et økende salgsmønster. Vare 2 har et avtagende salgsmønster, og vare 3 har et sesongmessig salgsmønster hvor salget øker dramatisk i april hvert år.
På grunn av at ulike varer kan ha et svært ulikt etterspørselsmønster, er det ekstremt viktig å velge den mest relevante prognosemetoden for hver vare. Eksempler på prognosemoduler som kan brukes basert på ulike typer data er:
- Eksponentiell utjevning – dekker et bredt spekter av dataegenskaper
- Enkle metoder – for korte eller flyktige data
- Kurvetilpasning – identifiserer den generelle formen til kurven som dataene følger
- Lavvolummodeller – for lavt volum og /eller sparsomme data
- Box-Jenkins – for stabile datasett
I stadig skiftende forretningsmiljøer er det viktig å holde en kontinuerlig gjennomgang av prognoseprosessen og endre prognosemetodene som brukes når egenskapene til hver vare endres.
Effekter av uvanlig aktivitet
Prognosekvalitet er uunngåelig avhengig av kvaliteten på de underliggende dataene. Engangshendelser, som en dramatisk økning i salg eller et uvanlig fall i etterspørselen, kan dramatisk endre prognosen til det verre. Vurder etterspørselshistorikken for denne varen:
I dette tilfellet ble bare 10 enheter solgt i mars fordi det skjedde en lagerutgang i løpet av den måneden. Grunnen til det var leverandørenes manglende evne til å levere det som skulle til. Dette vil åpenbart redusere kvaliteten på fremtidige prognoser, siden det ikke reflekterer normal etterspørsel.
Det er viktig å ha et system på plass som trekker oppmerksomheten mot uvanlige aktiviteter, og kjøpere bør undersøke disse transaksjonene nøye og justere dataene som brukes til prognoseformål på en måte som gjenspeiler normal etterspørsel.
Hvordan bestemmer du sikkerhetsbeholdningen din?
Sikkerhetsbeholdningen er reservebeholdning som oppbevares for ett av følgende formål:
- for å unngå lageruttak i tilfelle uvanlig etterspørsel
- for å dekke for potensiell unøyaktighet i etterspørselsprognosen
- å ta hensyn til svikt i leverandørenes tjenester
Ved fastsettelse av sikkerhetslagernivået er det nødvendig å se på bestillingsperioden, dvs. ledetiden i tillegg til tidspunktet for neste bestilling. Det er veldig vanlig at ERP-systemer tilbyr «tommelfingerregel»-metoder for å bestemme sikkerhetslagernivået over en rekke produkter. Disse inkluderer for eksempel:
- en prosentandel av forventet etterspørsel i bestillingsperioden
- et spesifikt antall dagers forsyning
Det kan være farlig å bruke disse forenklede reglene på en rekke produkter på grunn av det faktum at forutsigbarheten til varer kan variere sterkt, og det kan også leverandørers leveringstid.
La oss se på et eksempel på 2 elementer. Bestillinger gjøres vanligvis i begynnelsen av hver måned og leveringstiden er en måned. På grafen nedenfor ser vi at gjennomsnittlig salg av begge varene er 40 enheter, men forskjellen i forutsigbarhet varierer betydelig mellom dem:
Hvis vi brukte en regel tommelfinger’ som sier at sikkerhetslagernivået skal være 2 ukers gjennomsnittlig salg, bestiller vi i begynnelsen av hver måned det forventede antallet på 40 enheter, i tillegg til de 20 enhetene med sikkerhetslager, noe som bringer totalbeløpet til 60 enheter for begge varene.
Dette vil bety at vi i gjennomsnitt vil ha for høy lagerbeholdning for vare 1, men vi vil oppleve gjentatte lagerutganger for vare 2, som vist i grafene nedenfor:
Eksemplet ovenfor illustrerer at det er svært viktig å beregne sikkerhetslagre basert på forutsigbarheten til hver vare.
Det er en god praksis å kategorisere varer iht. til deres betydning, dvs. A, B eller C varer i henhold til tradisjonell ABC Pareto Analyse, og bestemme det optimale servicenivået for hver vare. Sikkerhetsbeholdningen bør da beregnes, basert på forutsigbarhet og ønsket servicenivå. Bildene nedenfor viser de samme to varene der «riktig» sikkerhetslager er beregnet med 95 % sannsynlighet for ikke å gå tom for lager (konfidensnivå).
For å opprettholde samme servicenivå for disse varene må vi derfor bestille 50 enheter for vare 1 og 70 enheter for vare 2 i begynnelsen av hver måned.
Gjør har du et tidlig varslingssystem?
De fleste forretningssystemer gir brukere rapporter som viser lagerførte produkter som har gått tom for varelager. Verktøy for forretningsinformasjon (BI) gir en utmerket måte å dele opp og dele denne informasjonen i meningsfulle rapporter. Disse rapportene identifiserer et problem som allerede eksisterer, men gir ikke en tidlig advarsel om en potensiell lagerutgang.
Tidlige varslingsrapporter kan varsle kjøperen om et potensielt problem. Eksempler på nyttige rapporter kan være:
- en liste over varer hvor antall dager til lager er mindre enn leveringstiden
- en liste som viser alle varer hvor salget er i løpet av den første uken i måneden er mer enn 50 % av månedens prognose
- en liste over varer der tidligere dagers salg er mer enn 50 % av ukens prognose
- en liste som gjør oppmerksom på varer med uvanlige aktivitet
Disse tidlige varslingsrapportene kan være begrenset til A- eller B-elementer som er viktige for bedriften din, for å forhindre at kjøpere blir overveldet av data. Ved å bruke denne typen rapporter kan kjøpere bruke passende metoder som å fremskynde bestillinger for å forhindre problemer før de oppstår. Det gjør dem også i stand til å administrere etter unntak.
