Lagerplanering är en komplex uppgift – med ökande komplicering av flera kanaler, större variation i efterfrågan och mer oberäkneliga ledtider, jobbet med att hantera lager , ofta inom begränsningar, blir allt svårare.
Dålig lagerplanering är mycket kostsamt. Det resulterar bland annat i felaktiga lagerkombinationer, för höga lagernivåer, överinvesteringar, dåligt utnyttjande av kapital och förlorade intäkter. Andra konsekvenser inkluderar problem med slut i lager och för mycket tid som ägnas åt köpprocessen.
Det här dokumentet tar upp några frågor som organisationer kan tillämpa på sin verksamhet för att få bättre kontroll över sin lagerplaneringsprocess. Detta kommer att leda till högre lönsamhet genom att leverera förbättrade servicenivåer samtidigt som lagret sänks och ger ett sätt att uppnå mer kostnadseffektiva operationer.
Vi kommer att diskutera hur korrekta prognostiseringstekniker, beräkning av säkerhetslager och effektiv användning av tidiga lösningar varningssystem kan förbättra den övergripande lagerplaneringsprocessen och förbättra vinsten. Vi kommer också att undersöka hur dessa problem vanligtvis inte löses korrekt inom nuvarande affärssystem och vilken metodik som kan användas för att förbättra dem.
Minska komplexiteten men öka noggrannheten
< p>För att minska lagerkomplexiteten för planering tenderar företag att gå igenom en resa. Resan börjar med grundläggande ”tumregel” säkerhetslagerberäkningar, och lägger till förväntad efterfrågan ett visst antal dagar eller veckor, för att säkerställa att givna servicenivåer uppfylls för slutkunden. Lagernivåer kontrolleras huvudsakligen med hjälp av min- och maxmått.
På grund av oförutsägbarheten hos vissa varor, efterfrågan och betydelsen av vissa produkter, kan ”tumregel” säkerhetslager och min/max-lagerkontroll ofta fortfarande leda till till slut i lager.
Nästa steg i resan är att se till att klassificera eller klassificera produkter i viktiga områden.Dessa områden kan göras med hjälp av försäljningshastighet, lönsamhet, omsättning eller andra sätt. Betyg sätts, ofta med hjälp av ABC-klassificeringen (Pareto Analys), och sedan tillämpas olika dagar/veckor av skyddslager för olika kvaliteter. Till exempel, A-varor som har den högsta försäljningstakten får 4 veckors säkerhetslager medan B-artiklar ges 3 veckor.
Frågan ställs då om den korrekta prognosmetoden används. Forskning har visat att en 10% ökning av prognosnoggrannheten kan leda till en 10% ökning av vinsten. I nästa avsnitt undersöker vi vilka prognosmetoder som kan användas och hur man hittar den bästa anpassningsprognosen per enskild SKU efter plats.
Bästa praxis är att gå över till att använda tekniker för lageroptimering. Här granskas varje enskild SKU per plats, den bästa passformsprognosen hittas och används för att planera den förväntade pågående efterfrågan, med hänsyn till säsongsvariationer, långsamma produkter och trender.
Ökande trend mot internethandel, till exempel , upptäcks automatiskt och används för att skapa pågående prognos.
Servicenivåer kan ställas in av SKU efter plats för att skapa individuella
SKU-säkerhetslagerkrav. På detta sätt förhindras slut i lager och tillgängligheten bibehålls på en given nivå men på lägsta möjliga lagernivå.
Använder du korrekta prognosmetoder?
< p>En av de vanligaste metoderna som företag använder för att förutsäga framtida efterfrågan på produkter är att beräkna ett genomsnitt av försäljningen under de senaste månaderna. Denna metod kan fungera bra för artiklar som är i konstant efterfrågan men den fungerar inte bra för andra. Tänk på följande exempel, där prognosen beräknas genom ett genomsnitt av försäljningen under de senaste 6 månaderna och jämför den med de faktiska försäljningssiffrorna:
Som kan ses från exemplet ovan är prognosfelet mycket högt i alla fall och om dessa prognoser hade använts för lagerplaneringsändamål skulle de antingen ha lett till för höga lagernivåer eller en lagerförlustsituation.
Genom att titta på siffrorna , ser vi att artikel 1 har ett ökande försäljningsmönster. Artikel 2 har ett minskande försäljningsmönster och artikel 3 har ett säsongsbetonat försäljningsmönster där försäljningen ökar dramatiskt i april varje år.
På grund av att olika varor kan ha väldigt olika efterfrågemönster är det extremt viktigt att välja den mest relevanta prognosmetoden för varje post. Exempel på prognosmoduler som kan användas baserat på olika typer av data är:
- Exponentiell utjämning – täcker ett brett utbud av dataegenskaper
- Enkla metoder – för korta eller flyktiga data< /li>
- Kurvanpassning – identifierar den allmänna formen av kurvan som data följer
- Lågvolymmodeller – för låg volym och /eller sparsam data
- Box-Jenkins – för stabila datamängder
I ständigt föränderliga affärsmiljöer är det viktigt att hålla en pågående genomgång av prognosprocessen och ändra de prognosmetoder som används när egenskaperna för varje objekt ändras.
Effekter av ovanlig aktivitet
Prognoskvalitet är oundvikligen beroende av kvaliteten på de underliggande uppgifterna. Engångshändelser, som en dramatisk ökning av försäljningen eller en ovanlig efterfrågan, kan dramatiskt förändra prognosen till det sämre. Tänk på efterfrågehistoriken för denna artikel:
I detta fall såldes endast 10 enheter i mars eftersom en lagerförlust inträffade under den månaden. Anledningen till det var leverantörernas oförmåga att leverera det som behövdes. Detta kommer uppenbarligen att minska kvaliteten på framtida prognoser, eftersom det inte speglar normal efterfrågan.
Det är viktigt att ha ett system på plats som uppmärksammar ovanliga aktiviteter, och köpare bör noggrant undersöka dessa transaktioner och justera data som används för prognosändamål på ett sätt som återspeglar normal efterfrågan.
Hur bestämmer du dina säkerhetslagernivåer?
Säkerhetslager är reservlager som sparas för något av följande syften:
- för att undvika lageruttag vid ovanlig efterfrågan
- för att täcka eventuella felaktigheter i efterfrågeprognosen
< li>för att ta hänsyn till fel i leverantörernas tjänster
Vid bestämning av säkerhetslagernivån är det nödvändigt att titta på beställningsperioden, dvs. ledtiden utöver den tidpunkt då nästa beställning görs. Det är mycket vanligt att affärssystem erbjuder ”tumregel”-metoder för att fastställa säkerhetslagernivån över en rad produkter. Dessa inkluderar till exempel:
- en procentandel av förväntad efterfrågan under beställningsperioden
- ett specifikt antal dagars utbud
Det kan vara farligt att tillämpa dessa förenklade regler på en rad produkter på grund av det faktum att förutsägbarheten hos varor kan variera mycket och det kan även leverantörernas ledtider.
Låt oss titta på ett exempel på 2 objekt. Beställningar görs vanligtvis i början av varje månad och ledtiden är en månad. På grafen nedan ser vi att den genomsnittliga försäljningen av båda föremålen är 40 enheter men skillnaden i förutsägbarhet varierar avsevärt mellan dem:
Om vi tillämpade en ’regel tummen” och säger att säkerhetslagernivån bör vara 2 veckors genomsnittlig försäljning, skulle vi i början av varje månad beställa det prognostiserade antalet 40 enheter, utöver de 20 enheterna säkerhetslager, vilket ger det totala beloppet till 60 enheter för båda artiklarna.
Detta skulle innebära att vi i genomsnitt skulle ha för högt lager för artikel 1, men vi skulle uppleva upprepade lagerförluster för artikel 2, som visas i graferna nedan:
< p class=" block-img">
Exemplet ovan illustrerar att det är mycket viktigt att beräkna säkerhetslager utifrån varje artikels förutsägbarhet.
Det är en god praxis att kategorisera föremål enligt till deras betydelse, dvs. A, B eller C artiklar enligt traditionell ABC Pareto Analys, och bestäm den optimala servicenivån för varje objekt. Säkerhetslagret bör då beräknas utifrån förutsägbarheten och önskad servicenivå. Bilderna nedan visar samma två artiklar där ”korrekt” säkerhetslager har beräknats med en 95% sannolikhet för att inte ta slut i lager (konfidensnivå).
< p>För att bibehålla samma servicenivå för dessa varor skulle vi därför behöva beställa 50 enheter för artikel 1 och 70 enheter för artikel 2 i början av varje månad.
Gör har du ett system för tidig varning?
De flesta affärssystem förser användare med rapporter som visar lagerförda produkter som har tagit slut i lager. Verktyg för affärsinformation (BI) ger ett utmärkt sätt att dela upp och skära upp denna information till meningsfulla rapporter. Dessa rapporter pekar ut ett problem som redan finns, men ger ingen tidig varning om en potentiell lagerförlust.
Tidiga varningsrapporter kan varna köparen om ett potentiellt problem. Exempel på användbara rapporter kan vara:
- en lista över artiklar där antalet dagar till lager är mindre än ledtiden
- en lista som visar alla artiklar där rean under den första veckan i månaden är mer än 50 % av månadens prognos
- en lista över artiklar där tidigare dagars rea är mer än 50 % av veckans prognos
- en lista som uppmärksammar artiklar med ovanliga aktivitet
Dessa tidiga varningsrapporter kan begränsas till A- eller B-objekt som är viktiga för ditt företag, för att förhindra att köpare blir överväldigade med data. Genom att använda den här typen av rapporter kan köpare använda lämpliga metoder som att påskynda beställningar för att förhindra problem innan de uppstår. Det gör det också möjligt för dem att hantera efter undantag.
