Lagerplanlegging er en kompleks oppgave – med økende komplikasjoner av multikanaler, større variasjon i etterspørsel og mer uregelmessige ledetider, blir jobben med å administrere lagerbeholdning, ofte innenfor begrensninger, stadig vanskeligere.
Dårlig lagerplanlegging er svært kostbart. Det gir blant annet feil kombinasjoner av aksjer, for høye lagernivåer, overinvestering, dårlig kapitalutnyttelse og tapte inntekter. Andre konsekvenser inkluderer utsolgte problemer og for mye tid brukt på kjøpsprosessen.
Dette dokumentet 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 kostnadseffektiv drift.
Vi vil diskutere hvordan riktige prognoseteknikker, beregning av sikkerhetslagre og effektiv bruk av tidlige varslingssystemer kan forbedre den generelle lagerplanleggingsprosessen og forbedre fortjenesten. Vi vil også undersøke hvordan disse problemene vanligvis ikke løses ordentlig 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 selskaper en tendens til å gå gjennom en reise. Reisen starter med grunnleggende «tommelfingerregel»-beregninger av sikkerhetslager, som legger til forventet etterspørsel et bestemt antall dager eller uker, for å sikre at gitte servicenivåer oppfylles til sluttkunden. Lagerbeholdningen kontrolleres hovedsakelig ved hjelp av min- og maksmål.
På grunn av uforutsigbarheten til visse varer, etterspørselen og viktigheten av visse produkter, kan «tommelfingerregel» sikkerhetslagre og min/maks lagerkontroll ofte fortsatt føre til utsolgt.
Det neste trinnet i reisen er å se etter å klassifisere eller gradere produkter i områder av betydning. Disse områdene kan gjøres ved hjelp av salgshastighet, lønnsomhet, omsetning eller andre midler. Karakterer settes, ofte ved hjelp av ABC-klassifiseringen (Pareto-analyse), og deretter brukes forskjellige dager/uker med sikkerhetslagerdekning på forskjellige karakterer. For eksempel får A-varer som har høyest salgsrate 4 ukers sikkerhetslager, mens B-varer får 3 uker.
Spørsmålet stilles da om riktig prognosemetode brukes. Forskning har vist at en 10 % økning i prognosenøyaktighet kan føre til en 10 % økning i fortjeneste. I neste del utforsker vi hvilke prognosemetoder som kan brukes, og hvordan du finner den beste prognosen per individuell SKU etter sted.
Beste praksis-prosess er å gå over til å ta i bruk lageroptimaliseringsteknikker. Her gjennomgås hver enkelt SKU etter sted, den beste tilpasningsprognosen blir funnet og brukt til å planlegge den forventede pågående etterspørselen, med tanke på sesongvariasjoner, saktegående produkter og trender.
Økende trend mot internetthandel, for eksempel, oppdages automatisk og brukes til å lage løpende prognose.
Servicenivåer kan angis av SKU etter lokasjon for å opprette individuelle
Krav til SKU-sikkerhetslager. På denne måten forhindres utsolgte lager og tilgjengeligheten opprettholdes på et gitt fastsatt nivå, men på lavest mulig lagernivå.
Bruker du riktige prognosemetoder?
En av de vanligste metodene som bedrifter bruker for å forutsi fremtidig etterspørsel etter produkter, er å beregne gjennomsnittet av salget de siste månedene. Denne metoden kan fungere bra for varer som er i konstant etterspørsel, men den fungerer ikke bra for andre. Tenk deg følgende eksempel, der prognosen beregnes ved å beregne gjennomsnittet av salget de siste 6 månedene og sammenligne det med de faktiske salgstallene:
Som det fremgår av 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 post 1 har et økende salgsmønster. Post 2 har et synkende salgsmønster, og post 3 har et sesongbasert salgsmønster der salget øker dramatisk i april hvert år.
På grunn av det faktum at forskjellige varer kan ha et svært forskjellig 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 på kurven som dataene følger
- Modeller med lavt volum – 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 salget 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 oppsto en lagermangel i løpet av den måneden. Årsaken til det var leverandørenes manglende evne til å levere det som trengtes. Dette vil åpenbart redusere kvaliteten på fremtidige prognoser, da det ikke gjenspeiler normal etterspørsel.
Det er viktig å ha et system på plass som trekker oppmerksomhet til uvanlige aktiviteter, og kjøpere bør nøye undersøke disse transaksjonene og justere dataene som brukes til prognoseformål på en måte som gjenspeiler normal etterspørsel.
Hvordan bestemmer du sikkerhetslagernivåene dine?
Sikkerhetslager er reservebeholdning som oppbevares for ett av følgende formål:
- for å unngå lagerbeholdning i tilfelle uvanlig etterspørsel
- for å dekke for potensiell unøyaktighet i etterspørselsprognosen
- å ta hensyn til svikt i leverandørenes tjenester
Når du bestemmer sikkerhetslagernivået, er det nødvendig å se på bestillingsperioden, dvs. ledetiden i tillegg til tidspunktet når neste bestilling gjøres. Det er svært vanlig at ERP-systemer tilbyr «tommelfingerregler»-metoder for å bestemme sikkerhetslagernivået for en rekke produkter. Disse inkluderer for eksempel:
- En prosentandel av forventet behov i løpet av ordreperioden
- et bestemt 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 samme kan leverandørenes ledetider.
La oss se på et eksempel på 2 elementer. Bestillinger gjøres vanligvis i begynnelsen av hver måned og ledetiden er en måned. På grafen nedenfor ser vi at det gjennomsnittlige salget av begge varene er 40 enheter, men forskjellen i forutsigbarhet varierer betydelig mellom dem:
Hvis vi brukte en «tommelfingerregel» som sa at sikkerhetslagernivået skulle være 2 ukers gjennomsnittlig salg, ville vi i begynnelsen av hver måned bestille prognoseantallet på 40 enheter, i tillegg til de 20 enhetene med sikkerhetslager, noe som bringer det totale beløpet til 60 enheter for begge varene.
Dette vil bety at vi i gjennomsnitt vil ha for høyt lager for vare 1, men vi vil oppleve gjentatte lagerbeholdninger for vare 2, som vist i grafene nedenfor:
Eksemplet ovenfor illustrerer at det er svært viktig å beregne sikkerhetslagre basert på forutsigbarheten til hver enkelt vare.
Det er en god praksis å kategorisere elementer etter deres betydning, dvs. A-, B- eller C-artikler i henhold til tradisjonell ABC Pareto-analyse, og bestemme det optimale servicenivået for hver vare. Sikkerhetslageret bør deretter beregnes, basert på forutsigbarhet og ønsket servicenivå. Bildene nedenfor viser de samme to varene der det «riktige» sikkerhetslageret 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.
Har du et tidlig varslingssystem?
De fleste forretningssystemer gir brukerne rapporter som viser lagerførte produkter som har gått tom for lagerbeholdning. Verktøy for forretningsinformasjon (BI) gir en utmerket måte å dele opp denne informasjonen i meningsfulle rapporter. Disse rapportene peker på et problem som allerede eksisterer, men gir ikke et tidlig varsel om en potensiell lagerbeholdning.
Tidlige varslingsrapporter kan varsle kjøperen om et potensielt problem. Eksempler på nyttige rapporter kan være:
- en liste over varer der antall dager til lagerslutt er mindre enn leveringstiden
- En liste som viser alle varer der salget 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 denne ukens prognose
- En liste som retter oppmerksomheten mot elementer med uvanlig aktivitet
Disse tidlige varslingsrapportene kan begrenses 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 ved unntak.
