Tillämpa processer med bästa praxis för dina efterfrågeprognoser

By

mars 3, 2020
9 min read

Lagerplanering är en komplicerad uppgift – med allt fler kanaler, större variationer i efterfrågan och mer oregelbundna ledtider blir det allt svårare att hantera lagret, ofta inom givna ramar.

Dålig lagerplanering är mycket kostsamt. Det leder bland annat till felaktiga kombinationer av lager, för höga lagernivåer, överinvesteringar, dåligt kapitalutnyttjande och förlorade intäkter. Andra konsekvenser är problem med slutsålda varor och för mycket tid som läggs på köpprocessen.

Detta dokument tar upp några frågor som organisationer kan tillämpa i 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 möjlighet att uppnå mer kostnadseffektiva verksamheter.

Vi kommer att diskutera hur korrekta prognosmetoder, beräkning av säkerhetslager och effektiv användning av system för tidig varning kan förbättra den övergripande lagerplaneringsprocessen och förbättra lönsamheten. Vi kommer också att undersöka hur dessa frågor vanligtvis inte löses på rätt sätt inom nuvarande affärssystem och vilken metodik som kan användas för att förbättra dem.

Minskad komplexitet men ökad noggrannhet

För att minska lagerkomplexiteten i planeringsarbetet brukar företagen gå igenom en resa. Resan börjar med grundläggande beräkningar av säkerhetslager enligt ”tumregeln”, där man till den förväntade efterfrågan lägger ett visst antal dagars eller veckors täckning för att säkerställa att slutkunden får en viss servicenivå. Lagernivåerna kontrolleras huvudsakligen med hjälp av min- och maxmått.

På grund av oförutsägbarheten hos vissa artiklar, efterfrågan och betydelsen av vissa produkter, kan ”tumregel” säkerhetslager och min/max lagerstyrning ofta ändå leda till slut på lager.

Nästa steg på vägen är att försöka klassificera eller gradera produkter i viktiga områden. Dessa områden kan vara försäljningsgrad, lönsamhet, omsättning eller annat. Klasserna fastställs, ofta med hjälp av ABC-klassificeringen (Pareto-analys), och sedan tillämpas olika dagar/veckor för säkerhetslagertäckning för olika klasser. Till exempel får A-artiklar, som har den högsta försäljningsgraden, 4 veckors säkerhetslager medan B-artiklar får 3 veckor.

Frågan är då om rätt prognosmetod används. Forskning har visat att en 10% ökning av prognosprecisionen kan leda till en 10% ökning av vinsten. I nästa avsnitt undersöker vi vilka prognosmetoder som kan användas och hur man hittar den bäst lämpade prognosen för varje enskild SKU per plats.

Bästa praxis är att övergå till att använda tekniker för lageroptimering. Här granskas varje enskild SKU per plats, den bäst lämpade prognosen hittas och används för att planera den förväntade löpande efterfrågan, med hänsyn till säsongsvariationer, långsamma produkter och trender.

Den ökande trenden med shopping på internet upptäcks till exempel automatiskt och används för att skapa löpande prognoser.

Servicenivåerna kan ställas in per SKU och plats för att skapa individuella

SKU säkerhetslagerkrav. På så sätt förhindras att lagret tar slut och tillgängligheten bibehålls på en viss fastställd nivå, men med lägsta möjliga lagernivå.

Använder du rätt prognosmetoder?

En av de vanligaste metoderna som företag använder för att prognostisera den framtida efterfrågan på produkter är att beräkna ett genomsnitt av försäljningen under de senaste månaderna. Den här metoden kan fungera bra för varor som har en jämn efterfrågan, men den fungerar inte bra för andra. I följande exempel beräknas prognosen genom att beräkna ett genomsnitt av försäljningen under de senaste 6 månaderna och jämföra det med de faktiska försäljningssiffrorna:

Tillämpa processer med bästa praxis för dina efterfrågeprognoser

Som framgår av ovanstående exempel är prognosfelet mycket högt i samtliga fall och om dessa prognoser hade använts för lagerplanering skulle de antingen ha lett till för höga lagernivåer eller till en situation med slutförsäljning.

Genom att titta på figurerna ser vi att artikel 1 har ett ökande försäljningsmönster. Artikel 2 har ett minskande försäljningsmönster och artikel 3 har ett säsongsmässigt försäljningsmönster där försäljningen ökar dramatiskt i april varje år.

Eftersom olika artiklar kan ha ett mycket olika efterfrågemönster är det oerhört viktigt att välja den mest relevanta prognosmetoden för varje artikel. Exempel på prognosmoduler som kan användas baserat på olika typer av data är:

  • Exponentiell utjämning – täcker ett brett spektrum av dataegenskaper
  • Enkla metoder – för korta eller flyktiga data
  • Kurvanpassning – identifierar den allmänna formen på den kurva som data följer
  • Modeller med låg volym – för låg volym och/eller glesa data
  • Box-Jenkins – för stabila datamängder

I ständigt föränderliga affärsmiljöer är det viktigt att löpande se över prognosprocessen och ändra de prognosmetoder som används när egenskaperna hos varje post förändras.

Effekter av ovanlig aktivitet

Prognoskvaliteten är oundvikligen beroende av kvaliteten på de underliggande uppgifterna. Engångshändelser, som en dramatisk försäljningsökning eller en ovanlig minskning av efterfrågan, kan dramatiskt förändra prognosen till det sämre. Tänk på efterfrågehistoriken för den här artikeln:

Tillämpa processer med bästa praxis för dina efterfrågeprognoser

I det här fallet såldes endast 10 enheter i mars eftersom det uppstod en lagerbrist under den månaden. Orsaken var att leverantörerna inte kunde leverera vad som behövdes. Detta kommer naturligtvis att försämra kvaliteten på framtida prognoser, eftersom det inte återspeglar normal efterfrågan.

Det är viktigt att ha ett system på plats som uppmärksammar ovanliga aktiviteter, och köparna bör noggrant granska dessa transaktioner och justera de uppgifter som används för prognosändamål på ett sätt som återspeglar normal efterfrågan.

Hur bestämmer du nivån på dina säkerhetslager?

Säkerhetslager är ett reservlager som hålls för något av följande syften:

  • för att undvika lagersaldo vid ovanligt hög efterfrågan
  • för att täcka upp för den potentiella felaktigheten i efterfrågeprognosen
  • att ta hänsyn till brister i leverantörernas tjänster

När man fastställer säkerhetslagernivån är det nödvändigt att titta på orderperioden, dvs. ledtiden utöver den tid då nästa order görs. Det är mycket vanligt att affärssystem erbjuder ”tumregler” för att fastställa säkerhetslagernivån för en rad olika produkter. Dessa inkluderar till exempel:

  • en procentsats av förväntad efterfrågan under orderperioden
  • ett visst antal leveransdagar

Det kan vara farligt att tillämpa dessa förenklade regler på en rad olika produkter, eftersom förutsägbarheten för olika artiklar kan variera kraftigt, liksom leverantörernas ledtider.

Låt oss titta på ett exempel med 2 artiklar. Beställningar görs vanligtvis i början av varje månad och ledtiden är en månad. I diagrammet nedan ser vi att den genomsnittliga försäljningen av båda artiklarna är 40 enheter, men skillnaden i förutsägbarhet varierar betydligt mellan dem:

Tillämpa processer med bästa praxis för dina efterfrågeprognoser

Om vi tillämpar en tumregel som säger att säkerhetslagernivån ska vara 2 veckors genomsnittlig försäljning, skulle vi i början av varje månad beställa det prognostiserade antalet på 40 enheter, utöver de 20 enheterna i säkerhetslagret, vilket ger en total mängd på 60 enheter för båda artiklarna.

Detta skulle innebära att vi i genomsnitt skulle ha ett för stort lager för artikel 1, men att vi skulle uppleva upprepade slut på lager för artikel 2, vilket framgår av graferna nedan:

Tillämpa processer med bästa praxis för dina efterfrågeprognoser

Exemplet ovan illustrerar att det är mycket viktigt att beräkna säkerhetslager baserat på förutsägbarheten för varje post.

Det är bra att kategorisera artiklarna efter hur viktiga de är, dvs. A-, B- eller C-artiklar enligt den traditionella ABC Pareto-analysen, och fastställa den optimala servicenivån för varje artikel. Säkerhetslagret bör sedan beräknas utifrån förutsägbarheten och den önskade servicenivån. Bilderna nedan visar samma två artiklar där det ”korrekta” säkerhetslagret har beräknats med 95% sannolikhet för att lagret inte ska ta slut (konfidensnivå).

Tillämpa processer med bästa praxis för dina efterfrågeprognoser

För att upprätthålla samma servicenivå för dessa artiklar skulle vi därför behöva beställa 50 enheter för artikel 1 och 70 enheter för artikel 2 i början av varje månad.

Har ni ett system för tidig varning?

De flesta affärssystem förser användarna med rapporter som visar lagerförda produkter som har tagit slut. BI-verktyg (Business Information) är ett utmärkt sätt att skära upp och dela upp denna information i meningsfulla rapporter. Dessa rapporter pekar ut ett problem som redan finns, men ger inte en tidig varning om ett potentiellt slut på lagret.

Rapporter om tidig varning kan varna köparen för ett potentiellt problem. Exempel på användbara rapporter kan vara:

  • en lista med artiklar där antalet dagar till slutförsäljning är mindre än ledtiden
  • en lista som visar alla artiklar där försäljningen under den första veckan i månaden är mer än 50% av månadens prognos
  • en lista över artiklar där föregående dagars försäljning är mer än 50% av veckans prognos
  • en lista som drar uppmärksamhet till objekt med ovanlig aktivitet

Dessa tidiga varningsrapporter kan begränsas till A- eller B-poster som är viktiga för ditt företag, för att förhindra att inköparna blir överväldigade av data. Genom att använda den här typen av rapporter kan inköparna använda lämpliga metoder som att påskynda beställningar för att förhindra problem innan de uppstår. Det gör det också möjligt för dem att hantera undantagsfall.

Related Posts
januari 22, 2025
3 min read
Upptäck hur AGR, en ledande leverantör av programvara för lagerhantering, revolutionerade verksamheten i leveranskedjan 2024. Vår tillbakablick belyser viktiga innovationer, inklusive lageroptimering på flera platser, avancerad prognostisering och automatiserad orderplanering. Läs om hur dessa utvecklingar förenklar komplexa processer, minskar slöseri och möjliggör smartare beslutsfattande för grossister och detaljhandlare.

By