Alla vi som är verksamma inom inköp och lagerstyrning, vet att det är många parametrar som ska tas i beaktande när man ska göra sina uträkningar och prognoser. Att se till att lagernivåerna är optimala kräver mycket uppmärksamhet och ansträngning och hur man än gör så är det svårt att undvika missbedömningar.
Kundernas köpbeteende förändras, en leverantör får problem med sina leveranser, eller en enkel miss i kommunikationen leden emellan får långtgående konsekvenser. Till följd av detta händer det att varor saknas när kunden vill beställa, eller vi upptäcker att vi sitter på utdaterade varor.
Frågan är hur vi vill bemöta problemet. Man kan absolut mäta, analysera och rapportera symptomen med fina rapporter om leverantörsprestanda, lageromsättningshastighet, servicenivå etc. Problemet är bara att det redan har hänt.
Business Intelligens eller lageroptimering
Idag finns ett antal smarta så kallade BI-system som ska hjälpa oss att analysera, men en sak som dessa har gemensamt, är att de jobbar reaktivt. Följden av detta blir att vi får informationen först när något redan har inträffat, istället för att se till att vi inte ställs inför situationen över huvud taget.
Det är som att vi försöker att hitta lösningar på symptomen med hjälp av BI-rapporter, istället för att lösa det underliggande problemet. Som exempel kan vi ta åldersanalyser på lagret. Naturligtvis behöver vi få en översikt av vilka varor på lagret som har blivit – eller är på väg att bli – utdaterade, men informationen kommer liksom för sent och ingenting hindrar att det uppstår igen.
Dagens smarta system bygger på sannolikhetsprognoser
Som vi skrev inledningsvis, är det många parametrar som spelar in vid beräkningen av inköp och lagerstyrning. Säljavdelningen kan baserat på sina säljmål utlova en högre försäljning än vad som faktiskt kommer att bli verklighet, det kan uppstå leveransförseningar, ändrade köpbeteenden, och så vidare. Som synes spelar den mänskliga faktorn en stor roll. Och säga vad man vill om den mänskliga hjärnan…den är fantastisk i många avseenden, men den har sina begränsningar när det kommer till att ta med i beräkningen vad som skulle kunna hända. Det kan däremot sannolikhetsprognoser göra.
Ett modernt och digitaliserat prognossystem kan förstå och kompensera för variationer i kundernas efterfrågan, leverantörernas brister i leveranssäkerhet, ändrade köpbeteenden och andra ”mänskliga faktorer. Ett sådant system beräknar sannolikheten för att försäljningsprognosen ska nås och gör utifrån detta bättre förutsägningar av nödvändiga buffertlager och framförallt minskat behov av buffert. Eftersom det också är automatiserat får det en stor påverkan på det dagliga arbetet och lönsamheten.
Systemen kan numera också använda ”mashine learning” för att lära sig förstå kundernas köpbeteende och leverantörernas förmåga att hålla vad de lovat. Alla dessa data används sedan för att göra beräkningar som i sin tur minskar risken för att ni ska hamna i situationer där varor saknas eller ligger och blir gamla.
Med andra ord; ett modernt prognossystem kan kompensera för avvikelser och jobbar proaktivt. På så sätt får ni kontroll och ser till att problemen inte uppstår, istället för att med BI-analyser reaktivt hitta och kompensera upp för problemen.
Vilket sätt passar dig bäst?