Nedbring lagerværdien og øg leveringsperformance samtidigt

af Optilon Danmark

Se virksomhedsprofil  

Med den rigtige cloud baserede planlægnings løsning er man i stand til, ved at bruge historiske data og Machine learning, at analysere salgs tendenserne for hvert produkt og lokation, koble den rigtige forecasting-model på og levere et mere præcist forecast. Samtidig tager den højde for den leveringsperformance man ønsker ud mod kunderne, såvel som de krav der er til leveringstid, minimum ordre bestilling og ordreinterval.

Resultatet er en bedre leveringsperformance og en reduktion af lagerværdien samtidigt.

Order Line Fill Rates (OLFR) er et vigtigt begreb

Når vi i Optilon er ude at rådgive indenfor Supply Chain planlægning kan det ofte være svært at forstå eller forestille sig, at lageroptimering handler om at øge leveringsperformance ud mod kunderne og samtidig nedbringe lagerværdien. For hvordan kan det lade sig gøre i praksis og betaler det sig på bundlinjen?

Som oftest ser vi, at man er i stand til at øge leveringsperformance ud mod kunderne med 3-5% og at man samtidig, kan nedbringe lagerværdien med mellem 30-50%. I tider som disse så er de virksomheder der er i stand til at øge deres kundeoplevelse dem der kommer bedst ud på den anden side og derfor er det vigtigt for konkurrenceevnen. Nøglen til ovenstående er, at man fokuserer på det man i Supply Chain terminologi kalder OLFR (Order Line Fill rates). I det følgende vil vi prøve at forklare hvad vi mener.

Det er tid til at skrotte brugen af ABC klassificering

Hvis i som virksomhed stadigvæk gør brug af ABC klassificering og bøvler med lidt for høje lagre, så er det tid til at skrotte det. Ganske alene af den grund, at det flow af produkter vi ser i dag, er komplekst og fordi volumen og virksomhedernes produkt portefølje er meget varieret.  Det der ofte sker er, at de planlæggere der sidder og administrerer, ender med at bruge de samme lagerføringspolitikker på for mange produkter, hvilket ofte resulterer i alt for meget eller alt for lidt på lageret. ABC er godt til at administrere lageret, men ikke til at optimere det.

Fokuser på at måle på ordrelinje niveau

Mange har en misforstået opfattelse af, at det går godt hvis man har en god forecast præcision. Men det er en misforståelse. Forecast præcision handler om hvor godt man gør det på et aggregeret niveau og ikke på ordrelinje niveau. Et eksempel: 10 ordrer om måneden på en loftspære skal sendes til 10 forskellige adresser på 10 forskellige tidspunkter, er meget forskelligt fra 10 loftspærer der skal sendes på en bestemt dag til en adresse. Så længe der kun er en af hver vare på lageret så virker tilgangen men lige så snart der kommer en ordre på 10 loftspærer så falder leveringsperformance fra 100% til 91%.
 

Vælg en løsning der bruger Machine Learning

Den gode nyhed er, at der findes alternativer til systemer og Excel ark der forecaster på et aggregeret niveau fremfor på ordrelinje niveau. Man bør se sig om efter en løsning der anvender Machine Learning og probalistiske forecasting teknikker. Probalistiske forecasting løsninger analyserer data på et niveau hvor man ikke kun forecaster på et aggregeret niveau, men også på mulighederne for at for at honorere aktuelle ordrer til forskellige lokationer. Det vil sige man kan sætte systemet til at optimere op imod et ønsket scenarie når det gælder leveringsperformance ud mod kunderne, men samtidig også gøre det for forskellige grupper af produkter eller på et individuelt produkt. Resultatet er en bedre leveringsperformance og en reduktion af lagerværdien samtidigt.

Hent vores e-bog, hvor du kan læse mere om en effektiv tilgang til Supply Chain planlægning https://optilon.com/resource/stay-in-control-by-implementing-end-to-end-planning/