För verksamheter inom detaljhandeln i synnerhet och inom handeln i allmänhet, är tillgängligheten på artiklar på hyllan oerhört viktig. Brist på hyllan leder i de flesta fall till en förlorad affär eftersom kunden inte kommer tillbaka. Detta är en bister verklighet för våra kunder inom handeln.

Kampanjer och säsonger gör prognostiseringen svår

De vanligaste orsakerna till dålig tillgänglighet i hyllan är bristfälliga återanskaffningsrutiner och alltför dålig prognostisering av efterfrågan. God tillgänglighet blir ännu svårare att åstadkomma i samband med kampanjer och säsonger. Problemen i varupåfyllningen och beräknandet av åtgången försvåras ytterligare på grund av svinn i samband med utgående datum för färskprodukter och som utförsäljningskostnader för säsongsprodukter och produkter med kort livscykel. En annan faktor är att beställning och hantering av varor i butikerna tar mycket tid för de personer som egentligen bör syssla med försäljning och kundbetjäning. Inom partihandeln är artiklarna ofta av väldigt varierande karaktär gällande värde, försäljningsvolym, leveranstid, inkuransrisk och prognostiserbarhet. Att noggrant och manuellt kontrollera och fastställa exakta orderkvantiteter för tusentals eller tiotusentals artiklar med hänsyn till artiklarnas olika egenskaper, kräver mycket tid och resurser. Det stora antalet artiklar leder i allmänhet också till att en betydande del av inköparens arbetstid går åt till rutinmässiga påfyllnadsbeställningar. Detta leder ofta till att det inte finns tillräckligt med tid för inköpsarbetets mer strategiska arbete som att följa upp leverantörer, uppdatera köpavtal och aktivt arbeta med val av försörjning (sourcing) för artiklarna.

ABC-klassificering ger inte optimala lagernivåer

I såväl detaljhandeln som inom partihandel och grossistled är sortimenten ofta breda med ett stort antal artiklar samtidigt som kraven är höga gällande god servicegrad. Detta gör styrningen av lager i dessa branscher mycket viktig men också väldigt utmanande. Alternativet till att arbeta med manuell lagerstyrning för samtliga artiklar är ofta att approximera sortimentet till grupper av artiklar utifrån t ex ABC-klassificering, och sköta lagerstyrningen per dessa grupper. Problemet är dock att det i verkligheten ofta saknas sådana grupperingar vilket gör att artiklar med alltför olika beteenden slås ihop och styrs på samma sätt. Detta gör ofta att servicegraden går ner och lagren ökar. Det som istället skulle behövas är en automatiskt beräknad prognos utifrån det specifika mönstret på den specifika artikeln.

Bättre varuförsörjning med Optilons lösningar

Med Optilons lösningar inom prognostisering, efterfrågeplanering, kampanjanalys (Trade Promotion Forecasting), lageroptimering och återfyllnad (Store Replenishment) kan varuförsörjningen inom handel förbättras väsentligt. Vi har ett stort branschkunnande inom handel och gedigen erfarenhet inom logistik och optimering av varuflöden.

Högre lönsamhet med optimerad service

Många ser det som ett första mål att sätta rätt lagernivåer för samtliga artiklar i sortimentet. Vi på Optilon menar att man i själva verket bör börja med att komma fram till ett övergripande aggregerat mål för servicegrad per sortiment eller delsortiment. Utifrån denna övergripande servicegradsnivå kan man sedan med hjälp av riktig lageroptimering beräkna individuella servicegradsmål för samtliga SKU-lokaliseringar så att det övergripande målet uppnås på ett optimalt sätt. Lageroptimeringsverktyget räknar alltså ut den optimala mixen så att de artiklar som bör ha hög servicegrad får det, medan de som kostar för mycket i lager får lägre servicegrad. I samband med att dessa nivåer beräknas tar verktyget också fram en prognos för samtliga artiklar, prognosmetoden väljs automatiskt av verktyget utifrån artikelns beteende (kan vara normalfördelad, poissonfördelad osv).

Att på ett tillfredsställande sätt kunna förutse efterfrågan är en förutsättning för samtliga företag inom handeln. I handeln i allmänhet och i samband med snabbrörliga konsumentprodukter (FMCG) i synnerhet, finns ofta behov av en relativt omfattande kollaborativ Demand Planning Process. Många gånger är både produktchefer och marknads- och/eller kundansvariga personer involverade i processen att ta fram en gemensam bild av framtida efterfrågan. Samtidigt är det ofta nödvändigt att utgå från en matematisk beräkning av den framtida efterfrågan med hjälp av historisk efterfrågan, sk prognostisering. Denna matematiskt framtagna prognos behöver sedan anpassas utifrån information om marknaden som inte kan byggas in i en matematisk modell, exempelvis kampanjer. Optilon har flera verktyg för både Demand Planning och statistiskt beräknade prognoser och mångårig erfarenhet inom området.

Förutse kampanjers effekt med artificiell intelligens

Att prognostisera effekten av en kampanj i förhållande till grundförsäljning är fortfarande ett av de svåraste problemen i behovsstyrd planering. Kampanjer kan vara väldigt kostsamma, i vissa fall uppskattade till så mycket som 12-15 % av bruttointäkten. Att prognostisera kampanjer tar mycket tid på grund av stora mängder variabler och komplexa samband gömda i stora mängder data med mycket brus. Vanligtvis är det inte möjligt att förstå sambanden trots stor expertis hos analytikerna. Vi använder oss av kraftfull teknologi inom artificiell intelligens (Machine Learning) som för första gången gör det möjligt att på förhand prognostisera kampanjer utfall med gott resultat. Med hjälp av detta har vi sett exempel på minskning av prognosfelet med 20 %, minskning av förlorade affärer med 30 % samt 30 % lägre inkurans. 

I somliga fall är det tillräckligt att förbättra kvaliteten på prognoser och lagernivåer för att åstadkomma effekt på varuförsörjningen. I många fall är det dock också nödvändigt att se över processen gällande butikspåfyllnad och återanskaffning av artiklar (Store Replenishment Optimization). I dessa fall används resultatet av prognostisering och lageroptimering för att skapa påfyllnadsförslag för butiker och lokala lager och DC. Dessa förslag kan skapas både för de olika distributionsnivåerna mellan t ex grossist och butik och i form av inköpsorderförslag på lägsta nivån. Parametrar som tas hänsyn till vid återanskaffning är leveranstid, variation i ledtid, säkerhetslager, prognos, orderstorlek mm. Eftersom det finns en inbyggd variation i ledtid och efterfrågan så finns det i själva verket ett intervall mellan vilket påfyllnadsförslagen kan variera och ändå uppfylla det övergripande servicegradsmålet.  Den här metoden kallas ”tunneling” och ger en högre grad av flexibilitet än i normala fall.

Läs mer om våra referenser inom handel här.