A készletgazdálkodás minden gyártó és kereskedő cégnél komoly probléma, napi szintű küzdelem a lekötött tőke és a rendelkezésre állás optimumának, továbbá a megfelelő árrésű termékek megtalálása között. Sok cégnél, ahol már van ERP, eljutottak az adott cikk min-max. készlet értékek beállításáig, de ennél ma már sokkal komolyabb optimalizálási lehetőségek állnak rendelkezésre egy “mesterséges intelligenciát” alkalmazó vállalkozás számára.
Dinamikus készletszint meghatározás az, amikor figyelembe vesszük a cikkek fogyását szezonálisan, és a rendszer jelzi, ha növelni vagy csökkenteni kell a készletszintet. Ez minden készletgazdálkodással foglalkozó cégnél kulcsfontosságú, hiszen ha túl keveset raktározok az adott cikkből (alapanyag/termék), akkor nem fogom tudni kiszolgálni a vevőmet, ha pedig túl sokat, akkor feleslegesen kötök le pénzt a készletben. Ez utóbbi hibába előszeretettel esnek bele azok a magyar KKV-k, ahol nagy nyereséggel tudják eladni a termékeiket, de számos döbbent tekintetet láttam már, amikor a BI-ban megmutattuk, hogy a busás profitot hogyan apasztják le a raktározási és pénz lekötésénél adódó (ún. opportunity) költségek.
A legmarkánsabban ez a hatás a rövid szavatossági idejű (short shelf-life) termékeknél látszik. Ide elsősorban az élelmiszer gyártók és kereskedők tartoznak. Egy sütőüzemben a tapasztalt gyártástervező a szezonalitás és a vevői keretrendelések alapján tervezi a gyártást, de még a legegyszerűbb mesterséges intelligencia algoritmus is hatékonyabb lehet nála, ami elég messze és elég részletesen tud “belenézni” a múlt adataiba.
A fenti dashboardon egy amerikai reggeliző lánc bizonyos cikkeinek előrejelzését láthatjuk, ahol a múltbeli adatok mellett az adott terület gazdasági és földrajzi adataival való korrelációt is figyelembe vettük. A 10 étteremnél nagyobb láncoknál, ahol előre elkészítik az ételt (pékség, reggelizőhely, salátabár stb.) évente 100.000 dollár (azaz 30 millió Ft) nagyságrendű megtakarítást lehet elérni minden esetben, mert nem kell a kukába dobni a naponta túlgyártott termékeket.
Meglepődne, ha látná, mennyi minden függ az adott lokáción lévő időjárástól, sőt, attól is, hogy éppen milyen holdfázisban vagyunk. A fenti műszerfalon sárga színnel jelöltük az előrejelzett fogyási mennyiségeket, a kék vonal pedig azt jelzi, hogy a valóságban mennyi fogyott az adott termékből. A grafikonokon jól látszik, hogy általában 80-90%-os pontosságú előrejelzés adható, ami lényegesen jobb, mint az étteremvezető tapasztalat- (és ösztön-) alapú becslése.
Egy kelet-magyarországi ügyfelünk átvilágítása után egyértelmű hiányosságként mutatkozott a készletgazdálkodás, ahol az igény a költségszint radikális csökkentése volt. Az optimális/minimum/maximum készletszint adatok cikkenként:
voltak a vállalatirányítási rendszerben meghatározva.
Pedig ezek alapján döntötték el a készletek beszerzési idejét és mennyiségét, így nem csoda, hogy többszöröse volt a készlet a valójában szükségesnek. Ezt tovább gondolva szükség volt egy optimalizációs folyamatra, ahol havi/heti értékesített mennyiség mentén dinamikusan kalkuláltuk a megfelelő készletszintet termékenként, szezononként.
Az optimum úgy került kialakításra, hogy tartalmazzon még egy biztonsági készlet mennyiséget is. Ennek eredményeképpen a raktárban tárolt készletmennyiség a korábbi töredékére csökkent, így több új termék bevonására is lehetőség nyílt a megtakarított költségek és felszabadított fizikai tárolóhelyek végett.
A termelésben fontos hangsúlyt fektetni arra, hogy a gyártáshoz szükséges alapanyagok és eszközök a megfelelő időpontban álljanak rendelkezésre. Ezért célszerű a készletünket úgy elhelyezni a raktárban, hogy azzal könnyítsük a dolgozóink munkáját, így növelve a hatékonyságukat. A BI lehetőséget nyújt, hogy a leggyorsabban forgó cikkekről visszajelzést küldjünk az ERP rendszernek, ezáltal a könnyen elérhető rakhelyeket ajánlja majd fel a tároláshoz.
Diagramon vizualizáljuk a fő- és alcikkcsoportokat, majd cikkeket százalékos megoszlásban. Úgynevezett lefúrással érhetők el ezek a mélységek a főcikkcsoportból indulva. Ezzel a funkcióval egy adott értékre kattintva részletesebb adatokhoz juthatunk, amelyek jelen esetben az alcikkcsoportok, és azt követően a cikkek. A vizsgálat azon cikkekre terjed ki, amelyeknek 3 éve nem volt mozgása az aktuális dátumhoz képest.
Az ügyfél célja az volt, hogy csökkentse a raktározási költségeit, melyeket egyszerűen meg tud tenni, ha azoknak a cikkeknek a raktározását felszámolja, melyeknek semmiféle mozgása nem volt. Ez a mozgás jelenthet beszerzést, áttárolást, értékesítést is.
Remélem, hogy a fenti példákból Ön is látja, a készletgazdálkodás az a terület, ahol a legkönnyebb alkalmazni egy BI rendszer mesterséges intelligencia alapú algoritmusait, és ahol a leggyorsabban jönnek a látványos eredmények.
Viszont a következő leckében is látványos eredményekről lesz szó, hiszen melyik kereskedelmi vagy cégvezető ne izzadna le, amikor az árakat kell precízen belőni. Ha túl drága lesz a termék, akkor kevés fog fogyni belőle, ha túl olcsó, akkor sok pénzt hagy a cég az ügyfeleknél. A mesterséges intelligencia ebben is tud segíteni, azaz megtalálni egy termék optimális árát.
