Keresés
Close this search box.

3. lecke

Ahol sok pénz tud elfolyni: a készletgazdálkodás

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 mesterséges intelligenciával

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.

Optimális készletszint figyelés

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:

  • forgalomtól,
  • ártól,
  • mérettől,
  • beszerzési időtől függetlenül

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.

Hatékony raktározás

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.

A fenti nézeten cikkcsoportonként láthatjuk, mekkora a készletérték korosított készlet szerinti bontásban, ami azt jelenti, hogy a készletet 5 kategóriába soroltuk az alapján, hogy hány napot töltött el a raktárban.

Minden cikk, aminek 3 éve nem volt mozgása

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.

Összefoglaló

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.