3 steg att förhindra  restorders och optimera lagret

Som med de flesta problemlösningar krävs det en genomtänkt process med några få steg för att kunna optimera sitt lager. För att förhindra uppkomsten av restorders är det enklaste sättet naturligtvis att alltid ha mycket lager till hands, men om lagret inte är väl optimerat kan även det innebära konsekvenser. Genom att överproducera och upprätthålla höga lagernivåer riskerar produkter att förstöras eller till och med förfalla. Ett överskottslager innebär inte bara kostnader i sig, utan riskerar även att medföra dolda kostnader längre fram i form av att produkter som stått på hyllan för länge eventuellt kan behöva ersättas. Det finns olika sätt att beräkna en lageroptimering, vilket vi kommer att gå in på lite längre ner, men själva kärnan i att optimera lager består av tre huvudsteg: brainstorma eventuella faktorer som kan påverka lagret, samla in er data samt analysera er data. Låt oss bara kika lite snabbt på begreppet restorder innan vi dyker in i varje steg.

Vad är en restorder och vad är orsaken?

Enkelt uttryckt innebär en restorder att en produkt inte kan uppfyllas eller levereras eftersom den inte finns i lager. Detta kan inträffa om efterfrågan på produkten är högre än förväntat, eller om lagernivåerna är för låga för att möta den nuvarande efterfrågan.

Är restorders dåliga för företag?

Med ett ord, ja. Vi är alla sorters kunder och ingen av oss mår bra när en produkt eller tjänst som vi vill ha inte finns tillgänglig. Det skadar inte bara den nuvarande kundupplevelsen utan har även långsiktiga konsekvenser för ert varumärke och kundrelationer. Så... hur minskar man risken för restorders?

Här följer tre steg för att förhindra en restorder;

Steg 1: Brainstorma vilka faktorer som kan orsaka restorders... inklusive lagernivåer

Det största sättet att förhindra restorders är att se till att det finns tillräckligt med lager till hands. Om ni inte har tillräckligt med produkter i lager kommer ni att få restorders. Men att ha tillräckligt med lager till hands är endast en faktor. Ni måste också vara medvetna om alla saker som påverkar en rörlig försörjningskedja, som lager i transit, försäljningsprognos, historiskt försäljningsresultat och till och med påverkan från era egna leverantörer. Så hur håller ni era lagernivåer tillräckligt höga för att kunna bemöta kundernas efterfrågan, men tillräckligt låga för att inte riskera att hamna med ett överskottslager? Ni måste först brainstorma fram vilka faktorer som påverkar era lagernivåer. Här kan strukturerade problemlösningsverktyg som CT Trees eller fiskbensdiagram vara till hjälp.

Nedan är ett exempel på ett brainstormingsverktyg i Minitab Workspace som använder ett fiskbensdiagram.

 Steg 2: Samla in er data

När ni väl har fastställt de kritiska faktorerna som kan orsaka restorders, behöver ni samla in data om dem. Ha i åtanke att insamling av lagerdata förmodligen kommer att behöva göras från flera olika källor och system och att processen att begära in och förbereda er data kan ta tid. Fundera på hur mycket data ni behöver samla in. Till exempel, att gå tillbaka 5 år är förmodligen för mycket, med tanke på alla förändringar som har skett under den tidsperioden. Några månaders data kan vara mer rimligt, så använd ert bästa omdöme för att få fram en representativ överblick av er process. Ni kan anlita er egna IT-avdelning till med detta eller så väljer ni att använda er av ett kraftfullt dataunifieringsverktyg, som Minitab Connect, vilket hjälper er att komma åt, integrera och förbereda er data för analys.

Steg 3: Analysera er data med Predictive Analytics

När er data väl har samlats in är det dags för den roligaste delen: själva analysen! Traditionell affärsanalys och visualiseringar kan dock ge en missvisande bild, eftersom det mest sannolika scenariot att dyka upp kommer att bli följande: ju lägre lager ni har till hands, desto högre restorders! Eftersom vi redan vet detta, så är det vi verkligen letar efter att kunna identifiera följande: finns det en annan kritisk faktor som visar sig vara en viktig drivkraft för restorders? Finns det en optimal lagernivå som kan minimera restorders, utan att det medför överskottslager och överproduktion?

Så varför välja Predctive Analytics?

Föreställ er att skapa en ekvation med potentiella, orsakande faktorer till restorders för att kunna förutse vilket det förväntade antalet restorders per bidragande faktor blir. Precis som i gymnasiealgebra har dessa olika faktorer olika tyngd och i sin tur olika grad av påverkan på resultatet. Minitab har utvecklat lösningar specifikt för att hjälpa er att lösa dessa problem! För att se en faktisk analys, kolla in den här videon . Den visar ett exempel på hur man kan använda Predictive Analytics för att förutse lager.

Kontakta oss här för mer info om Minitabs produkter!