תחום עיסוק
עיתוד מלאי ברמת פריט
DataWise מתכננת תחזית ביקושים ברמת פריט, מלאי ביטחון דינמי והמלצות רכש שמשתלבות ב-Priority וב-ERP הקיים שלכם, ונמדדות ב״טעות הרכש״.
עודכן:
תחזית ברמת החברה יכולה להיות נכונה בזמן שהמחסן עדיין טועה: פריט אחד חסר במלאי ופריט אחר יושב על המדף שנתיים. החלטות הרכש מתקבלות ברמת פריט, ולכן גם התחזית צריכה לחיות ברזולוציית פריט. DataWise מתכננת עבור יבואנים, מפיצים ויצרנים מערכות עיתוד מלאי: תחזית ביקושים ברמת פריט, מלאי ביטחון דינמי והמלצות רכש, בשילוב מלא עם ה-ERP הקיים שלכם, כולל Priority. מדד ההצלחה מוגדר מראש, בשלב האפיון.
מה זה עיתוד מלאי ברמת פריט ולמה תחזית מצרפית לא מספיקה?
עיתוד מלאי הוא ההחלטה מה להזמין, כמה ומתי, לכל פריט בקטלוג. תחזית מצרפית טובה לתכנון יעדים, אבל היא לא עונה על שאלת הרכש של הקניין. המערכות שאנחנו מתכננים עובדות בשלוש שכבות: תחזית ביקושים ברמת פריט; חישוב מלאי ביטחון דינמי לכל פריט, במקום כלל אחיד של ‘חודשי ביטחון’ לכל הקטלוג; והמלצות רכש קונקרטיות שמגיעות אל מסך העבודה של הקניין. באפיון הייחוס שלנו, עבור יבואנים ומפיצים במחזור של כ-40 עד 115 מיליון דולר, הוגדר מדד הצלחה של שיפור ‘טעות הרכש’ בלפחות 10% מהמצב הקיים: הפער בין מה שנרכש לבין מה שבאמת היה נחוץ, שמתגלה אחר כך כמלאי מת מצד אחד וכחוסרים מצד שני.
איך זה מתחבר ל-Priority או ל-ERP אחר?
כשכבת API, לא כמערכת חלופית. את מערכת הייחוס שלנו תכננו כשירות ענן המשתלב ב-Priority: ה-ERP נשאר מערכת הרישום, שכבת התחזית קוראת ממנו היסטוריית מכירות ומלאי ומחזירה המלצות אל תהליך הרכש שהצוות שלכם כבר עובד בו. אותו עיקרון תקף לכל ERP. בנוסף תכננו עבור חברת SaaS אמריקאית בתחום רכש הבנייה מערכת תלת-שלבית בדיוק הולך וגדל: תחזית מכירות, תחזית זמני אספקה (Lead-Time) של ספקים, ושריון דינמי של מלאי ביטחון, עם אוטומציה משולבת ERP. שילוב במערכות הקיימות הוא דרישת תכנון מהיום הראשון, כי המלצה שלא מגיעה למסך של הקניין לא משנה אף הזמנה.
אילו החלטות ברמת פריט אפשר לדייק?
- כמות ומועד הזמנה לכל פריט, מתוך תחזית ביקושים ברמת פריט, במקום ‘שנה שעברה ועוד אחוז’.
- מלאי ביטחון לכל פריט, דינמי ומבוסס ביקוש, במקום כלל כיסוי אחיד.
- תזמון רכש של חומרי גלם: פיתחנו מנוע תחזית למחירי סחורות חקלאיות (חיטה, תירס, שמנים) שנבחן מול היסטוריית רכש אמיתית של מכון תערובת, לתמיכה בהחלטות תזמון קנייה ואגירת מלאי.
- חשיפה לעלויות יבוא: אפיינו ותכננו כלי תחזית למחירי הובלה ימית ולשערי מטבע כתמיכה בהחלטות רכש עבור יצרן פלסטיק.
- סיכון זמני אספקה: תחזית זמני אספקה של ספקים כשכבה בפני עצמה, כדי שהשריון ישקף מציאות ולא הבטחות קטלוג.
הוכחות
חיבור לפרויקט הדגל
בשירות התחזיות שליווינו שלוש שנים אצל יצרן תעשייתי מקבוצת Mueller, התחזיות הוזנו להתחייבויות מלאי ולתכנון ההנהלה, ונבחנו מדי חודש מול תוצאות אמת.
מהעבודות שלנו
עיתוד מלאי ברמת פריט לסביבות ERP (אפיון ותכנון), תחזית רכש תלת-שלבית לאספקת בנייה (אפיון), מנוע תחזית מחירי סחורות (פיתוח ותיקוף), תחזית הובלה ומטבע (אפיון ותכנון).
לכל העבודות הנבחרותמהתעשייה
רשת המזון More Retail בהודו חיברה תחזית ביקושים מבוססת ML להזמנות אוטומטיות: דיוק התחזית עלה מ-24% ל-76%, פחת הטריים ירד ב-30% והזמינות במדף עלתה מ-80% ל-90%, על פי מקרה לקוח של AWS. הלקח: הערך נוצר כשהתחזית מפעילה את ההזמנה, לא דוח.
שאלות ותשובות
יש לנו אלפי מק״טים. זה עומד בזה?
כן, לשם זה קיימת תחזית ברמת פריט: המערכת מחשבת תחזית לכל פריט באופן אוטומטי ומדרגת לפי השפעה כספית, כך שהקניינים משקיעים תשומת לב בפריטים שהמודל מציף כסיכון או כהזדמנות.
למה דווקא 'טעות הרכש' כמדד?
כי היא נמדדת בנתוני ה-ERP שלכם, לפני ואחרי, בלי מקום לסיפורים. באפיון הייחוס שלנו הוגדר יעד של שיפור בלפחות 10% מהמצב הקיים.
כבר יש לנו כללי מינימום-מקסימום ב-ERP. לא מספיק?
בפריטים עם ביקוש יציב, כללים קבועים עובדים, ונגיד לכם את זה ביושר. בפריטים עם עונתיות, ריכוזיות לקוחות או רגישות מחיר, רק תחזית דינמית ברמת פריט שומרת על מלאי ביטחון אמין. שלב האפיון מכמת אילו פריטים שייכים לאיזו קבוצה.