מלאי ביטחון דינמי ברמת פריט

כמה מלאי ביטחון צריך להחזיק לכל פריט? לא תשובה אחת לכל הקטלוג. כלל אחיד של ‘חודשי ביטחון’ טועה פעמיים: יותר מדי מלאי לפריטים יציבים, פחות מדי לפריטים תנודתיים, והמחיר מתגלה אחר כך כמלאי מת על מדף אחד וכחוסרים על מדף אחר. אנחנו מתכננים מלאי ביטחון כחישוב פר פריט, שנגזר מהתנהגות הביקוש של הפריט עצמו, ומגיע כהמלצות רכש אל תוך ה-ERP שהקניינים שלכם כבר עובדים בו. העיקרון שמאחורי זה מלווה את כל תחום העיתוד שלנו: כל פריט, וכל נקודה, לומדים את השוק של עצמם.

איך זה עובד#

לתכנון שלוש שכבות, והסדר חשוב.

ראשית, תחזית ביקושים ברמת פריט: כל פריט מקבל תחזית משלו, באופן אוטומטי לכל הקטלוג, כך שעונתיות, מגמה וריכוזיות לקוחות נלמדות פר פריט ולא מונחות מראש לפי ממוצע קטגוריה.

שנית, מלאי ביטחון דינמי: במקום כלל כיסוי קבוע, מרווח הביטחון לכל פריט מחושב מאי-הוודאות של התחזית ומזמני האספקה (Lead-Time) של הספק. פריט יציב עם ספק אמין מצריך מרווח ביטחון דק; פריט תנודתי עם הובלה ימית ארוכה מצריך מרווח ביטחון עבה יותר. מרווח הביטחון זז כשהנתונים זזים.

שלישית, המלצות רכש: התוצר אינו דוח אלא מה להזמין, כמה ומתי, שמוחזר אל תהליך הרכש. בארכיטקטורת הייחוס שלנו זה רץ כשירות ענן המשתלב ב-Priority: ה-ERP נשאר מערכת הרישום, שכבת התחזית קוראת ממנו היסטוריית מכירות ומלאי, וההמלצות מגיעות למסך של הקניין. אותו עיקרון תקף לכל ERP.

מדד ההצלחה מוגדר לפני הפיתוח: באפיון הייחוס שלנו, עבור יבואנים ומפיצים במחזור של כ-40 עד 115 מיליון דולר, הוגדר יעד של שיפור ‘טעות הרכש’ בלפחות 10% מהמצב הקיים, כשהמדידה נעשית בנתוני ה-ERP שלכם.

מה כבר עשינו#

• עיתוד מלאי ברמת פריט לסביבות ERP: אפיינו ותכננו תחזית ביקושים ברמת פריט עם מלאי ביטחון דינמי והמלצות רכש, כשירות ענן המשתלב ב-Priority, עבור יבואנים ומפיצים, עם מדד ‘טעות הרכש’ של לפחות 10%.
• תחזית רכש תלת-שלבית לאספקת בנייה: אפיינו ותכננו עבור חברת SaaS אמריקאית מערכת בדיוק הולך וגדל: תחזית מכירות, תחזית זמני אספקה של ספקים, ושריון דינמי של מלאי ביטחון, עם אוטומציה משולבת ERP.
• תשתית תחזיות שפיתחנו ותיקפנו על נתוני אמת: תחזית ביקושים רב-אזורית ליצרן גלובלי בתחום טכנולוגיות המים, ופרויקט דגל של שלוש שנים שבו התחזיות הוזנו להתחייבויות מלאי ונבחנו מדי חודש מול תוצאות אמת.

ומהתעשייה, לקנה מידה: Danone צמצמה מלאי מתיישן בכ-30% והגיעה לרמת שירות של 98.6% לאחר מעבר לתכנון ביקושים מבוסס ML, על פי מקרה לקוח של הספק ToolsGroup. הדפוס חוזר: הערך נוצר כשהתחזית מחוברת להחלטת המלאי עצמה.