Logistikkdilemma: Skal jeg bestille nå? Og i så fall – hvor mye?

Det å kjøpe inn er vel ingen kunst. Og om jeg bommer litt, betyr det ikke så mye...

Varsel i solnedgang – ikke spreng lagerkapasiteten på feil grunnlag. Illustrasjon: Colourbox
Varsel i solnedgang – ikke spreng lagerkapasiteten på feil grunnlag. Illustrasjon: Colourbox
Publisert Oppdatert

Uansett om du kaller deg innkjøper, avroper eller supply chain planner, står du hver eneste dag overfor ovenstående utfordring: Skal jeg bestille nå – eller skal jeg vente? Og hvis ja, hvor mye? La oss kaste et nærmere blikk på dette.

Del 2:

I min forrige artikkel startet jeg friskt rundt dette temaet, men ledet deg inn på en annen vei, nemlig at norske handelsbedrifter taper mye penger ved ikke å få til effektive innkjøp, styring av sin logistikk eller også kalt End to End Supply Chain Planning.

Forrige artikkel ble avsluttet med å love litt mer om bestillingsmetoder og effektive innkjøp. Her kommer det noen drypp som du kan tenke litt over. For en enkel guideline, sjekk siden www.inven.no/norsk/fagstoff og dokumentet «De 40 fallgruvene innen innkjøp du helst vil unngå». La meg starte med det mest opplagte; prognoser.

1. Hvis du bruker kun en prognosemodell for alle typer varer selv om du vet at hver vare har sin unike karakteristikk og behov: Alle varene dine er unike. Selv varer som tilsynelatende ikke har sesong, har det ofte. Og hver vare du har varierer litt i salget sitt. Og så kan det finnes et trendelement der. Og den kan til og med samvariere med noen av dine andre varer. Kanskje du kjører en kampanje på en vare – og når den selger mer, selger en annen vare mer, selv om den ikke er på kampanjen (mer pølser selger mer ketchup) eller så selger den mindre (mer pølser selger mindre biff).

Nå er det jo populært å snakke om digitalisering, maskinlæring og kunstig intelligens. Mye av teknologien tilgjengelig i dag har til oppgave å finne ut «hva som egentlig foregår» knyttet til etterspørselen av en vare, så da er det jo fristende å spørre: Hva slags modeller benytter ditt firma? For eksempel gjennomsnittlig salg siste 3 måneder ekstrapolert til neste måned og året totalt? I de fleste tilfeller får du da problemer. Prognosen din vil kanskje ikke reagere raskt nok på endringer, den vil ikke forutse en sesong – du kjøper for mye for tidlig eller for lite - og for sent.

Og så er det en del myter ute og går (Keiserens nye klær…) om prognoser: Hvis du har en stor andel saktegående varer, har du kanskje hørt at det finnes prognosemodeller som takler det. Vel, det finnes en del modeller som er ganske gode på det, men bare inntil et visst punkt. Blir etterspørselen tilstrekkelig lav og ujevn nok, er det ikke den prognosemodell i verden som klarer brasene. Da trenger du heller en egen sikkerhetslagerstrategi for de saktegående varene.

LOGMA

LOGMAs formål er å arbeide for en generell heving av logistikkompetanse innen norsk næringsliv og offentlig forvaltning. LOGMA er et nettverk av og for medlemsbedriftene hvor faglig interesserte medarbeidere ønsker utveksling av logistikkompetanse i hele verdikjeden.

LOGMA initierer og gjennomfører aktiviteter som møter hos medlemsbedrifter, temagrupper, faglige konferanser og symposier.

LOGMA er en frittstående og politisk uavhengig organisasjon. Alle bedrifter innen industri, handel, transport, tjenester, forskning, rådgivning og undervisning kan være medlem, og hver bedrift kan ha flere kontaktpersoner. Alle kontaktpersonene får direkte tilsendt materiell om aktiviteter i regi av LOGMA og andre relevante arrangementer.

For nærmere opplysninger se www.logma.no

Kontaktperson for LOGMA-sidene i Logistikk & Ledelse er Geir Berg, [email protected]

2. Hvis du overreagerer ved tilfeldig høy etterspørsel og kjøper mer selv om all sannsynlighet tilsier at dette ikke vil fortsette: Tenk deg at du har hatt følgende etterspørsel på din vare de senere ukene 10-12-8-7-9-11-50. Her så jo alt fint ut helt til siste observasjon. Dette er jo egentlig helt vanlig. Din utfordring nå er: Er den siste utfordringen et tilfeldig avvik eller er den starten på noe? Kan det være at slike avvik kommer fra tid til annen og at de bare er nettopp det - tilfeldige avvik? Hvis vi ikke får systemstøtte på dette feltet, må vi i høy grad gjette og bruke følelser og teft. Det vi ønsker, er det motsatte, nemlig at innkjøperen ikke overreagerer, men heller har is i maven. Eller snarere – at systemet har is i magen og har mekanismer som kjenner igjen avvikene og automatisk reagerer der det er nødvendig.

3. Hvis du ikke tar hensyn til tapt salg i prognoseberegningene. Hvorfor skal jeg egentlig ta hensyn til tapt salg når jeg lager en prognose? Tenk over dette: Det er egentlig ikke salget du skal prognostisere, det er etterspørselen. Så når vi snakker om å prognostisere etterspørsel, må du både trekke fra det du har solgt ekstra på grunn av ekstraordinært salg (som for eksempel prosjektsalg, kampanjer, aktiviteter) og så må vi faktisk legge til det tapte salget. I all enkelhet er det tapte salget det vi kunne ha solgt hvis vi ikke var tomme på lager. Det å beregne tapt salg er jo ikke så lett, men her finnes det flere tilnærminger. Det som er poenget er at hvis man ikke får med seg det tapte salget i underlaget, vil prognosen begynne å falle. Prognosene indikerer faktisk at du skal selge mindre, mens det motsatte jo er tilfelle. Hvis du ikke har systemstøtte for dette, har du to valg: Du kan enten korrigere prognosene selv slik at de blir så korrekte de kan bli med din hjelp, eller så kan du gjøre som så mange gjør: Manuelt korrigere bestillingene fordi de jo åpenbart nå må være for lave. Innkjøperen får ofte ikke med seg at prognosene burde vært høyere og det går da veldig mye tid på å justere bestillingene. Og denne justeringen gjøres ofte basert på følelser. Så hva fører dette da til? Som oftest taper man salg og får misfornøyde kunder eller så får innkjøperen veldig mye manuelt arbeid med å korrigere bestillinger. Elle så får innkjøperen kjeft. Og hva gjør vi da? Vi garderer oss ved å blåse opp sikkerhetslageret – bare sånn for sikkerhets skyld…

4. Hvis du tillater akkumulert etterspørsel å øke prognosen når produktet er utsolgt fra leverandør og de samme kundene bestiller samme mengde flere ganger. Det er overraskende mange som sliter med denne problemstillingen. En ting er at tapt salg ikke beregnes. En annen ting er at ordre registreres som etterspørsel. Dermed blir et viktig å tenke etter hva underlaget for din etterspørsel er; er det ordrene du mottar eller er det de forsendelsene eller salgene som faktisk har skjedd som er underlaget.

OOS - det tristeste av alle akronymer? Illustrasjon: Colourbox
OOS - det tristeste av alle akronymer? Illustrasjon: Colourbox

5. Hvis du ikke tar hensyn til sesongvariasjoner, noe som fører til utsolgt i starten av perioden og overlager lenge etter sesonger er over. Er du en av de som tenker at «vi har egentlig ikke sesonger vi, så sesongprofiler er egentlig ikke så relevant for oss»? Vel, tenk over det igjen. Hvis ditt system egentlig bare gir deg et glidende snitt av siste 3 måneders salg, er det jo vanskelig å få med seg noen sesongvariasjon. Og med mindre dine innkjøpere bruker en masse energi på å håndtere dette, er du nødt til å få problemer. Du vil komme til å kjøpe inn for sent og dermed gå glipp av sesongstart – din salgsavdeling kommer løpende og lurer på hva i alle dager du holder på med – hvor blir det av varene?!! – og når du i løpet av en sesong både har opplevd en masse tapt salg, masse armer og bein for å hastebestille varer (kanskje med dyr inntransport), er du ved utgangen av sesongen i en situasjon hvor du har en masse overlager som kanskje «overvintrer» til din neste sesong. Det er en masse kapital bundet opp helt unødvendig og det hemmer din bedrifts videre vekst. Det er en rekke systemer både basert på Excel og også mer avanserte systemer som er basert på såkalt min/maks (når lageret er på en minimumsverdi, bestill opp til en maksimumsverdi). Min/maks er egentlig en veldig effektiv måte å kaste bort penger på – og ved håndtering av sesonger blir det ekstra tydelig. En slik logikk krever justeringer av min/maks-punkter i god tid før inngangen til og utgangen av sesonger. All erfaring viser at dette får ikke innkjøperne med seg, og nivåene justeres dessuten feil. Som igjen fører til tapt salg og til overlager.

6. Hvis du i hovedsak baserer prognose og kjøp på siste dagers etterspørsel, noe som kan vise veldig forskjellig utvikling sammenlignet med å ta hensyn til mange perioder. Begrepet «fra hånd til munn» og «hopp og sprett» går ofte igjen i slike settinger. I de aller fleste situasjoner trenger du en dataserie med en viss mengde observasjoner for at dine estimater skal fange mønstre, bli signifikante og ikke inneholde for stor variasjon og dermed å unngå unødvendig upresise prognoser og oppblåste sikkerhetslagre.

7. Hvis du ikke filtrerer kampanjehistorikk. Dette vil blåse opp prognoser og lager og gjøre planleggingsverktøyet ubrukelig. Er din bedrift kampanjeintensiv, men du mangler systemstøtte for dette? Da har du et problem. Og du er ikke alene. Jeg slutter aldri å forbauses over hvor mange som faktisk sliter med dette. For det første blir det da vanskelig å ha en formening om hva kampanjesalget egentlig har vært, dernest blir din neste prognose nærmest verdiløs. Som om ikke det er nok, inneholder nå historikken din en masse etterspørselsvariasjon som, hvis du er så heldig å ha en dynamisk sikkerhetslagerberegning, driver sikkerhetslageret ditt gjennom taket – og til ingen nytte. Og du er, akkurat som når du ikke får beregnet tapt salg, i den håpløse situasjonen at du må justere prognoser ned eller du må sitte og overstyre alle bestillingsforslagene, for nå vet du at de er aldeles for høye. Det er hvis du er dyktig og følger med i timen. I de aller fleste tilfeller fører det til massive kjøp av overlager.

8. Hvis du ikke følger opp hver vares prognoseavvik for å bygge sikkerhetslager og vurderer hver vares sanne økonomiske situasjon. Som nevnt ovenfor: Alle varer oppfører seg unikt. Det er en ting du kan være sikker på – og det er at noe uventet skjer med varene dine – før eller senere. Plutselig skjer det et uventet høyt salg, en vare begynner å «ta av», sesongprofilen din passer ikke lenger; den bør justeres. Salget på varen din i en butikkhylle selger ikke lenger. Er den utsolgt? Eller kan lagerbeholdningen være feil? – Kan det være at systemet har informasjon om at du har hylla full og dermed ikke fyller på mer? Veldig mange har ikke slik systemstøtte. Og har du noen tusen varer å holde styr på, blir det nesten uoverkommelig. Resultatet av dette er at du ikke fanger opp avvikene – i alle fall ikke i tide. Det betyr at du går glipp av salg, eller bygger overlager. Og arbeidsdagen blir ikke minst veldig hektisk. Det er ikke noen god følelse når man til stadighet har en nagende tvil til om man har fått med seg alt.

9. Hvis du ikke justerer prognose og andre faktorer når kundemassen plutselig endres ved at du mister eller får nye kunder. Det hender av og til at du mister kunder. Det gjør ikke så mye hvis kunden du mister utgjør en marginal del av din virksomhet. Men hva hvis du mister en kunde som for mange varers vedkommende utgjør en viktig del av varens salg? Dette er normalt sett enhver innkjøpers mareritt. Hva nå? Hva skal jeg gjøre med mine prognoser? Hva utgjorde egentlig denne kundens salg av totalen? Det du kanskje trenger her er å kunne ta fatt i din kundespesifikke historikk, justere historikken for alle varer automatisk og så la systemet beregne alle relaterte parametre, herunder justert prognose. En ting å tenke på: Når du nå kanskje har et helt annet etterspørselsnivå til en eller flere leverandører her, kan dette da påvirke hvordan du faktisk bør kjøpe inn? Er det nå fremdeles lønnsomt å kjøpe hver 23 dag og fylle en 40 fots kontainer eller burde jeg revurdere dette? Som vi skal se i sen senere artikkel, har de fleste ikke støtte for det i det hele tatt.

Deppa-pilen – kunne godt vært et ikon på mobilen også. Illustrasjon: Colourbox
Deppa-pilen – kunne godt vært et ikon på mobilen også. Illustrasjon: Colourbox

10. Hvis du ikke tar hensyn til varer som blir erstattet ved å vurdere behovet for den nye varen med utgangspunkt i beholdning og prognose for den gamle varen for å unngå å sitte med doble lagerbeholdninger samt styrt oppstart av den nye. Da jeg begynte å arbeide med handelsselskaper innen dette feltet for en god del år siden, tenkte jeg at dette er jo en helt vanlig foreteelse – alle fornyer jo sortimentet sitt løpende – så dette må vel være noe alle har i blodet og har løsninger for. Der tok jeg grundig feil. Nå har det gått mange år, og det ser virkelig ut til at de aller fleste sliter med dette på samme måte fremdeles. Her er problemet: Vare A skal erstatte vare B. Kanskje på et bestemt tidspunkt eller ved at vare A selges ut først og at Vare B så startes opp akkurat når vare A er utsolgt. Tilsynelatende enkelt. Men altfor ofte stiller innkjøperen på bar bakke. Det er ingen kobling mellom den gamle og den nye varen. Den nye varen har åpenbart verken historikk, prognose eller beregnet sesong. Det vi trenger er flere ting. Den nye varen trenger kanskje å arve historikken fra den gamle. Kanskje skal den nye varen startes opp med en bestemt sesongprofil også? Hvordan får vi laget en glidende overgang? Jo, ved å koble balansen mellom gammel og ny vare slik at den nye kommer inn til lager akkurat når den gamle er utsolgt. Og kanskje alt dette skal gå automatisk? Så et tilsynelatende dagligdags og trivielt problem er egentlig veldig vanskelig for veldig mange. Det ligger mye ukurans på norske lagre av gamle varer som rett og slett er resultatet av manglende sammenheng og styring av prosessene mellom gammel og ny vare.

Avslutningsvis: Vi snakker som nevnt mye om kunstig intelligens og maskinlæring nå om dagen. Og ja, det er flere som tar dette i bruk, jeg er selv med på å levere dette. Ovenstående problemstillinger er imidlertid ganske trivielle og opplagte. Og veldig mange sliter med det fremdeles, til tross for at vi alle er sammenkoblede, driver integrerte og omni channel forsyningskjeder med mer. Litt av et paradoks?

Neste gang skal jeg skrive litt om de vanskelige leverandørene, hvordan de spenner bein på oss rett før målsnøret og hva vi kan tilføre av systemstøtte og samarbeid for faktisk å få kontroll på det.