- Kad klientiem ir jāpapildina krājumi? Kādas specifikācijas viņiem ir vajadzīgas? Cik daudz? Ja uz šiem jautājumiem tiek atbildēts ar minējumiem, tas noved pie krājumu palielināšanās vai krājumu izzušanas. Ķīnas LVL rūpnīcu grupa izmanto datu analīzi, piemēram, laika prognozi, lai prognozētu klientu pieprasījumu, pasīvu pasūtījumu gaidīšanu pārvēršot proaktīvajā apkalpošanā.
1. Izmaksas par krājumu uzkrāšanu, pamatojoties uz minējumiem
"Kāpēc šī preču partija atkal krājas?" "Kāpēc šī specifikācija atkal ir beigusies?" Tās ir ikdienas rūpes daudziem LVL rūpnīcu noliktavu vadītājiem.
Krājumu uzkrāšana, pamatojoties uz zarnu sajūtu, rada ievērojamas izmaksas:
- Krājumu uzkrāšanas risks: krājumu specifikācijas, kuras klienti bieži neizmanto, sasaista kapitālu, un preces var deformēties vai pelēt ilgstošas uzglabāšanas dēļ.
- Krājumu zudumi: ja klientam nepieciešamās specifikācijas nav pieejamas, pasūtījums tiek zaudēts un klients var pāriet pie citiem piegādātājiem.
- Ārkārtas papildināšanas izmaksas: Ārkārtas ražošanai pēc krājumu pārtraukšanas ir jāmaksā par virsstundām un ātrās piegādes maksa, kas visas ir papildu izmaksas.
"Mēs agrāk pilnībā paļāvāmies uz pārdevēja intuīciju, kad bija runa par krājumu uzkrāšanu," atzina rūpnīcas vadītājs. "Ja viņi teiktu, ka konkrēta specifikācija tiks pārdota labi, mēs uzkrātu krājumus. Rezultātā starpsezonā mums bija milzīgs nepabeigums."
2. No "Intuīcijas" uz "Datu analīzi"
Dažas rūpnīcas sāk izmantot datu analīzi, lai vadītu krājumu sagatavošanu:
Vēsturisko pasūtījumu analīze: ikmēneša pārdošanas rādītāju analīze katrai specifikācijai pēdējo divu gadu laikā, lai noteiktu modeļus. Kuras specifikācijas ir “mūžzaļas” (stabilas visu gadu) un kuras ir “sezonālas” (lieli pārdošanas apjomi sezonas laikā)?
- Klientu pirkšanas paradumu analīze: katra klienta pirkšanas cikla un apjoma analīze. Klients A veic pasūtījumus ap katra mēneša 15. datumu, katru reizi apmēram 2 konteinerus; Klients B veic pasūtījumus reizi ceturksnī, katru reizi 5-6 konteineri.
- Tirgus tendenču izsekošana: uzraugiet būvniecības sākumu un politikas izmaiņas mērķa tirgū, lai prognozētu pieprasījuma izmaiņas.
"Mēs izveidojām vienkāršu Excel izklājlapu," sacīja pārdošanas vadītājs. "Mēs importējām pasūtījumu datus no pagājušā gada un apkopojām tos katru mēnesi. Tūlīt ir skaidrs, ka 50 × 100 mm ir daudzgadīgs favorīts, savukārt 100 × 100 mm pārdošanas apjomi pieaug pirms lietus sezonas."
3. Proaktīvi atgādinājumi aizstāj pasīvo pasūtījumu pieņemšanu
Pamatojoties uz datu analīzi, dažas rūpnīcas ir sākušas aktīvi atgādināt klientiem par krājumu papildināšanu:
- Brīdinājumi par krājumiem: kad tuvojas klienta pirkšanas cikls, tiek nosūtīts proaktīvs ziņojums: "Pamatojoties uz jūsu iepirkšanās paradumiem, iespējams, nākamnedēļ jums būs jāpapildina krājumi. Pašlaik mums ir pietiekami daudz krājumu; ja nepieciešams, varat tos iepriekš bloķēt."
- Sezonas atgādinājumi: "Tuvojas lietus sezona, un pieprasījums pēc veidņu balstiem pieaugs. Vai vēlaties iepriekš uzkrāt kādus 100 × 100 mm?"
- Atgādinājumi par cenām: "Izejvielu cenas nākamajā mēnesī var pieaugt. Vai vēlaties veikt pasūtījumu iepriekš, lai fiksētu pašreizējo cenu?"
"Iepriekš gaidījām, kad klienti veiks pasūtījumus," sacīja ārējās tirdzniecības vadītājs. "Tagad mēs atgādinām klientiem, ka viņi veic pasūtījumus. Klienti jūt, ka esam profesionāli, un tas viņiem ietaupa grūtības pašiem to aprēķināt."
4. No “Krājumu pārdošana” uz “Krājumu pārvaldība”
Dažiem ilgtermiņa{0}}lieliem klientiem dažas rūpnīcas sāk eksperimentēt ar Vendor Managed Inventory (VMI):
- Datu koplietošana: klienti katru nedēļu sniedz savus krājumu datus un pārdošanas prognozes.
- Rūpnīcas krājumi: rūpnīcas aktīvi uzkrāj krājumus, pamatojoties uz klientu datiem, nodrošinot klientiem, ka krājumi neizbeidzas.
- Automātiskā papildināšana: sistēma iestata minimālos krājumu brīdinājumus; ja krājumu līmenis nokrītas zem brīdinājuma līmeņa, tiek automātiski ģenerēts papildināšanas plāns.
"Mēs ieviesām VMI ar Austrālijas klientu," sacīja rūpnīcas vadītājs. "Klienta krājumu dati tiek sinhronizēti ar mums katru nedēļu, un mēs organizējam ražošanu un uzglabāšanu, pamatojoties uz datiem. Klienta krājumu aprites temps ir pieaudzis par 30%, un mūsu pasūtījumi ir stabilāki."
5. Uzlabota datu prognozēšanas "precizitāte".
Datu prognozēšana nav kaut kas tāds, ko var panākt vienas nakts laikā; tas prasa nepārtrauktu optimizāciju:
- Prognozes novirzes reģistrēšana: pēc katras prognozes tiek reģistrēta starpība starp faktisko pārdošanas apjomu un prognozi, kā arī tiek analizēti novirzes iemesli.
- Modeļa parametru pielāgošana: pamatojoties uz noviržu analīzi, prognozēšanas modelis tiek koriģēts. Piemēram, ja tiek konstatēts, ka noteiktas specifikācijas pārdošanas apjomi ir cieši saistīti ar vietējo būvniecības uzsākšanas ātrumu, sākuma rādītājs tiek iekļauts prognozēšanas modelī.
- Cilvēku pieredzes papildinājums: datu modeļi nevar aptvert visas situācijas (piemēram, pēkšņus lielus pasūtījumus vai politikas izmaiņas), kas prasa papildu spriedumu no pieredzējuša personāla.
"Mūsu prognožu precizitāte ir uzlabojusies no sākotnējiem 60% līdz pašreizējiem 80%," sacīja pārdošanas vadītājs. "Lai gan tas vēl nav 100%, tas ir ievērojami samazinājis krājumu uzkrāšanos un krājumus."
Datu prognozēšana nav "zīlēšana", bet gan atskaitīšana, pamatojoties uz vēsturiskiem modeļiem. Kad LVL rūpnīcas Ķīnā izmanto datu analīzi, lai vadītu krājumu sagatavošanu un klientu apkalpošanu, tās piegādā ne tikai produktus, bet arī "noteiktību" un "uzticamību". Šī "datu{2}}vadītā" piegādes ķēdes pārvaldības pieeja ir tieši nepieciešamais ceļš, lai Ķīnas ražošana pārietu no "plašās" uz "intensīvo" ražošanu.
