Läs PDF

Författare: Mikko Kärkkäinen
Verkställande direktör, D.Sc. (Tech.)
mikko.karkkainen@relexsolutions.com

Johanna Småros
Direktör, Skandinavien, D.Sc. (Tech.)
johanna.smaros@relexsolutions.com

Inom reservdelslogistiken finns det många utmaningar. Verksamhetsmiljön är oftast komplicerad. Artiklarna hålls i lager i många olika steg och på flera platser på uppdrag av såväl tillverkaren som partihandlaren, återförsäljaren och slutanvändaren. Dessutom finns det ett stort antal artiklar. Artiklarna kan ofta räknas i tusental eller tiotusental och deras egenskaper – värde, livscykelns längd, vikt, storlek, processkritiskhet, efterfrågan – varierar i betydande grad. Typiskt för reservdelar är även att efterfrågan är sporadisk och svårutsägbar. När man dessutom lägger till ekvationen höga servicenivåkrav och kostnadseffektivitetsmål, så kan logistikerns arbete verka näst intill omöjligt.

I många fall har man dock kunnat effektivisera hanteringen av reservdelar. Genom bättre styrning av varuflödet har man märkbart förbättrat både servicenivån samt kostnadseffektiviteten. Det är emellertid viktigt att vara medveten om att de traditionella metoderna och modellerna som utvecklats för styrning av leveranskedjan inte lämpar sig helt och hållet för hantering av reservdelar. Vid utvecklingen av reservdelslogistiken måste man beakta affärsverksamhetens särdrag.

Reservdelsaffärsverksamhetens särdrag

Leveranskedjorna för reservdelar och slutprodukter skiljer sig från varandra både med avseende på verksamhetsmiljö samt produktegenskaper. Cohen et al. (2006) har gjort en sammanfattning av skillnaderna mellan tillverkande leveranskedjor och leveranskedjor inom eftermarknaden (Tabell 1).

Tillverkande leveranskedja Leveranskedja
inom eftermarknaden (after sales)
Efterfrågans karaktär Förutsägbar efterfrågan Oförutsägbar efterfrågan, ofta sporadisk
Leveranstid Standardiserbar leveranstid Mycket hårda leveranstidskrav
Antal artiklar Begränsat 15 – 20 gånger större
Produktportfölj Ofta ganska homogen Alltid heterogen
Mål för lagerstyrningen Maximering av omsättningshastigheten Korrekt positionering av lagerartiklar
Relevanta mätare Fyllningsgrad (fill-rate) Produkttillgänglighet (Uptime)
Lageromsättning 6 – 50 1 – 4

 

Tabell 1. Reservdelsaffärsverksamhetens särdrag (enligt Cohen et al., 2006).

Skillnaderna mellan leveranskedjorna innebär i praktiken två saker:

  • Inom reservdelslogistiken är det omöjligt att uppnå, och därför också olönsamt att försöka uppnå, samma mål som för tillverkande leveranskedjor
  • De tillverkande leveranskedjornas styrmodeller kan leda till dåliga resultat för reservdelsleveranskedjorna.

De tillverkande leveranskedjornas målsättning är att uppnå en god servicenivå och produkttillgänglighet genom en så effektiv lageromsättning som möjligt. Reservdelar däremot är avsedda att finnas i reserv och därför är det oftast ändamålsenligt att lagerhålla dem. Maximering av lageromsättningen ska inte vara huvudmålet för reservdelslogistiken. Lageromsättningshastigheten för de företags leveranskedjor som är kända för sin goda reservdelslogistik är också så låg som 0,87 (Cohen et al., 1997).

Utveckling av reservdelslogistiken

I utvecklingen av reservdelslogistiken måste man beakta särdragen hos produkterna och deras efterfrågan. De påverkar effektiviteten hos de valda styrningsmodellerna, speciellt ifråga om prognostisering av efterfrågan, placering av produkter i olika styrklasser, definiering av säkerhetslagernivåer och val av distributionsmodeller. En framgångsrik utveckling förutsätter att information om artiklarna och deras efterfrågan utnyttjas systematiskt på artikelnivå.

Prognostisering av efterfrågan

Utmaningen för prognostisering av efterfrågan för reservdelar är att åtgången oftast är sporadisk. Enskilda efterfrågetoppar kan alternera med långa perioder utan försäljning. De vanligaste prognosmodeller som används (t.ex. glidande medeltal eller olika exponentmodeller), som baserar sig på medeltal som avvägts på olika sätt, ger därför inte nödvändigtvis goda resultat.

Det finns dock särskilda prognosmodeller för att prognostisera sporadisk efterfrågan. Crostons modell (Croston, 1972) eftersträvar t.ex. att prognostisera både efterfrågetopparnas storlek samt tiden mellan dem.

Genom att samla in information om olika felfrekvenser och reservdelarnas livslängd, kan man i vissa fall prognostisera efterfrågan (Ghodrati och Kumar, 2005). Dessa tillvägagångssätt lämpar sig dock bäst antingen för hantering av enskilda, mycket dyra komponenter, där detaljerade analyser kan motiveras med komponenternas exceptionellt höga värde och processkritiskhet, eller för statistisk analys av den totala efterfrågan för en viss reservdel, där man kan få information om utvecklingen av åtgången, t.ex. som stöd för planeringen av tillverkningen.

Även i bästa fall är prognosnoggrannheten för åtgången av en viss reservdel typiskt låg, vilket innebär att det oftast är viktigast att uppskatta hur osäkra prognoserna är och vilken del av variationen i efterfrågan som måste tacklas med säkerhetslager.

Klassificering av produkter

Stora artikelmängder och många lager gör att helheten som ska hanteras blir stor och komplicerad. Att gå igenom varje artikel- och lagerkombination manuellt kräver alldeles för mycket resurser.

Traditionellt har man ofta använt sig av ABC-klassificering av produkter som tillvägagångssätt för att förenkla styrningen. ABC-analysen baserar sig på klassificering av produkter utifrån deras värdevolym och tanken är att koncentrera styrresurserna på produkter med betydande omsättning och täckningsbidrag. Det är dock ofta problematiskt att tillämpa ABC-klassificeringen på reservdelar. Då värdet och produktegenskaperna för de reservdelar som ska hanteras varierar kraftigt, kan ABC-klassificeringen vara vilseledande. I praktiken kan värdefulla motorer som behövs några gånger per år landa i samma ABC-klass som billiga vingmuttrar med stor åtgång, även om det inte är lönsamt att hantera dem enligt samma logik och lagermålsättning.

Det är även problematiskt att fatta beslut om lagerhållning enligt ABC-klassificeringen. I toppklasserna finns många dyra artiklar vars försäljningsvolym är liten och varierande. Det finns därför en mycket stor inkuransrisk när dessa dyra artiklar lagerhålls, och man bör inte utan vidare lagerlägga dem om det är möjligt att använda andra distributionsmodeller. Även i övrigt är det för slutanvändarens del mer väsentligt med klassificering och styrning baserad på lageruttag (XYZ-klassificering). Målet bör vara att tillfredställa kundens behov så ofta som möjligt, och inte en i sig god allmän servicenivå för produkterna i medeltal.
Som i många andra fall kan man för reservdelarnas del fatta bättre beslut enligt klass genom att kombinera ABC- och XYZ-klassificeringarnas styreffekter. Ett exempel på hur ABC- och XYZ-klassificeringarna kan kombineras ges i tabell 2.

A B C
X Eftersträvan att nå så exakt styrning som möjligt (exakta kostnadsdata och prognoser) Vanligtvis lagerhållning. Eftersträvan att nå en exakt styrning (exakta kostnadsdata och prognoser) Lagerhållning förutom i undantagsfall. Stora anskaffningspartier
Y Eftersträvan att nå en exakt styrning (val av distributionsmodell, exakta kostnadsdata och prognoser) Lagerhållning av kritiska produkter, i andra fall enligt kostnadsbasis Lagerhållning förutom i undantagsfall. Stora anskaffningspartier
Z Huvudsakligen beställningsprodukter. Lagerhållning av endast kritiska produkter Lagerhållning av kritiska produkter, i andra fall enligt kostnadsbasis Lagerhållning av kritiska produkter, i andra fall enligt kostnadsbasis

 

Tabell 2. Användning av ABC- och XYZ-klassificeringar för reservdelsstyrning.

Om reservdelarna har stora skillnader i värde och antal lageruttag, ska man även fästa uppmärksamhet vid var de olika klassgränserna läggs. Man måste t.ex. säkerställa att X-klassens artiklar har tillräckligt med leveransrader. Klassificeringsgränser som lämpar sig för normala artiklar leder sällan direkt till goda resultat för reservdelar.

Effektiva säkerhetslagernivåer

En effektiv klassificering av artiklar stöder fastställandet av lageromsättningsmål, men genom den uppnår man inte den optimala säkerhetslagernivån för varje enskild artikel, vilken påverkas av bl.a. prognosnoggrannhet, artikelns leveranstid och leveranstidens osäkerhet, samt artikelns inkuransrisk. På grund av reservdelsartiklarnas stora antal krävs det åtminstone en viss automatisering för att det ska vara möjligt att fastställa säkerhetslagernivåerna. Varje enskild artikels styrparametrar kan inte hanteras effektivt på manuellt vis. Problemet är att det vanligtvis inte går att fastställa styrparametrar för reservdelar genom de vanligaste säkerhetslagerkalkylerna, som baserar sig på medelförbrukning, prognosfel eller variation i efterfrågan.

Det lönar sig vanligtvis inte att försöka prognostisera efterfrågan på reservdelar enligt medelförbrukningen. När efterfrågan består av varierande efterfrågetoppar och perioder med obefintlig efterfrågan, beskriver inte medelförbrukningen lagerbehovet tillräckligt bra. I praktiken kan en enskild efterfrågetopp överskrida medelförbrukning för en mycket lång tid. Topparnas storlek och täthet varierar även för olika artiklar – för en artikel kan ett effektivt säkerhetslager motsvara två månaders medelförbrukning, medan för en annan kan en lämplig nivå motsvara två års medelförbrukning.

De säkerhetslagerkalkyler som vanligtvis används (t.ex. Vollman et al., 1997) lämpar sig inte så bra för att fastställa reservdelars säkerhetslagerbehov, eftersom de baserar sig på ett antagande om normalfördelad efterfrågan. Efterfrågan på reservdelar följer oftast inte en normalfördelning, utan den är sporadisk. För enskilda artiklar, speciellt sådana som kan beskrivas som bruksartiklar snarare än reservdelar (t.ex. glödlampor), kan efterfrågan vara rätt så stor och följa en normalfördelning, men styrningen av dessa artiklar skapar i allmänhet inga större problem.

Inom RELEX har vi fastställt beställningspunkter och säkerhetslager genom simulationer. En modell av lagerstyrningsprocessen byggs i vilken man bl.a. tar leveransfördröjningar och partistorlekar i beaktande. Äkta efterfrågeinformation med alla sina naturliga toppar används som indata. Systemet identifierar sedan automatiskt de styrparametrar som uppfyller servicenivåmålen så effektivt som möjligt. På detta sätt kan leveransprocessens särdrag, variationen i efterfrågan, prognosnoggrannheten samt variationen i ledtiderna uppmärksammas när man optimerar parametrar. T.ex. Maatalouskesko (Keskos lantbrukshandel i Finland) har i praktiken kunnat höja servicenivån utan att höja lagernivåerna tack vare en exaktare lagerstyrning. När systemet har utnyttjats på ett effektivt sätt har man dessutom kunnat sköta styrningen av leveranskedjan med mindre personal än tidigare, vilket har lett till inbesparingar motsvarande flera personarbetsår. (TIEKE, 2007)

Val av distributionsmodell

Artiklar med långa leveranstider och artiklar som är processkritiska måste i regel lagerhållas nära slutanvändaren. För majoriteten av artiklarna kan man däremot välja den kostnadseffektivaste bland olika distributionsmodeller.

Det förmånligaste distributionsalternativet beror på produktens åtgång, produktens värde samt kostnader för lagerhållning och transport. Som tumregel gäller att billiga produkter med stor åtgång bör lagerhållas medan dyra produkter som sällan behövs ska beställas enligt behov. Produkt- och leverantörskostnaderna varierar dock oftast väsentligt och inverkar därför på det effektivaste distributionsalternativet i de olika fallen.

Genom valet av distributionsmodell kan man ofta påverka logistikkostnaderna betydligt. När man väljer distributionsmodell bör man uppmärksamma servicenivåmålet som beror på artikelns användningsändamål samt de olika distributionsmodellernas kostnadsstruktur. I teorin är granskningen enkel – utmaningen är att tillämpa den på tiotusentals artiklar och många olika lagringspunkter. I praktiken utgör framställandet och upprätthållandet av nödvändiga kostnadsuppgifter den största utmaningen. För reservdelarnas del är inkuransrisken oftast en väsentlig kostnadsfaktor, men få företag har exakta uppgifter om de olika produkternas uppskattade livslängd. Dessutom finns det ofta utrymme för förbättring i hur t.ex. leverans- eller radbaserade fraktkostnader följs upp och registreras. Ju exaktare kostnadsuppgifter det finns att tillgå, desto bättre val kan man göra, vilket leder till större inbesparingar. Vanligtvis når man dock ett avsevärt effektivare slutresultat jämfört med utgångsläget även med mindre exakta data.

Arbetet som läggs på att definiera och hantera kostnadsuppgifterna är i allmänhet mycket lönsamt. Vi har kunnat ge våra kunder handgripliga fördelar genom val av kostnadsbaserade distributionsmodeller. Vid Maatalouskesko utfördes t.ex. en granskning av de mest effektiva distributionsalternativen på artikelnivå, där man fastställde vilka produkter som bör lagerhållas och vilka som bör levereras mot beställning. Det går att uppnå stora inbesparingar i snabbfrakt- och övriga leveranskostnader när lagret består av rätt produkter. (GS1 Info, 2007; TIEKE, 2007.)

Sammanfattning

Artiklarnas stora antal och variation gör reservdelslogistiken till en utmaning. På grund av artiklarnas heterogenitet förutsätter effektiv styrning att artiklarna och lagren granskas individuellt – med grova tumregler såsom ABC-klassificering uppnår man sällan goda resultat. Att styra varuflödet på artikelnivå är möjligt, men det kräver satsningar på upprätthållandet av efterfråge- och kostnadsuppgifter av hög kvalitet samt effektivt systemstöd för genomförandet av produktspecifika analyser och styrning.

Nästa steg?

Vi på RELEX har erfarenhet av effektivisering av många företags reservdelsprocesser. Med hjälp av våra lösningar har våra kunder kunnat höja sina servicenivåer, förbättra sin lageromsättning samt öka effektiviteten på varupåfyllningsprocessen. Om du är intresserad av att förbättra ditt företags resultat, ta kontakt med: johanna.smaros@relexsolutions.com eller +358 (0)40 543 1142. Ett kort möte räcker för att gå igenom Ditt företags situation och för att fastställa de första stegen!

Källor:

Cohen, M.A., Zheng, Y.-S., Agraval, V. (1997), ”Service parts logistics: a benchmark analysis”, IIE Transactions, Vol. 29, sid. 627-639.

Cohen, M.A., Agrawal, N., Agrawal V. (2006), “Winning in the Aftermarket”, Harvard Business Review, May 2006.

Croston J.D. (1972), Operational Research Quarterly, Vol. 23, No. 3, sid. 289-303.
Ghodrati, B., Kumar, U., (2005), “Operating environment-based spare parts forecasting and logistics: a case study”, International Journal of Logistics: Research and Application, Vol. 8, No. 2, sid. 95-105.

GS1 Info (2007), ”Automaattinen myymälätäydennys”, 2/2007, sid. 6-8.
TIEKE (2007), “Kysynnän ennustaminen tuo kaupalle huomattavia säästöjä”, http://www.tieke.fi/?E=11687&SINGLE_EMBED=11687&num=6818.

Vollman, T.E., Berry, W.L., Whybark, D.C. (1997), “Manufacturing planning and control”, 4:e utgåvan, sid. 708-709.