Läs PDF

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

Jag dammade av min doktorshandling från år 2005 och konstaterade, till min förskräckelse, att den fortfarande är dagsaktuell. Ett av mina forskningsområden var möjligheterna att snabbare reagera på förändringar i efterfrågan genom att utnyttja butikernas säljdata, så kallad point of sale (POS) data, i leveranskedjans olika led. Tanken var att man genom att kontinuerligt följa upp försäljningen i butiksledet – hålla fingret på pulsen – skulle kunna identifiera förändringar i efterfrågan redan innan de syns i orderflödet till centrallager och leverantörer.

Tanken var god och teorin visade sig solid, men för nästan tio år sedan var det få företag som hade resurser att utnyttja de massiva datamängder som POS-data utgör. Idag tycks ändå de flesta företag ha insett värdet av POS-data och ser det som ett intressant framtida – med betoning på framtida – utvecklingsområde. Vad många har missat är att framtiden redan är här.

Utvecklingen inom datahantering och beräkningskapacitet har gjort systematisk, storskalig tillämpning av POS-data inom styrning av leveranskedjan till verklighet. Speciellt företag inom detaljhandeln, som i många fall själva kontrollerar både butiksledet samt de försörjande lagren, har inte längre någon ursäkt att låta POS-data samla damm i butikernas kassasystem. Det är dags att sluta drömma och istället sätta POS-data i arbete!

POS-data ökar reaktionshastigheten

Det går faktiskt att mäta värdet på POS-data. I min doktorsavhandling granskade jag ett antal produktlanseringar genomförda av två välkända leverantörer inom dagligvarubranschen. Genom att analysera POS-data, kunde nivån på efterfrågan för de nya produkterna fastställas i genomsnitt 30 dagar (och upp till 100 dagar) snabbare än om man endast hade tillgång till data på orderflödet från butikerna till centrallagret. Skillnaden i reaktionshastigheten var än större, i genomsnitt 61 dagar (och upp till 128 dagar), om man jämförde informationsvärdet i POS-data med informationen som kunde läsas ut av centrallagrens orderflöde till leverantörerna.

Orsakerna till fördröjningen i informationsgången är flera, men i samband med produktlanseringar är den klart viktigaste faktorn de buffertlager som initialt skapas i varje led av leveranskedjan.

Buffertarna finns där för att alla parter vill vara säkra på att kunna möta efterfrågan. Ytterligare är det naturligt att ladda upp med åtminstone en hel detaljistförpackning per butik och helpallar på centrallagret. Då förpackningarnas täcktider i många fall mäts i veckor eller till och med i månader (även inom dagligvaruhandeln, där man ofta pratar om ”fast moving consumer goods”), tar det en hel del tid innan de buffertlagren betats av i den mån att ett beställningsbehov uppstår.

POS-data-ökar-reaktionshastigheten

Bild 1: En jämförelse mellan POS-data och centrallagrets orderflöde över tid (antal dagar).

Har man endast tillgång till centrallagrets orderflöde och inte kan se butikernas faktiska försäljning, kan det i värsta leda till att man först ser en enorm åtgång (de första leveranserna till butikerna), sedan konstaterar att produkten dessvärre var en flopp (inga beställningar från butikerna på flera veckor), för att till slut få en panikreaktion då beställningarna trots allt trillar in. Bild 1 presenterar ett verkligt exempel på hur olika POS-data och orderflödet kan se ut.

POS-data är nyckeln, men det krävs lite till

Idag är förutsättningarna för att överföra och bearbeta stora mängder data helt andra än för tio år sedan. Det är ingen konst att analysera försäljningsdata på artikel-, butik- och dagsnivå. För många företag inom handeln är detta vardag. (Idag är det till och med möjligt att till rimlig kostnad bearbeta försäljningsdata på en ännu noggrannare nivå, per kvittorad, men dess tillämpningsområden ska vi inte gå in på nu).

Det är klart att tillgång till POS-data försnabbar informationsgången i leveranskedjan och gör det möjligt att snabbare anpassa lagernivåer och produktion till den faktiska efterfrågan. I detta sammanhang vill jag ändå passa på att komma med ett varningens ord: Det är viktigt att komma ihåg att det trots allt är det verkliga orderflödet som centrallagren och leverantörerna skall svara på.

Använder man sig av POS-data rakt av som prognos för centrallagret eller för leverantörens lager, kan det leda till att lagernivåerna kommer i fel fas med det faktiska leveransbehovet. Till exempel, för nya artiklar som levereras i relativt stora förpackningar, kan utnyttjandet av POS-data som prognos leda till att centrallagret eller leverantören väldigt snabbt bygger upp ett stort lager, som dock inte behövs förrän veckor eller månader senare. För artiklar med korta livscykler eller begränsad hållbarhet, kan detta leda till stora problem med inkurans.

För att få en riktigt bra prognos på det framtida leveransbehovet, gäller det att förutom att granska POS-data för att estimera nivån på slutkundernas efterfrågan, även räkna in vilka buffertlager som redan finns inne i leveranskedjan, estimera hur länge det kommer att ta att beta av den del av lagret som visar sig överflödig och helst även ta i beaktande ledtider, leveransschema och beställningsmultiplar, som skapar klumpar i orderflödet. Ytterligare bör man filtrera ut den andel av efterfrågan som är färgad av kampanjaktivitet.

Låter detta komplext? Ingen fara, det är här den fantastiska beräkningskapacitet som moderna IT-system levererar, kommer in!

Förädla POS-data till beställningsprognoser för bättre styreffekt

Genom att förädla POS-data till beställningsprognoser, minskar man osäkerheten och tolkningsbehovet inom leveranskedjan, men behåller reaktionshastigheten.
Beställningsprognosen ger det bästa möjliga estimatet på när och i vilken omfattning beställningsbehov i varje enskild butik eller lager kommer att uppstå. Detta betyder att beställningsprognoserna, till skillnad från obehandlad POS-data, kan utnyttas rakt av i följande led, till exempel på centrallagret, utan risk för att bygga upp lager i fel fas med det verkliga leveransbehovet (se Bild 2).

En bra beställningsprognos kombinerar information av tre olika slag:

  1. Slutkundernas prognostiserade efterfrågan, uppdaterad på basen av de senaste POS-data
  2. Inneliggande lager och redan lagda påfyllningsorder, samt
  3. Information om de styrparametrar (säkerhets- eller presentationslager,förpackningsstorlek eller minimibeställningskvantitet samt leveransschema eller ledtid) som påverkar beställningarnas tidpunkt och kvantitet.

Beställningsprognosen kan alltså, trots sin skenbara enkelhet, ses som ett mycket avancerat destillat av all tillgänglig information.

POS-data-till-beställningsprognoser

Bild 2: Butikernas beställningsprognoser och centrallagrets leveransprognos
(källa: Tatu Lähteenmäki, Onninen).

I praktiken kräver beräknandet av en bra beställningsprognos ett intelligent varupåfyllningssystem. Ett intelligent varupåfyllningssystem beräknar inte enbart det aktuella beställningsbehovet, utan simulerar också beställningsbehovet framåt. Utifrån den senaste, på POS-data baserade prognosen samt de parametrar som styr beställandet, beräknar systemet hur lagersaldot kommer att fluktuera och när nya beställningar kommer att läggas och tas emot. (Bild 3 ger ett exempel på simulerade beställningar.) Simuleringen kan i princip göras hur långt framåt i tiden som helst, men värdet av att inkludera uppgifter om aktuella lagernivåer och styrparametrar är klart större på kort- eller medellång sikt.

simulerad-lagernivå-och-beställningar

Bild 3: Exempel på simulerad lagernivå och beställningar (den övre grafen) samt den försäljning och prognos som simuleringen baserar sig på (den nedre grafen).

Simulering av beställningsflödet ställer givetvis höga krav på både programvara samt beräkningskapacitet. Med dagens IT-lösningar går utmaningen ändå att tackla. För våra kunder genomförs den här typen av beräkningar varje dag, flera veckor eller månader framåt. I vissa fall görs beräkningarna till och med i flera led, så att butikernas eller lokallagrens beställningsprognos föder centrallagrets beställningsprognos.

När är nyttan av beställningsprognoser störst?

Då flödet är stabilt och inga förändringar äger rum, är skillnaden mellan beställningsprognosen och en prognos som beräknats utifrån centrallagrets utleveranser i regel ganska liten. Men för vilken andel av produkterna är flödet stabilt? Kortare produktlivscykler, flexiblare öppettider och en ökad betoning av säsongsrelaterat sortiment, gör att andelen stabila flöden hela tiden krymper.

Infasning Vid lanseringar, skapas ofta ett första buffertlager i alla led av leveranskedjan (så kallad ”pipeline fill”). I och med att en del av det inneliggande lagret först måste betas av innan beställningar skapas, kan det dröja veckor eller månader innan butikernas beställningsflöde motsvarar försäljningen till slutkunderna. Ytterligare kan fördröjningen variera stort mellan olika butikskoncept och regioner, vilket innebär att det är svårt att göra en kvalitativ bedömning av effekten. Beställningsprognosen är därför av central betydelse för att effektivt kunna matcha lagernivåerna vid de försörjande lagren med det faktiska leveransbehovet.
Utfasning Vid utfasning av artiklar, beaktar den butiksspecifika beställningsprognosen automatiskt artiklarnas avslutningsdatum samt det faktum att säkerhetslagernivåerna i regel skruvas ned mot slutet av produktens livscykel. Beställningsprognosen stöder en behärskad nedtrappning av lagernivåerna på centrallagret samt gör det möjligt att snabbare identifiera potentiella överlager i leveranskedjan.
Marknadsaktiviteter Inför kampanjer och andra marknadsaktiviteter byggs ofta en större hyllexponering eller ett buffertlager upp i butikerna. Efter kampanjen kan det finnas ett överskott av varor på lager. Beställningsprognosen reagerar automatiskt och snabbt på en större eller mindre kampanjefterfrågan än planerat och gör det även möjligt att snabbare återgå till rätt lagernivå efter kampanjen.
Säsongsvaror Inför säsongen skapas ofta buffertlager och hur snabbt dessa avverkas i olika butiker kan variera enligt t.ex. lokala väderförhållanden. Beställningsprognosen beaktar automatiskt efterfrågan och inneliggande lager i varje individuell butik, vilket gör att man kontinuerligt har en bättre överblick av det totala leveransbehovet. Mot säsongsslutet gör beställningsprognosen det enklare att fasa ut produkterna effektivt samt att identifiera potentiella överlager i leveranskedjan.
Förändring i distribution Beställningsprognosen beaktar automatiskt förändringar i distributionen. Uppdateras, till exempel, en artikels sortimentsklassificering (och börjar säljas i flera eller färre butiker än tidigare), uppdateras beställningsprognosen automatiskt. Ytterligare, om en viss grupp kunder i framtiden kommer att betjänas genom en annan säljkanal (t.ex. via ett annat försörjande lager än tidigare), syns detta automatiskt i beställningsprognoserna i leveranskedjan.
Förändring i leveransschema Beställningsprognosen beaktar automatiskt leveransschema, vilket betyder att inverkan av t.ex. helger eller tätare leveranser under högsäsong automatiskt räknas in och syns i prognosen.

Tabell 1: Situationer där värdet av beställningsprognoser är särskilt stort.

Vid in- och utfasning av produkter, styrning av säsongsvaror, i samband med marknadsföringsaktiviteter och då leveransschemat förändras, är beställningsprognosen ett viktigt verktyg i styrningen av leveranskedjan (se Tabell 1). Till exempel vid infasning av artiklar, gör en bra beställningsprognos det möjligt att automatiskt öka eller bromsa centrallagrets prognos ifall efterfrågan är högre eller lägre än väntat, redan innan en enda påfyllningsbeställning lagts av butikerna.

Beställningsprognoser har fler än ett tillämpningsområde

Med hjälp av beställningsprognoser kan man uppnå även andra fördelar än snabbare reaktion på förändringar i efterfrågan och mera balanserade totala lager i den egna leveranskedjan. Våra kunder har sett att de genom att förmedla beställningsprognoser till sina leverantörer, kan hjälpa även leverantörerna att dimensionera sina lager rätt och samtidigt själva dra nytta av en ökad servicegrad och färskare varor.

Ytterligare kan simulering av det framtida varuflödet utnyttjas för intern kapacitetsplanering. Genom bättre estimat på hur många rader som skall tas emot eller plockas olika dagar eller hur lagervolymen kommer att fluktuera i framtiden, kan man bättre dimensionera bemanning och transportkapacitet samt reagera på situationer där centrala kapacitetsbegränsningar hotas överskridas. Våra kunder inom dagligvaruhandeln har bland annat sett stora förbättringar i planeringen av varuflödet i samband med helger – situationer då efterfrågan ofta ökar, samtidigt som antalet leveransdagar minskar, med den påföljden att plock- eller transportkapacitet kan skapa flaskhalsar, trots att varorna finns tillgängliga.

Sammanfattning

Möjligheterna att utnyttja POS-data inom styrning av leveranskedjan har äntligen blivit verklighet:

  1. Utvecklingen inom datatekniken har lett till att det är möjligt för vilket detaljhandelsföretag som helst att samla in, förmedla och analysera POS-data. Tillgång till POS-data gör det möjligt att reagera på förändringar i efterfrågan avsevärt snabbare.
  2. Ledande handelsföretag har redan tagit följande steg genom att skapa beställningsprognoser som integrerar informationen i POS-data, aktuella lagernivåer samt alla relevanta styrparametrar som inverkar på flödet. Beställningsprognoserna kan radikalt förbättra prognosnoggrannheten för centrallager och leverantörer, speciellt vid in- och utfasning av produkter, för säsongsvaror och i samband med helger och marknadsaktiviteter. Beställningsprognoserna ställer höga krav på både systemstöd samt beräkningskapacitet, men de företag som använder sig av moderna varupåfyllningssystem får tillgång till beställningsprognoser och kontinuerliga lagersimuleringar per automatik.
  3. Utvecklingsmöjligheterna är inte begränsade endast till den del av leveranskedjan som företaget själv kontrollerar, utan en del handelsföretag har redan tagit ett utvecklingssteg till och börjat förmedla beställningsprognoser till externa leverantörer. På detta sätt kan de dra nytta av en bättre servicegrad och färskare varor.

Inte sitter du väl och väntar på en framtid som redan är här?

Följande steg?

Vi på RELEX har en lång erfarenhet från att utveckla utnyttjandet av POS-data och beställningsprognoser i leveranskedjan. Med hjälp av våra flexibla och användarvänliga varupåfyllningslösningar, kan du uppnå snabbare reaktionshastighet och rätt balanserade totallager i leveranskedjan. Vill du ha hjälp med varustyrning i ditt företag, kontakta: johanna.smaros@relexsolutions.com eller +358 40 543 1142. Ett möte på en timme räcker för att gå igenom situationen i ditt företag och definiera det som ska göras först!

Källa: Småros, J. (2005), ”Information sharing and collaborative forecasting in retail supply chains”, Doctoral Dissertation, Helsinki University of Technology, http://lib.tkk.fi/Diss/2005/isbn9512278286/.