- Kdy zákazníci potřebují doplnit zásoby? Jaké specifikace potřebují? Kolik? Pokud jsou tyto otázky zodpovězeny odhadem, vede to buď k nahromadění zásob, nebo k vyprodání zásob. Skupina čínských továren LVL používá analýzu dat, jako je předpověď počasí, k předpovídání poptávky zákazníků, čímž přeměňuje pasivní čekání na objednávky na proaktivní služby.
1. Náklady na "zásobení na základě hádání"
"Proč se ta várka zboží zase hromadí?" "Proč je tato specifikace opět vyprodaná?" To jsou každodenní starosti mnoha manažerů továrních skladů LVL.
Zásoby založené na pocitu střeva stojí značné náklady:
- Riziko skladování: Specifikace skladování, které zákazníci často nevyužívají, váže kapitál a zboží se může deformovat nebo plesnivět v důsledku dlouhodobého skladování.
- Ztráty ze skladu: Pokud specifikace, které zákazník potřebuje, nejsou k dispozici, objednávka je ztracena a zákazník může přejít k jiným dodavatelům.
- Náklady na nouzové doplnění: Nouzová výroba po naskladnění vyžaduje příplatek za přesčasy a poplatky za expresní dopravu, což jsou všechny dodatečné náklady.
"Když přišlo na skladové zásoby, spoléhali jsme se výhradně na intuici prodejce," přiznal manažer továrny. "Kdyby řekli, že se konkrétní specifikace bude dobře prodávat, naskladnili bychom se. V důsledku toho jsme měli mimo-sezónu obrovské množství nevyřízených věcí."
2. Od „intuice“ k „analýze dat“
Některé továrny začínají používat analýzu dat jako vodítko pro přípravu zásob:
Historická analýza objednávek: Analýza měsíčních údajů o prodeji pro každou specifikaci za poslední dva roky za účelem identifikace vzorců. Které specifikace jsou „stále zelené“ (stabilní po celý rok) a které „sezónní“ (vysoké prodeje během hlavní sezóny)?
- Analýza nákupních zvyklostí zákazníků: Analýza nákupního cyklu a objemu každého zákazníka. Zákazník A zadává objednávky kolem 15. dne každého měsíce, pokaždé přibližně 2 kontejnery; Zákazník B zadává objednávky jednou za čtvrtletí, pokaždé 5-6 kontejnerů.
- Sledování tržních trendů: Sledování zahájení výstavby a změn politik na cílovém trhu s cílem předvídat posuny poptávky.
"Vytvořili jsme jednoduchou excelovou tabulku," řekl obchodní manažer. "Importovali jsme údaje o objednávkách z minulého roku a měsíčně je shrnuli. Okamžitě je jasné, že 50×100 mm je stálice oblíbená, zatímco prodej 100×100 mm před obdobím dešťů stoupá."
3. Proaktivní připomenutí nahrazují pasivní přijímání objednávek
Na základě analýzy dat začaly některé továrny proaktivně připomínat zákazníkům, aby doplnili zásoby:
- Upozornění na zásoby: Když se blíží nákupní cyklus zákazníka, je odeslána proaktivní zpráva: "Na základě vašich nákupních zvyklostí možná budete muset příští týden doplnit zásoby. Momentálně máme dostatečné zásoby, v případě potřeby je můžete předem uzamknout."
- Sezónní připomínky: "Období dešťů se blíží a poptávka po podpěrách šablon poroste. Chtěli byste si předem naskladnit nějakých 100×100 mm?"
- Cenové připomínky: "Ceny surovin mohou příští měsíc vzrůst. Chcete zadat objednávku předem, abyste zajistili aktuální cenu?"
"Dříve jsme čekali na objednávky zákazníků," řekl manažer zahraničního obchodu. "Nyní zákazníkům připomínáme, aby zadávali objednávky. Zákazníci mají pocit, že jsme profesionálové, a to jim ušetří námahu s kalkulací sami."
4. Od „prodeje zásob“ k „správě zásob“
Pro některé dlouhodobé-velké klienty začínají některé továrny experimentovat s Vendor Managed Inventory (VMI):
- Sdílení dat: Klienti poskytují své vlastní údaje o zásobách a předpovědi prodeje týdně.
- Zásoby v továrně: Továrny se proaktivně zásobují na základě údajů o klientech, což zajišťuje, že klientům nedojdou zásoby.
- Automatické doplňování: Systém nastavuje minimální upozornění na zásoby; pokud stav zásob klesne pod úroveň výstrahy, automaticky se vygeneruje plán doplňování.
"Implementovali jsme VMI s australským klientem," řekl manažer továrny. "Údaje o zásobách klienta jsou s námi týdně synchronizovány a na základě údajů zajišťujeme výrobu a skladování. Obrátkovost zásob klienta se zvýšila o 30 % a naše objednávky jsou stabilnější."
5. Vylepšená „přesnost“ předpovídání dat
Prognózování dat není něco, čeho lze dosáhnout přes noc; vyžaduje neustálou optimalizaci:
- Zaznamenání odchylky prognózy: Po každé prognóze se zaznamená rozdíl mezi skutečným prodejem a prognózou a analyzují se důvody odchylky.
- Úprava parametrů modelu: Na základě analýzy odchylek je upraven prognostický model. Pokud se například zjistí, že prodeje určité specifikace silně korelují s místní mírou zahájení výstavby, je míra zahájení začleněna do prognostického modelu.
- Doplňování lidských zkušeností: Datové modely nemohou pokrýt všechny situace (jako jsou náhlé velké objednávky nebo změny zásad), což vyžaduje doplňkový úsudek od zkušených pracovníků.
„Přesnost naší prognózy se zlepšila z původních 60 % na současných 80 %,“ řekl manažer prodeje. "I když to ještě není 100%, výrazně to snížilo nahromadění zásob a vyprodání zásob."
Prognózování dat není „věštěním“, ale spíše dedukcí na základě historických vzorců. Když továrny LVL v Číně používají analýzu dat jako vodítko pro přípravu zásob a zákaznický servis, dodávají nejen produkty, ale také „jistotu“ a „spolehlivost“. Tento „data-řízený“ přístup řízení dodavatelského řetězce je přesně tou nezbytnou cestou pro čínskou výrobu k přechodu od „extenzivní“ k „intenzivní“ výrobě.
