A raktárban a készlethiány és a túl magas készletszint ugyanannak a problémának két oldala: a vállalat nem elég gyorsan és nem elég pontosan reagál a kereslet, az ellátás vagy a termelés változásaira. Az AI alapú készletoptimalizálás ezt a döntési folyamatot támogatja nagyobb mennyiségű és többféle működési adat feldolgozásával.
Nem helyettesíti a beszerzési, termelési vagy logisztikai szakértelmet, de olyan összefüggéseket tehet láthatóvá, amelyek táblázatokból és statikus készletjelentésekből nehezebben ismerhetők fel.
A cél nem egyszerűen a készletek lefaragása. Egy jól kialakított rendszer azt keresi, hogyan álljon rendelkezésre a megfelelő termék, a megfelelő helyen és időben, a szükséges mennyiségben. Ez közvetlenül érinti a forgótőkét, a kiszolgálási szintet, a termelés folytonosságát és végső soron az ügyfélkiszolgálást is.
Mit jelent az AI alapú készletoptimalizálás?
A hagyományos készlettervezés jellemzően múltbeli felhasználásból, rögzített minimum-maximum értékekből, biztonsági készletből és a beszerző tapasztalatából indul ki. Ezek sok esetben jól működnek, különösen stabil kereslet és kevés cikkszám mellett.
A kihívás akkor jelenik meg, amikor széles a termékválaszték, ingadoznak a beszállítói átfutási idők, szezonális hatások vannak jelen, vagy egy termelési terv módosítása az anyagellátás több pontján is változást okoz.
Az AI-alapú megközelítés a készletmozgásokon túl többféle adatot is figyelembe vehet: rendelési előzményeket, vevői rendelési mintákat, promóciókat, beszállítói teljesítményt, átfutási időket, gyártási terveket, selejtarányokat és más, az adott vállalat szempontjából releváns tényezőket.
A gépi tanulási modellek ezekből mintázatokat azonosíthatnak, majd például keresleti előrejelzést, utánrendelési javaslatot vagy készletáthelyezési ajánlást adhatnak.
Ez különösen akkor lehet hasznos, amikor nem célszerű minden cikkszámot ugyanazzal a szabállyal kezelni. Egy kiszámíthatóan fogyó csomagolóanyag, egy ritkán igényelt, de kritikus pótalkatrész és egy erősen szezonális termék egészen más készletstratégiát igényelhet.
A modell csak annyira jó, amennyire az alapadatai
Az AI alapú készletoptimalizálás egyik legfontosabb kérdése nem az, hogy melyik algoritmust választja a vállalat, hanem hogy milyen adatokból dolgozik.
Ha a készletnyilvántartás késik, a lokációk pontatlanok, az egységnyi mennyiségek keverednek, vagy a selejt és a visszáru nem követhető megfelelően, akkor az előrejelzés és az arra épülő javaslatok megbízhatósága is korlátozott lesz.
Ezért egy optimalizálási projektnek gyakran a fizikai folyamatok és az adatgyűjtés rendbetételével kell indulnia. A vonalkódos adatgyűjtés, az RFID-alapú azonosítás, a mobil terminálok és a WMS nem pusztán adminisztrációs eszközök. Ezek biztosítják, hogy az átvétel, betárolás, áthelyezés, komissiózás, gyártásba kiadás és leltározás egységes logika szerint kerüljön be a rendszerbe.
A készletpontosság szempontjából különösen fontos, hogy a fizikai árumozgás és a rendszerben rögzített tranzakció között minél kisebb legyen az eltérés. A ciklusleltár és az eltérések okainak feltárása ebben is fontos szerepet kaphat. A ciklusleltár pontossági megoldásairól itt írtunk részletesebben.
Egy gyártóvállalatnál például jelentős eltérést okozhat, ha az alapanyag fizikailag már a gyártósor mellett van, de a rendszerben még központi raktári készletként szerepel. Kereskedelmi környezetben hasonló problémát jelenthet, ha a bolti és a központi készlet adatai nem ugyanazzal a logikával frissülnek.
Ilyen esetekben nem az AI-modell finomhangolása hozza az első eredményt, hanem az adat keletkezésének és rögzítésének rendbetétele.
Az adatminőség üzleti következménye
A pontosabb készletadat nemcsak jobb előrejelzést tesz lehetővé. Segíthet csökkenteni a rendkívüli beszerzések, sürgősségi szállítások és manuális egyeztetések számát, miközben kiszámíthatóbbá teheti a termeléstervezést és az anyagellátást.
A készletoptimalizálás ezért nem elszigetelt IT-feladat. A raktári, beszerzési, termelési és pénzügyi döntések közös adatbázisára épül.
Milyen döntéseket javíthat a rendszer?
A legkézenfekvőbb terület a kereslet előrejelzése. Az AI nemcsak azt becsülheti meg, hogy egy termékből várhatóan mennyi fogy, hanem a korábbi adatok alapján azt is jelezheti, mennyire bizonytalan az előrejelzés.
Ez segíthet a biztonsági készlet differenciáltabb meghatározásában is.
Az utánrendelési pontok szintén dinamikusabbá válhatnak. Ha egy beszállító átlagos szállítási ideje megfelelőnek tűnik, de az utóbbi hónapokban egyre gyakrabban késik, ez hatással lehet a szükséges készletszintre. Hasonlóan fontos lehet, ha egy termék felhasználása egy konkrét vevői projekttől vagy változó gyártási tervtől függ.
A készletoptimalizálás a több telephelyes működésben is hasznos lehet. Ahelyett, hogy minden raktár saját biztonsági tartalékot próbál fenntartani, a vállalat összevetheti a telephelyek készletszintjeit, a várható igényeket és a szállítási időket. Így azonosíthatóvá válhat, hol van tényleges felesleg, és hol indokolt az átcsoportosítás.
Ehhez természetesen szükség van arra is, hogy a telephelyek közötti készletmozgások, foglalások és szállítási idők megbízhatóan megjelenjenek a rendszerben.
A lejárati idővel, gyártási tétellel vagy sorozatszámmal kezelt készleteknél további lehetőségek nyílnak. A rendszer jelezheti a lassan forgó, lejáratközeli vagy felhalmozódó készleteket. Az erre adott üzleti válasz lehet áthelyezés, felhasználási prioritás, értékesítési akció vagy beszerzési korrekció – az alkalmazható intézkedés mindig a vállalat szabályaitól függ.
Nem minden készlettípus kezelhető egyformán
A magas értékű, ritkán fogyó alkatrészeknél a készlethiány költsége akár egy teljes gépsor leállásával is járhat. Ezeknél nem feltétlenül az alacsony készletszint a cél, hanem a kockázat megfelelő kezelése.
Egy kritikus pótalkatrésznél a beszerzési ár mellett számíthat a kiesés várható költsége, a beszállító megbízhatósága és az alkatrész helyettesíthetősége is.
Ezzel szemben a gyorsan forgó, nagy darabszámú termékeknél a pontatlan előrejelzés gyorsan jelentős tőkekötést okozhat. Itt a gyakori újratervezés, a promóciós és szezonális hatások kezelése lehet fontosabb.
A gyártásban pedig az alapanyagok és félkésztermékek optimalizálása csak akkor ad reális eredményt, ha a termelési terv változásai időben megjelennek a készletlogikában.
Ezért nem célszerű egyetlen szabállyal kezelni minden cikkszámot. A termékeket és anyagokat érték, forgási sebesség, ellátási kockázat, kritikalitás és felhasználási minta szerint érdemes csoportosítani. Erre építve lehet különböző készletstratégiákat és előrejelzési módszereket alkalmazni.
Bevezetés: előbb mérhető pilot, utána skálázás
A sikeres projekt nem egy készletoptimalizáló szoftver megvásárlásával kezdődik. Először érdemes kijelölni azt az üzleti problémát, amelynek eredménye egyértelműen mérhető.
Ez lehet például:
- egy termékcsoport gyakori készlethiánya,
- a lassan forgó készletek magas aránya,
- a sürgős beszerzések száma,
- a biztonsági készletek túl magas szintje,
- vagy a beszállítói átfutási idők ingadozásának hatása.
A következő lépés az adatforrások és a felelősségi körök tisztázása. Melyik rendszer a készletadat elsődleges forrása? Mikor tekinthető egy átvétel lezártnak? Hogyan kerül be a gyártási terv módosítása a tervezésbe? Ki hagyja jóvá az automatikusan generált utánrendelési javaslatot?
Ezek a kérdések legalább olyan fontosak, mint maga az AI-technológia.
Érdemes pilotot indítani egy jól körülhatárolható raktárban, termékcsaládban vagy anyagcsoportban. A pilot során összehasonlítható a korábbi tervezési módszer és az új modell eredménye.
Érdemes például azt vizsgálni, hogy:
- hogyan változott a kiszolgálási szint,
- hogyan alakult a készletérték,
- csökkent-e a készlethiányok száma,
- változott-e a lassan forgó készletek aránya,
- mennyi sürgős beszerzésre volt szükség,
- és milyen pontossággal jelezte előre a rendszer a tényleges igényt.
Ha az üzleti eredmény igazolható, a megoldás fokozatosan kiterjeszthető más termékcsoportokra vagy telephelyekre.
Az AI nem váltja ki az emberi döntést
Az AI ajánlást ad, nem vállal üzleti felelősséget.
Egy nagy vevő váratlan projektje, egy beszállítóval kapcsolatos friss információ vagy egy tervezett termékváltás olyan körülmény lehet, amely még nem jelenik meg megfelelően a rendelkezésre álló adatokban.
A beszerző és a logisztikai vezető szerepe ezért nem szűnik meg. Inkább megváltozik: a rutin számítások helyett nagyobb hangsúly kerülhet a kivételek, kockázatok és üzleti prioritások kezelésére.
A jó rendszer ezt támogatja: érthető ajánlásokat, kivételkezelést és világos jóváhagyási szabályokat biztosít. Ha a felhasználók nem értik, miért született egy javaslat, vagy indokolt esetben nem tudják felülbírálni, a megoldás könnyen elveszítheti a bizalmat.
A készletoptimalizálás alapja továbbra is a megbízható adat
A készlet nem egyszerűen raktári mennyiség. Egyszerre jelent lekötött tőkét, ellátási kockázatot és az ügyfél vagy a termelés felé tett kiszolgálási ígéretet.
Az AI alapú készletoptimalizálás akkor tud valódi értéket teremteni, ha nem a működéstől elszakadva próbál döntéseket hozni, hanem a valós árumozgásokból, megbízható készletadatokból és üzleti szabályokból indul ki.
A technológia önmagában nem oldja meg a pontatlan készletnyilvántartást. Ha viszont a fizikai folyamatok, az adatgyűjtés, a készletnyilvántartás és az elemzés megfelelően kapcsolódnak egymáshoz, az AI már nem egyszerűen egy újabb riportkészítő eszköz lehet, hanem a készletezési döntések támogatásának egyik eleme.