Řízení skladových zásob - chutně a zdravě | Mňamka #180

Tenhle datový use case je snad nejprezentovanějším hned po řízení obchodu a marketingové akvizici. V praxi dnes lze potkat celou řadu implementací od sofistikovaných excelů až po magické krabičky, ohánějící se pojmy jako AI, ej-áj, umělá inteligence apod. Pojďme si ale tuto úlohu rozebrat na kostičky a říct si, jak se takové řešení dá dneska vůbec uvařit.

Ingredience

• 2-4 roky historie vašich skladových pohybů. Jednotlivé položky všech příjemek a výdejek.
• pokud faktury neodpovídají jednotlivým skladovým pohybům, 2-4 roky historie vašich vydaných faktur 
• počáteční stav pro všechny skladové karty, ze kterého historie pohybů vychází (den “nula”)
• kotel trpělivosti
• bílé, případně červené víno dle volby, v množství “co kdo snese” 
• špetka štěstíčka

Doba vaření

3 měsíce až 1 rok

Příprava

1. Nejprve historii počátečních skladových pohybů a fakturovaných položek očistíme. Vykrájíme všechny duplikované skladové karty, extrémní skladové pohyby (tzv. “outliery”), které vznikly typicky různými nestandardními operacemi, jako jsou inventury, přeskladňování, korekce, nezvykle velké prodeje apod. Proč potřebujeme 2-4 roky? dva roky jsou minimum, protože pokud chceme sledovat trend a sezónnost skladových operací pro jednotlivé karty, potřebujeme mít aspoň dva cykly. Čtyři roky jsou lepší, protože potom budeme moci použít 2letou historii pro modelování a 2letou pro testování.
2. Pokud faktury neodpovídají skladovým pohybům, je třeba ještě přestrukturovat výdejky podle této struktury. Zkrátka potřebujeme, aby upravené příjemky a výdejky odpovídaly svojí granularitou reálným obchodním transakcím.
3. Napočítáme denní stavy a denní obraty pro jednotlivé skladové karty.
4. S použitím vizualizačního nástroje odpovíme na otázky:
   • Máme pro každou skladovou položku dostatečný počet transakcí v čase? A nebo se to prodává jako blesk? Tj. sem tam uhodí? Pokud se jedná o “bleskový” sortiment, musíme experimentovat s nějakým shlukováním, aby sloučených pohybů bylo v čase dost.
   • Jaká je obrátkovost jednotlivých skladových karet? Co jsou ležáky? Kolik peněz v nich máme? S nimi se totiž budeme zabývat dál jinak.

Postup

Další postup má dvě větve: (1) je potřeba správně nakupovat, (2) je třeba se průběžně zbavovat ležáků.

Nákup:
Při nákupu řešíme úúúplně "jednoduchou" úlohu😜. Na základě odhadu budoucích prodejů, toho co máme na skladě, toho co máme ve výrobě anebo na cestě potřebujete rozhodnout, kolik toho dneska objednat. “Toho na skladě za - třeba 4-6 měsíců - jsme měli "tak akorát" třeba na 2-3 měsíce prodejů, kdy je sezona toho zboží. To všechno pro 20tisíc zalistovaných položek. To dáme v Excelu, ne?🙈

Odhad budoucích prodejů potřebujeme udělat co nejpřesnější a v co největším detailu, tj. ideálně pro každou zalistovanou položku a každou zemi nebo prodejní kanál. Jasně, udělat klouzavý dvanáctiměsíční průměr je docela dobrý nápad do začátku, jen bohužel nebude dost přesný. Lepší je jít na to nějakou metodou statistického modelování časových řad. Často se používají tzv. ARIMA modely (zkratka anglického AutoRegressive Integrated Moving Average, „autoregresní integrovaný klouzavý průměr“), které pracují se třemi složkami odhadu: trendová složka, sezónní složka a pak nějaké “reziduum” (co zbyde).

Od budoucích prodejů se dá celkem školní matematikou namodelovat, jak vám bude jednotlivé zboží “mizet” ze skladu. Takže při výchozí informaci o aktuálním stavu skladu a informací o dodacích lhůtách  se dá jednoduše dopočítat, kolik toho objednat a kdy, aby zboží na skladě bylo třeba na 3 měsíce prodejů.

Jednoduché, že? Je zřejmé, že v tom celém se dá nasekat fůra chyb a nepřesností, proto je lepší se porozhlédnout po nějaké domácí pekárně, která umí držet stálý tlak, teplotu a vlhkost apod. Ale stejně bez dobrých surovin, řádné přípravy, očištění a okrájení vám bude každá pekárna k ničemu. Shit in, shit out.

Výprodej:
Při výprodeji řešíme podobně “jednoduchou” úlohu: Na základě identifikace skutečných ležáků musíme pro každou skladovou položku stanovit strategii výprodeje (např. “chceme se toho co nejdřív zbavit”, nebo “chceme se toho zbavit do 3 měsíců a utržit na tom maximum” nebo “chceme se toho zbavit za 1 měsíc, ale chceme maximalizovat marži”), potom zahájit vlastní výprodej a např. na základě monitoringu cen konkurence průběžně měnit automaticky cenu každé skladové položky, abychom dosáhli vytčenéno cíle. Stále to ještě budeme zkoušet v Excelu🙈?

Nejprve potřebujeme “něco”, co nám bude monitorovat ceny konkurence. Když jste online, dá se to vyřešit scrapingem. Když jste offline, je to těžší. Můžete data zkusit nakupovat od specialistů, které se monitoringem cen zabývají, ale připravte se na to, že to nebude úplně zadarmo.

Pak musíme začít hledat závislosti mezi našimi (třeba denními) prodeji jednotlivých “ležáků” vs. našimi historickými cenami (ha, máme je? ha, a co slevy?) a cenami konkurentů. Když tuto závislost (korelaci) nalezneme, můžeme z této rovnice odvodit, jak stanovit cenu v závislosti na ceně konkurence, když chceme pro daný výprodejový sortiment dosáhnout daného cíle. Mno, a teď to začít dělat denně (nebo několikrát denně), aby se náš šelmostroj učil, jak se mu daří se “strefovat”.

Tohle dělat denně pro několik stovek až tisícovek skladových položek bez automatu, kterému se říká “pricing engine” je holé šílenství. A zase platí: Shit in, shit out.

Doporučení k servírování

Nespěchejte. Buďte pečliví. Jednotlivé chody servírujte postupně. Dejte čas svému hostu váš pokrm zažít. Ocenit. Není to hned. Připravte se na spoustu “ale”, nebo třeba “tohle má stoupat a né klesat!” nebo třeba “It should be at least twice.” Uvidíte. Váš strávník to ocení.

Zapomněl jsem na něco? Chcete se na něco zeptat? Napište mi. 

Rado