Prognozy rozchodu zapasów

1. Opis ogólny Pojęcia Dane historyczne Kontrakty i zamówienia 2. Zastosowanie prognoz Propozycje zamówień zakupu Budowanie planu potrzeb MRP 3. Tematy powiązane

1. Opis ogólny

Pojęcia

Prognoza (en: Forecast), to jest przewidywanie rozchodu asortymentu na sprzedaż lub na potrzeby produkcji. Na podstawie prognoz rozchodu ustala się potrzeby zakupu towarów i materiałów oraz plany produkcji wyrobów. Prognozy tworzy się na podstawie dwóch źródeł informacji: 1. Dane historyczne, tj. rozchody w poprzednich okresach. 2. Zawarte kontrakty i przewidywane zamówienia własne i obce.

Źródło prognozy: Dane historyczne

Dane transakcyjne z okresów minionych, np. sprzedaż w ostatnim kwartale. (en: Average demand forecast model based on historical sales data). Tak zwykle tworzy się prognozy w firmach handlowych i usługowych. W programie Trawers można obliczyć planowaną sprzedaż na podstawie dotychczasowej sprzedaży (en: Forecast). Kroki: * Obliczyć średni rozchód dzienny, np. za ostatnie 90 dni. ŚredniRozch_KSOM: MG > Zapasy > Ustalanie norm [MG_ZSR20] ŚredniRozch_KIM : MG > Zapasy > Ustalanie norm [MG_ZSR10] * Uwzględniając średni rozchód dzienny, obliczyć normę minimum na następne, np. 180 dni: NormaMin_KSOM: MG > Zapasy > Ustalanie norm [MG_ZSR20] NormaMin_KIM : MG > Zapasy > Ustalanie norm [MG_ZSR10] Zapasy: normy i wskaźniki * Wystawić zamówienia zakupu na ilość wystarczającą na 180 dni. ZA Tworzenie zamówień zakupu * Okresowo sprawdzać, czy zapasy nie zmiejszyły się poniżej normy min. * Okresowo sprawdzać, czy obliczone wskaźniki (średni rozchód dzienny) odpowiadają rzeczywistemu rozchodowi. Jeżeli nie, to powtórzyć obliczenia średniego rozchodu i pochodnych: NormaMin_KSOM, NormaMax_KSOM. Zapasy: normy i wskaźniki

Źródło prognozy: Kontrakty i zamówienia

Zarejestrowane dane wynikające, np. z zawartych kontraktów i przewidywanych zamówień na towary handlowe i wyroby własne. Tak zwykle tworzy się prognozy w firmach produkcyjnych i handlowych. Realizacja zamówień sprzedaży W programie Trawers rejestruje się prognozy w oddzielnym zbiorze w systemie planowania potrzeb materiałowych MR. Zbiór: 064 Prognozy potrzeb. MR > Prognozy > Prognozy potrzeb [MR_ZPR10] Dane w zbiorze prognoz wykorzystuje się podczas obliczania planu potrzeb MRP. MRP Prognozy potrzeb Na podstawie planu potrzeb MRP, program może automatycznie utworzyć zamówienia zakupu oraz zlecenia produkcyjne. MRP Obliczenia

2. Zastosowanie prognoz

Propozycje zamówień zakupu

W programie Trawers, dla potrzeb tworzenia zamówień zakupu w systemie ZA, prognozy buduje się na podstawie średniego rozchodu dziennego. Średni rozchód dzienny oblicza się a) dla poszczególnych magazynów (ŚredniRozch_KSOM) i b) dla wszystkich magazynów (ŚredniRozch_KIM). MG > Zapasy > Ustalanie norm i wskaźników > Ustalanie średniego rozchodu a) Średni rozchód dzienny w KSOM [MG_ZSR20 b) Średni rozchód dzienny w KIM [MG_ZSR10] Zapasy: normy i wskaźniki W tej funkcji można też obliczyć normy minimum (NormaMin_KIM NormaMin_KSOM) i normy maksimum (NormaMax_KIM NormaMax_KSOM). Normy te obliczane są przy uwzględnieniu dni prognozowanego rozchodu Np. średni rozchód dzienny wynosi 10 sztuk Dlatego prognoza rozchodu na 90 dni wynosi 900 sztuk Prognozę na 180 dni pokazuje zestawienie tabelaryczne MG > Zapasy > Analizy zapasów. Program prognozuje na 180 dni na podstawie średniego rozchodu dziennego (180 razy [*] średni rozchód dzienny) Na podstawie prognoz oraz norm minimum i maksimum system zaopatrzenia ustala propozycje zamowień zakupu o-- Propozycje zamówień wg norm -----------------------o | | | Magazyn 10 | | | | Nr wzoru 5 Liczba dni 90 | | -o- | o------------- | --------------------------------------o | v Wzór: 5 Zamówić: Średni rozchód dzienny * liczba dni Np. średni rozchód dzienny wynosi 10 sztuk Program zaproponuje zamówienie u dostawcy asortymentu na 90 dni tj. 10 * 90 = 900 sztuk ZA Tworzenie zamówień zakupu Wzory obliczania potrzeb zakupu

Budowanie planu potrzeb MRP

Prognozy zapisane są w tabeli prognoz w systemie MR Potrzeby materiałowe Te prognozy mogą być ujęte podczas budowania planu potrzeb MRP. MRP Prognozy potrzeb Na podstawie planu potrzeb, program może automatycznie utworzyć zamówienia zakupu oraz zlecenia produkcyjne. MRP Tworzenie zamówień zakupu MRP Tworzenie zleceń

3. Tematy powiązane

Zarządzanie zapasami Zapasy: normy i wskaźniki MRP Prognozy potrzeb MRP Obliczenia Wskaźniki obrotu zapasami Słowa kluczowe #Magazyny-Wskaźniki #Magazyny-Zapasy #Zakupy-Zamówienia #Logistyka-Zaopatrzenie #Pomoc-AsystentAI

4. Dodatkowe metody prognozowania

(AsystentAI) Propozycje dodatkowych metod prognozowania, które można wdrożyć lub wspomóc w Trawersie: 1. Prognozowanie z uwzględnieniem sezonowości (model sezonowy) Opis: W przypadku asortymentu o wyraźnej sezonowości (np. odzież, AGD, zabawki, produkty ogrodnicze), prognozy powinny uwzględniać zmienne zapotrzebowanie w różnych porach roku. Implementacja w Trawersie (propozycja): * Rozszerzyć średni rozchód dzienny o możliwość analizy w cyklu rocznym z podziałem na miesiące lub kwartały. * Można stworzyć nowe zestawienie: *Średni rozchód w analogicznych miesiącach roku poprzedniego*. * Uwzględnić w normach prognozowanie z wagą sezonową. 2. Wygładzanie wykładnicze (Exponential Smoothing) Opis: Metoda, która nadaje większą wagę bardziej aktualnym danym historycznym. Dobrze sprawdza się w środowiskach, gdzie popyt jest zmienny, ale nie sezonowy. Implementacja: * Nowa funkcja wyliczania prognozy na podstawie wygładzania ALFA (współczynnik: 0-1). * Możliwość automatycznego aktualizowania prognoz co miesiąc na podstawie najnowszych danych. 3. Prognoza z uwzględnieniem braków sprzedaży (niedobory a realne zapotrzebowanie) Opis: Jeżeli dany towar często jest 'niedostępny', dane historyczne nie odzwierciedlają rzeczywistego zapotrzebowania. Propozycja: * Dodanie funkcji korekty prognozy o niezrealizowaną sprzedaż (np. anulowane zamówienia z powodu braku towaru). * Integracja z danymi z dokumentów: Zamówienia sprzedaży niezrealizowane w całości. 4. Model trendu liniowego / regresji Opis: Pozwala na prognozowanie przy rosnącej lub malejącej tendencji sprzedaży. Implementacja: * Obliczenie trendu sprzedaży na podstawie regresji liniowej (np. ostatnich 6-12 miesięcy). * Możliwość wykresowania trendu i porównania z rzeczywistymi danymi. 5. Analiza ABC/XYZ z powiązaną prognozą Opis: * Klasyfikacja towarów według wartości obrotów (ABC) i regularności zapotrzebowania (XYZ). * Różne metody prognozowania w zależności od klasy: * A/X: dokładne prognozy, np. model wygładzania * C/Z: minimalne zapasy bezpieczeństwa, brak aktywnej prognozy Możliwość integracji: * Rozbudowa funkcji MG > Zapasy > Analizy zapasów o klasyfikację ABC/XYZ i przypisanie metody prognozy. 6. Model automatycznego uczenia (AI / machine learning) Opis: Jeśli w przyszłości planowane jest bardziej zaawansowane podejście - model AI mógłby uczyć się na podstawie historycznych danych sprzedaży, sezonowości, promocji, kontraktów, itp. Implementacja (przyszłościowa): * Eksport danych z Trawersa do modelu uczenia maszynowego (zewnętrzny system). * Wczytanie wyników prognoz z powrotem do zbioru 064 Prognozy potrzeb. Podsumowanie nowe funkcje/procesy dla Trawersa: | Metoda prognozy | Gdzie wdrożyć / rozszerzyć w Trawersie | | ------------------------------ | -------------------------------------------------- | | Sezonowość | MG > Zapasy > Ustalanie norm (nowe zestawienia) | | Wygładzanie wykładnicze | MG > Zapasy > Nowa funkcja prognozy | | Korekta o niedobory | Sprzedaż > Zamówienia > Niezrealizowane zamówienia | | Trend liniowy / regresja | MG > Analizy zapasów > Nowy typ wykresu/analizy | | Klasyfikacja ABC/XYZ | MG > Analizy zapasów > Dodanie kolumn klasyfikacji | | Uczenie maszynowe (zewnętrzne) | Eksport/import danych z MR_ZPR10 |

5. Rozbudowa klasyfikacji ABC/XYZ

(AsystentAI) Do klasyfikacji ABC/XYZ w systemie Trawers można dodać odpowiednie pola (lub kolumny) w bazie danych i/lub raportach, aby wspierać tę analizę. Klasyfikacja ABC/XYZ pomaga lepiej zarządzać zapasami, stosując różne strategie dla różnych typów towarów. Oto propozycja, jakich pól należy użyć lub dodać: Pola do klasyfikacji ABC | Pole | Opis | | ------------------------ | --------------------------------------------------------------- | | `ObrotyWartościowe` | Łączna wartość sprzedaży danego towaru w analizowanym okresie. | | `ProcentUdziałuWObrocie` | Procentowy udział danego towaru w całkowitym obrocie. | | `KlasaABC` | A / B / C przypisana kategoria na podstawie wartości obrotów. | Obliczenia przykładowe: * A - 80% obrotu generowane przez 20% indeksów. * B - kolejne 15% obrotu przez 30% indeksów. * C - pozostałe 5% obrotu przez 50% indeksów. Pola do klasyfikacji XYZ | Pole | Opis | | -------------------- | ---------------------------------------------------------------------------- | | `OdchylenieRozchodu` | Odchylenie standardowe miesięcznego rozchodu (lub inny wskaźnik zmienności). | | `WspółczynnikCV` | Współczynnik zmienności (CV = odchylenie / średni rozchód). | | `KlasaXYZ` | X / Y / Z - przypisana kategoria regularności popytu. | Próg klasyfikacji XYZ przykład: * X - CV <= 0,5 (regularny rozchód) * Y - 0,5 < CV <= 1,0 (umiarkowana zmienność) * Z - CV > 1,0 (nieregularny popyt) Propozycje pól łączonych (matryca ABC/XYZ) W celu uzyskania pełnego obrazu zarządzania zapasami, można połączyć klasy w jedno pole: | Pole | Opis | | -------------- | ----------------------------------------------- | | `KlasaABC_XYZ` | Połączona klasyfikacja, np. A/X, B/Y, C/Z | Gdzie dodać te pola w Trawersie | Obszar | Działanie | | ----------------------- | -------------------------------------------------------------------- | | MG > Zapasy > Kartoteki | Dodać pola `KlasaABC`, `KlasaXYZ`, `ObrotyWartościowe`, `CV`, itp. | | MG > Analizy zapasów | Dodać kolumny z klasyfikacją oraz możliwość filtrowania/sortowania. | | Raporty | Nowe raporty: Zestawienie ABC/XYZ, Zalecenia dla klasy XYZ, itp. | | MRP / Zamówienia | Użycie klasy do różnicowania zasad prognozowania i zaopatrzenia. |

6. Algorytm wyliczania XYX

(AsystentAI) Przykładowy algorytm wyliczania klasyfikacji XYZ w oparciu o dane z tabeli `MGrrST` (Stany zapasu w kolejnych dniach). Klasyfikacja XYZ oparta jest na zmienności rozchodu - mierzonej najczęściej współczynnikiem zmienności (CV, coefficient of variation), czyli stosunkiem odchylenia standardowego do średniego rozchodu. Algorytm wyliczania klasyfikacji XYZ Założenia: * Dane wejściowe: dzienne stany zapasu (lub rozchody) dla każdego indeksu, np. na podstawie tabeli `MGrrST`. * Analizujemy dane np. z ostatnich 90 dni. * Dane dzienne przeliczamy na rozchody dzienne lub tygodniowe. * Klasy XYZ przypisujemy wg wartości współczynnika zmienności. Krok po kroku: 1. Zbierz dane rozchodu dziennego Dla każdego indeksu `i` wyznacz: * `R_i_t` - rozchód towaru `i` w dniu `t` (np. z dokumentów RW lub PZ z Trawersa lub pochodna ze zmiany stanu zapasu). 2. Wyznacz średni rozchód dzienny (Mean) Dla każdego indeksu `i`: ``` Mean_i = SUM(R_i_t) / n ``` gdzie `n` = liczba dni w analizowanym okresie (np. 90). 3. Oblicz odchylenie standardowe (SIGMA) ``` SD_i = sqrt( SUM((R_i_t - Mean_i)^2) / n ) ``` 4. Oblicz współczynnik zmienności (CV) ``` CV_i = SD_i / Mean_i ``` 5. Przypisz klasyfikację XYZ Zaproponowane progi: * `X`: CV <= 0,5 - zapotrzebowanie stabilne * `Y`: 0,5 < CV <= 1,0 - zapotrzebowanie umiarkowanie zmienne * `Z`: CV > 1,0 - zapotrzebowanie nieregularne ``` if CV_i <= 0.5: KlasaXYZ_i = 'X' elif CV_i <= 1.0: KlasaXYZ_i = 'Y' else: KlasaXYZ_i = 'Z' ``` Przykład danych wejściowych (rozchód tygodniowy) | Indeks | Tydz_1 | Tydz_2 | Tydz_3 | Tydz_4 | Średnia | Odchylenie | CV | Klasa | | ------ | ------ | ------ | ------ | ------ | ------- | ---------- | ---- | ----- | | A100 | 20 | 22 | 18 | 21 | 20,25 | 1,48 | 0,07 | X | | B200 | 10 | 30 | 5 | 15 | 15,00 | 9,35 | 0,62 | Y | | C300 | 0 | 40 | 0 | 10 | 12,50 | 17,08 | 1,37 | Z | Uwagi praktyczne dla Trawersa * Można dodać te pola jako kolumny pomocnicze w analizie zapasu ([NZ_ZAW30], np.: * `Śr_Rozchód_Dzienny` * `Odch_Std_Rozchodu` * `CV_Rozchodu` * `KlasaXYZ` * Obliczenia mogą być wykonywane okresowo jako wsadowe (np. raz w miesiącu). * Warto dodać zabezpieczenia, gdy `Mean_i = 0` (żeby uniknąć dzielenia przez zero).