Vad är AI-baserad lagerhantering? En guide till smartare lagerbeslut

Under många år byggde lagerhanteringen på en grundläggande metodik baserad på historiska genomsnitt, säkerhetslager och planerarnas intuition för att täcka eventuella luckor. Den passade i en miljö där efterfrågan var stabil och leveranskedjan förutsägbar, eftersom mönstren inte varierade särskilt mycket mellan granskningsperioder. Tiderna har däremot förändrats, och idag kan man inte längre räkna med något av detta. Störningar i leveranskedjan, förändrad konsumentefterfrågan och mer komplicerade globala leveranskedjor har lyft fram bristerna i gamla prognosmetoder och fått företag att söka efter en ny väg framåt.

Ett av de alternativa tillvägagångssätten är AI-driven lagerkontroll. Det handlar inte bara om att lägga till ytterligare ett begrepp till det befintliga ekosystemet för lagerhantering. Det är ett helt nytt paradigm för lageruppföljning och prognoser. Med det nuvarande trycket på lagerchefer, leveranskedjeansvariga och verksamheten att göra mer med mindre resurser finns det ett växande behov av att förstå vad AI-driven lagerkontroll är och vad den inte är.

Det är också här som begreppen ”intelligent lagerhantering” och ”smart lagerhantering” ofta används. Båda syftar på exakt samma förändring, där besluten om lagerhantering uppdateras automatiskt i takt med att ny information kommer in.

Vad är AI-baserad lagerhantering?

AI-lagerstyrning använder AI och maskininlärning för att fatta lagerbeslut om lagernivå och påfyllning, baserat på ständigt föränderliga data, snarare än att följa regler som utvecklades för månader eller till och med år sedan. Lagerstyrning med konventionella metoder baseras på statiska beställningspunkter och granskning vid fasta intervall. Programvaran för AI-lagerstyrning analyserar både realtidsdata och historiska data, såsom försäljningstrender, säsongsvariationer, kampanjer och till och med externa faktorer som väderförhållanden och det ekonomiska läget.

Med andra ord: Medan traditionell lagerhantering frågar ”Vad har fungerat tidigare?”, frågar AI-baserad lagerhantering ”Vad händer just nu och vad kommer att hända härnäst?”. Denna skillnad har mycket större betydelse än vad den kan verka vid första anblicken. Även om en viss regel var giltig för ett år sedan kan den långsamt förlora sin precision på grund av förändringar i konsumentbeteende, leveranstider från leverantörer eller marknadssituationen.

Ett AI-baserat lagerhanteringssystem fungerar parallellt med andra discipliner såsom lagerförvaltning, men de två får inte förväxlas. AI-baserad lagerhantering innebär användning av artificiell intelligens som underlättar hanteringen av denna process, medan lagerförvaltning är själva processen.

Hur traditionell lagerkontroll fungerar

Den traditionella metoden för lagerkontroll bygger på regler. När lagret sjunker under en fördefinierad miniminivå resulterar det i att mer lager beställs, samtidigt som det finns ett säkerhetslager för att hantera förändringar i efterfrågan och en periodisk granskning av planeringen. Det är i grunden ett reaktivt system. Lagerpåfyllning sker först när lagret sjunker under en viss nivå, baserat på antaganden som kan vara helt föråldrade.

För lagerchefen eller produktionsplaneraren som hanterar endast ett litet antal SKU:er och en efterfrågan som förblir relativt stabil kan denna metod visa sig vara mycket effektiv under lång tid. Den är enkel att förstå och implementera och kräver inte ens att något särskilt programvarupaket används. Problemet är att effektiviteten i hela denna process beror på hur ofta och hur noggrant reglerna granskas.

Denna strategi kan fortfarande fungera mycket effektivt under stabila förhållanden, och många organisationer har använt den för en framgångsrik lagerhantering. Problemet är att processen kräver att reglerna hålls uppdaterade och att det finns tillräckligt med tid för att granska dem, eftersom produktutbudet ständigt ökar.

Varför traditionell lagerkontroll inte längre räcker

Det finns färre situationer där regelbaserad lagerkontroll skulle vara en effektiv metod. Det är svårare att förutsäga ledtider på grund av pågående störningar i de globala leveranskedjorna. Kundernas efterfrågan fluktuerar snabbare och med kortare varsel på grund av förändrade samhällstrender, kampanjer och övergångar mellan olika försäljningskanaler, faktorer som sannolikt inte fångas upp i en kvartalsvis analysprocess. Det finns fler leverantörer, fler geografiska platser och därmed större risk för störningar i leveranskedjorna än tidigare.

Det finns två sidor av myntet när det gäller felaktiga beslut om lagret. Att hålla ett större lager än vad som krävs belastar rörelsekapitalet och innebär lagring av produkter som inte kommer att säljas. Detta påverkar också marginalerna på grund av kostnader för lagring och eventuella nedskrivningar. För låga lagernivåer leder till försäljningsförluster och, på lång sikt, till att kunderna handlar någon annanstans eftersom de önskade produkterna inte finns tillgängliga. Statiska beställningsgränser och manuella prognoser kan inte anpassas tillräckligt snabbt för att hantera båda riskerna, inte för att planerarna saknar expertis utan för att datamängden och den hastighet med vilken den förändras har vuxit bortom vad någon realistiskt sett kan granska manuellt, SKU för SKU och granskning för granskning.

Hur AI förändrar lagerhanteringen

AI-baserad lagerkontroll innebär en betydande förändring inom lagerhanteringen. Istället för att förlita sig på att nå en absolut prognos- eller lagernivå kommer maskininlärning att analysera försäljningsdata, trender, säsongsvariationer, kampanjer och andra variabler, och upptäcka förändringar i efterfrågan redan innan de syns i de siffror som normalt skulle uppmärksammas av en planerare.

Det bör noteras att lagerkontroll baserad på AI-teknik inte är detsamma som efterfrågeprognoser. Efterfrågeprognoser är endast ett steg i processen, medan AI-baserad lagerkontroll handlar om de följande stegen efter att analysen har utförts.

AI-systemens största styrka är deras hastighet och förmåga att upptäcka trender på nivåer som inte är möjliga för människor att uppnå. Genom att använda ett AI-baserat system kan du upptäcka förändringar i produktens efterfrågan, regionala väderförhållanden och kampanjaktiviteter mycket tidigare än om du förlitar dig på manuell analys. Detta gäller särskilt för detaljhandelschefer som hanterar hundratals SKU:er i olika butiker. Den aktuella informationen om förändringar i efterfrågan är avgörande för att undvika lagerbrist i dina butiker.

De viktigaste egenskaperna hos AI-driven lagerhantering

Lagerhanteringssystem som använder AI ger inte bara förbättrade prognoser för planeringsändamål. Nästa utvecklingsnivå inom detta område gäller beslutsstöd och, i allt högre grad, automatiskt genomförande av beslut upp till en överenskommen gräns. Konkret innebär detta:

• Dynamisk justering av säkerhetslagret utifrån efterfrågesituationen istället för att upprätthålla en statisk buffert.
• Att identifiera varor med låg efterfrågan och därmed förhindra uppkomsten av dödlager.
• Omfördelning av lager i enlighet med förändringar i efterfrågan på olika platser.
• Att föreslå, eller genomföra upp till en fastställd gräns, påfyllningsbeslut utan dröjsmål.

Detta är den avgörande skillnaden mellan det konventionella sättet och moderna tekniker. Att manuellt granska prognoser begränsar den mängd data som planerare realistiskt sett kan analysera. Ett system som kan justera orderkvantiteter inom överenskomna gränser är inte begränsat på samma sätt, vilket är en av anledningarna till att lageroptimering och AI-lagerstyrning i allt högre grad går hand i hand.

Vanliga missuppfattningar om AI-lagerstyrning

I takt med att AI-lagerstyrning diskuteras fortsätter några vanliga missuppfattningar att dyka upp. Det är värt att ta itu med dem direkt.

”AI ersätter planeraren”

Tvärtom, detta händer sällan i praktiken. Även om AI är utmärkt på att bearbeta stora datamängder och upptäcka mönster, behöver den alltid människor för att fatta beslut i frågor som går utöver data, såsom etablering av ett nytt affärssamarbete, ett framtida marknadsföringsinitiativ eller en förändring i affärsstrategin. Företag som drar störst nytta av AI-lagerstyrning använder denna metod för att stödja sina planerare, inte för att ersätta dem. Planerarna fastställer ramverket och fattar beslut i extraordinära situationer, medan systemet sköter analysen och upptäckten av mönster i stor skala.

”AI-baserad lagerhantering är bara automatisering”

Automatisering fungerar enligt fasta principer och går snabbare. Till skillnad från automatisering anpassar AI-baserad lagerhantering reglerna efter förändrade förhållanden, vilka definieras av data. Därför förändrar den beslutsfattandet snarare än att bara påskynda processen.

”Att införa lagerhantering med artificiell intelligens innebär att genomföra allt på en gång”

Det är inte vanligt att införa sådan lagerhantering i ett enda steg. Företag inför beslutsstöd med artificiell intelligens stegvis i sina system. Ett av de områden som vanligtvis prioriteras för beslutsstöd är påfyllning, eftersom det handlar om beslut som kan fattas upprepade gånger och där AI-rekommendationer för dessa beslut kan analyseras och godkännas av en planerare innan någon åtgärd vidtas.

”AI-baserad lagerhantering fungerar bara för stora organisationer med enorma datamängder”

Mer data kan vara till hjälp, men det är inte nödvändigt. Medelstora företag med ett tydligt produktsortiment och en historia av framgångsrik försäljning kan också använda AI i sin lagerhantering, särskilt när efterfrågan fluktuerar mycket snabbt.

Datatillgänglighet och kvalitet

AI för lagerhantering kräver bra och korrekta data. Tidigare försäljningssiffror, lager, ledtider, kampanjer och annan relaterad data måste finnas tillgänglig för att systemet ska kunna generera mönster. Brist på data eller felaktig data kan minska effektiviteten hos de rekommendationer som genereras av AI-systemet.

Det betyder inte att organisationer behöver perfekt data för att kunna använda AI. Men det är ett av de första stegen organisationer bör ta innan de använder AI.

Generellt sett tenderar AI-lagerstyrning att fungera ganska effektivt med ungefär ett till två års försäljningshistorik, eftersom det gör det möjligt att identifiera hela säsongscykeln och skilja den faktiska efterfrågan från slumpmässiga variationer. En kortare försäljningshistorik kan också vara möjlig att använda, men systemet har inte mycket att lära sig av och därför måste de första förslagen som systemet ger tolkas med extra försiktighet.

När det gäller produkter för vilka det finns lite eller ingen historisk försäljningsdata tillgänglig för analys är situationen annorlunda, eftersom systemet inte har någon möjlighet att göra en korrekt prognos baserad på historiska data. I sådana situationer använder AI-lagerhanteringen andra kriterier som underlag för prognoserna, till exempel hur liknande produkter har presterat eller andra indikatorer, tills produkten själv har byggt upp en tillräcklig försäljningshistorik.

Framtiden för lagerhantering med AI

Det blir tydligare än någonsin vilken väg utvecklingen går när det gäller AI-baserade lagersystem. Företag som håller fast vid enkla beställningsgränser och manuell prognos kommer att få allt svårare att slå konkurrenterna som använder proaktiva, anpassningsbara lagerhanteringstekniker, särskilt i takt med att leveranskedjorna blir mer internationella och oförutsägbara.

Det är detta som driver den strategi vi följer på Slimstock. Vår lösning utnyttjar AI-baserad prognos och påfyllning, kombinerat med friheten för planerare att använda sitt omdöme där det behövs mest, tillsammans med bredare funktioner inom planering av leveranskedjan. Det handlar inte om att låta algoritmerna fatta alla beslut; det handlar om att utveckla en process som förbättras och ger planeraren mer tid att fatta de beslut som kräver deras omdöme.

Klyftan mellan dem som inför AI-teknik och dem som avvaktar kommer bara att öka i takt med att AI mognar. För många chefer inom leveranskedjan är frågan inte om AI har en plats inom lagerhanteringen, utan snarare när de kan integrera den utan att det stör verksamheten.

I framtiden förväntas AI gå från att vara ett stöd i beslutsfattandet till att bli allt mer autonomt inom vissa gränser, medan planeraren kommer att fokusera mer på att hantera undantag och fatta strategiska beslut. Organisationer som lägger en solid grund när det gäller data och processer redan nu är bättre rustade att dra nytta av detta i framtiden.

Fördelarna med lean-verksamhet (och vad man ska mäta)

AI-driven lagerhantering och lean-processer har samma mål: Minimera slöseri. Slöseri yttrar sig i form av överskottslager, tidsspillan på manuell analys och potentiella förluster till följd av underlager. AI-baserad lagerhantering underlättar implementeringen av lean-processer eftersom den förser planeraren med mer exakt information om efterfrågan och tillgängligt lager. Som ett resultat fattas beslutet om att behålla, minska eller beställa in produkter utifrån den aktuella situationen, snarare än utifrån statisk data.

Organisationer som utvärderar AI:s inverkan på lagerkontrollen beaktar vanligtvis några av följande prestationsmått:

• Lageromsättning: Hur effektivt lagret säljs under en viss period.
• Servicenivå: Andelen kundförfrågningar som tillgodoses utan dröjsmål med hjälp av tillgängligt lager.
• Noggrannhet i efterfrågeprognosen: Överensstämmelsen mellan förväntad och faktisk efterfrågan över tid.
• Rörelsekapital bundet i lager: De medel som är bundna i lagret och som kunde ha använts på annat håll.
• Nivån på dödlager: Det lager som inte längre kan säljas och måste skrivas av.

Genom att kontinuerligt övervaka dessa nyckeltal kan organisationer omvandla AI-baserad lagerhantering från en teknikinvestering till en mätbar affärsförbättring. Det stödjer också en bredare lagerplanering och kontinuerlig förbättring i hela organisationen.

Exemplet med Aster Pharmacy, den ledande integrerade hälsovårdsorganisationen i en region med 338 butiker i GCC-länderna, är tydligt i detta avseende. Sedan Aster implementerade Slimstocks lösning Slim4 har man uppnått en minskning av lagerdagarna (rörelsekapitalet) med 19 %, en förbättring av tillgängligheten med 4 % och en minskning av överskottslagret med 26 % inom två månader efter implementeringen. Dessa resultat omfattar samtidigt hantering av rörelsekapital, servicenivå och nivån på dödlager.

Sammanfattning

AI-baserad lagerkontroll innebär inte att den mänskliga faktorn tas bort från lagerplaneringsprocessen. Det handlar snarare om att ge lagerplanerarna de insikter de behöver för att fatta bättre beslut på ett mer effektivt och precist sätt. I takt med att marknaden blir allt mer osäker och leveranskedjorna allt mer komplicerade är övergången från reaktiv till prediktiv lagerkontroll inte längre en konkurrensfördel utan en nödvändighet.