Optimieren Sie das Cycle-Counting-Verfahren mit Phantomscan und werden Sie Fehlbestände los

Phantomscan (Beta), Schluss mit Scheinbeständen


Image
Diese Webapp bietet Ihnen eine Auflistung der wahrscheinlich fehlerhaftesten Lagerbestände zur Optimierung des Cycle-Counting-Verfahrens. Mitarbeiter können sich somit auf die Artikel konzentrieren, deren Bestand tatsächlich überprüft werden muss. Die Berechnungen basieren auf statistischen Vorab-Analysen der vergangenen Bestandsprüfungen und übertreffen somit die klassichen Cycle-Counting-Verfahren bei weitem an Leistung.

Perfekt geeignet für Einzelhandelsgeschäfte oder Lagerhäuser, die Probleme mit Bestandsungenauigkeiten haben. Vollständige Automatisierung - keine statistischen Fähigkeiten erforderlich. Phantomscan nutzt historische, aus Ihrem Bestandsmanagementsystem importierte Daten und erstellt Web-Berichte.

Image


Big Picture

Image
Fehlerhafte Lagerbestände sind ein weitverbreitetes Problem im Einzelhandel und der Supply-Chain. Studien (1) (2) zeigen, dass in Filialen bis zu 65 % der Berichte Abweichungen aufweisen, obwohl die Waren im zugewiesenen Lagerbereich vorhanden sind. Dennoch stützen sich so gut wie alle derzeit angewandten Bestandsmanagementsysteme auf die Annahme, dass die erfassten Lagerbestände korrekt sind.

Scheinbestand ist oftmals die Hauptursache für mangelnde Bestandsgenauigkeit. Die eigentlichen Ursachen von Scheinbeständen sind unterschiedlich: Fehler bei der Nachbestellung, Ladendiebstahl von Kunden, unsachgemäßer Umgang mit Waren usw.

Der klassische Ansatz zur Behebung fehlerhafter Lagerbestände nennt sich Cycle-Counting. Obgleich diese Prüfungsstrategien zu einer Verbesserung der Bestandsgenauigkeit beitragen können, sind sie in der klassischen Anwendung sehr zeitaufwändig. Demnach sind der Aufwand und die Kosten für eine marginale Verbesserung der Bestandsgenauigkeit unverhältnismäßig groß.

Phantomscan jedoch nutzt die statistische Vorab-Analyse, um die Feineinstellungen der Priorisierung der Bestandskontrolle vorzunehmen und somit das Beste aus jeder mit dem Zählen verbrachten Minute herauszuholen. Begonnen wird mit den Artikeln, die am häufigsten gezählt werden müssen. Phantomscan prognostiziert die Genauigkeit jeder Bestandsaufzeichnung.

Phantomscan unterscheidet sich sowohl von Bestandsprognosen als auch von Feststellung von Fehlbeständen in Regalen. Phantomscan unterstützt Einzelhändler bei der Priorisierung ihrer Bestandsaufzeichnungen. Im Gegensatz hierzu geht die Bestandsprognose von korrekten Bestandsaufzeichnungen aus, während Shelfcheck auf Umsatzrückgang-verursachende Probleme reagiert. Alle drei Apps ergänzen sich gegenseitig.

Wie funktioniert Phantomscan?

Die von Phantomscan angegangene Herausforderung ist einfach: Jede Minute, die mit dem Zählen des Lagerbestands verbracht wird, sollte ein maximales Ergebnis an Bestandskorrekturen hervorbringen und somit die Investitionsrentabilität des Bestandprüfungskonzepts maximieren.

Herkömmliche Prüfungskonzepte nutzen eher naive Methoden, wie z. B. die ABC-Analyse, die sich zum größten Teil an den Waren mit hoher Umschlagshäufigkeit orientiert. Wir haben jedoch erkannt, dass diese Methoden hinsichtlich des Einsatzes von Arbeitskräften ineffizient ist.

Phantomscan analysiert sämtliche vergangenen Bestandskorrekturen, um vorherzusagen, welche Artikel wirklich unverzüglich überprüft und nachgezählt werden müssen. Bestandsungenauigkeiten treten nicht willkürlich auf, sondern folgen verschiedenen Mustern:

  • Bestimmte Produktkategorien sind wesentlich anfälliger für Bestandsungenauigkeiten als andere.
  • Veranstaltungen, wie Werbeaktionen können einen plötzlichen Anstieg von Ungenauigkeiten veursachen.
  • Durch das Nachzählen an sich, können in seltenen Fällen auch große Ungenauigkeiten entstehen.

Durch die Analyse der in der Vergangenheit vorliegenden Probleme, ermöglicht Phantomscan die präzise Bestimmung von Bereichen, in den der Zählaufwand am größten ist, und ermöglicht zudem eine Optimierung der Nachzählungshäufigkeit.

Darüber hinaus maximiert Phantomscan die Produktivität, indem es sich auf Artikel konzentriert, die erwartungsgemäß bei der Nachzählung einen niedrigen Lagerbestand aufweisen. Tatsächlich ist der Zeitaufwand der Nachzählung nahezu proportional zur Anzahl der zu zählenden Einheiten. Aus diesem Grund berücksichtigt Phantomscan die für die Bestandsprüfung erforderliche Zeit, um die Mitarbeiterproduktivität zu maximieren.

Erste Schritte

Image
Phantomscan befindet sich noch in der eingeschränkten Beta-Phase. Bitte kontaktieren Sie uns für die Implementierung des Produkts. Senden Sie eine E-Mail an: .

Für Phantomscan erforderliche Daten (je umfassender die Datenhistorie, desto besser die Analyse). Diese Daten werden üblicherweise, mit täglichen Updates an Lokad übermittelt:

  • (erforderlich) Verkaufte Mengen pro Produkt, pro Filiale
  • (erforderlich) Lagerbestand pro Produkt, pro Filiale
  • (erforderlich) Auflistung der Bestandskorrekturen
  • (erforderlich)) Produktkatalog, inkl. Produktfamilien, -unterfamilien usw.
  • (optional) Nachbestellungen pro Filiale, pro Produkt
  • (optional) Werbeaktionen pro Filiale, pro Produkt

Bei der Nachbestellung von Produkten beobachtete Muster können uns dabei helfen, eine präzise Vorhersage der Bestandsungenauigkeiten zu erstellen. Ähnlich tendieren Werbeaktionen dazu, zusätzliche Bestandsungenauigkeiten zu verursachen.

Die Daten werden mittels Flatfiles (TSV) über FTP an Lokad übermittelt. Einer der ersten Schritte ist normalerweise der Proof-of-Concept (POC) für eine einzelne bzw. geringe Anzahl an Filialen.

Referenzen

(1) DeHoratius, N. and A. Raman (2004). “Inventory Record Inaccuracy: An Empirical Analysis.” University of Chicago Graduate School of Business Working Paper.

(2) Thomas W. Gruen, Ph.D., University of Colorado at Colorado Springs, USA and Dr. Daniel Corsten, IE Business School Madrid (2008). “A Comprehensive Guide To Retail Out-of-Stock Reduction In the Fast-Moving Consumer Goods Industry”

Obwohl allgemein davon ausgegangen wird, dass eine computergestützte Nachverfolgung des Lagerbestands auf Ebene der Artikelpositionen korrekte Ergebnisse liefert, mussten wir feststellen, dass in 65 % der 370.000 Bestandsaufzeichnungen aus mehreren Filialen einer führenden Einzelhandelskette Ungenauigkeiten vorlagen. DeHoratius und Raman (2004)

15 % Prozent der Bestandsaufzeichnungen von Gamma, und somit fast 55.000 der Aufzeichnungen, wiesen einen absoluten Fehler von acht oder mehr Einheiten auf, was mehr als der Hälfte der durchschnittlichen Zielmenge des vorrätigen Lagerbestands für diese Artikelposition entspricht. Insgesamt belief sich der von diesen ungenauen Aufzeichnungen widergespiegelte Wert des Lagerbestands auf 28 % des gesamten, vorhandenen erwarteten Lagerbestands. DeHoratius und Raman (2004)

Wir konnten diverse Probleme von Filialen aufdecken, die zu fortwährenden Bestandsungenauigkeiten führen (insbesondere im vorhandenen Lagerbestand). Das Ausmaß der permanent beständigen Ungenauigkeiten hat uns erstaunt und betrug in den vier von uns durchgeführten bzw. überprüften Studien 32 bis 45 Prozent. Gruen und Corsten (2008)