Ha a tevékenységed megköveteli, hogy készleteket tárolj termékek vagy nyersanyagok formájában, akkor a rendelkezésre álló pénzügyi forrásaid egy részét ezekben a készletekben tárolod „befagyasztva”.
Éppen ezért kardinális kérdés, hogy a készletekben mindig, minden időpillanatban csak a ténylegesen szükséges pénzmennyiség legyen lekötve. Ezt a célt készletgazdálkodással lehet megvalósítani és a készletgazdálkodás terén az üzleti intelligencia alkalmazásával nagyon jó eredmények érhetők el.
Nem ritka, hogy megfelelő modellezés segítségével a készletek 10%-a is felszabadítható a szolgáltatások minőségének csorbulása nélkül.
A leggyakoribb modellezési megközelítések közé tartoznak a gazdaságos rendelési mennyiség (EOQ) és a biztonsági készlet modellek, amelyek segítenek meghatározni, mikor és mennyit érdemes rendelni. Ezek klasszikus, de jól bevált módszerek. Az EOQ például megpróbálja kiegyensúlyozni a kis mennyiségű rendelés magas adminisztrációs költségét és a nagy tételben történő rendelésből fakadó magas raktározási költséget.
A modern üzleti intelligencia eszközök ennél tovább mennek: képesek a forgalom idősoros előrejelzésére, például ARIMA, Prophet vagy LSTM neurális hálózatok segítségével. Így nemcsak a múltbeli mintázatokra építenek, hanem figyelembe veszik a szezonalitást, trendeket és akár külső hatásokat (pl. kampányok, piaci ingadozás).
Mindezt kiegészíthetik a gépi tanulási algoritmusok – például döntési fák vagy gradient boosting modellek –, amelyek képesek azonosítani a keresletet befolyásoló rejtett tényezőket. Az ilyen integrált megközelítés nemcsak a készletszint csökkentését, hanem a készlethiány kockázatának minimalizálását is szolgálja. A végső eredmény: felszabadított tőke, pontosabb készletezés, stabilabb kiszolgálási színvonal és jobb ügyfélélmény.
Vegyünk egy egyszerű konkrét példát. Írószerüzletünkben forgalmazzunk 3 terméket, nyomtatópapírt, lézertonert, illetve billentyűzetet. Rendeljünk konkrét számokat a legfontosabb paramétereinkhez:
Nyitókészlet (db)
Egységár (Ft)
Kritikus szint (db)
Rendelési mennyiség (db)
Tárolási költség (Ft)
Készlethiány veszteség (Ft)
Nyomtatópapír
5.000
1,000
500
2,000
100
500
Lézertoner
3,000
1,500
300
3,000
100
750
Billentyűzet
6,200
2.000
600
4.000
100
1,000
Egyszerű készletgazdálkodás esetén – a kritikus szint elérésekor mindig ugyanakkora mennyiséget rendelünk – a készletszintjeink egy üzleti évet figyelembe véve az alábbiak szerint alakulnak.
A táblázatban szereplő adatokkal a készletekben tárolt forrásunk – egész évre vonatkoztatva – 599 MFT.
A fenti készletgazdálkodási modell nem veszi figyelembe a
- várható forgalmat
- rendelési átfutási időt
- a folyamatokban meglévő szezonális és trendhatásokat
- az eltérő mennyiségű rendelés lehetőségét.
Ha egy magasabb szintű készletgazdálkodási eljárásba ezeket a szempontokat is beépítjük és az egész üzleti intelligencia modellezést egy tanuló algoritmus – azaz mesterséges intelligencia – burokba csomagoljuk, akkor az előálló modellezés eredményeként a készletszintjeink az alábbi csökkenést fogják mutatni:
A készletértékek az alábbiak szerint fognak megváltozni:
A második ábra világosan mutatja, hogy az egész évben egyenletesen kevesebb forrást kellett készletekben tartani és az eltérés jelentős. Az optimalizálás az egyszerű készletgazdálkodás mellett becsült éves 599 MFT-os készletértéket 465 MFT-ra csökkentette, ami 23%-os forrás felszabadítást jelentett!
