Prognozuoti, apskaičiuoti ar tiesiog spėti? Pasirinkimas, nuo kurio dažnai priklauso ar turėsime kuo prekiauti. Kartais gelbsti intuicija, bet ar visuomet galime ja pasiremti? Jei ne, tenka ieškoti kitų būdų, kaip teisingai įvertinti paklausą, kad neįšaldytume lėšų, o pardavimai augtų. Tad kokie jie? Ir kaip teisingai pasirinkti?
Atsargų valdymas – specifinis ir kompleksiškas veiklos procesas. Jame kaip niekur kitur persipina matematika ir intuicija, o šių elementų proporcija dažnai gali pastūmėti konkurencinio pranašumo arba finansinių problemų link. Kadangi versle intuicijos kaip parametro dar niekas neišmoko pamatuoti, atsargoms valdyti dažnai pasirenkamas paprastesnis kelias, ir matematika čia užima dominuojančią padėtį.
Šiandien atsargų valdymui sukurta visa eilė metodikų, padedančių apskaičiuoti paklausą. Tačiau kurią jų pasirinkti, ne taip ir lengva apsispręsti. Juo labiau, kad klaidingas metodikos pasirinkimas ar neteisingas jos taikymas gali iššaukti skaudžias finansines pasekmes. Tad susipažinkime su dažniausiai praktikoje sutinkamomis atsargų valdymo metodikomis, jų panaudojimo sritimis, privalumais ir trūkumais.
Žmogiškoji prognozė
Pradėti nuo žmogiškosios prognozės pasirinkau dėl jos dvilypio charakterio. Iš vienos pusės tai vienintelė metodika, kurioje palikta nemažai vietos intuicijai. Iš kitos pusės, yra sričių, kur šią metodiką pagrįstai galima vadinti tiksliausia. Ji vienintelė leidžia atsižvelgti į ateities veiksnių įtaką įmonės rezultatams. Visos kitos metodikos remiasi istorinių duomenų analize. Ir kol dar nėra sukurta algoritmų, galinčių nuspėti ateitį, žmogus vienintelis geba įvertinti įvykius, kurių praeityje nebuvo, ir kurie ateityje nesikartos.
Kitaip tariant, matematika nesugeba, o žmogus geba nuspėti (arba sužinoti) ką artimiausioje ateityje planuoja konkurentai, kaip prekybą paveiks pasikeitę įstatymai, teisiniai aktai ar nauji mokesčiai, kokią įtaką turės ilgieji ar trumpieji savaitgaliai, kurie kasmet keičiasi, kiek potencialių klientų domisi viena ar kita preke, kaip prekybą gali paveikti stichinės nelaimės ir kiti panašūs įvykiai.
Žmogiškoji prognozė dažniausiai naudojama brangių produktų rinkose, kur klaidos kaina pernelyg didelė, ir kur privalu numatyti visą eilę saugiklių rizikai minimizuoti. Taip pat ji dažnai taikoma išankstiniams sezoninių prekių užsakymams, kuomet terminas iki pardavimo labai ilgas. Pavyzdžiui, automobilių akumuliatorių užsakymai planuojami vasarą, o jų pardavimas priklauso nuo to, ar paspaus bent -15°C šaltukas. O kas žino? Štai jums ir pavyzdys, kur intuicija pritaikoma praktikoje.
Visgi žmogiškoji prognozė turi daug trūkumų. Pirmiausia, tai pati brangiausia metodika, nes pagrindiniai jos resursai yra žmogus ir informacija. Kuomet įmonės asortimentas platus, gebėjimas nuspėti ateities veiksnių įtaką tūkstančiams skirtingų prekių yra tiesiog neįmanomas. Arba rezultatas bus labai netikslus.
Kita problema – ne visa rinkos informacija yra lengvai prieinama. Savo ruožtu, ne visa prieinama informacija yra tiksli. Galų gale čia įsivelia ir vidinės komunikacijos problemos, kuomet informacija ne laiku pasiekia tuos, kurie ją naudoja atsargų planavimui. Prognozės tikslumui didelę įtaką turi ir darbuotojo kvalifikacija. Atsargas planuojantys darbuotojai retai būna rinkoje. O rinkoje būnantys darbuotojai retai kada mėgsta planuoti atsargas.
Dėl visų šių priežasčių žmogiškoji prognozė dažniausiai naudojama tik išskirtiniais atvejais, o atsargų efektyvumas priklauso tik nuo darbuotojo profesionalumo ir patirties.
Matematinė prognozė
Ieškantys labiau pamatuotų sprendimų, gali rinktis matematinius prognozavimo algoritmus. Skirtingai nuo žmogiškosios prognozės, matematiniai algoritmai visuomet remiasi praeities duomenų analize, todėl intuicijai vietos čia nebelieka. Šiais laikais atsargų planavimui galima rasti visa eilę tradicinių prognozavimo algoritmų, o neretai juos papildo ir išvestinės ar kompleksinės algoritmų kombinacijos.
Matematiniai prognozavimo algoritmai viena ar kita forma atspindi praeities duomenų tendencijas, todėl neblogai susitvarko situacijose, kur planuojami ateities pardavimai iš esmės atkartoja praeities tendencijas ir nėra ženkliai kintantys. Kitaip tariant, kai yra pasikartojantys dėsningumai arba aiški ir stabili tendencijos kryptis. Tačiau dažnai konkretus algoritmas tinka tik tam tikrai tendencijai atspindėti, o pardavimams dažnai kintant jo efektyvumas mažėja. Kai tokių prekių asortimente daug, suvaldyti atsargas tampa sudėtinga.
Kuomet prekės pardavimai praranda dėsningumą, matematinių algoritmų tikslumas mažėja. Tai verčia dažnai peržiūrėti ir keisti prognozės algoritmus ar jų parametrus. Skirtingi matematinės prognozės algoritmai gali skirtis parametrų rinkiniais, todėl jų priežiūra tampa komplikuota. Neretai efektyviam jų valdymui reikalingos ir atitinkamos matematikos žinios.
Kita vertus, matematinės prognozės algoritmai sunkiai interpretuoja išimtis, kurių dažnai pasitaiko įvairių prekių judėjime. Pavyzdžiui, pardavimų tendencijas gali išbalansuoti netikėti pikiniai pardavimai, arba pardavimų stoka dėl prekių trūkumo sandėlyje. Panašios situacijos dažnai pareikalauja darbuotojo įsikišimo, jas ne visada paprasta identifikuoti, dėl to ilgainiui nukenčia tikslumas, o kartu ir atsargų valdymo efektyvumas.
Min-Max, Min arba Max
Šiuo metu tai bene dažniausiai taikoma metodika praktikoje. Tiesa, po bendriniu pavadinimu dažnai slepiasi trys skirtingos metodikos rūšys, tačiau jas visas vienija ribinių verčių nustatymo principas.
Min-Max atveju nustatomos dvi ribos – minimali ir maksimali. Atsargoms pasiekus minimalią ribą, formuojamas užsakymas iki maksimalios ribos. Max atveju nustatoma tik maksimali riba. Prekių atsargoms nusileidus žemiau Max ribos, formuojamas užsakymas iki nustatytos ribos. Tuo tarpu Min metodikos atveju, atsargoms pasiekus nustatytą minimalią ribą, signalizuojama, kad atėjo laikas formuoti užsakymą, o užsakomą kiekį jau pasirenka darbuotojas.
Šios metodikos populiarios, nes yra nesudėtingos, nereikalauja specifinių žinių ir yra mažiau priklausomos nuo darbuotojo profesionalumo. Jos naudotinos stabiliai parduodamų prekių atsargoms valdyti. Taip pat gali pasitarnauti situacijose, kai prekės parduodamos retai, tačiau didesniais kiekiais, o pardavimų intervalai nereguliarūs. Visgi Min-Max metodiką taikyti visoms įmonės atsargoms dažnai neefektyvu, ir štai dėl ko:
Pirmiausia, Min-Max metodika labai statiška. Nustatytos ribos nekinta priklausomai nuo pardavimo pokyčių, todėl ilgainiui nebeapsaugo nuo potencialių perteklių ar trūkumų. Ribas nustačius per plačias, gali grėsti prekių perteklius. Ribas nustačius per siauras, potencialiai gresia pernelyg dažnas užsakymų formavimas, o tai savo ruožtu didina aptarnavimo sąnaudas.
Tam, kad ribos būtų nustatytos tinkamai ir atspindėtų aktualų poreikį, jas būtina periodiškai vertinti ir koreguoti. Esant dideliam prekių pozicijų kiekiui, toks darbas reikalauja didelių žmogiškųjų išteklių. Be to, kiekvienai tokiai korekcijai reikalinga kompleksinė analizė ir papildomi skaičiavimai, todėl ilgainiui jos tampa vis rečiau prižiūrimos. O tai jau veda finansinių problemų link.
Dar viena priežastis, dėl kurios Min-Max niekuomet pilnai neapsaugo nuo prekių trūkumo, yra metodikos užprogramuotas nereguliarumas. Priklausomai nuo pardavimo pokyčių, skirtingų prekių atsargos Min ribą pasiekia skirtingu metu. Kiekvienu tokiu atveju signalizuojamas poreikis užsakyti tam tikrą kiekį. Tačiau ką daryti, jei dar neatėjo užsakymo formavimo laikas? Arba jei reikalingo užsakyti kiekio nepakanka užsakymui suformuoti? Dažnai tokios prekės laukia bendro užsakymo, o tuo metu kasdien prarandami pardavimai.
Dinaminiai buferiai
Min-Max statiškumo problemą padeda spręsti dinaminių buferių metodika, pagrįsta E. M. Goldratt apribojimų teorijos principais. Apibendrintai galima teigti, jog tai ne kas kita, kaip pagal tam tikras taisykles kintanti Max riba (šioje metodikoje vadinama buferiu). O šių taisyklių rinkinys dažnai ir lemia ar atsargos bus valdomos efektyviai.
Dinaminiai buferiai dalinai eliminuoja Min-Max metodikų apribojimus, nes čia Max riba kinta sistemiškai, o jos pokytis priklauso nuo atsargų pokyčio. Pats algoritmas pakankamai sudėtingas, tad detalus jo aprašymas nėra šio straipsnio objektas, tačiau supaprastintai jo veikimo principą būtų galima apibūdinti sekančiai: atsargoms pernelyg sumažėjus, jei tenkinama visa eilė kitų sąlygų, buferis didinamas nustatytu dydžiu, ko pasekoje formuojamas didesnis užsakymo kiekis, ir taip ilgainiui atsargos padidinamos. Analogiškai, atsargoms nepagrįstai pakilus, buferis mažinamas nustatytu dydžiu, todėl užsakomas prekės kiekis sumažėja arba prekė neužsakoma visai, ko pasekoje atsargos taip pat ilgainiui sumažėja.
Toks automatizuotas Max ribos savireguliacijos principas išties mažina žmogiškųjų išteklių poreikį, kuris kitu atveju būtų skiriamas Min ar Max ribų apskaičiavimui, todėl ši metodika pagrįstai laikoma pranašesne. Visgi teorinės metodikos galimybės ir praktinis jos taikymas labai dažnai skiriasi, todėl teigti, kad dinaminių buferių metodikos pakanka efektyviam atsargų valdymui nėra tikslu.
Dinaminių buferių metodika pati savaime gali būti labai efektyvi ir pajėgi suvaldyti įvairaus pobūdžio pardavimais pasižyminčias prekes. Tačiau tam ji turi būti tinkamai pritaikyta praktikoje, o šios metodikos atveju tai pasiekti gana sudėtinga. Siekiant supaprastinti valdymą, teorinės metodikos galimybės dažnai ignoruojamos, todėl neišnaudojamas potencialus šios metodikos efektyvumas, o neteisingai taikoma ji gali būti ir žalinga.
Pagrindinis dinaminių buferių metodikos trūkumas – jos algoritmo sudėtingumas ir priklausomybė nuo eilės parametrų, kurių kiekvienas atsargų elgseną gali pakeisti neprognozuojamai. Siekiant to išvengti, algoritmo elgseną nusakantis parametrų rinkinys dažniausiai praktikoje nekeičiamas. To pasekoje visos įmonės atsargos priverstinai valdomos pagal vienas ir tas pačias buferio kitimo taisykles. Būtų puiku, jei ir visos prekės būtų parduodamos vienodai. Tačiau prekių pardavimai skiriasi, o jas valdant vienodomis taisyklėmis galima ne padidinti, o atvirkščiai – prarasti atsargų efektyvumą.
Nors ir vadinama dinaminių buferių vardu, praktikoje metodika valdoma statiškai. Buferis kinta iš anksto nustatytu dydžiu ir periodiškumu. Akivaizdu, jog tai leidžia suvaldyti pardavimų pokyčio tendenciją tik tuo atveju, jei tas pardavimų pokytis atitinka nustatytas parametro ribas. Priešingu atveju buferis kis nepakankamai, per daug, per greitai arba per lėtai.
Pavyzdžiui, atsargoms sumažėjus, jei tenkinamos kitos algoritmo sąlygos, buferis didinamas 30%, kaip apibrėžta algoritmo parametruose. Tai puikiai tinka prekėms, kurių pardavimai auga tiek pat. Tačiau jei prekės pardavimai auga 15%, kodėl buferį reikėtų kelti 30%? O jei prekės pardavimai auga 50%? O jei pardavimų augimas tik trumpalaikis? Tokiais atvejais atsakomybė nustatyti tinkamą buferį paliekama darbuotojui. Kas iš esmės panaikina metodikos universalumą ir sprendimą perkelia ant darbuotojo pečių. O darbuotojui vėl reikia analizės, todėl auga žmogiškųjų išteklių poreikis ir prarandamas metodikos efektyvumas.
Dinaminių buferių metodikoje buferių elgseną įtakoja bent 10 skirtingų parametrų, kurie praktikoje dažniausiai neliečiami, nors kiekvienas jų gali ženkliai įtakoti buferio elgseną, o atitinkamai ir atsargų efektyvumą. Optimaliam parametrų rinkiniui nustatyti kiekvienai prekei reikėtų patikrinti daugiau kaip 5 milijardus kombinacijų, kas yra nepraktiška ir neefektyvu. Todėl siūlomas kompromisas visoms prekėms taikyti tuos pačius parametrus. Tik šis kompromisas yra atsargų efektyvumo sąskaita.
Taip pat dinaminių buferių metodika nėra tiksli savo esme, nes remiasi ne pardavimų, o atsargų pokyčiu. Kaip žinia, atsargas gali įtakoti tokios vidinės operacijos, kaip prekių nurašymas ar perkėlimas į kitą sandėlį laikinoms operacijoms atlikti. Dėl tokių operacijų atsargos taip pat sumažės, tačiau tai dar nereiškia, kad prekės reikia užsakyti daugiau.
Visgi dinaminių buferių metodika gali būti labai efektyvi, jei sudaroma galimybė adaptuoti algoritmo parametrus skirtingoms prekėms ir skirtingoms situacijoms. Ši metodika gali būti nepamainoma situacijose, kuomet prekės judėjimui įvertinti nepakanka istorinių duomenų (pavyzdžiui, įvedant naujas prekes). Ji taip pat taikytina situacijose, kuomet atsargų kitimą norima apriboti nepriklausomai nuo pardavimų pokyčio.
Slenkantys buferiai
Skirtingai nuo dinaminių buferių skaičiavimo principo, slenkančių buferių (kitaip dar vadinama slenkančių vidurkių) metodika remiasi ne atsargų, o pardavimų pokyčiu. Remiantis pardavimų duomenimis atskirai apskaičiuojamos saugaus likučio, einamųjų atsargų ir potencialios paklausos zonų ribos, kurių suma sudaro vadinamąjį buferį.
Tokia metodika automatiškai prisitaiko prie kiekvienos prekės pardavimo pokyčių, todėl buferiai kinta tiek ir tada, kiek reikia kiekvienos prekės atsargoms efektyviai palaikyti, atsižvelgiant į tiekimo laiką bei užsakymo periodiškumą. Be to, slenkančių buferių metodika eliminuoja didžiąją dalį parametrų, naudojamų dinaminių buferių skaičiavimuose, todėl jos valdymas nesudėtingas, o esant poreikiui jį galima lengvai automatizuoti.
Šios metodikos atveju buferis gali kisti kiekvieną dieną, todėl vartotojas netenka pareigos tvirtinti buferio pokyčius. Tai ne tik sutaupo laiko, bet ir eliminuoja galimas interpretacijas. Ir nors parametrų kiekis ženkliai mažesnis, buferio elgsena išlieka pilnai valdoma, o buferio kitimą reguliuoja pokyčių intensyvumo bei inertiškumo rodikliai.
Žinoma, kaip ir visos metodikos, ši taip pat turi savų apribojimų. Slenkančių buferių metodika tuo tikslesnė, kuo ilgesnė pardavimų istorija. Kuo daugiau duomenų vertinama, tuo daugiau įvairaus intensyvumo pardavimo pokyčių užfiksuojama, o tai leidžia parinkti tikslesnį buferio elgsenos intensyvumą.
Apibendrinant, derėtų paminėti, jog nėra vienos metodikos, kuri idealiai tiktų visų įmonės prekių atsargoms vienodai efektyviai valdyti. Visos metodikos turi savų privalumų ir trūkumų. Vienos labiau tinka naujoms prekėms, kitos stabilių pardavimų prekėms, trečios aiškia pardavimų tendencija pasižyminčioms prekėms ir pan. Todėl atsargų efektyvumas tiesiogiai priklauso nuo jūsų galimybės parinkti ir taikyti tokią metodiką, kuri konkrečiam atvejui tinka labiausiai.