Intelligent lageroptimering med Machine Learning

Intelligent lageroptimering med Machine Learning

Responsive image

At styre et lager til perfektion er ikke en nem opgave. Ofte må man vælge, om man helst vil tabe penge på at have for lidt på hylderne eller på at have et overskud af varer, som ikke bliver solgt. Især hvis der er tale om nye produkter uden tilstrækkelig salgshistorik. Men hvorfor være nødt til at tage dette valg? Dataminds har udviklet en Machine Learning tilgang der leverer en konkret anbefaling om indkøberen skal placere en ordre eller om der er tilstrækkeligt med varer på lager.

Udfordringen

Vi har netop afsluttet et projekt, hvor udfordringen var at skabe et pålideligt input til selskabets indkøbere og derved bidrage til en stærkere lagerstyring. Udfordringerne i lageroptimering er mange, men de mest signifikante ift det gennemførte projekt er oplistet nedenfor:

  1. Der introduceres ofte nye produkter til sortimentet med begrænset til ingen historik, hvilket gør det svært at bruge traditionelle forecasting metoder, der normalt kun beror sig på historisk salg på enkelte tidsserier.
  2. Det er vigtigt at tage højde for forskellen i omkostning ved at have for lidt kontra for meget på lager – og indarbejde det i modellen.
  3. Begrænset frekvens af indkøb grundet at det er en tidskrævende analyse for de ansatte. Resultatet heraf er, at virksomheden reagerer for sent grundet manglende overblik, samtidig med at indkøberne overreagerer og køber for stort ind ift den reele efterspørgsel.

Løsningen

For at løse de 3 hovedudfordringer der eksisterer ovenfor, udarbejdede vi en samlet data drevet løsning, som baserede sig på 3 forskellige trin.

  1. Forecasting af efterspørgsel fra nuværende tidspunkt og frem til leveringstidspunktet.
  2. Generering af foreslået sikkerhedslager ud fra numerisk optimering
  3. Beregning af indkøbsforslag på det korrekte niveau

Forecasting

For at løse udfordring 1 udviklede Dataminds en Machine Learning model til at generere forecastet udfra. Modellen blev designet således, at der fokuseres på produkt karakteriserende oplysninger (feature engineering), udover rent historisk salg. Produkt karakteriserende forstås som karakteristika, der knytter sig til produktet, såsom størrelse, farve, pris osv. Dette giver modellen mulighed for at lære på tværs af hele produktporteføljen. Et nyt produkt vil således kunne matches med historiske observationer fra produkter med lignende karakteristika. Det gør at vi kan forecaste et nyt produkt fra dag 1, samtidig med at vi får en større datamængde end ved univariate forecasting på en enkelt tidsserie / produkt.  

Sikkerhedslager 

Drivende for størrelsen af sikkerhedslageret for et givet produkt er forskellen i omkostning ved at tabe salg eller have ekstra på lager. Herudover er det dog også et spørgsmål om at måle Machine Learning modellens evne til at forecaste forskellige produkttyper. Herved forstå usikkerheden i efterspørgselsniveauet lige fra mindst mulige til højst mulige antal styk. Kombinationen af omkostningsforskel og en estimeret efterspørgselskurve giver os i sidste ende mulighed for at beregne det optimale sikkerhedslager, der foreslås at skulle være til stede ved leveringstidspunktet.  

Indkøbsforslag 

Efter at have genereret de nødvendige input ovenfor kan der nu skabes et forslag til antal styk for hvert produkt, som bør købes hjem til tidligst mulige leveringstidspunkt. Dette forslag dannes ved at tage højde for lager ved nuværende tidspunkt, den allerede placerede indkøbsordre indenfor leveringstiden, den forecastede efterspørgsel og til sidst det ønskede sikkerhedslager. Leveringstiden kan selvfølgelig være varierende afhængig af produkttype, hvilket er indarbejdet i løsningen.

Værdien

Kerneværdien af hele løsningen er modellens evne til at generere indkøbsforslag i den ønskede frekvens. På samme tid løser det også den ovenfor oplistede udfordring ved nummer 3, hvor det tidligere har været tilfældet, at alle indkøbsordrer blev foretaget månedligt. Med den udviklede løsning er det f.eks. en mulighed dagligt at generere indkøbsforslag, der kan sendes til den indkøbsansvarlige. Således kan man løbende evaluere nødvendigheden af indkøb, men kun for de varer, der er i fare for at blive udsolgt. Der bliver derfor hurtigt taget højde for større bevægelser i lageret, hvilket ellers i den mindre frekvente indkøbsproces tidligere blev overset i en for lang periode. Disse initaitiver fører til at virksomheden opnår en højere leveringssikkerhed samtidig med at de har et lavere sikkerhedslager.

Til sidst er det også værd at fremhæve de områder, hvor vi mener, at løsningen differentierer sig. For det første er sikkerhedslager beregningen fleksibel og forskellige forretningsmæssige forhold kan således indbygges i optimeringsprocessen.

Dette kunne f.eks. være en ekstra omkostning ved at tabe salg skabt af kunde utilfredshed. Herudover giver forecasting tilgangen funderet i at kigge på tværs af produkter også mulighed for at opdage efterspørgselsdrivende tendenser - samt bedre kunne evaluere nye sortiment produkter.