补货：对老问题的新思考

您需要调整库存大小，但这甚至意味着什么？这就是许多零售商对“什么是正确的”的错误。

补货系统的目的是在正确的时间将正确数量的库存放在正确的位置。这是一个基本过程，但需要复杂的执行。多年来，产品爆炸式增长、位置增加和收缩、全渠道购物和履行选项扩展使补货具有挑战性。虽然有技术援助、额外的自动化和流程改进，但它们都建立在调整服务级别、订单点、最高点和混合/最大护栏的同一前提之上。是时候采用新方法了。

“对”字晦涩难懂。在“正确”的时间，在“正确”的地点，库存的“正确”数量是多少？“正确”是否意味着最大化销售量？这是否意味着客户可以走进任何地点并购买他们想要的商品，或者您在商店开业时拥有所有商品的库存？或者“正确”一词仅用于确保客户能够及时获得他们想要的东西或类似的东西，即使这些商品目前不在商店中？这些问题没有正确的答案。

但是，无论什么对您和您的客户都适合，都要让事情“正确”进行权衡。

例如，您必须考虑：

实现“正确”库存体验可以接受哪些成本。

您愿意携带多少库存。

需要多少库存来填充空间 - 以及空间可以容纳多少。

供应商为您提供了哪些激励措施，让您占据该空间。

你还必须了解使“正确”发生的现实。运送到每个地点需要多长时间？供应商的可靠性如何，当需求发生巨大变化时会发生什么？

定义什么是“正确”是很困难的。把“正确”做好就更难了。

为了应对这一困境，补货系统专注于优化服务水平，并使用规则和护栏，例如演示最小值、交货时间和原厂包装尺寸。但服务级别通常是焦点。然而，这可能是有问题的。

让我们搭建舞台。

假设您有一个您一直想要的物品。您将服务级别设置为 98%，这意味着您希望物料在补货周期内始终有库存的概率为 98%。这并不是说您将完成98%的客户订单。

以下是查看服务级别的另一种方法，由 Peter L. King， CSCP 提出，他是《精益流程》的作者：

在 98% 的服务级别下，预计 50% 的时间，并非所有周期库存都会耗尽。对于 48% 的周期，安全库存就足够了。但在 2% 的补货周期中，预计会出现缺货。

服务级别定义令人困惑，但它决定了库存量。从数学上讲，服务级别和库存之间存在双曲线关系.

这和什么有什么关系？如您所见，服务级别每提高 1%，成本就会呈指数级增长，而 95% 和 97% 之间的差异明显超过 85% 和 87%。但零售商希望获得高服务水平来保持客户忠诚度。而且，当服务级别设置为满足这些目标时，结果是高库存和额外成本。

但是，为什么人们不把服务级别降低到 95% 或 90%呢？

好吧，在某些情况下，他们会这样做。但是，这是何时触发的，触发因素是什么？什么是“正确”的库存水平，以最大限度地提高整个企业、区域或商店的盈利能力？服务水平难道不应该随着时间的推移而改变以优化库存和盈利能力吗？

这些是我们思考的问题。您如何将财务与库存联系起来？或者相反，如何将补货决策与财务状况联系起来？您不是优化服务级别并控制库存水平，而是专注于以相同数量的库存投资实现利润最大化。从战略上讲，您可能希望为某些项目指定更高的首选项。但是想象一下，当您的服务级别、订单点和订单到位进行调整以满足您的财务目标时，您将获得的灵活性。

这种方法还有其他好处。当零售商勒紧裤腰带时，他们可以在保持盈利能力的同时降低库存投资。如果他们想在一个地方投资，他们可以增加库存水平，看看他们是否可以提高盈利能力。

这种方法大部分需要预测需求和预测结果。毕竟，它需要数据处理、分析以及人工智能和机器学习。但这里可能是零售商关注的问题。如果零售商的分类中有很大一部分使用最小/最大设置进行补货，这种方法不会受到限制吗？

简单地说，是的。但是，让我们备份一些。

即使在这种方法之前，最小/最大补货设置也从来都不理想。通常，它们用于预测可预测性值得怀疑的缓慢移动项目。但如今，预测增强功能提高了缓慢移动项目的预测准确性。“动态聚合”是我们在 antuit.ai 使用的一种方法，可帮助零售商和包装消费品 （CPG） 公司搜索数据并确定要预测的正确水平。

此外，我们的需求计算包括非传统的领先指标，如天气、花粉或当地事件，可以生成更灵敏和准确的预测。它为人们曾经认为不可预测的项目和类别打开了大门——这不是你父亲的预测工具。

通过财务指标推动零售决策并不是一个陌生的概念，因为降价优化解决方案已经应用了这一惯例多年。降价优化解决方案不是在特定时间使用预定义的折扣水平（25 周时为 12%，50 周时为 16%），而是使用售罄率和利润目标来确定折扣的时间和深度。同样的财务决策逻辑也出现在分配决策中，其中降价成本和销售损失作为库存分配决策的一部分进行评估。甚至尺码配置文件优化解决方案也会考虑经济利益和陷阱，因为购物者会推动更多的尺码包含。

大多数传统技术系统使现有流程自动化。但随着技术的进步和外部市场条件的变化，新系统带来了解决老问题的新方法。由于人工智能的进步和新的数据源，快速变化的市场补给系统已准备好实现下一次飞跃。