I en värld där efterfrågan fluktuerar och leveranskedjor utsätts för oväntade störningar är ett välkalibrerat säkerhetslager avgörande för att undvika lagerbrist och bibehålla hög servicegrad. Men att bestämma rätt nivå på säkerhetslagret är ingen enkel uppgift. Det kräver en datadriven strategi som balanserar risk, kostnad och operativ effektivitet.
I denna artikel går vi igenom hur du optimerar ditt säkerhetslager och balanserar kostnadseffektivitet med hög leveransförmåga.
Säkerhetslager är den extra lagerbufferten som företag håller för att skydda sig mot oväntade variationer i efterfrågan eller leveransförseningar. Ett alltför litet säkerhetslager kan leda till stockouts och förlorade försäljningstillfällen, medan ett för stort säkerhetslager innebär onödiga kapitalkostnader och risk för inkurans.
Nyckelfaktorer som påverkar säkerhetslager:
Säkerhetslagret är också en central komponent vid beräkning av den optimala beställningspunkten:
I grunden handlar säkerhetslager om att skapa en stabilitet i försörjningskedjan – utan att binda mer kapital än nödvändigt.
Många företag använder förenklade metoder för att beräkna säkerhetslager, vilket kan leda till antingen för höga lagernivåer eller brist. Grundläggande formler fungerar relativt väl när efterfrågan och ledtider är stabila, men verkligheten ser sällan ut så.
En mer tillförlitlig metod bygger på statistiska beräkningar, där säkerhetslagret anpassas efter osäkerheter i efterfrågan och leveranstider. På så sätt balanseras två viktiga mål: att maximera leveransförmågan och minimera lagerkostnaderna.
Nedan går vi igenom tre vanliga metoder för att beräkna säkerhetslager, med konkreta exempel och en diskussion om för- och nackdelar med varje tillvägagångssätt.
Att sätta en fast säkerhetslagerkvantitet per artikel är en enkel metod som ofta bygger på erfarenhet snarare än data. Många företag använder sig av detta genom att uppskatta en lagernivå utan att ta hänsyn till variationer i efterfrågan och leveranstider.
Exempel:
Låt oss titta på Mary’s Plumbing Warehouse. Mary granskar föregående månads försäljningssiffror och använder den högsta försäljningsveckan som grund för sitt säkerhetslager.
Hon bestämmer sig för att hålla en veckas extra lager för varje artikel.
Detta tillvägagångssätt är enkelt att implementera, men riskerar att leda till obalanser i lagret. Till exempel kan Mary bygga upp ett onödigt stort lager av Showerhead C, medan hon riskerar att få brist på Showerhead B.
Nackdelar med fasta säkerhetslager
En annan metod är att basera säkerhetslagret på den genomsnittliga försäljningen under en viss tidsperiod. Det innebär att man använder historiska data för att räkna ut en säkerhetslagernivå utifrån genomsnittlig efterfrågan.
Exempel:
Om Mary istället beräknar säkerhetslagret utifrån snittförsäljningen per vecka under den senaste månaden, skulle hon sluta med 525 enheter i säkerhetslager av Showerhead A, 250 extra enheter av Showerhead B och 475 enheter av Showerhead C.
Men precis som med att använda metoden med fast säkerhetslager kan tidsbaserade beräkningar också ofta leda till att man över- eller under beställer.
En anledning till detta är att båda tillvägagångssätten antar att den prognostiserade efterfrågan kommer att vara korrekt och att ledtiderna förblir konsekventa. Verkligenheten kan såklart se väldigt annorlunda ut.
Till att börja med leder efterfrågan utifrån enbart historisk försäljning ofta till felaktiga prognoser. Varje SKU i ditt lager har ett unikt efterfrågemönster, vissa kommer att ha en jämn efterfrågan, andra kommer att vara ha en mer ”lumpy” eller oregelbunden efterfrågan. Prognoser baserade på enbart historisk konsumtion tar inte detta i beaktning.
Samtidigt kan ledtiderna vara inkonsekventa på grund av en rad problem, såsom produktionsstopp eller leveransförseningar.
Per definition så kommer metoden ”en storlek passar alla” att beräkna säkerhetslager till viss del att beräkna ut rätt mängd artiklar för vissa varor, men för mycket eller för lite för andra. Vilket kan leda till höga lagerkostnader och/eller inkonsekventa servicenivåer.
Nackdelar med tidsbaserad formel för säkerhetslager
Detta kan ses om vi tittar på varje lagervara i tur och ordning.
Marys prognoser visar att efterfrågan på Showerhead C kan vara mycket mer oberäknelig än A eller B, men bestämmer sig ändå för att använda sin genomsnittliga veckoefterfrågan som hennes säkerhetslagerkvantitet.
Som vi kan se återspeglas det i de faktiska försäljningssiffrorna:
För artikeln Showerhead A är den faktiska försäljningen högre än den prognostiserade, men säkerhetslagret gör sitt jobb genom att tillhandahålla tillräckligt med lager för att täcka ökningen i efterfrågan med sina 295 artiklar i säkerhetslager kvar.
För Showerhead B är den faktiska försäljningen något under prognosen, så ett överskott på 290 enheter återstår, bestående av 250 enheter säkerhetslager men också 40 enheter överlager, vilket binder upp välbehövligt kapital i onödan.
För Showerhead C är den faktisk försäljning mycket högre än den förutspådda prognosen, och säkerhetslagret klarar inte av att täcka upp för den faktiska efterfrågan vilket gör att under vecka fyra ligger artikeln med brist på 25 enheter. Detta leder till lagerbrist och ett antal brådskande (och dyra) restordrar.
En mer avancerad metod är att beräkna säkerhetslager utifrån både genomsnittlig och maximal försäljning samt variationer i ledtid. Genom att ta hänsyn till den högsta observerade ledtiden och efterfrågan minskar risken för brist.
Exempel:
Marys genomsnittliga ledtid är en vecka, men vid vissa tillfällen kan den vara upp till 1,5 veckor. Hon använder denna information tillsammans med sin försäljningsdata för att räkna ut säkerhetslager per SKU:
Showerhead A: (630 x 1.5) – (582.50 x 1) = 362.50 enheter
Showerhead B (300 x 1.5) – (240 x 1) = 210 enheter
Showerhead C (900 x 1.5) – (600 x 1) = 750 enheter
Den här metoden är mer exakt eftersom den tar hänsyn till både försäljningsvariationer och förändringar i ledtider. Dock kan säkerhetslagren bli för höga om den maximala försäljningen eller ledtiden är onormalt hög.
Nackdelar med medel/max-formel för säkerhetslager:
Som vi har sett är det relativt enkelt att fastställa säkerhetslagernivåer när efterfrågan är stabil och ledtiderna pålitliga. Men i verkligheten varierar både efterfrågan och leveranstider, vilket gör det betydligt mer utmanande att beräkna ett exakt säkerhetslager.
Alltför ofta används förenklade formler som inte tar hänsyn till de verkliga utmaningarna med varierande utbud och efterfrågan.
Statistiska metoder övervinner många av dessa begränsningar. Istället för att enbart basera sig på historisk försäljning eller konsumtion använder de sannolikhetsfördelningar för att modellera efterfrågan och hantera variationer.
Ett sannolikhetsbaserat tillvägagångssätt erkänner att det finns osäkerhet i framtida händelser, såsom efterfrågans volym och frekvens. Därför utformas säkerhetslagret så att det täcker en viss procentandel av alla möjliga lagerbehov.
Även om statistiska beräkningar är mer komplexa, ger de betydligt mer exakta resultat eftersom de tar hänsyn till servicenivåer, prognosnoggrannhet och ledtidsvariationer.
Vill du lära dig mer om hur du kan använda statistiska formler för att beräkna säkerhetslager?
Ladda ner vår eGuide för en djupare genomgång.
Ett välkalibrerat säkerhetslager är en avgörande del av en effektiv supply chain. Genom att kombinera dataanalys, automatisering och en strategisk lagerstyrning kan företag säkerställa hög servicegrad samtidigt som onödiga kostnader hålls nere.
Många företag förlitar sig på förenklade metoder för säkerhetslager, vilket kan leda till antingen överlager eller bristsituationer. Grundformler fungerar bra när efterfrågan och ledtider är stabila – men så ser sällan verkligheten ut.
En mer avancerad, statistisk metod ger bättre balans mellan kundservice och lagerkostnader.
Vill du optimera ditt lager och minska kapitalbindningen utan att tumma på servicegraden? Vi hjälper dig att ta kontroll över ditt säkerhetslager och optimera dina lagernivåer.