تصور کنید با انبوهی از کالاها در انبار سازمانتان مواجه هستید و هزینه های نگهداری موجودی روز به روز افزایش می یابد. چطور می توانید تصمیم بگیرید کدام کالاها را باید سفارش دهید، کدام را کاهش دهید و کدام را حذف کنید؟ این چالشی است که بسیاری از سازمان های ایرانی با آن روبرو هستند و نیازمند راهکار هوشمندانه مبتنی بر داده برای حل آن هستند.

در این مقاله، تجربه ای کاربردی از فرهاد لطفی، سینیور BI دیجی کالا را بررسی می کنیم. او با استفاده از تحلیل داده ها و هوش تجاری، رویکردی نوآورانه برای کاهش هزینه های انبار ارائه داده است که می تواند برای بسیاری از کسب وکارها الهام بخش باشد.

شناسایی مسئله: افزایش هزینه های انبار و موجودی راکد

تیم خرید داخلی دیجی کالا با چالش مهمی روبرو بود: چگونه می توان هزینه های ریالی انبار را کاهش داد؟ برای پرداختن به این مسئله، نخستین گام درک دقیق وضعیت موجود بود.

لطفی توضیح می دهد: "در ابتدا باید می فهمیدیم که از لحاظ ریالی، انبارمان در چه وضعیتی قرار دارد."

برای این منظور، تیم باید داده های خرید و مصرف را در بازه زمانی یک تا دو سال گذشته بررسی می کرد. این بررسی به صورت نمودار روند نشان می داد که هزینه های ریالی افزایش یا کاهش داشته است.

پس از تحلیل داده ها، مشخص شد که هزینه های ریالی انبار به شدت افزایش یافته است. حال سؤال اصلی این بود:

برای کاهش هزینه انبار چه باید کرد؟

طبقه بندی کالاها بر اساس وضعیت مصرف

راهکار پیشنهادی، تعریف وضعیت یا استاتوس برای هر یک از کالاهای موجود در انبار بود. این طبقه بندی بر اساس الگوی مصرف و خرید در ۲۴ ماه گذشته انجام می شد.

کالای مرده (Dead Stock)

کالایی را در نظر بگیرید که در ۲۴ ماه گذشته یک بار خرید شده ولی هیچ مصرفی نداشته است. این کالا مرده است؛ اصطلاحاً کالای دیده شده داخل انبار است.

این نوع کالاها بدون هیچ مصرفی، فقط هزینه نگهداری به سازمان تحمیل می کنند و از مصادیق بارز اتلاف سرمایه هستند.

کالای جدید (New Item)

وضعیت دیگری را در نظر بگیریم؛ مثلاً در دو سال گذشته ما هیچ مصرفی نداشتیم، اما یک هفته پیش از آن یک خرید داشتیم. خب این کالای جدید است، کالای نو است.

به این ترتیب، هر کالا با توجه به الگوی مصرف و خرید، در یک وضعیت خاص قرار می گیرد که می تواند مبنای تصمیم گیری های انبارداری باشد.

تعیین ماهیت کالاها در مدیریت موجودی

بعد از تعیین وضعیت، گام دوم تعیین ماهیت کالاها بود. ماهیت کالا مشخص می کند که آن کالا چه نقشی در سازمان ایفا می کند.

کالای روتین (Routine Items)

بطری آب معدنی داخل شرکت، برای تیم خرید داخلی، ماهیتش یک کالای روتین است. مطمئناً یک سری کالای روتین هست که مدام دارد مصرف و خرید می شود.

این کالاها به طور منظم مصرف می شوند و باید همیشه در دسترس باشند. مدیریت موجودی این اقلام نیازمند توجه به چرخه مصرف و زمان تأمین است.

کالای استراتژیک (Strategic Items)

گروه دیگری از کالاها مانند لپ تاپ و دوربین، جزو کالاهای سرمایه ای محسوب می شوند که در اصطلاح به آنها کپکس (CAPEX) یا کالاهای کپیتال می گویند. این دسته از اقلام برای سازمان ماهیت استراتژیک دارند و در فرآیندهای کلیدی کسب وکار نقش مهمی ایفا می کنند. این کالاها نیازمند برنامه ریزی دقیق تر هستند.

ماتریس ریسک: ابزاری برای تصمیم گیری هوشمندانه در انبارداری

با ترکیب دو بعد وضعیت و ماهیت کالا، می توان یک ماتریس ریسک ایجاد کرد که به تیم خرید داخلی کمک می کند تا تصمیمات بهتری بگیرد.

لطفی مثالی می زند: "کالایی را در نظر بگیرید که ماهیتش استراتژیک است و وضعیتش در حالت آندر قرار دارد. این کالا برای سازمان ریسک دارد."

به عنوان مثال، اگر تعداد لپ تاپ ها در انبار کم باشد (وضعیت آندر) و این کالا برای سازمان استراتژیک باشد، این موضوع یک ریسک عملیاتی محسوب می شود.

"کالای لپ تاپ، یک کالای شناخته شده به عنوان کالای استراتژیک است و در مرحله آندر قرار دارد. یعنی موجودی اش در انبارمان مثلاً دو یا سه عدد است. خب، این برای سازمان ما ریسک دارد. پس باید در اولویت سفارش گذاری باشند."

روش های پیشرفته تحلیل داده برای بهینه سازی موجودی انبار

مدیریت موجودی مؤثر فراتر از دسته بندی ساده کالاها است. برای دستیابی به نتایج قابل توجه، می توان از تکنیک های تحلیلی پیشرفته تری استفاده کرد:

1. تحلیل سری زمانی برای پیش بینی تقاضا

یکی از مهم ترین کاربردهای تحلیل داده در مدیریت انبار، پیش بینی دقیق تقاضا است. برای این منظور می توان از مدل های سری زمانی استفاده کرد:

مدل ARIMA (AutoRegressive Integrated Moving Average): این مدل با تحلیل داده های تاریخی مصرف، الگوهای فصلی و روندها را شناسایی می کند. برای مثال، فرمول اصلی ARIMA به صورت ARIMA(p,d,q) نمایش داده می شود که در آن:

• p: تعداد مشاهدات گذشته (وقفه ها) در مدل
• d: تعداد دفعات تفاضل گیری برای رسیدن به مانایی
• q: تعداد خطاهای پیش بینی گذشته در مدل

# نمونه کد پایتون برای پیش بینی تقاضا با ARIMA
from statsmodels.tsa.arima.model import ARIMA
import pandas as pd

# فرض کنید historical_demand داده های تقاضای تاریخی است
model = ARIMA(historical_demand, order=(5,1,0))
model_fit = model.fit()
forecast = model_fit.forecast(steps=30)  # پیش بینی برای 30 روز آینده

الگوریتم های یادگیری ماشین: مدل های پیشرفته تر مانند XGBoost یا شبکه های عصبی می توانند متغیرهای بیشتری را در نظر بگیرند، مانند:

• تأثیر تعطیلات و مناسبت ها
• شرایط آب و هوایی
• کمپین های تبلیغاتی
• تغییرات قیمت

2. فرمول های محاسبه نقطه سفارش و موجودی بهینه

برای تعیین دقیق زمان سفارش و میزان آن، می توان از فرمول های ریاضی استفاده کرد:

• فرمول EOQ (Economic Order Quantity): این فرمول مقدار بهینه سفارش را محاسبه می کند:

EOQ = √(2DS/H)

که در آن:

• D: تقاضای سالانه
• S: هزینه ثابت هر بار سفارش
• H: هزینه نگهداری هر واحد کالا در سال
• نقطه سفارش مجدد (ROP): تعیین می کند چه زمانی باید سفارش جدید ثبت شود:

ROP = d × L + SS

که در آن:

• d: متوسط تقاضای روزانه
• L: زمان تحویل (به روز)
• SS: موجودی اطمینان (Safety Stock)
• موجودی اطمینان (Safety Stock): برای محافظت در برابر نوسانات تقاضا و تأخیر در تحویل:

SS = z × σd × √L

که در آن:

• z: ضریب اطمینان (برای سطح اطمینان 95%، z=1.96)
• σ_d: انحراف معیار تقاضای روزانه
• L: زمان تحویل (به روز)

3. تحلیل ABC-XYZ برای مدیریت استراتژیک موجودی

ترکیب تحلیل ABC (بر اساس ارزش) با تحلیل XYZ (بر اساس پایداری تقاضا) یک ماتریس 3×3 ایجاد می کند که استراتژی های مختلف مدیریت موجودی را مشخص می کند:

تحلیل ABC: کالاها را بر اساس قانون پارتو دسته بندی می کند:

• گروه A: 20% کالاها که 80% ارزش را تشکیل می دهند.
• گروه B: 30% کالاها که 15% ارزش را تشکیل می دهند.
• گروه C: 50% کالاها که 5% ارزش را تشکیل می دهند.

تحلیل XYZ: کالاها را بر اساس ثبات مصرف دسته بندی می کند:

• X: کالاهای با مصرف ثابت و قابل پیش بینی (CV < 0.5).
• Y: کالاهای با نوسان متوسط در مصرف (0.5 < CV < 1).
• Z: کالاهای با مصرف نامنظم و غیرقابل پیش بینی (CV > 1).

-- نمونه کوئری SQL برای تحلیل ABC
SELECT 
    product_id,
    product_name,
    annual_value,
    SUM(annual_value) OVER (ORDER BY annual_value DESC) / SUM(annual_value) OVER () AS cumulative_percentage,
    CASE 
        WHEN SUM(annual_value) OVER (ORDER BY annual_value DESC) / SUM(annual_value) OVER () <= 0.8 THEN 'A'
        WHEN SUM(annual_value) OVER (ORDER BY annual_value DESC) / SUM(annual_value) OVER () <= 0.95 THEN 'B'
        ELSE 'C'
    END AS abc_class
FROM 
    product_sales
ORDER BY 
    annual_value DESC;

4. تحلیل شبکه های عصبی برای شناسایی الگوهای پیچیده

شبکه های عصبی عمیق می توانند الگوهای پیچیده ای را که با روش های آماری سنتی قابل تشخیص نیستند، شناسایی کنند:

• شبکه های LSTM (Long Short-Term Memory): برای تحلیل روندهای زمانی پیچیده و وابستگی های بلندمدت در الگوهای مصرف.
• شبکه های CNN (Convolutional Neural Network): برای تشخیص الگوهای فضایی در داده های فروش و موجودی.

5. داشبوردهای تحلیلی پیشرفته با KPI های کلیدی

یک داشبورد تحلیلی مؤثر باید شاخص های کلیدی عملکرد (KPI) مرتبط با مدیریت موجودی را نمایش دهد:

• نرخ گردش موجودی (Inventory Turnover Ratio): ITR = بهای تمام شده کالای فروش رفته / متوسط موجودی
• روزهای موجودی (Days Inventory Outstanding): DIO = 365 / نرخ گردش موجودی
• نرخ سرویس دهی (Service Level): SL = (1 - تعداد دفعات کمبود موجودی / تعداد کل درخواست ها) × 100%
• دقت پیش بینی (Forecast Accuracy): FA = (1 - |مقدار واقعی - مقدار پیش بینی| / مقدار واقعی) × 100%

6. الگوریتم های بهینه سازی چندهدفه

برای متعادل کردن اهداف متضاد (مانند کاهش هزینه موجودی و افزایش سطح خدمات)، می توان از الگوریتم های بهینه سازی چندهدفه استفاده کرد:

• الگوریتم ژنتیک چندهدفه (NSGA-II): برای یافتن مجموعه ای از راه حل های بهینه پارتو.
• بهینه سازی ازدحام ذرات (MOPSO): برای جستجوی فضای راه حل با سرعت بالا.

این تکنیک های پیشرفته تحلیل داده می توانند به سازمان ها کمک کنند تا فراتر از طبقه بندی ساده کالاها، به یک سیستم مدیریت موجودی هوشمند و پویا دست یابند که به طور مداوم با شرایط بازار و الگوهای مصرف تطبیق می یابد.

پیاده سازی با داشبورد هوش تجاری

برای عملیاتی کردن این رویکرد، می توان یک داشبورد BI طراحی کرد که ماتریس ریسک را نمایش دهد. این داشبورد به تیم خرید داخلی کمک می کند تا:

• کالاهای پرریسک را شناسایی کند
• اولویت های سفارش گذاری را تعیین کند
• کالاهای مرده را شناسایی و مدیریت کند
• روند هزینه های انبار را پایش کند

سؤالات متداول

1. چگونه می توان کالاهای مرده را در انبار شناسایی کرد؟

برای شناسایی کالاهای مرده، باید تاریخچه مصرف و خرید کالاها را بررسی کنید. کالاهایی که در بازه زمانی طولانی (مثلاً ۲۴ ماه) خریداری شده اند اما مصرفی نداشته اند، کالای مرده محسوب می شوند.

2. چرا ماتریس ریسک در مدیریت انبار اهمیت دارد؟

ماتریس ریسک به شما کمک می کند تا اولویت های مدیریت موجودی را مشخص کنید. با این ابزار می توانید کالاهایی که ریسک بالاتری برای سازمان دارند (مانند کالاهای استراتژیک با موجودی کم) را شناسایی کرده و برای آنها برنامه ریزی دقیق تری انجام دهید.

3. چطور می توان هزینه های انبار را کاهش داد؟

برای کاهش هزینه های انبار می توانید اقدامات زیر را انجام دهید:

• شناسایی و حذف کالاهای مرده
• بهینه سازی سطح موجودی کالاهای روتین
• استفاده از روش های پیش بینی تقاضا برای برنامه ریزی بهتر خرید
• پیاده سازی سیستم های هوشمند انبارداری و هوش تجاری

جمع بندی: تحلیل داده ها در خدمت کاهش هزینه های انبارداری

مدیریت هوشمندانه انبار با استفاده از تحلیل داده ها می تواند به کاهش قابل توجه هزینه ها منجر شود. رویکرد ارائه شده توسط فرهاد لطفی نشان می دهد که چگونه می توان با طبقه بندی کالاها بر اساس وضعیت و ماهیت آنها، تصمیمات بهتری در مورد موجودی انبار گرفت.

پیشنهادهای کاربردی برای بهینه سازی انبار:

• شروع کنید با جمع آوری داده های مصرف و خرید در بازه زمانی حداقل دو ساله
• کالاهای خود را بر اساس وضعیت (مرده، جدید، و غیره) طبقه بندی کنید
• ماهیت هر کالا را مشخص کنید (روتین، استراتژیک)
• یک ماتریس ریسک ایجاد کنید تا کالاهای پرریسک را شناسایی کنید
• داشبوردی برای پایش مستمر وضعیت انبار طراحی کنید

با این رویکرد، نه تنها هزینه های انبار را کاهش می دهید، بلکه از بروز مشکلات ناشی از کمبود کالاهای استراتژیک نیز جلوگیری خواهید کرد و بهره وری سازمان خود را افزایش می دهید.

آیا شما هم با چالش های مدیریت موجودی انبار روبرو هستید؟ کدام یک از این راهکارها را در سازمان خود پیاده سازی کرده اید؟ نظرات و تجربیات خود را با ما به اشتراک بگذارید.