Inventaire Optimiser est utilisé par un certain nombre de clients avec des articles très saisonniers. Les prévisions statistiques sont exécutées sur ces articles pour certaines périodes prédéfinies afin d’éliminer les prévisions erronées. Le système est nativement construit avec des algorithmes qui détecteront automatiquement les modèles saisonniers et appliqueront l’algorithme approprié à la prévision. Les propositions de commande ne seront générées que pour la période prévisionnelle et peuvent être configurées pour être exécutées sur une planification prédéfinie via la fonctionnalité de commande automatique.

L’un des principaux avantages du système est qu’il calcule les prévisions et fait des recommandations d’achat au niveau le plus bas possible. Cela signifie que le système prévoit chaque article séparément pour chaque magasin et peut donc également faire des recommandations d’achat au niveau du magasin pour chaque article. C’est ainsi que nous abordons les différentes saisonnalités entre les magasins. Les magasins auront également des délais d’exécution différents, selon leur position régionale. Le système le calculera également dans les recommandations d’achat afin de garantir des niveaux de stocks optimaux.

One of the systems main advantages is that it calculates forecasts and makes purchase recommendations on the lowest possible level. This means the system forecasts each item separately for each store and can therefore also make purchase recommendations on store level for each item. That is how we tackle different seasonality’s between stores. Stores will also have different lead times, depending on their regional position. The system will also calculate this into the purchase recommendations to secure optimal inventory levels.

Le système utilise un système qui sélectionne automatiquement la meilleure méthode de prévision pour chaque SKU à chaque emplacement, donc au niveau le plus bas possible. Le système teste des dizaines de méthodes de prévision sur chaque élément et choisit ensuite la méthode qui minimise les erreurs de prévision. Les utilisateurs n’ont donc pas besoin d’avoir des connaissances statistiques avancées pour exploiter les prévisions. Voici quelques exemples de méthodes de prévision qui peuvent être utilisés en fonction de différents types de données:

•    Lissage Exponentiel – couvre une large gamme d’historiques caractéristiques
•    Méthodes simple – pour les historiques courts ou volatils
•    Ajustement de courbe – identifie la forme de la courbe suivie par l’historique
•    Modèles à faible volume – Pour volume faible et/ou historique erratique
•    Box-Jenkins – pour les historiques stables

Le système est utilisé avec des clients qui ont plus d’un million de SKU. Les transactions n’affectent pas le système parce qu’il fonctionne au niveau quotidien, pas les transactions. Le temps de réponse des systèmes est mesurée par nombre de SKU’s nécessaire pour être réapprovisionné par emplacement. Un client typique est dispose généralement entre 20 et 80 magasins, chacun avec 5 – 15 000 SKU. Les plus grands utilisateurs ont jusqu’à 700 magasins et des millions de SKU.

Nous avons développé des intégrateurs standards entre Dynamics NAV / AX et le system AGR. Le transfert n’est pas toujours un plug-and-play en raison des différences d’implémentation entre Ms NAV et AX. Par conséquent, nous avons habituellement besoin de personnaliser ces intégrateurs standards dans une certaine mesure pour intégrer les systèmes de mise en place initiale. Une fois les données connectées ont été intégrée, le flux de données est standard.

Il est possible de générer des historiques de vente à partir d’articles existants,(gestion des remplaçants) par ex. si l’utilisateur estime que le nouvel article a les caractéristiques des ventes similaires à l’existant. L’historique de vente de l’ancien article peut donc être copié et utilisé pour générer des prévisions pour le nouvel article. Voir détail dans le manuel. Le module Gérer par Exceptions identifie automatiquement les nouveaux articles. Durant l’implémentation, les clients peuvent définir des règles automatiques pour traiter les nouveaux articles durant leur transfert.

Oui. Durant l’implementation, nous effectuons habituellement une analyse ABC, et sur cette base, certains paramètres sont définis, tels que les niveaux de services et la fréquence des commandes. Le système comprend également un rapport d’analyse ABC que l’utilisateur peut générer. Nous avons introduit une analyse ABC multiples, en tenant compte simultanément du chiffre d’affaires et les quantités vendues, ce qui signifie que chaque article reçoit 2 codes ABC par ex. AA, AB, BA, BB. Une analyse ABC standard pourrait ressembler à cet exemple:

Oui, le système comprend un module appelé commande restreinte. Ce module peut être utilisé pour remplir toute contrainte définie par l’utilisateur de sorte que la durée de vie de tous les articles commandés devrait être la même. L’utilisateur peut par exemple définir un conteneur qui peut porter un certain volume, poids et nombre de palettes.Sur la base des prévisions de ventes et de l’état des stocks, données sur la masse, le volume, le nombre de palettes et les délais, le modèle calcule la quantité de chaque produit qui doit être commandée pour utiliser l’espace au maximum et assurer les durées de vie semblables des marchandises dans chaque conteneur.

La fonction Gérer par exception permet de gérer toutes les exceptions qui pourraient survenir. Les utilisateurs peuvent facilement personnaliser leurs propres rapports, puis les enregistrer et les envoyer par courrier électronique. Voici des exemples de rapports standard générés par cet outil:

1.    Articles surstockés
2.    Articles soustockés
3.    Articles risquant de manquer de stock avant la prochaine livraison
4.     Articles avec des ventes extraordinaires
5.    Articles avec des erreurs de prévisions élevées

Le système calcule dynamiquement le niveau de réapprovisionnement et le stock de sécurité, en prenant le niveau de service, l’état de stock, les délais min. Les quantités de commande et le délai de réapprovisionnement des articles en compte. Les données suivantes influencent la proposition de commande:

• Le délai de livraison et la fréquence des commandes définissent l’horizon temporel du calcul. L’horizon temporel est égal à la durée de livraison + fréquence d’ordre car l’ordre actuel devra couvrir la demande pour cet horizon.
• Prévisions sur l’horizon de la commande.
• Stock de sécurité sur l’horizon de la commande.
• Niveau de stock est déduit de la proposition.
• Commandes non livrées sont déduites de la proposition.
• Minimum de commande si la proposition est inférieure au minimum de commandes elle est arrondie.
• Quantité de commande minimum. La commande est arrondie au multiple de la quantité minimum.