Lagerstyringsinnsikt med LuckyTemplates: Sammenligning av lager med salg

I dette eksemplet skal vi dykke inn i lagerstyringsdata og trekke ut noen fantastiske innsikter. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

Jeg legger til litt mer variasjon i noen av LuckyTemplates -utviklingen som jeg viser frem her, og dette er en ganske unik innsikt rundt administrasjon av beholdningen din.

Alle data har sine nyanser, så å lære en rekke teknikker vil plassere enhver analytiker i en god posisjon for de forskjellige dataene som kan bli lagt foran deg.

Ved å gå gjennom dette eksempelet på lagerstyring, håper jeg å utvide tankene dine rundt hvordan du kan bruke LuckyTemplates. Den unike analysen kommer fra hvor vi trenger å sammenligne våre nåværende lagernivåer med salget vi faktisk ser i sanntid i butikkene våre .

Det vi trenger å gjøre er å sammenligne historisk salg med det vi har på lager for øyeblikket, fordi det er slik du trenger å administrere varelageret ditt (hvis du tenker grundig over det et øyeblikk).

Ved å forstå dette kan du sørge for at du holder tritt med etterspørselen eller at du har forsyningen til å tilrettelegge for en bestemt strategisk promotering eller salgsarrangement som du starter i en bedrift.

Jeg viser deg hvordan du bygger din datamodell, hvordan du implementerer den riktigeberegninger, og hvordan du viser dette frem på en visuell måte som gir mening og fremhever innsikten godt for dine forbrukere.

Innholdsfortegnelse

• Går over prosessen
• Gå over formlene som brukes
• Inventarinnsikt fra datamodellen
• Konklusjon

Går over prosessen

Et viktig element for å få lagerinnsikt er salgsinformasjon. Vi må med andre ord beregne salget vårt. For å optimere beholdningen vår må vi imidlertid ha en tabell som er et tidsstempel for en viss periode.

For lagerdata kommer vi til å ha forskjellig lagerinformasjon hver eneste dag. På den annen side er salgsinformasjon historisk , så vi ønsker å analysere historisk salgsinformasjon for å sikre at vi optimerer lagernivåene våre på et bestemt tidspunkt. 

Jeg har koblet oppslagstabeller til disse faktatabellene, salgsdataene og lagerbeholdningskontrollen . Vi har kunder , lagerkoder og produkter . 

Den eneste forskjellen er datoen . Jeg har opprettet en inaktiv relasjon her fordi jeg ikke ønsker å filtrere denne beholdningsbeholdningskontrolltabellen etter datoen fordi dette er et tidsstempel.

Hvis vi ser på rapporten her, vil vi se at slutten av juli er den siste dagen for våre salg, som eksempel. Så den dagen vet vi hva vi kan tidsstemple, og vi kan se alle salgene vi har gjort.

Og vi ønsker å sammenligne hvor mange salg vi har gjort de siste 90 dagene med hvor mye lager vi faktisk har for hånden . For å oppnå dette trenger vi noen formler.

Gå over formlene som brukes

Så jeg opprettet et mål, der jeg startet med Total Revenue . 

Så for å beregne de siste 90 dagene, brukte jeg, som lar oss ha en startdato og en sluttdato. Så her startet vi 30. juni 2016, som er siste dag i datasettet. Vi beregner hvor mye inntekt vi har tjent de siste 90 dagene per produkt basert på de to datoene.

Så MAX-datoen vil alltid være lik den siste datoen i datasettet vårt, som er 30. juni. MAKS -datoen – 90 , derimot, har gitt oss det 90-dagers vinduet for å beregne vår totale inntekt for den perioden for hvert produkt.

Når vi ser ned i tabellen vår, ser vi produktene vi har solgt mest de siste 90 dagene. Deretter kan vi sammenligne det med den totale verdien av nåværende aksjer .

For denne beregningen itererer vi gjennom hver eneste rad i tabellen vår, og kan ikke telle opp kvantumet og kostnaden per vare. Deretter gjør summen av den totale verdien. 

Med denne beregningen kan vi se hvor mye lager vi har på vent for hvert produkt.

Deretter kjørte jeg også et lagerforhold fordi vi kanskje har et forholdsnivå som vi ønsker å være på for alle produktene våre, slik at vi alltid vil ha nok lager av produkter å selge. Jeg delte ganske enkelt den totale inntekten de siste 90 dagene med den totale verdien av nåværende aksjer .

Dette gir oss et sekundært tall som vi kan analysere og sortere etter for å se hvilke produkter som selger, og hvilke produkter som selger dårlig. Og når vi bruker denne flotte bordfunksjonen, kan vi sortere den godt og se klart de laveste kontra de høyeste lagerforholdene.

Inventarinnsikt fra datamodellen

Fra resultatene i tabellen kan vi få betydelig innsikt bortsett fra våre lagernivåer.

Lave lagerforhold betyr at vi sannsynligvis ikke har mye lager om bord, og vi må få mer, avhengig av hvilket forhold du vil sette for å oppfylle bestillinger i fremtiden.

På baksiden er høye lagerforhold åpenbart de svært dårlig selgende produktene. De selger ikke så mye, så kanskje vi burde gi rabatt på dem bare for å få dem solgt og ikke sitte og dra ned virksomheten vår.

Dette er virkelig flott innsikt du kan få fra lagerdataene.

En annen ting er at dette er knyttet opp til vår datamodell , og så har vi faktisk en rekke varehus som lageret kan holdes på. Vi vil kanskje optimalisere det og se salget vårt i bestemte regioner og lageret som er lokalisert.

Når vi kan klikke på lageret , kan vi se lageret vi har på det aktuelle lageret. Vi kan deretter matche det til en slags regional informasjon. Jeg har ikke gjort det ennå, i dette eksemplet, men det er kraften i å bruke datamodellen og sette disse ekstra filtrene på plass. 

Beregn dager med null lager – Inventory Management Insights m/LuckyTemplates

Inventory Management – ​​LuckyTemplates Showcase

Konklusjon

Nøkkelen til god lagerinnsikt er å forstå datamodellen veldig godt.

Du må forstå at du har to faktatabeller her og at du må koble opp oppslagstabellene dine til disse to faktatabellene på en måte som gjør at filtrene fungerer riktig. På denne måten, når du legger til litt kontekst til beregningene dine, beregner filtrene på plass resultater som gir mening for deg. 

Å kombinere alle disse teknikkene rundt ulike aspekter av LuckyTemplates er hvor du virkelig trenger å komme til for å hente ut virkelig god innsikt.

Alle disse teknikkene isolert sett gjør ikke på langt nær så mye som når du  kombinerer datamodellen, med DAX-beregninger og virkelig høykvalitets visualiseringer .

Det er her den virkelige kraften ligger i å bruke LuckyTemplates som et analytisk verktøy.

Alt godt med å finne ut hvordan du kan passe denne typen teknikker inn i dine egne datasett.