Beräkna dagar med noll lager – LuckyTemplates Inventory Management Insights

Jag ska gå igenom en unik analys här angående LuckyTemplates Inventory Management. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Denna idé kom från en fråga om. Medlemmen ville räkna ut hur många dagar det var när lagret låg på noll. Detta kommer att baseras på aktierörelsedata.

Innehållsförteckning

• Exempel på datavisualisering
• Modell som visar nödvändiga data
• Räknar upp det totala antalet dagar med noll lager
• Slutsats

Exempel på datavisualisering

Låt oss börja med en visualisering av provdata som ges, som visas nedan.

Du kommer att se att grafen visar lagernivåerna under en viss tidsperiod . Många SAP-system visar faktiskt data som denna där du kan se faktiska lagerrörelser.

Du kan se om bestånden ökade med 20 vid en viss punkt, eller minskade med 3, och så vidare. Du kan se det här i kolumnen Kvantitet .

Materialen är också indelade i specifika grupper för tydlighetens skull. Det gör det mer effektivt att ta reda på vilka specifika produkter eller material som rör sig .

När lagerförändringar sker behöver du också ett datum kopplat till det. Detta talar om när en specifik aktie visade rörelse.

Samma sak görs när det kommer in ytterligare inventarier. Varje aktivitet är kopplad till datumet då den hände eller när den lades upp.

Modell som visar nödvändiga data

Från dessa specifika grupper av data genereras denna enkla modell. Den visar varje rörelse som krävs för att få de resultat du behöver.

Med denna information kan vi skapa en ackumulerad summa av vår lagernivå vid varje given tidpunkt. Därifrån kan vi räkna upp dagarna då det var noll lager.

Låt oss tillämpa lite sammanhang här. Vi räknar upp dagarna; det betyder att vi skulle behöva specifika datum.

Som nämnts tidigare är materialen också indelade i separata grupper. Detta berättar för oss vilka specifika aktier som rör sig. Det ser vi här.

När det gäller beräkningarna kommer de alla att ske i tabellen nedan.

Demomodellen är inte så lång och komplicerad, men den visar all rörelse du behöver.

Låt oss nu se hur dessa ser ut på vårt bord. Du behöver bara en enkelpå lagerförändringarna och kvantiteten.

Den beräkningen kommer att visas i kolumnen Kvantitet .

Vi kommer också att lägga till några filter här. Jag kommer att visa formeln som används för filtret senare, men så här ser vårt filter ut.

Du kommer att se att vi bara har ett specifikt material valt för tillfället. Det är därför du också ser samma typ av material listat i kolumnen Materialbeskrivning.

Naturligtvis har vi en slicer som låter oss specificera tidsperioden för de data vi får som ett resultat.

När man tittar på tabellen kan man nu se att vi vid detta specifika datum hade minus 1, vilket betyder att en aktie förmodligen såldes.

Varje gång det är en förändring i antalet kommer du att se visualiseringen förändras också. Så i det här fallet kan den 1 sålda aktien ses i denna droppe på diagrammet.

Bortsett från sålda produkter kan du också se att en viss dag kom 15 lager i lager.

Räknar upp det totala antalet dagar med noll lager

Tekniken som jag använde här är väldigt lik det vanliga sättet du skulle göra.

När denna kumulativa summa skapas, kommer den att speglas i din visualisering. Vi letar efter dagar där lagret är noll, vilket du kommer att se i nedgångarna på ditt diagram.

Här ser du att en viss dag flyttades 13 aktier ut ur lagret, vilket gjorde att du hade noll lager. Så allt vi behöver göra är att hitta liknande dagar som denna och sedan ta reda på hur många av dessa dagar det finns totalt.

Detta resultat kommer att visas här, märkt som Days Out Of Stock .

För att börja få det numret måste vi bygga en virtuell tabell som kommer att visa de tre kolumnerna som innehåller de data vi behöver.

Den virtuella tabellen är byggd med den här delen av formeln.

Låt oss diskutera den formeln bit för bit.

Jag började med ADDCOLUMNS , sedan använde jag CROSSJOIN för att se till att varje specifikt datum och material är representerat.

Så låt oss säga att en specifik typ av material flyttades en viss dag. Den här delen av formeln ser till att alla datum inom tidsperioden listas, inklusive datumet då rörelsen inträffade.

Å andra sidan är det denna del av formeln som skapar en lista över alla möjliga typer av material. Detta säkerställer att när den rörelsen inträffar, står tabellen för den specifika aktien.

När datum och lager har lagts till i tabellen med hjälp av CROSSJOIN kan du nu skapa en ny kolumn som visar den ackumulerade summan , som visas i den här delen av formeln nedan.

Kom nu ihåg att du bara räknar nollorna här. Men hur är det med de tomma fälten på våra totaler?

Det är vad den här delen av formeln är till för.

Du kommer att se att vi letar efter kolumner med noll i. Samtidigt utesluter vi också rader som är BLANK .

Dessa tomma rader är där eftersom den specifika typen av lager kanske inte har varit en del av lagret ännu under den specifika tiden. I tabellen ovan ser du att de tomma utrymmena kommer innan 15 stycken av det specifika lagret lades till. Det betyder att denna leverans av 15 lager kan ha varit första gången för dem att ha den typen av produkt.

När formeln har tillämpats får du det nummer du behöver. Det är definitivt mycket bättre än att bläddra igenom raderna en efter en och räkna ut hur många av dem som skulle visa nollor.

Slutsats

Så återigen har vi löst ett annat problem genom att bygga en virtuell tabell. Denna gång tillämpas tillvägagångssättet som en LuckyTemplates lagerhanteringsteknik. Den virtuella tabellen gav oss det exakta resultatet vi behövde, vilket var det totala antalet dagar då det fanns noll lager.

Förhoppningsvis kan du hitta någon användning för detta unika koncept i LuckyTemplates.

Med vänliga hälsningar,