Insikter om lagerhantering med LuckyTemplates: Jämför lager med försäljning

I det här exemplet ska vi dyka in i lagerhanteringsdata och extrahera några fantastiska insikter. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Jag lägger till lite mer variation i några av LuckyTemplates -utvecklingen som jag visar upp här, och det här är en ganska unik insikt kring hantering av ditt lager.

All data har sina nyanser så att lära sig en mängd olika tekniker kommer att placera vilken analytiker som helst i en utmärkt position för de olika data som kan läggas framför dig.

Genom att gå igenom detta exempel på lagerhantering hoppas jag kunna utöka ditt sinne kring hur du kan använda LuckyTemplates. Den unika analysen kommer från där vi behöver jämföra våra nuvarande lagernivåer med den försäljning vi faktiskt ser i realtid i våra butiker .

Vad vi behöver göra är att jämföra historisk försäljning med vad vi har i lager för närvarande eftersom det är så du behöver hantera ditt lager ( om du tänker djupt på det ett ögonblick).

Genom att förstå detta kan du se till att du hänger med efterfrågan eller att du har tillgången för att underlätta en speciell strategisk marknadsföring eller försäljningsevenemang som du initierar inom ett företag.

Jag visar dig hur du bygger din datamodell, hur du implementerar rättberäkningar, och hur man visar upp detta på ett visuellt sätt som är vettigt och framhäver insikten väl för dina konsumenter.

Innehållsförteckning

• Går över processen
• Gå igenom de formler som används
• Lagerinsikter från datamodellen
• Slutsats

Går över processen

En viktig del för att få lagerinsikter är försäljningsinformation. Med andra ord måste vi beräkna vår försäljning. Men för att optimera vårt lager behöver vi ha en tabell som är en tidsstämpel för en viss period.

För lagerdata kommer vi att ha olika lagerinformation varje dag. Å andra sidan är försäljningsinformation historisk , så vi vill analysera historisk försäljningsinformation för att säkerställa att vi optimerar våra lagernivåer vid en viss tidpunkt. 

Jag har kopplat uppslagstabeller till dessa faktatabeller, försäljningsdata och lagerkontroll . Vi har kunder , lagerkoder och produkter . 

Den enda skillnaden är datumet . Jag har skapat en inaktiv relation här eftersom jag inte vill filtrera denna lagerkontrolltabell efter datum eftersom detta är en tidsstämpel.

Om vi ​​tittar på rapporten här ser vi att slutet av juli är den sista dagen för vår försäljning, som ett exempel. Så den dagen vet vi vad vi kan tidsstämpla, och vi kan se alla försäljningar vi har gjort.

Och vi vill jämföra hur många försäljningar vi har gjort under de senaste 90 dagarna med hur mycket lager vi faktiskt har till hands . För att uppnå detta behöver vi några formler.

Gå igenom de formler som används

Så jag skapade ett mått där jag började med Total Revenue . 

Sedan för att beräkna de senaste 90 dagarna använde jag, vilket gör att vi kan ha ett startdatum och ett slutdatum. Så här började vi den 30 juni 2016, vilket är sista dagen i datamängden. Vi beräknar hur mycket intäkter vi gjort under de senaste 90 dagarna per produkt baserat på de två datumen.

Så MAX-datumet kommer alltid att vara lika med det sista datumet i vår datamängd, som är den 30 juni. MAX -datumet – 90 har å andra sidan gett oss det 90-dagarsfönstret för att beräkna vår totala intäkt för den perioden för varje produkt.

När vi tittar ner i vår tabell ser vi de produkter som vi sålt mest under de senaste 90 dagarna. Sedan kan vi jämföra det med det totala värdet av nuvarande aktier .

För denna beräkning itererar vi genom varje enskild rad i vår tabell och kan inte räkna upp kvantiteten och kostnaden per artikel. Då gör den summan av det totala värdet. 

Med denna beräkning kan vi se hur mycket lager vi har på håll för varje produkt.

Sedan körde jag också ett lagerförhållande eftersom vi kanske har en kvotnivå som vi vill ligga på för alla våra produkter så att vi alltid kommer att ha tillräckligt med lager av produkter att sälja. Jag dividerade helt enkelt totala intäkter under de senaste 90 dagarna med det totala värdet av nuvarande lager .

Detta ger oss en sekundär siffra som vi kan analysera och sortera efter för att se vilka produkter som säljer och vilka produkter som inte säljer bra. Och när vi använder den här fantastiska bordsfunktionen kan vi sortera den väl och se klart de lägsta kontra de högsta aktiekvoterna.

Lagerinsikter från datamodellen

Från resultaten i tabellen kan vi få betydande insikter förutom våra lagernivåer.

Låga lagerkvoter gör att vi antagligen inte har så mycket lager ombord och vi behöver få fler, beroende på vilket förhållande du vill sätta för att fullfölja order i framtiden.

Å andra sidan är höga lagerförhållanden uppenbarligen de mycket dåligt sålda produkterna. De säljer inte särskilt mycket, så vi kanske borde diskontera dem bara för att få dem sålda och inte sitta och dra ner vår verksamhet.

Dessa är verkligen fantastiska insikter som du kan få från inventeringsdata.

En annan sak är att detta är kopplat till vår datamodell, så vi har faktiskt ett antal lager som lagret skulle kunna hållas på. Vi kanske vill optimera det och se vår försäljning i särskilda regioner och det lager som finns.

När vi kan klicka på Lageret kan vi se det lager som vi för närvarande har på just det lagret. Vi kan sedan matcha det till en sorts regional information. Jag har inte gjort det än i det här exemplet, men det är kraften i att använda datamodellen och sätta dessa ytterligare filter på plats. 

Beräkna Days Of Zero Stock – Inventory Management Insights w/LuckyTemplates

Lagerhantering – LuckyTemplates Showcase

Slutsats

Nyckeln till bra lagerinsikter är att förstå datamodellen riktigt bra.

Du måste förstå att du har två faktatabeller här och att du behöver länka upp dina uppslagstabeller till dessa två faktatabeller på ett sätt så att filtren fungerar korrekt. På det här sättet, när du lägger till lite sammanhang till dina beräkningar, beräknar filtren på plats resultat som är vettiga för dig. 

Att kombinera alla dessa tekniker kring olika aspekter av LuckyTemplates är där du verkligen behöver komma till för att få ut riktigt bra insikter.

Alla dessa tekniker isolerat gör inte i närheten av så mycket som när du  kombinerar datamodellen, med DAX-beräkningar och riktigt högkvalitativa visualiseringar .

Det är här den verkliga kraften ligger i att använda LuckyTemplates som ett analytiskt verktyg.

Lycka till med att ta reda på hur du kan passa in dessa typer av tekniker i dina egna datamängder.